安仔都有人用

All of Statistics 第二章

统计学（二）随机变量(Random Variables)

本章内容

引言
分布函数和概率分布(Distribution Functions and Probability Functions)
一些重要的离散随机变量(Discrete Random Variables )
一些重要的连续随机变量(Continuous Random Variables)
二维分布(Bivariate Distributions )
边缘分布(Marginal Distributions )
独立随机变量
条件分布(Conditional Distributions )
多维分布(Multivariate Distributions)和独立同步分布(IID)
两个重要的多维分布
随机变量的转换
多个随机变量的转换

关键名词,存在部分词不达意的情况,因此将关键名词整理如下

1. 分布函数:Distribution Functions
2. 概率函数:Probability Functions
3. 离散随机变量:Discrete Random Variables
4. 连续随机变量:Continuous Random Variables
5. 二维分布:Bivariate Distributions
6. 边缘分布:Marginal Distributions
7. 条件分布:Conditional Distributions
8. 多维分布:Multivariate Distributions

9. 累积分布函数:cumulative distribution function

10. 标准化:normalized

11. 概率函数:Probability function

12. 概率质量函数:Probability mass function

13. 概率密度函数:Probability density funciton

14. 连续:continuous

15. 分位函数:quantile function

16. 第一四分位:first quartile

17. 第二四分位:second quartile

18. 第三四分位:third quartile

19. 中位数:median

20. 等概率分布:equal in distribution

21. 点质量分布: Point Mass Distribution

22. 离散均匀分布:Discrete Uniform Distribution

23. 伯努利分布:Bernuolli Distribution

24. 二项分布:Binomial Distribution

25. 几何分布:Geometric Distribution

26. 泊松分布:Possion Distribution

27. 正态分布:Normal Distribution

28. 高斯分布:Gaussian Distribution

29. 标准正态分布:Standard Normal Distribution

30. 指数分布:Exponential Distribution

31. 伽马分布:Gamma Distribution

32. 贝塔分布:Beta Distribution

33. 柯西分布:Cauchy Distribution

34. 边缘分布:Marginal Distributions

35. 边缘质量函数:marginal mass function

36. 边缘密度函数:marginal denstiy function

37. 条件概率质量函数:Conditional Probability mass function

38. 条件概率密度函数:Conditional Probability Density funciton

40. 随机向量:Random Vector

41. 多项分布:Multinomial Distribution

42. 多元正态分布或者多维正态分布:Multivariate Normal

2.1 引言

统计学和数据挖掘关心的是数据,那么我们怎样将样本空间(sample)和事件(events)同数据联系起来呢?这种联系由随机变量(random variables)提供

2.1 随机变量(random variables)的定义

随机变量是一种映射,表示为 $X: \Omega \rightarrow \mathbb{R}$ ,即对于每一个结果ω,都有一个实数被分配给X(ω).

在概率课程的某些阶段,我们很少再提及样本空间(sapmle space),而是直接使用随机变量(random variables).但你应该牢记,样本空间(sample space)实际是存在,它隐含在随机变量的背后.

2.2 例子

抛硬币十次,令X(ω)是序列ω中正面朝上的个数,例如,ω=HHTHHTHHTT,那么X(ω)=6.

2.3 例子

设 $\Omega =\left \{ (x,y); x^{2} + y^{2} \leqslant 1\right \}$ 是一个单位圆,在Ω中随机取一点(我们将在后面更精确的描述这个想法),通常格式为ω=(x,y).那么随机变量的一些例子有:X(ω) = x,Y(ω) = y,Z(ω) = x+y或者 $W(\omega )=\sqrt{x^{2}+y^{2}}$

给定一个随机变量X和实数的子集A,定义 $X^{-1}(A)=\left \{ \omega \in \Omega : X(\omega) \in A \right \}$ 并令

$\mathbb{P}(X\in A) = \mathbb{P}(X^{-1}(A))=\mathbb{P}(\left \{ \omega \in \Omega; X(\omega) \in A \right \})$

$\mathbb{P}(X=x)=\mathbb{P}(X^{-1}(A))=\mathbb{P}(\left \{\omega \in \Omega;X(\omega)=x\right \})$

注意:X是随机变量,x是随机变量X的具体值

2.4 例子

抛硬币两次,令X为正面朝上的个数,那么P(X=0)=P({TT})=1/4, P(X=1)=P({HT,TH})=1/2 , P(X=2)=P({HH})=1/4,随机变量(random variables)和它的分布(distribution)可以总结如下:

ω	P({ω})	X(ω)
TT	1/4	0
TH	1/4	1
HT	1/4	1
HH	1/4	2

x	P(X=x)
0	1/4
1	1/2
2	1/2

2.2 分布函数(distribution functions)和概率函数(Probability functions)

给定一个随机变量X,我们按照如下的方式,定义其累积分布函数(cumulative distribution function)或分布函数(distribution functions):

2.5 CDF定义

累积分布函数(cumulative distribution function)或者CDF, $F_{x}:\mathbb{R}\rightarrow [0,1]$ 被定义为

$F_{X}(x)=P(X\leqslant x)$

在后面,我们将会看到CDF有效地包含了所有关于随机变量的信息.有时我们用代替 $F_{x}$ .

2.6 例子

扔一枚硬币两次,设X是正面朝上的次数.那么 $\mathbb{P}(X=0)=\frac{1}{4},\mathbb{P}(X=1)=\frac{1}{2},\mathbb{P}(X=2)=\frac{1}{4}$ ,则分布函数为:

$F_X(x)=\left\{\begin{matrix} 0 & ,x<0\\ \frac{1}{4} & ,0\leqslant x < 1\\ \frac{3}{4} & ,1 \leqslant x < 2\\ 1 & ,x \geqslant 2 \end{matrix}\right.$

则其对应的函数图形如下图

尽管这个例子非常简单,但是也请仔细的研究它,因为CDF的性质可能令人困惑.

注意,这个函数,是右连续,非递减,尽管x只取0,1,2但对所有的实数都有定义.你明白了为什么了吗?

以下的定理表明,CDF完全决定了随机变量(random variables)的分布

2.7 定理

设X有累积分布函数(CDF)F,Y有累积分布函数(CDF)G,如果对于所有的x,满足 ,那么对于所有的A,则有 $\mathbb{P}(X\in A) = \mathbb{P}(Y \in A)$

译者注:上面的定理可以看成CDF决定了概率分布

2.8 定理

F是[0,1]上的映射,当且仅当F满足下面三个条件的时候, F是某个概率P的累积分布函数.

F非递增:x1
F已经标准化(normalized): $\lim_{x\rightarrow -\infty }F(x)=0$ , $\lim_{x\rightarrow \infty }F(x)=1$
F右连续:对于所有x, $F(x)=F(x^{+})$ ,其中 $F(x^+)=\lim_{\begin{matrix} y\to x\\ y\geq x \end{matrix}}F(y)$

证明:

假定F是CDF,让我们证明第三点成立.

设x是一个实数;

y1,y1,...是一个实数序列,满足y1>y2>...并且 $\lim_iy_i=x$ .

那么, $A_i=(-\infty,y_i],A=(-\infty,x]$

则得, $A= \bigcap_{i=1}^{\infty}Ai$ , $A1\supset A2\supset A3 ...$

所以, $\lim_iP(A_i)=P(\bigcap_iA_i)$

所以, $F(x)=P(A)=P(\bigcap_iA_i)=\lim_iP(A_i)=\lim_iF(y_i)=F(x^+)$

证毕

第一点和第二点类似.

证明另外一个方向------即,倘若F满足第一二三点,证明F是某个概率P的CDF-----需要使用分析领域更深层次的工具.

2.9 概率函数(Probability function)或概率质量函数(Probability mass function)定义

如果随机变量X取值有限,且离散.那么X的概率函数(probability function)或者概率质量函数(probability mass function)被定义为:

因此,对于所有的 $x\in R$ ,都有 $f_X(x) \geq 0$ ,且 $\sum_if(x_i)=1$ .有时我们直接用代替.

CDF和的关系为:

$F_X(x)= P(X\leq x) = \sum_{x_i\leq x}f_X(xi)$

2.10 例子

2.6例子的概率函数(probability function)为

$f_X(x)=\left\{\begin{matrix} 1/4 & x=0 \\ 1/2 & x=1\\ 1/4& x=2 \\ 0 & otherwise \end{matrix}\right.$

见下图

2.11 概率密度函数(probability density function)定义

对于一个连续(continuous)的随机变量X,如果对于所有的x,存在一个函数满足 $f_X(x)\geq 0$ , $\int_{-\infty}^{\infty}f_X(x)=1$ ,且满足, $a \leq b,\mathbb{P}(a < x <b)=\int_a^bf_X(x)dx$ ,那么就称为概率密度函数(probability density function)PDF.

因此可以得 $F_X(x) = \int_{-\infty}^xf_X(x)dx$ 和 $f_X(x)={F}'_X(x)$ ,其中在所有x点处,都是可导的.

有时,我们用 $\int f(x)dx$ 或者 $\int f$ 来表示 $\int_{-\infty}^\infty f(x)dx$

2.12 例子

设随机变量X的概率密度函数PDF,如下

$f_X(x)=\left\{\begin{matrix} 1 & for 0 \leq x \leq 1 \\ 0 & otherwise \end{matrix}\right.$

显然, $f_X(x)\geq 0$ 且 $\int f_X(x)dx=1$ .那么带有这种PDF的随机变量被称为 Uniform(0,1) 分布.Uniform(0,1)分布的概念表示,在[0,1]区间中随机选择一个点.

那么CDF,就为:

$F_X(x)=\left\{\begin{matrix} 0 & x <0 \\ x & 0 \leq x \leq 1\\ 1 & x > 1 \end{matrix}\right.$

如下图:

2.13 例子

假如随机变量X,有下面的PDF:

$f(x)=\left\{\begin{matrix} 0 & for x < 0\\ \frac{1}{(1+x)^2} & otherwise \end{matrix}\right.$

因为 $\int f(x)dx=1$ ,这是一个满足定义的PDF

警告;连续随机变量可能带来困惑.

首先应注意,如果X是连续的,那么对于任意x,都有 $\mathbb{P}(X=x)=0$ 不要尝试将当做 $\mathbb{P}(X=x)$ ,这个只对离散随机变量有效. 连续随机变量对应的概率是通过PDF的积分得到.

其次还要注意,PDF是可以大于1的(这个跟概率质量函数(probability mass function)不同),例如:

$f(x)=\left\{\begin{matrix} 5 & x \in [0,1/5]\\ 0 & otherwise \end{matrix}\right.$ 可得, $f(x) \geq 0$ 且 $\int f(x)dx =1$ ,因此其是一个满足定义的PDF,但其在某些区间可得f(x)=5.事实上,PDF,可以是无界的,例如: $f(x)=\left\{\begin{matrix} \frac{2}{3}x^{-\frac{1}{3}} & 0 < x < 1\\ 0 & otherwise \end{matrix}\right.$ ,可得 $\int f(x)dx =1$ ,因此也是一个符合定义的PDF,但是它是无解函数.

2.14 例子

设 $f(x)=\left\{\begin{matrix} 0 & x < 0 \\ \frac{1}{(1+x)} & otherwise \end{matrix}\right.$ ,这个不是一个PDF,因为:

$\int f(x)dx=\int_0^\infty dx/(1+x)=\int_1^\infty du/u = log(\infty) = \infty$

2.15 引理

设F是随机变量X的CDF,那么:

$\mathbb{P}(X=x)=F(x)-F(x^-),where F(x^-)=\lim_{y \to x}F(y)$
$\mathbb{P}(x < X \leq y) =F(y) -F(x)$
$\mathbb{P}(X > x) = 1- F(x)$
如果X是连续的,那么 $F(b)-F(a)= \mathbb{P}(a < X < b) = \mathbb{P}(a \leq X < b)=\mathbb{P}(a < X \leq b)=\mathbb{p}(a \leq X \leq b)$

这对于定义CDF的逆函数(或者分位函数(quantile function))是有用的.

2.16 CDF的逆函数或者分位函数的定义

设X是一个有累积分布函数F的随机变量.那么CDF的逆函数或者分位函数(quantile function)被定义为:

$F^{-1}(q)=inf\left \{ x:F(x) > q \right \}$ ,其中 $q \in [0,1]$ ,

如果F是严格递增且连续,那么 $F^{-1}(q)$ 有唯一的实数x,使得

我们将 $F^{-1}(1/4)$ 称为:第一四分位(first quartile) ;将 $F^{-1}(1/2)$ 称为:中位数(median)或者第二四分位(second quartile);将 $F^{-1}(3/4)$ 称为:第三四分位(third quartile)

两个随机变量X和Y,它们是等概率分布(equal in distribution),则可以写成 $X \overset{\text{d}}{=} Y$ .如果对于所有的x,都有,这并不意味着X和Y是相等的.它只意味着X和Y有相同的概率状态.例如,设 $\mathbb{P}(X=1)=\mathbb{P}(X=-1)=1/2$ ,令Y=-X,则得 $\mathbb{P}(Y=1)=\mathbb{P}(Y=-1)=1/2$ ,所以 $X \overset{d}{=} Y$ ,但X和Y是不相等的.事实上 $\mathbb{P}(X=Y)=0$

2.3 一些重要的离散随机变量

关于符号的警告: $X \sim F$ 表示随机变量X的概率分布函数为F,这中传统的写法,并不合适,因为这个~符号也用来表示近似.符号 $X \sim F$ 太根深蒂固,以至于我们不得不沿用它.当我们看到这个符号的时候,应该将它当做:随机变量X满足分布F,而不是当做,X近似于F

Point Mass Distribution(点质量分布):如果概率满足下面的条件,那么随机变量X在a处有一个 Point Mass Distribution,写作 $X \sim \delta_a$ ,:

$\mathbb{P}(X=a)=1$ ,

那么 $F(x)=\left\{\begin{matrix} 0 & x < a\\ 1 & x \geq a \end{matrix}\right.$ ,概率质量函数(probability mass function)则为

$f(x)=\left\{\begin{matrix} 1 & x = a\\ 0 & otherwise \end{matrix}\right.$

Discrete Uniform Distribution(离散均匀分布):设k>1是一个整数,假定X有如下的概率质量函数(probability mass function):

$f(x)=\left\{\begin{matrix} 1/k & x=1,2,...k\\ 0 & otherwise \end{matrix}\right.$

那么我们就说X有一个在{1,...k}上的均匀分布

Bernuolli Distribution(伯努利分布):令X代表一次硬币的抛掷,那么P(X=1)=p,P(X=0)=1-p,其中p在[0,1]之间,我们就说X具有伯努利分布(Bernoulli Distributtion),写作 $X\sim Bernoulli(p)$ .则其概率函数 $f(x)=P^x(1-p)^{1-x},x \in \left \{ 0,1 \right \}$

Binomial Distribution(二项分布):假定硬币正面朝上的概率为p, $0 \leq p \leq 1$ .抛硬币n次,令X为正面朝上的次数,假设每次抛掷是独立的,令 $f(x)=\mathbb{P}(X=x)$ 是其质量函数(mass function),则其展开如下:

$f(x)=\left\{\begin{matrix} \binom{n}{x}p^x(1-p)^{n-x} & x=0,...n\\ 0 & otherwise \end{matrix}\right.$

有这种质量函数的随机变量,我们称之为二项随机变量,写作 $X\sim Binomial(n,p)$ .如果 $X_1\sim Binomial(n_1,p), X_2 \sim Binomial(n_2,p)$ ,那么 $X_1 + X_2 \sim Binomial(x_1+x_2,p)$

警告:让我们借此机会来防止一些易混淆点. X表示随机变量,x表示随机变量的具体取值;n和p是参数,即,固定的实数.参数p通常未知,必须从数据中得到,这也是统计推断的内容.在大多数统计模型中,同时存在随机变量和参数,不要将他们混淆了.

Geometirc Distribution(几何分布):如果X有如下的概率函数,则随机变量X服从参数为p的几何分布(geometric distribution),写作 $X \sim Geom(p)$ :

$\mathbb{P}(X=k)=p(1-p)^{k-1},k \geq 1$

我们可得:

$\sum_{k=1}^{\infty}P(X=k)= p\sum_{k=1}^{\infty}(1-p)^k=\frac{p}{1-(1-p)}=1$

将X视为抛硬币时,第一次出现正面所需的次数.

Possion Distribution(泊松分布):如果概率质量函数如下,则随机变量X服从参数为λ的泊松分布.写作: $X\sim Poisson( \lambda )$ :

$f(x)=e^{- \lambda } \frac{\lambda ^ x}{x!}, x \geq 0$

注意:

$\sum_{x=0}^{\infty}f(x)=e^{-\lambda}\sum_{x=0}^{\infty}\frac{\lambda^x}{x!}=e^{-\lambda}e^{\lambda}=1$

泊松分布经常用来作为稀有事件的模型,如辐射衰减,交通事故.如果 $X_1 \sim Poisson(\lambda_1),X_2 \sim Poisson(\lambda_2)$ 那么 $X_1+X_2 \sim Poisson(\lambda_1+\lambda_2)$

警告:我们将随机变量定义为:一种从样本空间Ω到实数R上的一种映射,但在上面的分布中我们没有提及样本空间.正如我们早期提到过的,样本空间经常"消失",但它依然存在于背后.让我们来显式的构建一个伯努利随机变量,令Ω=[0,1],并定义P满足P([a,b])=b-a,其中 0 <= a <= b <= 1.取p为[0,1]上的定值,定义:

$X(\omega )=\left\{\begin{matrix} 1 & \omega \leq p\\ 0 & \omega > p \end{matrix}\right.$

那么,P(X=1)=P(ω<=p)=P([0,p])=p且P(X=0)=1-p.因此X服从伯努利分布,写作 $X\sim Bernoulli(p)$ .我们不会为上面所有的分布都进行这样的操作.事实上,我们将随机变量视为随机数,但从形式上看,它是一种定义在样本空间中的映射.

2.4 一些重要的连续随机变量

Uniform Distribution(均匀分布):如果X有如下的概率密度函数,则X满足均匀分布,写作 $X \sim Uniform (a,b)$ :

$f(x)=\left\{\begin{matrix} \frac{1}{b-a} & x \in [a,b]\\ 0 & otherwise \end{matrix}\right.$

$F(x)=\left\{\begin{matrix} 0 & x < a\\ \frac{x-a}{b-a} & x \in [a,b]\\ 1 & x>b \end{matrix}\right.$

Normal(Gaussian) Distribution(正态分布,或者高斯分布):如果概率密度函数满足如下,则X满足参数μ和σ的正态分布(Normal Distribution)

$f(x)=\frac{1}{\sigma \sqrt{2\pi}} exp\left \{ -\frac{1}{2\sigma^2}(x-\mu )^2 \right \}$

此处,μ 是实数R, σ > 0.

参数μ是分布的中心(或均值),σ是分布的离散程度(或标准差).(均值和标准差将会在下一章进行定义).正态分布在概率论和统计学中扮演了重要的角色.自然界中的许多现象也近似于正态分布.在后面我们会学习中心极限定理(Center Limit Theorem),该定理表明,随机变量之和的分布可以近似于正态分布.

如果μ=0,σ=1,则称之为标准正态分布(standard Normal distribution).传统规定,标准正太随机变量用Z表示,而其PDF和CDF用 $\phi (z)$ 和 $\Phi (z)$ 表示.PDF图像如下:

下面给出一些有用的结论:

如果 $X\sim N(\mu,\sigma^2)$ ,那么 $Z=(X-\mu)/\sigma \sim N(0,1)$
如果 $Z \sim N(0,1)$ ,那么 $X=\mu+\sigma Z \sim N(\mu,\sigma ^2)$
如果 $X_i \sim N(\mu_i,\sigma_i^2)$ ,i=1,...n是独立的,那么 $\overset{n}{\underset{i=1}\sum}X_i \sim N\left ( \overset{n}{\underset{i=1}\sum}\mu_i,\overset{n}{\underset{i=1}\sum}\sigma_i^2 \right )$

从1可以推到出:

$P(a < x < b) =P(\frac{a-\mu}{\sigma} < Z < \frac{b-\mu}{\sigma}) = \Phi (\frac{b-\mu}{\sigma}) - \Phi(\frac{a-\mu}{\sigma})$

因此,只要我们可以计算标准正态的CDF,就可以计算任何概率.所有的统计计算包,都能计算 $\Phi(z)$ 和 $\Phi^{-1}(q)$ .大多数的统计学教材,包括本书,都有一个 $\Phi(z)$ 值表

2.17 例子

假定 $X \sim N(3,5)$ ,求 $\mathbb{P}(X>1)$ .解决思路是:

现在求 $q=\Phi^{-1}(0.2)$ ,这个意味着,我们需要求出q,满足P(X

$0.2=P(X < q)\\=P(Z<\frac{q-\mu}{\sigma}) \\=\Phi(\frac{q-\mu}{\sigma})$

从标准表中, $\Phi(-0.8416)=0.2$ .因此, $-0.8416=\frac{1-\mu}{\sigma}=\frac{q-3}{\sqrt{5}}$ 得q=1.1181

Exponential Distribution(指数分布):如果概率密度函数满足如下,则X满足参数为β的指数分布(Exponential Distribution),写作: $X \sim Exp(\beta)$

$f(x)=\frac{1}{\beta}e^{-\frac{x}{\beta}},x>0,\beta > 0$

指数分布被用作建模电子元器件的生命周期,以及稀有事件之间的等待时间

Gamma Distribution(伽马分布):对于α>0,伽马函数(gamma function)定义为: $\Gamma(\alpha)=\int_0^\infty y^{\alpha-1} e^y dy$ .如果概率密度函数满足如下,则称X满足参数为α和β的伽马分布(gamma distribution),写作: $X\sim Gamma(\alpha,\beta)$

$f(x)=\frac{1}{\beta^\alpha \Gamma(\alpha)}x^{\alpha - 1}e^{-x/\beta},\alpha > 0,\beta > 0$

指数分布(Exponential Distribution)就是Gamma(1,β)分布.如果 $X_i\sim Gamma(\alpha_i,\beta)$ 是独立分布的,那么满足 $\sum_{i=1}^nX_i \sim Gamma(\sum_{i=1}^n \alpha_i,\beta)$

Beta Distribution(贝塔分布):如果f(x)满足如下条件,则X满足参数为α>0,β>0的贝塔分布(beta distribution),写作: $X \sim Beta(\alpha,\beta)$ :

$f(x)=\frac{\Gamma(\alpha+\beta)}{\Gamma(\alpha)\Gamma(\beta)}x^{\alpha-1}(1-x)^{\beta-1},0 < x <1$

t and Cauchy Distribution(t和柯西分布):如果f(x)满足如下条件,则称X满足自由度为v的t分布,写作: $X \sim t_v$ :

$f(x)=\frac{\Gamma(\frac{v+1}{2})}{\Gamma(\frac{v}{2})}\frac{1}{{(1+\frac{x^2}{v})}^{(v+1)/2}}$

t分布类似于正态分布,但其有更厚的尾部.事实上,正态分布对应于自由度v=∞的t分布 .而柯西分布则对应于v=1的t分布.概率密度函数为:

$f(x)=\frac{1}{\pi(1+x^2)}$

为了弄明白这确实是一个密度函数,对齐其积分得:

$\int_{-\infty}^\infty f(x) dx\\= \frac{1}{\pi}\int \frac{dx}{1+x^2} \\= \frac{1}{\pi}\int \frac{dtan^{-1}x}{dx}\\=\frac{1}{\pi}[tan^{-1}(\infty)-tan^{-1}(-\infty)]\\=\frac{1}{\pi}[\frac{\pi}{2}-(-\frac{\pi}{2})]=1$

$\chi ^2$ distribution(卡方分布):如果f(x)满足如下,则成X为自由度p个自由度的卡方分布(χ^2 distribution),写作: $X \sim \chi_p^2$

$f(x)=\frac{1}{\Gamma(p/2)2^{p/2}}x^{(p/2)-1}e^{-x/2},x>0$

如果Z1,Z2,...Zp是独立的标准正态随机变量,那么有 $\sum_{i=1}^p Z_i^2 \sim \chi_p^2$

2.5 二维分布(Bivariate Distributions)

给定一组离散的随机变量X和Y,定义联合质量函数(joint mass function)为: $f(x,y)=\mathbb{P}(X=x \ and\ Y = y)$ ,从现在开始,将 $\mathbb{P}(X=x \ and \ Y=y)$ 写成 $\mathbb{P}=(X=x,Y=y)$ .当需要更加复杂的式子时,将 $f_{x,y}$ 直接写成

2.18 例子

此处有两个随机变量X和Y的二维分布,他们的取值为0或1

	Y=0	Y=1
X=0	1/9	2/9	1/3
X=1	2/9	4/9	2/3
	1/3	2/3

因此,f(1,1)=P(X=1,Y=1)=4/9

2.19 二维随机变量的PDF定义

在连续情况下,如果满足下面三个条件,则称函数f(x,y)是变量(X,Y)的PDF

对于所有的,有 $f(x,y)\geq 0$
$\int_{-\infty}^\infty\int_{-\infty}^\infty f(x,y)dx dy = 1$ 并且
对于任意集合 $A \subset \mathbb{R} \times \mathbb{R}$ ,有 $\mathbb{P}((X,Y) \subset A)=\int\int_A f(x,y)dxdy$

在离散和连续的情况下,我们定义联合CDF为 $F_{X,Y}(x,y)=P(X\leq x,Y\leq y)$

2.20 例子

假设(X,Y)在单位正方形内是均匀的,那么有:

$f(x,y)=\left\{\begin{matrix} 1 & 0 \leq x \leq 1, 0\leq y \leq 1\\ 0 & otherwise \end{matrix}\right.$

求P(X<1/2,Y<1/2).

事件A={X<1/2,Y<1/2}对应于单位正方形的一个子集.在这种情况下,对f在这个子集上求积分.求出A的面积为1/4.所以P(X<1/2,Y<1/2)=1/4

2.21 例子

设(X,Y)有下面的概率密度函数:

$f(x,y)=\left\{\begin{matrix} x+y & 0 \leq x \leq 1, 0 \leq y \leq 1, \\ 0 & otherwise \end{matrix}\right.$

那么可得:

此时,可证f(x,y)为PDF

2.22 例子

如果分布被定义在一个非矩形区域,那么计算将会有点复杂.此处有一个例子,引用至DeGroot and Schervish(2002).假设(X,Y)有下面的密度函数:

$f(x,y)=\left\{\begin{matrix} cx^2y & x^2 \leq y \leq 1 \\ 0& otherwise \end{matrix}\right.$

请注意, $-1 \leq x \leq 1$ .现在让我们来求c的值.

这里的关键是要注意积分得范围.我们选择一个变量，比如 x，然后让它在其取值范围内变化。然后，对于每个固定的 x 值，我们让 y 在其范围内变化，即 x^2 ≤ y ≤ 1。如果你查看下图,则可能会对你有所帮助

因此因此c=21/4

现在让我们来计算P(X>=Y),这个对应的集合为:A={(x,y);0<=x<=1,x^2<=y<=x}因此

2.6 边缘分布(Marginal Distributions)

2.23 定义

如果(X,Y)满足联合分布,且其质量函数为 $f_{x,y}$ .那么对于x的边缘质量函数(marginal mass function)被定义为:

$f_X(x)=P(X=x)=\underset{y}\sum P(X=x,Y=y)=\underset{y}\sum f(x,y)$

对于y的边缘质量函数(marginal mass function)被定义为:

$f_Y(y)=P(Y=y)=\underset{x}\sum P(X=x,Y=y)=\underset{x}\sum f(x,y)$

2.24 例子

假如 $f_{x,y}$ 由下表给出.对于X的边缘分布,则是行的总和,对于Y的边缘分布则是列的总和

	Y=0	Y=1
X=0	1/10	2/10	3/10
X=1	3/10	4/10	7/10
	4/10	6/10

可得 ,

2.25 定义

对于连续随机变量,边缘密度函数(marginal density function)被定义为:

$f_X(x)=\int f(x,y)dy , f_Y(y)=\int f(x,y)dx$

则对应的边缘分布函数,由表示

2.26 例子

假定 $f_{X,Y}(x,y)=e^{-(x+y)}\ \ \ x,y\geq0$ ,那么 $f_X(x)=e^{-x}\int_0^\infty e^{-y}dy = e^{-x}$

2.27 例子

假如: $f(x,y)=\left\{\begin{matrix} x+y & 0 \leq x \leq 1,0 \leq y \leq 1\\ 0 & otherwise \end{matrix}\right.$ ,那么可得

$f_Y(y)=\int_0^1(x+y)dx=\int_0^1 xdx+\int_0^1ydx=\frac{1}{2}+y$

2.28 例子

令(X,Y)有如下的密度函数

$f(x,y)=\left\{\begin{matrix} \frac{21}{4}x^2y & x^2 \leq y \leq 1\\ 0 & otherwise \end{matrix}\right.$

因此,可得

$f_X(x)=\int f(x,y)dy = \frac{21}{4}x^2\int_{x^2}^1ydy=\frac{21}{8}x^2(1-x^4)$

2.7 独立随机变量 (Independent Random Variable)

2.29 定义

有两个随机变量X和Y,若对于所有A和B,有 $\mathbb{P}(X \in A,Y \in B)=\mathbb{P}(X \in A)\mathbb{P}(Y \in B)$ ,那么我们就说X和Y独立.写作 $X \coprod Y$ .反之,则称X和Y相关,写作,如下(贴图)

原则上,要检查X和Y是否独立,我们需要根据定义中的式子来检查所有的A,B子集.但幸运的是,我们有下面的结论可以使用,尽管这些结论是用连续的随机变量表述,但它也适用于离散随机变量

2.30 定理(Theorem)

假设X和Y有联合PDF $f_{x,y}$ ,当且仅当 $f_{X,Y}(x,y)=f_X(x)f_Y(y)$ 对于所有x和y成立时,那么 $X \coprod Y$

2.31 例子

设X,Y有下面的分布

	Y=0	Y=1
X=0	1/4	1/4	1/2
X=1	1/4	1/4	1/2
	1/2	1/2	1

那么,且.X和Y是独立的,因为,,,.

假如X,Y有下面的分布

	Y=0	Y=1
X=0	1/2	0	1/2
X=1	0	1/2	1/2
	1/2	1/2	1

那么X和Y不是独立的,因为但

2.32 例子

假定X和Y是独立的,并且有相同的密度函数,如下:

$f(x)=\left\{\begin{matrix} 2x & 0 \leq x \leq 1\\ 0 & otherwise \end{matrix}\right.$ .

让我们来求 $\mathbb{P}(X+Y \leq 1)$ .使用独立性,那么联合密度函数就为:

$f(x,y)=f_X(x)f_Y(y)=\left\{\begin{matrix} 4xy & 0 \leq x \leq 1, 0\leq y\leq 1\\ 0 & ,otherwise \end{matrix}\right.$

得:

下面的结论有助于验证独立

2.33 定理

假定X和Y的范围是一个矩形(可能是无界的),如果对于函数g和h(不一定是概率密度函数),满足,那么X和Y是独立的.

2.34 例子

令X和Y有下面的密度函数:

$f(x,y)=\left\{\begin{matrix} 2e^{-(x+2y)} & ,x> 0,y>0 \\ 0 & ,otherwise \end{matrix}\right.$

X和Y的范围是一个矩形 $(0,\infty)\times (0 ,\infty)$ ,还可以将f(x,y)写成f(x,y)=g(x)h(y).其中, $g(x)=2e^{-x}$ , $h(y)=e^{-2y}$ .因此 $X \coprod Y$

2.8 条件分布(Conditional Distribution)

如果X和Y是离散的,那么我们可以计算在Y=y情况下的X的条件分布.具体来说 $\mathbb{P}(X=x|Y=y)=P(X=x,Y=y)/\mathbb{P}(Y=y)$ ,这使我们定义条件概率质量函数如下

2.35 条件概率质量函数(conditional probability mass function)定义

如果,条件概率质量函数定义如下:

$f_{X|Y}(x|y)=P(X=x|Y=y)=\frac{P(X=x,Y=y)}{P(Y=y)}=\frac{f_{X,Y}(x,y)}{f_Y(y)}$

对于连续分布,我们使用相同的定义.解释的不同则为:在离散情况下条件概率质量函数,就是条件概率 $f_{X|Y}(x|y)=P(X=x|Y=y)$ .而对于连续情况下,就必须进行积分求得概率.

2.36 条件概率密度函数(conditional probability density function)定义

对于连续的随机变量,条件概率密度函数(conditional probability density function)定义如下:假如,

$f_{X|Y}(x|y)=\frac{f_{X,Y}(x,y)}{f_Y(y)}$

那么,概率则为:

$P(X\in A | Y = y) = \int_A f_{X|Y}(x|y)dx$

2.37 例子

假设X和Y,在单位正方形上有一个联合均匀分布(joint uniform distribution).因此在 $0 \leq x \leq 1$ 下, $f_{X|Y}(x|y)=1$ .在其他地方则为0.给定Y=y的情况下,X就是Uniform(0,1)分布.我们可以写作: $X|Y=y \sim Uniform(0,1)$

从条件密度的定义可得: $f_{X,Y}(x,y)=f_{X|Y}(x|y)f_Y(y)=f_{Y|X}(y|x)f_X(x)$ .这在某些情况下非常有用,如2.39 例子

2.38 例子

设: $f(x,y)=\left\{\begin{matrix} x+y & 0 \leq x \leq 1 , 0 \leq y \leq 1\\ 0 & otherwise \end{matrix}\right.$ .求 $\mathbb{P}(X<1/4|Y=1/3)$

在2.27例子中,可得.因此:

$f_{X|Y}(x|y)=\frac{f_{X,Y}(x,y)}{f_Y(y)}=\frac{x+y}{y+\frac{1}{2}}$

所以,

$\mathbb{P}(X<\frac{1}{4}|Y=\frac{1}{3})\\\\=\int_0^{1/4}f_{X|Y}(x|\frac{1}{3})dx\\\\=\int_0^{1/4}\frac{x+\frac{1}{3}}{\frac{1}{3}+\frac{1}{2}}dx\\\\=\frac{\frac{1}{32}+\frac{1}{12}}{\frac{1}{3}+\frac{1}{2}}\\\\=\frac{11}{80}$

2.39 例子

假如X服从 $X \sim Uniform(0,1)$ .在获得X值之后,产生的Y服从 $Y|X=x \sim Uniform(x,1)$ .那么Y的边缘分布函数是什么?

首先, $f_X(x)=\left\{\begin{matrix} 1 & ,0\leq x \leq 1\\ 0 & ,otherwise \end{matrix}\right.$ ,且 $f_{Y|X}(y|x)=\left\{\begin{matrix} \frac{1}{1-x} & , 0 < x< y< 1\\ 0 & ,otherwise \end{matrix}\right.$ 因此得

$f_{X,Y}(x,y)=f_{Y|X}(y|x)f_X(x)=\left\{\begin{matrix} \frac{1}{1-x} & ,0<x<y<1\\ o & ,otherwise \end{matrix}\right.$

则Y的边缘密度函数为:

$f_Y(y)=\int_0^y f_{X,Y}(x,y)dx=\int_0^y \frac{dx}{1-x}dx = - \int_1^{1-y}\frac{du}{u}=-log(1-y)$ ,其中

2.40 例子

思考例子2.28中的密度函数,求 $f_{Y|X}(y|x)$ .

当X=x,y必须满足 $x^2 \leq y \leq 1$ .在前面,求出了.因此对于 $x^2 \leq y \leq 1$ ,则有:

$f_{Y|X}(y|x)=\frac{f(x,y)}{f_X{x}}=\frac{(21/4)x^2y}{(21/8)x^2(1-x^4)}=\frac{2y}{1-x^4}$

现在求 $\mathbb{P}(Y\geq 3/4 |X = 1/2)=\int_{3/4}^1f(y|1/2)dy=\int_{3/4}^1\frac{32y}{5}dy=\frac{7}{15}$

2.9 多维分布和独立同步分布(Multivariate Distributions And IID)

令X=(X1,X2...Xn),这里的X1,X2..Xn都是随机变量(Random Variables),称X为随机向量(Random Vector).令是其PDF.可以定义他们的边缘分布,条件分布,其大多于二维的情况类似.

如果对于每一个A1,A2,...An,有 $\mathbb{P}(X_1 \in A_1,X_2 \in A2....X_n \in A_n)= \overset{n}{\underset{i=1}{\prod}}\mathbb{P}(X_i \in A_i)$ ,则X1,X2...Xn是独立的.通过检查 $f(x_1,x_2,...x_n)=\overset{n}{\underset{i=1}{\prod }}f_{X_i}(x_i)$ 即可.

2.41 IID定义

如果X1,X2,....Xn相互独立的,且有相同的累积分布函数(CDF)F,我们就说X1,X2,...Xn是独立同步分布(independent and identically distributed)写作: $X_1,...X_n \sim F$ .

如果F的密度函数为f,也可以写作 $X_1,..X_n \sim f$ .我们也称X1,...Xn是来自于F的n个随机样本(random sample of size n from F)

统计学理论和实践的大部分内容都以独立同分布（IID）的观测数据为基础，当我们讨论统计学时，我们将详细研究这种情况。

2.10 两个重要的多维分布

Multinomial (多项分布):二项分布的多维版本就称为多维分布.考虑从装有k个不同颜色的盒子中,抽取1个小球.这些小球上标有:"color1,color2....colork".令p=(p1,...pk),其中pj>=0,且 $\sum_{j=1}^kp_j=1$ ,设pj是抽中小球颜色为j的概率.抽n次(有放回的独立抽样)且令X=(X1,X2..Xk)其中Xj表示颜色j出现的次数.因此 $n=\sum_{j=1}^kX_j$ .此时我们就说X满足Multinomial(n,p)分布,写作: $X \sim Multnomial(n,p)$ .对应的概率函数为:

$f(x)=\binom{n}{x_1...x_k}p_1^{x_1}...p_k^{x_k}$

其中, $\binom{n}{x_1...x_k}=\frac{n!}{x_1!...x_k!}$

2.42 引理

假如 $X \sim Multinomial(n,p)$ ,其中X=(X1,X2..Xk),p=(p1,p2...pk).Xj的边缘分布就是Binomial(n,pj)分布

Multivariate Normal(多维正态分布或者多元正态分布):一维正态分布有两个参数,μ和σ.在多维的版本中,μ是一个向量,σ则是一个矩阵Σ.

现在令

$Z=\begin{pmatrix} Z_1\\ \vdots \\ Z_k \end{pmatrix}$

其中, $Z_1...Z_k \sim N(0,1)$ 且相互独立.则Z的密度函数为:

$f(z)=\overset{k}{\underset{i}{\prod }}f(z_i)=\frac{1}{(2\pi)^{k/2}}exp\left \{ -\frac{1}{2} \overset{k}{\underset{i}{\sum}} z_j^2\right \}\\\\=\frac{1}{(2\pi)^{k/2}}exp\left \{ -\frac{1}{2}z^Tz \right \}$

我们就说Z符合标准的多元正态分布,写作: $Z\sim N(0,I)$ ,其中,0表示有k个0元素的向量. 大写的I表示 $k\times k$ 的单位矩阵.

更一般的,如果向量X有下面的密度函数,则X是一个多维的正态分布向量,记作: $X \sim N(\mu,\Sigma)$

$f(x;\mu,\Sigma)=\frac{1}{(2\pi)^{k/2}|(\Sigma)|^{1/2}}exp\left \{ -\frac{1}{2} (x-\mu)^T \Sigma^{-1}(x-\mu)\right \}$

其中 $|\Sigma|$ 表示Σ的行列式.μ是一个长度为k的向量.Σ是一个 $k\times k$ 对称的正定矩阵. 如果μ=0,Σ=I,则变成了标准多维正态分布

因为Σ是对称,正定矩阵.因此存在一个矩阵 $\Sigma^{1/2}$ ----称为Σ的平方根----满足下面的性质:

$\Sigma^{1/2}$ 也是对称的
$\Sigma=\Sigma^{1/2}\Sigma^{1/2}$
$\Sigma^{1/2}\Sigma^{-1/2}=\Sigma^{-1/2}\Sigma^{1/2}=I$ ,其中 $\Sigma^{-1/2}=(\Sigma^{1/2})^{-1}$

2.43 定理

如果 $Z \sim N(0,I)$ 并且 $X=\mu+\Sigma^{1/2}Z$ ,那么 $X\sim N(\mu,\Sigma)$ 反之,如果 $X \sim N(\mu,\Sigma)$ 那么 $\Sigma^{-1/2}(X-\mu) \sim N(0,I)$

假定将随机正态向量X分成X=(Xa,Xb)那么可以将μ写成μ=(μa,μb),Σ写成 $\Sigma=\begin{pmatrix} \Sigma_{aa} & \Sigma_{ab}\\ \Sigma_{ba} & \Sigma_{bb} \end{pmatrix}$

2.44 定理

设 $X \sim N(\mu,\Sigma)$ ,那么

Xa的边缘分布满足: $X_a \sim N(\mu_a,\Sigma_{aa})$
Xa=xa条件下的Xb的条件分布为: $X_b|X_a=x_a \sim N(\mu_b+\Sigma_{ba}\Sigma_{aa}^{-1}(x_a-\mu_a),\Sigma_{bb}-\Sigma_{ba}\Sigma_{aa}^{-1}\Sigma_{ab})$
如果a是一个向量,那么 $a^TX \sim N(a^T\mu,a^T\Sigma a)$
$V=(X-\mu)^T\Sigma^{-1}(X-\mu) \sim \chi _k^2$

2.11 随机变量的转换

假如X是CDF为,PDF为的随机变量.令是关于X的函数.例如,或者.我们称为X的转换.那么我们怎么计算Y的PDF和CDF呢?在离散情况下,答案非常容易.Y的质量函数如下:

$f_Y(y)=\mathbb{P}(Y=y)=\mathbb{P}(r(X)=y)=\mathbb{P}(\left \{ x;r(x)=y \right \})\\\\=\mathbb{P}(X \in r^{-1}(y))$

2.45 例子

假如P(X=-1)=P(X=1)=1/4 ,P(X=0)=1/2.令Y=X^2.那么P(Y=0)=P(X=0)=1/2,P(Y=1)=P(X=1)+P(X=-1)=1/2.如下:

x
-1	1/4
0	1/2
1	1/4

y
0	1/2
1	1/2

Y的取值比X的取值少,这是因为这种转换不是一对一的.

而对于连续情况就比较复杂了,这儿有下面三个步骤去求

对于每一个y,找到集合 $A_y=\left \{ x;r(x) \leq y \right \}$
再求出CDF:

$F_Y(y)=P(Y\leq y)=P(r(X) \leq y)=P(\left \{ x;r(x) \leq y \right \})\\\\=\int_{A_y}f_X(x)dx$

3. PDF就为CDF的导数: $f_Y(y)={F_Y}'(y)$

2.46 例子

令 $f_X(x)=e^{-x}$ ,x>0.因此 $F_X(x)=\int_0^x f_X(s)ds= 1- e^{-1}$ .设.那么 $A_y=\left \{ x:x \leq e^y \right \}$ 那么

$F_Y(y)=P(Y \leq y)=P(logX \leq y)=P(X \leq e^y)=F_x(e^y)=1-e^{-{e^y}}$

因此 $f_Y(y)=e^ye^{-e^y},y \in \mathbb{R}$

2.47 例子

设 $X \sim Uniform(-1,3)$ ,求的PDF.X的密度函数为:

$f_X(x)=\left\{\begin{matrix} 1/4 & , -1 < x< 3\\ 0 & ,otherwise \end{matrix}\right.$

Y仅可取(0,9)之间的值,考虑两种情况:第一种, 0

对于第一种情况, $A_y=[-\sqrt{y},\sqrt{y}]$ . $F_Y(y)=\int_{A_y}f_X(x)dx=(1/2)\sqrt{y}$

对于第二种情况, $A_y=[-1,\sqrt{y}]$ , $F_Y(y)=\int_{A_y}f_X(x)dx=(1/4)(\sqrt{y}+1)$

对F求导得:

$f_Y(y)=\left\{\begin{matrix} \frac{1}{4\sqrt{y}} &, 0 < y< 1\\ \frac{1}{8\sqrt{y}} & , 1<y<9\\ 0 & ,otherwise \end{matrix}\right.$

当r是严格的单调递增,或者单调递减,那么r有其反函数, $s=r^{-1}$ ,在这种情况密度函数可以表示为:

$f_Y(y)=f_X(s(y))|\frac{ds(y)}{dy}|$

2.12 多个随机变量的转换

在某些情况下,我们对多个随机变量的转换感兴趣.例如,如果X和Y是给定的随机变量.我们可能像知道X/Y,X+Y,max{X,Y}的分布.令Z=r(X,Y)为我们感兴趣的函数.那么求的步骤和前面的类似:

对于每一个z,找到集合 $A_z=\left \{ (x,y) :r(x,y) \leq z\right \}$
求出CDF:

$F_Z(z)=P(Z \leq z)=P(r(X,Y) \leq z)=P(\left \{ (x,y):r(x,y) \leq z \right \})\\\\=\int\int_{A_z}f_{X,Y}(x,y)dxdy$

3. 然后对其求导; $f_Z(z)={F_Z}'(z)$

2.48 例子

设 $X_1,X_1 \sim Unifrom(0,1)$ 且独立.求的密度函数

(X1,X2)的联合密度函数为:

$f(x_1,x_2)=\left\{\begin{matrix} 1 &\ 0 \leq x \leq 1,0 \leq y \leq 1\\ 0 & otherwise \end{matrix}\right.$

令,得:

$F_Y(y)=P(Y \leq y)=P(r(X_1,X_2) \leq y)=P(\left \{ (x_1,x_2);r(x_1,x_2) \leq y \right \}) \\\\=\int\int_{A_y}f(x_1,x_2)dx_1dx_2$

现在来到了困难的部分:求出.

首先假设 $0 < y \leq 1$ ,那么就是(0,0),(y,0),(0,y)围成的三角形.如下图

在此种情况下, $\int\int_{A_y}f(x_1,x_2)dx_1dx_2$ 是三角形的面积为

再假设,那么就是除了(1, y - 1), (1, 1), (y - 1,1)围成三角形以外的所有区域.这部分面积为.因此

$F_Y(y)=\left\{\begin{matrix} 0 & ,y <0\\ \frac{y^2}{2} & , 0 \leq y < 1\\ 1- \frac{(2-y)^2}{2} & ,1 \leq y < 2\\ 1 & ,y \geq 2 \end{matrix}\right.$

对其求导,得PDF

$f_Y(y)=\left\{\begin{matrix} y &,0 \leq y \leq 1 \\ 2-y & ,1 \leq y \leq 2\\ 0 & ,otherwise \end{matrix}\right.$

本章完

未翻译:附录,课后作业

你可能感兴趣的:(机器学习之统计学,随机变量,CDF,PDF,二维CDF,多维CDF,二维分布,边缘分布)

大模型时代的知识焦虑机载软件与适航机器学习-建模算法-代理模型人工智能大数据
引言：浪潮之巅，焦虑暗涌大模型时代已经浩荡而来，如同奔腾的浪潮，以令人惊叹的速度重塑着世界的面貌。从智能客服的温声细语，到AI绘画的妙笔生花，再到自动驾驶的日趋成熟，大型语言模型、图像模型等人工智能技术以前所未有的姿态，渗透进我们生活的方方面面。信息获取前所未有的便捷，知识创造空前高效，人机交互焕然一新，一个充满无限可能的智能化未来似乎触手可及。然而，在这令人眼花缭乱的技术盛景之下，一股无形的焦虑
【Leetcode刷题随笔】59 螺旋矩阵 Poor_DayDreamer leetcode数组篇 Medium Tag leetcode 矩阵算法
1.题目描述给定一个正整数n，生成一个包含1到n2所有元素，且元素按顺时针顺序螺旋排列的nxn正方形矩阵matrix。可结合以下原题链接阅读。原题链接：59螺旋矩阵2.解题思路本题为模拟矩阵填充过程，不需要设计算法，只要完成正确的填充过程即可。首先初始化一个nxn的二维矩阵（涉及到动态内存分配），从矩阵左上角开始往顺时针填充，关键在于填充的转角处不要重复填充，所以对于每条边都要遵循严格的统一规则，
详细介绍 Jupyter nbconvert 工具及其用法：如何将 Notebook 转换为 Python 脚本源代码杀手 python使用技巧 python jupyter ide
nbconvert是Jupyter提供的一个非常强大的工具，允许用户将JupyterNotebook文件（.ipynb）转换成多种格式，包括Python脚本（.py）、HTML、PDF、LaTeX等。你可以通过命令行来运行nbconvert，也可以在JupyterNotebook中通过一些自定义的设置来实现转换。安装nbconvert通常情况下，nbconvert会随Jupyter一起安装，因此不
Starrocks 命令 Alter table DISTRIBUTED 重分布数据的实现鸿乃江边鸟大数据 StarRocks starrocks 大数据
背景在前文Starrocks写入报错primarykeymemoryusageexceedsthelimit中，可以通过ALTERTABLExxxxDISTRIBUTEDBYHASH(xx)BUCKETS50;来改变数据的分布状态,具体的执行过程是怎么样的呢？分析首先对应的g4文件中为alterTableStatement，这里最终的调用是AlterJobExecutor.visitAlterTa
## PCDN中的网络拥塞控制技术探讨 yczykjyxgs pcdn 网络智能路由器
随着互联网视频流量的爆发式增长，传统CDN面临着成本高、扩展性差等挑战。P2PCDN（PCDN）作为一种新兴的内容分发网络架构，通过利用边缘节点的闲置带宽和存储资源，有效降低了内容分发成本，并提升了网络扩展性。然而，PCDN中节点动态性强、网络环境复杂，传统的网络拥塞控制技术难以直接适用，因此需要针对PCDN的特点设计新的拥塞控制机制。PCDN网络拥塞控制面临的挑战1.节点异构性:PCDN节点性能
近期计算机领域的热点技术 0dayNu1L 云计算量子计算人工智能
随着科技的飞速发展，计算机领域的新技术、新趋势层出不穷。本文将探讨近期计算机领域的几个热点技术趋势，并对它们进行简要的分析和展望。一、人工智能与机器学习人工智能（AI）和机器学习（ML）是近年来计算机领域最为热门的话题之一。AI和ML技术已经广泛应用于图像识别、自然语言处理、智能推荐等领域，并取得了显著的成果。随着技术的不断进步，AI和ML将更深入地渗透到各个行业，为人类社会带来更多便利和效益。在
DevOps中集成自动化测试的具体案例 Zachary AI CICD相关 devops 运维
在DevOps中集成自动化测试的具体案例可以从多个角度进行分析，包括金融行业、分布式系统、大型企业等不同领域的实践。以下是几个具体的案例：金融行业的DevOps实践：在金融行业中，DevOps被广泛应用于提升软件开发和运营的效率。例如，通过解析后台接口代码日志格式，自动化生成接口测试案例，解决了接口自动化测试过程中各交易输入值难以确定的问题，从而提高了接口测试效率[14]。此外，农行手机银行系统存
使用python seaborn创建配对图：从核心概念到实战案例梦想画家数据分析工程 #python 人工智能 python 机器学习
Seaborn的配对图（Pairplot）是一种用于探索多变量数据关系的可视化工具，尤其适合分析数据集中多个特征之间的相关性、分布模式或异常值。本文介绍如何生成数据集数值变量之间的配对图，并通过参数设置色系。配对图的核心作用矩阵式可视化生成一个N×N的网格图（N为特征数），每个单元格展示两列特征之间的关系。默认对角线显示单变量分布（直方图或KDE曲线），非对角线显示散点图或其他关系图。快速发现模式
数学领域的跨时代进化与升级：从公理化到智能化的破茧之路夏末之花算法
作者：夏末之花|发布时间：2025-03-16|阅读量：10万+|点赞数：5.6万引言：数学的“破茧时刻”与文明跃迁人类历史上，数学的每一次重大突破都像一次“破茧时刻”，推动文明跨越式发展。从古希腊的几何公理化到牛顿的微积分，再到20世纪的计算机理论，数学始终是科学革命的基石。而在21世纪的今天，随着量子计算、人工智能、生物信息等技术的爆发，数学正迎来新一轮的进化与升级——从纯粹的逻辑工具，演变为
大话C++之：左右值引用和std::move Kelvin7_Feng c++
大话C++之：左右值引用和std::move什么是左值和右值什么是左值引用和右值引用std::move的应用场景在C++11引入右值引用后，一直对其使用缺乏深入理解，特别是结合std::move移动语义。恰逢最近工作里有相关优化代码使用到，可以趁机会重新学习，加深理解。什么是左值和右值从命名来理解，既然命名区分左右，左右值是相对于赋值号“=”来作锚点。左值(LValue)：可以位于等号左边，有持久
去中心化金融的风起与未来：从边缘创新到主流趋势 Echo_Wish 前沿技术人工智能 python 区块链开发语言
去中心化金融的风起与未来：从边缘创新到主流趋势在区块链技术的大潮中，去中心化金融（DeFi，DecentralizedFinance）以其革命性的理念彻底颠覆了传统金融世界的规则。DeFi的发展让普通用户得以无需依赖银行或中介机构就能在全球范围内转账、借贷、投资。然而，DeFi的光环背后也隐藏着种种挑战，未来将如何发展？本文从现状分析入手，并结合实际案例，带你展望其广阔前景。DeFi的现状：金融民
Python赋能区块链溯源系统：从技术实现到应用落地 Echo_Wish Python！实战！python 区块链开发语言
Python赋能区块链溯源系统：从技术实现到应用落地在供应链管理、食品安全、药品追踪等多个领域，产品的来源和流通过程正成为消费者和企业关注的重点。传统溯源系统往往缺乏数据透明性和不可篡改性，而区块链技术的引入解决了这些痛点，将溯源信息永久记录在分布式账本上，实现全流程可追溯。那么问题来了：如何用Python这把“瑞士军刀”构建一个高效的区块链溯源系统？本文将围绕这一主题，深入探讨Python在区块
本福特定律: 为什么银行存款、河流长度等集合的首位数字更容易出现 1 而不是 9？ go
银行存款、河流长度等数据的首位数字更容易出现1而不是9，这背后的数学原理是本福特定律（Benford'sLaw）。本福特定律的概述本福特定律（Benford'sLaw）又称首位数字定律，是一种描述自然生成数据中数字分布规律的统计学现象。该定律揭示了在多种实际数据集中，数字1-9作为首位数字出现的概率呈现特定规律性分布。数学表达式首位数字d出现的概率为：P(d)=log₁₀(1+1/d)，其中d∈{
K8S学习之基础三十六：node-exporter部署云上艺旅 K8S学习 kubernetes 学习贪心算法 prometheus 云原生
Prometheusv2.2.1编写yaml文件，包含创建ns、configmap、deployment、service#创建monitoring空间viprometheus-ns.yamlapiVersion:v1kind:Namespacemetadata:name:monitoring#创建SA并绑定权限kubectlcreateserviceaccountmonitor-nmonitori
【项目实战】Redis常见问题之缓存击穿、缓存穿透、缓存雪崩本本本添哥 004 -数据库 003 -中间件缓存 redis spring
Redis作为一款流行的内存数据存储系统，经常被用作缓存来提高应用的性能。然而，在使用Redis作为缓存时，可能会遇到一些问题，如缓存击穿、缓存穿透和缓存雪崩。这些问题可能导致系统性能下降甚至服务不可用。下面是对这三种常见问题的简要解释及解决方案，每种方案都有其适用场景与限制条件，在实际应用中需要根据具体情况选择最合适的方法来优化系统性能并保障稳定性。此外，合理的架构设计以及对业务逻辑的理解也是有
pdf转word 废材是怎么养成的 pdf java word
完了，新年第一天老婆喊我找个免费的转换软件帮她转一下dpf，我倒是找了些个在线免费转化的，也找了些免费的软件但是不是现在页数就是需要开会员，要么就限制大小，好吧，程序员嘛能省一块钱是一块钱,，能白嫖哎就白嫖下吧。新的一年希望祖国经济好起来,也预祝大家新年快乐，身体健康，万事如意。免费在线转:https://www.alltoall.net/pom插件、包引入、测试类，jar包通过网盘分享的文件：a
RAMS数据处理程序—垂直剖面分析程序 Hardess-god RAMS 人工智能算法
该程序的主要特点：使用Cartopy创建地图投影添加海岸线、国界线等地理要素绘制等值线图显示气象要素分布自动设置颜色标尺和标题支持不同层次的数据展示importmatplotlib.pyplotaspltdefplot_vertical_cross_section(data,start_lat,start_lon,end_lat,end_lon):"""绘制垂直剖面图"""#计算剖面线上的点num
组件化开发之02 cocoapods 远程私有库 dzb1060545231 iOS 开发专栏免费
上一讲我们讲到了如何创建本地私有仓库,关于远程私有库就是我们按照cocoapods的一些规范创建一个自己的私有索引文件库和一个自己的私有库代码仓库,私有索引库存放我们私有库的podspec索引文件,后边更改了私有库版本内容,就将私有库的podsepc文件提交到这个私有索引库仓库里.接下来我会具体的讲解如何去生成这样一个远程私有索引库仓库,方便公司内部开发人员去使用这个远程私有库.///这是笔者电脑
华为仓颉编程语言与医疗领域的深度融合：技术与实践想成为高手499 华为人工智能服务器
引言在数字化浪潮席卷全球的背景下，医疗行业的智能化转型已成为一种不可逆的趋势。从电子病历（EMR）、医疗影像分析，到远程手术和个性化健康管理，技术创新正在不断推动医疗领域的变革。然而，这一过程对底层技术提出了更高的要求：高效的计算性能、强大的硬件适配性、分布式计算能力以及生态系统的支持。华为推出的自研编程语言仓颉（Cangjie）正是在此背景下应运而生。仓颉语言以其高效、灵活和强大的硬件整合能力，
当现代教育技术遇上仓颉---探秘华为仓颉编程语言与未来教育技术的接轨想成为高手499 华为服务器 php
引言随着人工智能、物联网、区块链等新兴技术的发展，编程语言的需求也在不断演化。据市场研究机构发布的数据显示，全球编程语言市场规模预计在未来五年内将以每年10%的速度增长。此外，越来越多的企业和高校正在积极推动基于分布式系统和硬件优化的新型语言开发，这进一步表明对高性能编程语言的需求日益旺盛。近年来，华为推出了自研编程语言“仓颉”，以其高效的语法设计、灵活的语义表达能力和强大的跨平台适配性能引发了编
nginx性能优化有哪些方式？企鹅侠客 linux 面试 nginx 性能优化 php
0.运维干货分享软考高级系统架构设计师备考学习资料软考高级网络规划设计师备考学习资料KubernetesCKA认证学习资料分享信息安全管理体系（ISMS）制度模板分享免费文档翻译工具(支持word、pdf、ppt、excel)PuTTY中文版安装包MobaXterm中文版安装包pinginfoview网络诊断工具中文版Nginx是一个高性能的HTTP服务器和反向代理服务器，但在高并发场景下，仍然有
计算机专业毕业设计题目推荐（新颖选题）本科计算机科学专业相关毕业设计选题大全✅ 会写代码的羊毕设选题课程设计计算机网络毕设选题毕设系统毕设题目计算机科学专业
文章目录前言最新毕设选题（建议收藏起来）本科计算机科学专业相关的毕业设计选题毕设作品推荐前言2025全新毕业设计项目博主介绍：✌全网粉丝10W+,CSDN全栈领域优质创作者，博客之星、掘金/华为云/阿里云等平台优质作者。技术范围：SpringBoot、Vue、SSM、HLMT、Jsp、PHP、Nodejs、Python、爬虫、数据可视化、小程序、大数据、机器学习等设计与开发。主要内容：免费功能设计
FastAPI测试策略：参数解析单元测试 qcidyu 文章归档异常传播验证依赖注入测试请求模拟技术测试覆盖率优化 Pydantic验证测试单元测试策略参数解析测试
扫描二维码关注或者微信搜一搜：编程智域前端至全栈交流与成长探索数千个预构建的AI应用，开启你的下一个伟大创意第一章：核心测试方法论1.1三层测试体系架构#第一层：模型级测试deftest_user_model_validation():withpytest.raises(ValidationError):User(age=-5)#第二层：依赖项测试deftest_auth_dependency()
第六章第六节：C++STL之priority_queue（优先级队列）和仿函数快乐江湖队列 c++queue 优先级队列栈
pdf获取：7281文章目录一：priority_queue（优先级队列）（1）堆与堆排序（2）基本使用（3）“TOPK”问题（4）模拟实现二：仿函数（1）仿函数是什么（2）使用仿函数完成大顶堆和小顶堆的构建一：priority_queue（优先级队列）priority_queue（优先级队列）：在头文件中，除了基本的queue外，还有一个特殊的priority_queue，翻译过来是优先级队列的
python学习笔记之异常（内置标准异常总结） Molly_DD Python学习笔记 python 软件测试
python异常处理机制异常处理是python的一种高级工具，当异常发生时，程序会停止当前的所有工作，跳转到异常处理部分去执行。异常既可以是程序错误引发的，也可以由代码主动触发。异常处理基本结构try:可能引发异常的代码except异常类型名称：异常处理代码else：没有发生异常时执行的代码异常报错：try：classtest:defgetdata(self):returnself.datay=t
SQL语言的散点图苏墨瀚包罗万象 golang 开发语言后端
SQL语言的散点图引言在数据科学和数据分析的领域中，数据可视化是一项重要的技能。有效的数据可视化可以帮助我们理解复杂的数据集，发现数据中的潜在规律，进而支持决策制定。散点图作为一种基本而有效的数据可视化形式，广泛应用于各种领域。本文将深入探讨散点图的概念、使用场景、SQL查询与散点图的结合，以及如何通过SQL语言生成散点图。散点图的定义与特点散点图是一种二维图形，用来展示两个变量之间的关系。每个点
Wazuh: 一款超强大的威胁预防、检测安全平台！支持虚拟化、容器化和云环境保护开源项目精选安全
Wazuh是一个功能强大且高度灵活的开源安全平台，旨在为企业和组织提供全面的威胁预防和检测能力。它集成了多种安全功能，包括入侵检测、漏洞管理、合规性监控等，能够有效地保护企业的网络和系统安全。Stars数11982Forks数1785主要特点多维度威胁检测：Wazuh能够对系统日志、文件完整性、网络流量等多个数据源进行实时监测，及时发现潜在的安全威胁。通过对这些数据源的综合分析，Wazuh可以提供
学习使用 Git 和 GitHub 开发项目的教程推荐 vortex5 学习 git github
Git和GitHub是现代软件开发中不可或缺的工具，无论你是个人开发者还是团队成员，掌握它们都能极大提升效率。本文精选了一系列优质教程资源，涵盖从基本Git命令到进阶多人协作的内容。这些教程既有文字形式，也有视频或交互式资源，适合不同学习风格的人。一、为何要学习Git和GitHub？Git是一个分布式版本控制系统，让你追踪代码变更、回滚错误并与他人协作；GitHub则将其扩展为一个云端平台，支持代
CDN与RTC（实时通信）技术百态老人实时音视频
CDN（内容分发网络）和RTC（实时通信技术）是两种在现代互联网应用中广泛使用的技术，它们各自具有独特的特点和应用场景。CDN的特点与应用CDN通过在全球范围内部署边缘节点，将内容缓存到用户附近的服务器上，从而减少网络延迟，提高访问速度和用户体验。其主要优势包括：加速静态和动态内容的加载：通过缓存机制和智能路由，CDN可以显著提升网站和应用的响应速度。优化用户体验：通过减轻源服务器的负载，CDN能
Kafka集群部署实战 Gold Steps. 技术博文分享 kafka 分布式
服务背景ApacheKafka作为分布式流处理平台，在金融交易系统、物联网数据处理、实时日志分析等场景中发挥关键作用。某电商平台日均处理订单消息1.2亿条，峰值QPS达5万，采用Kafka集群实现订单状态流转、用户行为追踪和库存同步等功能。以下是经过生产验证的集群部署方案及典型故障处理经验。集群运维最佳实践1.容量规划建议指标推荐值监控阈值分区数量/Broker≤4000≥3500告警副本同步延迟
Linux的Initrd机制被触发 linux
Linux 的 initrd 技术是一个非常普遍使用的机制，linux2.6 内核的 initrd 的文件格式由原来的文件系统镜像文件转变成了 cpio 格式，变化不仅反映在文件格式上， linux 内核对这两种格式的 initrd 的处理有着截然的不同。本文首先介绍了什么是 initrd 技术，然后分别介绍了 Linux2.4 内核和 2.6 内核的 initrd 的处理流程。最后通过对 Lin
maven本地仓库路径修改 bitcarter maven
默认maven本地仓库路径：C:\Users\Administrator\.m2 修改maven本地仓库路径方法： 1.打开E:\maven\apache-maven-2.2.1\conf\settings.xml 2.找到
XSD和XML中的命名空间 darrenzhu xml xsd schema namespace 命名空间
http://www.360doc.com/content/12/0418/10/9437165_204585479.shtml http://blog.csdn.net/wanghuan203/article/details/9203621 http://blog.csdn.net/wanghuan203/article/details/9204337 http://www.cn
Java 求素数运算周凡杨 java 算法素数
网络上对求素数之解数不胜数，我在此总结归纳一下，同时对一些编码，加以改进，效率有成倍热提高。第一种：原理: 6N(+-)1法任何一个自然数，总可以表示成为如下的形式之一： 6N，6N+1，6N+2，6N+3，6N+4，6N+5 (N=0，1，2，…)
java 单例模式 g21121 java
想必单例模式大家都不会陌生，有如下两种方式来实现单例模式： class Singleton { private static Singleton instance=new Singleton(); private Singleton(){} static Singleton getInstance() { return instance; }
Linux下Mysql源码安装 510888780 mysql
1.假设已经有mysql-5.6.23-linux-glibc2.5-x86_64.tar.gz (1)创建mysql的安装目录及数据库存放目录解压缩下载的源码包，目录结构，特殊指定的目录除外：
32位和64位操作系统墙头上一根草 32位和64位操作系统
32位和64位操作系统是指：CPU一次处理数据的能力是32位还是64位。现在市场上的CPU一般都是64位的，但是这些CPU并不是真正意义上的64 位CPU，里面依然保留了大部分32位的技术，只是进行了部分64位的改进。32位和64位的区别还涉及了内存的寻址方面，32位系统的最大寻址空间是2 的32次方= 4294967296（bit）= 4（GB）左右，而64位系统的最大寻址空间的寻址空间则达到了
我的spring学习笔记10-轻量级_Spring框架 aijuans Spring 3
一、问题提问： → 请简单介绍一下什么是轻量级？轻量级（Leightweight）是相对于一些重量级的容器来说的，比如Spring的核心是一个轻量级的容器，Spring的核心包在文件容量上只有不到1M大小，使用Spring核心包所需要的资源也是很少的，您甚至可以在小型设备中使用Spring。
mongodb 环境搭建及简单CURD antlove Web Install curd NoSQL mongo
一搭建mongodb环境 1. 在mongo官网下载mongodb 2. 在本地创建目录 "D:\Program Files\mongodb-win32-i386-2.6.4\data\db" 3. 运行mongodb服务 [mongod.exe --dbpath "D:\Program Files\mongodb-win32-i386-2.6.4\data\
数据字典和动态视图百合不是茶 oracle 数据字典动态视图系统和对象权限
数据字典（data dictionary）是 Oracle 数据库的一个重要组成部分，这是一组用于记录数据库信息的只读（read-only）表。随着数据库的启动而启动,数据库关闭时数据字典也关闭数据字典中包含数据库中所有方案对象（schema object）的定义(包括表，视图，索引，簇，同义词，序列，过程，函数，包，触发器等等) 数据库为一
多线程编程一般规则 bijian1013 java thread 多线程 java多线程
如果两个工两个以上的线程都修改一个对象，那么把执行修改的方法定义为被同步的，如果对象更新影响到只读方法，那么只读方法也要定义成同步的。不要滥用同步。如果在一个对象内的不同的方法访问的不是同一个数据，就不要将方法设置为synchronized的。
将文件或目录拷贝到另一个Linux系统的命令scp bijian1013 linux unix scp
一.功能说明 scp就是security copy，用于将文件或者目录从一个Linux系统拷贝到另一个Linux系统下。scp传输数据用的是SSH协议，保证了数据传输的安全，其格式如下： scp 远程用户名@IP地址：文件的绝对路径
【持久化框架MyBatis3五】MyBatis3一对多关联查询 bit1129 Mybatis3
以教员和课程为例介绍一对多关联关系，在这里认为一个教员可以叫多门课程，而一门课程只有1个教员教，这种关系在实际中不太常见，通过教员和课程是多对多的关系。示例数据：地址表： CREATE TABLE ADDRESSES ( ADDR_ID INT(11) NOT NULL AUTO_INCREMENT, STREET VAR
cookie状态判断引发的查找问题 bitcarter form cgi
先说一下我们的业务背景： 1.前台将图片和文本通过form表单提交到后台，图片我们都做了base64的编码，并且前台图片进行了压缩 2.form中action是一个cgi服务 3.后台cgi服务同时供PC，H5，APP 4.后台cgi中调用公共的cookie状态判断方法（公共的，大家都用，几年了没有问题）问题：（折腾两天。。。。） 1.PC端cgi服务正常调用，cookie判断没
通过Nginx,Tomcat访问日志(access log)记录请求耗时 ronin47
一、Nginx通过$upstream_response_time $request_time统计请求和后台服务响应时间 nginx.conf使用配置方式： log_format main '$remote_addr - $remote_user [$time_local] "$request" ''$status $body_bytes_sent "$http_r
java-67- n个骰子的点数。把n个骰子扔在地上，所有骰子朝上一面的点数之和为S。输入n，打印出S的所有可能的值出现的概率。 bylijinnan java
public class ProbabilityOfDice { /** * Q67 n个骰子的点数 * 把n个骰子扔在地上，所有骰子朝上一面的点数之和为S。输入n，打印出S的所有可能的值出现的概率。 * 在以下求解过程中，我们把骰子看作是有序的。 * 例如当n=2时，我们认为（1，2）和（2，1）是两种不同的情况 */ private stati
看别人的博客，觉得心情很好 Cb123456 博客心情
以为写博客，就是总结，就和日记一样吧，同时也在督促自己。今天看了好长时间博客: 职业规划: http://www.iteye.com/blogs/subjects/zhiyeguihua android学习: 1.http://byandby.i
[JWFD开源工作流]尝试用原生代码引擎实现循环反馈拓扑分析 comsci 工作流
我们已经不满足于仅仅跳跃一次，通过对引擎的升级，今天我测试了一下循环反馈模式，大概跑了200圈，引擎报一个溢出错误在一个流程图的结束节点中嵌入一段方程，每次引擎运行到这个节点的时候，通过实时编译器GM模块，计算这个方程，计算结果与预设值进行比较，符合条件则跳跃到开始节点，继续新一轮拓扑分析，直到遇到
JS常用的事件及方法 cwqcwqmax9 js
事件描述 onactivate 当对象设置为活动元素时触发。 onafterupdate 当成功更新数据源对象中的关联对象后在数据绑定对象上触发。 onbeforeactivate 对象要被设置为当前元素前立即触发。 onbeforecut 当选中区从文档中删除之前在源对象触发。 onbeforedeactivate 在 activeElement 从当前对象变为父文档其它对象之前立即
正则表达式验证日期格式 dashuaifu 正则表达式 IT其它 java其它
正则表达式验证日期格式 function isDate(d){ var v = d.match(/^(\d{4})-(\d{1,2})-(\d{1,2})$/i); if(!v) { this.focus(); return false; } } <input value="2000-8-8" onblu
Yii CModel.rules() 方法、validate预定义完整列表、以及说说验证 dcj3sjt126com yii
public array rules () {return} array 要调用 validate() 时应用的有效性规则。返回属性的有效性规则。声明验证规则，应重写此方法。每个规则是数组具有以下结构：array('attribute list', 'validator name', 'on'=>'scenario name', ...validation
UITextAttributeTextColor = deprecated in iOS 7.0 dcj3sjt126com ios
In this lesson we used the key "UITextAttributeTextColor" to change the color of the UINavigationBar appearance to white. This prompts a warning "first deprecated in iOS 7.0." Ins
判断一个数是质数的几种方法 EmmaZhao Math python
质数也叫素数，是只能被1和它本身整除的正整数，最小的质数是2，目前发现的最大的质数是p=2^57885161-1【注1】。判断一个数是质数的最简单的方法如下： def isPrime1(n): for i in range(2, n): if n % i == 0: return False return True 但是在上面的方法中有一些冗余的计算，所以
SpringSecurity工作原理小解读坏我一锅粥 SpringSecurity
SecurityContextPersistenceFilter ConcurrentSessionFilter WebAsyncManagerIntegrationFilter HeaderWriterFilter CsrfFilter LogoutFilter Use
JS实现自适应宽度的Tag切换 ini JavaScript html Web css html5
效果体验：http://hovertree.com/texiao/js/3.htm 该效果使用纯JavaScript代码，实现TAB页切换效果，TAB标签根据内容自适应宽度，点击TAB标签切换内容页。 HTML文件代码： <!DOCTYPE html> <html xmlns="http://www.w3.org/1999/xhtml"
Hbase Rest API : 数据查询 kane_xie REST hbase
hbase（hadoop）是用java编写的，有些语言（例如python）能够对它提供良好的支持，但也有很多语言使用起来并不是那么方便，比如c#只能通过thrift访问。Rest就能很好的解决这个问题。Hbase的org.apache.hadoop.hbase.rest包提供了rest接口，它内嵌了jetty作为servlet容器。启动命令：./bin/hbase rest s
JQuery实现鼠标拖动元素移动位置（源码+注释）明子健 jquery js 源码拖动鼠标
欢迎讨论指正！ print.html代码： <!DOCTYPE html> <html> <head> <meta http-equiv=Content-Type content="text/html;charset=utf-8"> <title>发票打印</title> &l
Postgresql 连表更新字段语法 update qifeifei PostgreSQL
下面这段sql本来目的是想更新条件下的数据，可是这段sql却更新了整个表的数据。sql如下： UPDATE tops_visa.visa_order SET op_audit_abort_pass_date = now() FROM tops_visa.visa_order as t1 INNER JOIN tops_visa.visa_visitor as t2 ON t1.
将redis,memcache结合使用的方案? tcrct redis cache
公司架构上使用了阿里云的服务，由于阿里的kvstore收费相当高，打算自建，自建后就需要自己维护，所以就有了一个想法，针对kvstore(redis)及ocs(memcache)的特点，想自己开发一个cache层，将需要用到list，set，map等redis方法的继续使用redis来完成，将整条记录放在memcache下，即findbyid，save等时就memcache，其它就对应使用redi
开发中遇到的诡异的bug wudixiaotie bug
今天我们服务器组遇到个问题：我们的服务是从Kafka里面取出数据，然后把offset存储到ssdb中，每个topic和partition都对应ssdb中不同的key，服务启动之后，每次kafka数据更新我们这边收到消息，然后存储之后就发现ssdb的值偶尔是-2,这就奇怪了，最开始我们是在代码中打印存储的日志，发现没什么问题，后来去查看ssdb的日志，才发现里面每次set的时候都会对同一个key