सांख्यिकी on kenji.blog

आपके दोस्तों के पास आपसे ज़्यादा दोस्त हैं: फ्रेंडशिप पैराडॉक्स (मित्रता का विरोधाभास)

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

“आसपास के लोगों के पास मुझसे ज़्यादा दोस्त हैं और वे ज़्यादा मज़े कर रहे हैं…” क्या आपने कभी SNS (सोशल मीडिया) देखते हुए ऐसा महसूस किया है?

दरअसल, ऐसा महसूस होना आपके स्वभाव या अलोकप्रिय होने के कारण नहीं है। यह एक गणितीय सत्य है जिसे नेटवर्क सिद्धांत और सांख्यिकी द्वारा सिद्ध किया गया है, जिसे “मित्रता का विरोधाभास (Friendship Paradox)” कहा जाता है।

1991 में समाजशास्त्री स्कॉट फेल्ड (Scott Feld) द्वारा खोजा गया यह विरोधाभास एक ऐसी घटना की व्याख्या करता है जो हमारे अंतर्ज्ञान के विपरीत है: “ज्यादातर लोगों के दोस्तों की संख्या उनके दोस्तों के दोस्तों की संख्या से कम होती है।”

ऐसा क्यों होता है कि “दोस्तों के पास ज़्यादा दोस्त होते हैं”?

संक्षेप में कहें तो, यह एक साधारण सैंपलिंग पूर्वाग्रह (sampling bias) के कारण होता है: “जिन लोगों के कई दोस्त होते हैं (जो लोकप्रिय होते हैं), वे कई लोगों की फ्रेंड लिस्ट में दिखाई देते हैं।”

आइए इसे एक साधारण नेटवर्क (ग्राफ़) के माध्यम से समझते हैं।

graph TD A["एलिस (1 दोस्त)"] --- C["चार्ली (3 दोस्त)"] B["बॉब (1 दोस्त)"] --- C C --- D["डेविड (1 दोस्त)"] 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

इस छोटी सी दुनिया में चार लोग हैं: एलिस, बॉब, चार्ली और डेविड। चार्ली “लोकप्रिय” है और अन्य तीनों का दोस्त है। बाकी तीन केवल चार्ली के दोस्त हैं।

आइए प्रत्येक व्यक्ति के दोस्तों की संख्या देखें:

एलिस के दोस्तों की संख्या: 1
बॉब के दोस्तों की संख्या: 1
डेविड के दोस्तों की संख्या: 1
चार्ली के दोस्तों की संख्या: 3 सभी के दोस्तों की औसत संख्या है: $(1 + 1 + 1 + 3) / 4 = 1.5$ लोग।

अब, आइए “प्रत्येक व्यक्ति के ‘दोस्तों के दोस्तों की संख्या’ का औसत” निकालें:

एलिस के दोस्त (चार्ली) के दोस्तों की संख्या: 3
बॉब के दोस्त (चार्ली) के दोस्तों की संख्या: 3
डेविड के दोस्त (चार्ली) के दोस्तों की संख्या: 3
चार्ली के दोस्तों (एलिस, बॉब, डेविड) के दोस्तों की औसत संख्या: $(1 + 1 + 1) / 3 = 1$

अब, प्रत्येक व्यक्ति के लिए “स्वयं” की तुलना उनके “दोस्तों के औसत” से करते हैं:

एलिस: स्वयं (1) < दोस्तों का औसत (3)
बॉब: स्वयं (1) < दोस्तों का औसत (3)
डेविड: स्वयं (1) < दोस्तों का औसत (3)
चार्ली: स्वयं (3) > दोस्तों का औसत (1)

4 में से 3 लोग (75% लोग) ऐसी स्थिति में हैं जहाँ “उनके दोस्तों के पास उनसे ज़्यादा दोस्त हैं।” लोकप्रिय चार्ली की उपस्थिति आसपास के सभी लोगों के “दोस्तों के औसत” को काफी बढ़ा देती है।

गणितीय प्रमाण: प्रसरण (Variance) है कुंजी

आइए इसे एक गणितीय सूत्र के रूप में व्यक्त करें। नेटवर्क सिद्धांत में, मान लीजिए किसी व्यक्ति $v$ के दोस्तों की संख्या (डिग्री) $k(v)$ है। पूरे नेटवर्क में दोस्तों की औसत संख्या $\mu$ है, और दोस्तों की संख्या का प्रसरण (variance) $\sigma^2$ है।

फेल्ड के प्रमाण के अनुसार, “यादृच्छिक (randomly) चुने गए दोस्त के दोस्तों की संख्या” का अपेक्षित मान (expected value) इस प्रकार है:

$$ \text{दोस्तों के दोस्तों का औसत} = \mu + \frac{\sigma^2}{\mu} $$

प्रसरण $\sigma^2$ का मान हमेशा 0 या उससे अधिक होता है। दूसरे शब्दों में, उस असंभव स्थिति को छोड़कर जहाँ सभी के पास दोस्तों की संख्या बिल्कुल समान हो ($\sigma^2 = 0$), निम्नलिखित असमानता हमेशा सत्य होती है:

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

“दोस्तों के दोस्तों का औसत” हमेशा “समग्र औसत दोस्तों की संख्या” से अधिक होता है।

वास्तविक जीवन और SNS (जैसे X या Instagram) में, कुछ ही लोगों के लाखों फ़ॉलोअर्स (दोस्त) होते हैं, जबकि अधिकांश लोगों के केवल कुछ दर्जनों या सैकड़ों दोस्त होते हैं। इसका अर्थ है कि प्रसरण $\sigma^2$ बहुत बड़ा है, जिसके कारण इस विरोधाभास का प्रभाव और भी मजबूत हो जाता है।

अनुप्रयोग: महामारी और टीकाकरण

मित्रता का विरोधाभास केवल SNS मनोविज्ञान तक सीमित नहीं है। इसका उपयोग वास्तविक दुनिया की सामाजिक चुनौतियों, विशेष रूप से संक्रामक रोग नियंत्रण में बहुत प्रभावी ढंग से किया जा सकता है।

मान लीजिए कि टीकों (vaccines) की संख्या सीमित है और आप सोच रहे हैं कि किसे टीका लगाया जाए। बेतरतीब ढंग से (randomly) टीका लगाने की तुलना में एक अधिक प्रभावी तरीका है:

लोगों को बेतरतीब ढंग से चुनें।
उन्हें टीका लगाने के बजाय, उन लोगों को टीका लगाएँ जिन्हें वे “दोस्त” मानते हैं।

ऐसा क्यों? क्योंकि मित्रता के विरोधाभास के कारण, बेतरतीब ढंग से चुने गए व्यक्ति के “दोस्त” के पास औसतन अधिक कनेक्शन होने (यानी हब होने) की संभावना अधिक होती है। ऐसे लोगों को प्राथमिकता के आधार पर टीका लगाने से, जिनके कनेक्शन ज़्यादा हैं, पूरे नेटवर्क में संक्रमण के फैलाव को काफी हद तक धीमा किया जा सकता है।

निष्कर्ष

जब आप SNS देखते हैं और महसूस करते हैं कि “बाकी सभी के पास मुझसे अधिक दोस्त हैं और वे बेहतर जीवन जी रहे हैं,” तो यह कोई भ्रम नहीं है, बल्कि नेटवर्क की संरचना द्वारा उत्पन्न एक गणितीय अनिवार्यता है।

चूँकि लोकप्रिय लोग कई लोगों के नेटवर्क में दिखाई देते हैं, हम अनिवार्य रूप से ऐसे सैंपल्स देख रहे होते हैं जो “औसत से अधिक लोकप्रिय” होते हैं। इसलिए, अगली बार जब आप SNS देखकर निराश होने लगें, तो इस सूत्र को ज़रूर याद रखें:

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

सिम्पसन का विरोधाभास: हिस्सों में जीतना, लेकिन समग्र रूप से हारने की रहस्यमय घटना

Thu, 10 Sep 2026 07:00:00 +0900

1. आपको किस अस्पताल में सर्जरी करानी चाहिए?

आप एक गंभीर बीमारी से पीड़ित हैं और आपको सर्जरी की आवश्यकता है। आपके सामने दो विकल्प हैं: अस्पताल A और अस्पताल B। आपने प्रत्येक अस्पताल की सर्जरी की “सफलता दर” का डेटा मंगाया है।

【समग्र सफलता दर】

अस्पताल A: 1000 में से 900 सफल (सफलता दर 90%)
अस्पताल B: 1000 में से 800 सफल (सफलता दर 80%)

इसे देखकर कोई भी सोचेगा, “अस्पताल A बेहतर है!” हालाँकि, चूंकि आप सतर्क स्वभाव के हैं, इसलिए आपने और अधिक विस्तार से जांच करने का निर्णय लिया कि बीमारी की स्थिति (हल्की या गंभीर) के आधार पर डेटा कैसे बदलता है।

【हल्के लक्षणों वाले मरीजों की सफलता दर】

अस्पताल A: 100 में से 99 सफल (सफलता दर 99%)
अस्पताल B: 900 में से 870 सफल (सफलता दर 96%) $\rightarrow$ हल्के लक्षणों के मामले में, अस्पताल A की जीत (99% > 96%)

【गंभीर मरीजों की सफलता दर】

अस्पताल A: 900 में से 801 सफल (सफलता दर 89%)
अस्पताल B: 100 में से 70 सफल (सफलता दर 70%) $\rightarrow$ गंभीर मामलों में भी, अस्पताल A की जीत (89% > 70%)

अरे? क्या आपको नहीं लगता कि यह अजीब है?

“हल्के” मरीजों के लिए भी, अस्पताल A की सफलता दर अधिक है। “गंभीर” मरीजों के लिए भी, अस्पताल A की सफलता दर अधिक है। फिर भी, यदि हम सभी मरीजों को मिलाकर “समग्र” सफलता दर की गणना करते हैं…?

अस्पताल A समग्र: $(99 + 801) / 1000 =$ 90%
अस्पताल B समग्र: $(870 + 70) / 1000 =$ 94%… नहीं, पिछली गणना के अनुसार 80%?

रुकिए, आइए एक बार फिर से पहले डेटा को देखते हैं। शुरुआती डेटा कुछ ऐसा था:

अस्पताल A की समग्र सफलता दर: 90%
अस्पताल B की समग्र सफलता दर: 80%

लेकिन, यदि हम विस्तृत डेटा के साथ पुनर्गणना करते हैं, अस्पताल B की समग्र सफलता दर $(870 + 70) / 1000 = 940 / 1000 = $ 94% होनी चाहिए।

…नहीं, आपको धोखा दिया गया है! दरअसल, संख्याओं की यह चाल ही सांख्यिकी का वह भयानक जाल है जिसके बारे में हम आज बात करेंगे। आइए आपको एक बार फिर से सही डेटा दिखाते हैं।

2. जिन्हें धोखा दिया गया उनके लिए: असली डेटा

【हल्के लक्षणों वाले मरीजों की सफलता दर】

अस्पताल A: 900 में से 870 सफल (सफलता दर 96%)
अस्पताल B: 100 में से 99 सफल (सफलता दर 99%) $\rightarrow$ हल्के लक्षणों के मामले में, अस्पताल B की जीत (99% > 96%)

【गंभीर मरीजों की सफलता दर】

अस्पताल A: 100 में से 30 सफल (सफलता दर 30%)
अस्पताल B: 900 में से 315 सफल (सफलता दर 35%) $\rightarrow$ गंभीर मामलों में भी, अस्पताल B की जीत (35% > 30%)

दूसरे शब्दों में, चाहे हल्के हों या गंभीर, अस्पताल B बहुत अधिक बेहतर है।

अब, आइए इसे “समग्र” रूप से जोड़ते हैं।

अस्पताल A समग्र: $(870 + 30) / (900 + 100) = 900 / 1000 =$ सफलता दर 90%
अस्पताल B समग्र: $(99 + 315) / (100 + 900) = 414 / 1000 =$ सफलता दर 41%

आश्चर्यजनक रूप से, जब आप “भागों” को देखते हैं तो अस्पताल B सब कुछ जीत रहा है, लेकिन जब आप इसे “समग्र” रूप में मिलाते हैं, तो यह अस्पताल A की भारी जीत बन जाती है! इसी घटना को “सिम्पसन का विरोधाभास” कहा जाता है।

graph TD subgraph "आंशिक डेटा (B की जीत)" Light["हल्के लक्षण: अस्पताल B की जीत (99% > 96%)"] Heavy["गंभीर लक्षण: अस्पताल B की जीत (35% > 30%)"] end subgraph "समग्र डेटा (A की जीत)" Total["कुल मिलाकर: अस्पताल A की भारी जीत (90% > 41%)"] end Light -->|जोड़ने पर किसी तरह उलट जाता है| Total Heavy -->|जोड़ने पर किसी तरह उलट जाता है| Total style Total fill:#ff9999,stroke:#333,stroke-width:2px

3. ऐसा अजीब उलटफेर क्यों होता है?

इस विरोधाभास का असली कारण “जनसंख्या (हर) का पूर्वाग्रह” और “छिपे हुए चर (भ्रमित करने वाले कारक)” में निहित है।

डेटा को ध्यान से देखें।

अस्पताल A ने बड़ी संख्या में (900) “आसानी से ठीक होने वाले हल्के मरीजों” को भर्ती किया है।
अस्पताल B ने बड़ी संख्या में (900) “ठीक होने में मुश्किल गंभीर मरीजों” को भर्ती किया है।

चूंकि अस्पताल B अत्यधिक कुशल है, इसलिए यह “अंतिम उपाय” वाले अस्पताल की तरह है जो कई कठिन और गंभीर मरीजों को लेता है जिन्हें अन्य जगहों पर मना कर दिया जाता है। स्वाभाविक रूप से, गंभीर मरीजों की सफलता दर कम होगी (35%)। अस्पताल B की “समग्र सफलता दर” को इन बड़ी संख्या में गंभीर मरीजों की कम सफलता दर ने नीचे खींच लिया, जिससे यह समग्र रूप से कम (41%) दिखाई दी।

इसके विपरीत, अस्पताल A केवल साधारण और हल्के मरीजों का इलाज कर रहा था, इसलिए इसकी समग्र सफलता दर अधिक (90%) दिखाई दी। लेकिन जब समान परिस्थितियों (गंभीर से गंभीर, हल्के से हल्के) में तुलना की जाती है, तो उनका कौशल अस्पताल B से कम था।

यदि हम इसे एक गणितीय सूत्र के रूप में व्यक्त करते हैं, तो इसका कारण भिन्नों के योग का गुण है। सामान्य तौर पर, भले ही $\frac{a}{b} < \frac{A}{B}$ और $\frac{c}{d} < \frac{C}{D}$ हों,

$$ \frac{a+c}{b+d} < \frac{A+C}{B+D} $$

यह हमेशा सत्य नहीं होता है। यदि हर (denominator) के आकार बेहद अलग हैं, तो असमानता चिह्न की दिशा उलट सकती है।

4. वास्तविक दुनिया में “सिम्पसन का विरोधाभास”

यह विरोधाभास केवल एक गणितीय पहेली नहीं है, बल्कि यह वास्तविक समाज में भी अक्सर होता है और इसने बड़े विवादों को जन्म दिया है।

1973 कैलिफोर्निया विश्वविद्यालय, बर्कले लिंग भेदभाव का आरोप

जब बर्कले के ग्रेजुएट स्कूल में प्रवेश दर की जांच की गई, तो यह पाया गया कि “पुरुषों की प्रवेश दर (44%)” “महिलाओं की प्रवेश दर (35%)” से काफी अधिक थी, जो महिलाओं के खिलाफ स्पष्ट भेदभाव के रूप में एक समस्या बन गई। हालाँकि, जब डेटा को “संकाय (department)” के अनुसार विभाजित किया गया और विस्तार से विश्लेषण किया गया, तो एक चौंकाने वाला तथ्य सामने आया। लगभग सभी संकायों में, महिलाओं की प्रवेश दर पुरुषों की तुलना में अधिक थी।

समग्र आंकड़े क्यों उलट गए? दरअसल, महिलाएं अक्सर “कम प्रवेश दर वाले (कठिन) संकायों” में आवेदन कर रही थीं, जबकि पुरुष “उच्च प्रवेश दर वाले (आसान) संकायों” में अधिक आवेदन कर रहे थे।

कोविड वैक्सीन प्रभावकारिता डेटा

एक बार एक डेटा प्रसारित हुआ जिसने हंगामा खड़ा कर दिया, जिसमें दावा किया गया कि “वैक्सीन लेने वाले लोगों की मृत्यु दर गैर-टीकाकरण वाले लोगों की तुलना में अधिक है।” यह भी आयु-विशिष्ट डेटा (एक छिपा हुआ चर) को अनदेखा करने का परिणाम था। चूंकि टीकों को मुख्य रूप से “बुजुर्गों (जिनकी मृत्यु दर पहले से ही अधिक है)” को प्राथमिकता से दिया गया था, इसलिए जब आप केवल समग्र मृत्यु दर को जोड़ते हैं, तो टीकाकृत समूह में बुजुर्ग लोगों की संख्या बेहद अधिक हो जाती है, जिससे मृत्यु दर भ्रामक रूप से अधिक दिखाई देने लगती है।

जब आयु समूहों द्वारा अलग किया गया और तुलना की गई, तो यह पुष्टि हुई कि “टीकाकरण वाले लोगों की मृत्यु दर” सभी आयु समूहों में कम थी।

5. निष्कर्ष: डेटा झूठ नहीं बोलता, लेकिन लोग डेटा के साथ झूठ बोल सकते हैं

सिम्पसन का विरोधाभास “केवल औसत या योग जैसे समग्र डेटा को देखकर निर्णय लेने के खतरे” की चेतावनी देता है।

दुनिया ऐसी कंपनियों, राजनेताओं और मीडिया से भरी हुई है जो केवल “समग्र आंकड़ों” का उपयोग करते हैं और उन्हें अपने लाभ के लिए पेश करते हैं। भले ही वे कहें, “हमारे उत्पाद A की समग्र संतुष्टि दर अन्य कंपनी के उत्पाद B की तुलना में अधिक है!”, यदि आप इसे “युवा” और “बुजुर्ग” में विभाजित करते हैं, तो हो सकता है कि उत्पाद B दोनों समूहों में बेहतर प्रदर्शन कर रहा हो।

डेटा को देखते समय, सतह पर मौजूद “समग्र” संख्याओं से मूर्ख न बनें। आधुनिक सूचना समाज में जीवित रहने के लिए सबसे मजबूत हथियार यह संदेह करने की क्षमता है कि “क्या किसी छिपे हुए चर (जैसे आयु, लिंग, गंभीरता, आदि) के कारण समूहों के अनुपात में अत्यधिक पूर्वाग्रह तो नहीं है?"।

बर्थडे पैराडॉक्स: क्या 23 लोगों में 50% से अधिक संभावना है? "कॉम्बिनेशन" का जादू जो हमारे अंतर्ज्ञान को धोखा देता है

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

1. अंतर्ज्ञान का परीक्षण: संभावना 50% से अधिक होने के लिए कितने लोगों की आवश्यकता है?

मान लीजिए लोग एक पार्टी में इकट्ठे हुए हैं। यहाँ, आपके विचार में “इस बात की संभावना 50% से अधिक होने के लिए कम से कम कितने लोगों की आवश्यकता है कि हॉल में कम से कम दो लोगों का जन्मदिन (महीना और दिन) बिल्कुल एक ही हो?” (※लीप वर्ष को छोड़कर 1 वर्ष को 365 दिन मानते हैं, और यह मान लेते हैं कि सभी जन्मदिनों की संभावना समान है)।

इंसानी अंतर्ज्ञान अक्सर इस तरह से गणना करता है: “एक वर्ष में 365 दिन होते हैं। 365 स्लॉट्स में लोगों को डालते हुए, किसी का जन्मदिन टकराने (match होने) के लिए, कम से कम लगभग 180 लोगों की आवश्यकता होनी चाहिए। यदि हम कम से कम भी अनुमान लगाएं, तो क्या संभावना के आधे होने के लिए 50-60 लोगों का होना ज़रूरी नहीं है?”

हालाँकि, गणित द्वारा निकाला गया सही उत्तर मात्र “23 लोग” है। अगर यह स्कूल की कोई क्लास (लगभग 30 से 40 लोग) है, तो एक ही जन्मदिन वाले जोड़े के होने की संभावना लगभग 70% से 89% तक उछल जाती है। यदि 50 लोग हैं, तो वह संभावना 97% तक पहुँच जाती है, जो कि एक ऐसी स्थिति है जहाँ “एक ही जन्मदिन वाले किसी व्यक्ति का न होना अधिक असामान्य” होता है।

हमारा अंतर्ज्ञान वास्तविकता की संभावनाओं से इतना विचलित (deviate) क्यों हो जाता है?

2. अंतर्ज्ञान के गलत होने का कारण: “मैं और कोई और” बनाम “कोई और और कोई और” में अंतर

इस समस्या में हमारे अंतर्ज्ञान के गलत होने का सबसे बड़ा कारण यह है कि हम अनजाने में “किसी विशिष्ट व्यक्ति (उदाहरण के लिए, स्वयं) के समान जन्मदिन वाले किसी व्यक्ति के होने की संभावना” के बारे में सोचने लगते हैं।

यदि आप हॉल में प्रवेश करते हैं और पूछते हैं, “क्या किसी का जन्मदिन मेरे ही दिन है?”, तो 23 लोगों के बीच आपके समान जन्मदिन वाले किसी व्यक्ति के होने की संभावना मात्र लगभग 6.1% है। (इस संभावना को 50% से अधिक होने के लिए वास्तव में 253 लोगों की आवश्यकता होगी)।

हालाँकि, बर्थडे पैराडॉक्स “मेरे और किसी और” की जोड़ी के बारे में नहीं पूछता है। “हॉल में मौजूद सभी लोगों के सभी संभावित कॉम्बिनेशन (A और B, B और C, C और A…)” में से, यदि 1 जोड़ी भी मेल खाती है तो काफी है।

graph TD subgraph "अंतर्ज्ञान का भ्रम: 'स्वयं' को केंद्र में रखकर तुलना" You["स्वयं (आप)"] --- P1["व्यक्ति A"] You --- P2["व्यक्ति B"] You --- P3["व्यक्ति C"] You --- P4["व्यक्ति D"] style You fill:#ff9999,stroke:#333,stroke-width:4px end subgraph "वास्तविकता: 'सबका सबके साथ' राउंड-रॉबिन तुलना" A["व्यक्ति A"] --- B["व्यक्ति B"] A --- C["व्यक्ति C"] A --- D["व्यक्ति D"] B --- C B --- D C --- D end

केवल 4 लोगों के समूह में भी, “स्वयं” पर केंद्रित तुलना 3 प्रकार की होती है, लेकिन यदि हर कोई एक-दूसरे की तुलना करे, तो 6 प्रकार (${}_4 C_2 = 6$) की तुलनाएं होंगी। जब लोगों की संख्या बढ़कर 23 हो जाती है, तो जोड़ों के कॉम्बिनेशन विस्फोटक रूप से बढ़कर 253 संभावित जोड़ों (${}_{23} C_2$) तक पहुंच जाते हैं। यदि 253 जोड़ियां हों, तो क्या आपको ऐसा नहीं लगता कि उनमें से कम से कम 1 जोड़ी का “365 में से 1” की संभावना से टकराना कोई आश्चर्य की बात नहीं है?

3. गणित द्वारा प्रमाण: पूरक घटना (Complementary Event) का उपयोग करके एक शानदार समाधान

“कम से कम 1 जोड़े का जन्मदिन एक ही होने की संभावना” की सीधे तौर पर गणना करना कठिन है (क्योंकि ऐसे बहुत सारे पैटर्न हैं, जैसे 1 जोड़ी का समान होना, 2 जोड़ियों का समान होना, 3 लोगों का एक ही जन्मदिन होना… आदि)। इसलिए, हम प्रायिकता सिद्धांत (probability theory) की एक बुनियादी तकनीक का उपयोग करते हैं जिसे “पूरक घटना (Complementary Event)” कहा जाता है।

एक पूरक घटना का अर्थ है “घटना के न होने की संभावना”। दूसरे शब्दों में, यदि हम “सभी के जन्मदिन अलग-अलग होने (कोई भी 1 जोड़ी मेल न खाने) की संभावना” की गणना करें और उसे 100% (1) से घटा दें, तो हमें वह संभावना मिल जाएगी जो हम चाहते हैं।

$$ P(\text{कम से कम 2 लोगों का समान होना}) = 1 - P(\text{सभी का जन्मदिन अलग होना}) $$

तो चलिए गणना करते हैं और कल्पना करते हैं कि लोग एक-एक करके हॉल में प्रवेश कर रहे हैं।

पहला व्यक्ति: किसी के साथ टकराने (match होने) की कोई चिंता नहीं है। संभावना $\frac{365}{365}$ है।
दूसरा व्यक्ति: उसका जन्मदिन पहले व्यक्ति से अलग होना चाहिए। यदि यह शेष 364 दिनों में से है तो सुरक्षित है। संभावना $\frac{364}{365}$ है।
** तीसरा व्यक्ति**: उसका जन्मदिन पहले 2 लोगों से अलग होना चाहिए। यदि यह शेष 363 दिनों में से है तो सुरक्षित है। संभावना $\frac{363}{365}$ है।

जब हम इसे $n$ वें व्यक्ति तक गुणा करते हैं, तो हमें संभावना $P(n)'$ का सामान्य पद (general term) मिलता है जहाँ सभी के जन्मदिन अलग-अलग होते हैं।

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

अतः, “कम से कम 2 लोगों का एक ही जन्मदिन होने की संभावना $P(n)$” इस प्रकार है:

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

जैसे-जैसे हम इस समीकरण में $n$ लोगों की संख्या डालते हैं, हम देख सकते हैं कि संभावना आश्चर्यजनक गति से बढ़ती है।

जब $n = 10$, तो संभावना लगभग 11.7% होती है
जब $n = 23$, तो संभावना लगभग 50.7% होती है (यहाँ यह 50% को पार कर जाती है!)
जब $n = 40$, तो संभावना लगभग 89.1% होती है
जब $n = 70$, तो संभावना लगभग 99.9% होती है

pie title "23 लोगों के इकट्ठा होने पर संभावना" "समान जन्मदिन वाली जोड़ी मौजूद है (50.7%)" : 50.7 "सभी के जन्मदिन अलग हैं (49.3%)" : 49.3

4. टेलर विस्तार (Taylor Expansion) द्वारा अनुमानित गणना

चूँकि 23 बार गुणा की गणना हाथ से करना कठिन है, इसलिए आइए इसे गणितीय सन्निकटन सूत्र (mathematical approximation formula) का उपयोग करके थोड़ा और सहजता से समझने का प्रयास करें।

घातीय फलन (exponential function) $e^{-x}$ के टेलर विस्तार पर विचार करें। जब $x$ पर्याप्त रूप से छोटा होता है, तो निम्नलिखित सन्निकटन लागू होता है:

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

यदि हम इसे पहले के प्रत्येक पद $\left(1 - \frac{k}{365}\right)$ पर लागू करें,

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

यदि हम इन सभी को एक साथ गुणा करते हैं (घातांक के नियम के अनुसार यह जोड़ बन जाता है),

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

चूँकि 1 से $n-1$ तक का योग $\frac{n(n-1)}{2}$ है (यानी कॉम्बिनेशन की संख्या ${}_n C_2$),

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

इस सूत्र में, हम $n$ खोजते हैं जब संभावना 50% ($0.5$) हो जाती है।

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

दोनों पक्षों का प्राकृतिक लघुगणक (natural logarithm) लें ($\ln 0.5 \approx -0.693$)।

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

यदि हम सन्निकटन $n^2 \approx 506$ करते हैं, तो $n = \sqrt{506} \approx 22.49$ हमें बहुत ही शानदार ढंग से $n \approx 23$ उत्तर प्राप्त होता है!

5. दैनिक जीवन में अनुप्रयोग और “हैश टकराव (Hash Collision)”

यह पैराडॉक्स सिर्फ दावतों के लिए कोई मज़ाक नहीं है। यह आधुनिक आईटी समाज का समर्थन करने वाली क्रिप्टोग्राफी और सूचना सुरक्षा (Cryptography and Information Security) में अत्यंत महत्वपूर्ण भूमिका निभाता है।

कंप्यूटर सिस्टम में, हम पासवर्ड या फ़ाइलों की पहचान (सामान्यता) को जल्दी से जांचने के लिए “हैश फ़ंक्शन (Hash Function)” नामक एक तंत्र का उपयोग करते हैं। कोई भी डेटा डाले जाने पर हैश फ़ंक्शन एक निश्चित लंबाई वाली यादृच्छिक वर्णमाला (रैंडम स्ट्रिंग) (हैश वैल्यू) देता है। हालाँकि, जब ये हैश वैल्यू संयोग से समान हो जाती हैं, तो इस घटना को “हैश टकराव (Hash Collision)” कहा जाता है।

हैश टकराव बिल्कुल बर्थडे पैराडॉक्स के सिद्धांत पर ही होते हैं। इंसानी अंतर्ज्ञान जो यह कहता है, “चूंकि हैश वैल्यू के प्रकारों की संख्या खगोलीय है, टकराव शायद ही कभी होगा” के विपरीत, किसी हमलावर (Attacker) के लिए बड़ी मात्रा में बेतरतीब ढंग से डेटा उत्पन्न करना और “एक जोड़ी को खोजना जो किसी से मेल खाती हो (जन्मदिन टकराता हो)” कल्पना से कहीं अधिक आसान है।

इसे “बर्थडे अटैक (Birthday Attack)” कहा जाता है। सुरक्षा प्रणालियों को डिज़ाइन करने वाले इंजीनियर इस गणितीय तथ्य को आधार मानकर हैश वैल्यू की लंबाई बहुत बड़ी निर्धारित करते हैं, और सुरक्षा सुनिश्चित करते हैं कि “टकराव हमारे अंतर्ज्ञान से कहीं अधिक तेज़ी से होगा”।

6. निष्कर्ष: मानव अंतर्ज्ञान की सीमाएं

बर्थडे पैराडॉक्स इस बात का एक आदर्श उदाहरण है कि “घातीय वृद्धि (exponential growth)” और “कॉम्बिनेशन के विस्फोट” के प्रति मानव अंतर्ज्ञान कितना कमज़ोर है।

हम रैखिक (जोड़ने वाली) वृद्धि को तो अच्छे से समझ लेते हैं, लेकिन हम अपने मस्तिष्क में उस घटना का अनुकरण नहीं कर सकते जहाँ जोड़ों की संख्या $n^2$ की गति से विस्फोटक रूप से बढ़ती है। इस अंतर्ज्ञान के पीछे कि “बड़ी संख्या 365 की तुलना में 23 बहुत छोटी है”, 23 लोगों द्वारा बनाए गए “253 अदृश्य धागों (जोड़ियों)” का एक जाल फैला हुआ है।

अगली बार जब आप किसी ऐसी जगह जाएं जहां लोग इकट्ठा हों, तो न केवल “लोगों की संख्या” की कल्पना करें जो आप देख सकते हैं, बल्कि उनके बीच मौजूद अनगिनत “कॉम्बिनेशन के धागों” की भी कल्पना करें। दुनिया को देखने का आपका नज़रिया गणितीय रूप से थोड़ा बदल जाएगा।

मोंटी हॉल समस्या: अंतर्ज्ञान को धोखा देने वाला प्रायिकता का जाल और बायेसियन अनुमान द्वारा पूर्ण समाधान

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

1. मंच एक टीवी क्विज शो है: आप क्या करेंगे?

1990 में, अमेरिकी समाचार पत्रिका ‘Parade’ के कॉलम “Ask Marilyn (मर्लिन से पूछें)” में एक पाठक ने यह प्रश्न पूछा:

आप एक टीवी गेम शो के प्रतिभागी हैं। आपके सामने 3 दरवाजे (A, B, C) हैं। 1 दरवाजे के पीछे एक नई कार (इनाम) है, और बाकी 2 दरवाजों के पीछे बकरियां (खाली) हैं।

आपने सबसे पहले दरवाजा A चुना।

फिर, मोंटी हॉल (होस्ट), जो जानता है कि किस दरवाजे के पीछे नई कार है, बचे हुए दरवाजों में से दरवाजा B खोलता है जिसके पीछे बकरी है।

मोंटी आपसे कहता है: “अगर आप चाहें तो अब दरवाजा C चुन सकते हैं। आप क्या करेंगे?”

अंततः, क्या आपको दरवाजा बदलना चाहिए?

सहज रूप से ऐसा लगता है कि “केवल A और C 2 दरवाजे बचे हैं। नई कार किसमें है यह पूरी तरह से यादृच्छिक है, इसलिए जीतने की प्रायिकता दोनों की $\frac{1}{2}$ (50%) है। इसलिए बदलना या न बदलना एक ही बात है।”

लेकिन, स्तंभकार मर्लिन वोस सावांत (गिनीज बुक के अनुसार दुनिया का सबसे अधिक IQ रखने वाली महिला) ने जवाब दिया: “आपको बदलना चाहिए। अगर आप बदलते हैं तो जीतने की प्रायिकता दोगुनी हो जाती है।”

इस जवाब ने पूरे अमेरिका में सनसनी मचा दी, और लगभग 10,000 विरोध पत्र (जिनमें से लगभग 1,000 गणित में पीएचडी धारकों के थे) आए। “आप प्रायिकता के मूल सिद्धांतों को नहीं समझतीं”, “यह महिलाओं का तर्क है” जैसी तीखी आलोचनाओं की बाढ़ आ गई। लेकिन, संक्षेप में कहें तो, मर्लिन का जवाब गणितीय रूप से पूरी तरह सही था।

2. अंतर्ज्ञान और गणित के बीच का अंतर: मरमेड (Mermaid) के साथ प्रायिकता का विभाजन

हमारा अंतर्ज्ञान यह भ्रम क्यों पैदा करता है कि प्रायिकता “$\frac{1}{2}$” है? आइए सबसे पहले गेम के सभी संभावित पैटर्नों की कल्पना करें।

graph TD Start["गेम शुरू"] --> CarA["नई कार दरवाजा A में है (प्रायिकता 1/3)"] Start --> CarB["नई कार दरवाजा B में है (प्रायिकता 1/3)"] Start --> CarC["नई कार दरवाजा C में है (प्रायिकता 1/3)"] CarA --> PickA1["आप दरवाजा A चुनते हैं"] CarB --> PickA2["आप दरवाजा A चुनते हैं"] CarC --> PickA3["आप दरवाजा A चुनते हैं"] PickA1 --> HostB_or_C["होस्ट B या C खोलता है"] PickA2 --> HostC["होस्ट हमेशा C खोलता है"] PickA3 --> HostB["होस्ट हमेशा B खोलता है"] HostB_or_C --> Stay1["नहीं बदलते: इनाम!"] HostB_or_C --> Switch1["बदलते हैं: खाली..."] HostC --> Stay2["नहीं बदलते: खाली..."] HostC --> Switch2["बदलते हैं: इनाम!"] HostB --> Stay3["नहीं बदलते: खाली..."] HostB --> Switch3["बदलते हैं: इनाम!"] 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

अगर हम मान लें कि आपने “दरवाजा A” चुना है, तो निम्नलिखित 3 परिदृश्य समान प्रायिकता ($\frac{1}{3}$) के साथ घटित होते हैं:

परिदृश्य 1 (नई कार A में है): होस्ट बकरी वाले B या C दरवाजे को खोलता है। अगर आप दरवाजा बदलते हैं तो खाली मिलेगा।
परिदृश्य 2 (नई कार B में है): होस्ट केवल बकरी वाले C दरवाजे को खोल सकता है। अगर आप दरवाजा बदलते हैं तो इनाम मिलेगा।
परिदृश्य 3 (नई कार C में है): होस्ट केवल बकरी वाले B दरवाजे को खोल सकता है। अगर आप दरवाजा बदलते हैं तो इनाम मिलेगा।

यानी, 3 में से 2 बार (परिदृश्य 2 और 3) स्थिति ऐसी होती है कि “अगर आप दरवाजा बदलते हैं तो पक्का जीतेंगे”। इसलिए, दरवाजा बदलने पर जीतने की प्रायिकता $\frac{2}{3}$ हो जाती है, जो कि नहीं बदलने की प्रायिकता $\frac{1}{3}$ की दोगुनी है।

3. बायेस की प्रमेय द्वारा सख्त प्रमाण

गणितीय रूप से इस समस्या को सख्ती से हल करने के लिए, हम सशर्त प्रायिकता (conditional probability) की गणना करने के लिए “बायेस की प्रमेय” का उपयोग करते हैं।

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

यहाँ, हम घटनाओं को इस प्रकार परिभाषित करते हैं:

$C_A, C_B, C_C$ : क्रमशः दरवाजा A, B, C में नई कार होने की घटना। पूर्व प्रायिकता $P(C_A) = P(C_B) = P(C_C) = \frac{1}{3}$ है।
मान लीजिए आपने शुरुआत में दरवाजा A चुना है।
$M_B$ : होस्ट के बकरी वाले दरवाजा B खोलने की घटना।

हम जो खोजना चाहते हैं वह है, “होस्ट द्वारा दरवाजा B खोलने की शर्त के तहत, दरवाजा C में नई कार होने की प्रायिकता”, यानी पश्च प्रायिकता $P(C_C|M_B)$।

सबसे पहले, नई कार कहाँ है इसके आधार पर, हम होस्ट द्वारा दरवाजा B खोलने की प्रायिकता $P(M_B|C_X)$ पर विचार करते हैं।

अगर नई कार दरवाजा A में है ($C_A$) होस्ट B या C को यादृच्छिक रूप से खोल सकता है।
$$ P(M_B|C_A) = \frac{1}{2} $$
अगर नई कार दरवाजा B में है ($C_B$) होस्ट नई कार वाले दरवाजे को नहीं खोल सकता, इसलिए B को खोलने की प्रायिकता शून्य है।
$$ P(M_B|C_B) = 0 $$
अगर नई कार दरवाजा C में है ($C_C$) होस्ट A (जिसे आपने चुना है) और C (जहाँ नई कार है) को नहीं खोल सकता, इसलिए उसके पास B को खोलने के अलावा कोई विकल्प नहीं है।
$$ P(M_B|C_C) = 1 $$

इसके बाद, “संपूर्ण प्रायिकता की प्रमेय” से होस्ट द्वारा दरवाजा B खोलने की कुल प्रायिकता $P(M_B)$ की गणना करते हैं।

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

अब, दरवाजा A और दरवाजा C की पश्च प्रायिकता की गणना के लिए बायेस की प्रमेय लागू करते हैं।

दरवाजा A (नहीं बदलने की स्थिति में) में नई कार होने की प्रायिकता:

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

दरवाजा C (बदलने की स्थिति में) में नई कार होने की प्रायिकता:

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

गणितीय प्रमाण स्पष्ट रूप से दिखाता है कि “दरवाजा बदलने पर जीतने की प्रायिकता दोगुनी (2/3) हो जाती है”।

4. संज्ञानात्मक पूर्वाग्रह: “कंडीशनिंग” नामक जानकारी का मूल्य

कई प्रतिभाशाली गणितज्ञों ने भी सहज रूप से इस समस्या में गलती क्यों की? इसके पीछे हमारे मस्तिष्क में मौजूद “समान प्रायिकता पूर्वाग्रह (Equiprobability Bias)” और “जानकारी को अपडेट करने में विफलता” है।

4.1. समान प्रायिकता पूर्वाग्रह (Equiprobability Bias)

जब इंसानों को अज्ञात विकल्प दिए जाते हैं, तो उनमें अनजाने में यह मानने की प्रवृत्ति होती है कि “बचे हुए विकल्पों की प्रायिकता हमेशा समान होती है”। जैसे ही वे 2 दरवाजे बचे हुए देखते हैं, मस्तिष्क स्वतः ही उन्हें “$50\%$ : $50\%$” का लेबल लगा देता है।

4.2. होस्ट के “इरादे” की जानकारी

सहज ज्ञान के गलत होने का सबसे बड़ा कारण इस तथ्य को नज़रअंदाज़ करना है कि होस्ट का व्यवहार यादृच्छिक नहीं है। यदि नियम ऐसा होता कि “होस्ट बिना यह जाने कि नई कार कहाँ है, यादृच्छिक रूप से एक दरवाजा खोलता है, और संयोग से वहाँ एक बकरी होती” (इसे मोंटी फॉल समस्या कहा जाता है), तो दरवाजा A और दरवाजा C दोनों की प्रायिकता $\frac{1}{2}$ होती।

लेकिन वास्तविक मोंटी हॉल समस्या में, होस्ट निम्नलिखित सख्त प्रतिबंधों के तहत कार्य करता है:

वह प्रतिभागी द्वारा चुना गया दरवाजा नहीं खोल सकता।
वह नई कार वाला दरवाजा नहीं खोल सकता।

इन प्रतिबंधों के कारण, होस्ट द्वारा “दरवाजा B खोलने” का कृत्य ही हमें दरवाजा C के बारे में एक बहुत बड़ी जानकारी देता है। इसमें एक मूक संदेश छिपा है: “मैं दरवाजा C नहीं खोल सका (क्योंकि वहाँ एक नई कार है)"।

5. एक चरम उदाहरण के साथ अंतर्ज्ञान को सुधारना

अगर आप अभी भी आश्वस्त नहीं हैं, तो आइए दरवाजों की संख्या बढ़ाकर 1 मिलियन कर दें।

आप 1 मिलियन दरवाजों में से दरवाजा 1 चुनते हैं। (जीतने की प्रायिकता $\frac{1}{1,000,000}$ है)
सब कुछ जानने वाला होस्ट बचे हुए 999,999 दरवाजों में से उन 999,998 दरवाजों को खोल देता है जिनमें बकरियां हैं।
अब केवल दो दरवाजे बंद हैं: आपका चुना हुआ “दरवाजा 1”, और वह दरवाजा जिसे होस्ट ने जानबूझकर छोड़ दिया “दरवाजा 777,777”।

अब, क्या आप बदलेंगे? इस मामले में, यदि आप मानते हैं कि आपने पहली बार में “10 लाख में 1” का चमत्कार हासिल कर लिया था, तो आपको नहीं बदलना चाहिए। लेकिन, वास्तविक रूप से यह समझना आसान है कि “उस इकलौते दरवाजे जिसे होस्ट ने बिल्कुल नहीं खोला” में नई कार होने की प्रायिकता $\frac{999,999}{1,000,000}$ है।

मोंटी हॉल समस्या (3 दरवाजे) वास्तव में इसी “1 मिलियन दरवाजों” की घटना का छोटा संस्करण है।

pie title "दरवाजा बदलने का प्रभाव (100 बार का सिमुलेशन)" "बदलकर इनाम (लगभग 66.7%)" : 67 "बिना बदले इनाम (लगभग 33.3%)" : 33

6. निष्कर्ष: व्यापार और जीवन के सबक जो प्रायिकता सिद्धांत सिखाता है

मोंटी हॉल समस्या केवल एक क्विज से बढ़कर है, यह हमें महत्वपूर्ण सबक सिखाती है।

अंतर्ज्ञान अक्सर गलत होता है: मानव मस्तिष्क जटिल सशर्त प्रायिकताओं को सहज रूप से संसाधित करने के लिए विकसित नहीं हुआ है। महत्वपूर्ण निर्णय लेते समय, केवल अंतर्ज्ञान पर निर्भर रहना खतरनाक है।
नई जानकारी के साथ प्रायिकता को अपडेट करना (Bayesian updating): जब परिस्थितियाँ बदलती हैं और नई जानकारी (जैसे कि होस्ट ने कौन सा दरवाजा खोला) सामने आती है, तो अपने मौजूदा विचारों से चिपके न रहकर प्रायिकता और रणनीतियों को लचीले ढंग से अपडेट करने की क्षमता ही सफलता की कुंजी है।

“दरवाजा बदलने” का यह छोटा सा निर्णय आपके जीवन में “नई कार” प्राप्त करने की प्रायिकता को दोगुना कर सकता है।