クーラント・フリードリヒス・レヴィ条件

位相空間は、順序対 [latex](X, tau)[/latex] であり、[latex]X[/latex] は集合、[latex]tau[/latex] の部分集合の集合（開集合と呼ばれる）で、次の 3 つの公理を満たします。1) 空集合 [latex]emptyset[/latex] と [latex]X[/latex] 自体は [latex]tau[/latex] に含まれます。2) [latex]tau[/latex] 内の任意の数の集合の和集合も [latex]tau[/latex] に含まれます。3) [latex]tau[/latex] 内の任意の有限個の集合の共通部分も [latex]tau[/latex] に含まれます。

ツェルメロ＝フレンケル集合論（一般にZFCと略記され、公理は選択する）は、現代数学における標準的な公理系である。これは、一階述語論理で表現された一連の公理から成り、集合の性質を形式化する。今日用いられている数学定理のほぼすべては、ZFCの枠組みの中で定式化および証明することができる。

分散分析（ANOVA）は、データセットにおける観測された全変動を、異なる要因に起因する成分に分解する統計的手法です。その核心は、異なるグループ間の平均値の分散と、各グループ内の平均値の分散を比較することです。グループ間の分散が有意に大きい場合、グループ間の平均値は実際に異なっていることを示唆します。

ANOVAの結果が有効であるとみなされるためには、データに関するいくつかの重要な仮定を満たす必要があります。それらは次のとおりです。(1) 観測値の独立性、つまり誤差が無相関であること。(2) 正規性、つまり各グループの残差がほぼ正規分布に従うこと。(3) 等分散性、つまりすべてのグループで残差の分散が等しいこと。

モンテカルロ法は、数値結果を得るために繰り返しランダムサンプリングを行う計算アルゴリズムの幅広い分類群です。その根底にある概念は、原理的には決定論的な問題をランダム性を用いて解決することです。モンテカルロ法は、他の手法が困難または不可能な場合、特に複雑なシステムのシミュレーションや高次元関数の積分などによく用いられます。

この定理は、コンパクトな凸集合をそれ自身に写像する任意の連続関数 [latex]f[/latex] に対して、[latex]f(x_0) = x_0[/latex] となる点 [latex]x_0[/latex] が存在することを述べています。この点は不動点と呼ばれます。非公式に言えば、国の地図を取り、それをくしゃくしゃにして国の境界線内に置くと、地図上の少なくとも 1 つの点が、対応する現実世界の位置の真上に位置することになります。

A core principle of SPC distinguishing between two types of process variation. Common cause variation is the inherent, random "noise" within a process that is stable and predictable. Special cause variation, or assignable cause, stems from external, identifiable sources, indicating process instability. The goal is to eliminate special causes and reduce common cause variation.

SPCで使用されるグラフツールで、プロセス変数を時間経過とともに監視するために使用されます。プロセス平均を表す中心線（CL）と、上限管理限界（UCL）および下限管理限界（LCL）の間にデータポイントをプロットします。これらの限界は通常、平均値から3標準偏差（[latex]mu pm 3sigma[/latex]）に設定され、想定される共通原因変動の範囲を定義します。

一元配置分散分析は、3つ以上の独立したグループの平均値間に統計的に有意な差があるかどうかを判断するために使用されます。これは、因子と呼ばれる単一のカテゴリカル独立変数が連続従属変数に及ぼす影響を分析します。帰無仮説は、すべてのグループの平均が等しいことを示しています。[latex]H_0: mu_1 = mu_2 = dots = mu_k[/latex]。

ゲーデル数化は、形式言語におけるすべての記号、数式、証明に固有の自然数（ゲーデル数）を割り当てる基礎的な手法です。この構文の算術化により、形式体系に関するメタ数学的な記述（例えば、「この数式は証明可能である」）を数値に関する算術的な記述として符号化することが可能になり、体系内でそれらの記述について推論を行うことができます。

ベイズ因子は、2 つの競合する仮説（多くの場合、帰無仮説（[latex]M_1[/latex]）と対立仮説（[latex]M_2[/latex]））の周辺尤度の比です。これは、観測データ [latex]D[/latex] に基づいて、一方の仮説が他方の仮説よりもどれだけ支持されているかを定量化します。式は [latex]K = frac{P(D|M_1)}{P(D|M_2)}[/latex] です。K の値が 1 より大きい場合は、データが [latex]M_1[/latex] を [latex]M_2[/latex] よりも支持していることを示します。

信頼区間は、頻度論的信頼区間のベイズ版です。これは、事後確率分布に基づいて、特定の確率でパラメータが含まれる値の範囲です。たとえば、パラメータ[latex]theta[/latex]の95%信頼区間とは、データとモデルが与えられた場合、[latex]theta[/latex]の真の値がその区間内に含まれる確率が95%であることを意味します。