ErgouTree's Blog

了解docker的前生 LXC LXC为Linux Container的简写。可以提供轻量级的虚拟化，以便隔离进程和资源，而且不需要提供指令解释机制以及全虚拟化的其他复杂性。相当于C++中的NameSpace。容器有效地将由单个操作系统管理的资源划分到孤立的组中，以更好地在孤立的组之间平衡有冲突的资源使用需求。 Linux Container提供了在单一可控主机节点上支持多个相互隔离的 server container 同时执行的机制。Linux Container有点像 chroot，提供了一个拥有自己进程和网络空间的虚拟环境，但又有别于虚拟机，因为lxc是一种操作系统层次上的资源的虚拟化。 docker并不是LXC替代品，docker底层使用了LXC来实现，LXC将linux进程沙盒化，使得进程之间相互隔离，并且能够控制各进程的资源分配。 在LXC的基础之上，docker提供了一系列更强大的功能。 而docker可以让开发者打包他们的应用以及依赖包到一个轻量级、可移植的容器中，这是 LXC...

什么是Stream流 Java 8 引入的 Stream API 是一个革命性的特性，它为集合操作提供了一种更高效、更简洁的方式。配合同版本的lambda表达式的出现，我们操作集合（Collection）提供了极大的便利。Stream 是 Java 8 中处理集合数据的抽象概念，它不是一个数据结构，而是一个来自数据源的元素队列并支持聚合操作。 Stream 将要处理的元素集合看作一种流，在流的过程中，借助 Stream API 对流中的元素进行操作，比如：筛选、排序、聚合等。 Stream 允许你以声明式方式处理数据集合，将复杂的数据处理任务转化为一系列简单的操作链。 这里的流指的是一系列元素的序列，它可以在一次遍历的过程中逐个处理这些元素。在Java中，流是对数据的抽象，可以操作各种不同类型的数据源，如集合、数组、文件等。 Stream可以由数组或集合创建，对流的操作分为两种： 中间操作，每次返回一个新的流，可以有多个。（筛选 filter、映射 map、排序 sorted、去重组合...

Docker简介 简而言之，Docker 是一个可供开发者通过容器(container)来构建，运行和共享应用(application)的平台。用容器来部署应用被称为集装箱化(containerization)。 Docker 就像一个盒子，里面可以装很多物件，如果需要某些物件，可以直接将该盒子拿走，而不需要从该盒子中一件一件的取。 Docker中文社区、Docker中文文档 Docker 包括三个基本概念: 镜像（Image） Docker的镜像概念类似于虚拟机里的镜像(比如.ISO文件)，是一个只读的模板，一个独立的文件系统，包括运行容器所需的数据，可以用来创建新的容器。 例如：一个镜像可以包含一个完整的...

Lambda表达式概述 Lambda表达式是 Java8 正式引入的一种语法，它的本质上是一个匿名函数，是对匿名函数的简写形式，它可以被传递给方法或存储在变量中，提供了一种清晰简洁的方式来表示一个接口的单个方法。 我们可以把 Lambda表达式理解为是一段可以传递的代码（将代码像数据一样进行传递），因为Lambda 表达式支持函数式编程范式，它允许开发人员传递行为而不是具体的值，这简化了代码结构和流程控制。作为一种更紧凑的代码风格，使Java的语言表达能力得到了提升； 而且它极大地增强了 Java 的编程模型，尤其在处理集合和流时，我们接下来在学习 Stream Api 和在 Spring 中异常处理与响应构建，Bean定义与条件配置等时候都需要用到 Lambda表达式 让我们通过一个具体例子看Lambda表达式如何简化代码： 传统匿名内部类写法： 123456Comparator<String> comparator = new Comparator<String>() { @Override public...

关于枚举类型 什么是枚举类型 枚举类型是Java 5中新增特性的一部分，它是一种特殊的数据类型 一般在实现枚举一些多次会被使用的常量时候，可以使用定义常量的方式，也就是 fianl int 枚举模式，这样的定义方式并没有什么错，但它存在许多不足，如在类型安全和使用方便性上并没有多少好处，如果存在定义int值相同的变量，混淆的几率还是很大的，编译器也不会提出任何警告 例如星期中每天的枚举 123456789101112131415// 不使用枚举类public class DayWeek { public static final int MONDAY =1; public static final int TUESDAY=2; public static final int WEDNESDAY=3; public static final int THURSDAY=4; public static final int FRIDAY=5; public static final int SATURDAY=6; ...

随机事件和概率部分 题目1：古典概型 一个箱子里装有8个不同编号的红球、6个不同编号的白球和4个不同编号的黑球。现从中无放回地抽取4个球，求满足以下条件的概率： 抽取的4个球中，红球、白球、黑球至少各有1个。 已知抽取的4个球中至少有2个红球，求恰好有2个红球的概率。 解答： 设 抽取的4个球中，红球、白球、黑球至少各有1个 为事件 X 而，从8 + 6 + 4 = 18个球中无放回抽取4个球的组合数，根据组合数公式$C(n,k)=\frac{n!}{k!(n - k)!}$，可得总样本数为 $$ C(18,4)=\frac{18!}{4!(18 - 4)!}=\frac{18\times17\times16\times15}{4\times3\times2\times1}=3060 $$ 而事件 X 可以分成如下三种情况讨论 “2红1白1黑” 的组合数为 $$ C(8,2)\times C(6,1)\times C(4,1)=\frac{8!}{2!(8 - 2)!}\times\frac{6!}{1!(6 -...

路线1 序章 魔女恋爱日记 4月13日 辛德瑞拉：恋 4月14日 碧方学园：零&花音 梢老师 栗原 柏原 ◆SAVE01 卡尔博纳拉 ※「请就这样前进着」 ★Cinderella Story：Chapter Ⅰ 继续阅读 继续阅读 4月15日 碧方学园：花音 4月16日 碧方学园：美衣 美衣END ★Cinderella Story：Chapter Ⅱ 继续阅读 继续阅读 4月17日 暗巷子：米拉诺 4月18日 小小的教会：圣 圣END ★Cinderella Story：Chapter Ⅲ 继续阅读 继续阅读 ◆SAVE02 ※就这样前进 4月19日 上学路：？ 4月20日 碧方学园：零&花音 柏原 周防 昆仑 零&花音END ★Cinderella Story：Chapter Ⅳ 继续阅读 是喜欢X在脸上吗（还是说喜欢X在嘴里） 继续阅读 ◆SAVE03 (下一个选项注意重要存档) 4月21日...

...

区间估计 什么是区间估计 上一篇文章中我们理解了什么是点估计，这次就是参数估计的另一种估计方式，区间估计。 由于点估计忽略了抽样波动性，为了更全面地反映参数估计的可靠性，我们引入区间估计 和理解点估计一样，区间估计就是估计未知参数θ的可能取值范围和这个范围包含该未知参数θ的可信程度，这个范围就是区间估计的估计内容 区间估计不仅给出一个中心点，还给出了一个上下界，使得该区间在一定的置信水平下包含真实参数值。例如，当我们计算出某总体均值的95%置信区间为[a, b]时，可以理解为在相同抽样条件下重复实验，约有95%的构造出的区间会包含总体均值。 具体说，区间估计是统计学中用来估计未知参数（比如均值、比例等）的一种方法。它不像点估计那样只给出一个具体的数值（比如“平均身高是170cm”），而是给出一个范围（比如“平均身高在168cm到172cm之间”），并说明这个范围的可信程度（比如“有95%的把握”）。 构造步骤 以单个正态总体均值的区间估计为例，构造置信区间通常包括以下步骤： 若总体服从正态分布，则样本均值 $\overline...

参数估计之点估计 什么是参数估计 首先，什么是参数估计呢？ 之前我们其实已经了解到很多种分布类型了，比如正态分布、均匀分布、泊松分布等。拿正态分布举例，决定正态分布的有两个参数：均值和方差。 因此，参数就是决定分布的关键性数据。知道了参数，也就是知道了分布的详细内容。 总体的分布类别如果我们知道了，是不是只要知道分布的参数，就能知道总体的分布详情？ 所以说，用样本的数据来构造函数（即统计量），来估计总体参数，这就是参数估计。 估计量 定义 估计量是样本的统计量，用于估计总体未知参数。它是一个随机变量，因为其值依赖于随机样本。 若总体参数为 θ，表示总体X的待估计参数，其中 X1, X2, …, Xn 是来自总体的样本，则其中的一个估计量记作 θ̂ = θ̂(X1, X2, …, Xn)来估计θ，则称 θ̂ 为 θ 的估计量 理解 用于估计总体参数的 随机变量 ，是基于样本构造的、对总体参数进行估计的 “规则 / 公式” 。 它本身是一种统计量（由样本数据计算得到），因样本具有随机性，所以估计量是随机变量，会随样本不同而变化。 比如：用 “样本均值...

切比雪夫不等式 定理内容 设随机变量X的期望和方差均存在，则对任意ε > 0，有 $$ P(\vert X - EX\vert\geq\varepsilon)\leq\frac{DX}{\varepsilon^{2}} $$ 等价形式为 $$ P(\vert X - EX\vert<\varepsilon)\geq1 - \frac{DX}{\varepsilon^{2}} $$ 定理内容解释 切比雪夫不等式告诉我们主要就一件事，对于一个随机变量 X，，如果它的平均值（期望 EX）和波动程度（方差 DX）都知道，那么 X 的值偏离平均值太远的概率是有限的。 表示即使分布未知，随机变量的取值落在期望左右的一定范围内的概率是有界的，该界限和方差有关。DX 越小，落在某范围内的概率就越大，表示 X 取值的概率分布越集中。也就是说，方差 DX 可以表示随机变量 X 取值的离散程度。 描述了任意随机变量的取值偏离其期望值的概率上限，不依赖于具体分布，仅需要方差存在. 具体来说： 偏离的概率：X...

随机变量的数学期望 离散型 一维的 定义 设y = g(x)是连续函数，而Y = g(X)是随机变量X的函数。 若X是离散型随机变量，分布列为P(X = xi) = pi，i = 1, 2, ⋯，且级数$\sum_{i = 1}^{\infty}|g(x_i)|p_i$收敛，则 $$ EY = Eg(X)=\sum_{i = 1}^{\infty}g(x_i)p_i $$ 例题 例 1：有限个取值的离散变量 设随机变量 X 表示掷一枚均匀骰子的点数，可能取值为 1, 2, 3, 4, 5, 6，每个取值的概率均为 $\frac{1}{6}$。 列出所有取值 xi 和对应概率 pi xi 1 2 3 4 5 6 pi $\frac{1}{6}$ $\frac{1}{6}$ $\frac{1}{6}$ $\frac{1}{6}$ $\frac{1}{6}$ $\frac{1}{6}$ 代入公式计算： $$ E(X) = 1 \times...

前言 在这里主要是进行求一些常见分布的一些数字特性，包括期望，方差等 主要写的是计算过程，这些分布的数字特征是怎么计算来的，我个人喜欢把计算过程写的比较详细，感觉多的大概扫一眼就知道这东西其实都是怎么求的了 两点分布 重复一下分布表示 设随机变量 X 服从参数为 p 的两点分布（也称为伯努利分布），其概率质量函数为： P(X = 1) = p,  P(X = 0) = 1 − p 其中 0 ≤ p ≤ 1。 期望（数学期望） 期望 E[X] 的计算公式为： E[X] = ∑xx ⋅ P(X = x) = 0 ⋅ P(X = 0) + 1 ⋅ P(X = 1) 代入概率质量函数： E[X] = 0 ⋅ (1 − p) + 1 ⋅ p = p 因此，两点分布的期望为： E[X] = p 方差 方差 D(X) 的计算公式为： D(X) = E[X2] − (E[X])2 计算 E[X2]...