Système cristallin orthorhombiqueEn cristallographie, le système cristallin orthorhombique est l'un des sept systèmes cristallins dans lesquels on classe les cristaux selon leurs propriétés de symétrie. Tout cristal orthorhombique possède comme opération de symétrie une rotation binaire ou une réflexion, voire les deux, selon trois directions perpendiculaires qui sont choisies comme axes du référentiel.
Méthode des moindres carrésLa méthode des moindres carrés, indépendamment élaborée par Legendre et Gauss au début du , permet de comparer des données expérimentales, généralement entachées d’erreurs de mesure, à un modèle mathématique censé décrire ces données. Ce modèle peut prendre diverses formes. Il peut s’agir de lois de conservation que les quantités mesurées doivent respecter. La méthode des moindres carrés permet alors de minimiser l’impact des erreurs expérimentales en « ajoutant de l’information » dans le processus de mesure.
Structure cristallineLa structure cristalline (ou structure d'un cristal) donne l'arrangement des atomes dans un cristal. Ces atomes se répètent périodiquement dans l'espace sous l'action des opérations de symétrie du groupe d'espace et forment ainsi la structure cristalline. Cette structure est un concept fondamental pour de nombreux domaines de la science et de la technologie. Elle est complètement décrite par les paramètres de maille du cristal, son réseau de Bravais, son groupe d'espace et la position des atomes dans l'unité asymétrique la maille.
Matrice inversibleEn mathématiques et plus particulièrement en algèbre linéaire, une matrice inversible (ou régulière ou encore non singulière) est une matrice carrée A pour laquelle il existe une matrice B de même taille n avec laquelle les produits AB et BA sont égaux à la matrice identité. Dans ce cas la matrice B est unique, appelée matrice inverse de A et notée B = A. Cette définition correspond à celle d’élément inversible pour la multiplication dans l’anneau des matrices carrées associé.
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.
Matrix decompositionIn the mathematical discipline of linear algebra, a matrix decomposition or matrix factorization is a factorization of a matrix into a product of matrices. There are many different matrix decompositions; each finds use among a particular class of problems. In numerical analysis, different decompositions are used to implement efficient matrix algorithms. For instance, when solving a system of linear equations , the matrix A can be decomposed via the LU decomposition.
Système cristallinUn 'système cristallin' est un classement des cristaux sur la base de leurs caractéristiques de symétrie, sachant que la priorité donnée à certains critères plutôt qu'à d'autres aboutit à différents systèmes. La symétrie de la maille conventionnelle permet de classer les cristaux en différentes familles cristallines : quatre dans l'espace bidimensionnel, six dans l'espace tridimensionnel. Une classification plus fine regroupe les cristaux en deux types de systèmes, selon que le critère de classification est la symétrie du réseau ou la symétrie morphologique.
Definite matrixIn mathematics, a symmetric matrix with real entries is positive-definite if the real number is positive for every nonzero real column vector where is the transpose of . More generally, a Hermitian matrix (that is, a complex matrix equal to its conjugate transpose) is positive-definite if the real number is positive for every nonzero complex column vector where denotes the conjugate transpose of Positive semi-definite matrices are defined similarly, except that the scalars and are required to be positive or zero (that is, nonnegative).
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).
Generalized least squaresIn statistics, generalized least squares (GLS) is a method used to estimate the unknown parameters in a linear regression model when there is a certain degree of correlation between the residuals in the regression model. Least squares and weighted least squares may need to be more statistically efficient and prevent misleading inferences. GLS was first described by Alexander Aitken in 1935. In standard linear regression models one observes data on n statistical units.
