Demostración automatizada de teoremas (ATP)

TMR (Triple Modular Redundancy) is a hardware fault-tolerance technique that uses three identical modules performing the same operation in parallel. Their outputs are fed into a majority-voting circuit. If one module fails and produces an incorrect output, the voter is still able to determine the correct output based on the other two modules, thus masking the fault and ensuring continuous operation.

Los métodos de Monte Carlo de Cadenas de Markov (MCMC) son un tipo de algoritmos para el muestreo de una distribución de probabilidad. Se construye una cadena de Markov cuya distribución deseada es su distribución de equilibrio o estacionaria. El estado de la cadena tras un gran número de pasos se utiliza como muestra de la distribución deseada, lo que permite el cálculo de integrales y expectativas.

El código G, formalmente conocido como RS-274, es el lenguaje de programación más común para controlar máquinas CNC. Consiste en comandos secuenciales que instruyen a la máquina sobre posicionamiento, velocidad y acciones específicas. Los comandos comienzan con una letra; «G» indica comandos preparatorios para el movimiento (p. ej., G01 para avance lineal), mientras que «M» significa funciones diversas (p. ej., M03 para el arranque del husillo).

Las técnicas de verificación se clasifican a grandes rasgos en estáticas o dinámicas. La verificación estática (o análisis estático) examina el código o el diseño del sistema sin ejecutarlo. Algunos ejemplos son las revisiones de código, las inspecciones y las herramientas automatizadas de análisis estático. La verificación dinámica (o prueba) consiste en ejecutar el sistema con un conjunto de entradas y observar su comportamiento para encontrar defectos. Ambas son complementarias para garantizar la calidad.

El Número de Prioridad de Riesgo (NPR) es una medida cuantitativa utilizada en el AMFE para priorizar los riesgos. Se calcula como el producto de tres factores clasificados: Gravedad (S), Ocurrencia (O) y Detección (D). La fórmula es [latex]RPN = S por O por D[/latex]. Cada factor se suele clasificar en una escala del 1 al 10, lo que permite a los equipos centrarse primero en los riesgos con mayor puntuación.

Una ilustración clásica del método de Monte Carlo es la estimación del valor de [latex]\pi[/latex]. Al inscribir un círculo de radio [latex]r[/latex] dentro de un cuadrado de lado [latex]2r[/latex], la relación de sus áreas es [latex]\frac{\pi r^2}{(2r)^2} = \frac{\pi}{4}[/latex]. Esparciendo al azar puntos dentro del cuadrado y contando la fracción [latex]p[/latex] que caen dentro del círculo se obtiene una estimación: [latex]\pi \aprox 4p[/latex].

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.

Modelo de regresión para una variable dependiente categórica, normalmente binaria. En lugar de modelizar el resultado directamente, modela la probabilidad del resultado utilizando la función logística (sigmoide). El modelo predice las probabilidades logarítmicas del suceso como una combinación lineal de las variables independientes: [latex]\ln(\frac{p}{1-p}) = \beta_0 + \beta_1 x_1 + \dots + \beta_p x_p[/latex], donde p es la probabilidad del suceso.

El algoritmo Metropolis-Hastings es un método MCMC destacado para obtener una secuencia de muestras aleatorias de una distribución de probabilidad en la que el muestreo directo es difícil. En cada iteración, genera un candidato para la siguiente muestra basándose en la muestra actual. Este candidato se acepta o rechaza con una probabilidad determinada, lo que garantiza que la cadena resultante converja a la distribución deseada.

La abstracción en programación orientada a objetos (POO) consiste en ocultar detalles complejos de implementación y mostrar únicamente las características esenciales del objeto. Se centra en lo que hace un objeto, no en cómo lo hace. Esto se logra mediante clases e interfaces abstractas, que definen un modelo para otras clases sin proporcionar una implementación completa, simplificando así los sistemas complejos.