Matrice d'une application linéaireEn algèbre linéaire, la matrice d'une application linéaire est une matrice de scalaires qui permet de représenter une application linéaire entre deux espaces vectoriels de dimensions finies, étant donné le choix d'une base pour chacun d'eux. Soient : E et F deux espaces vectoriels sur un corps commutatif K, de dimensions respectives n et m ; B = (e, ... , e) une base de E, C une base de F ; φ une application de E dans F.
Transformation géométriqueUne transformation géométrique est une bijection d'une partie d'un ensemble géométrique dans lui-même. L'étude de la géométrie est en grande partie l'étude de ces transformations. Les transformations géométriques peuvent être classées selon la dimension de l'ensemble géométrique : principalement les transformations planes et les transformations dans l'espace. On peut aussi classer les transformations d'après leurs éléments conservés : Jusqu'à l'avant dernière, chacune de ces classes contient la précédente.
TransforméeEn mathématiques, une transformée consiste à associer une fonction définie sur un domaine à une autre fonction, définie sur un domaine éventuellement différent. Un exemple d'application en physique consiste à étudier un signal défini sur le domaine temporel par sa transformation sur le domaine fréquentiel. Transformée d'Abel Transformée de Fourier Transformée de Fourier locale Transformée de Fourier-Mukai Transformée de Laplace Transformée bidirectionnelle de Laplace Transformée bilatérale de Laplace Trans
Coordonnées cartésiennesUn système de coordonnées cartésiennes permet de déterminer la position d'un point dans un espace affine (droite, plan, espace de dimension 3, etc.) muni d'un repère cartésien. Le mot cartésien vient du mathématicien et philosophe français René Descartes. Il existe d'autres systèmes de coordonnées permettant de repérer un point dans le plan ou dans l'espace. Sur une droite affine , un repère est la donnée de : une origine , c'est-à-dire un point distingué de ; un vecteur de la droite vectorielle directrice .
Produit cartésienvignette|Illustration d'un produit cartésien A x B où A={x,y,z} et B={1,2,3}. Cet article fait référence au concept mathématique sur les ensembles. Pour les graphes, voir produit cartésien de graphes. En mathématiques, le produit cartésien de deux ensembles X et Y, appelé également ensemble-produit, est l'ensemble de tous les couples dont la première composante appartient à X et la seconde à Y. On généralise facilement cette notion, valable pour deux ensembles, à celle de produit cartésien fini, qui est un ensemble de n-uplets dont les composantes appartiennent à n ensembles.
Matrice jacobienneEn analyse vectorielle, la matrice jacobienne est la matrice des dérivées partielles du premier ordre d'une fonction vectorielle en un point donné. Son nom vient du mathématicien Charles Jacobi. Le déterminant de cette matrice, appelé jacobien, joue un rôle important pour l'intégration par changement de variable et dans la résolution de problèmes non linéaires. Soit F une fonction d'un ouvert de R à valeurs dans R. Une telle fonction est définie par ses m fonctions composantes à valeurs réelles : .
Catégorie cartésienneUne catégorie cartésienne est, en mathématiques — et plus précisément en théorie des catégories — une catégorie munie d'un objet terminal et du produit binaire. Dans une catégorie cartésienne, la notion de morphisme entre morphismes n'a pas encore de sens. C'est pourquoi l'on définit l'exponentiation, c'est-à-dire l'objet B qui représente l'« ensemble » des morphismes de A dans B. Munie de cette propriété de clôture qu'est l'exponentiation, une catégorie cartésienne devient une catégorie cartésienne fermée.
Déterminant (mathématiques)vignette|L'aire du parallélogramme est la valeur absolue du déterminant de la matrice formée par les vecteurs correspondants aux côtés du parallélogramme. En mathématiques, le déterminant est une valeur qu'on peut associer aux matrices ou aux applications linéaires en dimension finie. Sur les exemples les plus simples, ceux de la géométrie euclidienne en dimension 2 ou 3, il s'interprète en termes d'aires ou de volumes, et son signe est relié à la notion d'orientation.
Modèle mixteUn modèle mixte est un modèle statistique qui comporte à la fois des effets fixes et des effets aléatoires. Ce type de modèle est utile dans une grande variété de domaines, tels que la physique, la biologie ou encore les sciences sociales. Les modèles mixtes sont particulièrement utiles dans les situations où des mesures répétées sont effectuées sur les mêmes variables (étude longitudinale). Ils sont souvent préférés à d'autres approches telle que rANOVA, dans la mesure où ils peuvent être utilisés dans le cas où le jeu de données présente des valeurs manquantes.
Régression linéaireEn statistiques, en économétrie et en apprentissage automatique, un modèle de régression linéaire est un modèle de régression qui cherche à établir une relation linéaire entre une variable, dite expliquée, et une ou plusieurs variables, dites explicatives. On parle aussi de modèle linéaire ou de modèle de régression linéaire. Parmi les modèles de régression linéaire, le plus simple est l'ajustement affine. Celui-ci consiste à rechercher la droite permettant d'expliquer le comportement d'une variable statistique y comme étant une fonction affine d'une autre variable statistique x.
Multilevel modelMultilevel models (also known as hierarchical linear models, linear mixed-effect model, mixed models, nested data models, random coefficient, random-effects models, random parameter models, or split-plot designs) are statistical models of parameters that vary at more than one level. An example could be a model of student performance that contains measures for individual students as well as measures for classrooms within which the students are grouped.
Errors-in-variables modelsIn statistics, errors-in-variables models or measurement error models are regression models that account for measurement errors in the independent variables. In contrast, standard regression models assume that those regressors have been measured exactly, or observed without error; as such, those models account only for errors in the dependent variables, or responses. In the case when some regressors have been measured with errors, estimation based on the standard assumption leads to inconsistent estimates, meaning that the parameter estimates do not tend to the true values even in very large samples.
