Densité de chargeLa densité de charge électrique désigne la quantité de charge électrique par unité d'espace. Selon que l'on considère un problème à 1, 2 ou 3 dimensions, c'est-à-dire une ligne, une surface ou un volume, on parlera de densité linéique, surfacique ou volumique de charge. Leurs unités sont respectivement le coulomb par mètre (), le coulomb par mètre carré () et le coulomb par mètre cube () dans le Système international. Comme il existe des charges négatives comme des charges positives, la densité de charge peut prendre des valeurs négatives.
Charge électriqueLa charge électrique est une propriété fondamentale de la matière qui lui permet d'interagir par le biais de champs électromagnétiques. Il s'agit d'une grandeur scalaire, qui joue pour l'interaction électromagnétique le même rôle que la masse pour l'interaction gravitationnelle. Toutefois, contrairement à cette dernière, il existe deux types de charges électriques que l'on distingue par leurs signes positif ou négatif. Des charges de même signe se repoussent, tandis que celles de signes opposés s'attirent.
Polynôme de TchebychevEn mathématiques, un polynôme de Tchebychev est un terme de l'une des deux suites de polynômes orthogonaux particulières reliées à la formule de Moivre. Les polynômes de Tchebychev sont nommés ainsi en l'honneur du mathématicien russe Pafnouti Lvovitch Tchebychev. Il existe deux suites de polynômes de Tchebychev, l'une nommée polynômes de Tchebychev de première espèce et notée T et l'autre nommée polynômes de Tchebychev de seconde espèce et notée U (dans les deux cas, l'entier naturel n correspond au degré).
Kernel principal component analysisIn the field of multivariate statistics, kernel principal component analysis (kernel PCA) is an extension of principal component analysis (PCA) using techniques of kernel methods. Using a kernel, the originally linear operations of PCA are performed in a reproducing kernel Hilbert space. Recall that conventional PCA operates on zero-centered data; that is, where is one of the multivariate observations.
Analyse en composantes principalesL'analyse en composantes principales (ACP ou PCA en anglais pour principal component analysis), ou, selon le domaine d'application, transformation de Karhunen–Loève (KLT) ou transformation de Hotelling, est une méthode de la famille de l'analyse des données et plus généralement de la statistique multivariée, qui consiste à transformer des variables liées entre elles (dites « corrélées » en statistique) en nouvelles variables décorrélées les unes des autres. Ces nouvelles variables sont nommées « composantes principales » ou axes principaux.