A Regra dos 37%
Como uma equação criada para contratar secretárias acabou explicando namoro, apps de relacionamento, escolhas profissionais, inteligência artificial e o comportamento humano sob incerteza
Prof. Maurício Pinheiro
Resumo
A Regra dos 37% é um dos resultados mais elegantes da teoria das probabilidades e da ciência da decisão. Originalmente conhecida como Secretary Problem ou Optimal Stopping Problem, ela busca responder uma pergunta universal: qual é o momento ideal para parar de explorar possibilidades e finalmente tomar uma decisão?
O problema ganhou enorme relevância na era digital, marcada por aplicativos de namoro, excesso de opções, scroll infinito e ansiedade algorítmica. Em um mundo onde sempre parece existir alguém mais bonito, mais inteligente ou mais compatível a apenas um swipe de distância, a dificuldade deixou de ser encontrar opções — e passou a ser descobrir quando parar de procurar.
A teoria demonstra matematicamente que, em processos irreversíveis de decisão, a estratégia ótima consiste em rejeitar aproximadamente os primeiros 37% das opções apenas para observar, aprender e calibrar critérios de comparação. Depois dessa fase inicial, deve-se escolher a primeira opção claramente superior a todas as anteriores.
O artigo explora as origens históricas da teoria durante o desenvolvimento da matemática aplicada no século XX, sua derivação probabilística, conexões com inteligência artificial, reinforcement learning, economia comportamental e psicologia contemporânea. Também discute como plataformas digitais exploram mecanismos de recompensa variável e excesso de possibilidades para manter usuários presos em ciclos permanentes de busca e comparação.
Mais do que uma curiosidade matemática, a Regra dos 37% revela algo profundamente humano: sob incerteza, perfeição é impossível. O máximo que podemos fazer é otimizar nossas escolhas antes que a busca infinita destrua a própria capacidade de decidir.
Sumário
- Introdução — O colapso estatístico do cérebro moderno
- O cassino algorítmico da modernidade
- O cérebro humano não foi feito para swipe infinito
- A matemática da indecisão
- O nascimento da Regra dos 37%
- A derivação matemática da Regra dos 37%
- A parte mais cruel da teoria
- Quando a Regra dos 37% falha
- Entre matemática, amor e incerteza
- Leituras recomendadas
1. Introdução — O colapso estatístico do cérebro moderno
Imagine a seguinte situação absurda — e extremamente moderna.
Você instala um novo aplicativo de namoro jurando que desta vez será racional.
“Agora vai”, você pensa.
“Desta vez vou escolher direito.”
Então começa o desfile infinito.
- Uma pessoa parece perfeita… até você descobrir que mora a 11 mil quilômetros e responde mensagens no fuso horário emocional de Saturno.
- Outra é absurdamente bonita, mas conversa como um CAPTCHA tentando provar que não é um robô desde 2017.
- Outra explica astrologia quântica, cristais vibracionais e pirâmides atlantes com a confiança de alguém defendendo tese no MIT.
- Outra é inteligente, engraçada e compatível… até desaparecer por três dias depois de um “oi :)” e voltar com “correria kk”.
- Outra tem química perfeita online… mas no encontro real parece uma fusão estatística entre filtro do Instagram e iluminação de necrotério.
- Outra parece emocionalmente madura… até transformar uma conversa sobre café em uma análise freudiana da infância dela.
- Outra é sofisticada… até tentar te vender uma criptomoeda “garantida” criada por um primo visionário chamado Douglas.
- Outra responde tudo com “kkk”, “pois é” e 👍 como se personalidade fosse um recurso premium pago.
- Outra você reencontra depois de trinta anos… e percebe que voltar seria como recomprar seu carro velho acreditando que nostalgia reduz quilometragem.
- Outra parece tão perfeita no perfil que você começa a suspeitar que foi treinada por uma IA especializada em manipulação dopaminérgica masculina.
- Outra menciona casualmente que todos os ex eram “narcisistas sociopatas”, o que estatisticamente começa a levantar perguntas.
- Outra revela uma “surpresinha” debaixo da saia que claramente deveria ter sido detectada pelo algoritmo… mas aparentemente até o aplicativo entrou em negação psicológica.
- Outra parece o amor da sua vida… até dizer “não gosto muito de ler” depois que você menciona um livro.
- Outra parece saída de um editorial da Vogue… mas faz biquinho com Botox até em foto 3×4.
- Outra é impecável nas fotos… porque todas foram tiradas exatamente no mesmo ângulo desde o governo Dilma.
- Outra diz que “recebe espíritos”… e você percebe que o relacionamento virá com suporte técnico paranormal.
- Outra passa o encontro inteiro monitorando quem visualizou os stories, como se a Nasdaq dependesse disso.
- Outra interrompe o jantar para gravar TikTok porque “essa luz tá surreal”.
- Outra tem olhos hipnotizantes… e a profundidade intelectual de um comentário de Facebook sobre gatinhos fofos em 2014.
- Outra parece misteriosa… até você perceber que o mistério era apenas ausência completa de conteúdo interno.
- Outra é tão bonita que você ignora todos os alertas do cérebro… até ela explicar como a vacina alterou seu DNA reptiliano.
- Outra parece perfeita… até falar com o garçom como CEO sociopata de megacorporação cyberpunk.
- Outra transforma qualquer conversa casual em um debate político marxista-leninista de oito horas sem intervalo comercial.
- Outra toma remédio para acordar, remédio para dormir, remédio para ansiedade, remédio para foco e provavelmente remédio para organizar os outros remédios.
- Outra é magnética… e emocionalmente disponível como um servidor soviético em 1983.
- Outra aparece com cinco filhos, três escolas, dois ex litigiosos e uma logística familiar digna da OTAN.
- Outra tem química absurda com você… e aparentemente com metade do aplicativo simultaneamente.
- Outra vem acompanhada de uma sogra tão venenosa que faz uma cascavel parecer animal terapêutico.
- Outra escuta áudio no viva-voz acelerado em 2x no restaurante como se civilização fosse teoria opcional.
- Outra parece extremamente culta… até você descobrir que nunca terminou um livro sem adaptação da Netflix.
- Outra transforma astrologia em sistema operacional oficial da realidade.
- Outra parece perfeita… até o primeiro beijo revelar um ecossistema anaeróbico inteiro vivendo naquela halitose.
- Outra parece emocionalmente equilibrada… até bloquear você durante discussões “para proteger a energia e realinhar os chakras”, como se comunicação básica fosse algum tipo avançado de contaminação espiritual.
- Outra parece absolutamente perfeita… e é exatamente isso que assusta, porque ninguém parece tão perfeito sem algum bug escondido no código-fonte da realidade.
- Outra é viúva e permanece em luto eterno, falando do falecido marido com tanta frequência, reverência e detalhes emocionais que, no meio do jantar, você começa a suspeitar que não está em um encontro — mas participando involuntariamente de um documentário espírita de homenagem póstuma.
- Outra parece finalmente “a escolhida”… até você perceber que provavelmente alguém também aplicou a Regra dos 37% em você.
- …
Depois de centenas de perfis, dezenas de encontros, conversas infinitas e uma quantidade industrial de swipes para a esquerda e para a direita, algo estranho começa a acontecer com o cérebro humano.
A abundância deixa de parecer liberdade.
E começa a parecer ruído estatístico.
Pela primeira vez na história humana, encontrar opções deixou de ser difícil.
Difícil passou a ser descobrir quando parar de procurar.
2. O cassino algorítmico da modernidade
Durante quase toda a história humana, o problema da sobrevivência era escassez.
Faltava comida.
Faltava informação.
Faltavam oportunidades.
Faltavam escolhas.
Durante milênios, a maioria das pessoas nasceu, viveu e morreu dentro de um raio de poucos quilômetros, conhecendo relativamente poucas pessoas e tendo acesso extremamente limitado a experiências, carreiras e estilos de vida.
O drama humano era simples:
como conseguir opções.
A internet destruiu esse problema.
E criou outro infinitamente mais estranho.
Hoje bilhões de pessoas vivem cercadas por possibilidades praticamente infinitas.
Aplicativos de namoro oferecem milhares de parceiros potenciais deslizando incessantemente na tela.
Plataformas de streaming oferecem milhões de filmes, séries e vídeos que ninguém conseguirá assistir ao longo de uma única vida.
Apps de delivery transformam até a escolha de um hambúrguer em uma crise existencial com 247 restaurantes, 83 sabores e avaliações contraditórias de desconhecidos.
A Amazon converteu consumo em um catálogo virtualmente inesgotável de objetos que você nem sabia que existiam cinco minutos antes.
O LinkedIn transformou carreiras em mercados permanentes de comparação profissional.
Redes sociais exibem continuamente versões aparentemente mais bonitas, mais inteligentes, mais felizes, mais produtivas e mais interessantes da vida alheia.
A internet não eliminou a escassez.
Ela criou excesso.
E talvez esse seja um dos maiores choques evolutivos já sofridos pela mente humana.
Nosso cérebro foi moldado em pequenas tribos, em ambientes com escolhas limitadas, relações relativamente estáveis e baixa complexidade social.
Subitamente, ele foi lançado em um ambiente digital onde sempre existe mais uma opção esperando logo abaixo da tela.
Mais um perfil.
Mais uma oportunidade.
Mais um vídeo.
Mais uma pessoa aparentemente melhor.
Mais uma vida alternativa.
Intuitivamente, isso deveria tornar as pessoas mais felizes.
Mas ocorre frequentemente o oposto.
Quanto maior o número de possibilidades, maior a ansiedade.
Maior a dificuldade de decidir.
Maior o medo de escolher errado.
Maior o arrependimento pós-escolha.
O excesso de opções cria um estado psicológico estranho em que nada parece suficientemente bom, porque a mente permanece obcecada pela possibilidade de existir algo ainda melhor escondido logo adiante.
O resultado é um tipo moderno de paralisia existencial.
As pessoas nunca tiveram tantas opções.
E talvez nunca tenham tido tanta dificuldade para decidir.
3. O cérebro humano não foi feito para swipe infinito
Aplicativos de namoro amplificam isso de forma brutal.
O usuário entra em um cassino algorítmico de dopamina baseado em recompensa variável e novidade infinita.
O próximo swipe talvez revele alguém mais bonito.
Mais inteligente.
Mais compatível.
Mais interessante.
Menos emocionalmente caótico.
E como a busca nunca termina, o cérebro começa a operar em modo permanente de otimização.
A pessoa deixa de procurar conexão.
E passa a procurar maximização estatística.
O problema é que sistemas infinitos destroem deliberadamente qualquer sensação de conclusão.
Plataformas digitais foram projetadas exatamente para impedir que você sinta que terminou.
O objetivo não é que você encontre rapidamente aquilo que procura.
O objetivo é mantê-lo eternamente dentro do loop do sistema:
rolando tela,
deslizando perfis,
assistindo vídeos,
comparando pessoas,
consumindo conteúdo,
gerando dados,
alimentando algoritmos.
Economicamente, sua indecisão é extremamente lucrativa.
Você nunca sente que viu “o suficiente”.
Nunca sente que explorou todas as possibilidades.
Nunca sente que encontrou a melhor escolha possível.
Existe sempre a suspeita perturbadora de que talvez o próximo perfil fosse melhor.
O scroll não termina.
O catálogo não termina.
As possibilidades não terminam.
E justamente por isso a busca também nunca termina.
A mente humana entra então em um estado permanente de otimização ansiosa, presa à ilusão de que a escolha perfeita talvez esteja apenas mais um swipe adiante.
E é exatamente aqui que a matemática entra.
4. A matemática da indecisão
Existe uma equação real — rigorosa — criada precisamente para problemas desse tipo.
Ela pertence a um ramo da matemática conhecido como Optimal Stopping Theory.
A Teoria da Parada Ótima.
Décadas antes de Tinder, Bumble ou Hinge existirem, matemáticos já tentavam resolver formalmente um dilema profundamente humano:
como tomar a melhor decisão possível quando as opções aparecem sequencialmente e escolhas rejeitadas não podem ser recuperadas?
A resposta matemática para esse problema se tornaria uma das ideias mais elegantes e contraintuitivas já produzidas pela teoria das decisões.
A teoria sugere que, se você deseja maximizar suas chances de encontrar a melhor escolha possível dentro de uma sequência irreversível de opções, a estratégia ótima é surpreendentemente simples:
rejeite aproximadamente os primeiros 37% das opções,
aprenda com elas,
e depois escolha a primeira opção melhor do que todas as anteriores.
Sim.
Existe literalmente uma fórmula matemática para otimizar escolhas em mercados amorosos, processos seletivos, investimentos, contratação de funcionários, compra de imóveis e até sistemas modernos de inteligência artificial.
A ideia ganhou enorme popularidade contemporânea especialmente após o brilhante livro Algorithms to Live By: The Computer Science of Human Decisions (2016), escrito por Brian Christian e Tom Griffiths.
A obra se tornou um clássico moderno justamente por revelar algo fascinante: muitos dos dilemas psicológicos, emocionais e existenciais da vida cotidiana já haviam sido estudados décadas antes por matemáticos, cientistas da computação e teóricos da decisão.
O livro mostra como algoritmos originalmente desenvolvidos para resolver problemas computacionais acabam descrevendo com precisão surpreendente comportamentos profundamente humanos.
Subitamente, questões aparentemente caóticas como escolher parceiros amorosos, trocar de carreira, responder e-mails, investir dinheiro ou decidir quando parar de procurar começam a parecer problemas formais de otimização matemática.
E talvez o aspecto mais perturbador seja justamente esse:
muitas vezes nossos dramas emocionais modernos possuem a mesma estrutura lógica de problemas clássicos da ciência da computação.
O que chamamos de ansiedade amorosa, indecisão profissional ou “paralisia por excesso de opções” frequentemente não é apenas um problema psicológico.
É também um problema algorítmico.
5. O nascimento da Regra dos 37%
A Regra dos 37% não nasceu em livros de autoajuda amorosa, podcasts motivacionais ou coaches de produtividade.
Ela surgiu de um problema matemático extremamente sério — e quase cruel em sua lógica.
O problema começou a aparecer formalmente entre as décadas de 1940 e 1950, durante a explosão da matemática aplicada impulsionada pela Segunda Guerra Mundial.
Governos passaram a investir massivamente em matemáticos, estatísticos e físicos para resolver problemas concretos envolvendo logística, recrutamento, criptografia, planejamento militar e tomada de decisões sob incerteza.
Foi nesse contexto que pesquisadores começaram a estudar uma pergunta aparentemente simples:
como tomar a melhor decisão possível quando as opções aparecem uma de cada vez e não podem ser recuperadas depois?
Entre os pesquisadores ligados às primeiras formulações estavam Merrill Flood (1908–1991), Herbert Robbins (1915–2001) e John von Neumann (1903–1957), uma das figuras centrais da computação moderna e da Teoria dos Jogos.
O problema se tornaria muito mais conhecido graças a Martin Gardner (1914–2010), lendário autor da coluna Mathematical Games da revista Scientific American.
A formulação mais famosa ficou conhecida como Secretary Problem.
Imagine uma empresa tentando contratar uma secretária executiva.
Os candidatos aparecem em ordem aleatória.
Você entrevista apenas um por vez.
Depois de rejeitado, um candidato desaparece para sempre.
Ao aceitar alguém, o processo termina imediatamente.
E o objetivo não é contratar alguém “bom”.
O objetivo é maximizar a chance de contratar o melhor candidato absoluto entre todos.
Essa última condição torna o problema elegantemente cruel.
Não basta encontrar algo satisfatório.
O objetivo é encontrar o melhor possível sob informação incompleta e decisões irreversíveis.
Rapidamente os matemáticos perceberam que aquela estrutura descrevia algo muito mais universal do que processos seletivos corporativos.
Ela também modelava relacionamentos humanos.
Assim surgiu o chamado Marriage Problem.
Matemáticos haviam formalizado o problema do swipe infinito!
6. A derivação matemática da Regra dos 37%
Aviso amistoso para leitores traumatizados por matemática: os próximos trechos contêm derivadas, integrais, logaritmos e quantidades potencialmente perigosas de sofrimento probabilístico. Se equações fazem seu cérebro entrar em modo de emergência, sinta-se livre para pular esta parte. Para os sobreviventes, porém, agora entraremos oficialmente no momento em que relacionamentos começam a parecer um problema de cálculo diferencial.
Agora vem a parte mais fascinante de toda a teoria:
entender por que a matemática leva exatamente ao número 37%.
A genialidade da Regra dos 37% está no fato de que ela não nasce de intuição psicológica, conselho amoroso ou “sabedoria de aplicativo”.
Ela emerge diretamente de uma estrutura matemática rigorosa ligada à teoria das probabilidades, à teoria da decisão e ao chamado Optimal Stopping Problem.
O que parece ansiedade amorosa, indecisão profissional ou paralisia diante de excesso de opções lentamente começa a se transformar em um problema formal de otimização sob incerteza.
A pergunta central é surpreendentemente simples:
como tomar a melhor decisão possível quando as opções aparecem em sequência e escolhas rejeitadas não podem ser recuperadas?
Imagine então que existem N opções possíveis.
Essa variável N representa o número total de escolhas disponíveis.
Pode ser:
- o número de candidatos a uma vaga;
- apartamentos visitados;
- startups avaliadas por investidores;
- oportunidades profissionais;
- ou perfis em aplicativos de namoro.
E aqui surge um detalhe importante.
Quanto maior o valor de N, mais difícil o problema se torna.
Escolher entre 5 opções é relativamente simples.
Escolher entre 5 mil começa a gerar sobrecarga cognitiva, ansiedade, comparação permanente e paralisia decisória.
Em outras palavras:
o excesso de possibilidades aumenta brutalmente a complexidade do problema.
A estratégia da Regra dos 37% funciona em duas etapas.
Primeiro rejeitamos deliberadamente os primeiros r candidatos.
Essa variável r representa a fase inicial de observação e exploração.
Mas esses primeiros candidatos não existem para escolha.
Eles existem para calibrar o cérebro.
Durante essa etapa nenhuma decisão é permitida.
Você apenas observa, compara, aprende e constrói uma referência estatística interna sobre o que significa algo (r = referência):
- mediano;
- bom;
- raro;
- excepcional.
Depois disso começa a segunda fase.
A regra muda completamente.
O algoritmo passa a funcionar assim:
“Escolha a primeira opção melhor do que todas as anteriores.”
A pergunta matemática então se torna extremamente precisa:
qual deve ser o valor ótimo de r?
Ou seja:
quantas opções devemos rejeitar antes de começar a escolher?
Agora suponha que o melhor candidato absoluto apareça na posição k.
Como assumimos que a ordem é completamente aleatória, todas as posições possuem exatamente a mesma probabilidade de conter a melhor opção.
Portanto:
P(k) = 1 / N
Isso significa que a melhor opção pode surgir em qualquer ponto da sequência com a mesma probabilidade.
Uma boa analogia é imaginar um baralho completamente embaralhado.
Depois do embaralhamento, qualquer posição possui exatamente a mesma chance de conter a carta mais alta.
Mas agora surge a condição mais importante de toda a teoria.
Se o melhor candidato absoluto aparece cedo demais, ele será perdido.
Não porque seja ruim.
Mas porque o sistema ainda não possui informação suficiente para reconhecer sua qualidade.
Para que o algoritmo funcione corretamente, a melhor opção precisa aparecer depois da fase inicial de observação.
Ou seja:
k > r
Durante a fase inicial nenhuma escolha é permitida — independentemente da qualidade da opção observada.
Isso é crucial.
Os primeiros candidatos funcionam como uma amostra estatística usada para calibrar percepção.
Sem essa fase inicial de aprendizado, qualquer decisão seria baseada em informação insuficiente.
Agora analisamos todos os candidatos anteriores à posição k:
1, 2, 3, …, k − 1
Entre eles existe um “melhor até agora”.
E aqui aparece uma das partes mais elegantes da teoria.
Para que o algoritmo consiga chegar até o verdadeiro melhor candidato na posição k, o melhor candidato observado anteriormente precisa estar dentro da fase inicial rejeitada.
Caso contrário, o algoritmo teria parado antes.
Imagine um exemplo concreto.
Suponha:
N = 100;
r = 37;
e que o melhor candidato absoluto aparece na posição 50.
Agora olhamos para os candidatos anteriores:
1 até 49.
Entre eles existe um “melhor até agora”.
Para que o algoritmo chegue até o candidato 50 sem parar antes, esse melhor anterior precisa estar entre os primeiros 37 rejeitados.
Caso contrário, se o melhor anterior estivesse por exemplo na posição 42, o algoritmo já teria parado no candidato 42 e jamais alcançaria o verdadeiro melhor candidato na posição 50.
A probabilidade de esse melhor candidato anterior estar dentro da fase inicial rejeitada é:
r / (k − 1)
Ao mesmo tempo, a probabilidade de o melhor candidato absoluto aparecer exatamente na posição k é:
1 / N
Multiplicando essas duas probabilidades obtemos a chance de sucesso associada especificamente à posição k:
(1 / N) * (r / (k − 1))
Mas a melhor opção pode aparecer em várias posições possíveis depois da fase inicial.
Ela pode aparecer em:
- r + 1;
- r + 2;
- r + 3;
- …
- até N.
E para cada uma dessas posições existe uma pequena probabilidade de sucesso associada.
Portanto, a probabilidade total da estratégia funcionar corretamente será a soma de todas essas probabilidades individuais.
É exatamente aqui que surge uma estrutura matematicamente profunda.
A expressão obtida não é uma soma qualquer.
Ela pertence a uma das famílias mais famosas de toda a matemática:
a Série Harmônica.
P(r) = (r / N) * ∑ [1 / (k − 1)]
k=r+1,…,N
À primeira vista, ela parece apenas uma soma complicada de frações.
Mas escondida dentro dessa expressão existe uma estrutura matemática extremamente elegante.
O símbolo:
∑
representa um somatório.
Ou seja, estamos adicionando todas as probabilidades possíveis de sucesso para cada posição em que o melhor candidato absoluto pode aparecer depois da fase inicial de observação.
Expandindo explicitamente a soma, obtemos:
P(r) = (r / N) * [1/r + 1/(r+1) + 1/(r+2) + … + 1/(N−1)]
E agora a estrutura começa a aparecer com clareza.
O termo entre colchetes possui exatamente o comportamento de uma Série Harmônica.
Uma Série Harmônica possui a forma geral:
1 + 1/2 + 1/3 + 1/4 + 1/5 + …
O aspecto fascinante da Série Harmônica é que ela nunca para de crescer — mas cresce cada vez mais devagar.
Cada novo termo adicionado contribui menos do que o anterior.
O crescimento desacelera continuamente.
E é justamente aqui que acontece uma das transições mais profundas e elegantes de toda a matemática.
Para valores grandes de n, a Série Harmônica passa a se comportar aproximadamente como um logaritmo natural.
Mais especificamente:
1 + 1/2 + 1/3 + … + 1/n ≈ ln(n)
Ou seja:
uma soma aparentemente complicada de inúmeros pequenos termos pode ser aproximada por uma função logarítmica extremamente simples.
E isso transforma completamente o problema.
Porque agora podemos substituir uma soma discreta difícil de manipular por uma aproximação contínua muito mais elegante matematicamente.
Observe novamente o trecho específico da soma que aparece no nosso problema:
1/r + 1/(r+1) + 1/(r+2) + … + 1/(N−1)
À medida que N cresce, essa expressão passa a conter cada vez mais termos, enquanto cada termo individual se torna progressivamente menor.
Os “degraus” da soma ficam tão pequenos e numerosos que começam a se comportar quase como uma curva contínua.
E é exatamente nesse ponto que surge a integral.
Em vez de somarmos manualmente milhares de pequenos blocos discretos, passamos a calcular diretamente a área contínua sob a curva (a integral) da função:
1/x
no intervalo:
r ≤ x ≤ N
Isto é
∫ (1/x) dx = ln(N) − ln(r)
Agora usamos uma propriedade fundamental dos logaritmos:
ln(a) − ln(b) = ln(a/b)
Logo:
ln(N) − ln(r) = ln(N/r)
Substituindo isso na expressão original chegamos finalmente à forma compacta da função:
P(r) = (r / N) * [1/r + 1/(r+1) + 1/(r+2) + … + 1/(N−1)] ≈ (r / N) * ln(N / r)
E aqui ocorre algo realmente extraordinário.
Toda a complexidade combinatória do problema — posições possíveis, probabilidades condicionais, sequências e decisões irreversíveis — colapsa em uma função extremamente elegante envolvendo apenas:
- r;
- N;
- e um logaritmo natural.
Essa função contém toda a informação necessária para responder à pergunta central do problema:
qual deve ser o tamanho ideal da fase inicial de exploração?
E será exatamente essa função que iremos maximizar usando cálculo diferencial para produzir o famoso resultado:
r ≈ 0.37N
O mais impressionante é que o logaritmo não foi inserido artificialmente na teoria.
Ele emerge espontaneamente da própria estrutura matemática da incerteza, da observação parcial e das decisões irreversíveis.
Séries harmônicas crescem aproximadamente como logaritmos naturais.
Logo:
P(r) = (r / N) * ln(N / r)
Essa função descreve a probabilidade total de sucesso da estratégia em função do tamanho da fase inicial de rejeição.
Agora queremos descobrir qual valor de r maximiza essa probabilidade.
Portanto procuramos o ponto onde:
dP/dr = 0
E aqui entra uma das ideias mais importantes de todo o cálculo diferencial.
A derivada mede a inclinação instantânea de uma função.
Ela nos diz se a função está:
- crescendo;
- diminuindo;
- ou momentaneamente “parada”.
Imagine a função P(r) como uma montanha.
Enquanto estamos subindo a montanha:
- a inclinação é positiva;
- a derivada é maior que zero.
No topo da montanha acontece algo especial.
Por um instante, a subida para antes de começar a descida.
A inclinação se torna exatamente zero.
E é exatamente esse ponto que queremos encontrar.
Porque o topo da “montanha” representa o maior valor possível da probabilidade de sucesso.
Matematicamente:
dP/dr = 0
significa:
“encontre o ponto onde a probabilidade para de aumentar.”
Agora lembramos da função obtida anteriormente:
P(r) = (r / N) * ln(N / r)
Essa função possui dois componentes multiplicados:
- (r / N)
- ln(N / r)
Portanto precisamos usar a chamada regra do produto da derivação.
Primeiro reescrevemos a função de maneira mais conveniente:
P(r) = (r / N) * [ln(N) − ln(r)]
Isso é possível porque:
ln(a/b) = ln(a) − ln(b)
Agora derivamos cada termo separadamente.
A derivada de:
r / N
é:
1 / N
porque N é constante.
Já a derivada de:
ln(r)
é:
1 / r
Aplicando cuidadosamente a regra do produto, obtemos:
dP/dr = (1 / N)[ln(N) − ln(r)] − 1/N
Agora colocamos:
1/N
em evidência:
dP/dr = (1/N)[ln(N/r) − 1]
E finalmente aplicamos a condição de máximo:
dP/dr = 0
Logo:
(1/N)[ln(N/r) − 1] = 0
Como:
1/N ≠ 0
podemos simplificar a expressão:
ln(N/r) − 1 = 0
Portanto:
ln(N/r) = 1
E é exatamente aqui que surge um dos momentos mais bonitos de toda a derivação.
Para eliminar o logaritmo aplicamos exponencial dos dois lados da equação.
Sabemos que:
se:
ln(x) = 1
então:
x = e
onde:
e ≈ 2.71828
é o famoso número de Euler — uma das constantes mais importantes de toda a matemática.
Esse número aparece repetidamente em:
- crescimento exponencial;
- juros compostos;
- física estatística;
- teoria da informação;
- redes neurais;
- aprendizado de máquina;
- dinâmica complexa;
- decaimento radioativo;
- e processos probabilísticos em geral.
De forma quase misteriosa, ele também emerge espontaneamente do problema da escolha ótima.
Aplicando isso à equação, obtemos:
N / r = e
Agora isolamos r:
r = N / e
Como:
1/e ≈ 0.3679
chegamos finalmente ao resultado:
r ≈ 0.37N
E é daí que nasce a famosa Regra dos 37%.
O mais impressionante é que o número 37% não foi inventado arbitrariamente.
Ele emerge naturalmente da própria matemática da incerteza, da informação incompleta e das decisões irreversíveis.
A matemática está revelando algo profundamente humano:
observar pouco demais produz decisões ingênuas.
Mas observar indefinidamente também destrói a capacidade de decidir.
Existe um ponto ótimo entre exploração e compromisso.
E, surpreendentemente, esse ponto parece estar próximo de 37%.
O mais fascinante é que o famoso 37% emerge espontaneamente da própria estrutura matemática da incerteza.
A interpretação final é profundamente elegante.
Para maximizar a chance de encontrar a melhor opção absoluta, devemos usar aproximadamente os primeiros 37% do processo apenas para:
- observar;
- comparar;
- aprender;
- calibrar percepção.
Depois disso escolhemos a primeira opção melhor do que todas as anteriores.
Se existirem 100 perfis, a regra sugere:
observe os primeiros 37 sem escolher ninguém.
Depois disso:
escolha o primeiro perfil claramente superior a todos os anteriores.
Curiosamente, exatamente o mesmo dilema aparece em inteligência artificial moderna.
Em reinforcement learning, agentes artificiais enfrentam continuamente o conflito entre:
- explorar novas possibilidades;
- ou explorar aquilo que já funciona.
O mesmo problema matemático reaparece em:
- algoritmos de recomendação;
- sistemas de busca;
- investimento financeiro;
- robótica;
- exploração científica;
- e comportamento humano.
A matemática está dizendo algo profundamente humano:
aprenda o suficiente para reconhecer qualidade.
Mas não espere informação perfeita.
Porque informação perfeita chega tarde demais.
7. A parte mais cruel da teoria
O detalhe mais brutal aparece justamente no final.
Mesmo utilizando a estratégia matematicamente ótima — a melhor estratégia possível dentro das regras do problema — você ainda só consegue escolher a melhor opção absoluta cerca de 37% das vezes.
À primeira vista isso parece absurdo.
Como uma estratégia considerada “ótima” pode falhar na maioria das tentativas?
Mas é exatamente aqui que a teoria se torna profunda.
A matemática está revelando uma limitação fundamental da própria realidade:
quando decisões precisam ser tomadas sob incerteza, informação incompleta e irreversibilidade, perfeição simplesmente não existe.
Não há algoritmo capaz de garantir que você encontrará sempre o parceiro perfeito, o emprego perfeito ou a oportunidade perfeita.
A vida real não oferece informação total.
Ela obriga decisões antes que todos os dados estejam disponíveis.
A Regra dos 37% não promete certeza.
Ela promete apenas a melhor chance estatística possível dentro de um universo inevitavelmente imperfeito.
Em outras palavras:
perfeição não é alcançável sob incerteza.
Apenas otimização.
8. Quando a Regra dos 37% falha
Apesar de toda sua elegância matemática, a teoria funciona sob hipóteses específicas.
Ela assume:
opções aleatórias,
decisões irreversíveis,
comparações consistentes,
objetivos relativamente estáveis.
Mas a vida real raramente é tão limpa.
Pessoas mudam.
Preferências mudam.
Contextos mudam.
Relacionamentos evoluem.
Oportunidades reaparecem.
Compatibilidade humana não é unidimensional como em um problema matemático simples.
Além disso, algoritmos modernos manipulam comportamento.
Aplicativos influenciam quais perfis aparecem.
Sistemas de recomendação alteram percepção.
Feedback social muda preferências.
Em outras palavras:
a realidade humana é muito mais caótica do que o modelo matemático original.
E justamente por isso a Regra dos 37% não deve ser interpretada como uma fórmula mágica.
Ela funciona melhor como uma lente matemática poderosa.
Uma forma elegante de enxergar padrões profundos escondidos dentro da ansiedade moderna, da tomada de decisão e da própria condição humana.
9. Entre matemática, amor e incerteza
Talvez o aspecto mais fascinante de toda a teoria seja filosófico.
A Regra dos 37% revela algo profundamente verdadeiro sobre a condição humana:
esperar demais destrói oportunidades.
Mas agir cedo demais destrói possibilidades.
Existe um equilíbrio delicado entre:
curiosidade,
aprendizado,
exploração,
experiência,
compromisso.
E o mais surpreendente é que esse equilíbrio parece emergir espontaneamente da própria matemática.
No fundo, toda a estratégia pode ser resumida de forma quase absurdamente simples.
Primeiro observe.
Depois escolha.
Mas não observe para sempre.
Porque em algum momento a busca pela opção perfeita se transforma exatamente no mecanismo que impede qualquer escolha real.
Talvez a verdadeira tragédia moderna não seja a falta de opções.
Talvez seja morrer sem conseguir parar de procurar.
#RegraDos37 #TeoriaDaDecisao #InteligenciaArtificial #AppsDeNamoro #Filosofia #Algoritmos #IA #Psicologia #AITalksOrg
10. Leituras recomendadas
- Christian, Brian, and Tom Griffiths. 2016. Algorithms to Live By: The Computer Science of Human Decisions. New York: Henry Holt and Company.
- Bruss, F. Thomas. 2000. “Sum the Odds to One and Stop.” The Annals of Probability 28, no. 3: 1384–91.
- Ferguson, Thomas S. 1989. “Who Solved the Secretary Problem?” Statistical Science 4, no. 3: 282–89.
- Ferguson, Thomas S. 2008. Optimal Stopping and Applications. Mathematics Department, University of California, Los Angeles (UCLA). ucla.edu.
- Flood, Merrill M. n.d. Early unpublished formulations and discussions of the Secretary Problem and optimal stopping strategies in operations research (1940s–1950s). Historical reference.
- Gardner, Martin. 1956–1981. “Mathematical Games” (columns). Scientific American.
- Kahneman, Daniel. 2011. Thinking, Fast and Slow. New York: Farrar, Straus and Giroux.
- Robbins, Herbert. mid-20th century. Foundational probabilistic work related to optimal stopping and sequential decision theory. Historical reference.
- Sapolsky, Robert. 2017. Behave: The Biology of Humans at Our Best and Worst. New York: Penguin Press.
- Schwartz, Barry. 2004. The Paradox of Choice: Why More Is Less. New York: Harper Perennial.
- Shannon, Claude. 1950. “Programming a Computer for Playing Chess.” Philosophical Magazine 41, no. 314: 256–75.
- Silver, David, Aja Huang, Chris J. Maddison, Arthur Guez, Laurent Sifre, George van den Driessche, Julian Schrittwieser, et al. 2016. “Mastering the Game of Go with Deep Neural Networks and Tree Search.” Nature 529, no. 7587: 484–89.
- Simon, Herbert A. 1955. “A Behavioral Model of Rational Choice.” The Quarterly Journal of Economics 69, no. 1: 99–118.
- Simon, Herbert A. 1982. Models of Bounded Rationality. Cambridge, MA: MIT Press.
- Sutton, Richard S., and Andrew G. Barto. 2018. Reinforcement Learning: An Introduction. 2nd ed. Cambridge, MA: MIT Press.
- Von Neumann, John, and Oskar Morgenstern. 1944. Theory of Games and Economic Behavior. Princeton: Princeton University Press.
Copyright 2026 AI-Talks.org
