Estatística on kenji.blog

Os seus amigos têm mais amigos do que você: O Paradoxo da Amizade

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

“As pessoas ao meu redor têm mais amigos do que eu e parecem estar a divertir-se muito…” Já alguma vez sentiu isso ao ver as redes sociais?

Na verdade, a razão pela qual se sente assim não é devido à sua personalidade ou por não ser popular. É um facto matemático provado pela teoria das redes e pela estatística, chamado “Paradoxo da Amizade (Friendship Paradox)”.

Descoberto pelo sociólogo Scott Feld em 1991, este paradoxo explica um fenómeno contraintuitivo de que “a maioria das pessoas tem menos amigos do que os seus próprios amigos”.

Por que “os amigos têm mais amigos”?

Resumindo, isto deve-se a um simples viés de amostragem: “Pessoas com muitos amigos (pessoas populares) aparecem na lista de amigos de muitas pessoas”.

Vamos pensar numa rede (grafo) simples.

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

Neste pequeno mundo, existem quatro pessoas: Alice, Bob, Charlie e David. Charlie é “popular” e é amigo de todos os outros três. Os outros três são amigos apenas do Charlie.

Vejamos o número de amigos de cada um.

Número de amigos da Alice: 1
Número de amigos do Bob: 1
Número de amigos do David: 1
Número de amigos do Charlie: 3 O número médio de amigos de todos é $(1 + 1 + 1 + 3) / 4 = 1.5$ pessoas.

De seguida, vamos calcular “a média do ’número de amigos dos amigos’ de cada pessoa”.

Número de amigos do amigo da Alice (Charlie): 3
Número de amigos do amigo do Bob (Charlie): 3
Número de amigos do amigo do David (Charlie): 3
Média do número de amigos dos amigos do Charlie (Alice, Bob, David): $(1 + 1 + 1) / 3 = 1$

Agora, comparamos cada “próprio” com a “média dos seus amigos”.

Alice: Própria(1) < Média dos amigos(3)
Bob: Próprio(1) < Média dos amigos(3)
David: Próprio(1) < Média dos amigos(3)
Charlie: Próprio(3) > Média dos amigos(1)

Das 4 pessoas, 3 (75% das pessoas) estão na situação de que “os seus amigos têm mais amigos do que elas próprias”. A presença do popular Charlie aumenta fortemente a “média dos amigos” de todos ao seu redor.

Prova Matemática: A Variância é a Chave

Vamos expressar isto com fórmulas. Na teoria das redes, que o número de amigos (grau) de uma determinada pessoa $v$ seja $k(v)$. Que o número médio de amigos em toda a rede seja $\mu$, e a variância do número de amigos seja $\sigma^2$.

Segundo a prova de Feld, o valor esperado do “número de amigos de um amigo escolhido aleatoriamente” é o seguinte:

$$ \text{Média do número de amigos dos amigos} = \mu + \frac{\sigma^2}{\mu} $$

A variância $\sigma^2$ é sempre um valor de 0 ou superior. Ou seja, exceto na situação impossível em que todos têm exatamente o mesmo número de amigos ($\sigma^2 = 0$), a seguinte desigualdade é sempre verdadeira:

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

A “média do número de amigos dos amigos” será sempre obrigatoriamente maior do que o “número médio de amigos em geral”.

No mundo real e nas redes sociais (como o X ou o Instagram), uma pequena fração de pessoas tem milhões de seguidores (amigos), enquanto a maioria tem apenas dezenas a centenas. Como a variância $\sigma^2$ é extremamente grande, o efeito deste paradoxo torna-se ainda mais forte.

Aplicação: Pandemias e Vacinação

O Paradoxo da Amizade não se limita apenas à psicologia das redes sociais. Têm sido feitas aplicações muito eficazes a problemas sociais reais, especialmente no controlo de doenças infeciosas.

Imagine que tem um número limitado de vacinas e não sabe a quem vacinar. Existe um método mais eficaz do que a vacinação aleatória.

Escolha pessoas aleatoriamente.
Vacine não as pessoas em si, mas sim os contactos que elas indicam como “amigos”.

Porquê? Devido ao Paradoxo da Amizade, os “amigos” de pessoas escolhidas aleatoriamente têm, em média, uma maior probabilidade de terem mais conexões (sendo centros/hubs). Ao vacinar prioritariamente as pessoas com mais conexões, é possível atrasar drasticamente a propagação da infeção por toda a rede.

Conclusão

Quando vê as redes sociais e sente que “toda a gente tem mais amigos do que eu e uma vida melhor”, isso não é uma ilusão sua, mas sim uma inevitabilidade matemática criada pela estrutura da rede.

Como as pessoas populares aparecem nas redes de muitas pessoas, somos inevitavelmente levados a observar quase apenas “pessoas mais populares do que a média” como amostras. Da próxima vez que estiver prestes a sentir-se deprimido nas redes sociais, por favor, lembre-se desta fórmula.

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

Paradoxo de Simpson: O misterioso fenômeno de ganhar nas partes, mas perder no todo

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

1. Em qual hospital você deve fazer a cirurgia?

Você contraiu uma doença grave e precisa passar por uma cirurgia. Diante de você, há duas opções: Hospital A e Hospital B. Você solicitou os dados da “taxa de sucesso” das cirurgias de cada hospital.

【Taxa de sucesso geral】

Hospital A: De 1000 pessoas, 900 tiveram sucesso (Taxa de sucesso 90%)
Hospital B: De 1000 pessoas, 800 tiveram sucesso (Taxa de sucesso 80%)

Ao ver isso, qualquer um pensaria: “O Hospital A é melhor!”. No entanto, como você tem uma personalidade cautelosa, decidiu investigar mais a fundo como os dados mudam dependendo da condição da doença (leve ou grave).

【Taxa de sucesso para pacientes com sintomas leves】

Hospital A: De 100 pessoas, 99 tiveram sucesso (Taxa de sucesso 99%)
Hospital B: De 900 pessoas, 870 tiveram sucesso (Taxa de sucesso 96%) $\rightarrow$ Em casos leves, vitória do Hospital A (99% > 96%)

【Taxa de sucesso para pacientes com sintomas graves】

Hospital A: De 900 pessoas, 801 tiveram sucesso (Taxa de sucesso 89%)
Hospital B: De 100 pessoas, 70 tiveram sucesso (Taxa de sucesso 70%) $\rightarrow$ Mesmo em casos graves, vitória do Hospital A (89% > 70%)

Ué? Não acha estranho?

Para os pacientes com sintomas “leves”, a taxa de sucesso do Hospital A é maior. Para os pacientes com sintomas “graves”, a taxa de sucesso do Hospital A também é maior. Mesmo assim, ao calcular a taxa de sucesso “geral” combinando todos os pacientes…?

Hospital A Geral: $(99 + 801) / 1000 =$ 90%
Hospital B Geral: $(870 + 70) / 1000 =$ 94%… não, de acordo com o cálculo anterior era 80%?

Espere, vamos olhar os dados iniciais mais uma vez. Os dados iniciais eram assim:

Taxa de sucesso geral do Hospital A: 90%
Taxa de sucesso geral do Hospital B: 80%

No entanto, se recalcularmos com os dados divididos detalhadamente, a taxa de sucesso geral do Hospital B deveria ser $(870 + 70) / 1000 = 940 / 1000 = $ 94%.

…Não, você foi enganado! Na verdade, esse truque numérico é exatamente a assustadora armadilha estatística que explicarei desta vez. Deixe-me mostrar os dados corretos novamente.

2. Para você que foi enganado: Os dados verdadeiros

【Taxa de sucesso para pacientes com sintomas leves】

Hospital A: De 900 pessoas, 870 tiveram sucesso (Taxa de sucesso 96%)
Hospital B: De 100 pessoas, 99 tiveram sucesso (Taxa de sucesso 99%) $\rightarrow$ Em casos leves, vitória do Hospital B (99% > 96%)

【Taxa de sucesso para pacientes com sintomas graves】

Hospital A: De 100 pessoas, 30 tiveram sucesso (Taxa de sucesso 30%)
Hospital B: De 900 pessoas, 315 tiveram sucesso (Taxa de sucesso 35%) $\rightarrow$ Mesmo em casos graves, vitória do Hospital B (35% > 30%)

Ou seja, seja para sintomas leves ou graves, o Hospital B é esmagadoramente superior.

Então, vamos somar isso no “geral”.

Hospital A Geral: $(870 + 30) / (900 + 100) = 900 / 1000 =$ Taxa de sucesso 90%
Hospital B Geral: $(99 + 315) / (100 + 900) = 414 / 1000 =$ Taxa de sucesso 41%

Por incrível que pareça, embora o Hospital B vença em todas as “partes”, ao combiná-las no “geral”, o Hospital A obteve uma vitória esmagadora! Este fenômeno é chamado de “Paradoxo de Simpson”.

graph TD subgraph "Dados parciais (Vitória do B)" Light["Sintomas leves: Vitória do Hospital B (99% > 96%)"] Heavy["Sintomas graves: Vitória do Hospital B (35% > 30%)"] end subgraph "Dados gerais (Vitória do A)" Total["Soma geral: Vitória esmagadora do Hospital A (90% > 41%)"] end Light -->|Por algum motivo inverte ao somar| Total Heavy -->|Por algum motivo inverte ao somar| Total style Total fill:#ff9999,stroke:#333,stroke-width:2px

3. Por que ocorre essa estranha inversão?

A verdadeira identidade desse paradoxo está no “viés do parâmetro (denominador)” e na “variável oculta (fator de confusão)”.

Olhe os dados com atenção.

O Hospital A recebe uma grande quantidade (900 pessoas) de “pacientes com sintomas leves e fáceis de curar”.
O Hospital B recebe uma grande quantidade (900 pessoas) de “pacientes com sintomas graves e difíceis de curar”.

Como o Hospital B tem bons médicos, acabou se tornando uma espécie de “último recurso”, aceitando muitos pacientes graves e difíceis que seriam recusados em outros lugares. Naturalmente, a taxa de sucesso para pacientes graves é mais baixa (35%). A “taxa de sucesso geral” do Hospital B foi arrastada para baixo pela baixa taxa de sucesso dessa grande quantidade de pacientes graves, parecendo baixa (41%) no geral.

Por outro lado, como o Hospital A lida principalmente com pacientes leves e simples, sua taxa de sucesso geral parecia alta (90%). No entanto, quando comparados nas mesmas condições (graves com graves, leves com leves), a competência deles era inferior à do Hospital B.

Expressando matematicamente, a causa é a propriedade da adição de frações. Geralmente, mesmo que $\frac{a}{b} < \frac{A}{B}$ e $\frac{c}{d} < \frac{C}{D}$,

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

nem sempre é verdadeiro. Quando os tamanhos dos denominadores são extremamente diferentes, a direção da desigualdade pode se inverter.

4. O “Paradoxo de Simpson” que ocorreu no mundo real

Este paradoxo não é apenas um simples quebra-cabeça matemático; ele ocorre com frequência na sociedade real e já causou grandes debates.

Suspeita de discriminação de gênero na Universidade da Califórnia em Berkeley, em 1973

Ao investigar a taxa de admissão na pós-graduação da UC Berkeley, descobriu-se que a “taxa de admissão dos homens (44%)” era significativamente maior do que a “taxa de admissão das mulheres (35%)”, o que se tornou um problema como aparente discriminação contra as mulheres. No entanto, quando os dados foram divididos e analisados detalhadamente “por departamento”, um fato surpreendente foi revelado. Em quase todos os departamentos, a taxa de admissão das mulheres era maior do que a dos homens.

Por que os números gerais se inverteram? Na verdade, as mulheres simplesmente se inscreviam mais em “departamentos com baixas taxas de admissão (mais concorridos)”, enquanto os homens se inscreviam mais em “departamentos com altas taxas de admissão (mais fáceis de entrar)”.

Dados sobre a eficácia da vacina contra a COVID-19

Houve um momento em que dados circularam dizendo que “a taxa de mortalidade entre pessoas vacinadas é maior do que entre pessoas não vacinadas”, o que causou um alvoroço. Isso também foi o resultado de ignorar os dados por faixa etária (variável oculta). A vacina foi administrada com prioridade aos “idosos (que originalmente têm uma taxa de mortalidade mais alta)”, portanto, ao somar simplesmente a taxa de mortalidade geral, o grupo vacinado teve uma proporção extremamente tendenciosa de idosos, fazendo com que a taxa de mortalidade parecesse artificialmente maior.

Quando comparado por faixa etária, confirmou-se que “as pessoas vacinadas têm uma taxa de mortalidade menor” em todas as faixas etárias.

5. Conclusão: Os dados não mentem, mas as pessoas podem mentir com dados

O Paradoxo de Simpson nos adverte sobre o “perigo de tomar decisões observando apenas dados gerais, como médias e totais”.

O mundo está cheio de empresas, políticos e meios de comunicação que pegam apenas os “números gerais” para se promoverem de maneira que os favoreça. Mesmo que lhe digam “Nosso produto A tem uma taxa de satisfação geral maior do que o produto B de outra empresa!”, se você os dividir em “jovens” e “idosos”, o produto B da outra empresa pode vencer em ambos os grupos.

Ao analisar dados, não se deixe enganar pelos números “gerais” superficiais. Ter um olhar crítico e questionar “não há um viés extremo nas proporções dos grupos devido a variáveis ocultas por trás (como idade, sexo, gravidade, etc.)?” se torna a arma mais forte para sobreviver na sociedade da informação moderna.

O Problema de Monty Hall: A Armadilha da Probabilidade que Desafia a Intuição e a Solução Completa por Inferência Bayesiana

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

1. O Cenário é um Programa de TV de Perguntas: O Que Você Faria?

Em 1990, na coluna “Ask Marilyn” da revista americana de notícias “Parade”, um leitor enviou a seguinte pergunta:

Você é um participante em um programa de TV. Há 3 portas (A, B, C) à sua frente. Atrás de uma das portas há um carro novo (prêmio), e atrás das outras duas portas há cabras (sem prêmio).

Primeiro, você escolhe a porta A.

Então, o apresentador, Monty Hall, que sabe onde está o carro novo, abre a porta B revelando uma cabra.

Monty então diz a você: “Se quiser, pode mudar para a porta C agora. O que você faz?”

Afinal, você deve mudar de porta?

Intuitivamente, pensamos: “Restam duas portas, A e C. Como o carro estar em qualquer uma delas é algo completamente aleatório, a probabilidade de acertar é de $\frac{1}{2}$ (50%) para ambas. Portanto, mudar ou não mudar dá no mesmo”.

No entanto, a colunista Marilyn vos Savant (reconhecida pelo Guinness Book of Records como a pessoa com o QI mais alto) respondeu: “Você deve mudar. Se você mudar, suas chances de ganhar dobram.”

Essa resposta causou sensação em todos os Estados Unidos, e cerca de 10.000 cartas de protesto (sendo cerca de 1.000 de acadêmicos com doutorado em matemática) a inundaram. Foi uma tempestade de críticas severas, como “Você não entende o básico de probabilidade” e “Isso é a lógica das mulheres”. Mas, indo direto ao ponto, a resposta de Marilyn estava matematicamente correta.

2. A Discrepância Entre a Intuição e a Matemática: A Bifurcação das Probabilidades Visualizada no Mermaid

Por que nossa intuição nos engana e nos faz pensar que é “$\frac{1}{2}$”? Primeiro, vamos visualizar todos os padrões do jogo.

graph TD Start["Início do Jogo"] --> CarA["Carro na Porta A (Probabilidade 1/3)"] Start --> CarB["Carro na Porta B (Probabilidade 1/3)"] Start --> CarC["Carro na Porta C (Probabilidade 1/3)"] CarA --> PickA1["Você escolhe a Porta A"] CarB --> PickA2["Você escolhe a Porta A"] CarC --> PickA3["Você escolhe a Porta A"] PickA1 --> HostB_or_C["Apresentador abre B ou C"] PickA2 --> HostC["Apresentador sempre abre C"] PickA3 --> HostB["Apresentador sempre abre B"] HostB_or_C --> Stay1["Não muda: Prêmio!"] HostB_or_C --> Switch1["Muda: Sem prêmio..."] HostC --> Stay2["Não muda: Sem prêmio..."] HostC --> Switch2["Muda: Prêmio!"] HostB --> Stay3["Não muda: Sem prêmio..."] HostB --> Switch3["Muda: Prêmio!"] 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

Assumindo que você escolheu a “Porta A”, os três cenários a seguir ocorrem com probabilidades iguais ($\frac{1}{3}$).

Cenário 1 (Carro em A): O apresentador abre B ou C, onde há cabras. Mudar de porta significa ficar sem prêmio.
Cenário 2 (Carro em B): O apresentador só pode abrir C, que tem uma cabra. Mudar de porta significa ganhar o prêmio.
Cenário 3 (Carro em C): O apresentador só pode abrir B, que tem uma cabra. Mudar de porta significa ganhar o prêmio.

Em outras palavras, em 2 de 3 vezes (Cenários 2 e 3), “mudar a porta garante uma vitória”. Portanto, a probabilidade de ganhar se você mudar de porta é $\frac{2}{3}$, o que é o dobro da probabilidade de $\frac{1}{3}$ se você não mudar.

3. Prova Rigorosa Através do Teorema de Bayes

Para resolver esse problema rigorosamente de forma matemática, usamos o “Teorema de Bayes” para calcular a probabilidade condicional.

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

Aqui, definimos os eventos da seguinte forma:

$C_A, C_B, C_C$ : Eventos em que o carro está nas portas A, B e C, respectivamente. As probabilidades a priori são $P(C_A) = P(C_B) = P(C_C) = \frac{1}{3}$
Suponha que você escolheu inicialmente a porta A.
$M_B$ : O evento onde o apresentador abre a porta B com a cabra.

O que queremos encontrar é “a probabilidade do carro estar na porta C, dado que o apresentador abriu a porta B”, ou seja, a probabilidade a posteriori $P(C_C|M_B)$.

Primeiro, considere a probabilidade do apresentador abrir a porta B $P(M_B|C_X)$ dependendo de onde o carro está.

Se o carro estiver na porta A ($C_A$) O apresentador pode abrir B ou C aleatoriamente.
$$ P(M_B|C_A) = \frac{1}{2} $$
Se o carro estiver na porta B ($C_B$) Como o apresentador não pode abrir a porta com o carro novo, a probabilidade de abrir B é zero.
$$ P(M_B|C_B) = 0 $$
Se o carro estiver na porta C ($C_C$) Como o apresentador não pode abrir A (que você escolheu) e C (onde está o carro), ele deve abrir B.
$$ P(M_B|C_C) = 1 $$

A seguir, encontramos a probabilidade total de o apresentador abrir a porta B, $P(M_B)$, usando o “Teorema da Probabilidade Total”.

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

Finalmente, aplicamos o Teorema de Bayes para calcular as probabilidades a posteriori das portas A e C.

Probabilidade do carro estar na porta A (caso você não mude):

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

Probabilidade do carro estar na porta C (caso você mude):

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

A prova matemática mostra claramente que “as chances de ganhar dobram (2/3) se você mudar de porta”.

4. Viés Cognitivo: O Valor da Informação do “Condicionamento”

Por que até mesmo muitos matemáticos geniais erraram intuitivamente neste problema? Isso se deve ao “Viés de Equiprobabilidade” e à “Falha na Atualização de Informações” incorporados ao cérebro humano.

4.1. Viés de Equiprobabilidade (Equiprobability Bias)

Quando os humanos se deparam com escolhas desconhecidas, eles têm uma tendência subconsciente de assumir que “as probabilidades das opções restantes são sempre iguais”. No momento em que o cérebro vê duas portas restantes, ele automaticamente as rotula como “$50\%$ : $50\%$”.

4.2. A Informação da “Intenção” do Apresentador

A principal razão pela qual nossa intuição falha é porque ignoramos o fato de que as ações do apresentador não são aleatórias. Se a regra fosse “o apresentador abre uma porta aleatoriamente sem saber onde está o carro, e por acaso é uma cabra” (conhecido como Problema de Monty Fall), a probabilidade para as portas A e C seria $\frac{1}{2}$ para cada.

No entanto, no Problema de Monty Hall real, o apresentador opera sob restrições estritas:

Ele não pode abrir a porta escolhida pelo participante.
Ele não pode abrir a porta com o carro novo.

Devido a essas restrições, o próprio ato do apresentador “abrir a porta B” nos fornece uma informação enorme sobre a porta C. Ele está enviando a mensagem não dita: “Eu não pude abrir a porta C (porque o carro novo está lá)”.

5. Corrigindo a Intuição com um Exemplo Extremo

Se você ainda não está convencido, tente aumentar o número de portas para 1 milhão.

Dentre 1 milhão de portas, você escolhe a porta 1. (A chance de ganhar é $\frac{1}{1.000.000}$)
O apresentador, que sabe de tudo, abre 999.998 portas contendo cabras, das 999.999 restantes.
As únicas portas fechadas são a “porta 1” que você escolheu e a “porta 777.777” que o apresentador deixou fechada de propósito.

E então, você vai mudar? Neste caso, a menos que você acredite que acertou o milagre de “1 em 1 milhão” no começo, você deve mudar. Realisticamente, você pode entender intuitivamente que a probabilidade de que o carro novo esteja na “única porta que o apresentador absolutamente não pôde abrir” é $\frac{999.999}{1.000.000}$.

O Problema de Monty Hall (3 portas) é simplesmente o mesmo fenômeno deste “1 milhão de portas” em uma escala menor.

pie title "Efeito de Mudar de Porta (100 Simulações)" "Muda e Ganha Prêmio (aprox. 66.7%)" : 67 "Não Muda e Ganha Prêmio (aprox. 33.3%)" : 33

6. Conclusão: Lições de Vida e Negócios Ensinadas Pela Teoria das Probabilidades

O Problema de Monty Hall vai além de ser apenas um jogo e nos ensina lições importantes.

A intuição costuma falhar: O cérebro humano não evoluiu para lidar intuitivamente com probabilidades condicionais complexas. Tomar decisões importantes contando apenas com a intuição é perigoso.
Atualize as probabilidades com novas informações (Atualização Bayesiana): Quando a situação muda e novas informações são apresentadas (como qual porta o apresentador abriu), a chave para o sucesso é a capacidade de atualizar de forma flexível as probabilidades e estratégias sem se apegar às ideias existentes.

A pequena decisão de “mudar de porta” pode dobrar suas chances de conseguir o “carro novo” de sua vida.

Paradoxo do Aniversário: Mais de 50% com apenas 23 pessoas? A magia da "combinação" que engana a intuição

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

1. Teste de Intuição: Quantas pessoas são necessárias para que a probabilidade ultrapasse 50%?

Imagine que as pessoas estão reunidas em uma festa. Aqui, qual você acha que é o número mínimo de pessoas necessárias para que “a probabilidade de haver pelo menos um par de pessoas com exatamente o mesmo aniversário (mês e dia) no local seja superior a 50%”? (Excluindo anos bissextos e assumindo que um ano tem 365 dias, e que todos os aniversários são igualmente prováveis).

A intuição humana tende a calcular da seguinte forma: “Um ano tem 365 dias. Se formos colocar pessoas aleatoriamente nessas 365 vagas, deve ser necessário pelo menos cerca de 180 pessoas para que haja uma sobreposição. Mesmo estimando por baixo, a probabilidade não seria metade se não houvesse pelo menos 50 a 60 pessoas, certo?”

No entanto, a resposta correta obtida pela matemática é de apenas “23 pessoas”. Em uma turma de escola (cerca de 30 a 40 alunos), a probabilidade de haver uma dupla com o mesmo aniversário salta para cerca de 70% a 89%. Com 50 pessoas, essa probabilidade chega a 97%, chegando a um estado onde “é mais raro não haver pessoas com o mesmo aniversário”.

Por que a nossa intuição se desvia tanto das probabilidades reais?

2. A razão pela qual a intuição falha: A diferença entre “eu e alguém” e “alguém e alguém”

O principal motivo pelo qual a intuição erra neste problema é que, inconscientemente, pensamos na “probabilidade de haver alguém com o mesmo aniversário que uma pessoa específica (por exemplo, você mesmo)”.

Se você entrar no salão e pensar “Será que tem alguém aqui com o mesmo aniversário que o meu?”, a probabilidade de haver alguém entre 23 pessoas com o mesmo aniversário que você é de apenas cerca de 6,1%. (Para que essa probabilidade ultrapasse 50%, seriam necessárias impressionantes 253 pessoas).

No entanto, o Paradoxo do Aniversário não pergunta sobre o par “eu e alguém”. Basta que haja uma coincidência em pelo menos um par dentre “todas as combinações possíveis entre todas as pessoas presentes (Pessoa A e Pessoa B, Pessoa B e Pessoa C, Pessoa C e Pessoa A…)”.

graph TD subgraph "Ilusão da intuição: Comparação centrada em 'Si mesmo'" You["Você"] --- P1["Pessoa A"] You --- P2["Pessoa B"] You --- P3["Pessoa C"] You --- P4["Pessoa D"] style You fill:#ff9999,stroke:#333,stroke-width:4px end subgraph "Realidade: Comparação 'todos contra todos'" A["Pessoa A"] --- B["Pessoa B"] A --- C["Pessoa C"] A --- D["Pessoa D"] B --- C B --- D C --- D end

Mesmo em um grupo de apenas 4 pessoas, há 3 comparações centradas em “si mesmo”, mas se compararmos todos com todos, existem 6 formas (${}_4 C_2 = 6$). Quando o número de pessoas aumenta para 23, as combinações de pares aumentam de forma explosiva para surpreendentes 253 formas (${}_{23} C_2$). Com 253 pares, não começa a parecer razoável que pelo menos um deles acerte a probabilidade de “1 em 365”?

3. Prova Matemática: Uma solução elegante usando o evento complementar

Calcular diretamente “a probabilidade de pelo menos um par ter o mesmo aniversário” é muito difícil (porque há muitos padrões: um único par igual, dois pares iguais, três pessoas com o mesmo aniversário, etc.). Portanto, usaremos a técnica básica da teoria das probabilidades, o “evento complementar”.

O evento complementar é “a probabilidade de algo não acontecer”. Ou seja, calculamos a “probabilidade de que os aniversários de todos sejam diferentes (nenhuma coincidência)” e subtraímos isso de 100% (1) para obter a probabilidade desejada.

$$ P(\text{pelo menos 2 pessoas com o mesmo aniversário}) = 1 - P(\text{todos com aniversários diferentes}) $$

Então, vamos imaginar as pessoas entrando no local uma a uma e calcular.

1ª pessoa: Não há preocupação de coincidir com ninguém. A probabilidade é $\frac{365}{365}$.
2ª pessoa: Deve ter um aniversário diferente da 1ª pessoa. Qualquer um dos 364 dias restantes é seguro. A probabilidade é $\frac{364}{365}$.
3ª pessoa: Deve ter um aniversário diferente das duas primeiras pessoas. Qualquer um dos 363 dias restantes é seguro. A probabilidade é $\frac{363}{365}$.

Multiplicando isso até a $n$-ésima pessoa, obtemos o termo geral da probabilidade $P(n)'$ de que todos os aniversários sejam diferentes.

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

Portanto, a “probabilidade $P(n)$ de que pelo menos duas pessoas tenham o mesmo aniversário” que procuramos é:

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

Ao substituir o número de pessoas $n$ nesta fórmula, podemos ver que a probabilidade aumenta a uma velocidade surpreendente.

Quando $n = 10$, a probabilidade é de cerca de 11,7%
Quando $n = 23$, a probabilidade é de cerca de 50,7% (Aqui ultrapassa os 50%!)
Quando $n = 40$, a probabilidade é de cerca de 89,1%
Quando $n = 70$, a probabilidade é de cerca de 99,9%

pie title "Probabilidade quando 23 pessoas estão reunidas" "Há um par com o mesmo aniversário (50,7%)" : 50.7 "Todos diferentes (49,3%)" : 49.3

4. Cálculo aproximado por expansão de Taylor

Como calcular multiplicações 23 vezes à mão é trabalhoso, vamos tentar entender isso de forma mais intuitiva usando uma fórmula de aproximação matemática.

Considere a expansão de Taylor da função exponencial $e^{-x}$. Quando $x$ é suficientemente pequeno, a seguinte aproximação é válida:

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

Aplicando isso a cada termo $\left(1 - \frac{k}{365}\right)$ anterior,

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

Multiplicando tudo isso (o que se torna uma adição pelas leis dos expoentes),

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

Como a soma de 1 a $n-1$ é $\frac{n(n-1)}{2}$ (ou seja, o número de combinações ${}_n C_2$),

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

Nesta fórmula, encontramos o $n$ quando a probabilidade é 50% ($0.5$).

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

Tomamos o logaritmo natural de ambos os lados ($\ln 0.5 \approx -0.693$).

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

Aproximando $n^2 \approx 506$, temos $n = \sqrt{506} \approx 22.49$ A resposta $n \approx 23$ foi brilhantemente derivada!

5. Aplicação no cotidiano e “Colisão de Hash”

Este paradoxo não é apenas um assunto para festas. Ele desempenha um papel extremamente importante na teoria da criptografia e segurança da informação que sustenta a sociedade de TI moderna.

Em sistemas de computador, usamos um mecanismo chamado “função hash” para confirmar rapidamente a identidade de senhas ou arquivos. Uma função hash retorna uma string aleatória de comprimento fixo (valor hash) não importa qual dado seja inserido. No entanto, o fenômeno em que esses valores hash coincidentemente se tornam iguais é chamado de “Colisão de Hash (Hash Collision)”.

As colisões de hash ocorrem exatamente pelo mesmo princípio do Paradoxo do Aniversário. Ao contrário da intuição humana que diz “Como os tipos de valores hash são um número astronômico, as colisões raramente ocorrerão”, é mais fácil do que se imagina para um invasor gerar uma grande quantidade de dados aleatoriamente e encontrar “um par em que algo coincida com algo (como aniversários repetidos)”.

Isso é chamado de “Ataque do Aniversário (Birthday Attack)”. Os engenheiros que projetam sistemas de segurança assumem esse fato matemático de que “as colisões ocorrem muito mais rápido do que a intuição sugere”, e definem o comprimento do valor hash para ser muito longo para garantir a segurança.

6. Conclusão: Os limites da intuição humana

O Paradoxo do Aniversário é o exemplo perfeito para mostrar o quão frágil é a intuição humana em relação ao “crescimento exponencial” e à “explosão combinatória”.

Somos bons com aumentos lineares (aditivos), mas não conseguimos simular em nossos cérebros fenômenos em que o número de pares aumenta explosivamente no ritmo de $n^2$. Por trás da intuição de que “23 é um número muito pequeno em comparação com o grande número 365”, existe uma complexa teia de “253 fios invisíveis (pares)” criados por 23 pessoas.

Da próxima vez que você for a um lugar onde as pessoas estão reunidas, tente imaginar não apenas o “número de pessoas” visíveis, mas os inumeráveis “fios de combinações” que existem entre elas. A sua forma de ver o mundo deve mudar um pouco matematicamente.