Métodos de Monte Carlo e Aplicações

Método de Monte Carlo e Aplicações
Fernando Andrade
Instituto de Biociências de Botucatu

Universidade Estadual Paulista
. . . .... .... .... . . . . .

1 Introdução
Incentivos
Histórico
2 Geração de Números Aleatórios
Distribuição Uniforme
3 Alguns Métodos para GNA’s
4 Método de Monte Carlo
5 Um pouco sobre Python
Script do Método Congruencial Linear
6 Aplicações do Método de Monte Carlo
Simulação através do Python
7 Outras áreas de aplicação do método
Computação Gráfica
Financias
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Fernando Andrade (UNESP) Método de Monte Carlo e Aplicações 2 / 34
Introdução Incentivos
“Muitas vezes, mesmo construindo um modelo probabilístico, certas ques-

tões não podem ser resolvidas analiticamente e necessitaremos de recor-
rer a estudos de simulação para obter aproximações de quantidades de
interesse.
De modo bastante amplo, estudos de simulação tentam reproduzir num
ambiente controlado o que se passa com um problema real.
Para os propósitos dessa apresentação, a solução de um problema real
consistirá na na simulação de variáveis aleatórias”
Morettin, P.A; Bussab, W.O.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Introdução Histórico
Um pouco sobre o surgimento

O método de Monte Carlo apareceu, pela primeira vez no artigo de
autoria conjunta de John Von Neuman e Stanislaw Ulam “Statistical
methods in neutron diffusion” em 1947, no qual propuseram simulações
computacionais dentro do projeto Manhattan, durante a Segunda Guerra
Mundial.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Um pouco sobre o surgimento

O método de Monte Carlo apareceu, pela primeira vez no artigo de
autoria conjunta de John Von Neuman e Stanislaw Ulam “Statistical
methods in neutron diffusion” em 1947, no qual propuseram simulações
computacionais dentro do projeto Manhattan, durante a Segunda Guerra
Mundial.
Figura: John Von Neuman (à esquerda) e Stanislaw

.
Ulam (à direita)
. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Tal projeto, era responsável pela criação das primeiras bombas nucleares.
O objetivo, diante do processo da criação das armas nucleares em ques-
tão, era simular probabilidades relacionadas com o coeficiente de difusão
do nêutron em certos materiais.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Tal projeto, era responsável pela criação das primeiras bombas nucleares.
O objetivo, diante do processo da criação das armas nucleares em ques-
tão, era simular probabilidades relacionadas com o coeficiente de difusão
do nêutron em certos materiais.
Após a extinção do projeto Manhattan, Ulam e Neuman, com inspiração
aos cassinos de Monte Carlo em Mônaco, que por sua vez, tinham a
natureza da aleatoriedade e repetitiva, formalizaram, em 1949, o nome
“Método de Monte Carlo”.
Figura: Cassino de Monte Carlo em Mônaco

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Geração de Números Aleatórios
Geração de Números Aleatórios
Para qualquer simulação de Monte Carlo é necessário gerar números ale-

atórios. Um número aleatório representa o valor de uma variável aleatória
uniformemente distribuída.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Geração de Números Aleatórios Distribuição Uniforme
Apenas relembrando...
Distribuição Uniforme: Seja X uma variável aleatória. Dizemos que
X possui distribuição uniforme contínua entre a e b e, denotamos por
X ∼ U(a, b), se sua função densidade de probabilidade for

 1 , a⩽x ⩽b
f (x, a, b) = b − a

0, caso contrário
e, por consequência, sua função de probabilidade é


 0, x ⩽a

x − a
F (x) = P(X ⩽ x) = , a⩽x <b

 b−a

1, x ⩾b
E seus momentos são:
a+b (b − a)2
E (X ) = e Var (X ) =
2 12 . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Geração de Números Aleatórios Distribuição Uniforme
Do ponto de vista modelador, a distribuição uniforme não é tão

relevante. Entretanto, do ponto de vista da simulação
computacional, tem seu valor, significantemente, reconhecido.
NA’s da distribuição Uniforme são
Usados em diversas aplicações de Monte Carlo;
Empregados em otimização estocástica;
Aplicados em Jogos digitais.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Geração de Números Aleatórios Observações
EXEMPLO
Lancemos uma moeda honesta três vezes e consideremos f (x) tal que
{
1, ocorrer CARA
f (x) =
0, ocorrer COROA
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
EXEMPLO
{
1, ocorrer CARA
f (x) =
0, ocorrer COROA
Pelo Princípio Fundamental da Contagem, o total de resultados é igual

a 8, sendo eles
000 001 010 011 100 101 110 111
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
EXEMPLO
{
1, ocorrer CARA
f (x) =
0, ocorrer COROA
Pelo Princípio Fundamental da Contagem, o total de resultados é igual

a 8, sendo eles
000 001 010 011 100 101 110 111
Cada número acima, pode ser visto como um número binário e,

portanto, conseguimos converto-los para o sistema decimal.
Tomemos 111, então
(111)2 = 1 × 22 + 1 × 21 + 1 × 20 = (7)10
Donde, conseguimos tomar a sequência de números aleatórios
0, 1/7, 2/7, 3/7, 4/7, . . . , 1 . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Agora, consideremos o lançamento da moeda efetuado 10 vezes. Como

a moeda é honesta, então segue que a probabilidade de cada sequência
binária distinta ocorra é 1/210 = 1/1024.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .

Por intuição, dizemos que a sequência
1111111111
aparenta ser menos aleatória em relação, quando tomamos
1010101010
que, de maneira análoga, aparenta ser menos aleatória do que a sequência
0110111001
Algo que é um absurdo, pois todas as sequências têm a mesma probabi-

lidade de ocorrência.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .

Por intuição, dizemos que a sequência
1111111111
aparenta ser menos aleatória em relação, quando tomamos
1010101010
que, de maneira análoga, aparenta ser menos aleatória do que a sequência
0110111001
Algo que é um absurdo, pois todas as sequências têm a mesma probabi-

lidade de ocorrência.
Desta maneira, a noção de aleatoriedade está ligada com a
dificuldade de descrever algo em palavras.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Tendo em vista o exemplo anterior, quando tratamos de Números Alea-

tórios (NA) há dois tipos principais envolvidos
NA reais
são gerados por dispositivos via processos físicos, tais como
Globo de sorteio da Mega-Sena;
Lançamentos de Moedas (igual ao do exemplo) e Dados;
Roletas de cassino.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Tendo em vista o exemplo anterior, quando tratamos de Números Alea-

tórios (NA) há dois tipos principais envolvidos
NA reais
são gerados por dispositivos via processos físicos, tais como
Globo de sorteio da Mega-Sena;
Lançamentos de Moedas (igual ao do exemplo) e Dados;
Roletas de cassino.
Números Pseudo-Aleatórios reais
são gerados por programas de computador, isto é, por algoritmos.
podem ser gerados com Python, R, MATLAB, JavaScipt, Excel,
etc.
não são, de fato, aleatórios, pois dado o algoritmo, é possível
efetuar a previsão dos números.
do ponto de vista estatístico, são imprevisíveis e, ocasionalmente,
têm propriedades interessantes para aplicações Estatísticas.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Alguns Métodos para GNA’s
Gerador Congruente Linear
É o algoritmo mais conhecido/popular para geração de números

pseudo-aleatórios no campo da simulação computacional.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .

É definido através de seguinte equação de recorrência
Xi = (aXi−1 + c) (mod m)
i = 1, 2, · · ·;
X0 é denominado por SEMENTE do gerador;
os valores a, c, X0 são convenientemente escolhidos.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .

i = 1, 2, · · ·;
Note que, neste método, há geração de m números, donde,
0 ⩽ Xi ⩽ m − 1.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .

i = 1, 2, · · ·;
Note que, neste método, há geração de m números, donde,
0 ⩽ Xi ⩽ m − 1.
Observação
Se c = 0, o método é denominado por Congruencial Multiplicativo.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
EXEMPLO
Considerando o Método Congruencial Linear, tome a = 3, c = 0 e
X0 = 4, m = 5. Daí,
Xi = (3 × Xi−1 + 0) (mod 5)
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
EXEMPLO
X0 = 4, m = 5. Daí,
Xi = (3 × Xi−1 + 0) (mod 5)
Logo encontraremos os seguintes valores

X0 = 4;
X1 = 12 (mod 5) = 2;
X2 = 6 (mod 5) = 1;
X3 = 1 (mod 5) = 3;
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
EXEMPLO
X0 = 4, m = 5. Daí,
Xi = (3 × Xi−1 + 0) (mod 5)
Logo encontraremos os seguintes valores

X0 = 4;
X1 = 12 (mod 5) = 2;
X2 = 6 (mod 5) = 1;
X3 = 1 (mod 5) = 3;
Observação
Para n = 10 resultados, encontraremos a seguinte sequência de
números
4213421342
Daí, observamos que há uma repetição da sequência 4 2 1 3, que por
sua vez, denominaremos de PERÍODO do gerador. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Um teorema importante para o Método Congruencial Linear é dito a

seguir
Teorema
O método congruencial linear tem período máximo se, e somente se,
(a) c e m forem primos entre si;
(b) a ≡ 1 (mod p) para todo divisor primo p de m;
(c) a ≡ 1 (mod 4) se 4 for um dividor de m.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Um teorema importante para o Método Congruencial Linear é dito a

seguir
Teorema
O método congruencial linear tem período máximo se, e somente se,
(a) c e m forem primos entre si;
(b) a ≡ 1 (mod p) para todo divisor primo p de m;
(c) a ≡ 1 (mod 4) se 4 for um dividor de m.
Observação
Em geral, tomamos m como sendo o maior número inteiro positivo do
computador..
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Gerador de Mersenne Twister
É, de longe, o algoritmo mais utilizado quando se trata da geração

de números pseudo-aleatórios;
Foi desenvolvido em 1997 por Makoto Matsumoto e Takuji
Naishimura.
O nome é devido o fato do longo período do gerador, que é
escolhido como o número primo de Marsenne, isto é, um número
da forma Mp = 2p − 1 tal que p ∈ P = conj. dos números primos.
Nos algoritmos mais utilizados, tem-se que M19937 = 219937 − 1 e,
notemos que, tal gerador possui um período suficientemente
grande.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Método de Monte Carlo
Também conhecido por Simulação de Monte Carlo, é uma série

de cálculos de probabilidades que estimam a chance de um evento
futuro acontecer. Assim, são feitas diversas simulações para
calcular probabilidades de um “ganho” ou “perda”.
Para tais simulações, utiliza-se amostra aleatória simples para
modelar os caminhos que variáveis aleatórias possam tomar.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .

Acontece que, às vezes, é muito mais prático efetuar simulações
aleatórias diversas vezes para avaliar os resultados, do que traçar
uma solução analítica.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .

Acontece que, às vezes, é muito mais prático efetuar simulações
aleatórias diversas vezes para avaliar os resultados, do que traçar
uma solução analítica. E devido a Lei dos Grandes Números,
conforme o número de amostras aumentam, as observações se
aproximarão da solução teórica.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
TEOREMA – Lei dos Grandes Números

Consideremos X uma V.A. que representa o valor numérico de um
experimento aleatório e seja X1 , X2 , · · · , Xn uma amostra aleatória de
X de tamanho n suficientemente grande. A Lei Grande dos Números
afirma que a média aritmética dos n valores observados é
aproximadamente igual à média de X .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Razões para utilizar Monte Carlo
Problemas de natureza complexa, onde nenhuma técnica de

solução é conhecida.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .

solução é conhecida. (ex. quando não é conhecido nenhuma
técnica analítica para resolver uma integral);
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .

solução é conhecida. (ex. quando não é conhecido nenhuma
técnica analítica para resolver uma integral);
Obtenção de uma estimativa inicial em uma técnica iterativa.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
MC primitiva (por simulação direta)
Objetivo calcular o valor da integral

∫ b
θ= g(x)dx
a
Procedimento Geramos X1 , X2 , · · · , Xn uma amostra aleatória de X tal

que X ∼ U(a, b), sendo a função de probabilidade dada por
{
1
, a<x <b
f (x) = b−a
0, caso contrário
Donde a esperança é dada por

∫ b
1
E (g(x)) = g(x)dx =⇒ θ = (b − a)E (g(x))
a b − a
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
E, por fim, diremos que
∑
n
g(xi )
θ̂ = (b − a)g, onde g =
n
i=1
é uma estimativa para o valor da integral θ.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
∑
n
g(xi )
θ̂ = (b − a)g, onde g =
n
i=1

Exemplo
Calcule, utilizando MC Primitiva, o caso em que g(x) = 2x e
(a, b) = (4, 6).
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
∑
n
g(xi )
θ̂ = (b − a)g, onde g =
n
i=1

Exemplo
Calcule, utilizando MC Primitiva, o caso em que g(x) = 2x e
(a, b) = (4, 6).
Sejam os números gerados no intervalo (4, 6) abaixo
i xi g(xi )
1 4,46 8,92
2 5,99 11,98
3 5,01 10,02
4 4,21 8,42
5 4,98 9,96
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Daí, segue que

∑
5
g(xi )
g= = 9, 86
n
i=1
donde, por sua vez
θ̂ = (6 − 4)g = 2 × 9, 98 = 19, 72
Observação
Para aumentarmos a precisão do resultado, é necessário aumentar a
quantidade de números aleatórios gerados.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Um pouco sobre Python
O que é o Python?
Linguagem de programação de alto nível, interpretada, tipagem

dinâmica e entre algumas outras características.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
O que é o Python?
Linguagem de programação de alto nível, interpretada, tipagem

dinâmica e entre algumas outras características.
É open source, isto é, possui licença de uso público. Desta
maneira, possui comunidades que contribuem na
manutenção/atualização da linguagem.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Fonte: Soul Code Academy. . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . .
Quem usa e quais são as principais

aplicações do Python?
Por ser uma linguagem de sintaxe simples e fácil compreensão,
ganhou uma notoriedade e é muito utilizada, além dos
programadores (desenvolvedores de software), por
estatísticos
engenheiros
matemáticos
cientistas de dados
etc
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Quem usa e quais são as principais

aplicações do Python?
Por ser uma linguagem de sintaxe simples e fácil compreensão,
ganhou uma notoriedade e é muito utilizada, além dos
programadores (desenvolvedores de software), por
estatísticos
engenheiros
matemáticos
cientistas de dados
etc
Contém inúmeras bibliotecas (ferramentas semelhantes aos
pacotes que são utilizados no LATEX) tornando bastante útil em
áreas tais quais
desenvolvimento web
análise de dados
machine learning
automação
computação gráfica
. . . . . . . . . . . . . . . . . . . .
inteligência artificial (IA) . . . . . . . . . . . . . . . . . . . .
Um pouco sobre Python Script do Método Congruencial Linear
Congruencial Linear
O Script em Python a seguir é utilizado para gerar números aleatórios.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Congruencial Linear
1 d e f l c g ( Xo , m, a , c , randomNums , noOfRandomNums ) :
2 randomNums [ 0 ] = Xo # I n i t i a l i z e t h e s e e d s t a t e
3 # Traverse to g e n e r a t e r e q u i r e d
4 # n u m b e r s o f random n u m b e r s
5 f o r i i n r a n g e ( 1 , noOfRandomNums ) :
6 # F o l l o w t h e l i n e a r c o n g r u e n t i a l method
7 randomNums [ i ] = ( ( randomNums [ i − 1 ] ∗ a ) +
8 c) % m
9# D r i v e r Code
10 i f __name__ == ’__main__ ’ :
11 Xo = 4 # S e e d v a l u e
12 m = 5 # Modulus p a r a m e t e r
13 a = 3 # M u l t i p l i e r term
14 c = 0 # I n c r e m e n t term
15 noOfRandomNums = 10 # Number o f Random n u m b e r s
16 # t o be g e n e r a t e d
17 randomNums = [ 0 ] ∗ ( noOfRandomNums ) # To s t o r e
18 # random n u m b e r s
19 # Function Call
20 l c g ( Xo , m, a , c , randomNums , noOfRandomNums )
21 # P r i n t t h e g e n e r a t e d random n u m b e r s
22 f o r i i n randomNums :
23 p r i n t ( i , end = " " )
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Congruencial Linear
1 d e f l c g ( Xo , m, a , c , randomNums , noOfRandomNums ) :
2 randomNums [ 0 ] = Xo # I n i t i a l i z e t h e s e e d s t a t e
3 # Traverse to g e n e r a t e r e q u i r e d
4 # n u m b e r s o f random n u m b e r s
5 f o r i i n r a n g e ( 1 , noOfRandomNums ) :
6 # F o l l o w t h e l i n e a r c o n g r u e n t i a l method
7 randomNums [ i ] = ( ( randomNums [ i − 1 ] ∗ a ) +
8 c) % m
9# D r i v e r Code
10 i f __name__ == ’__main__ ’ :
11 Xo = 4 # S e e d v a l u e
12 m = 5 # Modulus p a r a m e t e r
13 a = 3 # M u l t i p l i e r term
14 c = 0 # I n c r e m e n t term
15 noOfRandomNums = 10 # Number o f Random n u m b e r s
16 # t o be g e n e r a t e d
17 randomNums = [ 0 ] ∗ ( noOfRandomNums ) # To s t o r e
18 # random n u m b e r s
19 # Function Call
20 l c g ( Xo , m, a , c , randomNums , noOfRandomNums )
21 # P r i n t t h e g e n e r a t e d random n u m b e r s
22 f o r i i n randomNums :
23 p r i n t ( i , end = " " )
Gera os números 4 2 1 3 4 2 1 3 4 2. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
No Script anterior, se tomarmos
X0 = 5, m = 7, a = 3 e c = 3
A sequência gerada será
5416035416
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Aplicações do Método de Monte Carlo Simulação através do Python

Exemplo – Passeio Casual
Consideremos a seguinte situação: "Você joga uma moeda, se cair
cara, você ganha +1 ponto, caso contrário, isto é, caia coroa, você
ganha −1 ponto. Qual será sua pontuação ao final de (a) 100 jogadas
e (b) 500 jogadas?
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .

e (b) 500 jogadas?
Seja Xi o valor de cada jogada representado no i -ésimo arremesso, com

i ∈ {1, 2, · · · }, ou seja, a variável aleatória é dada por
{
1, se der cara
Xi =
−1 se der coroa
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .

e (b) 500 jogadas?
Seja Xi o valor de cada jogada representado no i -ésimo arremesso, com

i ∈ {1, 2, · · · }, ou seja, a variável aleatória é dada por
{
1, se der cara
Xi =
−1 se der coroa
∑n
Desta forma, Si = S0 + i=1 Xi é a pontuação acumulada do jogador
em questão. Uma vez que Xi , i ∈ {1, 2, · · · } são independentes, observa-
mos que dada pontuação atual do jogador, a sua pontuação na próxima
rodada não depende das anteriores e, portanto, vemos que é uma Cadeia
de Markov, isto é, um Processo estocástico. .
.
.
.
.
. . . . .
. . . .
. . . .
. . . .
. . . .
. . . . .
.
.
.
.
.
.
.
.
.

Assim, vamos utilizar um script em Python para simular uma possível

ocasião após n = 100 e n = 500 rodadas para a pontuação acumulada
do jogador.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Assim, vamos utilizar um script em Python para simular uma possível

ocasião após n = 100 e n = 500 rodadas para a pontuação acumulada
do jogador.
Para tanto, utilizaremos 3 bibliotecas importantes
Numpy – Geração de Números Aleatórios. utiliza o algoritmo de
Mersenne Twister;
Plotly Express – Plotagem de gráficos;
Pandas – Análise de dados.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
1 from numpy . random import default_rng

2 import numpy as np
3 import plotly . express as px
4 import pandas as pd
5
6 coin = pd . DataFrame ([0] , columns =[ ’ Score ’ ])
7 num = 0
8
9 for i in range (100) :
10 num += np . random . choice ([ -1 ,1] , p =[0.5 , 0.5])
11 y = pd . DataFrame ([ num ] , columns =[ ’ Score ’ ])
12 coin = coin . append (y , ignore_index = True )
13
14 fig = px . line ( coin , x = coin . index , y = ’ Score ’)
15 fig . update_layout ( title = ’ 100 Coin Flips Score ’ ,
16 xaxis_title = ’ Flip Number ’)
17 fig . show ()
18
Executar o código no Google Colab para obtermos a resposta para (a)

e (b).
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Outras áreas de aplicação do método Computação Gráfica
Computação Gráfica
Dentro da computação gráfica, o método de Monte Carlo é
amplamente utilizado no processo de Ray-Tracing, donde, até
recebe o nome de Método Ray-Tracing de Monte Carlo
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Tal técnica consiste, de maneira simplificada, em traçar raios de
luz para renderizar uma imagem, ou ainda, os algoritmos de
transporte de luz são designados para simular a propagação da luz
em um espaço com interação de objetos.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
EXEMPLO
Vejamos a seguinte comparação com Ray-Tracing ativado e desativado
em uma renderização de imagens.
Imagem: Ray-Tracing on × off .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
EXEMPLO
Vejamos a seguinte comparação com Ray-Tracing ativado e desativado
em uma renderização de imagens.
Imagem: Ray-Tracing on × off .
EXEMPLO
Vejamos um pequeno trecho do vídeo a seguir:
Video: Ray-Tracing on × off . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Outras áreas de aplicação do método Financias
Financias
A simulação de Monte Carlo em finanças é extremamente útil para

efetuar modelagem de simulação de mercado de opção.
Mercado de opções – “O mercado de opções é aquele formado
pelo conjunto de operações que utilizam derivativos financeiros
para negociar o direito de compra, no caso das calls, ou de venda,
no caso das puts, de determinado ativo por um certo preço em
uma data futura.”
“Vale destacar, ainda, que uma das principais funcionalidades do
mercado de opções é ser capaz de servir como uma espécie de
seguro para investidores. No entanto, muitas pessoas negociam
neste mercado de maneira especulativa, com o objetivo de obter
ganhos extraordinários no curto prazo.”
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Daí, outro ponto que favorece o uso da teoria em Financias, é o

fato que é possível solucionar problemas que não possíveis
analiticamente
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Daí, outro ponto que favorece o uso da teoria em Financias, é o

fato que é possível solucionar problemas que não possíveis
analiticamente
Dentro de Financias, o método de Monte Carlo se mostra
vantajoso para calcular Riscos em Investimentos
Pois simula-se perdas ou ganhos em casos de aumento de inflação,
juros, taxações, desvalorização e mudanças nas políticas
monetárias.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Bibliografia I
[1] De Paula, R. R., Método de Monte Carlo e Aplicações, UFF, 2014

[2] Nasser, R. B., McCloud Service Framework: Arcabouço para
desenvolvimento de serviços baseados na simulalçao de Monte
Carlo na Cloud, MAXWELL, PUC-RIO, 2012
[3] Mayer, F. P., Método de Monte Carlo, UFPR
[4] Morettin, P.A; Bussab, W.O., Estatística Básica - 6. ed. - São
Paulo: Saraiva, 2010
[5] Geek For Geeks Website
[6] Govone, J. S., Notas de Aula – Processos Estocásticos 2021
[7] Harrison, R. L., Introduction To Monte Carlo Simulation, 2010
[8] Simulação de Monte Carlos em Financias
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Bibliografia II
[9] O que é Mercado de Opção?

[10] Júnior, D. P. F., Conceitos e simulação de cadeias de Markov,
UFG
[11] Introduction to Ray Tracing: a Simple Method for Creating 3D
Images
[12] An Overview of the Ray-Tracing Rendering Technique
[13] Global Illumination and Path Tracing
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .

Métodos de Monte Carlo e Aplicações

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Métodos de Monte Carlo e Aplicações

Enviado por

Direitos autorais:

Formatos disponíveis

Método de Monte Carlo e Aplicações

Instituto de Biociências de Botucatu

. . . .... .... .... . . . . .

“Muitas vezes, mesmo construindo um modelo probabilístico, certas ques-

Um pouco sobre o surgimento

Um pouco sobre o surgimento

Figura: John Von Neuman (à esquerda) e Stanislaw

Figura: Cassino de Monte Carlo em Mônaco

Geração de Números Aleatórios

Para qualquer simulação de Monte Carlo é necessário gerar números ale-

Do ponto de vista modelador, a distribuição uniforme não é tão

Pelo Princípio Fundamental da Contagem, o total de resultados é igual

Pelo Princípio Fundamental da Contagem, o total de resultados é igual

Cada número acima, pode ser visto como um número binário e,

Agora, consideremos o lançamento da moeda efetuado 10 vezes. Como

Agora, consideremos o lançamento da moeda efetuado 10 vezes. Como

aparenta ser menos aleatória em relação, quando tomamos

que, de maneira análoga, aparenta ser menos aleatória do que a sequência

Algo que é um absurdo, pois todas as sequências têm a mesma probabi-

Agora, consideremos o lançamento da moeda efetuado 10 vezes. Como

aparenta ser menos aleatória em relação, quando tomamos

que, de maneira análoga, aparenta ser menos aleatória do que a sequência

Algo que é um absurdo, pois todas as sequências têm a mesma probabi-

Tendo em vista o exemplo anterior, quando tratamos de Números Alea-

Tendo em vista o exemplo anterior, quando tratamos de Números Alea-

Gerador Congruente Linear

É o algoritmo mais conhecido/popular para geração de números

Gerador Congruente Linear

É o algoritmo mais conhecido/popular para geração de números

Gerador Congruente Linear

É o algoritmo mais conhecido/popular para geração de números

Gerador Congruente Linear

É o algoritmo mais conhecido/popular para geração de números

Logo encontraremos os seguintes valores

Logo encontraremos os seguintes valores

Um teorema importante para o Método Congruencial Linear é dito a

Um teorema importante para o Método Congruencial Linear é dito a

Gerador de Mersenne Twister

É, de longe, o algoritmo mais utilizado quando se trata da geração

Método de Monte Carlo

Também conhecido por Simulação de Monte Carlo, é uma série

Método de Monte Carlo

Também conhecido por Simulação de Monte Carlo, é uma série

Método de Monte Carlo

Também conhecido por Simulação de Monte Carlo, é uma série

TEOREMA – Lei dos Grandes Números

Razões para utilizar Monte Carlo

Problemas de natureza complexa, onde nenhuma técnica de

Razões para utilizar Monte Carlo

Problemas de natureza complexa, onde nenhuma técnica de

Razões para utilizar Monte Carlo

Problemas de natureza complexa, onde nenhuma técnica de

MC primitiva (por simulação direta)

Objetivo calcular o valor da integral

Procedimento Geramos X1 , X2 , · · · , Xn uma amostra aleatória de X tal

Donde a esperança é dada por

E, por ﬁm, diremos que

é uma estimativa para o valor da integral θ.

E, por ﬁm, diremos que

é uma estimativa para o valor da integral θ.

E, por ﬁm, diremos que

é uma estimativa para o valor da integral θ.

Sejam os números gerados no intervalo (4, 6) abaixo