Abstracción (programación orientada a objetos)

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.

Las Siete Herramientas Básicas de la Calidad son un conjunto de técnicas gráficas identificadas por Kaoru Ishikawa para la resolución de problemas relacionados con la calidad. Estas herramientas son: diagrama de causa y efecto (espina de pescado), hoja de verificación, gráfico de control, histograma, diagrama de Pareto, diagrama de dispersión y estratificación (a menudo presentada como diagrama de flujo). Se consideran básicas porque son fáciles de usar y requieren poca formación estadística formal.

El modelo en cascada es un proceso de desarrollo de software secuencial y no iterativo, donde el progreso fluye de forma continua (como una cascada) a través de distintas fases: concepción, inicio, análisis, diseño, construcción, pruebas, implementación y mantenimiento. Cada fase debe completarse por completo antes de pasar a la siguiente. A menudo se compara con los modelos iterativos para destacar su flexibilidad.

The recovery block scheme is a software fault-tolerance technique based on design diversity and backward error recovery. It structures a program as a series of blocks, each with a primary module, an acceptance test, and one or more alternate modules. If the primary module's output fails the acceptance test, the system state is restored, and an alternate module is executed.

La demostración automatizada de teoremas (ATP) es un subcampo de la informática y la lógica matemática dedicado a la demostración de teoremas matemáticos mediante programas informáticos. Los sistemas ATP, o demostradores, utilizan el razonamiento lógico para deducir nuevos teoremas a partir de un conjunto de axiomas e hipótesis. Se diferencian de los asistentes de demostración, que requieren mayor orientación humana, aunque ambos campos se solapan significativamente.

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.

Real-time systems are classified as "hard" or "soft" based on the consequence of missing a deadline. In a hard real-time system, missing a deadline is a total system failure, such as in an anti-lock braking system. In a soft real-time system, missing a deadline leads to degraded performance but not catastrophic failure, such as in live audio-video streaming.

La Programación Monotónica de Tasa (RMS) es un algoritmo de programación de prioridad estática para tareas periódicas en un sistema de tiempo real. Asigna prioridades según la frecuencia de las tareas: cuanto menor sea el período de una tarea (mayor su tasa), mayor será su prioridad. RMS es un algoritmo de prioridad estática óptimo; es decir, si cualquier algoritmo de prioridad estática puede programar un conjunto de tareas, RMS también puede. La programabilidad se puede comprobar mediante una prueba basada en la utilización.

El Método de Volumen Finito (MFF) es una técnica numérica dominante en CFD para la resolución de ecuaciones diferenciales parciales. Discretiza el dominio en una malla de volúmenes de control y aplica las ecuaciones que lo rigen en su forma integral a cada volumen. Al convertir las integrales de volumen en integrales de superficie mediante el teorema de divergencia, se centra en el cálculo del flujo de propiedades conservadas a través de las caras de la celda.