数据人的自我救赎
数据人的自我救赎

【抽样技术】CH2 简单随机抽样补充——比率估计与回归估计

目录

一、概述

1.问题的提出

2.比率估计与回归估计的作用和使用条件

3.辅助变量的特点

4.相关符号

二、比率估计量​

1.问题的提出

2.定义

3.比估计与简单估计的比较

4.比率估计的思想

5.比率估计量及其性质

（1）【引理】

（2）【推论】

（3）比率估计的性质

 （4）【定理2.7】

（5）【推论2.10】

6.比率估计量的方差估计

7.比率估计与简单估计精度的比较

8.【例】

9.总结

 三、回归估计

1.回归估计量及其性质

（1）回归估计的含义

（2）回归估计量的性质

 2.回归估计与比率估计、简单估计精度的比较

（1）与简单估计的比较

（2）与比率估计的比较（n较大时）

 3.总结：回归估计的性质

 四、总结

1.各种估计量的比较与选择

2.应该记住的几个基本公式

3.应该了解的几个基本公式

一、概述

1.问题的提出

        调查通常是多指标的：

  • 有时我们希望估计不同变量的参数之比（比率）
  • 有时我们可以利用与目标变量高度相关的其他变量来构造目标度量的更好估计，提高目标变量参数估计的精度。被利用的指标称为辅助变量，构造估计量的方法有比率估计和回归估计

2.比率估计与回归估计的作用和使用条件

  • 利用辅助变量提供的信息改进简单估计
  • 比率估计使用的条件：辅助变量与目标变量正相关
  • 回归估计的条件：辅助变量与目标变量线性相关

3.辅助变量的特点

  • 辅助变量须与目标变量高度相关
  • 辅助变量与目标变量之间的相关关系稳定
  • 辅助变量质量好，调查成本低
  • 限制条件：辅助变量的总体总值或总体均值要已知

4.相关符号

        设二维总体\pi _{N}=\left \{ (X_{1},Y_{1}),\cdots, (X_{N},Y_{N}) \right \}，样本为(x,y)=\left \{ (x_{1},y_{1}),\cdots, (x_{n},y_{n})\right \}。

        设调查指标为Y，辅助变量为X，所用的符号。

总体总量  Y,X
总体均值 \bar{Y},\bar{X} 样本均值 \bar{y},\bar{x}
总体方差 S_{Y}^2,S_{X}^2 样本方差 s_{y}^2,s_{x}^2
总体协方差 S_{XY}=\frac{1}{N-1}\sum_{i=1}^{N}(Y_{i}-\bar{Y})(X_{i}-\bar{X}) 样本协方差 s_{xy}=\frac{1}{n}\sum_{i=1}^{n}(y_{i}-\bar{y})(x_{i}-\bar{x})
总体相关系数 \rho =\frac{S_{XY}}{S_{X}S_{Y}} 样本相关系数 \hat{\rho }=\frac{s_{xy}}{s_{x}s_{y}}

二、比率估计量(Ratio estimator)

1.问题的提出

        在许多实际问题中常常涉及两个调查变量（指标）Y和X。常常要估计总体比率R。

        总体比率在形式上总是表现为两个变量总值或均值之比。例如：估计家庭中用于食品的支出在总支出中比重；在校儿童对全体学龄儿童的比重等等。

        比率ratio与比例proportion的区别：比例中总体的规模已知，仅需调查一个指标；比率中需要调查样本的两个指标。

        【问题1】比率R的估计

  • 例如估计家庭中用于食品的支出在总支出中所占的比重，涉及总体中两个不Y同指标的总值或均值，比率中的分子和分母都需要从样本中估计。（与比例估计不同，比例估计时，N已知）

        【问题2】总体均值的比率估计量的构造方法

  • 利用目标变量与辅助变量之间的比例关系，构造比率估计量，提高对目标变量参数估计的精度
  • 例如调查家庭用于食品支出的平均费用，可用家庭总收入作为辅助变量，先计算样本中家庭用于食品支出对总收入的比值（认为该比值在所有家庭中较稳定），然后根据总体家庭平均总收入，可获得所有家庭平均用于食品支出费用的估计

2.定义

        对于简单随机抽样，若\bar{y},\bar{x}是样本两个指标的均值，则总统的这两个指标总值或均值之比值（比率）{\color{Red} R=\frac{Y}{X}=\frac{\bar{Y}}{\bar{X}}}{\color{Red} (1)}。比率估计量{\color{Red} \hat{R}=\frac{y}{x}=\frac{\bar{y}}{\bar{x}}} 。

        当调查变量为Y，将X作为辅助变量时，{\color{Red} X/\bar{X}}已知，则\bar{Y}以及Y的比率估计值为

{\color{Red} \left\{\begin{matrix} \hat{\bar{Y_{R}}}=\bar{y_{R}}=\frac{\bar{y}}{\bar{x}}\bar{X}=\bar{X}\hat{R}\\ \hat{Y_{R}}=N\hat{\bar{Y_{R}}}=N\bar{X}\hat{R} \end{matrix}\right.}{\color{Red} (2,3)}

        {\color{Red} (1)(2)(3)}都成为比率估计量，简称比估计。由于(2)(3)中仅与\hat{R}相差常数，所以我们以研究\hat{R}的性质为主。

3.比估计与简单估计的比较

\bar{Y}的简单估计 \bar{y}=\frac{1}{n}\sum_{i=1}^{n}y_{i} 简单估计只利用了样本中指标y的信息（线性组合，称为简单估计）
\bar{Y}的比估计 \bar{y_{R}}=\frac{\bar{y}}{\bar{x}}\bar{X}=\hat{R}\bar{X} 比估计不仅利用了样本中指标y的信息，同时利用了与y密切相关的x的信息以及辅助变量X的信息（称为复杂估计）

4.比率估计的思想

【抽样技术】CH2 简单随机抽样补充——比率估计与回归估计_第1张图片

  • \bar{x}>\bar{X}\Rightarrow \bar{y}>\bar{Y};\bar{y_{R}}=\hat{R}\bar{X}=\frac{\bar{y}}{\bar{x}}\bar{X}=\bar{y}\frac{\bar{X}}{\bar{x}}<\bar{y}，因而\bar{y_{R}}比\bar{y}更靠近\bar{Y}
  • \bar{x}<\bar{X}\Rightarrow \bar{y}<\bar{Y};\bar{y_{R}}=\hat{R}\bar{X}=\frac{\bar{y}}{\bar{x}}\bar{X}=\bar{y}\frac{\bar{X}}{\bar{x}}>\bar{y}，因而\bar{y_{R}}比\bar{y}更靠近\bar{Y}

5.比率估计量及其性质

（1）【引理】

        对于简单随机抽样，n较大时，\hat{\bar{Y_{R}}}=\bar{y_{R}}的期望为E(\bar{y_{R}})=E(\frac{\bar{y}}{\bar{x}}\bar{X})\approx R\bar{X}=\bar{Y}

（2）【推论】

        对于简单随机抽样，n较大时，E(\hat{Y_{R}})\approx N\bar{X}R=N\bar{Y}=Y

（3）比率估计的性质

  • (1)比率估计是有偏估计
  • (2)比率估计是渐进无偏估计。当n充分大时，E(\hat{R})=R
  • (3)比率估计的均方误差MSE(\hat{R})\approx V(\hat{R})
  • (4)V(\hat{R})\approx \frac{1-f}{n{\bar{X}}^2}\frac{\sum_{i=1}^{N}(Y_{i}-RX_{i})^2}{N-1}= \frac{1-f}{n{\bar{X}}^2}(S_{Y}^2+R^2S_{X}^2-2RS_{XY})
  • (5)v(\hat{R})\approx \frac{1-f}{n{\bar{X}}^2}\frac{\sum_{i=1}^{n}(y_{i}-\hat{R}x_{i})^2}{n-1},v_{1}(\hat{R})= \frac{1-f}{n{\bar{X}}^2}(s_{y}^2+\hat{R}^2s_{x}^2-2\hat{R}s_{xy}),v_{2}(\hat{R})= \frac{1-f}{n{\bar{x}}^2}(s_{y}^2+\hat{R}^2s_{x}^2-2\hat{R}s_{xy})

【注】性质4的证明

【抽样技术】CH2 简单随机抽样补充——比率估计与回归估计_第2张图片

 （4）【定理2.7】

        对于简单随机抽样，当n较大时，\hat{Y}_{R}=N\bar{y_{R}}=NR\bar{X}的方差为：

【抽样技术】CH2 简单随机抽样补充——比率估计与回归估计_第3张图片

（5）【推论2.10】

        对于简单随机抽样，当n较大时\bar{y_{R}}=\hat{R}\bar{X}的方差为：

 6.比率估计量的方差估计

        思路：根据定理，直接用Y,X的样本方差s^2,s_{x}^2，样本协方差s_{yx}和样本比率\hat{R}=\frac{\bar{y}}{\bar{x}}替代相应比率估计量方差定理中Y,X的总体方差，总体协方差和总体比率。

【抽样技术】CH2 简单随机抽样补充——比率估计与回归估计_第4张图片

        置信度为1-\alpha的置信区间为：

7.比率估计与简单估计精度的比较

        统计知识告诉我们：有关信息的充分利用，将会提高估计量的精度。因此，有理由认为：\bar{y_{R}}的精度V(\bar{y_{R}})在一般情况下要高于\bar{y}的精度V(\bar{y})。

        设相关系数\rho =\frac{Cov(X,Y)}{\sqrt{V(X)}\sqrt{V(Y)}}=\frac{S_{XY}}{S_{X}S_{Y}}\Rightarrow S_{XY}=\rho S_{X}S_{Y}；X,Y的变异系数分别为C_{X}=\frac{S_{X}}{\bar{X}},C_{Y}=\frac{S_{Y}}{\bar{Y}}，有如下结论：

{\color{Red} \rho >\frac{1}{2}\frac{C_{X}}{C_{Y}}\Rightarrow V(\bar{y}_{R})<V(\bar{y});especially,whenC_{X}\approx C_{Y},\rho >\frac{1}{2},V(\bar{y}_{R})<V(\bar{y})}

{\color{Blue} proof:}

8.【例】

【抽样技术】CH2 简单随机抽样补充——比率估计与回归估计_第5张图片

【抽样技术】CH2 简单随机抽样补充——比率估计与回归估计_第6张图片

 9.总结

【抽样技术】CH2 简单随机抽样补充——比率估计与回归估计_第7张图片

 三、回归估计

        使用回归估计的原因：比率估计使用的前提是Y与辅助变量X之间基本呈正比例关系；若X,Y之间关系密切，但Y对X的回归线不通过原点，则可以通过回归估计来提高估计的效率。

【抽样技术】CH2 简单随机抽样补充——比率估计与回归估计_第8张图片

1.回归估计量及其性质

（1）回归估计的含义

        前提：存在与主要变量高度相关的其他辅助变量的有效信息。

        已知辅助变量X的总体均值；总体均值\bar{Y}的回归估计量定义为：

{\color{Red} \bar{y}_{lr}=\bar{y}+\beta (\bar{X}-\bar{x})}

其中， \beta =\frac{\partial (\bar{y}_{lr})}{\partial (\bar{x})}是目标变量相对于辅助变量的变化率。

        定义：总体均值\bar{Y}与总体总值Y的回归估计定义为：

\left\{\begin{matrix} \bar{y}_{lr}=\bar{y}+\beta (\bar{X}-\bar{x})\\ \hat{Y}_{lr}=N\bar{y}_{lr} \end{matrix}\right.

特别，\beta =1时的估计称为差估计：\bar{y}_{d}=\bar{y}+(\bar{X}-\bar{x})；\beta =0时的估计称为简单估计：\bar{y}_{lr}=\bar{y}；\beta =\hat{R}=\frac{\bar{y}}{\bar{x}}时的估计称为比率估计：\bar{y}_{lr}=\bar{y}_{r}。因此，简单估计与比率估计均为回归估计的特例。

（2）回归估计量的性质

        \beta为事先给定的常数\beta _{0}时：\bar{y}_{lr}=\bar{y}+\beta_{0}(\bar{X}-\bar{x})，则\bar{y}_{lr}是\bar{Y}的无偏估计：

        \beta为事先给定的常数\beta _{0}时：\bar{y}_{lr}可看成是变量Y_{i}+\beta _{0}(\bar{X}-X_{i})的样本均值，其总体均值为\bar{Y}，由关于样本均值方差的核心公式可得：

【抽样技术】CH2 简单随机抽样补充——比率估计与回归估计_第9张图片

        \bar{y}_{lr}的方差估计为：

【抽样技术】CH2 简单随机抽样补充——比率估计与回归估计_第10张图片

         \beta _{0}的不同取值会影响V(\bar{y}_{lr})的值，\beta _{0}的最佳值是？可以证明，\beta _{0}取Y对X的总体回归系数为：

方差V(\bar{y}_{lr})达到最小值：

        \beta为未知（需要由样本数据估计）的情形：一般情形下总体回归系数\beta未知，此时一个较好的选择是用样本回归系数b替代总体回归系数\beta，构造回归估计：

【抽样技术】CH2 简单随机抽样补充——比率估计与回归估计_第11张图片

 2.回归估计与比率估计、简单估计精度的比较

        \beta需要由样本估计（b=\frac{s_{yx}}{s_{x}^2}=\frac{\sum_{i=1}^{n}(y_{i}-\bar{y})(x_{i}-\bar{x})}{\sum_{i=1}^{n}(x_{i}-\bar{x})^2}）的情形：

（1）与简单估计的比较

        由于0\leqslant \rho \leqslant 1，所以n较大时：

 故回归估计优于简单估计。

（2）与比率估计的比较（n较大时）

【抽样技术】CH2 简单随机抽样补充——比率估计与回归估计_第12张图片

【抽样技术】CH2 简单随机抽样补充——比率估计与回归估计_第13张图片

 3.总结：回归估计的性质

        定义主要变量的总体总值Y的回归估计量为\hat{Y}_{lr}=N\bar{y}_{lr}。

        辅助变量X的特点：

  • 辅助变量必须与主要变量高度相关
  • 辅助变量与主要变量之间的相关关系整体上相当稳定
  • 辅助变量的信息质量好
  • 辅助变量的总体均值或总值已知，或容易获得

1.对于简单随机抽样，如\beta为常数\beta _{0}，则有：

【抽样技术】CH2 简单随机抽样补充——比率估计与回归估计_第14张图片

2.使回归估计量的估计精度最高，即V(\bar{y}_{lr})最小的\beta _{0}为：

3.对于简单随机抽样，若回归系数\beta需要通过样本估计，当n足够大时，\bar{y}_{lr}的数学期望与方差分别为：

 四、总结

1.各种估计量的比较与选择

【抽样技术】CH2 简单随机抽样补充——比率估计与回归估计_第15张图片

【抽样技术】CH2 简单随机抽样补充——比率估计与回归估计_第16张图片

 2.应该记住的几个基本公式

【抽样技术】CH2 简单随机抽样补充——比率估计与回归估计_第17张图片

 3.应该了解的几个基本公式

【抽样技术】CH2 简单随机抽样补充——比率估计与回归估计_第18张图片

【抽样技术】CH2 简单随机抽样补充——比率估计与回归估计_第19张图片

 

你可能感兴趣的:(抽样技术,算法,服务器,运维)

  • 人工智能伦理与可持续发展 CarlowZJ 人工智能
    前言人工智能（AI）技术正在深刻地改变我们的生活和工作方式。从自动驾驶汽车到智能医疗系统，从个性化推荐到自动化决策，AI的应用无处不在。然而，随着技术的快速发展，其伦理和社会影响也引发了广泛的关注。人工智能伦理不仅涉及技术本身的公平性、透明性和安全性，还涉及到更广泛的社会、经济和环境影响。本文将探讨人工智能伦理的核心问题，并从可持续发展的角度提出应对策略。一、人工智能伦理的核心问题1.1数据隐私与
  • 小米音频理解技术重大突破：7B模型借助DeepSeek-R1算法引领行业新篇章 耶耶Norsea 网络杂烩人工智能深度学习
    摘要小米公司通过采用DeepSeek-R1算法的迁移技术，在音频理解领域实现了重大突破。其7B模型在MMAU音频评测基准中表现出色，成功登顶排行榜。MMAU评测基准包含10000条音频样本，涵盖语音、环境声和音乐等多种类型，难度极高。即便如此，该模型的表现已超越人类专家的82.2%识别准确率，展现出卓越的音频理解能力。关键词小米音频突破,DeepSeek-R1算法,7B模型进展,MMAU评测基准,
  • 生成式AI+安全：API防护的“进化革命”——从被动防御到智能对抗的技术跃迁 数信云 DCloud 人工智能安全ai
    在生成式AI重塑数字世界的今天，API作为数据流动的“数字血管”，其安全性已成为企业生死存亡的关键。行业数据显示，2025年全球77%的企业将深度整合生成式AI技术，承载着75%互联网流量的API体系，正驱动着超2000亿美元的数字经济浪潮。然而，这场技术革命也催生了新型威胁：攻击者利用生成式AI自动化构造恶意请求，绕过传统规则引擎；大模型API的滥用导致算力耗尽与数据泄露；甚至AI生成的代码漏洞
  • TRS收益互换系统开发为何敢称“无限拓展”？模块化架构+弹性集群揭秘！ Ashlee_code 架构pythonjavac++c语言
    《【券商震惊】传统询价3小时→TRS黑科技10分钟！盈立证券交易量暴增150%背后秘密》开篇：询价耗时3小时？券商正在被低效“慢性杀死”电话询价、邮件比价、Excel汇总——传统场外交易中，一次询价流程动辄数小时，客户流失率高达40%！TRS收益互换平台，依托DeepSeek动态定价算法与多发行方实时比价引擎，将询价响应时间从3小时压缩至10分钟，助力盈立证券交易量飙升150%，彻底改写行业游戏规
  • 24小时响应+零宕机！TRS收益互换系统售后如何成为券商“救命稻草”？ Ashlee_code 架构javapythonc++c语言
    《【券商震惊】传统询价3小时→TRS黑科技10分钟！盈立证券交易量暴增150%背后秘密》开篇：询价耗时3小时？券商正在被低效“慢性杀死”电话询价、邮件比价、Excel汇总——传统场外交易中，一次询价流程动辄数小时，客户流失率高达40%！令克软件TRS收益互换平台，依托DeepSeek动态定价算法与多发行方实时比价引擎，将询价响应时间从3小时压缩至10分钟，助力盈立证券交易量飙升150%，彻底改写行
  • Matlab GPU加速技术 算法工程师y matlab开发语言
    1.GPU加速简介（1）为什么使用GPU加速？CPU擅长处理逻辑复杂的串行任务，而GPU拥有数千个流处理器，专为并行计算设计。对于大规模矩阵运算、深度学习训练或科学计算等任务，GPU加速可将计算速度提升数十至数百倍。（2）Matlab的GPU支持功能依赖：需安装ParallelComputingToolbox（并行计算工具箱）。硬件要求：支持CUDA的NVIDIAGPU（如Tesla、GeForc
  • 证券交易系统核心技术解析：LinkTrader 的毫秒级响应架构与风控实践 Ashlee_code 架构pythonjavac++
    一、行业痛点：为什么传统交易系统正在被淘汰？2024年，证券行业guweng22346的技术竞争已从“功能完备”转向**“速度+智能”的极限博弈**。以下是传统系统的三大致命缺陷：数据延迟：非官方行情源导致套利窗口丢失（实测延迟普遍>0.1秒）；风控低效：依赖人工监控，凌晨时段风险拦截率不足30%；扩展性差：单体架构下订单处理峰值低于10万/秒，极易崩溃。典型案例：某券商因系统延迟0.05秒，单日
  • 【python爬虫实战】——基于全国各城市快递网点的数据采集 小L工程师 python爬虫实战爬虫网络爬虫pythonselenium开发语言数据分析数据可视化
    一、项目背景随着电子商务的快速发展，快递行业成为了现代物流的重要组成部分。快递网点的分布和服务质量直接影响到用户的物流体验。为了更好地了解快递网点的分布情况、服务范围以及联系方式等信息，本项目通过爬虫技术从公开的快递信息网站上采集相关数据。‘>本文章中所有内容仅供学习交流使用，不用于其他任何目的，严禁用于商业用途和非法用途，否则由此产生的一切后果均与作者无关！二、项目目的和意义本项目的主要目的是通
  • 从零开始学习鸿蒙系统 Ning.L 华为harmonyos
    1.移动通讯技术的发展-1G时代：1980年摩托罗拉开发出了第一部手机，使用的就是1G的技术。只能进行语音通话。就是大哥大。-2G时代：1996年到1997年出现了第二代GSM、CDMA等数字制式手机，增加了接收数据的功能。2G不仅可以通话，还可以数据收发的功能，最开始的速度只有9K/S。如果我想收发一些图片或者音频技术是不可能的，因为速度太慢了。后来随着互联网多媒体的流行，多了图片，视频等，所以
  • ## centos7搭建nfs高可用共享存储 weixin_45674361 高可用部署linux服务器centosnfs运维
    centos7搭建nfs双机热备的高可用共享存储本文通过使用keepalived＋nfs＋rsync，解决了主从服务器双向同步和客户端挂载失效的问题，实现了nfs文件系统双机热备。名称IP地址客户端192.168.1.1服务端服务器1192.168.1.100服务端服务器2192.168.1.200实施步骤keepalived部署在192.168.1.100和192.168.1.200上执行安装依
  • 前端缓存接口数据 jjjjjjjjj¢ 笔记前端
    在前端缓存接口数据时，可以结合浏览器缓存策略、前端存储（localStorage、sessionStorage、IndexedDB）、内存缓存（变量存储）、ServiceWorker等方式，选择适合的方案。使用浏览器HTTP缓存（推荐，依赖后端支持）如果接口数据不会频繁变化，可以使用HTTP缓存策略（强缓存+协商缓存），减少不必要的请求。后端设置Cache-Control在接口响应头中，服务器可以
  • 机器学习中输入输出Tokens的概念详解 爱吃土豆的程序员 机器学习基础机器学习人工智能Tokens
    随着深度学习技术的快速发展，大语言模型（LargeLanguageModels,LLMs）已经成为自然语言处理（NLP）领域的一个热点研究方向。这些模型不仅能够生成高质量的文本，还能在多种任务中展现出卓越的表现，比如机器翻译、问答系统、文本摘要等。在大语言模型的工作流程中，Tokens的概念扮演着至关重要的角色。本文将详细介绍大语言模型如何使用Tokens，以及如何计算Tokens的数量。什么是T
  • 【GPT入门】第24课 langfuse介绍 *星星之火* 大模型gpt
    【GPT入门】第24课langfuse介绍1.langfuse概念与作用2.代码3.页面效果4.设计模式1.装饰器模式2.上下文管理模式1.langfuse概念与作用Langfuse是一款专为大规模语言模型（LLM）应用开发设计的开源平台。其作用主要包括以下几个方面：提升开发效率：通过消除LLM应用构建与运维的复杂性，让开发者、运维团队及产品经理能更专注于核心开发与迭代优化，减少在监控与优化方面的
  • 学习Web3.0需要具备哪些基础知识？ alankuo 人工智能人工智能
    学习Web3.0需要具备以下基础知识：一、计算机科学基础1.编程知识-了解至少一种编程语言，如Python、JavaScript等。这将有助于理解Web3.0应用程序的开发和智能合约的编写。-熟悉编程概念，如变量、数据类型、控制结构、函数等。2.数据结构和算法-掌握常见的数据结构，如数组、链表、栈、队列、树、图等，以及它们的操作和应用。-了解基本的算法，如排序、搜索、递归等，以及它们的时间和空间复
  • 深入理解C++编程：从内存管理到多态与算法实现 嵌入式Jerry C++c++算法开发语言
    C++是一门功能强大的编程语言，广泛应用于系统编程、游戏开发和高性能计算等领域。本文将通过一系列经典问题，深入探讨C++的核心知识点，包括内存管理、多态（结合函数重载与覆盖）、多线程、TCP/IP模型、软链接与硬链接的区别，以及常见算法实现。每个知识点都配有详细的代码示例和解释，帮助你更好地理解和掌握。1.内存管理：内存泄露与检测什么是内存泄露？内存泄露是指程序在动态分配内存后，未能正确释放已不再
  • 202年充电计划——自学手册 网络安全（黑客技术） 网安康sir web安全安全网络pythonlinux
    基于入门网络安全/黑客打造的：黑客&网络安全入门&进阶学习资源包前言什么是网络安全网络安全可以基于攻击和防御视角来分类，我们经常听到的“红队”、“渗透测试”等就是研究攻击技术，而“蓝队”、“安全运营”、“安全运维”则研究防御技术。如何成为一名黑客很多朋友在学习安全方面都会半路转行，因为不知如何去学，在这里，我将这个整份答案分为黑客（网络安全）入门必备、黑客（网络安全）职业指南、黑客（网络安全）学习
  • 【网络安全 | 漏洞挖掘】价值14981$的Google点击劫持漏洞 秋说 web安全漏洞挖掘
    未经许可，不得转载。文章目录点击劫持前言漏洞1攻击场景漏洞2攻击场景漏洞3攻击场景漏洞4攻击场景漏洞5攻击场景漏洞6攻击场景点击劫持点击劫持是一种恶意的用户界面攻击技术，也被称为“UI覆盖攻击”或“透明劫持”。攻击者通过创建一个看似正常的网页，并在其中嵌入一个隐藏的、透明的iframe框架，该框架指向目标网站的某个功能页面，如支付页面、订阅页面等。同时，攻击者会在iframe上方放置一些虚假的按钮
  • C/C++每日一练：实现选择排序 風清掦 C/C++~每日一练c语言c++算法
    选择排序选择排序是一种简单直观的排序算法，时间复杂度为，其中n是数组长度，不适合大数据集的排序，适合于元素较少且对性能要求不高的场景。选择排序的基本思想是：每次从未排序部分选择最小的元素，将其放到已排序部分的末尾。这样经过多轮操作后，整个数组会被逐步排好序。具体步骤如下：初始化：将第一个元素作为已排序区，剩余部分作为未排序区。遍历未排序区：从未排序区间找出最小的元素，记下其位置。交换位置：将找到的
  • C/C++每日一练：实现冒泡排序 風清掦 C/C++~每日一练算法c语言c++排序算法
    题目要求编写一个程序，实现冒泡排序算法。给定一个由n个整数组成的数组，要求通过冒泡排序对数组从小到大进行排序。输入：一个整数数组，长度为n，数组中的元素可能是正数或负数。输出：按照升序排序后的数组。做题思路冒泡排序是一种简单直观的排序算法。其基本思想是通过多次遍历数组，逐步将未排序部分中的最大或最小元素“冒泡”到数组的一端，直到整个数组有序。冒泡排序的步骤如下：从数组的第一个元素开始，依次比较相邻
  • 一道面试题带你看透HashMap底层原理与设计思想，看完就懂了 佩奇的技术笔记 java面试
    [一道面试题带你看透HashMap底层原理与设计思想]——从扩容机制到线程安全的技术实现全景解析一、面试场景中的灵魂拷问面试官：假设我们有一个容量为16的HashMap，当插入第11个元素时发生了扩容，此时另一个线程正在遍历链表，会发生什么？这个过程涉及到哪些关键设计？这个提问需要从HashMap的核心机制入手，折射出哈希表的扩容冲突、数据一致性等核心问题。要回答这个问题，我们需要先掌握HashM
  • 鸿蒙操作系统HarmonyOS NEXT开发环境搭建与政务服务类APP开发 harmonyos
    随着华为鸿蒙操作系统HarmonyOSNEXT的发布，越来越多的开发者开始关注并投入到这一新兴操作系统的应用开发中。本文将详细介绍如何搭建HarmonyOSNEXT的开发环境，并通过一个政务服务类办证服务APP的示例，展示如何进行应用程序的技术开发。一、开发环境搭建安装DevEcoStudio：DevEcoStudio是华为官方提供的集成开发环境（IDE），支持HarmonyOS应用开发。首先，访
  • 微服务架构中10个常用的设计模式 微服务
    在当今的微服务架构中，常见的十种设计模式，分别是服务发现模式、API网关模式、断路器模式、边车模式、负载均衡模式、Saga事务模式、CQRS模式、分片模式、分布式日志跟踪模式、熔断与降级模式。其中，服务发现模式十分关键，通过自动化发现和定位服务，减少人工配置带来的不确定性，让系统可扩展性与高可用性得以更好地保障。同时，这一模式还能有效降低运维难度，在服务数量急剧增加的情况下依然保持灵活管理，提高线
  • 【人工智能】【Python】在Scikit-Learn中使用决策树算法（ID3和CART） SmallBambooCode 机器学习人工智能python算法scikit-learn决策树机器学习ai
    importnumpyasnpimportmatplotlib.pyplotaspltfromsklearn.datasetsimportload_irisfromsklearn.model_selectionimporttrain_test_splitfromsklearn.treeimportDecisionTreeClassifier,plot_tree#加载数据集iris=load_iri
  • Day65 | 灵神 | 二分查找：红蓝染色法 为了前进而后退，为了走直路而走弯路 刷题记录数据结构算法学习笔记二分查找c++
    Day65|灵神|二分查找：红蓝染色法灵神讲解的非常好建议大家去听听灵神的，二分查找就是常忘常学常新，我之前学过很多次二分，但这次还是有新的理解，我把可能比较难理解的点写到了下面，大家没看懂视频的地方可以看看我写的当然主要的其实是check函数，在本题中就是大于等于target这个条件，估计灵神下个视频会讲吧二分查找红蓝染色法【基础算法精讲04】_哔哩哔哩_bilibili文章目录Day65|灵神
  • 算法每日一练 (13) 张胤尘 算法每日一练算法数据结构
    欢迎来到张胤尘的技术站技术如江河，汇聚众志成。代码似星辰，照亮行征程。开源精神长，传承永不忘。携手共前行，未来更辉煌文章目录算法每日一练(13)全排列II题目描述解题思路解题代码`c/c++``golang``lua`官方站点：力扣Leetcode算法每日一练(13)全排列II题目地址：全排列II题目描述给定一个可包含重复数字的序列nums，按任意顺序返回所有不重复的全排列。示例1：输入：nums
  • # UniApp 微信登录项目 前端node.js小程序
    UniApp微信登录项目本项目是一个基于UniApp框架开发的微信登录应用。项目简介本应用旨在提供一个简洁高效的微信登录示例，适用于快速集成微信登录功能的UniApp项目。技术栈UniApp:跨平台应用开发框架uVue:UniApp的Vue风格组件UTS:Uni-AppTypeScript，UniApp的增强型TypeScript语言uni-id-common:uni-id模块的公共模块，用于用户
  • 智能体平台架构深度剖析：从底层到应用的全链路解析 人工智能
    在当今人工智能飞速发展的时代，智能体平台作为承载和驱动智能应用的关键基础设施，其架构设计至关重要。一个优秀的智能体平台架构，能够高效整合各类资源，实现智能体的灵活构建与稳定运行，为多样化的应用场景提供强大支持。稳固根基：基础资源层与并行平台层基础资源层是整个智能体平台的基石。其中，GPU和服务器构成了强大的计算硬件支撑，确保平台能够应对复杂的计算任务。而数据与OSS（对象存储服务）则如同智能体的“
  • 美国首例AI训练数据版权案：从汤森路透诉罗斯案看AI训练数据的“合理使用” 人工智能
    随着人工智能（AI）技术的快速发展和广泛应用，复杂的版权问题也随之而来。2025年2月11日，美国特拉华州联邦地区法院对汤森路透（ThomsonReuters）诉罗斯（Ross）案作出部分简易判决，认定被告罗斯公司未经授权使用受版权保护的作品训练AI法律检索工具的行为构成版权侵权，且不属于合理使用。[1]这是美国首个就AI训练数据作出实质性判决的案件。本文将重点分析其合理使用论述中对于“转换性目的
  • 如何进行OceanBase 运维工具的部署和表性能优化! oceanbase
    随着OceanBase数据库应用的日益深入，数据量不断攀升，单个表中存储数百万乃至数千万条数据的情况变得愈发普遍。因此，部署专门的运维工具、实施针对性的表性能优化策略，以及加强指标监测工作，都变得更为重要。以下为基于我们的使用场景，所采取的一些部署和优化措施分享。一、OCP部署升级1．OCP升级（1）4.2.1BP1升级到4.2.2，本来以为毫无波澜但是下载完毕一键包并完成前期准备工作启动后发现无
  • 理解持续测试，才算理解DevOps
    软件产品的成功与否，在很大程度上取决于对市场需求的及时把控，采用DevOps可以加快产品交付速度，改善用户体验，从而有助于保持领先于竞争对手的优势。作为敏捷开发方法论的一种扩展，DevOps强调开发、测试和运维不同团队间的协作与沟通。持续集成和持续测试是一个在迭代中构建、测试产品并修复Bug的过程。它有助于团队在开发阶段的初期发现缺陷，这时的缺陷通常相对不那么复杂，并且更容易被解决。通过持续集成和
  • C/C++Win32编程基础详解视频下载 择善Zach 编程C++Win32
    课题视频：C/C++Win32编程基础详解 视频知识：win32窗口的创建                   windows事件机制 主讲：择善Uncle老师 学习交流群：386620625 验证码：625 --
  • Guava Cache使用笔记 bylijinnan javaguavacache
    1.Guava Cache的get/getIfPresent方法当参数为null时会抛空指针异常 我刚开始使用时还以为Guava Cache跟HashMap一样，get(null)返回null。 实际上Guava整体设计思想就是拒绝null的，很多地方都会执行com.google.common.base.Preconditions.checkNotNull的检查。 2.Guava
  • 解决ora-01652无法通过128（在temp表空间中） 0624chenhong oracle
    解决ora-01652无法通过128（在temp表空间中）扩展temp段的过程 一个sql语句后，大约花了10分钟，好不容易有一个结果，但是报了一个ora-01652错误，查阅了oracle的错误代码说明：意思是指temp表空间无法自动扩展temp段。这种问题一般有两种原因：一是临时表空间空间太小，二是不能自动扩展。 分析过程：    既然是temp表空间有问题，那当
  • Struct在jsp标签 不懂事的小屁孩 struct
    非UI标签介绍： 控制类标签： 1：程序流程控制标签   if   elseif    else <s:if test="isUsed"> <span class="label label-success">True</span> </
  • 按对象属性排序 换个号韩国红果果 JavaScript对象排序
    利用JavaScript进行对象排序，根据用户的年龄排序展示 <script> var bob={ name;bob, age:30 } var peter={ name;peter, age:30 } var amy={ name;amy, age:24 } var mike={ name;mike, age:29 } var john={
  • 大数据分析让个性化的客户体验不再遥远 蓝儿唯美 数据分析
    顾客通过多种渠道制造大量数据，企业则热衷于利用这些信息来实现更为个性化的体验。 分析公司Gartner表示，高级分析会成为客户服务的关键，但是大数据分析的采用目前仅局限于不到一成的企业。 挑战在于企业还在努力适应结构化数据，疲于根据自身的客户关系管理（CRM）系统部署有效的分析框架，以及集成不同的内外部信息源。 然而，面对顾客通过数字技术参与而产生的快速变化的信息，企业需要及时作出反应。要想实
  • java笔记4 a-john java
    操作符 1，使用java操作符       操作符接受一个或多个参数，并生成一个新值。参数的形式与普通的方法调用不用，但是效果是相同的。加号和一元的正号（+）、减号和一元的负号（-）、乘号（*）、除号（/）以及赋值号（=）的用法与其他编程语言类似。       操作符作用于操作数，生成一个新值。另外，有些操作符可能会改变操作数自身的
  • 从裸机编程到嵌入式Linux编程思想的转变------分而治之：驱动和应用程序 aijuans 嵌入式学习
        笔者学习嵌入式Linux也有一段时间了，很奇怪的是很多书讲驱动编程方面的知识，也有很多书将ARM9方面的知识，但是从以前51形式的（对寄存器直接操作，初始化芯片的功能模块）编程方法，和思维模式，变换为基于Linux操作系统编程，讲这个思想转变的书几乎没有，让初学者走了很多弯路，撞了很多难墙。     笔者因此写上自己的学习心得，希望能给和我一样转变
  • 在springmvc中解决FastJson循环引用的问题 asialee 循环引用fastjson
              我们先来看一个例子：           package com.elong.bms; import java.io.OutputStream; import java.util.HashMap; import java.util.Map; import co
  • ArrayAdapter和SimpleAdapter技术总结 百合不是茶 androidSimpleAdapterArrayAdapter高级组件基础
    ArrayAdapter比较简单，但它只能用于显示文字。而SimpleAdapter则有很强的扩展性，可以自定义出各种效果   ArrayAdapter;的数据可以是数组或者是队列        // 获得下拉框对象 AutoCompleteTextView textview = (AutoCompleteTextView) this
  • 九封信 bijian1013 人生励志
            有时候，莫名的心情不好，不想和任何人说话，只想一个人静静的发呆。有时候，想一个人躲起来脆弱，不愿别人看到自己的伤口。有时候，走过熟悉的街角，看到熟悉的背影，突然想起一个人的脸。有时候，发现自己一夜之间就长大了。         2014，写给人
  • Linux下安装MySQL Web 管理工具phpMyAdmin sunjing PHPInstallphpMyAdmin
    PHP http://php.net/ phpMyAdmin http://www.phpmyadmin.net Error compiling PHP on CentOS x64   一、安装Apache 请参阅http://billben.iteye.com/admin/blogs/1985244   二、安装依赖包 sudo yum install gd
  • 分布式系统理论 bit1129 分布式
    FLP One famous theory in distributed computing, known as FLP after the authors Fischer, Lynch, and Patterson, proved that in a distributed system with asynchronous communication and process crashes,
  • ssh2整合(spring+struts2+hibernate)-附源码 白糖_ eclipsespringHibernatemysql项目管理
    最近抽空又整理了一套ssh2框架，主要使用的技术如下： spring做容器，管理了三层(dao,service,actioin)的对象 struts2实现与页面交互(MVC)，自己做了一个异常拦截器，能拦截Action层抛出的异常 hibernate与数据库交互 BoneCp数据库连接池，据说比其它数据库连接池快20倍，仅仅是据说 MySql数据库   项目用eclipse
  • treetable bug记录 braveCS table
    // 插入子节点删除再插入时不能正常显示。修改： //不知改后有没有错，先做个备忘 Tree.prototype.removeNode = function(node) { // Recursively remove all descendants of +node+ this.unloadBranch(node); // Remove
  • 编程之美-电话号码对应英语单词 bylijinnan java算法编程之美
    import java.util.Arrays; public class NumberToWord { /** * 编程之美 电话号码对应英语单词 * 题目： * 手机上的拨号盘，每个数字都对应一些字母，比如2对应ABC，3对应DEF.........，8对应TUV，9对应WXYZ， * 要求对一段数字，输出其代表的所有可能的字母组合
  • jquery ajax读书笔记 chengxuyuancsdn jQuery ajax
    1、jsp页面 <%@ page language="java" import="java.util.*" pageEncoding="GBK"%> <% String path = request.getContextPath(); String basePath = request.getScheme()
  • JWFD工作流拓扑结构解析伪码描述算法 comsci 数据结构算法工作活动J#
      对工作流拓扑结构解析感兴趣的朋友可以下载附件，或者下载JWFD的全部代码进行分析   /*  流程图拓扑结构解析伪码描述算法         public java.util.ArrayList DFS(String graphid, String stepid, int j)
  • oracle I/O 从属进程 daizj oracle
    I/O 从属进程 　　I/O从属进程用于为不支持异步I/O的系统或设备模拟异步I/O.例如，磁带设备(相当慢)就不支持异步I/O.通过使用I/O 从属进程，可以让磁带机模仿通常只为磁盘驱动器提供的功能。就好像支持真正的异步I/O 一样，写设备的进程(调用者)会收集大量数据，并交由写入器写出。数据成功地写出时，写入器(此时写入器是I/O 从属进程，而不是操作系统)会通知原来的调用者，调用者则会
  • 高级排序:希尔排序 dieslrae 希尔排序
    public void shellSort(int[] array){ int limit = 1; int temp; int index; while(limit <= array.length/3){ limit = limit * 3 + 1;
  • 初二下学期难记忆单词 dcj3sjt126com englishword
    kitchen 厨房 cupboard 厨柜 salt 盐 sugar 糖 oil 油 fork 叉；餐叉 spoon 匙；调羹 chopsticks 筷子 cabbage 卷心菜；洋白菜 soup 汤 Italian 意大利的   Indian 印度的 workplace  工作场所 even 甚至；更 Italy 意大利 laugh 笑 m
  • Go语言使用MySQL数据库进行增删改查 dcj3sjt126com mysql
    目前Internet上流行的网站构架方式是LAMP，其中的M即MySQL, 作为数据库，MySQL以免费、开源、使用方便为优势成为了很多Web开发的后端数据库存储引擎。MySQL驱动Go中支持MySQL的驱动目前比较多，有如下几种，有些是支持database/sql标准，而有些是采用了自己的实现接口,常用的有如下几种: http://code.google.c...o-mysql-dri
  • git命令 shuizhaosi888 git
    ---------------设置全局用户名： git config --global user.name "HanShuliang" //设置用户名 git config --global user.email "[email protected]" //设置邮箱 ---------------查看环境配置 git config --li
  • qemu-kvm 网络 nat模式 (四) haoningabc kvmqemu
    qemu-ifup-NAT #!/bin/bash BRIDGE=virbr0 NETWORK=192.168.122.0 GATEWAY=192.168.122.1 NETMASK=255.255.255.0 DHCPRANGE=192.168.122.2,192.168.122.254 TFTPROOT= BOOTP= function check_bridge()
  • 不要让未来的你，讨厌现在的自己 jingjing0907 生活 奋斗 工作 梦想
     故事one 　23岁，他大学毕业，放弃了父母安排的稳定工作，独闯京城，在家小公司混个小职位，工作还算顺手，月薪三千，混了混，混走了一年的光阴。　　　　24岁，有了女朋友，从二环12人的集体宿舍搬到香山民居，一间平房，二人世界，爱爱爱。偶然约三朋四友，打扑克搓麻将，日子快乐似神仙；　　　　25岁，出了几次差，调了两次岗，薪水涨了不过百，生猛狂飙的物价让现实血淋淋，无力为心爱银儿购件大牌
  • 枚举类型详解 一路欢笑一路走 enum枚举详解enumsetenumMap
    枚举类型详解 一.Enum详解      1.1枚举类型的介绍   JDK1.5加入了一个全新的类型的”类”—枚举类型，为此JDK1.5引入了一个新的关键字enum,我们可以这样定义一个枚举类型。      Demo:一个最简单的枚举类   public enum ColorType { RED
  • 第11章 动画效果（上） onestopweb 动画
    index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
  • Eclipse中jsp、js文件编辑时，卡死现象解决汇总 ljf_home eclipsejsp卡死js卡死
    使用Eclipse编辑jsp、js文件时，经常出现卡死现象，在网上百度了N次，经过N次优化调整后，卡死现象逐步好转，具体那个方法起到作用，不太好讲。将所有用过的方法罗列如下：   1、取消验证 windows–>perferences–>validation 把 除了manual 下面的全部点掉，build下只留 classpath dependency Valida
  • MySQL编程中的6个重要的实用技巧 tomcat_oracle mysql
    每一行命令都是用分号(;)作为结束 对于MySQL，第一件你必须牢记的是它的每一行命令都是用分号(;)作为结束的，但当一行MySQL被插入在PHP代码中时，最好把后面的分号省略掉，例如： mysql_query("INSERT INTO tablename(first_name,last_name)VALUES('$first_name',$last_name')");
  • zoj 3820 Building Fire Stations(二分+bfs) 阿尔萨斯 Build
    题目链接：zoj 3820 Building Fire Stations 题目大意：给定一棵树，选取两个建立加油站，问说所有点距离加油站距离的最大值的最小值是多少，并且任意输出一种建立加油站的方式。 解题思路：二分距离判断，判断函数的复杂度是o(n)，这样的复杂度应该是o(nlogn)，即使常数系数偏大，但是居然跑了4.5s，也是醉了。 判断函数里面做了3次bfs，但是每次bfs节点最多
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他