Statistika on kenji.blog

Teman Anda Memiliki Lebih Banyak Teman Daripada Anda: Paradoks Persahabatan

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

“Orang-orang di sekitarku sepertinya memiliki lebih banyak teman dan terlihat lebih menyenangkan…” Pernahkah Anda merasa seperti itu saat melihat-lihat media sosial?

Faktanya, alasan Anda merasa seperti itu bukanlah karena kepribadian Anda, atau karena Anda tidak populer. Itu adalah fakta matematis yang dibuktikan oleh teori jaringan dan statistika, yang disebut “Paradoks Persahabatan (Friendship Paradox)”.

Ditemukan oleh sosiolog Scott Feld pada tahun 1991, paradoks ini menjelaskan fenomena yang berlawanan dengan intuisi bahwa “kebanyakan orang memiliki lebih sedikit teman daripada teman-teman mereka”.

Mengapa “Teman memiliki lebih banyak teman”?

Singkatnya, ini disebabkan oleh bias pengambilan sampel yang sederhana di mana “orang dengan banyak teman (orang populer) muncul di daftar teman banyak orang”.

Mari kita pertimbangkan jaringan (graf) sederhana.

graph TD A["Alice (1 teman)"] --- C["Charlie (3 teman)"] B["Bob (1 teman)"] --- C C --- D["David (1 teman)"] 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

Di dunia kecil ini, ada empat orang: Alice, Bob, Charlie, dan David. Charlie adalah “orang populer” dan berteman dengan ketiga orang lainnya. Ketiga orang lainnya hanya berteman dengan Charlie.

Mari kita lihat jumlah teman masing-masing.

Jumlah teman Alice: 1 orang
Jumlah teman Bob: 1 orang
Jumlah teman David: 1 orang
Jumlah teman Charlie: 3 orang Rata-rata jumlah teman setiap orang adalah $(1 + 1 + 1 + 3) / 4 = 1.5 \text{ orang}$.

Selanjutnya, mari kita hitung “rata-rata jumlah teman dari teman-teman masing-masing orang”.

Jumlah teman dari teman Alice (Charlie): 3 orang
Jumlah teman dari teman Bob (Charlie): 3 orang
Jumlah teman dari teman David (Charlie): 3 orang
Rata-rata jumlah teman dari teman-teman Charlie (Alice, Bob, dan David): $(1 + 1 + 1) / 3 = 1 \text{ orang}$

Sekarang, mari kita bandingkan “diri sendiri” dengan “rata-rata dari teman-teman diri sendiri” untuk setiap orang.

Alice: Sendiri (1) < Rata-rata teman (3)
Bob: Sendiri (1) < Rata-rata teman (3)
David: Sendiri (1) < Rata-rata teman (3)
Charlie: Sendiri (3) > Rata-rata teman (1)

3 dari 4 orang (75% orang) berada dalam situasi di mana “teman-teman mereka memiliki lebih banyak teman daripada mereka sendiri”. Keberadaan Charlie yang populer sangat meningkatkan “rata-rata teman” bagi semua orang di sekitarnya.

Bukti Matematis: Varians adalah Kuncinya

Mari kita nyatakan ini dengan rumus matematika. Dalam teori jaringan, misalkan jumlah teman (derajat) dari seseorang $v$ adalah $k(v)$. Misalkan rata-rata jumlah teman di seluruh jaringan adalah $\mu$, dan varians dari jumlah teman adalah $\sigma^2$.

Menurut bukti Feld, nilai harapan dari “jumlah teman dari teman yang dipilih secara acak” adalah sebagai berikut:

$$ \text{Rata-rata jumlah teman dari teman} = \mu + \frac{\sigma^2}{\mu} $$

Varians $\sigma^2$ selalu bernilai 0 atau lebih. Dengan kata lain, kecuali situasi yang tidak mungkin di mana setiap orang memiliki jumlah teman yang sama persis ($\sigma^2 = 0$), pertidaksamaan berikut selalu berlaku:

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

“Rata-rata jumlah teman dari teman” selalu dan pasti lebih besar dari “rata-rata keseluruhan jumlah teman”.

Dalam masyarakat nyata dan media sosial (seperti X dan Instagram), sebagian kecil orang memiliki jutaan pengikut (teman), sementara sebagian besar orang hanya memiliki puluhan hingga ratusan. Ini berarti bahwa varians $\sigma^2$ sangat besar, sehingga efek dari paradoks ini menjadi lebih kuat.

Aplikasi: Pandemi dan Vaksinasi

Paradoks persahabatan tidak hanya terbatas pada psikologi media sosial. Ia memiliki aplikasi yang sangat efektif dalam masalah sosial dunia nyata, terutama dalam tindakan pencegahan penyakit menular.

Misalkan kita memiliki jumlah vaksin yang terbatas dan bingung kepada siapa harus memberikannya. Ada cara yang lebih efektif daripada memberikannya secara acak.

Pilih orang secara acak.
Bukan orang itu sendiri, melainkan orang yang mereka sebut sebagai “teman” yang diberi vaksin.

Mengapa demikian? Karena paradoks persahabatan, “teman” dari orang yang dipilih secara acak rata-rata memiliki probabilitas lebih tinggi untuk memiliki lebih banyak koneksi (menjadi hub). Dengan memprioritaskan vaksinasi pada orang-orang yang memiliki banyak koneksi, penyebaran infeksi ke seluruh jaringan dapat diperlambat secara drastis.

Kesimpulan

Ketika Anda melihat media sosial dan merasa “Semua orang memiliki lebih banyak teman daripadaku dan mereka menjalani hidup sepenuhnya”, itu bukanlah ilusi Anda, melainkan kepastian matematis yang diciptakan oleh struktur jaringan.

Karena orang-orang populer muncul di banyak jaringan orang, kita pada akhirnya hanya mengamati “orang-orang populer di atas rata-rata” sebagai sampel. Lain kali Anda merasa sedih karena media sosial, silakan ingat rumus ini.

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

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 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.