إحصاء on kenji.blog

أصدقاؤك لديهم أصدقاء أكثر منك: مفارقة الصداقة

Thu, 10 Sep 2026 21:00:00 +0900

“يبدو أن الأشخاص من حولي لديهم أصدقاء أكثر مني، ويبدو أنهم يستمتعون بوقتهم…” هل سبق لك أن شعرت بهذا أثناء تصفحك لوسائل التواصل الاجتماعي؟

في الواقع، شعورك هذا ليس بسبب شخصيتك أو قلة شعبيتك. بل هي حقيقة رياضية مثبتة في نظرية الشبكات والإحصاء تُعرف باسم “مفارقة الصداقة (Friendship Paradox)”.

هذه المفارقة التي اكتشفها عالم الاجتماع سكوت فيلد في عام 1991، تشرح الظاهرة التي تتناقض مع البديهة والتي تقول: “معظم الناس لديهم أصدقاء أقل من أصدقائهم”.

لماذا “الأصدقاء لديهم أصدقاء أكثر”؟

باختصار، يرجع هذا إلى انحياز بسيط في أخذ العينات: “الأشخاص الذين لديهم أصدقاء كثر (الأشخاص المشهورون) يظهرون في قوائم أصدقاء الكثير من الناس”.

دعونا نفكر في شبكة (مخطط) بسيطة.

graph TD A["أليس (صديق واحد)"] --- C["تشارلي (3 أصدقاء)"] B["بوب (صديق واحد)"] --- C C --- D["ديفيد (صديق واحد)"] style A fill:#4FC3F7,stroke:#333,stroke-width:2px style B fill:#4FC3F7,stroke:#333,stroke-width:2px style C fill:#FF9800,stroke:#333,stroke-width:4px style D fill:#4FC3F7,stroke:#333,stroke-width:2px

يوجد في هذا العالم الصغير 4 أشخاص: أليس، بوب، تشارلي، وديفيد. تشارلي هو “الشخص المشهور” وهو صديق للثلاثة الآخرين جميعهم. بينما الثلاثة الآخرون ليسوا أصدقاء إلا مع تشارلي فقط.

دعونا نلقي نظرة على عدد أصدقاء كل شخص.

عدد أصدقاء أليس: 1
عدد أصدقاء بوب: 1
عدد أصدقاء ديفيد: 1
عدد أصدقاء تشارلي: 3 متوسط عدد الأصدقاء للجميع هو $(1 + 1 + 1 + 3) / 4 = 1.5$ صديق.

بعد ذلك، دعونا نحسب “متوسط عدد أصدقاء صديق كل شخص”.

عدد أصدقاء صديق أليس (تشارلي): 3
عدد أصدقاء صديق بوب (تشارلي): 3
عدد أصدقاء صديق ديفيد (تشارلي): 3
متوسط عدد أصدقاء أصدقاء تشارلي (أليس، بوب، ديفيد): $(1 + 1 + 1) / 3 = 1$ صديق

الآن، سنقارن بين “نفسه” و “متوسط أصدقائه” لكل شخص.

أليس: نفسها (1) < متوسط الأصدقاء (3)
بوب: نفسه (1) < متوسط الأصدقاء (3)
ديفيد: نفسه (1) < متوسط الأصدقاء (3)
تشارلي: نفسه (3) > متوسط الأصدقاء (1)

3 من أصل 4 أشخاص (75٪ من الناس) يجدون أنفسهم في موقف حيث “أصدقاؤهم لديهم أصدقاء أكثر منهم”. وجود تشارلي المشهور يرفع بقوة “متوسط الأصدقاء” لكل من حوله.

الإثبات الرياضي: التباين هو المفتاح

دعونا نعبر عن هذا رياضياً. في نظرية الشبكات، لنفترض أن عدد أصدقاء (درجة) الشخص $v$ هو $k(v)$. لنفترض أن متوسط عدد الأصدقاء في الشبكة بأكملها هو $\mu$، وتباين عدد الأصدقاء هو $\sigma^2$.

وفقًا لإثبات فيلد، فإن القيمة المتوقعة لـ “عدد أصدقاء صديق تم اختياره عشوائيًا” هي كما يلي:

$$ \text{متوسط عدد أصدقاء الصديق} = \mu + \frac{\sigma^2}{\mu} $$

التباين $\sigma^2$ هو دائمًا قيمة أكبر من أو تساوي الصفر. بعبارة أخرى، باستثناء الموقف المستحيل حيث يكون لدى كل شخص نفس العدد من الأصدقاء تمامًا ($\sigma^2 = 0$)، فإن المتباينة التالية تتحقق دائمًا.

$$ \mu + \frac{\sigma^2}{\mu} > \mu $$

“متوسط عدد أصدقاء الصديق” سيكون دائمًا أكبر من “المتوسط الكلي لعدد الأصدقاء”.

في المجتمع الحقيقي وعلى وسائل التواصل الاجتماعي (مثل X و Instagram وغيرها)، يمتلك جزء صغير جدًا من الناس ملايين المتابعين (الأصدقاء)، في حين أن معظم الناس لديهم العشرات إلى المئات فقط. بعبارة أخرى، نظرًا لأن التباين $\sigma^2$ كبير جدًا، فإن تأثير هذه المفارقة يصبح أقوى بكثير.

التطبيق: الجوائح والتطعيم باللقاحات

مفارقة الصداقة لا تقتصر على علم نفس وسائل التواصل الاجتماعي. بل لها تطبيقات فعالة جدًا في القضايا الاجتماعية الواقعية، وخاصة التدابير المضادة للأمراض المعدية.

افترض أن لديك عددًا محدودًا من اللقاحات وتتساءل لمن يجب أن تُعطى. هناك طريقة أكثر فعالية من إعطائها بشكل عشوائي.

يتم اختيار أشخاص عشوائيًا.
لا يُعطى اللقاح للشخص نفسه، بل للشخص الذي يسميه “صديقًا”.

لماذا؟ بسبب مفارقة الصداقة، فإن “أصدقاء” الأشخاص الذين تم اختيارهم عشوائيًا لديهم احتمالية أكبر في أن يكون لديهم اتصالات أكثر في المتوسط (بأن يكونوا مراكز أو محاور). من خلال إعطاء الأولوية في التطعيم للأشخاص الذين لديهم اتصالات كثيرة، يمكن إبطاء انتشار العدوى في الشبكة بأكملها بشكل كبير.

الخلاصة

عندما تنظر إلى وسائل التواصل الاجتماعي وتشعر بأن “الجميع لديهم أصدقاء أكثر مني ويعيشون حياة أفضل”، فهذا ليس وهمًا من جانبك، بل هو حتمية رياضية تم إنشاؤها بواسطة بنية الشبكة.

نظرًا لأن الأشخاص المشهورين يظهرون في شبكات العديد من الأشخاص، فإننا نُجبر حتمًا على ملاحظة “الأشخاص المشهورين فوق المتوسط” فقط كعينة. في المرة القادمة التي تشعر فيها بالإحباط على وسائل التواصل الاجتماعي، يرجى تذكر هذه المعادلة.

$$ \mu + \frac{\sigma^2}{\mu} > \mu $$

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 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.