Catena di Markov Monte Carlo (MCMC)

Il metodo degli elementi finiti (FEM) è una potente tecnica numerica per la risoluzione di complessi problemi di ingegneria e fisica descritti da equazioni differenziali alle derivate parziali. Funziona discretizzando un dominio continuo in un insieme di sottodomini più piccoli e semplici chiamati "elementi finiti". Ciò consente la soluzione numerica approssimata di problemi di analisi strutturale, scambio termico, fluidodinamica ed elettromagnetismo.

L'interpolazione è il processo computazionale all'interno di un controllo CNC che genera una sequenza di punti di coordinate intermedi per creare un percorso fluido tra i punti finali programmati. I tipi più fondamentali sono l'interpolazione lineare (G01) per le linee rette e l'interpolazione circolare (G02/G03) per gli archi. Ciò consente di lavorare profili complessi a partire da semplici comandi geometrici nel programma G-code.

TMR (Triple Modular Redundancy) è una tecnica di tolleranza ai guasti hardware che utilizza tre moduli identici che eseguono la stessa operazione in parallelo. Le loro uscite vengono immesse in un circuito a maggioranza. Se un modulo si guasta e produce un'uscita errata, il votante è comunque in grado di determinare l'uscita corretta in base agli altri due moduli, mascherando così il guasto e garantendo la continuità di funzionamento.

Il codice G, formalmente noto come RS-274, è il linguaggio di programmazione più diffuso per il controllo delle macchine CNC. Consiste in comandi sequenziali che impartiscono istruzioni alla macchina su posizionamento, velocità e azioni specifiche. I comandi iniziano con una lettera; "G" indica i comandi preparatori per il movimento (ad esempio, G01 per l'avanzamento lineare), mentre "M" indica funzioni varie (ad esempio, M03 per l'avvio del mandrino).

La dimostrazione automatica di teoremi (ATP) è un sottocampo dell'informatica e della logica matematica dedicato alla dimostrazione di teoremi matematici utilizzando programmi per computer. I sistemi ATP, o dimostratori, utilizzano il ragionamento logico per dedurre nuovi teoremi da un insieme di assiomi e ipotesi. Sono diversi dagli assistenti alla dimostrazione, che richiedono una maggiore guida umana, sebbene i due campi si sovrappongano significativamente.

Un intervallo credibile è l'equivalente bayesiano di un intervallo di confidenza frequentista. È un intervallo di valori che contiene un parametro con una particolare probabilità, basata sulla distribuzione di probabilità posteriore. Ad esempio, un intervallo di credibilità di 95% per un parametro [latex]\theta[/latex] significa che esiste una probabilità di 95% che il valore vero di [latex]\theta[/latex] si trovi all'interno di tale intervallo, dati i dati e il modello.

La funzione di affidabilità, R(t), definisce la probabilità che un sistema o un componente svolga la funzione richiesta senza guasti per un determinato tempo "t". Per i sistemi con un tasso di guasto costante (λ), è descritta dalla distribuzione esponenziale: [latex]R(t) = e^{-\lambda t}[/latex]. Questa funzione è fondamentale per prevedere la longevità e le prestazioni di un prodotto.

Un'illustrazione classica del metodo Monte Carlo è la stima del valore di [latex]\pi[/latex]. Inscrivendo un cerchio di raggio [latex]r[/latex] in un quadrato di lato [latex]2r[/latex], il rapporto tra le loro aree è [latex]\frac{\pi r^2}{(2r)^2} = \frac{\pi}{4}[/latex]. Sparpagliando a caso i punti all'interno del quadrato e contando la frazione [latex]p[/latex] che cade all'interno del cerchio si ottiene una stima: [latex]\pi \approssimativamente 4p[/latex].

Un insieme di quattro regole decisionali per rilevare pattern non casuali sulle carte di controllo di Shewhart, che indicano un processo fuori controllo anche se nessun punto si trova al di fuori dei limiti di 3 sigma. Queste regole identificano andamenti innaturali, trend o clustering di punti dati che segnalano la presenza di una causa specifica di variazione. Aumentano la sensibilità delle carte di controllo.

Modello di regressione per una variabile dipendente categorica, tipicamente binaria. Invece di modellare direttamente l'esito, modella la probabilità dell'esito utilizzando la funzione logistica (sigmoide). Il modello predice le probabilità logiche dell'evento come combinazione lineare delle variabili indipendenti: [latex]\ln(\frac{p}{1-p}) = \beta_0 + \beta_1 x_1 + \dots + \beta_p x_p[/latex], dove p è la probabilità dell'evento.