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 .
Processus stationnairePour accéder aux propriétés essentielles d'un signal physique il peut être commode de le considérer comme une réalisation d'un processus aléatoire (voir quelques précisions dans Processus continu). Le problème est largement simplifié si le processus associé au signal peut être considéré comme un processus stationnaire, c'est-à-dire si ses propriétés statistiques caractérisées par des espérances mathématiques sont indépendantes du temps.
Rough pathIn stochastic analysis, a rough path is a generalization of the notion of smooth path allowing to construct a robust solution theory for controlled differential equations driven by classically irregular signals, for example a Wiener process. The theory was developed in the 1990s by Terry Lyons. Several accounts of the theory are available. Rough path theory is focused on capturing and making precise the interactions between highly oscillatory and non-linear systems. It builds upon the harmonic analysis of L.
Fonction propreEn théorie spectrale, une fonction propre f d'un opérateur linéaire sur un espace fonctionnel est un vecteur propre de l'opérateur linéaire. En d’autres termes, une fonction propre d'un opérateur linéaire, , défini sur un certain espace de fonction, est toute fonction f non identiquement nulle sur cet espace qui, lorsqu’elle se voit appliquer cet opérateur en ressort exactement pareille à elle-même, à un facteur d'échelle multiplicatif près. Cette fonction satisfait donc : pour un scalaire λ, la valeur propre associée à f.
