Transformation de HilbertEn mathématiques et en traitement du signal, la transformation de Hilbert, ici notée , d'une fonction de la variable réelle est une transformation linéaire qui permet d'étendre un signal réel dans le domaine complexe, de sorte qu'il vérifie les équations de Cauchy-Riemann. La transformation de Hilbert tient son nom en honneur du mathématicien David Hilbert, mais fut principalement développée par le mathématicien anglais G. H. Hardy.
Simulation de phénomènesLa simulation de phénomènes est un outil utilisé dans le domaine de la recherche et du développement. Elle permet d'étudier les réactions d'un système à différentes contraintes pour en déduire les résultats recherchés en se passant d'expérimentation. Les systèmes technologiques (infrastructures, véhicules, réseaux de communication, de transport ou d'énergie) sont soumis à différentes contraintes et actions. Le moyen le plus simple d'étudier leurs réactions serait d'expérimenter, c'est-à-dire d'exercer l'action souhaitée sur l'élément en cause pour observer ou mesurer le résultat.
Transformation de LaplaceEn mathématiques, la transformation de Laplace est une transformation intégrale qui à une fonction f — définie sur les réels positifs et à valeurs réelles — associe une nouvelle fonction F — définie sur les complexes et à valeurs complexes — dite transformée de Laplace de f. L'intérêt de la transformation de Laplace vient de la conjonction des deux faits suivants : De nombreuses opérations courantes sur la fonction originale f se traduisent par une opération algébrique sur la transformée F.
Test de StudentEn statistique, un test de Student, ou test t, désigne n'importe quel test statistique paramétrique où la statistique de test calculée suit une loi de Student lorsque l’hypothèse nulle est vraie. gauche|vignette|Façade de la brasserie historique Guinness de St. James. vignette|William Sealy Gosset, qui inventa le test t, sous le pseudonyme Student. Le test de Student et la loi de probabilités qui lui correspond ont été publiés en 1908 dans la revue Biometrika par William Gosset.
Apprentissage moteur. Les approches basées sur les théories de l’apprentissage moteur tiennent habituellement compte de quatre variables principales: les étapes d’apprentissage, le type de tâche à réaliser, la pratique et le feedback. Le processus d’apprentissage moteur comprend trois stades. Le premier est le stade cognitif, c’est-à-dire que l’individu connaît chaque séquence de la tâche à réaliser, mais il ne sait pas exactement comment l’exécuter. Ensuite, il y a le stade associatif, qui correspond au raffinement des habiletés motrices et à la diminution d’erreurs.
Planification motriceLa planification motrice est un processus cognitif et psychomoteur, permettant d’élaborer un mouvement volontaire et de l’organiser en séquences avant de l’exécuter . Pour ce faire, avant chaque mouvement, le cerveau établit un plan moteur composé d’images mentales qui s’enchaînent . Cela est possible parce qu’il s’agit d’un automatisme qui anticipe le résultat de chaque mouvement. Lors de l’étape suivante, le cerveau spécifie les paramètres du mouvement, c’est-à-dire les éléments spatio-temporels (direction, force, amplitude, vitesse) et visuo-spatiaux qui orienteront l’action .
Transformée de HadamardLa transformée de Hadamard (aussi connue sous le nom de « transformée de Walsh-Hadamard ») est un exemple d'une classe généralisée d'une transformée de Fourier. Elle est nommée d'après le mathématicien français Jacques Hadamard et effectue une opération linéaire et involutive avec une matrice orthogonale et symétrique sur 2 nombres réels (ou complexes, bien que les matrices utilisées possèdent des coefficients réels). Ces matrices sont des matrices de Hadamard.
Discrete-time Fourier transformIn mathematics, the discrete-time Fourier transform (DTFT), also called the finite Fourier transform, is a form of Fourier analysis that is applicable to a sequence of values. The DTFT is often used to analyze samples of a continuous function. The term discrete-time refers to the fact that the transform operates on discrete data, often samples whose interval has units of time. From uniformly spaced samples it produces a function of frequency that is a periodic summation of the continuous Fourier transform of the original continuous function.
Série temporellethumb|Exemple de visualisation de données montrant une tendances à moyen et long terme au réchauffement, à partir des séries temporelles de températures par pays (ici regroupés par continents, du nord au sud) pour les années 1901 à 2018. Une série temporelle, ou série chronologique, est une suite de valeurs numériques représentant l'évolution d'une quantité spécifique au cours du temps. De telles suites de variables aléatoires peuvent être exprimées mathématiquement afin d'en analyser le comportement, généralement pour comprendre son évolution passée et pour en prévoir le comportement futur.
Bruit additif blanc gaussienLe bruit additif blanc gaussien est un modèle élémentaire de bruit utilisé en théorie de l'information pour imiter de nombreux processus aléatoires qui se produisent dans la nature. Les adjectifs indiquent qu'il est : additif il s'ajoute au bruit intrinsèque du système d'information ; blanc sa puissance est uniforme sur toute la largeur de bande de fréquences du système, par opposition avec un bruit coloré qui privilégie une bande de fréquences par analogie avec une lumière colorée dans le spectre visible ; gaussien il a une distribution normale dans le domaine temporel avec une moyenne nulle (voir bruit gaussien).
Fine motor skillFine motor skill (or dexterity) is the coordination of small muscles in movement with the eyes, hands and fingers. The complex levels of manual dexterity that humans exhibit can be related to the nervous system. Fine motor skills aid in the growth of intelligence and develop continuously throughout the stages of human development. Motor skills are movements and actions of the bone structures. Typically, they are categorised into two groups: gross motor skills and fine motor skills.
Data dredgingvignette|Exemple de Data dredging. Le data dredging (littéralement le dragage de données mais mieux traduit comme étant du triturage de données) est une technique statistique qui . Une des formes du data dredging est de partir de données ayant un grand nombre de variables et un grand nombre de résultats, et de choisir les associations qui sont « statistiquement significatives », au sens de la valeur p (on parle aussi de p-hacking).
