Duas Pessoas Saem De Suas Casas

Entendendo o problema clássico de probabilidade com encontros

Ao abordar duas pessoas saem de suas casas, você está lidando com um dos problemas geométricos mais elegantes da teoria da probabilidade. O cenário padrão é simples: duas pessoas combinam de se encontrar entre 13h e 14h. Cada uma chega num momento uniformemente distribuído nesse intervalo e espera por um tempo fixo antes de desistir. A pergunta é quantas vezes, em média, elas conseguem se encontrar.

Como modelar duas pessoas saem de suas casas geometricamente

Você representa o tempo de chegada de cada pessoa como uma coordenada num plano cartesiano. Se chamarmos de x o tempo de chegada da primeira pessoa e y o da segunda, ambos variam de 0 a 1 (fractiones de uma hora a partir das 13h). O espaço amostral inteiro é o quadrado unitário com área igual a 1. A condição de encontro é simplesmente |x - y| w, onde w é o tempo de espera em horas. Para o caso mais comum, w = 1/4 (quinze minutos). A região favorável ao encontro é uma faixa diagonal que corta o quadrado. Para calcular a área dela, subtrai-se do quadrado total as duas regiões triangulares onde |x - y| > w. Cada triângulo tem catetos de comprimento (1 - w). Com w = 1/4, cada triângulo tem catetos de 3/4 e área (3/4)² / 2 = 9/32. Dois triângulos dão 9/16 no total. A probabilidade de encontro é então 1 - 9/16 = 7/16, ou aproximadamente 43,75%.

Verificação por integração direta

Para quem prefere ver os cálculos passo a passo, integre sobre a região onde x - w y x + w, com x variando de 0 a 1. A integral se divide em três partes devido aos limites de y serem truncados por 0 e 1: Para 0 x w, a integral de y vai de 0 até x + w, resultando em wx + w²/2.

Para w x 1 - w, a integral de y vai de x - w até x + w, resultando em 2w. Para 1 - w x 1, a integral de y vai de x - w até 1, resultando em w(2 - x) - w²/2.

Somando essas três contribuições e substituindo w = 1/4, chega-se a 7/16, confirmando o resultado geométrico.

Pegadinhas e casos que confundem muita gente

O erro mais frequente é assumir que a probabilidade é simplesmente w vezes alguma coisa óbvia, como se a resposta fosse proporcional ao tempo de espera de forma linear. Não é. A relação entre w e a probabilidade é quadrática. Dobrar o tempo de espera de 15 para 30 minutos não dobra a chance de encontro; ela aumenta de 7/16 para 1 - (1/2)² = 3/4, ou 75%. Isso porque a faixa diagonal cresce em largura, mas também modifica a proporção dos triângulos que são cortados fora do quadrado. Outra armadilha clássica é pensar que as chegadas são sincronizadas ou dependentes. O problema assume independência total entre os tempos de chegada. Se houver correlação — por exemplo, ambos tendem a chegar perto do horário de pico — o modelo geométrico simples já não se aplica e você precisaria de uma distribuição conjunta diferente.

Eu já vi engenheiros tentarem simular esse problema com geração de números aleatórios e obterem resultados muito distantes de 7/16 porque esqueceram de ajustar o seed do gerador e acabaram reutilizando a mesma sequência em diferentes execuções. A correção foi simplesmente chamar a função de semente com um valor diferente a cada rodada ou usar um gerador Mersenne Twister com estado próprio por thread.

Extensões práticas do modelo

Se o tempo de espera for diferente para cada pessoa — digamos, a primeira espera w1 e a segunda espera w2 — a região favorável deixa de ser simétrica. O cálculo envolve interpolação linear nas bordas e a fórmula geral se torna mais complicada, mas ainda tratável. Para w1 w2, a probabilidade é 1 - (1 - w1)²/2 - (1 - w2)²/2 quando ambos os tempos são menores que 1. Um cenário realista adicional é quando o intervalo de encontro não começa em 0 nem termina em 1 de forma uniforme. Se as pessoas chegam entre 13h e 15h, basta dividir o tempo de espera pela duração total do intervalo antes de aplicar a fórmula. O resultado é adimensional e a geometria permanece a mesma.

Limitações que ninguém gosta de ouvir

Este modelo funciona bem quando os tempos de chegada são estritamente uniformes e independentes. Na prática, raramente é assim. Picos de chegada, atrasos sistemáticos, fuso horário diferente entre os participantes — tudo isso quebra as premissas. Quando a distribuição não é uniforme, você precisa substituir a área do quadrado pela integral da densidade conjunta sobre a região |x - y| w. Isso exige conhecer a função densidade real, e na maioria dos casos reais ela é desconhecida. Para situações onde a uniformidade não se sustenta, uma simulação de Monte Carlo com milhares de iterações usando os dados empíricos de chegada costuma ser mais confiável do que tentar derivar uma solução analítica. Eu prefiro rodar uma simulação com 100.000 amostras do que arriscar uma suposição de uniformidade que não se sustenta nos dados.

Código de exemplo

Um script Python rápido para validar o resultado com simulação: import numpy as np

n = 100000 x = np.random.uniform(0, 1, n)

y = np.random.uniform(0, 1, n) w = 0.25

prob = np.mean(np.abs(x - y)

= w) print(prob)

Esse código roda em menos de um segundo e retorna algo próximo de 0.437, confirmando o valor analítico de 7/16. A diferença entre simulação e análise diminui conforme n aumenta, mas para fins práticos, 10 mil iterações já dão uma boa aproximação.

Quando usar e quando evitar

O modelo das duas pessoas saem de suas casas é útil como baseline teórico e como exercício de raciocínio probabilístico. Para problemas do mundo real com schedules reais, ele serve como ponto de partida, não como resposta definitiva. Se o objetivo é otimizar janelas de reunião em uma empresa, considere agregar dados históricos de pontualidade e aplicar o modelo apenas após validar a hipótese de uniformidade com um teste deKolmogorov-Smirnov nos dados de chegada observados. A versão mais simples do problema permanece sendo uma das melhores maneiras de aprender a conectar geometria analítica com probabilidade. O insight central — transformar um problema de tempo em um problema de área num plano — é aplicável a dezenas de outros cenários, desde buffer de rede até janelas de manutenção em sistemas distribuídos.

Resumo rápido para consulta

Para duas pessoas que chegam aleatoriamente num intervalo de duração T e cada uma espera por um tempo w, a probabilidade de encontro é 1 - (1 - w/T)², desde que w T. Para w = 15min e T = 60min, o resultado é 7/16 43,75%. Se as expectativas forem diferentes, use a extensão com w1 e w2. Se os tempos de chegada não forem uniformes, recorra a simulação.