Processus gaussienEn théorie des probabilités et en statistiques, un processus gaussien est un processus stochastique (une collection de variables aléatoires avec un index temporel ou spatial) de telle sorte que chaque collection finie de ces variables aléatoires suit une loi normale multidimensionnelle ; c'est-à-dire que chaque combinaison linéaire est normalement distribuée. La distribution d'un processus gaussien est la loi jointe de toutes ces variables aléatoires. Ses réalisations sont donc des fonctions avec un domaine continu.
Covariance matrixIn probability theory and statistics, a covariance matrix (also known as auto-covariance matrix, dispersion matrix, variance matrix, or variance–covariance matrix) is a square matrix giving the covariance between each pair of elements of a given random vector. Any covariance matrix is symmetric and positive semi-definite and its main diagonal contains variances (i.e., the covariance of each element with itself). Intuitively, the covariance matrix generalizes the notion of variance to multiple dimensions.
Entier de Gaussthumb|Carl Friedrich Gauss. En mathématiques, et plus précisément, en théorie algébrique des nombres, un entier de Gauss est un nombre complexe dont la partie réelle et la partie imaginaire sont des entiers relatifs. Il s'agit formellement d'un élément de l'anneau des entiers quadratiques de l'extension quadratique des rationnels de Gauss L'ensemble des entiers de Gauss possède une structure forte. Comme tous les ensembles d'entiers algébriques, muni de l'addition et de la multiplication ordinaire des nombres complexes, il forme un anneau intègre, généralement noté , désignant ici l'unité imaginaire.
Covariance functionIn probability theory and statistics, the covariance function describes how much two random variables change together (their covariance) with varying spatial or temporal separation. For a random field or stochastic process Z(x) on a domain D, a covariance function C(x, y) gives the covariance of the values of the random field at the two locations x and y: The same C(x, y) is called the autocovariance function in two instances: in time series (to denote exactly the same concept except that x and y refer to locations in time rather than in space), and in multivariate random fields (to refer to the covariance of a variable with itself, as opposed to the cross covariance between two different variables at different locations, Cov(Z(x1), Y(x2))).
CovarianceEn théorie des probabilités et en statistique, la covariance entre deux variables aléatoires est un nombre permettant de quantifier leurs écarts conjoints par rapport à leurs espérances respectives. Elle s’utilise également pour deux séries de données numériques (écarts par rapport aux moyennes). La covariance de deux variables aléatoires indépendantes est nulle, bien que la réciproque ne soit pas toujours vraie. La covariance est une extension de la notion de variance.
Champ électriquethumb|Champ électrique associé à son propagateur qu'est le photon. right|thumb|Michael Faraday introduisit la notion de champ électrique. En physique, le champ électrique est le champ vectoriel créé par des particules électriquement chargées. Plus précisément, des particules chargées modifient les propriétés locales de l'espace, ce que traduit justement la notion de champ. Si une autre charge se trouve dans ce champ, elle subira l'action de la force électrique exercée à distance par la particule : le champ électrique est en quelque sorte le "médiateur" de cette action à distance.
Réseau (géométrie)En mathématiques, un réseau d'un espace (vectoriel) euclidien est un sous-groupe discret de l’espace, de rang fini n. Par exemple, les vecteurs de Rn à coordonnées entières dans une base forment un réseau de Rn. Cette notion permet de décrire mathématiquement des maillages, comme celui correspondant à la figure 1. thumb|Fig. 1. Un réseau est un ensemble discret disposé dans un espace vectoriel réel de dimension finie de manière régulière, au sens où la différence de deux éléments du réseau est encore élément du réseau.
Fonction gaussiennevignette|Fonction gaussienne pour μ = 0, σ = 1 ; courbe centrée en zéro. Une fonction gaussienne est une fonction en exponentielle de l'opposé du carré de l'abscisse (une fonction en exp(-x)). Elle a une forme caractéristique de courbe en cloche. L'exemple le plus connu est la densité de probabilité de la loi normale où μ est l'espérance mathématique et σ est l'écart type. Les fonctions gaussiennes sont analytiques, de limite nulle en l'infini. La largeur à mi-hauteur H vaut la demi-largeur à mi-hauteur vaut donc environ 1,177·σ.
Réseau (sous-groupe discret)En théorie des groupes le terme réseau désigne un sous-groupe d'un groupe topologique localement compact vérifiant les conditions suivantes : est discret dans , ce qui est équivalent à la condition qu'il existe un voisinage ouvert de l'identité de tel que ; est de covolume fini dans , c'est-à-dire qu'il existe sur l'espace quotient une mesure Borélienne de masse totale finie et invariante par (agissant par translations à droite). Un réseau est dit uniforme quand le quotient est compact. On dit alors que est un réseau de .
Système d'unités gaussiennesLe système d'unités gaussiennes constitue un système métrique d'unités physiques. Ce système est le plus couramment utilisé de toute une famille de systèmes d'unités électromagnétiques basés sur des unités cgs (centimètre-gramme-seconde). Il est aussi appelé unités gaussiennes, unités gaussiennes-cgs, ou souvent simplement unités cgs. Ce dernier terme "unités cgs" est cependant ambigu, et doit donc être évité si possible : il existe plusieurs variantes d'unités cgs, avec des définitions contradictoires des quantités et unités électromagnétiques.
Matrice aléatoireEn théorie des probabilités et en physique mathématique, une matrice aléatoire est une matrice dont les éléments sont des variables aléatoires. La théorie des matrices aléatoires a pour objectif de comprendre certaines propriétés de ces matrices, comme leur norme d'opérateur, leurs valeurs propres ou leurs valeurs singulières. Face à la complexité croissante des spectres nucléaires observés expérimentalement dans les années 1950, Wigner a suggéré de remplacer l'opérateur hamiltonien du noyau par une matrice aléatoire.
Cross-covarianceIn probability and statistics, given two stochastic processes and , the cross-covariance is a function that gives the covariance of one process with the other at pairs of time points. With the usual notation for the expectation operator, if the processes have the mean functions and , then the cross-covariance is given by Cross-covariance is related to the more commonly used cross-correlation of the processes in question.
Rationnel de GaussEn mathématiques, un est un nombre complexe dont les parties réelle et imaginaire sont des nombres rationnels. L'ensemble des rationnels de Gauss est donc C'est un sous-corps de C, généralement noté Q(i) ou Q[i]. Ces nombres tirent leur nom du mathématicien allemand Carl Friedrich Gauss. Q(i) est le corps de rupture du polynôme X + 1. C'est donc un corps quadratique imaginaire et un corps cyclotomique. L'anneau des entiers de Q(i) est l'anneau Z[i] des entiers de Gauss. Son discriminant est –4.
Continuum limitIn mathematical physics and mathematics, the continuum limit or scaling limit of a lattice model refers to its behaviour in the limit as the lattice spacing goes to zero. It is often useful to use lattice models to approximate real-world processes, such as Brownian motion. Indeed, according to Donsker's theorem, the discrete random walk would, in the scaling limit, approach the true Brownian motion. The term continuum limit mostly finds use in the physical sciences, often in reference to models of aspects of quantum physics, while the term scaling limit is more common in mathematical use.
Outilthumb|Une boîte à outils en bois des années 1950. Un outil est un objet physique utilisé par un être vivant directement, ou par l'intermédiaire d'une machine, afin d'exercer une action le plus souvent mécanique, ou thermique, sur un élément d'environnement à traiter (matière brute, objet fini ou semi-fini, être vivant, etc). Il améliore l'efficacité des actions entreprises ou donne accès à des actions impossibles autrement. Beaucoup procurent un avantage mécanique en fonctionnant selon le principe d'une machine simple, comme la pince-monseigneur, qui exploite le principe du levier.
Lattice model (physics)In mathematical physics, a lattice model is a mathematical model of a physical system that is defined on a lattice, as opposed to a continuum, such as the continuum of space or spacetime. Lattice models originally occurred in the context of condensed matter physics, where the atoms of a crystal automatically form a lattice. Currently, lattice models are quite popular in theoretical physics, for many reasons. Some models are exactly solvable, and thus offer insight into physics beyond what can be learned from perturbation theory.
Statistique exhaustiveLes statistiques exhaustives sont liées à la notion d'information et en particulier à l'information de Fisher. Elles servent entre autres à améliorer des estimateurs grâce à l'usage du théorème de Rao-Blackwell et du théorème de Lehmann-Scheffé. Intuitivement, parler d'une statistique exhaustive revient à dire que cette statistique contient l'ensemble de l'information sur le(s) paramètre(s) de la loi de probabilité. Soit un vecteur d'observation de taille , dont les composantes sont indépendantes et identiquement distribués (iid).
Loi uniforme continueEn théorie des probabilités et en statistiques, les lois uniformes continues forment une famille de lois de probabilité à densité. Une telle loi est caractérisée par la propriété suivante : tous les intervalles de même longueur inclus dans le support de la loi ont la même probabilité. Cela se traduit par le fait que la densité de probabilité d'une loi uniforme continue est constante sur son support. Elles constituent donc une généralisation de la notion d'équiprobabilité dans le cas continu pour des variables aléatoires à densité ; le cas discret étant couvert par les lois uniformes discrètes.
AutocovarianceLa fonction d'autocovariance d'un processus stochastique permet de caractériser les dépendances linéaires existant au sein de ce processus. Si est un processus stationnaire au sens faible alors et pour n'importe quels entiers naturels . Dans ce cas et il suffit alors de définir les autocovariances par la fonction qui à tout associe . La fonction d'autocovariance apparaît alors comme la covariance de ce processus avec une version décalée de lui-même. On appelle l'autocovariance d'ordre .
Estimation of covariance matricesIn statistics, sometimes the covariance matrix of a multivariate random variable is not known but has to be estimated. Estimation of covariance matrices then deals with the question of how to approximate the actual covariance matrix on the basis of a sample from the multivariate distribution. Simple cases, where observations are complete, can be dealt with by using the sample covariance matrix.
