年龄打一什么生肖？
这个题目很有意思，也涉及到一个比较有趣的话题，就是关于“运气”的问题。 我们通常说某某人命运如何，一般指的是这个人运气怎么样，其实这也反映了我们对于“运气”的理解。那么究竟什么是运气呢？ 在古典统计中，人们把影响事件结果的随机因素称为“误差”，这些随机的因素被平均掉之后，剩下的能够影响结果的大小和方向的，被称为“能力”，而把既没有大小也没有方向的误差称作为“噪声”，因为它们是不相关的。也就是说把一组数据中的每个值与其对应的能力值相乘，再求和，得到的和除以样本量，就能够得到每一组数据的方差，这个方差被看作是各个能力值的测量误差（图1）。
图1 古典统计的模型假设 然而，现实世界比这要复杂得多，不仅存在不确定性，而且许多现象还不能用随机来解释。因此人们在古典统计的基础上发展了现代统计，其中一个重要的理论就是基于贝叶斯学习的后验分析。在这种思路下，我们对某个问题或者问题的解决进行研究的时候，不仅要考虑问题的本身，还要考虑问题的解决途径以及过程等，这样能够得到更加准确的结果。而其中对于问题本身的考虑就是要建立问题的一个合理的模型，然后根据这个模型提供的一些先验信息对问题进行分析。
以时间序列分析为例，由于时间间隔较短的数据比较容易受到波动的影响，很难找到其真正的原因，因此我们常常需要对数据进行平滑处理，把较短的时间跨度变为较长的时间跨度，然后再进行统计分析。这时如果仍然把数据看成是完全由未知随机因素引起的，那显然不合理，至少随机因素的数量是不足的。在这种情况下，如果把注意力转移到模型的构造上来，我们可以考虑把数据的变化分为几个部分分别进行建模，然后把每一个部分独立起来分析，最后通过加总的方式得到总体的结果。
这种把精力集中在模型的构造上，通过引入新的概念和技巧达到更好的拟合效果，常常能获得更好的结果。但是这种方法需要首先假定模型的形式，然后通过对参数进行估计的过程来完成最终的目标，这一点与经典统计有相通之处。不同的是，这里更重视模型的选择，而对于参数的估计并没有像经典统计那样苛求精度。换句话说，当模型合适时，参数的估计不需要很精确，甚至是有偏差都可以得到很好的结果。反过来，如果为了求得参数估计的精确而建立的模型并不适合这个问题，那将会产生错误的结论。 上面的讨论说明了为什么模型选取很重要，同时也解释了为什么年龄这一简单的问题会有不同的答案。