نظرية الاحتمالات on kenji.blog

مسألة الجميلة النائمة: هل احتمال العملة 1/2 أم 1/3؟ المعضلة التي تقسم نظرية الاحتمالات

Thu, 10 Sep 2026 09:00:00 +0900

1. قواعد التجربة الغريبة

تم اختيارك (الجميلة النائمة) لتكوني خاضعة لتجربة علمية معينة. تجرى التجربة من الأحد إلى الأربعاء. في ليلة الأحد، يتم إعطاؤك حبوباً منومة وتغطين في النوم.

بعد أن تنامي، يقوم المجرب برمي عملة نقدية عادلة (عملة يكون احتمال ظهور الصورة أو الكتابة فيها 1/2 تمامًا). وبناءً على النتيجة، سيتم إيقاظك وفقًا للجدول التالي:

【إذا كانت نتيجة رمي العملة “صورة”】

يتم إيقاظك مرة واحدة فقط يوم الاثنين وتُسألين سؤالاً. بعد ذلك، يتم تنويمك مرة أخرى، ولن تستيقظي حتى انتهاء التجربة (يوم الأربعاء).

【إذا كانت نتيجة رمي العملة “كتابة”】

يتم إيقاظك يوم الاثنين وتُسألين سؤالاً. بعد ذلك، تُعطين دواءً خاصاً (دواء لمحو الذاكرة) وتنامين مرة أخرى.
يتم إيقاظك مرة أخرى يوم الثلاثاء ويُطرح عليك نفس السؤال. بعد ذلك، يتم تنويمك مرة أخرى، وتنتهي التجربة (يوم الأربعاء).

※ بسبب تأثير دواء محو الذاكرة، لن تتذكري عند استيقاظك “ما هو اليوم” أو “ما إذا كان قد تم إيقاظك في الماضي” على الإطلاق.

graph TD Sunday["يوم الأحد: الجميلة تنام"] --> Toss{"رمي العملة"} Toss -->|صورة (1/2)| Mon_Heads["الاثنين: استيقاظ + سؤال
（بعد ذلك تنتهي التجربة）"] Toss -->|كتابة (1/2)| Mon_Tails["الاثنين: استيقاظ + سؤال
（بعد ذلك يتم محو الذاكرة）"] Mon_Tails --> Tue_Tails["الثلاثاء: استيقاظ + سؤال
（بعد ذلك تنتهي التجربة）"] style Toss fill:#ff9999,stroke:#333 style Mon_Heads fill:#aaffaa,stroke:#333 style Mon_Tails fill:#aaffaa,stroke:#333 style Tue_Tails fill:#aaffaa,stroke:#333

الآن، استيقظتِ إما يوم الاثنين أو الثلاثاء. لا توجد ساعة أو تقويم في الغرفة، ولا تعرفين أي يوم نحن اليوم.

يأتي المجرب إليكِ ويسألكِ هذا السؤال: “بما أنك مستيقظة الآن، ما هو في اعتقادك احتمال أن تكون العملة التي رُميت هي ‘صورة’؟”

أنتِ فتاة جميلة ذات خبرة في الرياضيات. حسنًا، كيف ستجيبين؟

2. صدام بين فصيلين: 1/2 أم 1/3

ابتُكرت هذه المسألة في التسعينيات ونُشرت في مجلة أكاديمية عام 2000 من قبل الفيلسوف آدم إلغا. قد يبدو احتمال العملة بديهيًا، ولكن في الواقع، وبسبب هذه المسألة، انقسم علماء الرياضيات والإحصاء والفلاسفة في جميع أنحاء العالم إلى معسكرين: “فريق 1/2 (Halfers)” و “فريق 1/3 (Thirders)”، ويستمر الجدل العنيف بينهما حتى يومنا هذا.

دعونا نستمع إلى “المنطق المثالي” لكل معسكر.

حجة “فريق 1/2 (Halfers)”

“بما أن العملة عادلة وليست مزيفة، فمن الطبيعي أن يكون احتمال ظهور الصورة هو 1/2. بغض النظر عن عدد المرات التي يوقظني فيها المجرب بعد أن أنام، أو يمحو ذاكرتي، فإن ذلك لا يؤثر على الإطلاق على النتيجة الفيزيائية للعملة. كان الاحتمال وقت رمي العملة 1/2، وحقيقة أنني استيقظت لا تقدم أي معلومات جديدة (تلميح لتخمين ما إذا كانت صورة أم كتابة). لذلك، يبقى الاحتمال 1/2.”

هذا رأي سليم للغاية يؤكد على الظواهر الفيزيائية الموضوعية وعدم تحديث المعلومات.

حجة “فريق 1/3 (Thirders)”

“حقيقة أنكِ ‘مستيقظة’ بحد ذاتها هي معلومة تغير من الاحتمال. لنتخيل أننا كررنا هذه التجربة 100 مرة (100 أسبوع). من المفترض أن تظهر العملة ‘صورة’ 50 مرة، و’كتابة’ 50 مرة.

في الـ 50 أسبوعًا التي تظهر فيها الصورة، تستيقظين مرة واحدة فقط يوم الاثنين $\rightarrow$ عدد مرات الاستيقاظ في حالة ‘الصورة’ هو 50 مرة

في الـ 50 أسبوعًا التي تظهر فيها الكتابة، تستيقظين مرتين يومي الاثنين والثلاثاء $\rightarrow$ عدد مرات الاستيقاظ في حالة ‘الكتابة’ هو 100 مرة

هذا يعني أن الموقف الذي تستيقظين فيه، من إجمالي 150 مرة، يتضمن 50 مرة ‘للاستيقاظ على الصورة’ و 100 مرة ‘للاستيقاظ على الكتابة’. لذا، فإن احتمال أن يكون الاستيقاظ الذي تواجهينه الآن هو ‘صورة’ هو 50 / 150 ＝ 1/3!”

هذا رأي قوي يعتمد على “المدرسة التكرارية” أو “المبدأ الإنساني”، حيث يتم إدراج حقيقة “أنني موجود (ألاحظ) الآن” كعنصر في فضاء الاحتمال ضمن الحسابات.

3. محاولة الحساب باستخدام مبرهنة بايز

هناك أيضًا محاولات لحل هذه المسألة باستخدام “مبرهنة بايز”، وهي أداة رياضية لتحديث الاحتمالات. دعونا نرتب منطق “فريق 1/3” من منظور الاحتمال الشرطي.

عند الاستيقاظ، تكون الحالة واحدة من الحالات الثلاث التالية:

$E_1$: العملة هي “صورة”، واليوم هو “الاثنين”
$E_2$: العملة هي “كتابة”، واليوم هو “الاثنين”
$E_3$: العملة هي “كتابة”، واليوم هو “الثلاثاء”

احتمال ظهور “الصورة” هو $1/2$، واحتمال ظهور “الكتابة” هو $1/2$. ولكن، في حالة الكتابة، يكون “الاثنين” و “الثلاثاء” متماثلين تمامًا (لا يمكن التمييز بينهما لأنه لا توجد ذاكرة)، لذلك يُعتبر أن احتمالية حدوث $E_2$ و $E_3$ متساوية.

بما أن مجموع الاحتمالات الكلية يجب أن يكون $1$، وإذا خصصنا احتمالات متساوية لكل استيقاظ كـ “حدث (نقطة مراقبة)” مستقل: $P(E_1) = 1/3$ $P(E_2) = 1/3$ $P(E_3) = 1/3$ وبالتالي، فإن النتيجة هي أن “احتمال أن تكون صورة ($P(E_1)$)” يصبح $1/3$.

من ناحية أخرى، يعترض “فريق 1/2” قائلين: “في الأساس، الاثنين والثلاثاء في حالة العملة الكتابة ($E_2$ و $E_3$) هما مجرد أحداث تابعة مشتقة من نتيجة عملة واحدة، ومن الخطأ حسابهما كاحتمالات مستقلة”.

4. لماذا لا تُحل هذه المسألة؟

السبب الذي يجعل “مسألة الجميلة النائمة” تحير العلماء إلى هذا الحد ليس مجرد خطأ في الحساب أو وهم. هذه المسألة تتطرق إلى أعمق سؤال جوهري في نظرية الاحتمالات، وهو السؤال الفلسفي: “ما هو الاحتمال حقًا؟”

بالنسبة لـ فريق 1/2، الاحتمال هو “خاصية فيزيائية للعملة” أو “حقيقة موضوعية”.
بالنسبة لـ فريق 1/3، الاحتمال هو “درجة اعتقاد المراقب (الجميلة)” أو “التردد المُلاحَظ”.

هذا الموضوع العميق، الذي يتقاطع مع “مشكلة القياس” في ميكانيكا الكم، أو “المبدأ الإنساني” في علم الكونيات (فكرة حساب احتمالية الكون بشكل عكسي انطلاقًا من حقيقة وجودنا)، يتكثف في هذه التجربة البسيطة لرمي العملة.

5. الخلاصة

إذا أصبحتِ موضوع هذه التجربة، فهل ستجيبين بـ “1/2” أم “1/3” عند استيقاظكِ؟

أيًا كان الجواب الذي تختارينه، فسيقف وراءكِ علماء رياضيات من الطراز العالمي للدفاع عنكِ. كيف يمكن للتعريفات الرياضية التي تبدو بسيطة أن تنهار بمجرد ارتباطها بمفاهيم شائكة مثل “الذاتية” و “الوجود” الإنساني. وحتى اليوم، تستمر المفارقات في زعزعة الفطرة السليمة لدينا.

مفارقة سانت بطرسبرغ: كم ستدفع في مقامرة قيمتها المتوقعة "لانهائية"؟

Thu, 10 Sep 2026 05:00:00 +0900

1. مقامرة الأحلام بقيمة متوقعة “لانهائية”

بينما تتجول في كازينو، يدعوك الموزع للعب لعبة رمي عملة معدنية جديدة كالتالي.

【قواعد اللعبة】

تدفع رسوم الدخول لبدء اللعبة.
يتم رمي عملة معدنية. إذا ظهر وجه، تتضاعف جائزتك المالية ويمكنك الرمي مرة أخرى.
إذا ظهر ظهر، تنتهي اللعبة. ستحصل على الجائزة المالية التي تراكمت حتى تلك اللحظة.

تبدأ الجائزة الأولية من دولارين.

إذا ظهر ظهر في الرمية الأولى، تحصل على دولارين وتنتهي اللعبة.
إذا ظهر وجه في الرمية الأولى وظهر في الرمية الثانية، تحصل على 4 دولارات وتنتهي اللعبة.
إذا ظهر وجه في الرميتين الأولى والثانية، وظهر في الرمية الثالثة، تحصل على 8 دولارات وتنتهي اللعبة.
…وبعد ذلك، طالما استمر ظهور الوجه، ستتضاعف الجائزة المالية إلى 16 دولارًا، 32 دولارًا، 64 دولارًا… وهكذا.

graph TD Start["بدء اللعبة"] --> Toss1{"الرمية الأولى"} Toss1 -->|ظهر (1/2)| End1["انتهاء: الفوز بدولارين"] Toss1 -->|وجه (1/2)| Toss2{"الرمية الثانية"} Toss2 -->|ظهر (1/2)| End2["انتهاء: الفوز بـ 4 دولارات"] Toss2 -->|وجه (1/2)| Toss3{"الرمية الثالثة"} Toss3 -->|ظهر (1/2)| End3["انتهاء: الفوز بـ 8 دولارات"] Toss3 -->|وجه (1/2)| Toss4{"..."} Toss4 -.->|كلما استمرت الرميات| Infinite["تتضاعف الجائزة بلا حدود!"]

الآن، إليك سؤال. إذا كانت رسوم الدخول لهذه اللعبة هي “10,000 دولار”، فهل ستشارك؟

ربما سيجيب معظم الناس “لن أشارك”. لأن هناك احتمال بنسبة النصف أن يظهر ظهر في الرمية الأولى، ولن تحصل إلا على دولارين، وتخسر خسارة فادحة.

ومع ذلك، إذا قمت بحسابها بدقة وفقاً لنظرية الاحتمالات الرياضية (القيمة المتوقعة)، فستكتشف حقيقة مذهلة. رياضياً، سواء كانت رسوم الدخول 10,000 دولار أو 100 مليون دولار، يجب عليك المشاركة في هذه اللعبة حتى لو اضطررت لاقتراض كل أموالك.

لماذا هذا؟

2. لنحسب القيمة المتوقعة

هناك مؤشر رياضي لتحديد ما إذا كانت المقامرة “مربحة أم خاسرة” يسمى “القيمة المتوقعة”. تمثل القيمة المتوقعة “المتوسط الذي ستربحه في كل مرة عند تكرار اللعبة عدة مرات”. صيغة الحساب هي مجموع “(الجائزة المالية) × (احتمالها)” لجميع الحالات الممكنة.

لنحسب القيمة المتوقعة لهذه اللعبة.

احتمال ظهور ظهر في المرة الأولى: $\frac{1}{2}$ الجائزة هي $2$ دولار. المساهمة في القيمة المتوقعة ＝ $2 \times \frac{1}{2} = 1$ دولار
احتمال ظهور ظهر في المرة الثانية: يظهر وجه ثم ظهر، لذا $\frac{1}{2} \times \frac{1}{2} = \frac{1}{4}$ الجائزة هي $4$ دولارات. المساهمة في القيمة المتوقعة ＝ $4 \times \frac{1}{4} = 1$ دولار
احتمال ظهور ظهر في المرة الثالثة: يظهر وجه ثم وجه ثم ظهر، لذا $(\frac{1}{2})^3 = \frac{1}{8}$ الجائزة هي $8$ دولارات. المساهمة في القيمة المتوقعة ＝ $8 \times \frac{1}{8} = 1$ دولار
احتمال ظهور ظهر في المرة $n$: $(\frac{1}{2})^n$ الجائزة هي $2^n$ دولار. المساهمة في القيمة المتوقعة ＝ $2^n \times (\frac{1}{2})^n = 1$ دولار

بعبارة أخرى، بغض النظر عن المرة التي تنتهي فيها اللعبة، فإن القيمة المتوقعة لذلك النمط تكون دائماً “1 دولار”. نظراً لأن اللعبة يمكن أن تستمر إلى الأبد، فإن جمع كل هذه القيم المتوقعة يعطينا ما يلي.

$$ \text{القيمة المتوقعة الإجمالية} = 1 + 1 + 1 + 1 + \dots = \infty \text{ (لانهائية)} $$

كانت الإجابة التي قدمتها الرياضيات هي أن “القيمة المتوقعة لهذه اللعبة لانهائية”. بما أن القيمة المتوقعة لانهائية، بغض النظر عن مدى ارتفاع رسوم الدخول، فمن الناحية النظرية، يجب أن تكون بالتأكيد “مقامرة مربحة”.

هذه هي “مفارقة سانت بطرسبرغ” التي طرحها نيكولاوس برنولي في عام 1713. هناك تناقض حاد بين نتيجة الحساب الرياضي الصحيحة (لها قيمة لانهائية) والإحساس البشري الواقعي (لا أريد أن أدفع سوى بضعة دولارات).

3. اكتشاف “المنفعة” الذي يحل الفجوة بين الرياضيات والبشر

الشخص الذي حل هذه المفارقة هو عالم الرياضيات العبقري دانيال برنولي، ابن عم نيكولاوس. (سُميت بهذا الاسم لأنه قدم هذه الورقة البحثية في أكاديمية العلوم في سانت بطرسبرغ).

تعمق دانيال في علم النفس البشري. واعتقد أن “البشر لا يحكمون على الأشياء بناءً على ‘المبلغ المطلق’ للمال، بل بناءً على ‘مستوى الرضا (المنفعة)’ الذي يجلبه هذا المال”.

يسمى هذا “قانون تناقص المنفعة الحدية”.

تنخفض قيمة المال حسب الكمية التي تمتلكها

على سبيل المثال، عندما تكون عطشاناً جداً في الصحراء، فإن الكأس الأول من الماء له قيمة (مستوى رضا) تجعلك “مستعداً لدفع 10,000 دولار لشربه”. ومع ذلك، مع شربك للكأس الثاني والثالث، تنخفض قيمة كل كأس إضافي باستمرار. بحلول الكأس العاشر، قد تقول “لا أريده حتى لو كان مجانياً”.

المال يعمل بنفس الطريقة.

“المليون دولار” الذي يحصل عليه شخص ليس لديه مدخرات له قيمة هائلة يمكن أن تنقذ حياته.
ومع ذلك، فإن “المليون دولار” الذي يحصل عليه إيلون ماسك، الذي يمتلك أصولاً بمليارات الدولارات، له قيمة (مستوى رضا) تعادل عملة معدنية صغيرة ملقاة على جانب الطريق.

وبعبارة أخرى، حتى لو تضاعفت الجائزة المالية بشكل لا نهائي من 2 دولار $\rightarrow$ 4 دولارات $\rightarrow$ 8 دولارات $\rightarrow$ 16 دولارًا… فإن “السعادة (المنفعة)” التي يشعر بها الإنسان لا تزداد بشكل لا نهائي بالتناسب مع المبلغ.

4. إعادة حساب القيمة المتوقعة باستخدام “المنفعة”

افترض دانيال برنولي أن “قيمة (منفعة) المال التي يشعر بها الإنسان تتناسب مع لوغاريتم ($\log$) المبلغ”.

إذا كان المبلغ هو $x$، فيمكننا التعبير عن القيمة (المنفعة) التي يشعر بها الإنسان $u(x)$ كدالة لوغاريتمية (هنا نفكر في نموذج بسيط أساسه 2).

منفعة الجائزة $2$ دولار: $\log_2(2) = 1$
منفعة الجائزة $4$ دولارات: $\log_2(4) = 2$
منفعة الجائزة $8$ دولارات: $\log_2(8) = 3$
منفعة الجائزة $2^n$ دولار: $\log_2(2^n) = n$

تتضاعف المبالغ، لكن “سعادة” الإنسان تزداد شيئاً فشيئاً فقط كـ 1، 2، 3… دعونا نحسب القيمة المتوقعة (المنفعة المتوقعة) مرة أخرى باستخدام هذه “المنفعة”.

$$ \text{المنفعة المتوقعة} = \sum_{n=1}^{\infty} \left( n \times \left(\frac{1}{2}\right)^n \right) $$ $$ = 1 \cdot \frac{1}{2} + 2 \cdot \frac{1}{4} + 3 \cdot \frac{1}{8} + 4 \cdot \frac{1}{16} + \dots $$

عند حساب مجموع هذه المتسلسلة اللانهائية، لا تكون النتيجة “لانهائية”، بل تتقارب إلى “2”. إذا حسبنا عكسياً المبلغ الذي تكون منفعته “2”، نحصل على $2^2 = 4$ دولارات.

بعبارة أخرى، عندما نعيد الحساب مع دمج علم النفس البشري (المنفعة)، نصل إلى إجابة منطقية وواقعية للغاية وهي أن “قيمة هذه اللعبة، وفقاً للإدراك البشري، تبلغ حوالي ‘4 دولارات’ فقط”. لهذا السبب، لسنا مستعدين لدفع 10,000 دولار مقابل هذه اللعبة.

5. الخلاصة: المفارقة التي فتحت أبواب علم الاقتصاد

كانت مفارقة سانت بطرسبرغ مفارقة رائدة أثبتت رياضياً أن الأرقام الموضوعية مثل “المبلغ” والقيم الذاتية مثل “مستوى رضا الإنسان” لا يتطابقان.

أصبح مفهوم “المنفعة (Utility)” الذي اقترحه دانيال برنولي، بعد 200 عام، الأساس الأكثر أهمية للاقتصاد الجزئي الحديث والهندسة المالية (مثل نظرية المحفظة الاستثمارية). يمكن أيضاً تفسير سلوكياتنا مثل شراء التأمين أو تنويع الاستثمارات، بالكامل من خلال هذه الآلية النفسية البشرية المتمثلة في “تناقص المنفعة الحدية (ألم الخسارة الفادحة يفوق بكثير متعة الربح الكبير)”.

لقد أصبحت مسألة حسابية بسيطة لمقامرة الحافز لفك رموز العقل البشري وخلق مجال دراسي ضخم يُعرف بعلم الاقتصاد.

معضلة مونتي هول: فخ الاحتمالات الذي يخون الحدس والحل الشامل باستخدام استدلال بايز

Thu, 10 Sep 2026 00:00:00 +0900

1. المسرح هو برنامج مسابقات تلفزيوني: ماذا ستفعل؟

في عام 1990، في عمود “Ask Marilyn” (اسأل مارلين) في المجلة الإخبارية الأمريكية “Parade”، أرسل أحد القراء السؤال التالي:

أنت مشارك في برنامج ألعاب تلفزيوني. أمامك 3 أبواب (A, B, C). خلف أحد الأبواب توجد سيارة جديدة (الفوز)، وخلف البابين الآخرين يوجد ماعز (الخسارة).

أنت أولاً اخترت الباب A.

بعد ذلك، قام المقدم مونتي هول، الذي يعرف أين توجد السيارة الجديدة، بفتح الباب B الذي يوجد خلفه ماعز من بين الأبواب المتبقية.

يقول لك مونتي: “الآن يمكنك التغيير إلى الباب C. ماذا ستفعل؟”

هل يجب عليك تغيير الباب؟

حدسياً يبدو الأمر وكأن “الأبواب المتبقية هي اثنان: A و C. نظرًا لأن موقع السيارة الجديدة عشوائي تمامًا، فإن احتمال الفوز لأي منهما هو $\frac{1}{2}$ (50%). لذلك، التغيير وعدم التغيير هما نفس الشيء”.

ومع ذلك، أجابت كاتبة العمود مارلين فوس سافانت (صاحبة أعلى معدل ذكاء مسجل في موسوعة غينيس): “يجب عليك التغيير. إذا غيرت، سيتضاعف احتمال فوزك”.

أثارت هذه الإجابة ضجة كبيرة في جميع أنحاء أمريكا، وانهالت حوالي 10 آلاف رسالة احتجاج (حوالي 1000 منها من علماء يحملون درجة الدكتوراه في الرياضيات). كانت هناك عاصفة من الانتقادات اللاذعة مثل “أنت لا تفهمين أساسيات الاحتمالات” و"هذا منطق نسائي". ولكن، في النهاية، كانت إجابة مارلين صحيحة تمامًا من الناحية الرياضية.

2. الفجوة بين الحدس والرياضيات: تفرع الاحتمالات كما نراه في Mermaid

لماذا ينخدع حدسنا ونعتقد أن الاحتمال هو “$\frac{1}{2}$"؟ دعونا أولاً نتصور جميع أنماط اللعبة.

graph TD Start["بداية اللعبة"] --> CarA["السيارة في الباب A (احتمال 1/3)"] Start --> CarB["السيارة في الباب B (احتمال 1/3)"] Start --> CarC["السيارة في الباب C (احتمال 1/3)"] CarA --> PickA1["أنت تختار الباب A"] CarB --> PickA2["أنت تختار الباب A"] CarC --> PickA3["أنت تختار الباب A"] PickA1 --> HostB_or_C["المقدم يفتح الباب B أو C"] PickA2 --> HostC["المقدم يفتح دائماً الباب C"] PickA3 --> HostB["المقدم يفتح دائماً الباب B"] HostB_or_C --> Stay1["لا تغير: فوز!"] HostB_or_C --> Switch1["تغير: خسارة..."] HostC --> Stay2["لا تغير: خسارة..."] HostC --> Switch2["تغير: فوز!"] HostB --> Stay3["لا تغير: خسارة..."] HostB --> Switch3["تغير: فوز!"] style Switch2 fill:#bbf,stroke:#333,stroke-width:2px style Switch3 fill:#bbf,stroke:#333,stroke-width:2px style Stay1 fill:#f99,stroke:#333,stroke-width:2px

بافتراض أنك اخترت “الباب A”، ستحدث السيناريوهات الثلاثة التالية باحتمال متساوٍ ($\frac{1}{3}$).

السيناريو 1 (السيارة في A): يفتح المقدم الباب B أو C الذي يحتوي على ماعز. إذا غيرت الباب، ستخسر.
السيناريو 2 (السيارة في B): المقدم لا يمكنه سوى فتح الباب C الذي يحتوي على ماعز. إذا غيرت الباب، ستفوز.
السيناريو 3 (السيارة في C): المقدم لا يمكنه سوى فتح الباب B الذي يحتوي على ماعز. إذا غيرت الباب، ستفوز.

أي أنه في حالتين من أصل 3 حالات (السيناريوهان 2 و 3)، تكون في وضع “إذا غيرت الباب ستفوز بالتأكيد”. لذلك، نسبة الفوز إذا غيرت الباب تصبح $\frac{2}{3}$، وهي ضعف نسبة الفوز $\frac{1}{3}$ إذا لم تغير.

3. إثبات دقيق باستخدام مبرهنة بايز

لحل هذه المشكلة بدقة رياضية، نستخدم “مبرهنة بايز” التي تحسب الاحتمال الشرطي.

$$ P(H|E) = \frac{P(E|H) P(H)}{P(E)} $$

هنا، نعرّف الأحداث على النحو التالي:

$C_A, C_B, C_C$ : أحداث وجود السيارة في الباب A، B، C على التوالي. الاحتمال المسبق هو $P(C_A) = P(C_B) = P(C_C) = \frac{1}{3}$
لنفترض أنك اخترت الباب A أولاً.
$M_B$ : حدث فتح المقدم للباب B الذي يحتوي على ماعز.

ما نريد حسابه هو “الاحتمال أن تكون السيارة في الباب C بشرط أن المقدم قد فتح الباب B”، أي الاحتمال اللاحق $P(C_C|M_B)$.

أولاً، بناءً على موقع السيارة، نأخذ في الاعتبار احتمال أن يفتح المقدم الباب B وهو $P(M_B|C_X)$.

إذا كانت السيارة في الباب A ($C_A$) يمكن للمقدم فتح B أو C عشوائيًا.
$$ P(M_B|C_A) = \frac{1}{2} $$
إذا كانت السيارة في الباب B ($C_B$) بما أن المقدم لا يستطيع فتح الباب الذي توجد فيه السيارة، فإن احتمال فتحه للباب B هو صفر.
$$ P(M_B|C_B) = 0 $$
إذا كانت السيارة في الباب C ($C_C$) بما أن المقدم لا يستطيع فتح الباب A (الذي اخترته) والباب C (حيث توجد السيارة)، فمن المحتم أن يفتح الباب B.
$$ P(M_B|C_C) = 1 $$

بعد ذلك، نحسب الاحتمال الكلي لفتح المقدم للباب B وهو $P(M_B)$ من “مبرهنة الاحتمال الكلي”.

$$ P(M_B) = P(M_B|C_A)P(C_A) + P(M_B|C_B)P(C_B) + P(M_B|C_C)P(C_C) $$ $$ P(M_B) = \left(\frac{1}{2} \times \frac{1}{3}\right) + \left(0 \times \frac{1}{3}\right) + \left(1 \times \frac{1}{3}\right) = \frac{1}{6} + 0 + \frac{1}{3} = \frac{1}{2} $$

أخيرًا، نطبق مبرهنة بايز لحساب الاحتمال اللاحق للباب A والباب C.

احتمال وجود السيارة في الباب A (إذا لم تغير):

$$ P(C_A|M_B) = \frac{P(M_B|C_A) P(C_A)}{P(M_B)} = \frac{\frac{1}{2} \times \frac{1}{3}}{\frac{1}{2}} = \frac{1}{3} $$

احتمال وجود السيارة في الباب C (إذا غيرت):

$$ P(C_C|M_B) = \frac{P(M_B|C_C) P(C_C)}{P(M_B)} = \frac{1 \times \frac{1}{3}}{\frac{1}{2}} = \frac{2}{3} $$

حتى من خلال الإثبات الرياضي، تم توضيح أن “تغيير الباب يضاعف احتمال الفوز (2/3)” بوضوح.

4. التحيز المعرفي: قيمة المعلومات في “الاشتراط”

لماذا أخطأ الكثير من علماء الرياضيات العباقرة بشكل حدسي في هذه المشكلة؟ يكمن السبب في “تحيز الاحتمال المتساوي” و"الفشل في تحديث المعلومات” المدمجين في العقل البشري.

4.1. تحيز الاحتمال المتساوي (Equiprobability Bias)

يميل البشر، عند إعطائهم خيارات غير معروفة، إلى الافتراض اللاواعي بأن “احتمالات الخيارات المتبقية متساوية دائماً”. بمجرد رؤية بابين متبقيين، يطلق الدماغ تلقائيًا تسمية “$50\%$ : $50\%$”.

4.2. معلومات عن “نية” المقدم

السبب الرئيسي في خطأ الحدس هو تجاهل حقيقة أن تصرف المقدم ليس عشوائيًا. إذا كانت القاعدة هي “إذا فتح المقدم بابًا عشوائيًا دون أن يعرف مكان السيارة، وصادف أنه ماعز” (تُعرف باسم مشكلة مونتي فول)، فإن احتمال كل من الباب A والباب C سيكون $\frac{1}{2}$.

ولكن في معضلة مونتي هول الحقيقية، يتصرف المقدم وفقًا للقيود الصارمة التالية:

لا يمكنه فتح الباب الذي اختاره المشارك.
لا يمكنه فتح الباب الذي يحتوي على السيارة.

بسبب هذه القيود، فإن فعل المقدم “بفتح الباب B” في حد ذاته يعطينا معلومات هائلة حول الباب C. إنه يحمل رسالة صامتة مفادها: “لم أستطع فتح الباب C (لأن السيارة هناك)”.

5. تصحيح الحدس بمثال متطرف

إذا كنت لا تزال غير مقتنع، فلنحاول زيادة عدد الأبواب إلى مليون باب.

من بين مليون باب، اخترت أنت الباب 1. (احتمال الفوز هو $\frac{1}{1,000,000}$)
المقدم الذي يعرف كل شيء يفتح 999,998 بابًا تحتوي على ماعز من أصل 999,999 بابًا متبقيًا.
الأبواب المغلقة هي “الباب 1” الذي اخترته و"الباب 777,777" الذي تركه المقدم عمدًا.

الآن، هل ستغير اختيارك؟ في هذه الحالة، إذا كنت تعتقد أنك جذبت معجزة “واحد في المليون” في البداية، فلا ينبغي لك التغيير. ومع ذلك، في الواقع، ستفهم حدسيًا أن احتمال وجود السيارة في “الباب الوحيد الذي لم يستطع المقدم فتحه مطلقًا” هو $\frac{999,999}{1,000,000}$.

معضلة مونتي هول (3 أبواب) هي مجرد تصغير لنطاق ظاهرة “المليون باب” هذه.

pie title "تأثير تغيير الباب (100 محاكاة)" "الفوز بتغيير الباب (حوالي 66.7%)" : 67 "الفوز بدون تغيير الباب (حوالي 33.3%)" : 33

6. الخلاصة: دروس في الأعمال والحياة من نظرية الاحتمالات

تتجاوز معضلة مونتي هول كونها مجرد مسابقة لتقدم لنا دروسًا مهمة.

الحدس يخطئ غالبًا: لم يتطور الدماغ البشري لمعالجة الاحتمالات الشرطية المعقدة بشكل حدسي. في اتخاذ القرارات المهمة، من الخطر الاعتماد على الحدس وحده.
تحديث الاحتمالات بمعلومات جديدة (تحديث بايز): عندما تتغير الظروف ويتم توفير معلومات جديدة (مثل أي باب فتحه المقدم)، فإن القدرة على تحديث الاحتمالات والاستراتيجيات بمرونة دون التمسك بالأفكار الموجودة مسبقًا هي مفتاح النجاح.

القرار الصغير بـ “تغيير الباب” قد يضاعف من احتمال حصولك على “السيارة الجديدة” في حياتك.

مفارقة المظروفين: كيف يؤدي التوقع اللانهائي إلى انهيار المنطق وفخاخ اتخاذ القرار

Thu, 10 Sep 2026 00:00:00 +0900

1. الخيار النهائي: هل يجب التبديل أم لا؟

أنت تقف في المرحلة النهائية من برنامج ألعاب. يوجد على الطاولة أمامك مظروفان متطابقان تماماً (A و B). قال المقدم:

“أحد المظروفين يحتوي على ضعف المبلغ الموجود في المظروف الآخر. يرجى اختيار أحدهما.”

بعد تردد، اخترت المظروف A. في اللحظة التي حاولت فيها رؤية المحتوى، همس المقدم بوسوسة شيطانية:

“الآن، يمكنك تبديل المظروف A بالمظروف B المتبقي. هل تريد التبديل؟”

الآن، هل يجب عليك تبديل المظروف؟

2. “الحلقة اللانهائية” التي يستنتجها حساب القيمة المتوقعة

دعونا نستخدم بعض التفكير الرياضي هنا. لنفترض أن المبلغ الموجود في المظروف A الذي تحمله هو $X$ ين. بناءً على القواعد، المبلغ في المظروف B هو إما “نصف $X$ ين ($\frac{X}{2}$)” أو “ضعف $X$ ين ($2X$)”. احتمال كل منهما هو $\frac{1}{2}$ (50%).

لذا، دعونا نحسب القيمة المتوقعة (متوسط المبلغ المتوقع) في حالة تبديل المظروف.

$$ E = \frac{1}{2} \times \left(\frac{X}{2}\right) + \frac{1}{2} \times (2X) $$ $$ E = \frac{X}{4} + X = \frac{5}{4}X = 1.25X $$

لقد ظهرت نتيجة مذهلة. بمجرد تبديل المظروف، تقفز القيمة المتوقعة من $X$ ين الأصلية لتصبح $1.25$ ضعفاً (زيادة بنسبة 25%). نصل إلى استنتاج مفاده: “إذا فكرنا رياضياً، فمن المؤكد أن التبديل مربح أكثر!”.

ولكن، هنا يحدث انهيار للمنطق. لنفترض أنك بدّلت إلى المظروف B. ماذا لو سألك المقدم مباشرة بعد ذلك: “هل تريد العودة إلى A بعد كل شيء؟”. ستنطبق نفس المعادلة الحسابية تماماً، وهذه المرة سيكون الاستنتاج “التبديل من B إلى A سيزيد القيمة المتوقعة بمقدار 1.25 ضعفاً”.

بمعنى آخر، بمجرد الاستمرار في التبديل “من A إلى B” و “من B إلى A”، ستستمر القيمة المتوقعة النظرية في الزيادة إلى ما لا نهاية. هذا يتناقض بوضوح مع الواقع (محتويات المظاريف ثابتة منذ البداية، ولا تزيد لمجرد أنك قمت بالتبديل).

graph TD Start["أنت تختار المظروف A (المحتوى X ين)"] --> Think["تحسب ما إذا كان التبديل مربحاً أكثر"] Think --> Case1["المظروف B نصف المبلغ (X/2 ين) : احتمال 50%"] Think --> Case2["المظروف B ضعف المبلغ (2X ين) : احتمال 50%"] Case1 --> Calc["القيمة المتوقعة = (X/4) + X = 1.25X"] Case2 --> Calc Calc --> SwitchToB["التبديل إلى المظروف B! (المحتوى Y ين)"] SwitchToB --> ThinkAgain["تحسب مرة أخرى"] ThinkAgain --> Case3["المظروف A نصف المبلغ (Y/2 ين) : احتمال 50%"] ThinkAgain --> Case4["المظروف A ضعف المبلغ (2Y ين) : احتمال 50%"] Case3 --> Calc2["القيمة المتوقعة = 1.25Y"] Case4 --> Calc2 Calc2 --> SwitchToA["التبديل مرة أخرى إلى المظروف A!"] SwitchToA --> Start style Calc fill:#ff9999,stroke:#333,stroke-width:2px style Calc2 fill:#ff9999,stroke:#333,stroke-width:2px style SwitchToA fill:#ff4444,color:#fff,stroke:#333,stroke-width:4px

لماذا أنتج حساب القيمة المتوقعة، الذي يبدو مثالياً للوهلة الأولى، مثل هذه المفارقة الغريبة؟

3. كشف الخدعة الرياضية: استبدال المتغيرات

يكمن فخ هذه المفارقة في “كيفية استخدام المتغير العشوائي $X$”.

في المعادلة السابقة، تعاملنا مع المبلغ $X$ في المظروف A على أنه ثابت محدد، وافترضنا أن المظروف B هو إما “$\frac{X}{2}$ أو $2X$”. ولكن، ما هو ثابت في الواقع هو “مجموع المبالغ الموجودة في كلا المظروفين”، أو “المبلغ الأصغر”.

لنفترض أن المبلغ الموجود في المظروف الذي يحتوي على الأقل هو $S$. إذاً، المظروف الذي يحتوي على الأكثر به مبلغ $2S$. جميع سيناريوهات اللعبة تقتصر على النمطين التاليين فقط (باحتمال $\frac{1}{2}$ لكل منهما).

النمط 1: المظروف A الذي اخترته هو الأصغر ($S$)، والمظروف B هو الأكبر ($2S$).
النمط 2: المظروف A الذي اخترته هو الأكبر ($2S$)، والمظروف B هو الأصغر ($S$).

هنا، دعونا نحسب القيمة المتوقعة بشكل صحيح لكل من “عدم التبديل” و “التبديل”.

القيمة المتوقعة في حالة عدم التبديل $E_{stay}$:

$$ E_{stay} = \frac{1}{2} \times S + \frac{1}{2} \times 2S = \frac{3}{2}S = 1.5S $$

القيمة المتوقعة في حالة التبديل $E_{switch}$: في النمط 1 ستحصل على $2S$، وفي النمط 2 ستحصل على $S$.

$$ E_{switch} = \frac{1}{2} \times 2S + \frac{1}{2} \times S = \frac{3}{2}S = 1.5S $$ $$ E_{stay} = E_{switch} $$

تطابقت القيمة المتوقعة تماماً! في الحساب الخاطئ الأول، تم التعامل مع قيمتين مختلفتين على أنهما نفس المتغير $X$: في النمط 1 كان $X$ هو (في الواقع $S$) وفي النمط 2 كان $X$ هو (في الواقع $2S$). هذا أدى إلى خلق وهم بأن “التبديل سيزيد من القيمة المتوقعة”.

pie title "حقيقة القيمة المتوقعة (بافتراض أن المبلغ الأصغر هو S)" "القيمة المتوقعة لعدم التبديل (1.5S)" : 50 "القيمة المتوقعة للتبديل (1.5S)" : 50

4. ماذا لو فتحت المظروف؟

تبدو المفارقة محلولة بهذا. ومع ذلك، هناك مشكلة أعمق تنتظرنا.

ماذا لو نظرت إلى محتويات المظروف A قبل تبديله؟ فتحت المظروف A ووجدت بداخله “10,000 ين”.

في هذه اللحظة، يصبح $X = 10000$ قيمة محددة وثابتة. يحتوي المظروف B إما على “5,000 ين” أو “20,000 ين”. ماذا سيحدث إذا طبقنا المعادلة الأولى هنا؟

$$ E_{switch} = \frac{1}{2} \times 5000 + \frac{1}{2} \times 20000 = 2500 + 10000 = 12500 $$

القيمة المتوقعة هي 12,500 ين. وهي بالتأكيد أعلى من الـ 10,000 ين الحالية. علاوة على ذلك، وبما أن $X$ أصبح “ثابتاً ملموساً” وقدره 10,000 ين هذه المرة، فإن حجة “استبدال المتغيرات” السابقة لم تعد سارية. إذاً، هل التبديل مربح أكثر بالتأكيد في هذه الحالة؟

الدحض باستخدام الاستدلال البايزي: غياب “التوزيع المسبق”

رداً على ذلك، طرح علماء الرياضيات مفهوم “التوزيع المسبق للمبالغ (الاحتمال المسبق)”. والسؤال هنا: هل يمكننا حقاً القول إن 5,000 ين و 20,000 ين موجودان باحتمال $\frac{1}{2}$ لكل منهما؟

على سبيل المثال، لنفترض أن ميزانية البرنامج تبلغ كحد أقصى 100 مليون ين. إذا فتحت المظروف A ووجدت “60 مليون ين”، فإن احتمال أن يحتوي المظروف B على “120 مليون ين” هو صفر (لأنه يتجاوز الميزانية). بمعنى آخر، كلما زاد المبلغ في المظروف A، قلّ احتمال أن يكون المظروف B “ضعف المبلغ”، وزاد احتمال أن يكون “نصفه”.

بافتراض أي توزيع مسبق $P(x)$، وعند حساب القيمة المتوقعة باستخدام مبرهنة بايز، فقد ثبت رياضياً أنه مهما كان التوزيع الاحتمالي واقعياً (بمجموع يساوي 1)، فإنه لا يوجد توزيع سحري يجعل “التبديل مربحاً أكثر” لجميع قيم $X$.

5. فخ اللانهاية: الارتباط بمفارقة سانت بطرسبرغ

توجد حالة واحدة فقط يكون فيها “التبديل مربحاً أكثر لجميع قيم $X$”. هذه الحالة هي عندما تكون ميزانية البرنامج لانهائية، ويُفترض وجود “توزيع احتمالي غير قياسي (توزيع يكون مجموعه لانهائياً)” حيث تظهر جميع المبالغ (1 ين، 2 ين، 4 ين، 8 ين… إلى ما لا نهاية) بشكل متساوٍ.

ومع ذلك، لا توجد في العالم الحقيقي محطة تلفزيونية تمتلك أصولاً لانهائية. هذا الخلل الناتج عن “القيمة المتوقعة اللانهائية” يشترك في جذور عميقة مع مفارقة سانت بطرسبرغ (وهي مسألة تتناول المبلغ الذي يمكن للشخص أن يدفعه في مقامرة ذات قيمة متوقعة لانهائية).

6. الخلاصة: رعب الاحتمالات والقيمة المتوقعة

على الرغم من أن “مفارقة المظروفين” تتكون فقط من عمليات ضرب وجمع بسيطة، إلا أنها تقدم لنا الدروس التالية:

الأخطاء الناتجة عن الغموض في التعريف: إذا لم توضح ما يشير إليه المتغير (ما إذا كان $X$ يشير دائماً إلى نفس المبلغ)، فإن المنطق سينهار بسهولة.
وهم “انعدام المعلومات = احتمال 50%”: الافتراض القائل “بما أنني لا أعرف فالاحتمال متساوٍ” (مبدأ السبب غير الكافي) يمكن أن يؤدي أحياناً إلى أخطاء حسابية قاتلة.
صعوبة التعامل مع اللانهاية: إدخال مفهوم “اللانهاية”، الذي لا يمكن تطبيقه في العالم الحقيقي، في المعادلات الحسابية سيؤدي إلى نتائج تتناقض مع الفطرة السليمة.

في المرة القادمة التي تعتقد فيها في حياتك أن “عشب الجار يبدو أكثر اخضراراً، وسيكون من المربح التبديل”، تذكر هذه المفارقة. ربما تم استبدال المتغيرات في معادلتك الحسابية دون أن تدرك.

مفارقة عيد الميلاد: هل تتجاوز النسبة 50% بوجود 23 شخصًا؟ سحر "التوافيق" الذي يخدع الحدس

Thu, 10 Sep 2026 00:00:00 +0900

1. اختبار الحدس: كم شخصًا يجب أن يجتمعوا لتتجاوز الاحتمالية 50%؟

يجتمع الناس في قاعة حفلات. هنا، “ما هو الحد الأدنى لعدد الأشخاص المطلوب لكي تتجاوز احتمالية وجود زوجين على الأقل (شخصين) لهما نفس يوم الميلاد (الشهر واليوم) تمامًا في القاعة نسبة 50%”؟ (باستثناء السنوات الكبيسة بافتراض أن السنة 365 يومًا، وبافتراض أن كل يوم ميلاد له احتمالية متساوية).

يميل الحدس البشري إلى الحساب على النحو التالي: “السنة بها 365 يومًا. وبما أننا سنضع الأشخاص عشوائيًا في 365 خانة ليحدث تكرار، فلابد من وجود 180 شخصًا على الأقل. حتى لو قللنا التقدير، ألا يجب أن يكون هناك 50 إلى 60 شخصًا لتصل الاحتمالية إلى النصف؟”

ومع ذلك، فإن الإجابة الصحيحة التي يستنتجها علم الرياضيات هي “23 شخصًا” فقط. في فصل دراسي واحد (حوالي 30 إلى 40 شخصًا)، تقفز احتمالية وجود زوج لهما نفس يوم الميلاد إلى حوالي 70% إلى 89%. وإذا كان هناك 50 شخصًا، تصل الاحتمالية إلى 97%، لتصبح الحالة “من النادر ألا يوجد أشخاص لهم نفس يوم الميلاد”.

لماذا يختلف حدسنا إلى هذا الحد عن الاحتمالية الواقعية؟

2. سبب خطأ الحدس: الفرق بين “أنا وشخص ما” و “شخص ما وشخص آخر”

السبب الأكبر وراء خطأ الحدس في هذه المشكلة هو أننا نفكر لا شعوريًا في “احتمالية وجود شخص له نفس يوم ميلاد شخص معين (مثلًا نفسك)”.

إذا دخلت القاعة وبحثت “هل يوجد شخص له نفس يوم ميلادي؟"، فإن احتمالية وجود شخص له نفس يوم ميلادك بين 23 شخصًا هي فقط حوالي 6.1%. (لكي تتجاوز هذه الاحتمالية 50%، تحتاج بالفعل إلى 253 شخصًا).

ولكن ما تطرحه مفارقة عيد الميلاد ليس زوجًا مكونًا من “أنا وشخص ما”. بل يكفي أن يتطابق زوج واحد من بين “كل التوافيق الممكنة بين جميع الأشخاص في القاعة (الشخص أ والشخص ب، الشخص ب والشخص ج، الشخص ج والشخص أ…)”.

graph TD subgraph "وهم الحدس: المقارنة التي تركز على 'النفس'" You["أنا"] --- P1["الشخص أ"] You --- P2["الشخص ب"] You --- P3["الشخص ج"] You --- P4["الشخص د"] style You fill:#ff9999,stroke:#333,stroke-width:4px end subgraph "الواقع: مقارنة شاملة 'الكل مع الكل'" A["الشخص أ"] --- B["الشخص ب"] A --- C["الشخص ج"] A --- D["الشخص د"] B --- C B --- D C --- D end

حتى في مجموعة مكونة من 4 أشخاص فقط، هناك 3 طرق للمقارنة بتركيز على “النفس”، ولكن هناك 6 طرق للمقارنة بين الجميع (${}_4 C_2 = 6$). عندما يزيد العدد إلى 23 شخصًا، يزداد عدد التوافيق بين الأزواج بشكل انفجاري ليصل إلى 253 طريقة (${}_{23} C_2$). ألا تشعر أنه إذا كان هناك 253 زوجًا، فليس من الغريب أن يصيب زوج واحد منهم احتمالية “1 من 365”؟

3. الإثبات الرياضي: حل ذكي باستخدام الحدث المكمل

من الصعب حساب “احتمالية أن يكون زوج واحد على الأقل له نفس يوم الميلاد” بشكل مباشر (لأن هناك أنماطًا كثيرة جدًا… مثل تطابق زوج واحد فقط، أو تطابق زوجين، أو 3 أشخاص لهم نفس يوم الميلاد… إلخ). لذلك، نستخدم التقنية الأساسية في نظرية الاحتمالات وهي “الحدث المكمل (Complementary Event)”.

الحدث المكمل هو “احتمالية عدم الحدوث”. بمعنى آخر، نقوم بحساب “احتمالية أن تكون جميع أيام الميلاد مختلفة (لا يوجد أي تطابق)”، وبطرحها من 100% (1)، نحصل على الاحتمالية المطلوبة.

$$ P(\text{تطابق شخصين على الأقل}) = 1 - P(\text{أيام ميلاد الجميع مختلفة}) $$

لنتخيل الأشخاص وهم يدخلون القاعة بالترتيب ونقوم بالحساب.

الشخص الأول: لا داعي للقلق من التطابق مع أي شخص. الاحتمالية هي $\frac{365}{365}$.
الشخص الثاني: يجب أن يكون يوم ميلاده مختلفًا عن الشخص الأول. سيكون في أمان خلال الـ 364 يومًا المتبقية. الاحتمالية هي $\frac{364}{365}$.
الشخص الثالث: يجب أن يكون يوم ميلاده مختلفًا عن الشخصين السابقين. سيكون في أمان خلال الـ 363 يومًا المتبقية. الاحتمالية هي $\frac{363}{365}$.

بضرب هذه الاحتمالات حتى الشخص رقم $n$، نحصل على الحد العام لـ $P(n)'$، وهي احتمالية أن تكون أيام ميلاد الجميع مختلفة.

$$ P(n)' = \frac{365}{365} \times \frac{364}{365} \times \frac{363}{365} \times \dots \times \frac{365 - (n - 1)}{365} $$ $$ P(n)' = \prod_{k=1}^{n-1} \left(1 - \frac{k}{365}\right) $$

وبالتالي، تصبح “احتمالية أن يكون شخصان على الأقل لهما نفس يوم الميلاد $P(n)$” المطلوبة كالتالي.

$$ P(n) = 1 - \prod_{k=1}^{n-1} \left(1 - \frac{k}{365}\right) $$

إذا عوضنا بعدد الأشخاص $n$ في هذه المعادلة، سنجد أن الاحتمالية ترتفع بسرعة مذهلة.

عندما $n = 10$، تكون الاحتمالية حوالي 11.7%
عندما $n = 23$، تكون الاحتمالية حوالي 50.7% (هنا تتجاوز 50%!)
عندما $n = 40$، تكون الاحتمالية حوالي 89.1%
عندما $n = 70$، تكون الاحتمالية حوالي 99.9%

pie title "الاحتمالية عند تجمع 23 شخصًا" "يوجد زوج له نفس يوم الميلاد (50.7%)" : 50.7 "الجميع مختلفون (49.3%)" : 49.3

4. الحساب التقريبي باستخدام متسلسلة تايلور

حساب الضرب 23 مرة يدويًا أمر شاق، لذا دعونا نستخدم صيغة تقريبية رياضية لفهمها بشكل أكثر بديهية.

نأخذ بعين الاعتبار متسلسلة تايلور للدالة الأسية $e^{-x}$. عندما تكون $x$ صغيرة بما يكفي، يتحقق التقريب التالي.

$$ e^{-x} \approx 1 - x $$

بتطبيق ذلك على كل حد من الحدود السابقة $\left(1 - \frac{k}{365}\right)$، نحصل على

$$ 1 - \frac{k}{365} \approx e^{-\frac{k}{365}} $$

بضربها جميعًا (وهي تصبح عملية جمع حسب قوانين الأسس)، نجد أن

$$ P(n)' \approx e^{-\frac{1}{365}} \times e^{-\frac{2}{365}} \times \dots \times e^{-\frac{n-1}{365}} $$ $$ P(n)' \approx \exp\left(-\sum_{k=1}^{n-1} \frac{k}{365}\right) $$

بما أن مجموع الأرقام من 1 إلى $n-1$ هو $\frac{n(n-1)}{2}$ (بمعنى آخر، عدد التوافيق ${}_n C_2$)، إذن

$$ P(n)' \approx \exp\left(-\frac{n(n-1)}{2 \times 365}\right) $$

في هذه المعادلة، نبحث عن $n$ عندما تكون الاحتمالية 50% ($0.5$).

$$ 0.5 = e^{-\frac{n(n-1)}{730}} $$

بأخذ اللوغاريتم الطبيعي للطرفين ($\ln 0.5 \approx -0.693$).

$$ -0.693 = -\frac{n(n-1)}{730} $$ $$ n(n-1) = 0.693 \times 730 \approx 505.89 $$

بتقريب أن $n^2 \approx 506$، نجد أن $n = \sqrt{506} \approx 22.49$ وبذلك توصلنا ببراعة إلى الإجابة $n \approx 23$!

5. التطبيقات في الحياة اليومية و"تصادم التجزئة”

هذه المفارقة ليست مجرد موضوع للحديث في الحفلات. فهي تلعب دورًا بالغ الأهمية في نظرية التشفير وأمن المعلومات التي تدعم مجتمع تكنولوجيا المعلومات الحديث.

في أنظمة الكمبيوتر، تُستخدم آلية تسمى “دالة التجزئة (Hash Function)” للتحقق بسرعة من تطابق كلمات المرور أو الملفات. دالة التجزئة تعيد سلسلة نصية عشوائية بطول ثابت (قيمة التجزئة) بغض النظر عن البيانات المدخلة. ولكن الظاهرة التي تتطابق فيها قيم التجزئة هذه بالصدفة تسمى “تصادم التجزئة (Hash Collision)”.

يحدث تصادم التجزئة بنفس مبدأ مفارقة عيد الميلاد تمامًا. على عكس الحدس البشري الذي يقول “بما أن أنواع قيم التجزئة عدد فلكي، فمن النادر حدوث تصادم”، فإن إنشاء كميات هائلة من البيانات عشوائيًا بواسطة المهاجمين للعثور على “زوج يتطابق فيه شيء مع شيء آخر (تطابق أيام الميلاد)” أسهل مما تتخيل.

يسمى هذا “هجوم عيد الميلاد (Birthday Attack)”. يقوم المهندسون الذين يصممون أنظمة الأمان بتحديد طول قيم التجزئة لتكون طويلة جدًا لضمان الأمان، بناءً على الحقيقة الرياضية بأن “التصادم يحدث أسرع بكثير مما يمليه الحدس”.

6. الخلاصة: حدود الحدس البشري

مفارقة عيد الميلاد هي مثال مثالي يوضح مدى ضعف الحدس البشري تجاه “الزيادة الأسية” و"الانفجار التوافقي".

نحن أقوياء في الزيادات الخطية (الجمعية)، ولكن لا يمكننا محاكاة ظاهرة في عقولنا حيث يزداد عدد الأزواج بشكل انفجاري بوتيرة $n^2$. خلف الحدس الذي يقول “الرقم 23 صغير جدًا مقارنة بالرقم الكبير 365”، تكمن “253 خيطًا غير مرئي (زوجًا)” تم نسجها بواسطة 23 شخصًا.

في المرة القادمة التي تذهب فيها إلى مكان يتجمع فيه الناس، حاول أن تتخيل ليس فقط “عدد الأشخاص” المرئي، بل “خيوط التوافيق” التي لا حصر لها والموجودة بينهم. من المؤكد أن رؤيتك للعالم ستتغير قليلًا من منظور رياضي.