Prova Automatizada de Teoremas (ATP)

TMR (Triple Modular Redundancy) é uma técnica de tolerância a falhas de hardware que utiliza três módulos idênticos executando a mesma operação em paralelo. Suas saídas são conectadas a um circuito de votação majoritária. Se um módulo falhar e produzir uma saída incorreta, o circuito de votação ainda consegue determinar a saída correta com base nos outros dois módulos, mascarando assim a falha e garantindo a operação contínua.

Os métodos de Monte Carlo via Cadeias de Markov (MCMC) são uma classe de algoritmos para amostragem de uma distribuição de probabilidade. Uma cadeia de Markov é construída tendo a distribuição desejada como sua distribuição de equilíbrio ou estacionária. O estado da cadeia após um grande número de passos é então usado como uma amostra da distribuição desejada, permitindo o cálculo de integrais e esperanças.

O código G, formalmente conhecido como RS-274, é a linguagem de programação mais utilizada para controlar máquinas CNC. Consiste em comandos sequenciais que instruem a máquina sobre posicionamento, velocidade e ações específicas. Os comandos começam com uma letra; 'G' indica comandos preparatórios para movimento (por exemplo, G01 para avanço linear), enquanto 'M' significa funções diversas (por exemplo, M03 para partida do fuso).

As técnicas de verificação são amplamente classificadas como estáticas ou dinâmicas. A verificação estática (ou análise estática) examina o código ou o projeto do sistema sem executá-lo. Exemplos incluem revisões de código, inspeções e ferramentas automatizadas de análise estática. A verificação dinâmica (ou teste) envolve a execução do sistema com um conjunto de entradas e a observação de seu comportamento para encontrar defeitos. Ambas são complementares para uma garantia de qualidade abrangente.

O Número de Prioridade de Risco (NPR) é uma medida quantitativa usada na FMEA para priorizar riscos. É calculado como o produto de três fatores classificados: Severidade (S), Ocorrência (O) e Detecção (D). A fórmula é NPR = S × O × D. Cada fator é normalmente avaliado em uma escala de 1 a 10, permitindo que as equipes se concentrem primeiro nos riscos com maior pontuação.

Uma ilustração clássica do método de Monte Carlo é a estimativa do valor de π. Ao inscrever um círculo de raio r em um quadrado de lado 2r, a razão entre suas áreas é πr²/(2r)² = π/4. Espalhando pontos aleatoriamente dentro do quadrado e contando a fração p que cai dentro do círculo, obtemos uma estimativa: π ≈ 4p.

O sistema A-0, criado em 1952 por Grace Hopper, é amplamente considerado o primeiro compilador. Ele traduzia uma sequência de sub-rotinas e argumentos, especificados por uma notação matemática, em código de máquina. Este foi um passo fundamental na transição da programação em linguagem assembly de baixo nível para linguagens de programação de alto nível e mais abstratas, automatizando o tedioso processo de tradução manual de código.

Um conjunto de quatro regras de decisão para detectar padrões não aleatórios em cartas de controle de Shewhart, indicando um processo fora de controle mesmo que nenhum ponto esteja fora dos limites de 3 sigmas. Essas regras identificam sequências anormais, tendências ou agrupamentos de pontos de dados que sinalizam a presença de uma causa especial de variação. Elas aumentam a sensibilidade das cartas de controle.

Um modelo de regressão para uma variável dependente categórica, tipicamente binária. Em vez de modelar o resultado diretamente, ele modela a probabilidade do resultado usando a função logística (sigmoide). O modelo prevê o logaritmo das chances do evento como uma combinação linear das variáveis ​​independentes: [latex]ln(frac{p}{1-p}) = beta_0 + beta_1 x_1 + dots + beta_p x_p[/latex], onde p é a probabilidade do evento.

O algoritmo de Metropolis-Hastings é um método MCMC proeminente para obter uma sequência de amostras aleatórias de uma distribuição de probabilidade para a qual a amostragem direta é difícil. A cada iteração, ele gera um candidato para a próxima amostra com base na amostra atual. Esse candidato é então aceito ou rejeitado com uma certa probabilidade, garantindo que a cadeia resultante convirja para a distribuição desejada.

Em Programação Orientada a Objetos (POO), a abstração consiste em ocultar detalhes complexos de implementação, mostrando apenas as características essenciais do objeto. Ela se concentra no que um objeto faz, em vez de como ele o faz. Isso é alcançado por meio de classes abstratas e interfaces, que definem um modelo para outras classes sem fornecer uma implementação completa, simplificando sistemas complexos.