M-estimateurvignette|M-estimateur En statistique, les M-estimateurs constituent une large classe de statistiques obtenues par la minimisation d'une fonction dépendant des données et des paramètres du modèle. Le processus du calcul d'un M-estimateur est appelé M-estimation. De nombreuses méthodes d'estimation statistiques peuvent être considérées comme des M-estimateurs. Dépendant de la fonction à minimiser lors de la M-estimation, les M-estimateurs peuvent permettre d'obtenir des estimateurs plus robustes que les méthodes plus classiques, comme la méthode des moindres carrés.
Filtre (photographie)thumb|Porte-filtres monté sur une optique Nikkor Les filtres utilisés en photographie ou en cinématographie permettent d'ajuster la température de couleur, de compenser l'exposition, de créer des effets optiques simples. Depuis l'avènement de la prise de vues numérique, l'usage de filtres optiques a souvent laissé place à l'application de filtres virtuels à l'aide de logiciels de et de . Une multitude de matériaux permettent la fabrication de filtres : verre, résine, gélatine, acétate de cellulose, polyester, polycarbonate, etc.
Séquence binaire pseudo-aléatoireUne séquence binaire pseudo-aléatoire (SBPA, ou PRBS pour l'anglais pseudorandom binary sequence) est une suite de bits présentant un caractère pseudo-aléatoire : la valeur de chacun de ses éléments est indépendante des autres (« aléatoire »), mais il s'agit d'une suite périodique, ce qui la rend déterministe (« pseudo »). Un cas particulier de SBPA est la maximum length sequence (MLS). Une séquence binaire (BS, binary sequence) est une séquence de bits, i.e. pour . Une séquence binaire est composée de bits "1" et bits "0".
Pseudorandom noiseIn cryptography, pseudorandom noise (PRN) is a signal similar to noise which satisfies one or more of the standard tests for statistical randomness. Although it seems to lack any definite pattern, pseudorandom noise consists of a deterministic sequence of pulses that will repeat itself after its period. In cryptographic devices, the pseudorandom noise pattern is determined by a key and the repetition period can be very long, even millions of digits.
Carl Friedrich GaussJohann Carl Friedrich Gauß ( ; traditionnellement transcrit Gauss en français ; Carolus Fridericus Gauss en latin), né le à Brunswick et mort le à Göttingen, est un mathématicien, astronome et physicien allemand. Il a apporté de très importantes contributions à ces trois domaines. Surnommé « le prince des mathématiciens », il est considéré comme l'un des plus grands mathématiciens de tous les temps. La qualité extraordinaire de ses travaux scientifiques était déjà reconnue par ses contemporains.
Maximum length sequencevignette|Registres à décalage MLS L4 Une maximum length sequence (MLS) est une séquence binaire pseudo-aléatoire (SBPA) — c'est-à-dire une suite périodique de valeurs produite par un registre à décalage à rétroaction linéaire (LFSR) — qui explore toutes les valeurs pouvant être produites par le registre à décalage : s'il comporte bascules, valeurs sont parcourues. Le calcul effectué par le registre à décalage peut être représenté par un polynôme dont les coefficients valent 0 ou 1.
Least-squares adjustmentLeast-squares adjustment is a model for the solution of an overdetermined system of equations based on the principle of least squares of observation residuals. It is used extensively in the disciplines of surveying, geodesy, and photogrammetry—the field of geomatics, collectively. There are three forms of least squares adjustment: parametric, conditional, and combined: In parametric adjustment, one can find an observation equation h(X) = Y relating observations Y explicitly in terms of parameters X (leading to the A-model below).
Prédiction par reconnaissance partielleLes algorithmes de prédiction par reconnaissance partielle (ou PPM pour Prediction by Partial Matching) constituent une famille d'algorithmes de compression de données sans perte, statistiques et adaptatifs inventée par John Cleary et Ian Witten en 1984. La prédiction par reconnaissance partielle se base sur une modélisation de contexte pour évaluer la probabilité d'apparition des différents symboles. Usuellement, le contexte est un ensemble de symboles déjà rencontrés dans la source de données (fichier, flux).
