確率論




確率論（かくりつろん、英: probability theory, 仏: théorie des probabilités, 独: Wahrscheinlichkeitstheorie）とは、偶然現象に対して数学的な模型（モデル）を与え、解析する数学の一分野である。


もともとサイコロ賭博といった賭博の研究として始まった[1]。現在でも保険や投資などの分野で基礎論として使われる。


なお、確率の計算を問題とする分野を指して「確率論」と呼ぶ用例もあるが、本稿では取り扱わない。




目次






  • 1 歴史


    • 1.1 古典的確率論


    • 1.2 公理的確率論




  • 2 基礎概念の概略


  • 3 基礎概念の数学的定義


    • 3.1 確率空間


    • 3.2 確率変数


    • 3.3 確率空間の例


      • 3.3.1 コイントス






  • 4 期待値、分散


  • 5 独立性


  • 6 条件付き確率


  • 7 特性関数


  • 8 確率過程


  • 9 確率分布


  • 10 確率測度、確率変数の収束


  • 11 重要な定理


    • 11.1 確率の乗法定理




  • 12 脚注


  • 13 参考文献


  • 14 関連項目


  • 15 外部リンク





歴史


詳細は「確率の歴史」を参照


古典的確率論


確率論は16世紀から17世紀にかけてカルダーノ、パスカル、フェルマー、ホイヘンス等によって数学の一分野としての端緒が開かれた。イタリアのカルダーノは賭博師でもあり、1560年代に『さいころあそびについて』（羅: Liber de ludo aleae）を執筆して初めて系統的に確率論を論じた。その書は彼の死後の1663年に出版された[2]。18世紀から19世紀にかけて、ラプラスはそれまでの確率論を統合する研究を行い、1814年2月に『確率の哲学的試論』を著し、古典的確率論と呼ばれる理論にまとめた[3]。



公理的確率論


現代数学の確率論は、アンドレイ・コルモゴロフの『確率論の基礎概念』（1933年）[4]に始まる公理的確率論である。この確率論では「確率」が直接的に何を意味しているのかという問題は取り扱わず、「確率」が満たすべき最低限の性質をいくつか規定し、その性質から導くことのできる定理を突き詰めていく学問である。この確率論の基礎には集合論・測度論・ルベーグ積分があり、確率論を学ぶためにはこれらの知識が要求される。公理的確率論の必要性に関しては確率空間の項を参照。


現在、確率論は解析学の一分野として分類されている。特にルベーグ積分論や関数解析学とは密接なつながりがある。もちろん離散数学との関係も依然として深いが、離散的な場合であってもその内容は解析的なものであることが多い[要出典]​。また、確率論は統計学を記述する際の言語や道具としても重要である。



基礎概念の概略


確率論で使われるいくつかの重要な概念を簡単に解説する。詳しい内容は各項目のページを参照。



標本空間

（確率論においては）空集合でない集合。Ω と書く。意味としては、起こる最小のことがらを全て集めてきた集合である。このため、通常は非常に巨大な集合となる。ことが起こること（試行の結果）は、Ω から1つの元 ω が、それぞれ一定の比重を持った上で選ばれることに等しい。




事象 (event)

標本空間の部分集合のうち確率をもつものを事象と呼ぶ。全ての事象を集めた集合族 F{displaystyle {mathcal {F}}}{mathcal {F}} は完全加法族になっている必要がある。それ以外に、F{displaystyle {mathcal {F}}}{mathcal {F}} はできるだけ細分化されている必要がある。これ以上分解できない事象を根元事象または単純事象 (elementary event / simple event)、複数の根元事象の和集合を複合事象 (compound event) という。つまり、F{displaystyle {mathcal {F}}}{mathcal {F}} は、根元事象から生成される最小の完全加法族となっている。



確率空間

標本空間 Ω と事象の全体 F{displaystyle {mathcal {F}}}{mathcal {F}} と確率測度 P の組を確率空間と呼ぶ。確率の問題を確率論的に定式化するということは、この確率空間を定めることである。しかし、通常はその問題にはどのような確率変数が存在するかということを調査し、必要となる確率変数をすべて含むことができるぐらい巨大な Ω を定める。



確率測度

各事象に対して 0 以上 1 以下の数を対応させる関数を確率測度といい P と書き、事象 A の確率は P(A) となる。Ω 自体は常に全事象と呼ばれる事象であり、全事象の確率は 1 でなければならない。P は確率測度の公理を満たすように定める必要がある。「確率」が何を意味しているかは議論の対象ではない[5]。



確率変数


Ω 上で定義された実数値関数で、F{displaystyle {mathcal {F}}}{mathcal {F}} 可測であるものを確率変数と呼ぶ。確率変数は、例えば「サイコロの目」のように、根元事象に値を割り当てていることを定式化したものである。この定式化により、事象が起こることは、確率変数が（各確率に応じて）ランダムに値をとることと言い換えられる。F{displaystyle {mathcal {F}}}{mathcal {F}} 可測であるというのは、確率変数値を取る Ω の部分集合が必ず事象である（すなわち必ず確率をもつ）という意味である。



確率分布

確率変数の各々の値に対して、その起こりやすさの記述。



確率過程

確率過程は、時間とともに変化する確率変数。



基礎概念の数学的定義


現代確率論における基礎概念たちは測度論を基盤として次のように厳密に定義される。



確率空間




  • (Ω,F){displaystyle (Omega ,{mathcal {F}})}{displaystyle (Omega ,{mathcal {F}})} を可測空間とする。すなわち Ω は標本空間と呼ばれる空でない集合であり、F{displaystyle {mathcal {F}}}{mathcal {F}} は ω 上の完全加法族である。

  • 完全加法族 F{displaystyle {mathcal {F}}}{mathcal {F}} とは、2Ω を Ω の部分集合の全体（冪集合）としたとき、F⊂2Ω{displaystyle {mathcal {F}}subset 2^{Omega }}{displaystyle {mathcal {F}}subset 2^{Omega }} であって以下の性質を持つものである：



  1. Ω∈F,{displaystyle Omega in {mathcal {F}},}{displaystyle Omega in {mathcal {F}},}

  2. 任意の A∈F{displaystyle Ain {mathcal {F}}}{displaystyle Ain {mathcal {F}}} に対して Ac=Ω∖A∈F,{displaystyle A^{c}=Omega setminus Ain {mathcal {F}},}{displaystyle A^{c}=Omega setminus Ain {mathcal {F}},}

  3. 任意の An∈F,n=1,2,…{displaystyle A_{n}in {mathcal {F}},n=1,2,ldots }{displaystyle A_{n}in {mathcal {F}},n=1,2,ldots } に対して
    ⋃n=1∞An∈F.{displaystyle bigcup _{n=1}^{infty }A_{n}in {mathcal {F}}.}{displaystyle bigcup _{n=1}^{infty }A_{n}in {mathcal {F}}.}




  • P を可測空間 (Ω,F){displaystyle (Omega ,{mathcal {F}})}{displaystyle (Omega ,{mathcal {F}})} 上の確率測度とする。すなわち、写像 P:F→[0,1]{displaystyle P:{mathcal {F}}to [0,1]}{displaystyle P:{mathcal {F}}to [0,1]} であって、以下の性質を持つものとする：


  1. （完全加法性）：An∈F,n=1,2,…{displaystyle A_{n}in {mathcal {F}},n=1,2,ldots }{displaystyle A_{n}in {mathcal {F}},n=1,2,ldots } で Ai∩Aj=∅ (∀i≠j){displaystyle A_{i}cap A_{j}=emptyset (forall ineq j)}{displaystyle A_{i}cap A_{j}=emptyset (forall ineq j)} を満たすものに対し、
    P(⋃n=1∞An)=∑n=1∞P(An).{displaystyle Pleft(bigcup _{n=1}^{infty }A_{n}right)=sum _{n=1}^{infty }P(A_{n}).}{displaystyle Pleft(bigcup _{n=1}^{infty }A_{n}right)=sum _{n=1}^{infty }P(A_{n}).}


  2. （正規性）：P(Ω) = 1.


  • このときの三つ組 (Ω,F,P){displaystyle (Omega ,{mathcal {F}},P)}{displaystyle (Omega ,{mathcal {F}},P)} を確率空間 (probability space) と呼び、可測集合 A∈F{displaystyle Ain {mathcal {F}}}{displaystyle Ain {mathcal {F}}} を事象 (event) と呼ぶ。


確率変数



  • 確率空間 (Ω,F,P){displaystyle (Omega ,{mathcal {F}},P)}(Omega ,{mathcal {F}},P) 上の可測関数を確率変数 (random variable) と呼ぶ。すなわち、ある可測空間 (E,E){displaystyle (E,{mathcal {E}})}(E,{mathcal {E}}) に対して、写像 X:Ω→E{displaystyle X:Omega to E}{displaystyle X:Omega to E} であって任意の A∈E{displaystyle Ain {mathcal {E}}}Ain {mathcal {E}} に対して X−1(A):={ω∈Ω∣X(ω)∈A}∈F{displaystyle X^{-1}(A):={omega in Omega mid X(omega )in A}in {mathcal {F}}}{displaystyle X^{-1}(A):={omega in Omega mid X(omega )in A}in {mathcal {F}}} を満たすものをいう。多くの場合、E は位相空間であって、そのときの完全加法族 E{displaystyle {mathcal {E}}}{mathcal {E}} としてはボレル集合族 B(E){displaystyle {mathcal {B}}(E)}{displaystyle {mathcal {B}}(E)} を採用する。E=Rd{displaystyle E=mathbb {R} ^{d}}{displaystyle E=mathbb {R} ^{d}} のとき、X を d 次元確率変数といい、特に d = 1 のときは単に確率変数と呼ぶことが多い。

  • 確率変数 X:Ω→E{displaystyle X:Omega to E}{displaystyle X:Omega to E} の確率分布 (probability distribution)、または分布 (distribution)、法則 (law) とは、PX(A):=P(X−1(A)),A∈E{displaystyle P_{X}(A):=P(X^{-1}(A)),;Ain {mathcal {E}}}{displaystyle P_{X}(A):=P(X^{-1}(A)),;Ain {mathcal {E}}} によって定まる、可測空間 (E,E){displaystyle (E,{mathcal {E}})}(E,{mathcal {E}}) 上の確率測度 PX のことをいう。すなわち、PX は確率変数 X による確率測度 P の像測度 (image measure)、押し出し測度（英語版） (push-forward measure) のことである。しばしば P(X∈A){displaystyle P(Xin A)}{displaystyle P(Xin A)} と略記される。一般的な (Rd,B(Rd)){displaystyle (mathbb {R} ^{d},{mathcal {B}}(mathbb {R} ^{d}))}{displaystyle (mathbb {R} ^{d},{mathcal {B}}(mathbb {R} ^{d}))} 上の確率測度も分布と呼ばれる。



確率空間の例



コイントス


コインを投げて裏と表が出る確率がそれぞれ 1/2 であることを、確率空間として表すと例えば次のようになる。




  • Ω:={0,1}{displaystyle Omega :={0,1}}{displaystyle Omega :={0,1}},


  • F:=2Ω={∅,{0},{1},{0,1}}{displaystyle {mathcal {F}}:=2^{Omega }={emptyset ,{0},{1},{0,1}}}{displaystyle {mathcal {F}}:=2^{Omega }={emptyset ,{0},{1},{0,1}}},

  • P({0})=P({1})=12{displaystyle P({0})=P({1})={frac {1}{2}}}{displaystyle P({0})=P({1})={frac {1}{2}}}


とする。0 を裏、1 を表と考えると確率空間 (Ω,F,P){displaystyle (Omega ,{mathcal {F}},P)}{displaystyle (Omega ,{mathcal {F}},P)} はコイントスのモデルとなっている。


ここでもう一つ違う表現を考える。



  • Ω~:=[0,1],{displaystyle {tilde {Omega }}:=[0,1],}{displaystyle {tilde {Omega }}:=[0,1],}


  • F~{displaystyle {tilde {mathcal {F}}}}{displaystyle {tilde {mathcal {F}}}}：ボレル集合族、


  • P~{displaystyle {tilde {P}}}{displaystyle {tilde {P}}}：ルベーグ測度


とする。さらに確率変数 X:Ω~→{0,1}{displaystyle X:{tilde {Omega }}rightarrow {0,1}}{displaystyle X:{tilde {Omega }}rightarrow {0,1}} を


X(ω)={0if ω∈[0,1/2]1if ω∈(1/2,1]{displaystyle X(omega )={begin{cases}0&{text{if }}omega in [0,1/2]\1&{text{if }}omega in (1/2,1]end{cases}}}{displaystyle X(omega )={begin{cases}0&{text{if }}omega in [0,1/2]\1&{text{if }}omega in (1/2,1]end{cases}}}

と定義する。すると P~X=P{displaystyle {tilde {P}}_{X}=P}{displaystyle {tilde {P}}_{X}=P} であり、X は確率空間 (Ω~,F~,P~){displaystyle ({tilde {Omega }},{tilde {mathcal {F}}},{tilde {P}})}{displaystyle ({tilde {Omega }},{tilde {mathcal {F}}},{tilde {P}})} 上に定義されたコイントスを表す確率変数であると言える。


ここで、さらに確率変数 Y:Ω~→{0,1}{displaystyle Y:{tilde {Omega }}rightarrow {0,1}}{displaystyle Y:{tilde {Omega }}rightarrow {0,1}} を


Y(ω)={0if ω∈[0,1/4]∪(1/2,3/4]1if ω∈(1/4,1/2]∪(3/4,1]{displaystyle Y(omega )={begin{cases}0&{text{if }}omega in [0,1/4]cup (1/2,3/4]\1&{text{if }}omega in (1/4,1/2]cup (3/4,1]end{cases}}}{displaystyle Y(omega )={begin{cases}0&{text{if }}omega in [0,1/4]cup (1/2,3/4]\1&{text{if }}omega in (1/4,1/2]cup (3/4,1]end{cases}}}

と定義してみる。再び P~Y=P{displaystyle {tilde {P}}_{Y}=P}{displaystyle {tilde {P}}_{Y}=P} であるので、これもコイントスを表す確率変数である。実は、確率空間 (Ω~,F~,P~){displaystyle ({tilde {Omega }},{tilde {mathcal {F}}},{tilde {P}})}{displaystyle ({tilde {Omega }},{tilde {mathcal {F}}},{tilde {P}})} 上に同時に定義されたこの確率変数 X と Y は二つの独立なコイントスを表している。例えば、二枚とも裏が出る確率は P~(X=0,Y=0)=P~([0,1/4])=1/4{displaystyle {tilde {P}}(X=0,Y=0)={tilde {P}}([0,1/4])=1/4}{displaystyle {tilde {P}}(X=0,Y=0)={tilde {P}}([0,1/4])=1/4} という具合になる。もう少し厳密に書くと、確率変数 Z:Ω~→{0,1}2{displaystyle Zcolon {tilde {Omega }}rightarrow {0,1}^{2}}{displaystyle Zcolon {tilde {Omega }}rightarrow {0,1}^{2}} を


Z(ω):=(X(ω),Y(ω)){displaystyle Z(omega ):=(X(omega ),Y(omega ))}{displaystyle Z(omega ):=(X(omega ),Y(omega ))}

と定義すると、Z が二枚の独立なコイントスを表しているということである。



期待値、分散


「期待値」および「分散 (確率論)」を参照


独立性


「独立 (確率論)」を参照


条件付き確率


「条件付き確率」を参照


特性関数


「特性関数 (確率論)」を参照


確率過程


「確率過程」を参照


確率分布


「確率分布」を参照


確率測度、確率変数の収束


「確率変数の収束」を参照


重要な定理



  • 大数の法則

  • 中心極限定理

  • 大偏差原理（英語版）



確率の乗法定理


事象 E, F に対して、それらの積事象 E ∩ F の生起確率が


P(E∩F)=P(E)PE(F){displaystyle P(Ecap F)=P(E)P_{E}(F)}{displaystyle P(Ecap F)=P(E)P_{E}(F)}

となることを確率の乗法定理という[6]。


確率事象 E と F とが独立である場合に限り、次の関係が成り立つ。


P(E∩F)=P(E)P(F).{displaystyle P(Ecap F)=P(E)P(F).}{displaystyle P(Ecap F)=P(E)P(F).}


脚注


[ヘルプ]




  1. ^ 日本数学会 2007, p. 157, 60 確率論.


  2. ^ Cardano 1961.


  3. ^ ラプラス 1997.


  4. ^ コルモゴロフ 2010.


  5. ^ 確率測度は、客観確率の持ついくつかの性質を選んだものであるが、ベイズ統計学のような主観確率も確率測度の条件を満たす。


  6. ^ 西岡 2013, p. 48, 4.3 乗法定理.




参考文献








  • Cardano, Girolamo (1961) [1663]. The book on games of chance (Liber de ludo aleae). New York, NY: Holt, Rinehart and Winston. ASIN B007T35V64. 

  • コルモゴロフ, アンドレイ・N 『確率論の基礎概念』 坂本實翻訳、筑摩書房〈ちくま学芸文庫 ［Math ＆ science］〉、2010年7月7日。.mw-parser-output cite.citation{font-style:inherit}.mw-parser-output .citation q{quotes:"""""""'""'"}.mw-parser-output .citation .cs1-lock-free a{background:url("//upload.wikimedia.org/wikipedia/commons/thumb/6/65/Lock-green.svg/9px-Lock-green.svg.png")no-repeat;background-position:right .1em center}.mw-parser-output .citation .cs1-lock-limited a,.mw-parser-output .citation .cs1-lock-registration a{background:url("//upload.wikimedia.org/wikipedia/commons/thumb/d/d6/Lock-gray-alt-2.svg/9px-Lock-gray-alt-2.svg.png")no-repeat;background-position:right .1em center}.mw-parser-output .citation .cs1-lock-subscription a{background:url("//upload.wikimedia.org/wikipedia/commons/thumb/a/aa/Lock-red-alt-2.svg/9px-Lock-red-alt-2.svg.png")no-repeat;background-position:right .1em center}.mw-parser-output .cs1-subscription,.mw-parser-output .cs1-registration{color:#555}.mw-parser-output .cs1-subscription span,.mw-parser-output .cs1-registration span{border-bottom:1px dotted;cursor:help}.mw-parser-output .cs1-ws-icon a{background:url("//upload.wikimedia.org/wikipedia/commons/thumb/4/4c/Wikisource-logo.svg/12px-Wikisource-logo.svg.png")no-repeat;background-position:right .1em center}.mw-parser-output code.cs1-code{color:inherit;background:inherit;border:inherit;padding:inherit}.mw-parser-output .cs1-hidden-error{display:none;font-size:100%}.mw-parser-output .cs1-visible-error{font-size:100%}.mw-parser-output .cs1-maint{display:none;color:#33aa33;margin-left:0.3em}.mw-parser-output .cs1-subscription,.mw-parser-output .cs1-registration,.mw-parser-output .cs1-format{font-size:95%}.mw-parser-output .cs1-kern-left,.mw-parser-output .cs1-kern-wl-left{padding-left:0.2em}.mw-parser-output .cs1-kern-right,.mw-parser-output .cs1-kern-wl-right{padding-right:0.2em}
    ISBN 978-4-480-09303-5。

  • ラプラス, ピエール＝シモン 『確率の哲学的試論』 岩波書店〈岩波文庫 青925-1〉、1997年11月17日。
    ISBN 4-00-339251-5。

  • 西岡康夫 『数学チュートリアル やさしく語る 確率統計』 オーム社、2013年。
    ISBN 9784274214073。

  • 伏見康治 『確率論及統計論』 河出書房、1942年。
    ISBN 9784874720127。


  • JIS Z 8101-1:1999 統計−用語と記号−第1部：確率及び一般統計用語, 日本規格協会, (1999), http://kikakurui.com/z8/Z8101-1-1999-01.html 

  • 『数学辞典』 日本数学会、岩波書店、2007年、第4版。
    ISBN 9784000803090。



関連項目




  • 測度（確率測度）

  • 確率空間

  • 確率変数

  • 確率分布

  • 独立 (確率論)

  • 大数の法則

  • 中心極限定理


  • 確率過程

    • 確率微分方程式

      • 伊藤清（伊藤の補題）




  • ウィーナー過程（ブラウン運動）

  • 項目応答理論


  • ベイズの定理、ベイズ確率

  • 条件付き確率

  • 条件付期待値

  • ベルトランの逆説

  • モンティ・ホール問題

  • 量子論

  • R言語

  • 推計統計学


  • 数理ファイナンス、金融工学、ブラック-ショールズ方程式、デリバティブ



外部リンク





ウィキメディア・コモンズには、確率論に関連するカテゴリがあります。

  • 古屋茂「確率」[リンク切れ] - Yahoo!百科事典















  • 表

  • 話

  • 編

  • 歴


数学
主要分野


  • 数理論理学

  • 集合論

  • 圏論


  • 代数学

    • 初等

    • 線型

    • 多重線型

    • 抽象




  • 算術/数論

  • 解析学/微分積分学

  • 関数解析


  • 幾何学

    • 代数

    • 微分

    • 有限

    • 離散（英語版）



  • 位相幾何学

  • 表現論

  • リー理論（英語版）

  • 微分方程式

  • 力学系

  • 組合せ数学

  • 数理物理学

  • ゲーム理論

  • グラフ理論

  • 情報理論

  • 数値解析


  • 最適化問題
    • 数理最適化


  • 計算理論

  • 確率論

  • 数理統計学（英語版）

  • 制御理論

  • 三角法


 Math.svg
トピックス

  • 数学史

  • 和算

  • 算道

  • 数理哲学

  • 美

  • 未解決問題

  • 算数・数学教育

  • 算数

  • 教科

  • フィールズ賞

  • アーベル賞

    		•


  • 一覧記事一覧

    • 数学定数

    • 数

    • 関数

    • 図形

    • 数学記号

    • 数学者




  • カテゴリカテゴリ


  • ポータルポータル



















































    • 表

    • 話

    • 編

    • 歴


    確率論
    確率の歴史


    • アンドレイ・コルモゴロフ

    • ハーン＝コルモゴロフの定理

    • トーマス・ベイズ

    • アンドレイ・マルコフ

    • 伊藤清
    確率の定義















    客観確率


    • 統計的確率

    • 古典的確率

    • 公理的確率
    主観確率

  • ベイズ確率

    		•
    確率の拡張

  • 外確率

  • 負の確率

    		•


    基礎概念























    モデル


    • 試行

    • 事象（英語版）

    • 標本空間

    • 確率測度

    • 確率空間
    確率変数

  • 確率変数の収束

    		•
    確率分布

  • 離散確率分布

  • 連続確率分布

  • 同時分布

  • 周辺分布

  • 条件付き確率分布

  • 独立同分布

    		•
    関数

  • 確率質量関数

  • 確率密度関数

  • 累積分布関数

  • 特性関数

    		•
    用語

  • 独立

  • 期待値

  • モーメント

  • 条件付き確率

  • 条件付き期待値

    		•


    確率の解釈

  • ベルトランの逆説


  • 囚人のジレンマ（3囚人問題・モンティ・ホール問題）

  • サンクトペテルブルクのパラドックス

  • 合接の誤謬

    		•
    問題

  • 壺問題

  • クーポンコレクター問題

    		•
    法則・定理

  • ベイズの定理

  • 大数の法則

  • 中心極限定理

  • コルモゴロフの0-1法則

  • 種々の定理

    		•
    測度論

  • ヴィタリの収束定理

  • 優収束定理

    		•
    確率微分方程式

  • 伊藤の補題

    		•
    確率過程

  • 独立増分過程

  • 定常過程

  • マルチンゲール


  • マルコフ過程（マルコフ性・マルコフ連鎖・マルコフ決定過程・部分観測マルコフ決定過程・マルコフ再生過程）


  • ウィーナー過程（ブラウン運動・幾何ブラウン運動・非整数ブラウン運動）

  • ベルヌーイ過程

  • ガウス過程

  • 自己相似過程

  • 経験過程

  • 中華料理店過程

  • オルンシュタイン＝ウーレンベック過程

    		•
    情報量

  • 最大エントロピー原理

  • 交差エントロピー

  • 結合エントロピー

  • カルバック・ライブラー情報量

  • 相互情報量

    		•
    応用





    数理ファイナンス


    • ブラック–ショールズ方程式

    • 確率的ボラティリティモデル



    カテゴリ







    Popular posts from this blog

    MongoDB - Not Authorized To Execute Command

    Image
    .everyoneloves__top-leaderboard:empty,.everyoneloves__mid-leaderboard:empty,.everyoneloves__bot-mid-leaderboard:empty{ height:90px;width:728px;box-sizing:border-box; } 0 I have successfully enabled authorization on MongoDB and I have created an account on the admin database and then I created an account for my database called test. The following connection string to connect to my test database works successfully: mongo --host 192.168.17.52 --port 27017 -u user1 -p password --authenticationDatabase test Only problem I have now is, I cannot execute commands such as: show dbs. I get the following error when I try to do so: "errmsg" : "not authorized on admin to execute command { listDatabases: 1.0, lsid: { id: UUID("a1d5bc0d-bc58-485e-b232-270758a89455") }, $db: "admin...
    Read more

    How to fix TextFormField cause rebuild widget in Flutter

    Image
    .everyoneloves__top-leaderboard:empty,.everyoneloves__mid-leaderboard:empty,.everyoneloves__bot-mid-leaderboard:empty{ height:90px;width:728px;box-sizing:border-box; } 0 I've got the same issue at #9280. I tried all solutions from that topic with/without GlobalKey for Scaffold and Form but the problem wasn't fixed. I tried to build a authentication form with login and signup. But the keyboard doesn't show when I tap the TextFormField at the first time. Then I try to input some letter from physical keyboard, the widget is rebuilt. Like this: login screen Nothing to be log when I run flutter run --verbose, so I logged manually. Every tapping on field, the widget called dispose -> init -> build. [√] Flutter (Channel beta, v1.0.0, on Microsoft Windows [Version 10.0.17763.195], ...
    Read more

    in spring boot 2.1 many test slices are not allowed anymore due to multiple @BootstrapWith

    Image
    1 I tried to upgrade a yummy sandwich made of two test slices (@JsonTest and @JdbcTest in my case, crunchy test code in between) adding spring boot 2.1 flavour to it. But it seems it was not much of a success. I cannot annotate my tests with many @...Test since they are now each bringing their own XxxTestContextBootstrapper. It used to work when they all used same SpringBootTestContextBootstrapper. @RunWith(SpringRunner.class) @JdbcTest @JsonTest public class Test { @Test public void test() { System.out.printn("Hello, World !"); } } The error I get from BootstrapUtils is illegalStateException : Configuration error: found multiple declarations of @BootstrapWith for test class I understand I might be doing something wrong here but is there an easy way I could load both Json and Jdbc contex...
    Read more