第19章 随机变量

news2024/12/24 8:52:17

第19章 随机变量

19.1随机变量示例

定义19.1.1:概率空间上的随机变量R是域等于样本空间的全函数。

R的陪域可以是任何东西,但通常是实数的一个子集。

例:

例如,假设我们抛三个独立的、公平的硬币。令C表示正面朝上的次数。如果三个硬币全都是正面或者全都是反面朝上,则令M= 1;否则,M = 0。那么,三个硬币抛掷的每一个结果唯一确定C和M的值。

那么,C是将样本空间中的每个结果映射成数值的函数,即:

image-20221219202259177

同理,M是将样本空间中的每个结果按另一种方式映射的函数,如下:

image-20221219202313397

所以,M和C是随机变量。

19.1.1 指示器随机变量

指示器随机变量是将每个结果映射成0或1的随机变量。指示器随机变量又称伯努利变量。上文提到的随机变量M就是指示器随机变量。如果抛出的三个硬币的面相同,则M=1,否则M=0。

同样地,事件E将样本空间划分为:属于E的结果,以及不属于E的结果。所以,事件E天然带有一个相应的指示器随机变量 I E I_E IE:若结果w ∈ E,则 I E I_E IE(w)=1;若 w ∉ E w\notin E w/E,则 I E I_E IE(w)= 0。因此,M= I E I_E IE,其中E表示事件“三个硬币抛的面相同”。

19.1.2 随机变量和事件

事件和一般的随机变量之间也存在着密切的联系。一个随机变量有几个值,就能将样本空间分为几个块。例如,C将样本空间划分为:

image-20221219203656359

每一个块对应样本空间的一个子集,因此是一个事件。

一般来说,任意关于随机变量取值的断言( assertion)都定义了一个事件。

19.2独立性

独立性 ( independence)既可以用于描述事件又可以用于描述变量。随机变量 R 1 R_1 R1 R 2 R_2 R2是独立的,当且仅当以下两个事件

image-20221219203813418

对于所有的x1,x2是独立的。

引理19.2.1 两个事件独立,当且仅当这两个事件的指示器变量是独立的。

从直觉上来说,两个随机变量独立,意味着知道一个变量的某些信息,对另一个变量没有任何帮助。一个变量R的“某些信息”是指与R有关的某个数值。而且,这种独立的特性意味着独立变量的函数也是相互独立的。

引理19.2.2:设R和S是两个独立的随机变量,f和g是两个函数,其中域(f)=陪域®且域(g)=陪域(S)。那么,f®和g(S)是独立随机变量。

定义19.2.3:随机变量 R 1 , R 2 … , R n R_1,R_2…,R_n R1,R2,Rn是相互独立的当且仅当对于所有的 X 1 , X 2 , … , X n X_1,X_2,… ,X_n X1,X2,,Xn,n个事件

image-20221220112705321

是相互独立的。它们是k-次独立的当且仅当它们的任意k元素子集是相互独立的。

19.3 分布函数

随机变量将结果映射为数值。随机变量R的概率密度函数 P D F R ( x ) PDF_R(x) PDFR(x)衡量了R取值为x的概率,以及密切相关的累积分布函数 C D F R ( x ) CDF_R(x) CDFR(x)衡量了R ≤ X的概率。不同结果空间的随机变量常常具有相似的表现形式,是因为它们不同取值的概率相同,也就是说,它们具有相同的PDF/CDF。

定义19.3.1:设R是一个随机变量,陪域为V。R的概率密度函数为PDFR:V→[0,1],定义如下:

image-20221220113256855

如果陪域是实数的子集,那么累积分布函数为 C D F R : R → [ 0 , 1 ] CDF_R:R→[0,1] CDFR:R[0,1],定义如下:

image-20221220113333665

由此可以推导出:

image-20221220113402363

PDF;和CDF,都能提供关于R的信息,任君挑选。关键的一点是,无论是概率密度函数还是累积分布函数,都不涉及实验的样本空间。

事实上,有些PDF非常常见,所以都有特别的名字。例如,在计算机科学领域,有三个最重要的分布:伯努利分布、均匀分布和二项分布。接下来,我们仔细探讨一下这些分布。

19.3.1 伯努利分布

伯努利分布是伯努利变量的分布函数。具体来说,伯努利分布的概率密度函数的形式为fp:{0,1} →[0,1],其中

image-20221220133355965

其中 p ∈ [ 0 , 1 ] p \in [0,1] p[0,1]。相应的累积分布函数为Fp:R→[0,1],其中:

image-20221220133502274

19.3.2均匀分布

如果随机变量以相等的概率、取值为陪域中任意一个可能的值,则这个随机变量是均匀的。若陪域V有n个元素,那么均匀分布的概率密度函数的形式为:

image-20221220133546708

其中:

image-20221220133610358

对所有v∈V成立。

如果V的元素按递增顺序依次为 a 1 , a 2 , … , a n a_1, a_2,… , a_n a1,a2,,an,那么累积分布函数为F:R→ [0,1],其中:

image-20221220133655521

19.3.3数字游戏

让我们来玩个游戏吧!有两个信封,每个信封里写有一个范围在0,1,…,100之间的整数,而且两个信封中的数字不同。如果猜出哪一个信封中的数字更大,那么你就赢了。为了给你一点机会,我们允许你任意选择一个信封,看一下信封中的数字。这样的话,有没有一种策略,使你赢得游戏的概率大于50%呢?

制胜策略分析

一般地,假设从整数区间[0…n]中挑选两个数。我们把较小的数称为L,把较大的数称为H。

你的目标是猜一个在L和H中间的数值x。选完x以后,你看到一个信封里的数字,设这个数字为T。如果T > x,那么你猜你看到的这个数字是比较大的。如果T<x,那么你猜另一个信封中的数字比较
接下来就是确定这个策略获胜的概率。我们采用四步法和树状图。

第一步:找到样本空间

你选择的x可能过小(<L)、过大(>H),或者刚刚好(L<x<H)。然后你选择看的那个数字可能是偏小(T=L)或偏大(T=H)的数字。所以,共有六种可能的结果,如图19.3所示。

image-20221220141413508

第二步:定义目标事件

获胜事件的四种结果已经标记在树状图中。

第三步:计算结果的概率

首先,计算边的概率。x过小的概率是L/n,过大的概率是(n-H)/n,刚刚好的概率是(H - L)/n。然后,你选择看的这个信封是大数还是小数的概率是一样的。将根到叶子路径上的概率相乘,就得到了结果的概率。

第四步:计算事件的概率

将获胜事件的四种结果的概率相加,就是你在这个游戏中的胜率。

由于大数H至少比小数L大1且它们不相等,所以最后的不等式成立。

19.3.4 二项分布

计算机科学领域中最常用的第三个分布是二项分布。

服从二项分布的随机变量,最有代表性的例子就是n次独立抛硬币结果正面朝上的次数。如果硬币是均匀的,那么正面朝上的次数服从无偏二项分布,概率密度函数为 f n : [ 0.. n ] → [ 0 , 1 ] f_n:[0..n] →[0,1] fn:[0..n][0,1]

image-20221220141907069

这是因为n次抛硬币正好有k次正面朝上的序列有 ( n k ) \binom{n}{k} (kn)种,而且每个序列的概率是 2 − n 2^{-n} 2n

广义二项分布

如果硬币是有偏好的,每一次抛到正面的概率是p,那么抛得正面的次数有一个广义二项分布密度函数,概率密度函数为 f n , p : [ 0.. n ] → [ 0 , 1 ] f_{n,p}:[0..n]→[0,1] fn,p:[0..n][0,1]

image-20221220142220653

其中 n ∈ N + n ∈ N^+ nN+,p ∈ [0,1]。k个正面、 n - k个反面的序列有 ( n k ) \binom{n}{k} (kn)个,每一个序列的概率是 p k ( 1 − p ) n − k p^k(1-p)^{n-k} pk(1p)nk

19.4 期望

随机变量的期望或期望值,是指能够揭示这个变量很多行为的单个数字。随机变量的期望又称均值或平均数

定义19.4.1:如果R是定义在样本空间S的随机变量,那么R的期望是:

image-20221220142505047

19.4.1 均匀随机变量的期望值

一般来说,如果R,是均匀分布在 a 1 , a 2 , … , a n {a_1 ,a_2,… , a_n} a1,a2,,an上的随机变量,那么 R n R_n Rn的期望就是 a i a_i ai的平均值:

image-20221220142626353

19.4.2随机变量的倒数的期望

定义随机变量S为一个公平的六面骰子抛出的点数的倒数。也就是说S = 1/R,其中R是抛出的点数。那么,

image-20221220143623643

注意:

image-20221220143644842

19.4.3 指示器随机变量的期望值

一个事件的指示器随机变量的期望值就是这个事件的概率。

引理19.4.2:如果IA是事件A的指示器随机变量,那么

image-20221220143750187

19.4.4期望的另一种定义

还有另一种定义期望的标准方法。

定理19.4.3 对任意的随机变量R,

image-20221220143834449

证明.设R定义在样本空间S中,那么

image-20221220143940311

19.4.5 条件期望

正如事件概率一样,期望也可以以某个事件为条件。对于随机变量R,给定事件A的条件下,R的期望值等于它在事件A结果上的概率加权平均。即,

定义19.4.4 给定事件A的条件下,随机变量R的条件期望Ex[R|A]是:

image-20221220144213162

定理19.4.5全期望定理)设R是样本空间S上的一个随机变量,并且 A 1 , A 2 , … A_1,A_2,… A1,A2,是S的划分,那么

image-20221220144411975

证明:

image-20221220144509333

19.4.6平均故障时间

如果一个计算机程序还没崩溃,那么它每小时崩溃的概率是p。那么程序崩溃所需的期望时间是多少? 假设C是直到程序第一次崩溃的小时数,我们要求Ex[C]。

定义A为系统在第一个小时崩溃的事件,则 A ‾ \overline{A} A为第一个小时系统没有崩溃的事件。那么平均故障时间Ex[C]为

image-20221220145513299

由于A表示第一个小时系统崩溃,故:

image-20221220145525740

由于 A ‾ \overline{A} A是第一个小时系统没有崩溃,所以以 A ‾ \overline{A} A为条件,相当于第一个小时系统不崩溃,接着在没有条件的情况下重新开始。因此

image-20221220145550396

故:

image-20221220145606085

平均故障时间:

假设系统在各个时间周期内独立运行,如果系统在每一个时间周期发生故障的概率是p,那么系统第一次出现故障所需的时间期望是1/p。

定义19.4.6 随机变量C服从参数为p的几何分布,当且仅当陪域©= Z+且

image-20221220160902936

引理19.4.7 如果随机变量C服从参数为p的几何分布,那么

image-20221220160908378

19.4.7赌博游戏的预期收益

预期收益等于0的游戏,被称为公平游戏。

我们再来看一个公平游戏。

你和其他两名玩家玩游戏,每个玩家拿出2美元放在吧台,然后各自悄悄在纸巾上写“正”或“反”。接着,抛一枚公平的硬币。猜对硬币结果的人平分吧台上的6美元。

用四步法则和树状图计算一下预期收益。树状图如图19.6所示。

image-20221220161848330

根据式19.3计算期望收益:

image-20221220161906067

这说明这个游戏是公平的。

共谋的影响

如果另外两个人协商好,他们每次都选择不同的结果,你的期望收益会是多少呢?树状图如下

image-20221220162055582

使用式19.3计算串谋情况下的期望收益,有:

image-20221220162115891

19.5期望的线性性质

期望遵循一个简单、有用的法则,称为期望的线性性质。简单地说:就是随机变量和的期望等于随机变量期望的和。

定理19.5.1 对任意随机变量R1和R2,有:

image-20221220162310353

定理19.5.2 对于随机变量R1,R2和常数a1,a2 ∈ R,有
image-20221220162557031
也就是说,期望是一个线性函数。将以上定理拓展至两个以上变量的情况,可得

推论19.5.3(期望的线性性质),对任意随机变量R1,…,Rg和常数a1
… , ax ∈R,有

image-20221220162625772

19.5.1 两枚骰子的期望

两枚公平骰子抛出的点数和的期望是多少?

设随机变量 R 1 R_1 R1是第一枚骰子抛出的点数, R 2 R_2 R2是第二枚骰子抛出的点数。根据前面的计算我们知道,一枚骰子的期望值是3.5。使用期望的线性性质可得两枚骰子和的期望:

image-20221220162824652

注意:不需要假设两个骰子是独立的。即使它们以某种可控的方式共同产生抛掷结果,只要这两个骰子都是公平的,那么它们的和的期望值就等于7。

19.5.2 指示器随机变量的和

期望的线性性质尤其适合指标器随机变量的和。举一个例子,假设有一个晚餐派对, n个男人检查他们的帽子。在就餐期间,帽子混在一起,随后每个人都会随机地得到一顶帽子。每个人以概率1/n拿到自己的帽子。请问能够正确拿到自己帽子的人有多少个?

将G表示为指示器随机变量的和。特别地,令 G i G_i Gi表示事件“第i个人拿到自己帽子”的指示器随机变量。也就是说,如果第i个人得到自己的帽子,则 G i G_i Gi=1,否则 G i G_i Gi=0。那么得到自己的帽子的人数就是这些指示器随机变量的和:

image-20221220171527145

这些指示器随机变量不是相互独立的。这里我们再强调一遍,不必考虑这些变量是否独立,期望的线性性质总是成立的。

由于 G i G_i Gi是一个指示器随机变量,我们从引理19.4.2可以得出

image-20221220171554032

所以

image-20221220171614524

定理19.5.4:给定任意一系列事件A1,A-,… ,An,将要发生的事件数目的期望是

image-20221220171722820

19.5.3二项分布的期望

假设独立地抛n个有偏好的硬币,每个硬币正面朝上的概率是p。那么正面朝上次数的期望是多少?

image-20221220173311940

根据式19.3,这意味着

image-20221220173328315

我们可以用期望的线性性质可以推导出一个简单闭型。

J i J_i Ji表示第i个硬币正面朝上的指示器随机变量,即

image-20221220173436430

那么正面向上的次数就是

image-20221220173449316

由定理19.5.4

image-20221220173518165

19.5.4 赠券收集问题

有多个颜色的火箭车。我们在点餐的时候得到的汽车颜色是随机且独立的。要想每种颜色的火箭车至少有一个,需要购买儿童套餐个数的期望是多少?

当有k种颜色的时候,每份儿童套餐附赠的车是我们已经有的颜色的概率是k/n。那么,每份套餐附赠新颜色的概率是1- k/n = (n -k)/n。因此,根据平均故障时间法则,一直买直到得到新颜色,所需套餐数量的预期是n/(n -k)。这意味着

image-20221220174224883

结合期望的线性性质,我们可以解决赠券收集问题:

image-20221220174240017

19.5.5 无限和

只要变量满足绝对收敛标准准则,期望的线性性质就同样适用于无限个随机变量的情况。

定理19.5.5(期望的线性性质)设 R 0 , R 1 R_0,R_1 R0,R1,…为随机变量,且有

image-20221220174537188

收敛,则

image-20221220174554507

19.5.6赌博悖论

在美国,有一个名为轮盘赌轮的游戏。有18个黑色槽、18个红色槽、2个绿色槽,你可以压黑色或者红色。如果你压了10美元,并且压对了,你就可以10美元本金和10美元奖金。出现红色或者黑色的概率是18/38 ≈ 0.473。

当然,即使你有幸用一个概率为0.5的公平轮盘赌博,也不一定就能赢钱。假设使用公平轮盘,你每次下注赢和输的概率是一样的,所以每转一次期望收益是零。因此,继续下注,每一局期望收益的和仍然是零。

尽管如此,赌徒也会尝试不同的投注策略,以赢得轮盘赌。一个著名的策略是押注加倍( betdoubling ),比如下注10美元、红色,然后不断加倍,直到红色出现为止。这意味着如果第一次就转出红色,那么停止下注,赢得10美元并离开赌场。如果没有出现红色,第二次继续下注20美元。如果第二次转出红色,则得到20美元的本金加上20美元的回报,然后离开,净利润为20-10= 10美元。如果第二次还没有出现红色,继续下注40美元,如果第三次转出红色则离开,此时净利润是40一20 -10= 10美元,以此类推。

前面我们已经分析过公平轮盘赌根本赢不了钱,但这对不公平的轮盘赌不适用。

19.5.7悖论的解答

“公平轮盘赌的期望收益是零”这一论断的错误之处在于,含蓄地误用了无限和的期望的线性性质。

这里的问题在于,赢钱的绝对值的和的期望是发散的,不满足无限线性的条件。在押注加倍的情况下,第n次下注 10 ⋅ 2 n − 1 10·2^{n-1} 102n1美元,而赌局能进行到第n局的概率是 2 − n 2^{-n} 2n所以

image-20221220182403629

因此,和

image-20221220182434183

迅速发散。

19.5.8乘积的期望

期望的和就是和的期望,但是乘积往往不具备这样的性质。

但是,有一种特殊情形,乘积的期望等于期望的乘积。那就是当乘积中的随机变量相互独立的时候。

定理19.5.6 对任意两个独立的随机变量 R 1 , R 2 R_1, R_2 R1,R2
image-20221220182812146
这个定理的证明方法是对定义 E x [ R 1 ] ⋅ E x [ R 2 ] Ex[R_1]·Ex[R_2] Ex[R1]Ex[R2]的和式进行重新组合。

定理19.5.6可以直接推广到多个相互独立的变量。

推论19.5.7:[独立乘积的期望]如果随机变量 R 1 , R 2 , . . . . . . R 3 R_1,R_2,...... R_3 R1,R2,......R3是相互独立的,那么

image-20221220182928689

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/114052.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

js中的JSON的简单用法

目录 1.JSON说明 2.JSON.stringify 3.JSON.parse 4.示例 1.JSON说明 当数据在浏览器与服务器之间进行交换时&#xff0c;这些数据只能是文本&#xff0c;JSON 属于文本并且我们能够把任何 JavaScript 对象转换为 JSON&#xff0c;然后将 JSON 发送到服务器。我们也能把从服…

最强docker部署模板

00.背景 最近学校让一个小组做一个web项目最后部署到linux服务器上&#xff0c;项目本身并不难就是简单的增删改查&#xff0c;但是我想借着这个机会写一个docker部署的模板&#xff0c;方便自己以后用&#xff0c;也希望可以帮助到大家。 01.docker简介 docker可以快捷 轻量…

Redis原理篇—网络模型

Redis原理篇—网络模型 笔记整理自 b站_黑马程序员Redis入门到实战教程 用户空间和内核态空间 服务器大多都采用 Linux 系统&#xff0c;这里我们以 Linux 为例来讲解: ubuntu 和 Centos 都是 Linux 的发行版&#xff0c;发行版可以看成对 Linux 包了一层壳&#xff0c;任何 …

第八章:数据库编程

一、嵌入式、过程化SQL、存储过程和函数 1、【单选题】 下表为oracle数据库表cj.temp_20221106的数据。建立存储过程: CREATE OR REPLACE PROCEDURE proc_temp_20221106(i INT) IS CURSOR c_temp IS SELECT * FROM cj.temp_20221106; ROW_NR c_temp%ROWTYPE; i_count …

【Linux】基础IO——系统文件IOfd重定向理解

文章目录一、回顾C文件接口1.打开和关闭2.读写文件3.细节二、系统文件I/O 1.open和closeumask小细节2.read和write1.write2.read3.小总结三、理解文件四、文件描述符fd1.引入2.理解3.分配规则4.close(1)问题五、重定向1.重定向2.接口3.追加重定向4.输入重定向六、Linux一切皆文…

信息技术 定义内涵

工作流运行 定义内涵 工作流运行是工作流模板的依次执行&#xff0c;在工作流运行时&#xff0c;用户可以随时取消或查看正在 运行的任务。由于工作流运行的模板的不同&#xff0c;运行过程中可能会产生不同的新资源&#xff0c;如数据 处理类型的工作流会产生新的数据集&…

Java框架精品项目【用于个人学习】

难度系数说明&#xff1a; 难度系数用来说明项目本身进行分析设计的难度 难度系数大于1的项目可用作参赛作品、大作业、计算机毕业设计等需求 前言 大家好&#xff0c;我是二哈喇子&#xff0c;此博文整理了各种项目需求&#xff0c;用于博主自己学习&#xff0c;当做个人笔记…

黑烟车识别抓拍系统 python

黑烟车识别抓拍系统利用Python基于YOLOv5通过道路已有卡口相机对现场画面中包括黑烟车、车牌信息、车头车尾照片、林格曼黑度等级数据回传给后台。Python是一种由Guido van Rossum开发的通用编程语言&#xff0c;它很快就变得非常流行&#xff0c;主要是因为它的简单性和代码可…

IMX6ULL学习笔记(14)——GPIO接口使用【C语言方式】

一、GPIO简介 i.MX6ULL 芯片的 GPIO 被分成 5 组,并且每组 GPIO 的数量不尽相同&#xff0c;例如 GPIO1 拥有 32 个引脚&#xff0c; GPIO2 拥有 22 个引脚&#xff0c; 其他 GPIO 分组的数量以及每个 GPIO 的功能请参考 《i.MX 6UltraLite Applications Processor Reference M…

【魔法圣诞树】代码实现详解 --多种实战编程技巧倾情打造

一、前言 本文会基于C# GDI技术 从零到一 实现一颗 魔法圣诞树&#xff01;源码和素材在文末全部都有&#xff01; 二、魔法圣诞树 对于用代码画圣诞树&#xff0c;网上各种编程语言像python、css、java、c/c我们都有见到过了&#xff0c;那么在绘图方面&#xff0c;还有一位…

从刘润的商业简史,预测互联网与能源的未来,辉煌的人生需要顺势而为

所有理所当然的现在&#xff0c;都是曾经看起来不可能的未来。 所有现在看起来不可想象的未来&#xff0c;可能都是明天理所当然的现在。 未来已来&#xff0c;只是尚未流行。 “一切历史都是当代史。”学习历史的目的&#xff0c;正是为了从中总结规律&#xff0c;然后用这些…

第四章:数据库安全性

一、数据库安全概述和控制 1、【单选题】TCSEC/TDI安全级别划分中&#xff0c;C1级需要实现的安全策略为&#xff1a; 我的答案&#xff1a;A 2、【单选题】能够对系统的数据加以标记&#xff0c;对标记的主体和客体实施强制存取控制&#xff08;MAC&#xff09;、审计等安全机…

绿盟SecXOps安全智能分析技术白皮书 工作流运行

工作流运行 定义内涵 工作流运行是工作流模板的依次执行&#xff0c;在工作流运行时&#xff0c;用户可以随时取消或查看正在 运行的任务。由于工作流运行的模板的不同&#xff0c;运行过程中可能会产生不同的新资源&#xff0c;如数据 处理类型的工作流会产生新的数据集&…

【关于时间序列的ML】项目 10 :用机器学习预测降雨

&#x1f50e;大家好&#xff0c;我是Sonhhxg_柒&#xff0c;希望你看完之后&#xff0c;能对你有所帮助&#xff0c;不足请指正&#xff01;共同学习交流&#x1f50e; &#x1f4dd;个人主页&#xff0d;Sonhhxg_柒的博客_CSDN博客 &#x1f4c3; &#x1f381;欢迎各位→点赞…

浅谈会话技术:Cookie,Session、Token

◼️ 什么是会话 会话&#xff1a; 数据交互的过程&#xff0c;在web中指 浏览器从发出一个请求到浏览器关闭&#xff0c;这个过程就是一个会话。在这个过程中&#xff0c;需要有很多的状态和数据需要我们关注&#xff0c;记录&#xff0c;这个就是我们要研究的会话 ◼️ 什么…

基于主从博弈的社区综合能源系统分布式协同优化运行策略(Matlab代码实现)

&#x1f468;‍&#x1f393;个人主页&#xff1a;研学社的博客 &#x1f4a5;&#x1f4a5;&#x1f49e;&#x1f49e;欢迎来到本博客❤️❤️&#x1f4a5;&#x1f4a5; &#x1f3c6;博主优势&#xff1a;&#x1f31e;&#x1f31e;&#x1f31e;博客内容尽量做到思维缜…

源码系列 之 HashMap

简介 HashMap可能是Java程序员最常用的集合之一了&#xff0c;面试也是常考题之一。那么我们平时了解到的特性都是怎么来的呢&#xff0c;什么一会儿是链表&#xff0c;一会儿又是红黑树。八股文选手现在已经像高中背《滕王阁序》一样&#xff0c;肌肉反应似的在脑子背过一遍了…

Github一夜爆火,不愧是阿里、字节高级架构师联合创作的Netty核心原理手册

讲到这里&#xff0c;你可能要问了&#xff1a;如果我的工作中涉及网络编程的内容并不多&#xff0c;那我是否还有必要花精力学习 Netty 呢&#xff1f;其实在互联网大厂&#xff08;阿里、腾讯、美团等&#xff09;的中高级 Java 开发面试中&#xff0c;经常会问到涉及到 Nett…

【Javassist】快速入门系列06 当检测到构造方法调用时替换方法调用的内容

系列文章目录 01 在方法体的开头或结尾插入代码 02 使用Javassist实现方法执行时间统计 03 使用Javassist实现方法异常处理 04 使用Javassist更改整个方法体 05 当有指定方法调用时替换方法调用的内容 06 当有构造方法调用时替换方法调用的内容 文章目录系列文章目录前言引入J…

python数据分析 股票预测

目录 ​​​​​​​一&#xff1a;股票预测数据分析 二&#xff1a;K线图数据分析 ​​​​​​​一&#xff1a;股票预测数据分析 1-1 导入需要使用到的库 import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns 1-2 读取csv数据…