Estatística

Simulação de Monte Carlo: achar o valor de pi com sorteios

Capa do artigo Simulação de Monte Carlo: achar o valor de pi com sorteios
Leitura com foco

Entenda o contexto.
Leve para a prática.

Neste artigo
  1. Como funciona uma simulação de Monte Carlo?
  2. Exemplo: qual a chance de dois dados somarem 7?
  3. Quantas repetições são necessárias?
  4. Como estimar o valor de pi com sorteios?
  5. Aí você pergunta: se existe fórmula, por que simular?
  6. Como fica em PHP e em C?
  7. De onde vem o nome Monte Carlo?
  8. Quais são os erros mais comuns em simulações?
  9. Agora é com você!

Simulação de Monte Carlo é um método que usa sorteios, repetidos milhares de vezes, para estimar um resultado que seria difícil de calcular por fórmula. Em vez de resolver a conta, você repete o experimento no computador e observa com que frequência cada coisa acontece.

No artigo sobre números aleatórios e semente, você aprendeu a sortear e a repetir o mesmo sorteio. Agora vem o uso mais valioso disso. Daqui para frente, os artigos de estatística desta jornada apresentam uma fórmula e, logo depois, conferem a fórmula com uma simulação de 10.000 repetições. É o método de Monte Carlo trabalhando. E ele tem uma história curiosa: nasceu dentro de um laboratório de pesquisa nuclear e ganhou o nome de um cassino.

Quer saber se uma moeda é honesta? Você não precisa estudar o metal nem o formato. Joga a moeda mil vezes e conta as caras. Se saíram perto de 500, tudo certo. Se saíram 800, tem coisa errada. Monte Carlo é isso, com o computador jogando a moeda por você.

Como funciona uma simulação de Monte Carlo?

Em quatro passos:

  • Descreva o experimento. O que acontece em uma rodada? Por exemplo: lançar dois dados.
  • Sorteie. Use números aleatórios para fazer uma rodada.
  • Repita. Milhares de vezes, anotando o que aconteceu em cada uma.
  • Conte. A proporção de rodadas em que o evento aconteceu é a estimativa da probabilidade.

Exemplo: qual a chance de dois dados somarem 7?

Esse caso tem resposta exata, o que é ótimo para testar o método. Das 36 combinações possíveis de dois dados, 6 somam 7. A probabilidade é 6 ÷ 36, cerca de 0,1667. Agora a simulação:

import random

random.seed(42)

repeticoes = 10000
sucessos = 0

for _ in range(repeticoes):
    dado1 = random.randint(1, 6)
    dado2 = random.randint(1, 6)
    if dado1 + dado2 == 7:
        sucessos += 1

print(sucessos)
print(sucessos / repeticoes)
print(6 / 36)

Saída:

1704
0.1704
0.16666666666666666

Em 10.000 rodadas, a soma 7 saiu 1.704 vezes. A estimativa, 0,1704, ficou a menos de meio ponto percentual do valor exato. E em nenhum momento o programa precisou saber que existem 36 combinações. Sacou a ideia? A simulação chega perto da resposta só de observar.

Quantas repetições são necessárias?

Quanto mais, melhor. Mas com um detalhe importante sobre o ritmo. Este programa mostra a estimativa em cinco momentos, de 100 a 1 milhão de repetições:

import random

random.seed(42)

sucessos = 0
for repeticao in range(1, 1000001):
    if random.randint(1, 6) + random.randint(1, 6) == 7:
        sucessos += 1
    if repeticao in (100, 1000, 10000, 100000, 1000000):
        estimativa = sucessos / repeticao
        print(repeticao, round(estimativa, 4), round(abs(estimativa - 1 / 6), 4))

Saída:

100 0.24 0.0733
1000 0.16 0.0067
10000 0.1704 0.0037
100000 0.1646 0.0021
1000000 0.1663 0.0004
RepetiçõesEstimativaDistância do valor exato
1000,24000,0733
1.0000,16000,0067
10.0000,17040,0037
100.0000,16460,0021
1.000.0000,16630,0004
A estimativa da soma 7 se aproxima de 0,1667 conforme as repetições aumentam.
Gráfico de linha da estimativa da chance de soma 7 com dois dados, de 10 a 10.000 repetições, aproximando-se de 0,1667
A estimativa oscila bastante no começo e vai se acomodando perto do valor exato.

Com 100 repetições, a estimativa errou feio. Com 1 milhão, acertou três casas. O resultado matemático por trás disso é a lei dos grandes números, que um material de aula da UFRJ apresenta como a base teórica do método: a média das repetições se aproxima do valor verdadeiro conforme o número de repetições cresce.

Agora o detalhe do ritmo: o erro típico cai com a raiz quadrada do número de repetições. Para ganhar uma casa decimal de precisão, não basta dobrar o trabalho. É preciso multiplicar por 100. O mesmo material comenta que esse ritmo não é dos mais rápidos.

ATENÇÃO: o que diminui é o erro típico, e não cada erro individual. Em outra semente, a estimativa com 10.000 repetições poderia ter ficado mais longe do alvo que a de 1.000. A tendência só aparece no conjunto.

Como estimar o valor de pi com sorteios?

Este é o exemplo clássico. Desenhe um quadrado de lado 1 e, dentro dele, um quarto de círculo de raio 1. A área do quarto de círculo é π ÷ 4. Se você sortear pontos ao acaso dentro do quadrado, a fração que cai dentro do quarto de círculo fica perto de π ÷ 4. Multiplicando por 4, sai uma estimativa de π:

import random

random.seed(42)

pontos = 10000
dentro = 0

for _ in range(pontos):
    x = random.random()
    y = random.random()
    if x * x + y * y <= 1:
        dentro += 1

print(dentro)
print(4 * dentro / pontos)

Saída:

7815
3.126
Quadrado com um quarto de círculo e 203 pontos sorteados: 156 dentro e 47 fora, com a conta que estima pi em 3,07
Os primeiros pontos do programa: com 203 a conta dá 3,07, e com 10.000 melhora para 3,126.

Dos 10.000 pontos, 7.815 caíram dentro. A estimativa foi 3,126, contra o valor real de 3,1416. Ninguém calcula π desse jeito na prática, porque existem métodos muito melhores. Mas o exemplo mostra o alcance da ideia: uma pergunta de geometria respondida com sorteio.

Aí você pergunta: se existe fórmula, por que simular?

Por três motivos. Primeiro, para conferir: se a fórmula e a simulação discordam, uma das duas está errada, e descobrir qual é um ótimo jeito de aprender. Segundo, porque às vezes a conta existe, mas é trabalhosa. Terceiro, porque muitos problemas reais simplesmente não têm fórmula.

Um exemplo do segundo caso. Em uma sala com 23 pessoas, qual a chance de pelo menos duas fazerem aniversário no mesmo dia? A intuição costuma dizer que é pequena. A simulação responde em poucas linhas:

import random

random.seed(42)

repeticoes = 10000
com_coincidencia = 0

for _ in range(repeticoes):
    aniversarios = [random.randint(1, 365) for _ in range(23)]
    if len(set(aniversarios)) < 23:
        com_coincidencia += 1

print(com_coincidencia / repeticoes)

Saída:

0.5128

Mais da metade! O valor exato, calculado pela fórmula, é 0,5073. A simulação chegou a 0,5128 sem que fosse preciso montar a conta. A linha que sorteia os 23 aniversários usa list comprehension.

Como fica em PHP e em C?

O exemplo dos dois dados, em PHP:

<?php

mt_srand(42);

$repeticoes = 10000;
$sucessos = 0;

for ($i = 0; $i < $repeticoes; $i++) {
    if (mt_rand(1, 6) + mt_rand(1, 6) === 7) {
        $sucessos++;
    }
}

echo $sucessos / $repeticoes, "\n";

Saída:

0.1694

E em C:

#include <stdio.h>
#include <stdlib.h>

int main(void)
{
    int repeticoes = 10000;
    int sucessos = 0;

    srand(42);

    for (int i = 0; i < repeticoes; i++) {
        int dado1 = rand() % 6 + 1;
        int dado2 = rand() % 6 + 1;
        if (dado1 + dado2 == 7) {
            sucessos++;
        }
    }

    printf("%.4f\n", (double) sucessos / repeticoes);
    return 0;
}

Saída:

0.1675

Três linguagens, três estimativas: 0,1704, 0,1694 e 0,1675. Todas perto de 0,1667 e nenhuma igual à outra, porque cada linguagem tem o seu gerador de números aleatórios. Foque no conceito, e não na linguagem!

De onde vem o nome Monte Carlo?

De um cassino. O método foi concebido em 1946 pelo matemático Stanislaw Ulam, no laboratório de Los Alamos, nos Estados Unidos, e desenvolvido com John von Neumann e outros colegas para cálculos da pesquisa nuclear. Segundo o relato publicado pelo próprio laboratório, quem batizou o método foi o físico Nick Metropolis. O nome lembrava um tio de Ulam, que pedia dinheiro emprestado à família porque “precisava ir a Monte Carlo”, a cidade dos cassinos.

Quais são os erros mais comuns em simulações?

  • Usar poucas repetições. Com 100 rodadas, o exemplo dos dados errou por mais de 7 pontos percentuais.
  • Tratar a estimativa como valor exato. 0,1704 não é a probabilidade. É uma aproximação dela.
  • Esquecer a semente. Sem ela, você não consegue repetir o resultado nem comparar com o de outra pessoa.
  • Simular o experimento errado. Se a pergunta é sobre dois dados, sortear um número de 2 a 12 não serve: as somas não têm todas a mesma chance.
  • Tirar conclusão de uma rodada só. O valor da simulação muda com a semente. Vale rodar com duas ou três sementes para ver o tamanho da variação.

Agora é com você!

Primeiro no papel. Qual é a chance de sair cara nas duas vezes em dois lançamentos de uma moeda? Liste as combinações possíveis e calcule. Depois, descreva em quatro passos, como os do início do artigo, a simulação que conferiria a sua resposta.

No computador: escreva essa simulação com 10.000 repetições e semente 42. Em seguida, mude a pergunta para uma que você ainda não sabe calcular: qual a chance de a soma de três dados ser 15 ou mais? Tente sozinho, sem pedir a resposta pronta para ninguém, nem para a IA!

Até o próximo artigo!

Confiança Sempre!!!

Fontes:

Compartilhe este artigo

Sobre quem escreve

Walmir Silva

Olá! Sou Walmir, engenheiro de software com MBA em Engenharia de Software e o cérebro por trás do GrowthCode e autor do livro "Além do Código".

Se você acha que programação é apenas sobre escrever código, prepare-se para expandir seus horizontes. Aqui, nós vamos além do código e exploramos as interseções fascinantes entre tecnologia, negócios, artes e filosofia.

Você está em busca de crescimento na carreira? Quer se destacar em um mercado competitivo? Almeja uma vida mais rica em conhecimento e realização? Então você chegou ao lugar certo. No GrowthCode, oferecemos insights profundos, estratégias comprovadas e um toque de sabedoria filosófica para catalisar seu crescimento pessoal e profissional.

Ver todos os artigos →

Continue a conversa

Compartilhe sua perspectiva

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Guardamos o IP e o navegador de quem comenta por 6 meses, para barrar spam e porque o Marco Civil da Internet pede a guarda dos registros de acesso por esse prazo. Veja como tratamos seus dados.

Encontre sua próxima resposta

O que você quer aprender?

Preferências de cookies

Os cookies opcionais começam desligados. Você pode mudar a escolha a qualquer momento por esta tela.

NecessáriosSempre ativos

Guardam a sua escolha de cookies e o código do registro dela, e mantêm o site funcionando. Não são usados para publicidade.

Contam visitas e mostram como o site é usado: Google Analytics e Microsoft Clarity, carregados pelo Google Tag Manager.

Exibem anúncios do Google AdSense sem personalização. Os cookies desta categoria limitam a repetição dos anúncios e medem o resultado deles.

Usa a sua navegação para escolher anúncios e formar públicos de anúncio: anúncios do Google escolhidos pelos seus interesses e os indicadores do Google no Analytics. Desligado, os anúncios aparecem sem personalização. Depende de Publicidade.

Também é possível bloquear cookies nas configurações do navegador. Detalhes na Política de privacidade.