Olasılık · 1654'ten Bugüne
Üç kapıdan birinin arkasında bir araba var. Bir kapı seçiyorsunuz; sunucu, arabanın nerede olduğunu bildiği için kalan iki kapıdan boş olanı açıyor ve soruyor: "Seçiminizi değiştirmek ister misiniz?" 1990'da bu sorunun doğru cevabı bir dergide yayımlandığında yaklaşık on bin okur itiraz etti; aralarında yüzlerce doktoralı vardı. Aşağıdaki oyunla başlayın. Ama önce, cevabınızı tahmin edin.
Engin Dikkulak
Çekirgeler Eğitim ve Sigma Olympics Kurucu Ortağı
Önce Temel Kavramlar
Bir olayın olasılığı, onu oluşturan sonuçların tüm olası sonuçlara oranıdır; tabii sonuçların hepsi eşit derecede olasıysa. Zar atınca çift sayı gelme olasılığı \(3/6 = 1/2\)'dir. Tüm olası sonuçların kümesine örneklem uzayı (sample space) denir. Olasılıkta hataların büyük kısmı, örneklem uzayını yanlış kurmaktan ya da "eşit olasılıklı" sanılan sonuçların aslında eşit olmamasından doğar.
İkinci temel kavram koşullu olasılıktır (conditional probability): \(B\) olayının gerçekleştiğini bildiğimizde \(A\)'nın olasılığı. Yeni bir bilgi geldiğinde, olasılıklar güncellenir:
İlk seçtiğiniz kapının arabayı saklama olasılığı \(1/3\)'tür. Sunucu bir kapı açtığında bu olasılık değişmez, çünkü sunucu hangi kapıyı seçerseniz seçin boş bir kapı açabilir; yaptığı şey, ilk seçiminiz hakkında hiçbir yeni bilgi vermez. Kalan \(2/3\)'lük olasılık ise artık tek bir kapalı kapıda toplanmıştır. Yani:
Daha da kısa bir düşünüş: değiştiren oyuncu, ilk seçimi yanlışsa kazanır. İlk seçimin yanlış olma olasılığı da \(2/3\)'tür.
Yüz kapı olsun. Bir kapı seçiyorsunuz; sunucu, arabanın yerini bilerek kalan 99 kapıdan 98'ini açıyor, hepsi boş. Geriye sizin kapınız ve sunucunun özenle kapalı bıraktığı tek bir kapı kalıyor. Sizin kapınızın doğru olma olasılığı hâlâ yüzde birdir; sunucunun açmadığı kapınınki ise yüzde doksan dokuz. Üç kapıda da aynı mantık işler, yalnızca sayılar küçük olduğu için sezgimiz yanılır. Laboratuvarda kapı sayısını 100'e çıkarıp deneyebilirsiniz.
Diyelim ki hep 1. kapıyı seçiyorsunuz. Arabanın üç olası yeri var:
| Araba | Sunucu açar | Kalırsanız | Değiştirirseniz |
|---|---|---|---|
| 1. kapı | 2 ya da 3 | kazanırsınız | kaybedersiniz |
| 2. kapı | 3 | kaybedersiniz | kazanırsınız |
| 3. kapı | 2 | kaybedersiniz | kazanırsınız |
Üç eşit olasılıklı durumdan ikisinde değiştirmek kazandırıyor.
Bir sınıfta en az iki kişinin aynı gün doğmuş olması için kaç öğrenci gerekir? Çoğu kişi 100'ün üzerinde bir sayı tahmin eder. Oysa 23 kişide bu olasılık %50'yi geçer, 30 kişilik bir sınıfta %70'tir. Hesabın püf noktası tümleyeni (complement) hesaplamaktır: "herkesin doğum günü farklı" olasılığını bulup 1'den çıkarırız. Yılı 365 gün, doğumları her güne eşit dağılmış sayarsak:
| Kişi sayısı | 10 | 20 | 23 | 30 | 40 | 50 | 70 |
|---|---|---|---|---|---|---|---|
| Çakışma olasılığı | %11,7 | %41,1 | %50,7 | %70,6 | %89,1 | %97,0 | %99,9 |
Sezgimiz soruyu farkında olmadan değiştirir ve "biri benimle aynı gün mü doğmuş?" diye düşünür. 23 kişilik bir sınıfta öbür 22 kişiden birinin sizinle aynı gün doğmuş olma olasılığı yalnızca %5,9'dur. Bunun %50'yi geçmesi için 253 kişi gerekir. Ama 23 kişide karşılaştırılacak 253 farklı ikili vardır (\(23\cdot22/2=253\)). Paradoksun sırrı, ikililerin sayısının kişi sayısından çok daha hızlı büyümesidir.
Zar Masasından Laboratuvara
Olasılık kuramı, kumar masasındaki pratik sorulardan doğdu. Kurallar netleştikçe matematik sağlamlaştı; ama insanların bu kuralları sezgiyle uygulamakta ne kadar zorlandığı ancak yirminci yüzyılda sistemli biçimde incelenmeye başladı.
Hem hekim hem matematikçi hem de tutkulu bir kumarbaz olan Cardano, zar oyunlarında olası sonuçları saymayı ve "adil oyun" kavramını ilk tartışanlardan biriydi. Kitabı ölümünden neredeyse yüz yıl sonra, 1663'te basılabildi; bu yüzden olasılığın doğuşu genellikle bir sonraki durağa yazılır. Karmaşık sayılar yazısındaki aynı Cardano.
Yarıda kesilen bir oyunda ortaya konan para oyuncular arasında nasıl paylaşılmalı? Bu "puanlar problemi" üzerine yazışan Pascal ve Fermat, oyunun bundan sonra alabileceği bütün yolları sayarak çözüme ulaştı. Bugün beklenen değer dediğimiz kavram bu mektuplarda filizlendi. Olasılık kuramının doğum tarihi olarak genellikle bu yıl kabul edilir.
Huygens, Pascal ile Fermat'nın fikirlerini 1657'de ilk olasılık kitabında topladı. Jakob Bernoulli'nin ölümünden sonra 1713'te yayımlanan eseri ise büyük sayılar yasasını kanıtladı: bir deney çok kez tekrarlandığında gözlenen oran, gerçek olasılığa yaklaşır. Laboratuvardaki simülasyonların neden işe yaradığının matematiksel güvencesi budur.
Bayes'in makalesi, yeni bir gözlemden sonra bir hipoteze olan inancımızın nasıl değişmesi gerektiğini soruyordu. Laplace aynı fikri bağımsız olarak geliştirdi ve genel bir yöntem hâline getirdi. Bugün "Bayes teoremi" diye bilinen formül, Monty Hall probleminin de tıbbi testlerin de anahtarıdır.
Üç kutu var: birinde iki altın, birinde iki gümüş, birinde bir altın bir gümüş para. Rastgele bir kutudan rastgele çektiğiniz para altın çıktı; kutudaki öbür paranın da altın olma olasılığı nedir? Çoğu kişi \(1/2\) der, cevap \(2/3\)'tür. Monty Hall probleminin yapısı neredeyse yüz yıl önce bu örnekte ortaya çıkmıştı.
Kolmogorov, olasılığı küme kuramı ve ölçü kuramı üzerine kurulu üç basit aksiyoma indirdi. Böylece olasılık, sezgiye dayanan bir hesap tekniğinden diğer matematik dalları kadar kesin bir kurama dönüştü. Ama bir problemin örneklem uzayını doğru kurmak hâlâ insana kalıyordu.
Avusturyalı matematikçi von Mises, Nazi Almanyası'ndan ayrıldıktan sonra 1933'ten 1939'a kadar İstanbul Üniversitesi'nde ders verdi. Doğum günü problemini ilk yayımlayan makalesi de bu dönemde, üniversitenin fen fakültesi dergisinde çıktı. Problemi on yıl kadar önce İngiliz matematikçi Harold Davenport'un da düşündüğü, ama yayımlamadığı aktarılır.
Gardner, Mayıs 1959'da iki çocuk problemini ("Bay Smith'in iki çocuğu var, en az biri erkek…") ve Ekim 1959'da üç mahkûm problemini yayımladı. Üç mahkûm problemi, Monty Hall'un kapı yerine hücrelerle anlatılmış neredeyse birebir aynısıdır. Gardner, iki çocuk probleminin soruluş biçimine göre farklı cevapları olabileceğini sonradan kendisi kabul etti.
ABD'de 1963'te başlayan "Let's Make a Deal" programında sunucu Monty Hall, yarışmacılara kapılar ve pazarlıklar sunuyordu. 1975'te istatistikçi Steve Selvin, dergiye yazdığı iki kısa mektupta bu programdan esinlenen problemi tanımladı ve çözümünü verdi. Problem, "Monty Hall problemi" adını bu mektuplardan aldı.
İki psikolog, insanların belirsizlik altında karar verirken kullandığı zihinsel kestirme yolları ve bunların yol açtığı sistematik hataları inceledi. En ünlü deneylerinden "Linda problemi" (1983), katılımcıların çoğunun iki olayın birlikte gerçekleşmesini, tek başına birinden daha olası bulduğunu gösterdi; bu, olasılığın en temel kuralına aykırıdır. Kahneman, bu çalışmalar nedeniyle 2002'de Nobel Ekonomi Ödülü'nü aldı.
Eylül 1990'da bir okur, vos Savant'ın köşesine bu soruyu gönderdi. vos Savant "değiştirin, kazanma şansınız iki katına çıkar" diye yanıtladı. Dergiye yaklaşık on bin mektup geldi, bunların yaklaşık bini doktoralı okurlardandı ve çoğu cevabın yanlış olduğunu söylüyordu. Tartışma 1991'de New York Times'ın ön sayfasına taşındı; Monty Hall'un kendisi de, gerçek programda her zaman değiştirme teklif etmediğini hatırlattı. Ünlü sayı kuramcısı Paul Erdős'ün de cevaba ancak bir bilgisayar simülasyonunu gördükten sonra ikna olduğu anlatılır.
Aynı Bayes problemi "yüzde" ve "olasılık" diliyle sorulduğunda katılımcıların çoğu yanılıyor; "1000 kişiden 10'u…" gibi doğal sıklıklarla sorulduğunda doğru cevap oranı belirgin biçimde artıyordu. Ders şuydu: sezgimiz bütünüyle bozuk değil, sorunun sunuluş biçimine çok duyarlı. Laboratuvardaki test aracı bu fikirle hazırlandı.
Monty Hall oyununun bir sürümünü defalarca oynayan güvercinler, birkaç hafta içinde neredeyse her seferinde değiştirmeyi öğrendi. Aynı deneyi tekrar tekrar oynayan insanlar ise en iyi stratejiye bu kadar yaklaşamadı. Araştırmacıların yorumu: güvercinler deneyimden öğreniyor, insanlar ise "sezgisel" ama yanlış bir modeli bırakmakta zorlanıyor.
Büyük dil modelleri, Monty Hall'un klasik hâlini kusursuz anlatıyor. Ama problemin değiştirilmiş biçimleri sorulduğunda (örneğin kapılar şeffafsa ya da amaç arabadan kaçmaksa) çoğu zaman ezberlenmiş "değiştirin" cevabını veriyor. Bu, insanlarda da görülen bir hatanın benzeri: tanıdık görünen bir problemi okumadan tanıdık cevapla yanıtlamak. Yapay zekâ ile bir konuyu çalışırken soruyu dikkatle kurmanın ve cevabı denetlemenin neden önemli olduğunu gösteren güzel bir örnek.
Kendi Elinizle
Erdős'ü ikna eden bir simülasyondu. Aşağıdaki üç araçla aynı deneyi siz de yapabilirsiniz. Bernoulli'nin büyük sayılar yasası sayesinde, tur sayısı arttıkça gözlenen oranlar gerçek olasılıklara yaklaşır.
Kapı sayısını ve sunucunun davranışını seçin, sonra binlerce turu birkaç saniyede oynatın. Grafik, iki stratejinin kazanma oranının turlar ilerledikçe nasıl dengeye oturduğunu gösteriyor. "Sunucu rastgele açar" seçeneğine de mutlaka bakın: sunucu arabanın yerini bilmeden kapı açarsa ne değişir?
Kaydırıcıyla sınıf mevcudunu seçin. Eğri, en az iki öğrencinin aynı gün doğmuş olma olasılığını gösteriyor. "Yeni sınıf" düğmesi rastgele doğum günleri üretip takvime yerleştiriyor; aynı güne düşen öğrenciler kırmızıyla işaretleniyor. "1.000 sınıf" ile oranın formüle ne kadar yaklaştığını görün.
Bayes teoreminin gündelik hayattaki en önemli uygulaması tarama testleridir. Bir durum toplumda yüzde bir oranında görülüyor olsun. Test, durumu olanların %90'ında pozitif sonuç veriyor, olmayanların ise %9'unda yanlışlıkla pozitif çıkıyor. Testiniz pozitif çıktıysa, durumun sizde gerçekten olma olasılığı nedir? Önce tahmin edin, sonra aşağıdaki 1000 kişilik tabloya bakın.
Varsayılan değerlerle cevap yaklaşık %9'dur: pozitif çıkan her on bir kişiden yalnızca biri gerçekten bu duruma sahiptir. Çünkü durumu olmayan 990 kişinin küçük bir yüzdesi bile, durumu olan 10 kişiden sayıca fazladır. Hekimler bu yüzden tek bir pozitif tarama sonucunu genellikle ikinci bir testle doğrular.
Araştırmacının Pusulası
Aşağıdaki sekiz başlık, iki paradoksun matematiğini, problemin hangi varsayımlara dayandığını ve insanların neden ısrarla yanıldığını ele alıyor. Her başlıkta bir durum etiketi var: kanıtlanmış, modelleme, soru biçimine bağlı ya da araştırma bulgusu.
1. kapıyı seçtiniz, sunucu 3. kapıyı açtı. \(A_i\), "araba \(i\). kapıda" olayı; \(S_3\), "sunucu 3. kapıyı açtı" olayı olsun. Başlangıçta her \(P(A_i)=1/3\). Sunucunun davranışı: araba 1'deyse 2 ile 3 arasında yazı tura atar, araba 2'deyse mecburen 3'ü açar, araba 3'teyse 3'ü asla açmaz:
Formül, sezginin atladığı noktayı açıkça gösteriyor: sunucunun 3. kapıyı açması, araba 2'deyken 1'deyken olduğundan iki kat daha olasıdır. Kapının açılması tarafsız bir olay değil, bir bilgidir.
\(2/3\) cevabı, üç varsayıma dayanır: sunucu (1) arabanın yerini bilir, (2) her zaman boş bir kapı açar ve değiştirme teklif eder, (3) iki boş kapı arasında seçim yapabiliyorsa rastgele seçer. vos Savant'a itiraz edenlerin bir kısmı aslında bu varsayımların soruda yeterince açık olmadığını söylüyordu. Matematikçi Jeffrey Rosenthal, 2008'de bu varsayımları değiştiren sürümleri karşılaştırdı:
Bir gerçek dünya durumunu matematiksel bir probleme çevirmek, kuralları açıkça yazmayı gerektirir. "Sunucu bir kapı açar" cümlesi, sunucunun nasıl karar verdiğini söylemedikçe eksiktir. Yarışma sorularını çözerken de ilk adım, sorunun hangi varsayımları kabul ettiğini bulmaktır.
Bertrand'ın kutuları (1889), Gardner'ın üç mahkûmu (1959) ve Monty Hall (1975) aynı matematiksel yapıyı paylaşır. Bertrand'ın kutusunda, çekilen paranın altın çıkması, iki altınlı kutuda (iki altından biri) tek altınlı kutudakinden iki kat daha olasıdır:
Üç mahkûm probleminde gardiyanın "senden başka biri idam edilecek" diye bir isim söylemesi, sunucunun kapı açmasıyla aynı rolü oynar. Üç örnekte de hata aynıdır: geriye kalan iki seçeneğin, nasıl geride kaldıklarına bakmadan, eşit olasılıklı sanılması.
Bir ailenin iki çocuğu var. "En az biri erkek" bilgisiyle ikisinin de erkek olma olasılığı \(1/3\)'tür; çünkü EE, EK, KE, KK durumlarından KK elenir, kalan üçünden yalnızca biri EE'dir. "Büyük olan erkek" bilgisiyle ise cevap \(1/2\)'dir. 2010'da bulmaca tasarımcısı Gary Foshee bir adım ileri gitti: "en az biri salı günü doğmuş bir erkek" bilgisiyle cevap \(13/27\)'dir, yani \(1/2\)'ye çok yakın. Gün bilgisinin neden önemli olduğu, ancak bilginin nasıl elde edildiği belirtildiğinde netleşir. Aşağıda üç biçimi de simüle edebilirsiniz.
\(1-x \approx e^{-x}\) yaklaşıklığı kullanılırsa, \(n\) kişi ve \(N\) olası gün için çakışma olasılığı şöyle olur:
\(N=365\) için \(1{,}18\sqrt{365}\approx 22{,}5\), yani 23 kişi. Kural yalnızca günlere değil, her türlü "çekmece"ye uygulanır: \(N\) olasılıklı bir sistemde, yaklaşık \(\sqrt N\) denemede bir çakışma beklenir. Bir de gerçek dünya düzeltmesi var: doğumlar yıl içine eşit dağılmaz (bayramlarda ve hafta sonlarında daha az doğum olur). 1970'lerde kanıtlandığı gibi, eşit olmayan her dağılım çakışma olasılığını artırır; yani 365 günlük eşit model, gerçeğe göre temkinli bir tahmindir.
Dijital imzalar ve parola sistemleri, bir dosyayı sabit uzunlukta bir "parmak izine" dönüştüren özet fonksiyonlarını (hash function) kullanır. Güvenlik, iki farklı dosyanın aynı parmak izini vermesinin (çakışma, collision) pratikte imkânsız olmasına dayanır. Parmak izi \(b\) bit uzunluğundaysa \(N=2^b\) olası değer vardır; ama doğum günü kuralı gereği bir çakışma bulmak için \(2^b\) değil, yalnızca yaklaşık \(2^{b/2}\) deneme yeter.
| Özet fonksiyonu | Çıktı | Doğum günü sınırı | Durum |
|---|---|---|---|
| MD5 | 128 bit | \(\approx 2^{64}\) | 2004'te çakışma bulundu, terk edildi |
| SHA-1 | 160 bit | \(\approx 2^{80}\) | 2017'de ilk pratik çakışma (yaklaşık \(2^{63}\) işlem), terk edildi |
| SHA-256 | 256 bit | \(\approx 2^{128}\) | bugün güvenli kabul ediliyor |
Tasarımcılar bu yüzden çıktı uzunluğunu, hedefledikleri güvenlik düzeyinin iki katı seçer. Şifrelemenin diğer yüzü için Sezar'dan RSA'ya yazısına bakabilirsiniz.
Psikoloji araştırmaları, Monty Hall'da yanılgının birkaç ayrı nedeni olduğunu gösteriyor:
Güvercin deneyi ve dil modelleriyle yapılan denemeler aynı noktaya işaret ediyor: deneyimden öğrenmek ile bir kalıbı tanıyıp ezber cevabı vermek farklı şeylerdir.
Erdős'ü ikna eden şey simülasyondu, ama simülasyon bir kanıt değildir. Büyük sayılar yasası, deneme sayısı arttıkça gözlenen oranın gerçek olasılığa yaklaşacağını garanti eder; ancak sonlu sayıda denemeden yalnızca bir tahmin ve bir hata payı çıkar. 10.000 turda değiştirenin oranı yirmi denemenin on dokuzunda %65,7 ile %67,6 arasında çıkar; tam \(2/3\) olduğunu söyleyen ise yukarıdaki Bayes hesabıdır. İki yöntem birbirini tamamlar: simülasyon sezgiyi düzeltir ve hataları yakalar, kanıt kesinlik verir. Kollatz Konjektürü yazısında aynı ayrımın çok daha keskin bir örneği var: \(2^{71}\)'e kadar denenen bir iddia hâlâ kanıtlanmış sayılmıyor.
Terim Sözlüğü
Olasılık ve karar psikolojisi üzerine kaynakların büyük kısmı İngilizce. Aşağıdaki terimler, bu yazıdan sonra okuyacağınız kitap ve makalelerde aradığınızı bulmanızı kolaylaştırmak için hazırlandı.
| Türkçe | İngilizce | Kısaca |
|---|---|---|
| Örneklem uzayı | sample space | Bir deneyin bütün olası sonuçlarının kümesi |
| Olay | event | Örneklem uzayının bir alt kümesi |
| Tümleyen olay | complement | Olayın gerçekleşmemesi; \(P(A^c)=1-P(A)\) |
| Koşullu olasılık | conditional probability | Bir bilgi verildiğinde güncellenen olasılık, \(P(A\mid B)\) |
| Bağımsız olaylar | independent events | Birinin gerçekleşmesi diğerinin olasılığını değiştirmeyen olaylar |
| Bayes teoremi | Bayes' theorem | Kanıt geldikçe olasılığı güncelleme kuralı |
| Ön olasılık / son olasılık | prior / posterior probability | Bilgiden önceki ve sonraki olasılık |
| Beklenen değer | expected value | Olası sonuçların olasılıklarıyla ağırlıklandırılmış ortalaması |
| Büyük sayılar yasası | law of large numbers | Deneme sayısı arttıkça gözlenen oranın olasılığa yaklaşması |
| Monte Carlo simülasyonu | Monte Carlo simulation | Bir olasılığı çok sayıda rastgele deneme ile tahmin etme |
| Doğum günü problemi | birthday problem / paradox | Küçük gruplarda bile ortak doğum günü olasılığının yüksek olması |
| Güvercin yuvası ilkesi | pigeonhole principle | 366 kişide iki kişinin doğum günü kesinlikle çakışır |
| Duyarlılık / özgüllük | sensitivity / specificity | Testin gerçek pozitifleri ve gerçek negatifleri yakalama oranı |
| Yanlış pozitif | false positive | Durum yokken pozitif çıkan sonuç |
| Taban oranı yanılgısı | base rate fallacy | Görülme sıklığını göz ardı ederek olasılığı yanlış tahmin etme |
| Doğal sıklıklar | natural frequencies | "1000 kişiden 10'u" biçiminde anlatılan olasılık |
| Kestirme yollar ve önyargılar | heuristics and biases | Kahneman ve Tversky'nin araştırma programı |
| Birleşim yanılgısı | conjunction fallacy | İki olayın birlikte olmasını tek birinden olası sanma (Linda problemi) |
| Özet fonksiyonu / çakışma | hash function / collision | Veriyi sabit uzunlukta parmak izine çeviren fonksiyon / aynı parmak izini veren iki girdi |
Buradan Nereye?
Aşağıdaki sorular, bir kitapta, bir ders notunda ya da bir yapay zekâ sohbetinde bu yazının bir adım ötesine geçmeniz için seçildi. Yapay zekâya sorarken bir uyarı: bu yazının konusu tam da ezber cevaplar. Cevabı bir simülasyonla ya da küçük bir örnekle kendiniz denetleyin.
En az üç kişinin aynı gün doğmuş olma olasılığının %50'yi geçmesi için kaç kişi gerekir?
Anahtar kelimeler: generalized birthday problem, multiple coincidences. Cevap 88 civarındadır; bunu laboratuvardaki araca benzer bir simülasyonla doğrulamayı deneyin.
Bir veri kümesinin her alt grubunda doğru olan bir eğilim, bütün veride nasıl tersine dönebilir?
Anahtar kelimeler: Simpson's paradox. Koşullu olasılığın sezgiye aykırı bir başka yüzü; üniversite kabul istatistikleri ve tedavi karşılaştırmaları ünlü örneklerdir.
Ön olasılığı bilmediğimizde Bayes teoremini kullanmak meşru mudur?
Anahtar kelimeler: Bayesian vs frequentist, prior. İstatistiğin iki büyük okulu arasındaki tartışma; Matematik Felsefesi yazısındaki "matematiksel nesneler nedir?" sorusuyla da bağlantılı.
Ruletteki kırmızı serisi, bir sonraki turda siyahın gelme olasılığını artırır mı?
Anahtar kelimeler: gambler's fallacy, independence. 1913'teki Monte Carlo kumarhanesi olayı ve "sıcak el" (hot hand) tartışmasının 2018'de yeniden açılması iyi başlangıç noktalarıdır.
Beklenen değeri sonsuz olan bir oyuna neden kimse büyük para yatırmaz?
Anahtar kelimeler: St. Petersburg paradox, Daniel Bernoulli (1738), expected utility. Olasılıktan karar kuramına ve ekonomiye geçişin kapısı.
Rastgele görünen bir süreç ne zaman uzun vadede tahmin edilebilir hâle gelir?
Anahtar kelimeler: Markov chain, random walk, stationary distribution. Kollatz Konjektürü yazısındaki "rastgele yürüyüş" modeli bu sorunun bir uygulaması.
Bu Sayfada
İki paradoksun ortak dersi aynı: sezgimiz, olasılıkları seçeneklerin sayısından ya da kendi bakış açımızdan tahmin etmeye çalışıyor. Monty Hall'da kalan iki kapının eşit olduğunu, doğum gününde sorunun "benimle aynı gün" olduğunu sanıyoruz. Matematik bu yanılgıları iki yolla düzeltir: örneklem uzayını dikkatle kurmak ve bilginin nereden geldiğini hesaba katmak. Pascal ile Fermat'nın mektuplarından Kahneman'ın deneylerine uzanan bu hikâye, yarışma sorularında da karşımıza çıkan bir alışkanlığı öğretiyor: cevaba atlamadan önce soruyu tam olarak okumak.
Standart kurallarla değiştirmek \(2/3\), kalmak \(1/3\) kazandırır. 23 kişide ortak doğum günü olasılığı %50,7'dir; eşit olmayan dağılımlar bu olasılığı yalnızca artırır. \(b\) bitlik bir özet fonksiyonunda çakışma için yaklaşık \(2^{b/2}\) deneme yeter.
Gerçek bir sunucunun kurallarını bilmediğimizde en iyi strateji nedir? İki çocuk probleminde "doğru" soru biçimi hangisidir? İnsanların olasılık sezgisi eğitimle ne kadar düzeltilebilir? Dil modelleri tanıdık problemlerin değiştirilmiş hâllerini gerçekten "akıl yürüterek" çözebilir mi?
Bir sonraki tartışmada "ikisi de yüzde elli" diyen biri çıkarsa, ona bu sayfadaki simülatörü gösterebilirsiniz. Erdős'ü de sonunda bir simülasyon ikna etmişti.
Kaynakça
Sayfadaki tarihler ve açıklamalar aşağıdaki özgün çalışmalara ve standart kaynaklara dayanmaktadır. Sayısal örnekler hesaplanarak doğrulanmıştır.
