Matrice par blocsvignette|Un matrice présente une structure par blocs si l'on peut isoler les termes non nuls dans des sous-matrices (ici la structure « diagonale par blocs » d'une réduite de Jordan). On appelle matrice par blocs une matrice divisée en blocs à partir d'un groupement quelconque de termes contigus de sa diagonale. Chaque bloc étant indexé comme on indicerait les éléments d'une matrice, la somme et le produit de deux matrices partitionnées suivant les mêmes tailles de bloc, s'obtiennent avec les mêmes règles formelles que celles des composantes (mais en veillant à l'ordre des facteurs dans les produits matriciels!).
Linear least squaresLinear least squares (LLS) is the least squares approximation of linear functions to data. It is a set of formulations for solving statistical problems involved in linear regression, including variants for ordinary (unweighted), weighted, and generalized (correlated) residuals. Numerical methods for linear least squares include inverting the matrix of the normal equations and orthogonal decomposition methods. The three main linear least squares formulations are: Ordinary least squares (OLS) is the most common estimator.
Base (algèbre linéaire)vignette|Le même vecteur peut être représenté dans deux bases différentes (flèches violettes et rouges). En mathématiques, une base d'un espace vectoriel V est une famille de vecteurs de V linéairement indépendants et dont tout vecteur de V est combinaison linéaire. En d'autres termes, une base de V est une famille libre de vecteurs de V qui engendre V. alt=|vignette|upright=2|. La géométrie plane, celle d'Euclide, peut comporter une approche algébrique, celle de Descartes.
Logarithme d'une matriceEn mathématiques, et plus particulièrement en analyse, un logarithme d'une matrice est une autre matrice telle que son exponentielle soit égale à la matrice initiale. C'est une généralisation de la notion usuelle de logarithme, considéré comme inverse de la fonction exponentielle, mais le logarithme n'existe pas pour toutes les matrices, et n'est pas unique en général. L'étude du logarithme des matrices conduit au développement de la , car les matrices ayant un logarithme appartiennent à un groupe de Lie, et le logarithme est alors l'élément correspondant de l'algèbre de Lie associée.
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.
Décomposition de SchurEn algèbre linéaire, une décomposition de Schur (nommée après le mathématicien Issai Schur) d'une matrice carrée complexe M est une décomposition de la formeoù U est une matrice unitaire (U*U = I) et A une matrice triangulaire supérieure. On peut écrire la décomposition de Schur en termes d'applications linéaires : Dans le cas où est l'application nulle, l'énoncé est directement vérifié, on peut donc se contenter de traiter le cas où est différente de l'application nulle.
Équivalence de MoritaEn algèbre, et plus précisément en théorie des anneaux, l'équivalence de Morita est une relation entre anneaux. Elle est nommée d'après le mathématicien japonais Kiiti Morita qui l'a introduite dans un article de 1958. L'étude d'un anneau consiste souvent à explorer la catégorie des modules sur cet anneau. Deux anneaux sont en équivalence de Morita précisément lorsque leurs catégories de modules sont équivalentes. L'équivalence de Morita présente surtout un intérêt dans l'étude des anneaux non commutatifs.
Système d'équations algébriquesEn mathématiques, un système d'équations algébriques est un ensemble d'équations polynomiales f1 = 0..., fh = 0 où les fi sont des polynômes de plusieurs variables (ou indéterminées), x1..., xn, à coefficients pris dans un corps ou un anneau k. Une « solution » est un ensemble de valeurs à substituer aux indéterminées annulant toutes les équations du système. Généralement les solutions peuvent être cherchées dans une extension du corps k comme la clôture algébrique de ce corps (ou la clôture algébrique du corps des fractions de k celui-ci est un anneau).
Moindres carrés non linéairesLes moindres carrés non linéaires est une forme des moindres carrés adaptée pour l'estimation d'un modèle non linéaire en n paramètres à partir de m observations (m > n). Une façon d'estimer ce genre de problème est de considérer des itérations successives se basant sur une version linéarisée du modèle initial. Méthode des moindres carrés Considérons un jeu de m couples d'observations, (x, y), (x, y),...,(x, y), et une fonction de régression du type y = f (x, β).
Méthode des moindres carrés ordinairevignette|Graphique d'une régression linéaire La méthode des moindres carrés ordinaire (MCO) est le nom technique de la régression mathématique en statistiques, et plus particulièrement de la régression linéaire. Il s'agit d'un modèle couramment utilisé en économétrie. Il s'agit d'ajuster un nuage de points selon une relation linéaire, prenant la forme de la relation matricielle , où est un terme d'erreur.
Total least squaresIn applied statistics, total least squares is a type of errors-in-variables regression, a least squares data modeling technique in which observational errors on both dependent and independent variables are taken into account. It is a generalization of Deming regression and also of orthogonal regression, and can be applied to both linear and non-linear models. The total least squares approximation of the data is generically equivalent to the best, in the Frobenius norm, low-rank approximation of the data matrix.
Matrices semblablesEn mathématiques, deux matrices carrées A et B sont dites semblables s'il existe une matrice inversible P telle que . La similitude est une relation d'équivalence. Deux matrices sont semblables si et seulement si elles représentent le même endomorphisme d'un espace vectoriel dans deux bases (éventuellement) différentes. Il ne faut pas confondre la notion de matrices semblables avec celle de matrices équivalentes. En revanche, si deux matrices sont semblables, alors elles sont équivalentes.
