Escolar Documentos
Profissional Documentos
Cultura Documentos
2 Desenvolvimento 1
2.1 Observações . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3 Resultados e discussão 3
4 Conclusão 3
5 Apêndice A 5
5.1 Descrição do código Python . . . . . . . . . . . . . . . . . . . 5
6 Apêndice B 6
6.1 Figuras dos Resultados Apresentados pelo Código Numérico
no Final de cada Execuação . . . . . . . . . . . . . . . . . . . 6
7 Bibliografia 8
1 Introdução
1.1 Método de Monte Carlo para cálculo de integrais
Na estatística o problema mais comum é a integração, como exemplo
podemos citar, encontrar algum parâmetro que descreva uma distribuição de
probabilidade. Geralmente descrever uma função densidade de probabilidade
não é uma tarefa simples. É aí onde o Método de Monte Carlo pode nos
ajudar a solucionar tal problema, com certa precisão. Devemos levar em
conta que essa precisão seja mínima, i.e., que a variância seja mínima.
Um tópico importante no calculo de integrais usado Monte Carlo ,e como
reduzir a variância. Entre as técnicas mas usadas para a redução da vari-
ância, as quais podem depender do modelo matemático e das técnicas de
geração de variável aleatória, podemos citar, Monte Carlo primitivo ou crude
Monte Carlo, Monte Carlo hit or miss (certo ou errado), amostragem por
importância (importance sampling) e variáveis de controle (control variates).
Para mais informações detalhadas sobre os quatros métodos nomeados
acima e outros mais existentes na literatura, se recomenda estudar os textos
[1-4] da bibliografia.
2 Desenvolvimento
Para estimar a integral da função f (x) = e−Ax cos(Bx) no intervalo [0, 1] e
onde o valor de A é 0.670967749 e B é 0.23306751863, existem alguns pontos
em comum para os quatros métodos que serão aplicados.
Para calcular a integral, geramos pontos aleatório, i.e., repetimos o mesmo
experimento muitas vezes. Antes de construir o código numérico, com o
que se fará as simulações, vamos usar a teoria para estimar quantos pontos
aleatórios teremos que gerar para fazer uma boa estimativa da integral.
Fazendo uso da lei fraca dos grandes números (WLLN), o “Teorema do
Limite Central” e a “Desigualdade de Chebyshev” [7, 8], para uma sequência
de variáveis aleatórias distribuídas de forma independente e idêntica com
variância positiva, temos que:
X1 + .....Xn σ2
P (| − µ| ≥ ) ≤ 2 . (1)
n n
1
seja perto do valor exato.
Lembremos que a lei dos grandes números afirma que para o número
total de pontos aleatórios n grande a média empírica é muito próxima do
valor esperado µ com probabilidade muito alta.
Temos como objetivo estimar a integral com uma precisão de = 0.0005
e vamos querer fazer isso com uma probabilidade de sucesso ≥ 0.99. Logo da
expressão (1), já que queremos uma probabilidade de sucesso de 1 − 0.99 ≤
0.01 de que nossa estimativa do numero π tenha uma precisaõ menor que
0.0005, do lado direito da da “Desigualdade de Chebyshev” temos que:
σ2
≤ 0.01. (2)
n(0.0005)2
Modelo Estimativa σ 2 n≥
Crude 0.000125 50000
Hit or Miss 0.001116 446400
Importance Sampling 4e-06 1600
Control Variates 8.8e-05 35000
2.1 Observações
A seguir, algumas observações referente às considerações feitas no pre-
sente informe.
2
• No método “Control Variates” usamos uma função polinômica como
função controle g(x) = ax4 + bx3 + cx2 + dx + e con integral conhecida.
Os valores de a, b, c, d e e são obtidos fazendo um processo recursivo
com o mesmo valor de n para distintos valores dos parâmetros, tal que,
apresente o menor valor de σ 2 . Para este informe foi calculado o valor
de a = 0.01, b = 0.9, c = 0.05, d = −0.01 e e = −0.002.
3 Resultados e discussão
Podemos concluir que para obter uma boa estimativa do valor da integral
depende do valor da variância σ 2 . A partir das nossas experiências numéricas,
observamos que o menor valor de σ 2 foi obtido para o método de “Importance
Sampling”, seguido do método “Control Variates” e “Crude”. Por último fica
o método de "Hit or Miss"que possui um maior custo computacional.
Para calcular nossas estimativas da integral e seu respectivos valores de
σ para cada método, usamos um número de iterações n igual 10000, o toma
2
4 Conclusão
Dos resultados observados podemos concluir que a variância σ 2 diminui
conforme avançamos na complexidade do método. O método “Control Va-
riates” mostra ser, em teoria, o mais acertado, em quanto o método “Hit or
Miss” é o menos acertado.
Tendo em conta o processo de amostras para estimar o valor de σ 2 para
o cálculo de n, o método de “Importance Sampling” se mostra ser o que
tem menos custo computacional, porém uma aumento da amostra, e con-
sequentemente um aumento do tempo de processamento, poderia mostrar
3
que novamente o método “Control Variates” poderia ser o que mostre menor
custo computacional.
Observamos que usar uma variável de control é venéfico para a disminui-
ção do valor da variância σ 2 e assim obter uma estimativa com maior grau
de confiança. O único problema é a condição de que a função de control tem
que ter uma integral conhecida no intervalo estudado.
4
5 Apêndice A
5.1 Descrição do código Python
O código numérico desenvolvido para a presente EP esta constituido da
seguinte forma:
5
6 Apêndice B
6.1 Figuras dos Resultados Apresentados pelo Código
Numérico no Final de cada Execuação
Figura 1: Resultados.
6
7 Bibliografia
1 Sobol, I. M. "Método de Monte Carlo". Moscou: Editorial Mir. 1983.