不才忝為四大資工金融雙碩 現在當自宅資料工程師
大概糾正一些錯誤
※ 引述《safelove (安全的愛)》之銘言:
: 統計學來說,
: 常常用5%當作「顯著差異」的分界,
: 也就是所謂的特例。
5% 1% 也好 這邊你指的應該是指significance level
他是指你透過收集資料跟統計後
拒絕null pypothesis 但其實他是被冤枉的的機率 (type I error)
所以是不是特例其實一點關係也沒有 跟你資料來源以及數量比較有關係
: 因此就算台女真的普遍勢利,
: 那我們最多也只能說,勢利的台女有95%,
: 要留個5%當作特例。
: 再來我也很願意假設,
: 男生今天感情受挫,找不到人愛他,
: 都是那95%台女的問題。
: 假如有幸,讓男生遇到那5%的台女,
: 那麼肯定能被愛、被欣賞,
: 找到屬於自己的幸福。
: 接下來就是簡單的數學計算了~
這邊的問題在於 環境造成自我對環境的認知是因人而異的
即便女性群體都一樣 新莊吳彥祖跟北投酸肥宅
嘗試與這些女性交往 得到的結果可能不一樣
酸肥宅在不停挫折的過程中 對女人的印象也會一直改變(惡化)
在機器學習中 對於這種從無知到理解環境的學習可以用貝氏推論來做
最簡略的就是用二項式分配的likelihood function加上與其共軛的beta distributton
當prior
TL;DR
結論就是你所認知的世界裡面 你"覺得"會碰上渣女的參數(機率)
是會隨著你碰上渣女的次數而漸漸變大
用白話來說就是一個懵懂少年 被多個渣女毀三觀之後 變成悲憤肥宅的過程
所以說感情路一路順暢的新莊吳彥祖在對女性的認知會比
一路當工具人的北投酸肥宅要樂觀
而這也是比較符合一般人對環境認知並學習的模型
所以以下的乘法甚麼 其實不太有意義 因為他忽略了主體與環境的互動結果
是有根本性的差別的 還有不同品行的女人給你碰到的機會也不是均勻分布的
: ......
: 以此類推,身為一個正常人,
: 要和60個女性有互動應該不難吧?
: 同學、同事、朋友、相親、聯誼、網路、App、別人介紹......
: 隨便湊一湊,應該都很容易超過。
: 那認識60個台女,
: 都不被愛的機率是多少呢?
: 95%^60=4%
: 換句話說,即便勢利的台女高達95%
弱水三千只取一瓢飲 因此應該用幾何分布做模型比較合理 5%碰上愛你的人
那平均也要被甩19次
套用上面貝氏推論 假設從一開始你覺得只有一成渣女 等被現實蹂躪19次之後
在碰到真愛之前你會覺得有20/29的機會碰上渣女 這就是悲憤肥宅的來由