Teori Probabilitas on kenji.blog

Paradoks St. Petersburg: Berapa yang Akan Anda Bayar untuk Judi dengan Nilai Harapan "Tak Terhingga"?

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

1. Judi Impian dengan Nilai Harapan “Tak Terhingga”

Saat Anda berjalan-jalan di sebuah kasino, seorang bandar mengajak Anda untuk memainkan permainan lempar koin baru berikut ini.

【Aturan Permainan】

Bayar biaya partisipasi untuk memulai permainan.
Lempar koin. Jika muncul sisi depan, uang hadiah akan berlipat ganda, dan Anda dapat melempar koin lagi.
Jika muncul sisi belakang, permainan berakhir. Anda akan mendapatkan uang hadiah yang terkumpul hingga saat itu.

Uang hadiah awal dimulai dari 2 dolar.

Jika sisi belakang muncul pada lemparan pertama, Anda mendapat 2 dolar dan permainan berakhir.
Jika sisi depan pada lemparan pertama, dan sisi belakang pada lemparan kedua, Anda mendapat 4 dolar dan permainan berakhir.
Jika sisi depan pada lemparan pertama, sisi depan pada lemparan kedua, dan sisi belakang pada lemparan ketiga, Anda mendapat 8 dolar dan permainan berakhir.
…dan seterusnya, selama sisi depan terus muncul, uang hadiah akan berlipat ganda menjadi 16 dolar, 32 dolar, 64 dolar…

graph TD Start["Mulai permainan"] --> Toss1{"Lemparan koin ke-1"} Toss1 -->|Belakang (1/2)| End1["Selesai: Dapat 2 dolar"] Toss1 -->|Depan (1/2)| Toss2{"Lemparan koin ke-2"} Toss2 -->|Belakang (1/2)| End2["Selesai: Dapat 4 dolar"] Toss2 -->|Depan (1/2)| Toss3{"Lemparan koin ke-3"} Toss3 -->|Belakang (1/2)| End3["Selesai: Dapat 8 dolar"] Toss3 -->|Depan (1/2)| Toss4{"..."} Toss4 -.->|Semakin berturut-turut| Infinite["Uang hadiah berlipat ganda tak terhingga!"]

Sekarang, ada satu pertanyaan untuk Anda. Jika biaya partisipasi untuk permainan ini adalah “10.000 dolar (sekitar 150 juta rupiah)”, apakah Anda akan ikut bermain?

Mungkin hampir semua orang akan menjawab “tidak akan ikut”. Karena, ada kemungkinan 50% bahwa sisi belakang akan muncul pada lemparan pertama, sehingga Anda hanya mendapatkan 2 dolar dan mengalami kerugian besar.

Namun, jika kita menghitungnya secara ketat dengan teori probabilitas matematika (nilai harapan), sebuah fakta mengejutkan terungkap. Secara matematis, tidak peduli apakah biaya partisipasinya 10.000 dolar atau 1 juta dolar, Anda harus mengikuti permainan ini bahkan jika harus berhutang dengan seluruh harta Anda.

Mengapa demikian?

2. Mari Kita Hitung Nilai Harapannya

Salah satu indikator matematis untuk menentukan apakah sebuah perjudian itu “untung atau rugi” adalah “Nilai Harapan” (Expected Value). Nilai harapan adalah angka yang menunjukkan “jika permainan tersebut diulang berkali-kali, berapa rata-rata keuntungan yang diperoleh per permainan”. Rumus perhitungannya adalah jumlah dari semua “(uang hadiah yang didapat) × (probabilitas terjadinya)”.

Mari kita hitung nilai harapan dari permainan kali ini.

Probabilitas muncul sisi belakang pada lemparan ke-1: $\frac{1}{2}$ Uang hadiah adalah $2$ dolar. Kontribusi terhadap nilai harapan = $2 \times \frac{1}{2} = 1$ dolar
Probabilitas muncul sisi belakang pada lemparan ke-2: Karena polanya Depan-Belakang, probabilitasnya $\frac{1}{2} \times \frac{1}{2} = \frac{1}{4}$ Uang hadiah adalah $4$ dolar. Kontribusi terhadap nilai harapan = $4 \times \frac{1}{4} = 1$ dolar
Probabilitas muncul sisi belakang pada lemparan ke-3: Karena polanya Depan-Depan-Belakang, probabilitasnya $(\frac{1}{2})^3 = \frac{1}{8}$ Uang hadiah adalah $8$ dolar. Kontribusi terhadap nilai harapan = $8 \times \frac{1}{8} = 1$ dolar
Probabilitas muncul sisi belakang pada lemparan ke-$n$: $(\frac{1}{2})^n$ Uang hadiah adalah $2^n$ dolar. Kontribusi terhadap nilai harapan = $2^n \times (\frac{1}{2})^n = 1$ dolar

Artinya, tidak peduli pada lemparan ke berapa permainan berakhir, nilai harapan dari pola tersebut selalu “1 dolar”. Karena permainan berpotensi berlanjut tanpa batas, jika kita menjumlahkan semua nilai harapan ini, hasilnya adalah sebagai berikut:

$$ \text{Total Nilai Harapan} = 1 + 1 + 1 + 1 + \dots = \infty \text{ (Tak Terhingga)} $$

Jawaban yang dihasilkan oleh matematika adalah “nilai harapan permainan ini adalah tak terhingga”. Karena nilai harapannya tak terhingga, tidak peduli seberapa mahal biaya partisipasinya, secara teoritis ini adalah perjudian yang “pasti untung”.

Inilah yang disebut “Paradoks St. Petersburg”, yang diajukan oleh Nicolaus Bernoulli pada tahun 1713. Terdapat kontradiksi yang sangat kuat antara hasil perhitungan matematis yang benar (memiliki nilai tak terhingga) dan perasaan realistis manusia (hanya ingin membayar beberapa dolar saja).

3. Penemuan “Utilitas” yang Menyelesaikan Kesenjangan Antara Matematika dan Manusia

Orang yang menyelesaikan paradoks ini adalah sepupu Nicolaus, seorang ahli matematika jenius bernama Daniel Bernoulli. (Paradoks ini dinamai demikian karena ia mempresentasikan makalah ini di Akademi Sains St. Petersburg.)

Daniel mendalami psikologi manusia. Ia berpikir bahwa “Manusia menilai sesuatu bukan dari ‘jumlah nominal mutlak’ uang, melainkan dari ’tingkat kepuasan (utilitas)’ yang dibawa oleh uang tersebut.”

Ini disebut “Hukum Utilitas Marjinal yang Semakin Menurun” (Law of Diminishing Marginal Utility).

Nilai Uang Menurun Seiring dengan Jumlah yang Dimiliki

Sebagai contoh, ketika Anda berada di padang pasir dan sangat haus, segelas air pertama memiliki nilai (kepuasan) yang sedemikian tinggi sehingga Anda “rela membayar 1 juta rupiah untuk meminumnya”. Namun, saat Anda meminum gelas kedua dan ketiga, nilai segelas air akan terus menurun. Pada gelas ke-10, Anda mungkin akan berkata “saya tidak mau lagi meskipun gratis”.

Hal yang sama berlaku untuk uang.

Uang “100 juta rupiah” yang diterima oleh orang yang tidak memiliki tabungan sama sekali memiliki nilai luar biasa yang dapat menyelamatkan hidupnya.
Namun, uang “100 juta rupiah” yang diterima oleh Elon Musk dengan kekayaan miliaran dolar hanya memiliki nilai (kepuasan) setara dengan uang koin 100 rupiah yang jatuh di jalan.

Dengan kata lain, meskipun uang hadiah meningkat tanpa batas dari 2 dolar $\rightarrow$ 4 dolar $\rightarrow$ 8 dolar $\rightarrow$ 16 dolar…, “kebahagiaan (utilitas)” yang dirasakan manusia tidak meningkat secara tak terhingga sebanding dengan jumlah uangnya.

4. Menghitung Ulang Nilai Harapan Menggunakan “Utilitas”

Daniel Bernoulli mengasumsikan bahwa “nilai uang (utilitas) yang dirasakan manusia sebanding dengan logaritma ($\log$) dari jumlah uangnya”.

Jika jumlah uang adalah $x$, mari kita nyatakan nilai (utilitas) yang dirasakan manusia $u(x)$ sebagai fungsi logaritma (di sini kita mempertimbangkan model sederhana dengan basis 2).

Utilitas dari uang hadiah $2$ dolar: $\log_2(2) = 1$
Utilitas dari uang hadiah $4$ dolar: $\log_2(4) = 2$
Utilitas dari uang hadiah $8$ dolar: $\log_2(8) = 3$
Utilitas dari uang hadiah $2^n$ dolar: $\log_2(2^n) = n$

Jumlah uang berlipat ganda, tetapi “kebahagiaan” manusia hanya meningkat sedikit demi sedikit, yaitu 1, 2, 3… Mari kita hitung ulang nilai harapan (utilitas harapan) menggunakan “utilitas” ini.

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

Jika kita menghitung jumlah dari deret tak terhingga ini, hasilnya tidak menjadi “tak terhingga”, melainkan konvergen ke angka “2”. Jika kita menghitung mundur jumlah uang dari utilitas “2”, kita mendapatkan $2^2 = 4$ dolar.

Artinya, jika kita menghitung ulang dengan memasukkan psikologi (utilitas) manusia, kita mendapatkan jawaban yang sangat masuk akal dan realistis: “Nilai permainan ini, menurut persepsi manusia, kira-kira bernilai ‘4 dolar’.” Itulah sebabnya kita tidak berniat membayar 10.000 dolar untuk permainan ini.

5. Kesimpulan: Paradoks yang Membuka Pintu Ilmu Ekonomi

Paradoks St. Petersburg adalah paradoks terobosan yang membuktikan secara matematis bahwa angka objektif berupa “jumlah nominal uang” dan nilai subjektif berupa “tingkat kepuasan manusia” tidaklah sama.

Konsep “Utilitas (Utility)” yang diajukan oleh Daniel Bernoulli, setelah 200 tahun berlalu, menjadi fondasi terpenting dari ilmu ekonomi mikro modern dan rekayasa keuangan (seperti teori portofolio). Tindakan kita dalam membeli asuransi atau melakukan diversifikasi investasi, semuanya dapat dijelaskan melalui mekanisme psikologis manusia yang disebut “Utilitas Marjinal yang Semakin Menurun (penderitaan karena kerugian besar jauh lebih besar daripada kegembiraan karena keuntungan besar)”.

Sebuah masalah perhitungan perjudian sederhana, ternyata menjadi pemicu untuk memahami pikiran manusia dan melahirkan disiplin ilmu yang besar yaitu ilmu ekonomi.

Masalah Monty Hall: Jebakan Probabilitas yang Mengkhianati Intuisi dan Solusi Sempurna dengan Inferensi Bayesian

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

1. Panggungnya adalah Acara Kuis Televisi: Apa yang Akan Anda Lakukan?

Pada tahun 1990, sebuah kolom “Ask Marilyn” di majalah berita Amerika, Parade, menerima pertanyaan berikut dari seorang pembaca:

Anda adalah peserta di sebuah acara kuis televisi. Di depan Anda ada 3 pintu (A, B, C). Di belakang 1 pintu terdapat mobil baru (hadiah utama), dan di belakang 2 pintu lainnya terdapat kambing (zonk/kosong).

Pertama, Anda memilih Pintu A.

Kemudian, pembawa acara, Monty Hall, yang tahu di mana letak mobil baru itu, membuka Pintu B yang berisi kambing dari sisa pintu yang ada.

Monty lalu berkata kepada Anda, “Sekarang, Anda boleh mengganti pilihan Anda ke Pintu C. Bagaimana?”

Pertanyaannya, haruskah Anda mengganti pilihan pintu Anda?

Secara intuitif, kita mungkin berpikir, “Pintu yang tersisa adalah A dan C. Karena letak mobil baru di antara keduanya sepenuhnya acak, peluang untuk menang di masing-masing pintu adalah $\frac{1}{2}$ (50%). Jadi, mengganti atau tidak mengganti sama saja.”

Namun, kolumnis Marilyn vos Savant (diakui oleh Guinness Book of Records sebagai orang dengan IQ tertinggi) menjawab, “Anda harus mengganti pilihan. Jika Anda mengganti pilihan, peluang Anda untuk menang menjadi dua kali lipat.”

Jawaban ini menimbulkan sensasi di seluruh Amerika dan memicu sekitar 10.000 surat protes (sekitar 1.000 di antaranya dari para akademisi bergelar Ph.D. di bidang matematika). Itu adalah badai kritik tajam seperti, “Anda tidak memahami dasar-dasar probabilitas,” dan “Itu logika wanita.” Namun, kesimpulannya, jawaban Marilyn sepenuhnya benar secara matematis.

2. Kesenjangan antara Intuisi dan Matematika: Melihat Percabangan Probabilitas dengan Mermaid

Mengapa intuisi kita keliru dan berpikir bahwa peluangnya adalah “$\frac{1}{2}$”? Pertama-tama, mari kita visualisasikan semua pola dalam permainan ini.

graph TD Start["Mulai Permainan"] --> CarA["Mobil di Pintu A (Peluang 1/3)"] Start --> CarB["Mobil di Pintu B (Peluang 1/3)"] Start --> CarC["Mobil di Pintu C (Peluang 1/3)"] CarA --> PickA1["Anda memilih Pintu A"] CarB --> PickA2["Anda memilih Pintu A"] CarC --> PickA3["Anda memilih Pintu A"] PickA1 --> HostB_or_C["Pembawa acara membuka B atau C"] PickA2 --> HostC["Pembawa acara pasti membuka C"] PickA3 --> HostB["Pembawa acara pasti membuka B"] HostB_or_C --> Stay1["Tidak diganti: Menang!"] HostB_or_C --> Switch1["Diganti: Zonk..."] HostC --> Stay2["Tidak diganti: Zonk..."] HostC --> Switch2["Diganti: Menang!"] HostB --> Stay3["Tidak diganti: Zonk..."] HostB --> Switch3["Diganti: Menang!"] 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

Jika kita berasumsi bahwa Anda memilih “Pintu A”, 3 skenario berikut akan terjadi dengan peluang yang sama ($\frac{1}{3}$).

Skenario 1 (Mobil di A): Pembawa acara membuka B atau C yang berisi kambing. Jika Anda mengganti pilihan pintu, Anda kalah.
Skenario 2 (Mobil di B): Pembawa acara hanya bisa membuka C yang berisi kambing. Jika Anda mengganti pilihan pintu, Anda menang.
Skenario 3 (Mobil di C): Pembawa acara hanya bisa membuka B yang berisi kambing. Jika Anda mengganti pilihan pintu, Anda menang.

Artinya, dalam 2 dari 3 kasus (Skenario 2 dan 3), Anda berada dalam kondisi “pasti menang jika mengganti pilihan pintu”. Oleh karena itu, peluang kemenangan jika Anda mengganti pilihan pintu adalah $\frac{2}{3}$, yang merupakan dua kali lipat dari peluang kemenangan $\frac{1}{3}$ jika Anda tidak mengganti pilihan.

3. Bukti Ketat menggunakan Teorema Bayes

Untuk menyelesaikan masalah ini secara matematis dengan ketat, kita menggunakan “Teorema Bayes” untuk menghitung probabilitas bersyarat.

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

Di sini, kita mendefinisikan kejadian-kejadian sebagai berikut:

$C_A, C_B, C_C$ : Kejadian di mana mobil baru berada di Pintu A, B, dan C berturut-turut. Probabilitas prior adalah $P(C_A) = P(C_B) = P(C_C) = \frac{1}{3}$
Asumsikan Anda pertama kali memilih Pintu A.
$M_B$ : Kejadian di mana pembawa acara membuka Pintu B yang berisi kambing.

Yang ingin kita cari adalah probabilitas posterior $P(C_C|M_B)$, yaitu “probabilitas mobil berada di Pintu C dengan syarat pembawa acara telah membuka Pintu B”.

Pertama-tama, kita pertimbangkan probabilitas pembawa acara membuka Pintu B, yaitu $P(M_B|C_X)$, tergantung di mana mobil berada.

Jika mobil ada di Pintu A ($C_A$) Pembawa acara dapat membuka B atau C secara acak.
$$ P(M_B|C_A) = \frac{1}{2} $$
Jika mobil ada di Pintu B ($C_B$) Pembawa acara tidak dapat membuka pintu yang berisi mobil, jadi probabilitas dia membuka B adalah nol.
$$ P(M_B|C_B) = 0 $$
Jika mobil ada di Pintu C ($C_C$) Pembawa acara tidak dapat membuka A (pilihan Anda) dan C (berisi mobil), jadi dia pasti harus membuka B.
$$ P(M_B|C_C) = 1 $$

Selanjutnya, kita cari probabilitas total pembawa acara membuka Pintu B, $P(M_B)$, dengan menggunakan “Teorema Probabilitas Total”.

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

Sekarang, kita terapkan Teorema Bayes untuk menghitung probabilitas posterior untuk Pintu A dan Pintu C.

Probabilitas mobil berada di Pintu A (jika tidak mengganti pilihan):

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

Probabilitas mobil berada di Pintu C (jika mengganti pilihan):

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

Bukti matematis ini juga menunjukkan dengan jelas bahwa “peluang untuk menang menjadi dua kali lipat (2/3) jika mengganti pintu”.

4. Bias Kognitif: Nilai Informasi dari “Pengkondisian”

Mengapa begitu banyak ahli matematika jenius bahkan salah dalam menjawab pertanyaan ini secara intuitif? Jawabannya terletak pada “bias equiprobabilitas” dan “kegagalan memperbarui informasi” yang tertanam dalam otak manusia.

4.1. Bias Equiprobabilitas (Equiprobability Bias)

Manusia cenderung secara tidak sadar mengasumsikan bahwa “probabilitas pilihan yang tersisa selalu merata” ketika dihadapkan pada opsi yang tidak diketahui. Saat melihat hanya dua pintu yang tersisa, otak secara otomatis melabelinya sebagai “$50\%$ : $50\%$”.

4.2. Informasi Berupa “Niat” Pembawa Acara

Alasan utama intuisi kita salah adalah karena kita mengabaikan fakta bahwa tindakan pembawa acara tidak acak. Jika aturannya adalah “Pembawa acara membuka pintu secara acak tanpa tahu di mana letak mobil, dan kebetulan itu adalah kambing” (dikenal sebagai Monty Fall problem), maka probabilitas Pintu A dan Pintu C keduanya akan menjadi $\frac{1}{2}$.

Namun, dalam Masalah Monty Hall yang sebenarnya, pembawa acara bertindak di bawah batasan ketat berikut:

Pintu yang dipilih peserta tidak dapat dibuka.
Pintu yang menyembunyikan mobil tidak dapat dibuka.

Karena batasan ini, tindakan pembawa acara “membuka Pintu B” itu sendiri memberi kita informasi yang sangat besar tentang Pintu C. Pesan tersiratnya adalah, “Saya tidak bisa membuka Pintu C (karena ada mobil di baliknya).”

5. Mengoreksi Intuisi dengan Contoh Ekstrem

Jika Anda masih belum yakin, mari tingkatkan jumlah pintu menjadi 1 juta.

Anda memilih Pintu 1 dari 1 juta pintu. (Peluang menang adalah $\frac{1}{1,000,000}$)
Pembawa acara yang maha tahu membuka 999.998 pintu yang berisi kambing dari 999.999 pintu yang tersisa.
Pintu yang masih tertutup hanyalah “Pintu 1” yang Anda pilih, dan “Pintu 777.777” yang sengaja disisakan oleh pembawa acara.

Nah, apakah Anda akan mengganti pilihan? Dalam kasus ini, jika Anda percaya bahwa Anda berhasil menarik keajaiban “1 banding 1 juta” pada percobaan pertama, maka Anda tidak boleh mengganti. Namun secara realistis, Anda akan secara intuitif memahami bahwa peluang mobil berada di “satu-satunya pintu yang tidak bisa dibuka oleh pembawa acara” adalah $\frac{999,999}{1,000,000}$.

Masalah Monty Hall (3 pintu) hanyalah fenomena yang sama namun disajikan dalam skala yang lebih kecil daripada “1 juta pintu” ini.

pie title "Efek Mengganti Pintu (100 Simulasi)" "Diganti dan Menang (sekitar 66.7%)" : 67 "Tidak Diganti dan Menang (sekitar 33.3%)" : 33

6. Kesimpulan: Pelajaran Bisnis dan Kehidupan dari Teori Probabilitas

Masalah Monty Hall melampaui sekadar kuis dan memberi kita pelajaran berharga.

Intuisi sering kali salah: Otak manusia belum berevolusi untuk memproses probabilitas bersyarat yang kompleks secara intuitif. Sangat berbahaya untuk mengandalkan intuisi saja dalam pengambilan keputusan yang penting.
Memperbarui probabilitas dengan informasi baru (Pembaruan Bayesian): Ketika situasi berubah dan informasi baru diberikan (seperti pintu mana yang dibuka pembawa acara), kunci kesuksesan adalah kemampuan untuk memperbarui probabilitas dan strategi secara fleksibel tanpa terpaku pada pemikiran yang sudah ada.

Keputusan kecil untuk “mengganti pintu” mungkin saja melipatgandakan peluang Anda untuk mendapatkan “mobil baru” dalam hidup Anda.

Paradoks Dua Amplop: Runtuhnya Logika dan Perangkap Pengambilan Keputusan akibat Nilai Harapan Tak Terhingga

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

1. Pilihan Utama: Menukar atau Tidak Menukar?

Anda sedang berada di babak final sebuah acara permainan. Di atas meja di depan Anda, terdapat dua amplop (A dan B) yang terlihat sama persis. Pembawa acara berkata:

“Salah satu amplop berisi uang dua kali lipat dari amplop yang lain. Silakan pilih salah satu.”

Setelah ragu-ragu, Anda memilih Amplop A. Tepat saat Anda hendak melihat isinya, pembawa acara memberikan bisikan setan.

“Sekarang, Anda boleh menukar Amplop A tersebut dengan Amplop B yang tersisa. Apakah Anda ingin menukarnya?”

Nah, haruskah Anda menukar amplop tersebut?

2. “Lingkaran Tak Terhingga” yang Dihasilkan oleh Perhitungan Nilai Harapan

Sekarang, mari kita gunakan sedikit pemikiran matematis. Misalkan jumlah uang di dalam Amplop A yang Anda pegang adalah $X$ Yen. Sesuai aturan, jumlah uang di Amplop B bisa jadi “setengah dari $X$ Yen ($\frac{X}{2}$)” atau “dua kali lipat dari $X$ Yen ($2X$)”. Peluang masing-masing adalah $\frac{1}{2}$ (50%).

Sekarang, mari kita hitung nilai harapan (rata-rata jumlah yang diharapkan) jika Anda menukar amplop.

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

Hasil yang mengejutkan muncul. Hanya dengan menukar amplop, nilai harapannya melonjak menjadi $1.25$ kali lipat (naik 25%) dari nilai awal $X$ Yen. Kesimpulannya adalah, “Jika dipikirkan secara matematis, pasti lebih menguntungkan untuk menukar!”

Namun, di sinilah runtuhnya logika terjadi. Misalkan Anda menukarnya dengan Amplop B. Tepat setelah itu, bagaimana jika pembawa acara bertanya lagi, “Apakah Anda ingin kembali ke A?” Rumus perhitungan yang sama persis akan berlaku, dan kali ini menjadi “jika Anda menukar dari B ke A, nilai harapannya menjadi 1.25 kali lipat”.

Dengan kata lain, hanya dengan terus menukar dari “A ke B” dan “B ke A”, nilai harapan teoretisnya akan terus meningkat tanpa batas. Ini jelas bertentangan dengan kenyataan (isi amplop sudah ditentukan sejak awal, dan tidak akan bertambah hanya karena Anda menukarnya).

graph TD Start["Anda memilih Amplop A (isi: X Yen)"] --> Think["Menghitung apakah lebih menguntungkan jika ditukar"] Think --> Case1["Amplop B berisi setengahnya (X/2 Yen) : Peluang 50%"] Think --> Case2["Amplop B berisi dua kali lipat (2X Yen) : Peluang 50%"] Case1 --> Calc["Nilai Harapan = (X/4) + X = 1.25X"] Case2 --> Calc Calc --> SwitchToB["Menukar ke Amplop B! (isi: Y Yen)"] SwitchToB --> ThinkAgain["Menghitung lagi"] ThinkAgain --> Case3["Amplop A berisi setengahnya (Y/2 Yen) : Peluang 50%"] ThinkAgain --> Case4["Amplop A berisi dua kali lipat (2Y Yen) : Peluang 50%"] Case3 --> Calc2["Nilai Harapan = 1.25Y"] Case4 --> Calc2 Calc2 --> SwitchToA["Menukar lagi ke Amplop 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

Mengapa perhitungan nilai harapan yang sekilas tampak sempurna ini bisa menghasilkan paradoks yang aneh seperti ini?

3. Mengungkap Trik Matematis: Pertukaran Variabel

Jebakan dari paradoks ini terletak pada “cara menggunakan variabel acak $X$”.

Pada rumus perhitungan sebelumnya, jumlah uang $X$ di Amplop A diperlakukan sebagai konstanta tetap, dan diasumsikan bahwa Amplop B berisi “$\frac{X}{2}$ atau $2X$”. Namun, yang sebenarnya tetap adalah “total uang di dalam kedua amplop”, atau “jumlah uang yang lebih kecil”.

Misalkan jumlah uang di amplop yang lebih kecil adalah $S$. Maka, amplop yang lebih besar berisi jumlah uang $2S$. Seluruh skenario permainan hanya terdiri dari 2 pola berikut (peluang masing-masing adalah $\frac{1}{2}$).

Pola 1: Amplop A yang Anda pilih adalah yang lebih kecil ($S$), dan Amplop B adalah yang lebih besar ($2S$)
Pola 2: Amplop A yang Anda pilih adalah yang lebih besar ($2S$), dan Amplop B adalah yang lebih kecil ($S$)

Sekarang, mari kita hitung dengan benar nilai harapan jika “tidak menukar” dan “menukar” amplop.

Nilai harapan jika tidak menukar $E_{stay}$:

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

Nilai harapan jika menukar $E_{switch}$: Pada Pola 1 Anda mendapatkan $2S$, dan pada Pola 2 Anda mendapatkan $S$.

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

Luar biasa, nilai harapannya sama! Pada perhitungan awal yang salah, nilai $X$ pada Pola 1 (sebenarnya $S$) dan nilai $X$ pada Pola 2 (sebenarnya $2S$), yang merupakan nilai yang berbeda, diperlakukan sebagai variabel $X$ yang sama, sehingga menciptakan ilusi bahwa “jika ditukar, nilai harapannya akan naik”.

pie title "Fakta Nilai Harapan (Jika jumlah yang lebih kecil adalah S)" "Nilai Harapan Tidak Menukar (1.5S)" : 50 "Nilai Harapan Menukar (1.5S)" : 50

4. Apa yang Terjadi Jika Amplop Dibuka?

Paradoks ini tampaknya telah terpecahkan. Namun, masalah yang lebih dalam menanti.

Bagaimana jika Anda melihat isi Amplop A Anda sebelum menukarnya? Saat Anda membuka Amplop A, di dalamnya terdapat “10.000 Yen”.

Pada momen ini, $X$ menjadi nilai pasti yaitu $10000$. Di dalam Amplop B, terdapat “5.000 Yen” atau “20.000 Yen”. Apa yang terjadi jika kita menerapkan rumus perhitungan awal di sini?

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

Nilai harapannya adalah 12.500 Yen. Jauh lebih tinggi daripada 10.000 Yen yang ada saat ini. Apalagi, karena kali ini $X$ adalah “konstanta spesifik” sebesar 10.000 Yen, bantahan “pertukaran variabel” yang tadi tidak berlaku. Jika begini, apakah pasti lebih menguntungkan untuk menukar?

Sanggahan melalui Inferensi Bayes: Hilangnya “Distribusi Apriori”

Menanggapi hal ini, para matematikawan mengemukakan konsep “distribusi apriori (probabilitas apriori) dari jumlah uang”. Pertanyaannya adalah: dapatkah dikatakan bahwa peluang masing-masing 5.000 Yen dan 20.000 Yen benar-benar ada di dalam sebesar $\frac{1}{2}$?

Sebagai contoh, misalkan anggaran maksimum acara tersebut adalah 100 juta Yen. Jika Anda membuka Amplop A dan terdapat “60 juta Yen”, probabilitas Amplop B berisi “120 juta Yen” adalah nol (karena melebihi anggaran). Dengan kata lain, semakin besar jumlah di Amplop A, probabilitas Amplop B berisi “dua kali lipat” akan semakin menurun, dan probabilitas berisi “setengah” seharusnya semakin meningkat.

Jika kita mengasumsikan distribusi apriori $P(x)$ yang berubah-ubah, saat menghitung nilai harapan menggunakan Teorema Bayes, secara matematis telah dibuktikan bahwa tidak ada distribusi ajaib yang membuat “menukar menjadi lebih menguntungkan” untuk semua nilai $X$, pada distribusi probabilitas realistis manapun (di mana jumlah totalnya adalah 1).

5. Jebakan Tak Terhingga: Hubungannya dengan Paradoks St. Petersburg

Satu-satunya kasus di mana “menukar menjadi lebih menguntungkan untuk semua nilai $X$” memang ada. Itu hanya terjadi jika kita mengasumsikan anggaran acara adalah tak terhingga, dan ada “distribusi probabilitas tak wajar (distribusi di mana jumlah totalnya menjadi tak terhingga)” di mana semua jumlah uang (1 Yen, 2 Yen, 4 Yen, 8 Yen… tak terhingga) muncul secara merata.

Namun, tidak ada stasiun televisi di dunia nyata yang memiliki aset tak terhingga. Bug yang disebabkan oleh “nilai harapan tak terhingga” ini berakar dalam pada Paradoks St. Petersburg (masalah tentang seberapa banyak seseorang bersedia membayar untuk perjudian dengan nilai harapan tak terhingga).

6. Kesimpulan: Kengerian Probabilitas dan Nilai Harapan

Meskipun “Paradoks Dua Amplop” hanya terdiri dari perkalian dan penjumlahan sederhana, paradoks ini memberikan kita pelajaran berikut:

Kesalahan akibat Definisi yang Ambigu: Jika Anda tidak memperjelas apa yang dirujuk oleh variabel (apakah $X$ selalu merujuk pada jumlah yang sama), logika akan mudah runtuh.
Ilusi bahwa “Tidak Ada Informasi = Peluang 50%”: Asumsi bahwa “karena kita tidak tahu, berarti peluangnya setengah-setengah” (Prinsip Alasan Tidak Cukup) terkadang menyebabkan kesalahan perhitungan yang fatal.
Kesulitan dalam Menangani Tak Terhingga: Memasukkan konsep “tak terhingga” yang tidak dapat diterapkan di dunia nyata ke dalam rumus perhitungan akan menghasilkan hasil yang bertentangan dengan akal sehat.

Lain kali dalam hidup saat Anda berpikir “rumput tetangga lebih hijau, dan lebih menguntungkan untuk menukar”, ingatlah paradoks ini. Mungkin saja, variabel dalam rumus perhitungan Anda hanya tertukar.

Paradoks Ulang Tahun: Apakah 50% Lebih dengan 23 Orang? Keajaiban "Kombinasi" yang Menipu Intuisi

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

1. Tes Intuisi: Berapa Banyak Orang yang Berkumpul agar Probabilitas Melebihi 50%?

Orang-orang berkumpul di suatu tempat pesta. Di sini, “probabilitas setidaknya ada 1 pasang (dua orang) dengan ulang tahun (bulan dan tanggal) yang sama persis di dalam tempat tersebut melebihi 50%”, menurut Anda berapa jumlah minimum orang yang diperlukan? (*Dengan asumsi tidak termasuk tahun kabisat, 1 tahun adalah 365 hari, dan setiap hari ulang tahun memiliki probabilitas yang sama).

Intuisi manusia cenderung menghitung sebagai berikut. “Dalam 1 tahun ada 365 hari. Karena kita memasukkan orang ke dalam 365 slot dan melihat apakah ada yang tumpang tindih, setidaknya kita membutuhkan sekitar 180 orang. Bahkan dengan perkiraan rendah, bukankah setidaknya harus ada 50 hingga 60 orang agar probabilitasnya menjadi setengah?”

Namun, jawaban yang benar yang dihasilkan oleh matematika hanyalah “23 orang”. Jika di dalam satu kelas sekolah (sekitar 30 hingga 40 orang), probabilitas adanya pasangan dengan ulang tahun yang sama melonjak menjadi sekitar 70% hingga 89%. Jika ada 50 orang, probabilitas tersebut mencapai 97%, menjadikannya kondisi di mana “lebih langka jika tidak ada orang yang berulang tahun sama”.

Mengapa intuisi kita bisa menyimpang sejauh ini dari probabilitas di dunia nyata?

2. Alasan Intuisi Salah: Perbedaan antara “Saya dan Seseorang” dan “Seseorang dan Seseorang”

Alasan terbesar mengapa intuisi salah dalam masalah ini adalah karena kita secara tidak sadar memikirkan “probabilitas adanya seseorang yang memiliki ulang tahun yang sama dengan satu orang tertentu (misalnya diri sendiri)”.

Ketika Anda memasuki tempat pesta dan mencari, “Apakah ada orang yang memiliki ulang tahun yang sama dengan saya?”, probabilitas bahwa dari 23 orang tersebut ada yang berulang tahun sama dengan Anda hanyalah sekitar 6,1%. (Untuk probabilitas ini melebihi 50%, kenyataannya diperlukan sebanyak 253 orang).

Namun, apa yang ditanyakan oleh Paradoks Ulang Tahun bukanlah pasangan “saya dan seseorang”. Di antara “segala kemungkinan kombinasi antara semua orang yang ada di tempat tersebut (Si A dan Si B, Si B dan Si C, Si C dan Si A…)”, cukup jika ada 1 pasang yang cocok.

graph TD subgraph "Ilusi Intuisi: Perbandingan yang Berpusat pada 'Diri Sendiri'" You["Diri Sendiri"] --- P1["Si A"] You --- P2["Si B"] You --- P3["Si C"] You --- P4["Si D"] style You fill:#ff9999,stroke:#333,stroke-width:4px end subgraph "Kenyataan: Perbandingan Menyeluruh 'Semua Orang dan Semua Orang'" A["Si A"] --- B["Si B"] A --- C["Si C"] A --- D["Si D"] B --- C B --- D C --- D end

Bahkan dalam grup yang hanya terdiri dari 4 orang, perbandingan yang berpusat pada “diri sendiri” hanya ada 3 cara, tetapi perbandingan di antara semua orang ada 6 cara (${}_4 C_2 = 6$). Ketika jumlah orang meningkat menjadi 23 orang, kombinasi pasangan meledak secara drastis menjadi 253 cara (${}_{23} C_2$). Jika ada 253 pasangan, tidakkah terasa wajar jika setidaknya 1 pasangan dari mereka mendapatkan probabilitas “1 dari 365”?

3. Pembuktian dengan Matematika: Solusi Brilian Menggunakan Komplemen Probabilitas (Kejadian Komplemen)

Sangat sulit untuk menghitung “probabilitas setidaknya ada 1 pasangan dengan ulang tahun yang sama” secara langsung (karena ada terlalu banyak pola, seperti jika hanya 1 pasangan yang sama, 2 pasangan yang sama, 3 orang memiliki ulang tahun yang sama… dll.). Oleh karena itu, kita menggunakan teknik dasar dalam teori probabilitas yaitu “Kejadian Komplemen (Complementary Event)”.

Kejadian Komplemen adalah “probabilitas sesuatu tidak terjadi”. Dengan kata lain, kita menghitung “probabilitas ulang tahun semua orang berbeda (tidak ada 1 pasangan pun yang sama)”, lalu menguranginya dari 100% (1), maka kita akan mendapatkan probabilitas yang diinginkan.

$$ P(\text{setidaknya 2 orang sama}) = 1 - P(\text{semua orang memiliki ulang tahun berbeda}) $$

Mari kita bayangkan orang-orang yang memasuki ruangan satu per satu dan menghitungnya.

Orang ke-1: Tidak ada kekhawatiran ulang tahunnya sama dengan siapa pun. Probabilitasnya adalah $\frac{365}{365}$.
Orang ke-2: Ulang tahunnya harus berbeda dengan orang ke-1. Aman jika berada di 364 hari yang tersisa. Probabilitasnya adalah $\frac{364}{365}$.
Orang ke-3: Ulang tahunnya harus berbeda dengan 2 orang sebelumnya. Aman jika berada di 363 hari yang tersisa. Probabilitasnya adalah $\frac{363}{365}$.

Jika kita mengalikannya hingga orang ke-$n$, kita mendapatkan bentuk umum dari probabilitas semua orang memiliki ulang tahun yang berbeda $P(n)'$.

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

Oleh karena itu, “probabilitas setidaknya ada 2 orang dengan ulang tahun yang sama $P(n)$” yang dicari adalah sebagai berikut.

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

Dengan mensubstitusikan jumlah orang $n$ ke dalam rumus ini, kita dapat melihat bahwa probabilitasnya meningkat dengan kecepatan yang mengejutkan.

Ketika $n = 10$, probabilitasnya sekitar 11,7%
Ketika $n = 23$, probabilitasnya sekitar 50,7% (Di sini melebihi 50%!)
Ketika $n = 40$, probabilitasnya sekitar 89,1%
Ketika $n = 70$, probabilitasnya sekitar 99,9%

pie title "Probabilitas Saat 23 Orang Berkumpul" "Ada pasangan dengan ulang tahun yang sama (50.7%)" : 50.7 "Semua orang berbeda (49.3%)" : 49.3

4. Perhitungan Perkiraan dengan Deret Taylor

Mengingat sangat merepotkan untuk menghitung perkalian 23 kali secara manual, mari kita coba memahami ini secara lebih intuitif menggunakan rumus pendekatan matematis.

Pertimbangkan Deret Taylor dari fungsi eksponensial $e^{-x}$. Ketika $x$ cukup kecil, pendekatan berikut ini berlaku.

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

Jika kita menerapkan ini pada masing-masing suku sebelumnya $\left(1 - \frac{k}{365}\right)$,

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

Jika kita mengalikan semuanya (menjadi penjumlahan menurut hukum eksponen),

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

Jumlah dari 1 hingga $n-1$ adalah $\frac{n(n-1)}{2}$ (dengan kata lain, jumlah kombinasi ${}_n C_2$), jadi

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

Dalam rumus ini, kita mencari $n$ saat probabilitasnya menjadi 50% ($0.5$).

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

Kita mengambil logaritma natural dari kedua ruas ($\ln 0.5 \approx -0.693$).

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

Jika kita mendekati dengan $n^2 \approx 506$, maka $n = \sqrt{506} \approx 22.49$ Ternyata jawaban $n \approx 23$ berhasil diturunkan dengan luar biasa!

5. Aplikasi dalam Kehidupan Sehari-hari dan “Tabrakan Hash”

Paradoks ini bukan sekadar bahan obrolan di pesta. Ia memainkan peran yang sangat penting dalam teori kriptografi dan keamanan informasi yang menopang masyarakat IT modern.

Dalam sistem komputer, mekanisme yang disebut “fungsi hash (hash function)” digunakan untuk mengonfirmasi identitas kata sandi atau file dengan cepat. Fungsi hash mengembalikan string acak (nilai hash) dengan panjang tertentu, terlepas dari data apa pun yang dimasukkan. Namun, fenomena di mana nilai hash ini secara kebetulan menjadi sama disebut “Tabrakan Hash (Hash Collision)”.

Tabrakan hash terjadi dengan prinsip yang persis sama dengan Paradoks Ulang Tahun. Bertentangan dengan intuisi manusia yang berpikir, “Karena ada jumlah jenis nilai hash yang astronomis, tabrakan jarang terjadi”, sangat mudah bagi penyerang untuk secara acak menghasilkan data dalam jumlah besar dan menemukan “pasangan di mana satu dengan yang lain cocok (ulang tahun yang tumpang tindih)”.

Ini disebut “Serangan Ulang Tahun (Birthday Attack)”. Insinyur yang merancang sistem keamanan menggunakan fakta matematis “tabrakan terjadi jauh lebih cepat dari intuisi” ini sebagai premis, dan mengatur panjang nilai hash menjadi sangat panjang untuk memastikan keamanannya.

6. Kesimpulan: Keterbatasan Intuisi Manusia

Paradoks Ulang Tahun adalah contoh sempurna yang menunjukkan betapa rentannya intuisi manusia terhadap “peningkatan eksponensial” dan “ledakan kombinasi”.

Kita kuat dalam mengenali peningkatan linear (berbasis penjumlahan), tetapi kita tidak dapat mensimulasikan dalam otak kita fenomena di mana jumlah pasangan meledak dengan kecepatan $n^2$. Di balik intuisi yang mengatakan bahwa “angka 23 terlalu kecil dibandingkan dengan angka 365 yang besar”, terdapat “253 benang (pasangan) tak terlihat” yang dihubungkan oleh 23 orang tersebut.

Lain kali Anda pergi ke tempat di mana orang-orang berkumpul, cobalah untuk membayangkan tidak hanya “jumlah orang” yang terlihat, tetapi juga “benang kombinasi” yang tak terhitung jumlahnya yang ada di antara mereka. Cara Anda melihat dunia pasti akan sedikit berubah secara matematis.