答:进程是所有线程的集合，每一个线程是进程中的一条执行路径，线程只是一条执行路径。

答:Runnable接口好，因为实现了接口还可以继续继承。继承Thread类不能再继承。

你在哪里用到了多线程？

答:主要能体现到多线程提高程序效率。

举例:分批发送短信、迅雷多线程下载等。

答:当多个线程同时共享，同一个全局变量或静态变量，做写的操作时，可能会发生数据冲突问题，也就是线程安全问题。做读操作是不会发生数据冲突问题。

如何解决多线程之间线程安全问题?

答:使用多线程之间同步或使用锁(lock)。

为什么使用线程同步或使用锁能解决线程安全问题呢？

答:将可能会发生数据冲突问题(线程不安全问题)，只能让当前一个线程进行执行。被包裹的代码执行完成后释放锁，让后才能让其他线程进行执行。这样的话就可以解决线程不安全问题。

什么是多线程之间同步？

答:当多个线程共享同一个资源,不会受到其他线程的干扰。

答:就是将可能会发生线程安全问题的代码，给包括起来。只能让当前一个线程进行执行，被包裹的代码执行完成之后才能释放所，让后才能让其他线程进行执行。

注意:谷歌浏览器 已经防止了XSS攻击，为了演示效果，最好使用火狐浏览器

# 订阅者的客户端会显示如下消息

Kafka是Apache下的一个子项目，是一个高性能跨语言分布式Publish/Subscribe消息队列系统，而Jafka是在Kafka之上孵化而来的，即Kafka的一个升级版。具有以下特性：快速持久化，可以在O(1)的系统开销下进行消息持久化；高吞吐，在一台普通的服务器上既可以达到10W/s的吞吐速率；完全的分布式系统，Broker、Producer、Consumer都原生自动支持分布式，自动实现复杂均衡；支持Hadoop数据并行加载，对于像Hadoop的一样的日志数据和离线分析系统，但又要求实时处理的限制，这是一个可行的解决方案。Kafka通过Hadoop的并行加载机制来统一了在线和离线的消息处理，这一点也是本课题所研究系统所看重的。Apache Kafka相对于ActiveMQ是一个非常轻量级的消息系统，除了性能非常好之外，还是一个工作良好的分布式系统。

MQ怎么保证消息幂等问题

前些日子偶然间听到一位新同事问一位做算法的同事：均值是不是期望？老算法回答说：这是不同的概念。说完之后，由于有事就急匆匆的走了。偶听到之后狐疑了一会，打开了搜索引擎。当然，答案是非常明晰且简单的，均值严格来说就是期望。然而在查阅网上相关讨论时发现很多人对它们是分不清的。后来思来想去，为什么造成如此大的误解？直至近日有了答案。

由于语言等方面的原因，通常人们口中说到均值的时候，是在谈论平均值。因此，以上的混乱事实上是对平均值和期望的混乱。而平均值属于《数理统计》的范畴，期望属于《概率论》的范畴，因此，这种混淆更深层次的反映出人们对这两门学科理解的混乱。

通过查阅相关资料，发现混淆平均值和期望的现象并不是个例，因此有理由怀疑这种现象的存在有着本质的原因，经过多方分析，我发现造成人们混淆两者关系的原因是多个方面的：

1. 学习与应用过程当中对于二者“不加区分”
2. 二者都是总体趋势的一种度量

• 内容安排与课程设置上没有进行隔离

在学习相关知识的时候教材通常是《概率论与数理统计》，由于概率论与数理统计联系十分紧密，出版社将这两门学科安排在了同一本书中。对于懵懂的大一新生来说，都是一本书、一堂课、一个教学老师，对于习惯了以前不同科目不同老师的划分方式，这样的内容安排以及教学安排是很难接受的。学生在思维上没有及时转变过来，因此，混淆这两者的关系就是情理之中了。

• 缺少实践机会无法对知识进行修正

我们说实践是检验真理的唯一标准，如果学习到错误的知识，那么在应用过程中就会出错，进而人们对于以前的概念进行修正，最终吸收的知识就一定是正确的。如果缺乏这种应用，那么就失去了发现错误概念并修正的机会。而且，应用实践相比学习难度大了不止一个量级，很多人往往也仅仅是做到了“学”，而放弃了”习“的过程。在《概率论与数理统计》这门课的学习过程中，在教学过程当中缺乏对于这两门知识的实践应用，安排的只是一些纯理论的计算，没有实验验证环节。因此，混淆知识就是十分普遍的了。

• 二者都是总体趋势的一种度量

平均值和中位数、众数、中点距被一起用来描述一组样本的中心趋势，是样本集合的一种中心化趋势的描述。期望的描述引述陈希孺院士《概率论与数理统计》如下：

数学期望常称为“均值”，即“随机变量取值的平均值”之意，当然这个平均，是指以概率为权的加权平均。……数学期望是由随机变量的分布完全决定。

以上表明数学期望是随机变量的一种中心化趋势的描述。如果认为平均值和期望相同，大脑只需对一个点进行记忆；如果不同，就需要对两个点进行记忆，更何况是随机变量这种十分抽象的概念。因此，忽视前面的修饰（样本集合、随机变量）就是十分普遍的事情了。

• 大数定理将二者连接起来

大数定理说明当样本量N趋近无穷大的时候，样本的平均值无限接近数学期望。

这里有一个限定条件“样本量趋近无穷大”，往往人们容易遗忘的就是这个限定条件。如果样本较小的时候，使用平均值来代替期望就要计算它可信程度了（置信水平）。

前面引文说过，数学期望又叫均值；而我们的平均值和均值只是一字之差，少一个字就是相同的。而在英语中平均值写作average,均值写作mean，这两个字体上就差别比较大。

我们的目的是更好的应用，纵然有许多困难，还是需要克服。弄明白了混淆的原因，就要想办法将二者清晰的区分开来了。

本文开头已经叙述过，平均值属于《数理统计》的范围，期望属于《概率论》的范围。文中又说到大数定理的连接作用。接下来我们将对其展开描述。

明确平均值的研究范畴-数理统计

数理统计是数学的一个分支，通过数据收集、分析、理解来进行推理；应用于科学、工业、社会问题。通常研究的是统计类总体或统计模型的过程。在进行数据普查的时候，统计学家通过设计特定的实验来进行样本收集。其中，典型性抽样假设可以通过合理的方法将基于统计样本的结论和推论应用于整个总体。实验性研究通过设计系统的评价，并对系统进行修改，之后通过相同的过程对系统进行评价，判断通过这种修改系统的方式能否成功的修改系统的测量值。

数据分析领域有两个主要的统计方法：描述统计和统计推断。描述统计使用一些指标如均值、标准差对数据集合进行总结性描述；而统计推断从数据当中得出关于随机变量的结论，是对随机现象的分析，它的基础是概率论。

标准的统计过程是关于测试两个数据样本之间的关系的，一个是真实的数据样本，一个是从理想模型当中采样得到的虚拟样本。通常人们开始时，都先假设这两个数据集之家没有关联，称关系假设为空。之后通过在数据集上进行统计测验，来对这种假设进行验证，根据验证结果来判断假设是否合理。这种情况下就会容易出现两种错误：“false positive”（假设被错误的拒绝）与“false negative”（假设被错误的接受），引起这些问题的因素非常的多：从获取足够的数据样本到想象够多的假设等。

对系统进行衡量而产生统计数据的过程也同样会面对误差，这些误差被分为随机误差和系统误差，但是其他类误差如人们无意间犯的错误、数据源错误等也同样重要。数据的丢失和删除可能会导致有偏性的估计值，当然现在已经有以下特定技巧对其进行缓解。

统计的出现可以追溯到公元前5世纪了，但是直到18世纪才开始了基于计算理论和概率论的理论分析。在近些年，统计已经成为更多的使用统计软件进行统计测试了，例如描述性分析。

从以上描述中可以看出平均值就是描述统计当中一个描述性指标，是数据集合总体趋势的一种描述指标。

数理统计以样本数据集合为出发点；概率论则不同，以事件的概率本质为出发点。

明确期望的研究范畴-概率论

概率论是数学的一个分支，主要研究事件的概率。虽然概率论有很多种不同的解释，但对于它的表示则是建立在一组公理之上，这可是非常严谨的。严格讲，它将0与1之间的一个数值分配给输出集合（样本空间），这样在概率空间中形式化的表示概率。输出集合的任意子集就称作为一个事件。

概率论研究的主题主要包括离散和连续变量、概率分布、随机过程。它是非确定性或者不确定性过程的一个抽象表示，是随机方式出现或运行过程的一种可测性度量。

虽然不能完美的对随机事件进行预测，但是依然说明了很多规律。概率论有两个主要成果：大数定理和中心极限定理。

作为统计学的数学基础，概率论在人们关于数据定量分析有关的活动中扮演非常重要的角色。在复杂系统当中，当只提供部分信息时，概率论中的方法也可以用来对其进行描述。二十世纪最伟大的发现之一是在量子力学中，人们发现了在原子空间中物理现象的本质是基于概率的。

期望就是其中关于随机变量的一种总体性描述，它是事件本质的一种表达。

丛然，世间事物的本质扑朔迷离，对其进行准确的定量描述十分困难。但是经过众多天才科学家的不懈努力，最终找到了一条通往事物本质的大道，那就是大数定理。

大数定理将属于数理统计的平均值和属于概率论的期望联系在一起。通过前文描述我们知道，通过收集大量的样本并计算样本集合的平均值可以无限近似期望，而且事物的其他本质属性则可以通过基于期望的变换得来，因此人们可以通过运用大数定律来接近事物本质。

找到接近事物本质的方法无疑是令人振奋的，其强大的魅力使很多人迷恋。但是，我们知道没有放之四海而皆准的东西，大数定理也不例外。

样本量很大的要求限制了大数定理的应用。大数定理强调需要当样本量趋近无限大的时候，平均值才可以无限接近期望，此时可以使用平均值代替期望，但是很多时候，样本收集具有很大的成本，或是时间成本或是金钱成本，因此只能收集到小样本量的数据。此时根据大数定理采用平均值代替期望的方法可信度就会下降，例如在医学临床试验中样本量太少；在行星轨迹观测中收集时间过长。

为了解决这个问题，人们提出了贝叶斯的方法，此处不再展开，请查阅其他资料。

当然，知识混乱我私以为大部分的责任是旁人的，个人只是承担很少的责任。倘若开始学习就看的是经典教材而不是为了照顾本校某位老师编著教科书的销量；倘若上课老师直接就是领域内的泰山北斗而不是某位领导的弟子；倘若课程中设计了动手实验环节而不是仅仅读书朗诵，那么我相信这种基础概念的混淆是不会出现的。当然以上阐述是以少看剧、少打游戏为前提的。

1.1怎样理解产生于西方国家的计量经济学能够在中国的经济理论研究和现代化建设中发挥重要作用？

答：计量经济学的产生源于对经济问题的定量研究，这是社会经济发展到一定阶段的客观需要。计量经济学的发展是与现代科学技术成就结合在一起的，它反映了社会化大生产对各种经济因素和经济活动进行数量分析的客观要求。经济学从定性研究向定量分析的发展，是经济学逐步向更加精密、更加科学发展的表现。我们只要坚持以科学的经济理论为指导，紧密结合中国经济的实际，就能够使计量经济学的理论与方法在中国的经济理论研究和现代化建设中发挥重要作用。

1.2理论计量经济学和应用计量经济学的区别和联系是什么？

答：计量经济学不仅要寻求经济计量分析的方法，而且要对实际经济问题加以研究，分为理论计量经济学和应用计量经济学两个方面。

理论计量经济学是以计量经济学理论与方法技术为研究内容，目的在于为应用计量经济学提供方法论。所谓计量经济学理论与方法技术的研究，实质上是指研究如何运用、改造和发展数理统计方法，使之成为适合测定随机经济关系的特殊方法。

应用计量经济学是在一定的经济理论的指导下，以反映经济事实的统计数据为依据，用计量经济方法技术研究计量经济模型的实用化或探索实证经济规律、分析经济现象和预测经济行为以及对经济政策作定量评价。

1.3怎样理解计量经济学与理论经济学、经济统计学的关系？

答：1、计量经济学与经济学的关系。联系：计量经济学研究的主体—经济现象和经济关系的数量规律；计量经济学必须以经济学提供的理论原则和经济运行规律为依据；经济计量分析的结果：对经济理论确定的原则加以验证、充实、完善。区别：经济理论重在定性分析,并不对经济关系提供数量上的具体度量；计量经济学对经济关系要作出定量的估计，对经济理论提出经验的内容。

2、计量经济学与经济统计学的关系。联系：经济统计侧重于对社会经济现象的描述性计量；经济统计提供的数据是计量经济学据以估计参数、验证经济理论的基本依据；经济现象不能作实验，只能被动地观测客观经济现象变动的既成事实，只能依赖于经济统计数据。区别：经济统计学主要用统计指标和统计分析方法对经济现象进行描述和计量；计量经济学主要利用数理统计方法对经济变量间的关系进行计量。

1.4在计量经济模型中被解释变量和解释变量的作用有什么不同？

答：在计量经济模型中，解释变量是变动的原因，被解释变量是变动的结果。被解释变量是模型要分析研究的对象。解释变量是说明被解释变量变动主要原因的变量。

1.5一个完整的计量经济模型应包括哪些基本要素？你能举一个例子吗？

答：一个完整的计量经济模型应包括三个基本要素：经济变量、参数和随机误差项。

例如研究消费函数的计量经济模型：

u βX αY ++=其中，为居民消费支出，为居民家庭收入，二者是经济变量；和为参数；Y X αβu 是随机误差项。

1.6假如你是中央银行货币政策的研究者，需要你对增加货币供应量促进经济增长提出建议，你将考虑哪些因素？你认为可以怎样运用计量经济学的研究方法？

答：货币政策工具或者说影响货币供应量的因素有再贴现率、公开市场业务操作以及法定准