损失次数模型-负二项分布
损失次数模型-负二项分布
——非寿险精算的基本理论
1、定义
一个成功概率为ppp的伯努利试验,不断重复,直至失败rrr次。此时成功的次数为一个随机变量,用XXX表示。称XXX服从负二项分布,记作X∼NB(r,p)X \sim NB(r,p)X∼NB(r,p)。
2、概率密度函数
P(X=k)=Ck+r−1kpk(1−p)rP(X=k)=C_{k+r-1}^kp^k(1-p)^rP(X=k)=Ck+r−1kpk(1−p)r
这里涉及到高中的排列组合知识,忘记的的同学可能要去复习一下了,哈哈哈~
- 公式释义:
rrr:一次实验中,失败次数;
kkk:一次实验中,失败rrr次时,成功的次数;
k+r−1k+r-1k+r−1:k+rk+rk+r是一次实验中总的实验次数,成功的次数加上失败的次数。因为目标失败次数为rrr次,当失败次数达到目标失败次数时,则停止实验,因此最后一次实验一定是失败的,是一个确定事件。所以随机事件只有k+r−1k+r-1k+r−1次;
ppp:一次实验成功的概率;
1−p1-p1−p:一次实验失败的概率;
P(X=k)P(X=k)P(X=k):一次实验中,失败次数为rrr,成功次数为kkk时的概率;
- 例子
在一组抛硬币实验中,每次硬币正面向上的概率为p=0.5p=0.5p=0.5,则反面向上的概率为(1−p)(1-p)(1−p),当反面向上的次数为r=5r=5r=5时停止实验,则在这组实验中正面次数出现k=5k=5k=5次的概率是多少?
<直接带入公式求解>
P(X=5)=C5+5−150.55(1−0.5)5=0.1230P(X=5)=C_{5+5-1}^50.5^5(1-0.5)^5=0.1230P(X=5)=C5+5−150.55(1−0.5)5=0.1230
补充一个公式:Cnm=n!m!(n−m)!C_n^m=\frac{n!}{m!(n-m)!}Cnm=m!(n−m)!n!
<公式理解>
上面的案例可以转化一下,在10次抛硬币实验中,反面向上的次数为5次,并且最后一次为反面向上。则,这一事件发生的概率是多少?
首先,5次反面向上的概率为(1−p)5(1-p)^5(1−p)5,剩余5次正面向上的概率为p5p^5p5。
其次,5次反面向上有4次发生的顺序是随机的,可能在第1,2,3,4次抛硬币时就出现了反面,在第10次才出现第五次反面,也可能在第6,7,8,9,10次抛硬币时出现了反面。但,第10次抛硬币时一定出现的是反面。所以,前四次反面出现的时机,有可能是第1至9次抛硬币实验中的任意4次。反面是前9次出现4次,则正面就是前9次出现5次,这种组合方式共有C95C_9^5C95种。每一种的概率都为p5(1−p)5p^5(1-p)^5p5(1−p)5,所以C95C_9^5C95种组合的概率就为C95p5(1−p)5C_9^5p^5(1-p)^5C95p5(1−p)5。
3、均值和方差
E(X)=rp1−pE(X)=\frac{rp}{1-p}E(X)=1−prp
D(X)=rp(1−p)2D(X)=\frac{rp}{(1-p)^2}D(X)=(1−p)2rp
3.1、均值E(X)E(X)E(X)的推导
E(X)=∑xp(x)E(X)=\sum xp(x)E(X)=∑xp(x)
这个公式在前面介绍泊松分布的时候提及了一下,但并没有展开说明,有兴趣的可以再去回顾一下概率论知识。
=∑xCx+r−1xpx(1−p)r=\sum xC_{x+r-1}^xp^x(1-p)^r=∑xCx+r−1xpx(1−p)r
把P(X)=Cx+r−1xpx(1−p)rP(X)=C_{x+r-1}^xp^x(1-p)^rP(X)=Cx+r−1xpx(1−p)r带入上式便可得到,上述公式
=∑x(x+r−1)!x!(r−1)!px(1−p)r=\sum x\frac{(x+r-1)!}{x!(r-1)!}p^x(1-p)^r=∑xx!(r−1)!(x+r−1)!px(1−p)r
这是因为Cnm=n!m!(n−m)!C_n^m=\frac{n!}{m!(n-m)!}Cnm=m!(n−m)!n!,所以Cx+r−1x=(x+r−1)!x!(r−1)!C_{x+r-1}^x=\frac{(x+r-1)!}{x!(r-1)!}Cx+r−1x=x!(r−1)!(x+r−1)!
然后,x!=x(x−1)!x!=x(x-1)!x!=x(x−1)!,(r−1)!=r(r−1)!r(r-1)!=\frac{r(r-1)!}{r}(r−1)!=rr(r−1)!,px=ppx−1p^x=pp^{x-1}px=ppx−1,(1−p)r=(1−p)r+11−p(1-p)^r=\frac{(1-p)^{r+1}}{1-p}(1−p)r=1−p(1−p)r+1,带入上式
=∑x(x+r−1)!x(x−1)!r(r−1)!rppx−1(1−p)r+11−p=\sum x\frac{(x+r-1)!}{x(x-1)!\frac{r(r-1)!}{r}}pp^{x-1}\frac{(1-p)^{r+1}}{1-p}=∑xx(x−1)!rr(r−1)!(x+r−1)!ppx−11−p(1−p)r+1
将p和11−pp和\frac{1}{1-p}p和1−p1提到∑\sum∑前面,xxx和xxx约掉,并且(x+r−1)!x(x−1)!r(r−1)!r\frac{(x+r-1)!}{x(x-1)!\frac{r(r-1)!}{r}}x(x−1)!rr(r−1)!(x+r−1)!分子分母同时乘以rrr,得到
=p1−p∑(x+r−1)!r(x−1)!r(r−1)!rrpx−1(1−p)r+1=\frac{p}{1-p}\sum \frac{(x+r-1)!r}{(x-1)!\frac{r(r-1)!}{r}r}p^{x-1}{(1-p)^{r+1}}=1−pp∑(x−1)!rr(r−1)!r(x+r−1)!rpx−1(1−p)r+1
将(x+r−1)!r(x−1)!r(r−1)!rr\frac{(x+r-1)!r}{(x-1)!\frac{r(r-1)!}{r}r}(x−1)!rr(r−1)!r(x+r−1)!r分子的rrr提到∑\sum∑前面,分母中的rrr约掉,得到
=rp1−p∑(x+r−1)!(x−1)!r(r−1)!px−1(1−p)r+1=\frac{rp}{1-p}\sum \frac{(x+r-1)!}{(x-1)!r(r-1)!}p^{x-1}{(1-p)^{r+1}}=1−prp∑(x−1)!r(r−1)!(x+r−1)!px−1(1−p)r+1
因r(r−1)!=r!=((r+1)−1)!,(x+r−1)!=((x−1)+(r+1)−1)!r(r-1)!=r!=((r+1)-1)!,(x+r-1)!=((x-1)+(r+1)-1)!r(r−1)!=r!=((r+1)−1)!,(x+r−1)!=((x−1)+(r+1)−1)!,所以上式可写成
=rp1−p∑((x−1)+(r+1)−1)!(x−1)!((r+1)−1)!px−1(1−p)r+1=\frac{rp}{1-p}\sum \frac{((x-1)+(r+1)-1)!}{(x-1)!((r+1)-1)!}p^{x-1}{(1-p)^{r+1}}=1−prp∑(x−1)!((r+1)−1)!((x−1)+(r+1)−1)!px−1(1−p)r+1
另,x−1=m,r+1=nx-1=m,r+1=nx−1=m,r+1=n,则上式变为
=rp1−p∑(m+n−1)!m!(n−1)!pm(1−p)n=\frac{rp}{1-p}\sum \frac{(m+n-1)!}{m!(n-1)!}p^{m}{(1-p)^{n}}=1−prp∑m!(n−1)!(m+n−1)!pm(1−p)n
∑(m+n−1)!m!(n−1)!pm(1−p)n\sum \frac{(m+n-1)!}{m!(n-1)!}p^{m}{(1-p)^{n}}∑m!(n−1)!(m+n−1)!pm(1−p)n,这个公式是不是和p(x)=(x+r−1)!x!(r−1)!px(1−p)rp(x)=\frac{(x+r-1)!}{x!(r-1)!}p^x(1-p)^rp(x)=x!(r−1)!(x+r−1)!px(1−p)r一摸一样,因此它是一个负二项分布。在所有情况下,所有事件的概率和为1,既∑p(x)=1\sum p(x)=1∑p(x)=1,所以∑(m+n−1)!m!(n−1)!pm(1−p)n=1\sum \frac{(m+n-1)!}{m!(n-1)!}p^{m}{(1-p)^{n}}=1∑m!(n−1)!(m+n−1)!pm(1−p)n=1
=rp1−p=\frac{rp}{1-p}=1−prp
3.2、方差D(X)D(X)D(X)的推导
根据之前泊松分布里面的文章,我们知道D(X)=E(X2)−(E(X))2D(X)=E(X^2)-(E(X))^2D(X)=E(X2)−(E(X))2,现在E(X)E(X)E(X)已经求出,因此只需推导E(X2)E(X^2)E(X2)即可。
E(X2)=∑x2p(x)E(X^2)=\sum x^2p(x)E(X2)=∑x2p(x)
这个公式我也曾在泊松分布这篇文章里面提到过,有兴趣的可以去查看。
把p(x)=(x+r−1)!x!(r−1)!px(1−p)rp(x)=\frac{(x+r-1)!}{x!(r-1)!}p^x(1-p)^rp(x)=x!(r−1)!(x+r−1)!px(1−p)r带入上式
=∑x2(x+r−1)!x!(r−1)!px(1−p)r=\sum x^2\frac{(x+r-1)!}{x!(r-1)!}p^x(1-p)^r=∑x2x!(r−1)!(x+r−1)!px(1−p)r
把px=ppx−1,(1−p)r=(1−p)r+11−p,(x+r−1)!x!(r−1)!分子和分母同时乘以r,p^x=pp^{x-1},(1-p)^r=\frac{(1-p)^{r+1}}{1-p},\frac{(x+r-1)!}{x!(r-1)!}分子和分母同时乘以r,px=ppx−1,(1−p)r=1−p(1−p)r+1,x!(r−1)!(x+r−1)!分子和分母同时乘以r,带入上式
=∑x2r(x+r−1)!x!r(r−1)!ppx−1(1−p)r+11−p=\sum x^2\frac{r(x+r-1)!}{x!r(r-1)!}pp^{x-1}\frac{(1-p)^{r+1}}{1-p}=∑x2x!r(r−1)!r(x+r−1)!ppx−11−p(1−p)r+1
把r,p,11−pr,p,\frac{1}{1-p}r,p,1−p1提到∑\sum∑前面得
=rp1−p∑x2(x+r−1)!x!r(r−1)!px−1(1−p)r+1=\frac{rp}{1-p}\sum x^2\frac{(x+r-1)!}{x!r(r-1)!}p^{x-1}(1-p)^{r+1}=1−prp∑x2x!r(r−1)!(x+r−1)!px−1(1−p)r+1
因x2=xx,x!=x(x−1)!,r(r−1)!=r!x^2=xx,x!=x(x-1)!,r(r-1)!=r!x2=xx,x!=x(x−1)!,r(r−1)!=r!所以
=rp1−p∑xx(x+r−1)!x(x−1)!r!px−1(1−p)r+1=\frac{rp}{1-p}\sum xx\frac{(x+r-1)!}{x(x-1)!r!}p^{x-1}(1-p)^{r+1}=1−prp∑xxx(x−1)!r!(x+r−1)!px−1(1−p)r+1
因xxx分子和分母可以约掉,所以
=rp1−p∑x(x+r−1)!(x−1)!r!px−1(1−p)r+1=\frac{rp}{1-p}\sum x\frac{(x+r-1)!}{(x-1)!r!}p^{x-1}(1-p)^{r+1}=1−prp∑x(x−1)!r!(x+r−1)!px−1(1−p)r+1
令y=x−1,n=r+1y=x-1,n=r+1y=x−1,n=r+1则
=rp1−p∑(y+1)(y+n−1)!y!(n−1)!py(1−p)n=\frac{rp}{1-p}\sum (y+1)\frac{(y+n-1)!}{y!(n-1)!}p^{y}(1-p)^{n}=1−prp∑(y+1)y!(n−1)!(y+n−1)!py(1−p)n
把∑(y+1)(y+n−1)!y!(n−1)!py(1−p)n\sum (y+1)\frac{(y+n-1)!}{y!(n-1)!}p^{y}(1-p)^{n}∑(y+1)y!(n−1)!(y+n−1)!py(1−p)n拆开
=rp1−p(∑y(y+n−1)!y!(n−1)!py(1−p)n+∑(y+n−1)!y!(n−1)!py(1−p)n)=\frac{rp}{1-p}(\sum y\frac{(y+n-1)!}{y!(n-1)!}p^{y}(1-p)^{n}+\sum \frac{(y+n-1)!}{y!(n-1)!}p^{y}(1-p)^{n})=1−prp(∑yy!(n−1)!(y+n−1)!py(1−p)n+∑y!(n−1)!(y+n−1)!py(1−p)n)
∑y(y+n−1)!y!(n−1)!py(1−p)n\sum y\frac{(y+n-1)!}{y!(n-1)!}p^{y}(1-p)^{n}∑yy!(n−1)!(y+n−1)!py(1−p)n这个形式是不是和我们上面提到的E(X)=∑x(x+r−1)!x!(r−1)!px(1−p)r=rp1−pE(X)=\sum x\frac{(x+r-1)!}{x!(r-1)!}p^x(1-p)^r=\frac{rp}{1-p}E(X)=∑xx!(r−1)!(x+r−1)!px(1−p)r=1−prp一模一样。所以,∑y(y+n−1)!y!(n−1)!py(1−p)n=E(y)=np1−p\sum y\frac{(y+n-1)!}{y!(n-1)!}p^{y}(1-p)^{n}=E(y)=\frac{np}{1-p}∑yy!(n−1)!(y+n−1)!py(1−p)n=E(y)=1−pnp,又因为n=r+1n=r+1n=r+1,所以,E(y)=np1−p=(r+1)p1−pE(y)=\frac{np}{1-p}=\frac{(r+1)p}{1-p}E(y)=1−pnp=1−p(r+1)p。再看∑(y+n−1)!y!(n−1)!py(1−p)n)\sum \frac{(y+n-1)!}{y!(n-1)!}p^{y}(1-p)^{n})∑y!(n−1)!(y+n−1)!py(1−p)n)是不是和∑p(x)=∑(x+r−1)!x!(r−1)!px(1−p)r=1\sum p(x)=\sum \frac{(x+r-1)!}{x!(r-1)!}p^x(1-p)^r=1∑p(x)=∑x!(r−1)!(x+r−1)!px(1−p)r=1一模一样,所以,∑(y+n−1)!y!(n−1)!py(1−p)n)=1\sum \frac{(y+n-1)!}{y!(n-1)!}p^{y}(1-p)^{n})=1∑y!(n−1)!(y+n−1)!py(1−p)n)=1,带入上式
=rp1−p((r+1)p1−p+1)=\frac{rp}{1-p}(\frac{(r+1)p}{1-p}+1)=1−prp(1−p(r+1)p+1)
=r2p2+rp(1−p)2=\frac{r^2p^2+rp}{(1-p)^2}=(1−p)2r2p2+rp
经过上面的层层推导,我们终于把E(X2)=r2p2+rp(1−p)2E(X^2)=\frac{r^2p^2+rp}{(1-p)^2}E(X2)=(1−p)2r2p2+rp推导出来了,再根据E(X)=rp1−pE(X)=\frac{rp}{1-p}E(X)=1−prp,便可以求出D(X)D(X)D(X)的值
D(X)=E(X2)−(E(X))2D(X)=E(X^2)-(E(X))^2D(X)=E(X2)−(E(X))2
=r2p2+rp(1−p)2−(rp1−p)2=\frac{r^2p^2+rp}{(1-p)^2}-(\frac{rp}{1-p})^2=(1−p)2r2p2+rp−(1−prp)2
=rp(1−p)2=\frac{rp}{(1-p)^2}=(1−p)2rp
4、负二项分布在精算中的应用
4.1、定义
假设损失次数NNN服从参数为r和βr和\betar和β的负二项分布,则发生kkk次损失的概率为
P(N=k)=Ck+r−1k(β1+β)k(11+β)rP(N=k)=C_{k+r-1}^k({\frac{\beta}{1+\beta}})^k(\frac{1}{1+\beta})^rP(N=k)=Ck+r−1k(1+ββ)k(1+β1)r
连接上文,这里的β=p1−p\beta=\frac{p}{1-p}β=1−pp
负二项分布的均值和方差为:
E(N)=rβE(N)=r\betaE(N)=rβ
D(N)=rβ(1+β)D(N)=r\beta(1+\beta)D(N)=rβ(1+β)
将β\betaβ替换为ppp之后,我们可以发现和上面推导的结果是一样的。
4.2、性质
(1)方差大于均值。在实际运用中如果方差大于均值,负二项分布比泊松分布可以更好的拟合数据。
(2)负二项分布是一种混合泊松分布,即如果假设泊松分布的参数服从伽马分布,由此得到的混合泊松分布即为负二项分布。
针对这个性质的证明,到时在学完伽马分布的时候再看吧。
5、软件实操
5.1、相同的ppp,不同的rrr
画图代码
import numpy as np
import math
import matplotlib.pyplot as pltdef nbpmf(sample,r,p):'''Parameters----------sample : int负二项分布的样本数量.r : int贝努力实验中的失败次数.p : float贝努力实验中的成功的概率.Returns-------k_sample : int样本数量.probability : TYPE概率.'''sample=sampler=rp=pk_sample=np.arange(sample)#会返回一个0至sample-1的连续整数列表probability=[]for k in k_sample:temp = (math.factorial(k+r-1)/(math.factorial(k)*math.factorial(r-1)))*p**k*(1-p)**r#计算负二项分布的概率#math.factorial()是阶乘函数probability.append(temp)return k_sample,probabilityr=5#可以跟换不同的r值查看概率图像
p=0.6
sample=40
k,probability=nbpmf(sample,r,p)#调用自定义的负二项分布函数
plt.subplot(1,1,1)#定义图片的布局,针对一张图片来说可以省略该代码
plt.plot(k,probability,"r",label="r="+str(r))#画曲线图,并定义曲线为红色"r",并显示图例label(后面是图例名称)
plt.plot(k,probability,"ro")#画散点图,并定义散点为红色
plt.title("Negative Binomial distribution(p="+str(p)+")")#设置图片标题
plt.xlabel("Number of successes (k)")#设置图片x轴说明
plt.ylabel("probability")#设置图片y轴说明
plt.legend(loc=0)#将图例放在合适的位置,让系统自动查找
输出结果
从图片可以看出,当成功的概率ppp一定时,随着失败次数rrr的增大,函数图像逐渐向左偏移,峰值逐渐变小,图像由细高变得宽矮。
5.2、相同的rrr,不同的ppp
代码与上面相同,只是保持rrr不变,而修改了ppp值和图像标头
输出结果
从图片可以看出,其变化形态和5.1、相同的ppp,不同的rrr。 是一样的。只是变化幅度有些许不同。
5.3、负二项分布与正态分布
画图代码
import numpy as np
import math
import matplotlib.pyplot as pltdef nbpmf(sample,r,p):'''Parameters----------sample : int负二项分布的样本数量.r : int贝努力实验中的失败次数.p : float贝努力实验中的成功的概率.Returns-------k_sample : int样本数量.probability : TYPE概率.'''sample=sampler=rp=pk_sample=np.arange(sample)#会返回一个0至sample-1的连续整数列表probability=[]for k in k_sample:temp = (math.factorial(k+r-1)/(math.factorial(k)*math.factorial(r-1)))*p**k*(1-p)**r#计算负二项分布的概率#math.factorial()是阶乘函数probability.append(temp)return k_sample,probabilitydef normalpdf(mu,sigma,simple):"""Parameters----------mu : float正态分布的均值.sigma : float正态分布标准差.simple : int生成的样本数量.Returns-------x : floatx轴值.probability : float取值为x轴值时,对应的概率密度函数值,相当于离散变量的概率."""mu = musigma = sigmasimple = simplex = np.arange(sample)probability=np.exp(-(x-mu)**2/(2*sigma**2))/(math.sqrt(2*math.pi)*sigma)#正态分布的概率密度函数return x,probabilityr=90#通过更改r值便可以画出不同参数的图像
p=0.5
plt.subplot(1,1,1)
mean = r*p/(1-p)#负二项分布的均值
sigam = math.sqrt(r*p/((1-p)**2))#负二项分布的标准差
sample=mean*2
k,probability_nb=nbpmf(sample,r,p)
k,probability_no=normalpdf(mean,sigam,sample)
plt.plot(k,probability_no,"r",label="normal")
plt.plot(k,probability_nb,"g--",label="n_binomial")
plt.title("Negative Binomial and Normal distribution" + "(r,p="+str(r)+","+str(p)+")")#设置图片标题
plt.xlabel("Number of successes (k)")#设置图片x轴说明
plt.ylabel("probability")#设置图片y轴说明
plt.legend(loc=0)#将图例放在合适的位置,让系统自动查找
输出结果
通过图片可以看出,在ppp值不变的情况下,随着失败次数rrr的逐渐变大,负二项分布逐渐趋近正态分布。所以在大样本情况下,可以用正态分布近似负二项分布。
—End—
*** 参考资料 ***
1、《非寿险精算学》孟生旺著
2、负二项分布_虚胖一场的博客-CSDN博客_负二项分布
3、概率质量函数(PMF)、概率密度函数(PDF)、累积分布函数(CDF)_Uncertainty!!的博客-CSDN博客_概率质量函数
4、排列组合cn和an公式_xxxx追风的博客-CSDN博客_排列组合
5、负二项分布的数学期望和方差的一种求法 - 百度文库 (baidu.com)
6、Python中如何求阶乘?教你四个方法-群英 (qycn.com)
损失次数模型-负二项分布相关推荐
- 损失次数模型-泊松分布
损失次数模型-泊松分布 --非寿险精算的基本理论 1.定义 假设损失次数NNN服从参数为λ\lambdaλ的泊松分布,则发生kkk次损失的概率为: p(N=k)=e−λλkk!p(N=k)=\frac ...
- 【数据分析 R语言实战】学习笔记 第六章 参数估计与R实现(上)
6.1点估计及R实现 6.1.1矩估计 R中的解方程函数: 函数及所在包:功能 uniroot()@stats:求解一元(非线性)方程 multiroot()@rootSolve:给定n个(非线性)方 ...
- 三大深度学习生成模型:VAE、GAN及其变种
本章将为读者介绍基于深度学习的生成模型.前面几章主要介绍了机器学习中的判别式模型,这种模型的形式主要是根据原始图像推测图像具备的一些性质,例如根据数字图像推测数字的名称,根据自然场景图像推测物体的边界 ...
- 模型评估——定量分析预测的质量
https://blog.csdn.net/hustqb/article/details/77922031 评分参数定义模型评价规则 公共案例预定义值 根据度量函数定义你的评分策略 应用你自己的评分对 ...
- 【论文阅读】Paraformer工业级非自回归端到端语音识别模型
Paraformer: Fast and AccurateTransformer for Non-autoregressive End-to-End Speech Recognition 摘要 介绍 ...
- R语言基于决策树的银行信贷风险预警模型
引言 我国经济高速发展,个人信贷业务也随着快速发展,而个人信贷业务对提高内需,促进消费也有拉动作用.有正必有反,在个人信贷业务规模不断扩大的同时,信贷的违约等风险问题也日益突出,一定程度上制约着我国 ...
- 模型剪枝经典论文解读:《Learning Efficient Convolutional Networks through Network Slimming》
Learning Efficient Convolutional Networks through Network Slimming 摘要: CNN在落地中的部署,很大程度上受到其高计算成本的限制.在 ...
- 【数学建模】建立露天矿优化模型解决问题
建立露天矿优化模型解决问题 [摘要] 本文通过建立优化模型,分别针对原则一提出的总运输量最小,并且同时出动最少的车辆要求,和原则二提出的要求利用现有车辆运输,获得最大的产量要求,解决了露天矿生产的车辆 ...
- python回归模型_Python实现线性回归模型
从简单的线性回归模型中可以看到构建一个监督学习网络的基本步骤.下文摘自<动手学深度学习> 线性回归概念 线性回归输出是一个连续值,因此适用于回归问题.回归问题在实际中很常见,如预测房屋价格 ...
最新文章
- 不畏浮云遮望眼--离散数学和组合数学
- Python源码学习:Python函数浅析-无参函数
- 软件架构自学笔记----分享“去哪儿 Hadoop 集群 Federation 数据拷贝优化”
- Linux之Sed工具的使用详解
- BigData预处理(完整步骤)
- info java module_JAVA新特性视频教学:第三天_21_认识module-info.java文件.mp4
- nodejs接收表单写入mysql_NodeJS提交表单存数据库(转)
- 分布式系统开发工具包 —— 基于Kryo的Java对象序列化
- java sha1工具类_SHA1算法工具类
- 极速稳定网络加速服务器,零点云 极速服务器
- 【丐中丐】废旧光驱改装激光雕刻机
- lammps教程:叠加力场hybrid/overlay设置方法介绍
- 时序动作检测《BMN: Boundary-Matching Network for Temporal Action Proposal Generation》
- 在函数中引用外部数组元素
- 优美图案c语言程序,C语言编程之一个最优美的图案
- 小悦悦事件,18路人视而不见,不只是道德问题
- 高一计算机专业班主任工作总结,高一年级第一学期班主任工作总结
- python 统计pdf页数
- WSC——商务软件解决方案技能
- python日志实现
热门文章
- 四种请求方式 get、post、put、delete 的用法及区别(全)
- Vue 富文本wangEditor3 (自动保存 快捷保存 激活工具栏...
- VSCode . Syncing还原配置
- 计算机excel2010知识点,Excel-模拟分析和图表知识点讲解-计算机二级Office
- 2019年安徽省大学生网络攻防赛赛前培训——Day2
- x86: perf_events内核初始化
- STM32L051低功耗STOP模式串口中断唤醒
- 向量或矩阵的微分计算
- python 64式: 第24式、python项目国际化翻译实战
- 谷粒学苑 —— 9、课程管理:课程列表