甄嬛传熹贵妃上户口:如果让他陪你过冬天,那朕能不能睡中间?贝叶斯模型推导爸爸去哪儿

本文主要是介绍甄嬛传熹贵妃上户口:如果让他陪你过冬天,那朕能不能睡中间?贝叶斯模型推导爸爸去哪儿,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

关注微信公众号 数据分析螺丝钉 免费领取价值万元的python/java/商业分析/数据结构与算法学习资料

背景

《甄嬛传》是大家耳熟能详的宫廷剧,其中复杂的宫斗情节和深刻的人物刻画让人津津乐道。甄嬛因为与皇帝(四郎)闹翻了,去甘露寺待了一段时间,期间与云礼(王爷)谈恋爱,怀孕了,现在这四个人正商量怎么给孩子上户口,所以就有了皇帝出行甘露寺,与甄嬛见了一面,准备让皇帝接盘。
在这里插入图片描述
在皇帝封甄嬛为熹贵妃回宫后,被皇后一党找到甘露寺的蛛丝马迹,一上来就跟皇帝告发甄嬛,孩子不是皇帝的,皇帝顿时气不打一处来。
在这里插入图片描述在这些错综复杂的关系中,四郎面临了一个巨大的困惑:如何确认孩子的真正父亲。在现代科学中,我们可以借助贝叶斯算法来解决这个问题。本文将通过四郎的视角,用贝叶斯算法推导出孩子是自己的概率。

一、问题

在宫廷中,怀疑孩子不是自己亲生的这种问题,直接的证据往往难以取得。而四郎手通过一次怀孕的概率、年龄对怀孕因素的影响、甄嬛见过的其他男性,我们可以建立一个贝叶斯模型来推导。

二、贝叶斯算法简介

贝叶斯算法是一种通过先验概率和似然函数来计算后验概率的统计方法。其公式如下:
在这里插入图片描述
P(A):所有可能是孩子父亲的男人们的概率
P(B):收集到的线索在不同情况下会导致怀孕的概率
P(B|A) :就是在A发生的情况下,B出现的普遍概率,比如 40岁的男人 怀孕概率小于30%,是经过验证测试调研,有大量数据证明的称为似然概率
P(A|B): 在这些条件下,每个男人分别是孩子父亲的概率

三、设定假设

我们需要设定一些基本假设来应用贝叶斯公式,三位男候选人:
在这里插入图片描述

  1. A1:孩子是四郎亲生的。
  2. A2:孩子是果允礼亲生的。
  3. A3:孩子是温实初亲生的。

我们需要计算的目标是:孩子是四郎亲生的概率,即 ( P(A|B) )。

四、计算过程
  • 先验概率 P(A1) ,P(A2) , P(A3).

    根据给定的信息,虽然在甘露寺一段时间,先设置皇上概率更大一些,其他两个被发现了要被杀头,先验概率设定如下:

  • 四郎的孩子:先验概率 ( P(A1) = 0.5 )

  • 云礼的孩子:先验概率 ( P(A2) = 0.3 )

  • 温实初的孩子:先验概率 ( P(A3) = 0.2 )

  • 怀孕概率(似然函数) ( P(B|A1) ), ( P(B|A2) ), ( P(B|A3) )
    似然函数考虑三方面的因素:

  • 年龄影响怀孕概率,根据学术期刊Science Direct的调研,不同人群的生育能力各有不同,无论男性还是女性,生育能力都会随着年龄的增长而下降
    据统计,四郎47岁,云礼27岁 ,温实初27岁,甄嬛20岁,可以看到47岁能怀孕的概率最高10%,27岁 最高50%
    在这里插入图片描述

  • “受孕期”与排卵日的关系,排卵前 2 天内发生时受孕能力达到峰值 80%多
    在这里插入图片描述
    受孕一次就怀孕的概率,如果按均值,一次就怀孕的概率10%附近,次数越多越能接近峰值区域,所以四郎 20%,温太医 40%,允礼 80%
    在这里插入图片描述

  • 有人证的影响
    皇帝能证明自己,这时候人证作用100%。有人看见温实初也有人证 30%,去过一次。允礼从宫里就跟甄嬛接触比较多,到甘露寺也见的不少 70%

似然函数考虑三方面的因素:

  • 年龄影响怀孕概率

    • 四郎47岁,怀孕概率为10%(0.1)
    • 允礼27岁,怀孕概率为50%(0.5)
    • 温实初27岁,怀孕概率为50%(0.5)
  • 见面次数影响怀孕概率

    • 四郎见甄嬛1次,怀孕概率为20%(0.2)
    • 允礼见甄嬛5次,怀孕概率为80%(0.8)
    • 温实初见甄嬛3次,怀孕概率为40%(0.4)
  • 有人证的影响

    • 四郎能证明自己,概率为100%(1.0)
    • 允礼有人证,概率为70%(0.7)
    • 温实初有人证,概率为30%(0.3)

    结合各因素的怀孕概率如下:

  • 四郎的怀孕概率 ( P(B|A1) )
    0.1×0.2×1.0=0.02

  • 允礼的怀孕概率 ( P(B|A2) )
    0.5×0.8×0.7=0.28

  • 温实初的怀孕概率 ( P(B|A3) )
    0.5×0.4×0.3=0.06

  • 全概率 ( P(B) )

    全概率是怀孕的总概率,包括所有可能的父亲的情况。根据全概率公式:
    在这里插入图片描述
    将各值代入:

P(B)=0.02⋅0.5+0.28⋅0.3+0.06⋅0.2=0.01+0.084+0.012=0.106
  • 后验概率 ( P(A1|B) ), ( P(A2|B) ), ( P(A3|B) )

    现在我们可以通过贝叶斯公式计算后验概率:

  • 四郎是孩子父亲的概率
    在这里插入图片描述

  • 允礼是孩子父亲的概率
    在这里插入图片描述

  • 温实初是孩子父亲的概率
    在这里插入图片描述

五、结果分析

通过贝叶斯算法计算,在考虑到所有影响怀孕的因素后,孩子是四郎亲生的概率约为9.4%,允礼是孩子父亲的概率约为79.2%,温实初是孩子父亲的概率约为11.3%。这个结果表明,允礼是孩子父亲的概率最高,四郎的概率最低,四郎有很高的理由怀疑孩子并非自己亲生。

六、结论

贝叶斯算法为我们提供了一种理性、系统的方法来分析复杂问题。在《甄嬛传》中,四郎通过分析甄嬛的行为和信息,可以合理地得出孩子不是自己亲生的怀疑。这不仅展现了统计学的强大工具,也为宫廷剧增添了一层理性推理的色彩。

这篇关于甄嬛传熹贵妃上户口:如果让他陪你过冬天,那朕能不能睡中间?贝叶斯模型推导爸爸去哪儿的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1064034

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

uva 10014 Simple calculations(数学推导)

直接按照题意来推导最后的结果就行了。 开始的时候只做到了第一个推导,第二次没有继续下去。 代码: #include<stdio.h>int main(){int T, n, i;double a, aa, sum, temp, ans;scanf("%d", &T);while(T--){scanf("%d", &n);scanf("%lf", &first);scanf

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

AI Toolkit + H100 GPU,一小时内微调最新热门文生图模型 FLUX

上个月,FLUX 席卷了互联网,这并非没有原因。他们声称优于 DALLE 3、Ideogram 和 Stable Diffusion 3 等模型,而这一点已被证明是有依据的。随着越来越多的流行图像生成工具(如 Stable Diffusion Web UI Forge 和 ComyUI)开始支持这些模型,FLUX 在 Stable Diffusion 领域的扩展将会持续下去。 自 FLU

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者