Dreifache modulare Redundanz (TMR)

Monte-Carlo-Methoden bilden eine breite Klasse von Rechenalgorithmen, die auf wiederholter Zufallsstichprobe basieren, um numerische Ergebnisse zu erzielen. Das zugrundeliegende Konzept besteht darin, Zufall zu nutzen, um Probleme zu lösen, die prinzipiell deterministisch wären. Sie werden häufig eingesetzt, wenn andere Ansätze schwierig oder unmöglich anzuwenden sind, insbesondere bei der Simulation komplexer Systeme oder der Integration hochdimensionaler Funktionen.

Die Finite-Elemente-Methode (FEM) ist ein leistungsstarkes numerisches Verfahren zur Lösung komplexer technischer und physikalischer Probleme, die durch partielle Differentialgleichungen beschrieben werden. Dabei wird ein kontinuierlicher Bereich in kleinere, einfachere Unterbereiche, sogenannte „Finite Elemente“, diskretisiert. Dies ermöglicht die approximative numerische Lösung von Problemen der Strukturanalyse, der Wärmeübertragung, der Strömungslehre und des Elektromagnetismus.

Interpolation ist der Rechenprozess innerhalb einer CNC-Steuerung, der eine Folge von Zwischenkoordinatenpunkten generiert, um einen glatten Pfad zwischen programmierten Endpunkten zu erstellen. Die grundlegendsten Arten sind die lineare Interpolation (G01) für Geraden und die Kreisinterpolation (G02/G03) für Bögen. Dadurch können komplexe Profile aus einfachen geometrischen Befehlen im G-Code-Programm bearbeitet werden.

Markov-Chain-Monte-Carlo-Methoden (MCMC) sind eine Klasse von Algorithmen zur Stichprobenziehung aus einer Wahrscheinlichkeitsverteilung. Es wird eine Markov-Kette konstruiert, deren Gleichgewichts- oder stationäre Verteilung die gewünschte Verteilung ist. Der Zustand der Kette nach einer großen Anzahl von Schritten dient dann als Stichprobe aus der gewünschten Verteilung und ermöglicht die Berechnung von Integralen und Erwartungswerten.

G-Code, früher bekannt als RS-274, ist die am weitesten verbreitete Programmiersprache zur Steuerung von CNC-Maschinen. Er besteht aus sequentiellen Befehlen, die der Maschine Anweisungen zu Positionierung, Geschwindigkeit und bestimmten Aktionen geben. Befehle beginnen mit einer Buchstabenadresse; „G“ steht für vorbereitende Befehle für die Bewegung (z. B. G01 für linearen Vorschub), während „M“ für verschiedene Funktionen steht (z. B. M03 für den Spindelstart).

Automatisiertes Beweisen (ATP) ist ein Teilgebiet der Informatik und mathematischen Logik, das sich mit dem Beweisen mathematischer Theoreme mithilfe von Computerprogrammen befasst. ATP-Systeme, auch Beweiser genannt, nutzen logisches Schließen, um neue Theoreme aus Axiomen und Hypothesen abzuleiten. Sie unterscheiden sich von Beweisassistenten, die mehr menschliche Unterstützung benötigen, obwohl es erhebliche Überschneidungen zwischen den beiden Bereichen gibt.

Der Bayes-Faktor ist das Verhältnis der Randwahrscheinlichkeiten zweier konkurrierender Hypothesen, häufig einer Nullhypothese (M₁) und einer Alternativhypothese (M₂). Er quantifiziert die Unterstützung einer Hypothese gegenüber der anderen, gegeben die beobachteten Daten D. Die Formel lautet K = P(D|M₁)/P(D|M₂). Ein Wert von K > 1 zeigt an, dass die Daten M₁ gegenüber M₂ favorisieren.

Ein Glaubwürdigkeitsintervall ist das Bayes'sche Äquivalent eines frequentistischen Konfidenzintervalls. Es ist ein Wertebereich, der einen Parameter mit einer bestimmten Wahrscheinlichkeit enthält, basierend auf der A-posteriori-Wahrscheinlichkeitsverteilung. Beispielsweise bedeutet ein 95%-Glaubwürdigkeitsintervall für einen Parameter θ, dass die Wahrscheinlichkeit, dass der wahre Wert von θ innerhalb dieses Intervalls liegt, bei gegebenen Daten und dem Modell 95 % beträgt.

Die Zuverlässigkeitsfunktion R(t) definiert die Wahrscheinlichkeit, dass ein System oder ein Bauteil seine geforderte Funktion für eine bestimmte Zeit "t" ohne Ausfall erfüllt. Für Systeme mit einer konstanten Ausfallrate (λ) wird sie durch die Exponentialverteilung beschrieben: [latex]R(t) = e^{-\lambda t}[/latex]. Diese Funktion ist grundlegend für die Vorhersage der Langlebigkeit und Leistung eines Produkts.

Ein klassisches Beispiel für die Monte-Carlo-Methode ist die Schätzung des Wertes von [latex]\pi[/latex]. Wenn man einen Kreis mit dem Radius [latex]r[/latex] in ein Quadrat mit der Seitenlänge [latex]2r[/latex] einfügt, ist das Verhältnis der Flächen [latex]\frac{\pi r^2}{(2r)^2} = \frac{\pi}{4}[/latex]. Die zufällige Streuung von Punkten innerhalb des Quadrats und die Zählung des Anteils [latex]p[/latex], der in den Kreis fällt, liefert eine Schätzung: [latex]\pi \ca. 4p[/latex].

Das 1952 von Grace Hopper entwickelte A-0-System gilt als der erste Compiler. Es übersetzte eine Abfolge von Unterprogrammen und Argumenten, die durch eine mathematische Notation spezifiziert wurden, in Maschinencode. Dies war ein grundlegender Schritt auf dem Weg von der Assembler-Programmierung auf höherer Ebene zu abstrakteren Programmiersprachen und automatisierte den mühsamen Prozess der manuellen Codeübersetzung.

A set of four decision rules for detecting non-random patterns on Shewhart control charts, indicating an out-of-control process even if no points are outside the 3-sigma limits. These rules identify unnatural runs, trends, or clustering of data points that signal the presence of a special cause of variation. They increase the sensitivity of control charts.

Ein Regressionsmodell für eine kategoriale, in der Regel binäre, abhängige Variable. Anstatt das Ergebnis direkt zu modellieren, wird die Wahrscheinlichkeit des Ergebnisses mithilfe der logistischen (sigmoiden) Funktion modelliert. Das Modell sagt die Log-Wahrscheinlichkeit des Ereignisses als lineare Kombination der unabhängigen Variablen voraus: [latex]\ln(\frac{p}{1-p}) = \beta_0 + \beta_1 x_1 + \dots + \beta_p x_p[/latex], wobei p die Wahrscheinlichkeit des Ereignisses ist.