妹子如何运用R语言数据分析选择心仪的对象?

前提假设

  • 妹子们一生中可以遇到100个追求者,追求者的优秀程度符合正态分布;
  • 每个妹子都具备判断并比较追求者优秀程度的能力;
  • 接受或拒绝一个追求者后永远无法后悔。

那么,问题来了

男神这么多,当遇到选择困难症时,如何选择才能获得最优结果?

如果人的优秀程度符合均值为80,方差20的正态分布,随机产生100个追求者,其优秀程度分布情况见下图:

p=rnorm(100,80,20)
hist(p,main="追求者--统计", ylab="数量", xlab="优秀程度",
     col=rainbow(50))
boxplot(p,col="red",lwd=2)

条形图显示了追求者的初始状态,盒装图显示的是大多数妹子所接受的追求者的能力情况。通过分布图可以看出,大多数理性人只能选择那些优秀程度在80左右的追求者。

下面介绍选择方法

首先,为了不错过在未来可以接受更优秀的追求者,理性的妹子会拒绝最早的一批追求者,并且采用第一批追求者做样本量k,理性地判断出追求者中最优秀的一位,其优秀程度记作y。然后,当遇到新追求者的时候,将追求者的优秀程度与y进行比较,优于y则选择接受,否则继续等待新的追求者;若新追求者的优秀程度始终小于y,则选择做剩女。

如何求出最优的样本量k?

如果最优秀的追求者出现在第i个位置(k < i ≤n),其中k、n为大于0的固定值。要想让第i个出现的他成功被妹子接受,就必须得满足前 i-1 任意一个位置出现的追求者被拒绝,这有ki−1ki−1的可能。考虑所有可能的i,我们便得到了试探前 k 个追求者之后能选中最佳追求者的总概率 P(k):

P(k)=∑i=k+1n1n⋅ki−1=kn∑i=k+1n⋅1i−1P(k)=∑i=k+1n1n⋅ki−1=kn∑i=k+1n⋅1i−1

用 x 来表示 k/n 的值,并且假设 n 充分大,则上述公式可以写成:

P(k)=x∫1x1tdt=−xlnxP(k)=x∫x11tdt=−xlnx

对-xlnx求导,并令这个导数为0,可以解出x的最优值,它就是欧拉研究的神秘常数的倒数e−1e−1,则样本k=n⋅x=e−1k=n⋅x=e−1。即当预计总追求者人数为100的时候,应先拒绝掉前100e−1=37100e−1=37个人,用来做追求者样本。

sIdo=N=numeric()for (i in 1:100){
  p=rnorm(100, 80, 20)
  pm=max(p[1:37])  for(i in seq(37,100)){  
    if(p[i]>pm){   
      Ido=p[i]    
      n=i    
      break}  
    else Ido=0;n=101}
  sIdo=c(sIdo,Ido)
  N=c(N,n)}
sum(N==101)/100  #剩女比例

图3、图4代表按照此种选择方法,重复100次实验(100个妹子)得到的追求者分布状态,通过条形图可以看出,60%的妹子成功找到如意郎君,被接受的追求者优秀程度在100以上;其余40%的妹子们,由于在第一批追求者当中拒绝掉了最优秀的那位,无奈选择做剩女。

plot(N,sIdo,pch=20,main="追求者散点图", ylab="优秀程度", xlab="接受时机",col=rainbow(80),cex = 1.5)
points(101,0,pch=20,col="#32CD32",cex = 2)
text(95, 1, "剩女101",cex = .8)

追求者散点图可以看出,比较优秀的追求者且被接受时,其排位在100位当中的50位左右的概率最大,即追妹子的最好时机不是越早越好。

综上所诉,可以得出如下结论:

  • 样本人数最优值为样本总量的37%;
  • 比较优秀的追求者成功追到妹子的概率在60%左右;
  • 优秀者的最佳出现时机为中间偏后位置。


原文发布于微信公众号 - 大数据挖掘DT数据分析(datadw)

原文发表时间:2016-09-15

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏奇点大数据

Pytorch神器(10)

今天聊一聊IT工程师如何转型深度学习工程师的话题。其实这个话题已经不是第一次聊了,也是很多IT工程师朋友比较关心的。毕竟在新一代的IT工作环境中,AI思维几乎是...

832
来自专栏用户3246163的专栏

[脑书笔记]《整体性学习》4-知识拓展应用技术

这篇脑书继续讲整体性学习的第二部分整体性学习的技术,在《整体性学习》1里面在谈到信息进入大脑的顺序是,获取,理解,拓展,纠错和应用。这篇脑书笔记主要针对这5个步...

663
来自专栏悦思悦读

我是这样入门“机器学习”的

大三的时候学过一门“人工智能导论”的课,只记得课里有一些回溯和图搜索的算法,具体细节全忘了。

973
来自专栏杨建荣的学习笔记

技术学习的一些建议

所以我们总是在不断的学习中,这个技能的迭代速度早就远超大学的学习内容。相比来说,现在我们学习更加追求高效和通俗,即学到的技能相同,但是学习的内容能用大白...

952
来自专栏数据科学与人工智能

一个大学统计学教授推荐的统计学书单及书评

作者:李亚杰 陈樱 1 《女士品茶》 若说到统计学的科普书籍,这本书几乎是所有学过统计的人首推的一本。它不是一本女性读物,也不是一本介绍饮茶文化的书籍。如果只...

3533
来自专栏华章科技

预测未来的20幅漫画,有种细思恐极的感觉

导读:在你心目中的(不太遥远的)未来是什么样的?名为Futurism Cartoons的作者绘制了一系列以“未来”为主题的漫画,其中多幅跟人工智能及你大数据有关...

722
来自专栏WOLFRAM

Mathematica 谜中智 | 趣味象棋 一马平川

1663
来自专栏牛客网

记录第一次互联网面经Momenta

2534
来自专栏PPV课数据科学社区

哪一种编程语言适合人工智能?——Python在人工智能中的作用

? 谷歌的AI击败了一位围棋大师,是一种衡量人工智能突然的快速发展的方式,也揭示了这些技术如何发展而来和将来可以如何发展。 人工智能是一种未来性的技术,目前正...

3196
来自专栏数据科学与人工智能

【陆勤践行】数据挖掘从入门到进阶

做数据挖掘也有些年头了,写这篇文一方面是写篇文,给有个朋友作为数据挖掘方面的参考,另一方面也是有抛砖引玉之意,希望能够和一些大牛交流,相互促进,让大家见笑了。 ...

2195

扫码关注云+社区