Qu'est-ce que le calculateur de la théorie amoureuse (arrêt optimal) ?
Cet outil applique le célèbre « problème de la secrétaire » — également appelé arrêt optimal ou règle des 37 % — au domaine des rencontres amoureuses. Si vous prévoyez de rencontrer un nombre fixe de partenaires potentiels et que vous devez vous décider sur chacun avant de passer au suivant, les mathématiques vous offrent la stratégie qui maximise vos chances de choisir la meilleure personne possible : commencez par observer une première partie de vos prétendants, puis engagez-vous avec le premier qui surpasse tous ceux rencontrés jusque-là.
Comment l'utiliser
Indiquez le nombre de personnes que vous pensez raisonnablement rencontrer (votre nombre de partenaires, n). Le calculateur vous indique combien refuser au départ. Servez-vous de ce premier groupe uniquement pour affiner vos critères : ne vous engagez avec personne durant cette phase, aussi prometteur soit le profil. Une fois le seuil dépassé, dites oui à la première personne qui se révèle meilleure que toutes celles de votre phase d'observation.
La formule expliquée
Le seuil optimal est
$$\text{Reject Count} = \operatorname{round}\!\left(\frac{\text{Pool Size}}{e}\right)$$où \(e \approx 2{,}71828\) est le nombre d'Euler. Comme \(1/e \approx 0{,}3679\), vous observez environ les 37 premiers pour cent des prétendants, puis vous commencez à choisir. Cette règle vous donne environ 37 % de chances de tomber sur le meilleur profil possible — bien mieux qu'un choix au hasard, surtout à mesure que le nombre de candidats augmente.
Exemple concret
Supposons que vous prévoyiez de rencontrer 10 personnes. Le seuil est de
$$\frac{10}{2{,}71828} \approx 3{,}68$$soit 4 après arrondi. Vous fréquentez donc les 4 premières personnes, puis vous les écartez poliment, tout en gardant en tête la meilleure d'entre elles. À partir de la cinquième, vous vous engagez avec la première qui surpasse ces 4 premiers profils.
Nombre de rejets selon la taille du bassin
La règle des 37 % indique de rejeter (simplement observer) environ \(n/e\) candidats, où \(1/e \approx 0.3679\), puis de choisir le premier candidat suivant qui est meilleur que tous ceux vus jusque-là. Le tableau arrondit \(n/e\) au nombre entier le plus proche.
| Taille du bassin (n) | n / e | Nombre de rejets (observation) | Candidats restants parmi lesquels choisir | Part d'observation |
|---|---|---|---|---|
| 5 | 1.84 | 2 | 3 | 40% |
| 10 | 3.68 | 4 | 6 | 40% |
| 20 | 7.36 | 7 | 13 | 35% |
| 30 | 11.04 | 11 | 19 | 36.7% |
| 50 | 18.39 | 18 | 32 | 36% |
| 100 | 36.79 | 37 | 63 | 37% |
En raison des arrondis, la part d'observation n'est pas exactement 36,8 % pour les petits bassins, mais elle s'en rapproche à mesure que le bassin grandit.
Probabilités exactes de succès pour les petits bassins
Pour un bassin de \(n\) candidats, si vous rejetez les \(r\) premiers puis prenez le premier candidat meilleur que tous les précédents, la probabilité de finir avec le meilleur candidat unique est
$$P(n,r) = \frac{r}{n}\sum_{k=r+1}^{n}\frac{1}{k-1}$$
Le tableau indique le meilleur \(r\) pour chaque \(n\) ainsi que la probabilité exacte résultante (arrondie).
| Taille du bassin (n) | Nombre optimal de rejets r | Probabilité de succès P |
|---|---|---|
| 2 | 1 (0 égalités) | 50,0 % |
| 3 | 1 | 50,0 % |
| 4 | 1 | 45,8 % |
| 5 | 2 | 43,3 % |
| 10 | 3 | 39,9 % |
| 20 | 7 | 38,4 % |
| 100 | 37 | 37,1 % |
Exemple pour \(n=4,\ r=1\) : \(P = \frac{1}{4}\left(1 + \frac{1}{2} + \frac{1}{3}\right) = \frac{1}{4}\cdot 1.8333 \approx 0.458\).
Lorsque \(n\) augmente, le rapport optimal \(r/n\) se rapproche de \(1/e \approx 0.368\) et la meilleure probabilité de succès atteignable converge également vers \(1/e \approx 36.8\%\) par valeurs supérieures.
Interpréter votre résultat
Le nombre de rejets correspond à la longueur de la phase d'observation. Pendant celle-ci, vous examinez les candidats uniquement pour calibrer ce qu'est une option solide, et vous ne vous engagez envers aucun d'entre eux. Une fois cette phase terminée, vous choisissez le premier candidat qui surpasse le meilleur de tous ceux que vous avez observés.
Meilleur choix contre choix suffisamment bon. La règle des 37 % maximise la chance de sélectionner le meilleur candidat unique du bassin. Cette chance plafonne à environ 37 %, si bien que la stratégie ne parvient pas à choisir le meilleur environ 63 % du temps. Il arrive même que vous ne retteniez personne, si le meilleur candidat est apparu pendant la phase d'observation. Si votre objectif est un choix suffisamment bon, par exemple quelqu'un parmi les tout premiers, d'autres règles d'arrêt ou seuils sont utilisés, et ils offrent généralement une probabilité nettement plus élevée d'obtenir un résultat acceptable.
Hypothèses du modèle classique :
- La taille totale du bassin \(n\) est fixe et connue à l'avance.
- Les candidats sont vus un à un, dans un ordre aléatoire.
- Vous pouvez classer chaque candidat par rapport à ceux déjà vus, sans égalité.
- Chaque décision est définitive : vous ne pouvez pas revenir sur un candidat rejeté, et un candidat accepté met fin à la recherche.
- Seul le fait d'obtenir le tout meilleur compte comme un succès.
Les situations réelles remplissent rarement toutes ces conditions ; considérez donc le résultat comme une illustration d'un modèle mathématique (le problème du secrétaire), et non comme un conseil relationnel.
FAQ
Cela garantit-il que je trouverai « l'âme sœur » ? Non. La méthode maximise la probabilité de choisir le meilleur candidat disponible, mais cette probabilité avoisine les 37 % : c'est une stratégie, pas une certitude.
Et si une personne formidable apparaît pendant la phase d'observation ? Le modèle strict recommande de la refuser : elle ne sert qu'à établir votre point de référence. Dans la vraie vie, considérez cette règle comme un repère plutôt qu'une loi absolue.
La réponse est-elle toujours 37 % ? La fraction d'observation (1/e ≈ 37 %) reste constante, mais le nombre exact de personnes à refuser dépend de votre nombre total de candidats n.