“FATEC – MOGI DAS CRUZES”

DANIEL SILVA TOO

092208-0

SIMULAÇÃO DE MONTE CARLO

MOGI DAS CRUZES – SP

2010
Resumo

Este trabalho visa explanar o que é, como surgiu e o vínculo da

Tecnologia da Informação (T.I.) com a Simulação de Monte Carlo, devido ao
fato de que esta agrega T.I. à Estatística e, para tanto é abordado definições de
sistemas voltadas a T.I. bem como ao mercado empresarial, história do Método
de Monte Carlo, relação entre a T.I. e a Simulação de Monte Carlo, exemplo de
geração de números pseudo aleatórios utilizando o Microsoft Excel 2007 e
conclusão.

Palavras Chaves: Método de Monte Carlo, Simulação de Monte Carlo e T.I. na

Simulação de Monte Carlo.
Objetivos

Este trabalho tem como objetivo exemplificar à relação entre Estatística

e Tecnologia da Informação por meio da Simulação de Monte Carlo. Para a
devida finalidade de exemplificar a relação entre T.I. e a Simulação de Monte
Carlo será utilizado o Microsoft Excel 2007, software de fácil acesso a todos a
fim de gerar números aleatórios.
1 Introdução

1.1 Simulação: Paradigma Empresarial

“ A simulação é um mecanismo de análise quantitativa muito utilizado

nas empresas para o tratamento de problemas administrativos. Isso decorre da
crescente necessidade de investigações em seus sistemas, buscando a
obtenção de informações sobre os relacionamentos existentes entre as
variáveis que os compõem para prever os futuros desempenhos as novas
condições” (LUSTOSA; PONTE; DOMINAS, 2004 aput OLIVEIRA; BARROS;
REIS, 2008, p. 3).

Segundo LUSTOSA; PONTE; DOMINAS ( 2004, p. 244 aput OLIVEIRA;

BARROS; REIS, 2008, p. 3), “[...] o estudo de um sistema pode ser efetuado
através de observações no sistema real ou utilizando um modelo que o
represente. Em alguns casos, é possível alterar o sistema real e operá-lo sob
as novas condições.”, sendo assim, é possível criar modelos até então
inexistentes com base em uma provável representação da realidade, assim
tornando estes objetos de análises.

“ Assim, a simulação pode representar um fator positivo na tomada de

decisões, uma vez que permite a realização de inferências, por meio de
experimentos, sobre o comportamento dos sistemas. Tal constatação
proporciona à direção a possibilidade de examinar e avaliar diversos planos
muitos antes de acabar projetos importantes. Uma vez determinado o plano
mais conveniente, aquele contém o máximo de vantagens e o mínimo de
desvantagens, pode-se por em prática na situação real ( ESCUDERO, 1973
aput OLIVEIRA; BARROS; REIS, 2008, p. 3).

“A simulação segue uma sequência lógica de etapas para a elaboração

de um modelo: a identificação do problema; a introdução das variáveis
associadas ao problema; a construção do modelo; o teste do modelo; a
realização do experimento ou nos dados imputados; e a decisão do curso de
ação.” ( RENDER; STAIR, 1977 aput OLIVEIRA; BARROS; REIS, 2008, p. 3).
 “ Existem dois tipos de modelos de simulação: o deterministico e o
probabilístico. Nos modelos determinísticos, segundo Reis e Martis ( 2001, p.
58 aput OLIVEIRA; BARROS; REIS, 2008, p. 3), “[...] pressupõe-se que os
dados são obtidos com certeza[...]”, ou seja, não incorpora as probabilidades
de que o valor escolhido para a simulação sofra alterações futuras. Já o
segundo modelo incorpora o comportamento probabilistico no relacionamento
interno do sistema, na tentativa de capturar a natureza da probabilística
envolvida nas variáveis que cercam o sistema, por meio da utilização da
técnica estatística e do uso de computadores. “ ( NASCIMENTO; ZUCCHI,
1997 aput OLIVEIRA; BARROS; REIS, 2008, p. 3).

“ Os modelos de simulação probabilístico tiveram sua origem no método

de Monte Carlo e têm como foco simulações de fenômenos aleatórios,
introduzindo a análise de riscos, incorporando as variáveis ambientais e,
consequentemente, os elementos de incerteza inerente ( NASCIMENTO;
ZUCCHI, 1997 aput OLIVEIRA; BARROS; REIS, 2008, p. 3).

1.2 Simulação: Paradigma Computacional

“ Imitação de um sistema real modelado em computador, no qual serão

executados experimentos para avaliação e melhoria de desempenho daquele
sistema.” ( LAW; KELTON, 1991).

“ Técnica que, auxiliada por uma ferramenta computacional, é usada

para solucionar problemas complexos, onde não seria possível apenas por um
simples modelo matemático.” (BERTRAND; FRANSSO, 2002).

A tabela proposta por Pereira resume os tipos de sistema, modelo e

simulação para facilitar a compreensão do assunto.
 Sistema Modelo Simulação
Discreto: Determinístico: Estocástico: Terminate:

Variáveis envolvidas Estuda o sistema Há interesse em se

Variáveis assumem
assumem valores sem levar em conta estudar o sistema
valores
finitos e infinitos sua variabilidade num dado intervalo
determinados.
numeráveis. com o tempo. de tempo.

Contínuo: Estocástico: Dinâmico: Não Terminante:

Há interesse em
Variáveis assumem
estudar o sistema a
valores diversos
Variáveis mudam Representa o partir de um
segundo uma
constantemente com sistema a qualquer determinado estado
determinada
o tempo. tempo. estável podendo o
distribuição de
estudo prolongar-se
probabilidade.
indefinidamente.

Tabela 1: Classificação de sistema, modelo e simulação ( PEREIRA, 2000 ).

2 Simulação de Monte Carlo

“ A Simulação de Monte Carlo é utilizada na avaliação de fenômenos

que se podem caracterizar por um comportamento probabilístico. Por meio da
geração de números aleatórios, permite resolver uma quantidade grande de
problemas com a simulação de cenários e o posterior cálculo de um valor
esperado. É importante salientar que esse método admite a implantação de
hipóteses adicionais nas previsões”. (OLIVEIRA; BARROS; REIS, 2008, p. 2,
grifo nosso).
3 História do Método de Monte Carlo

“ A origem do Método de Monte Carlo (MMC), deveu-se à revisão de

uma técnica matemática, conhecida desde o século passado, durante o
trabalho secreto dos cientistas envolvidos no projeto “Manhattan” em Los
Alamos, EUA, para o desenvolvimento da bomba atômica dos aliados durante
a segunda guerra mundial. A técnica recebeu o código de “Monte Carlo” e foi,
posteriormente, em 1949, divulgada em um artigo científico intitulado “The
Monte Carlo Method” (Dudewics, 1975).
Explicando com riqueza de detalhes a citação acima pode-se dizer que
em 1946, enquanto se recuperava de uma encefalite, o matemático Stanislaw
Ulam (matemático Polonês, conhecido por projetar a bomba de hidrogênio com
Edward Teller, 1951) jogava paciência e a questão que surgiu naquele
momento foi: “Quais são as chances de que em um solitaire Canfield
estabelecido com 52 cartões saia um sucesso?”. Ele tentou calcular as
probabilidades do jogo usando análise combinatória, mas depois de gastar
bastante tempo fazendo cálculos, percebeu que uma alternativa mais prática
seria simplesmente realizar inúmeras jogadas (por exemplo, cem, ou mil) e
contar quantas vezes cada resultado ocorria.

Sendo matemático, Ulam sabia que técnicas de amostragem estatística

não estavam sendo muito usadas por envolverem cálculos extremamente
demorados, tediosos e sujeitos a erros. Entretanto nessa época ficara pronto o
primeiro computador eletrônico, desenvolvido durante a segunda guerra
mundial, o ENIAC (Electronic Numerical Integrator And Computer), por J.P.
Eckert e J.W. Mauchly na Universidade da Pensilvânia, EUA. Antes dele
usavam-se dispositivos mecânicos para fazer cálculos. A versatilidade e
rapidez do ENIAC, sem precedentes para a época, impressionaram Ulam, que
sugeriu a John Neuman o uso de métodos de amostragem estatística para
solucionar o problema da difusão de nêutrons em material sujeito a fissão
nuclear. A idéia, contudo, era mais velha! Segrè relata: "Eu sei que Fermi tinha
inventado, mas não designado o método de Monte Carlo quando, ainda em
Roma, investigava a moderação de nêutrons. Nada publicou sobre o assunto,
mas usou o método para resolver muitos problemas recorrendo a quaisquer
instrumentos de cálculo disponíveis, em particular uma pequena máquina de
somar mecânica". Curiosamente, em 1947, enquanto o ENIAC esteve
desativado, durante a sua transferência para a Universidade de Aberdeen,
Maryland, Enrico Fermi inventou e construiu com P.King um pequeno
computador analógico para realizar cálculos sobre a difusão de nêutrons.

A contribuição de Ulam foi a de reconhecer o potencial dos

computadores eletrônicos recém inventados para automatizar as amostragens.
Junto com John Von Neuman e Nicholas Metrópolis no “Projeto Manhattan”, na
II Guerra Mundial, desenvolveu algoritmos para a implementação do método.

A abordagem estatística que Stan Ulam sugeriu a John Neumann

permitiu a estimativa da taxa de multiplicação de nêutrons nas armas nucleares
que estavam sendo desenvolvidas na época.

Sintetizado o que foi citado acima, “ O método de Monte Carlo (MC)

surgiu oficialmente no ano de 1949 com o artigo The Monte Carlo Method de
autoria dos matemáticos John Von Neumann e Stanislaw Ulam. Segundo
Ulam, o nome do método foi dado em homenagem a seu tio, que era
frequentador do cassino de Monte Carlo, ao contrário do que poder-se-ia
pensar em função da associação direta à natureza repetitiva e aleatória da
roleta no cassino, por exemplo. Embora o método já fosse conhecido
anteriormente, seu emprego de fato deu-se com o advento das calculadoras e
computadores, uma vez que se trata de um método numérico” ( FERNANDES,
p. 1).
4 GNA – Gerador de Números Aleatórios

Conforme dito acima John Von Neumann foi um personagem decisivo

para o sucesso da Simulação de Monte Carlo, ele foi importante pelo fato de
desenvolver um método de gerar números aleatórios através de um Gerador de
Números Aleatórios (GNA), imprescindível para a Simulação de Monte Carlo.

Um GNA, é uma prescrição algébrica que produz uma sequência de

números ri com distribuição desejada ( em geal uniforme em [0,1] ) dada uma
semente. Geralmente é utilizado um software que deve ser capaz de gerar
valores aleatórios independentes e uniformemente distribuídos.

Esta sequência é deterministica: operação repetida a partir do mesmo

ponto inicial gera a mesma sequência, isto significa que a sequência de
números produzidos é reproduzível, portanto, não aleatória no sentido estrito
do termo.

Estatisticamente falando, a comparação entre um conjunto de valores

gerados em um computador com outro, verdadeirametne aleatório, gerado, por
exemplo, pela natureza, não apresenta diferenças.

A obtenção de grandes sequências de números aleatórios não é, no

entanto, uma tarefa simples. Em 1946, John Von Neumann propôs o primeiro
algoritmo para gerar números “pseudo” aleatórios, chamado “método do meio
dos quadrados”. Sua lógica é a seguinte: consideremos um número inicial
qualquer, entre 0 e 1, com quatro casas decimais. Por exemplo, x0 = 0,3542.
Calculamos x02 = 0,12545764. Formamos, então, o número x1, com as quatro
casas centrais: x1 = 0,5457. Repetindo o procedimento, teremos:

x0 = 0,3542
x02 = 0,12545764 => x1 = 0,5457
x12 = 0,29778849 => x2 = 0,7788
x22 = 0,60652944 => x3 = 0,6529

Há inúmeros algoritmos que visam à geração de números randômicos.

Em computação, cada linguagem de programação tem definida uma função
“pseudo-randômica”, cuja descrição é de código “caixa-preta”, isto é: dada uma
entrada (geralmente chamada de seed = semente) qualquer, o usuário não
sabe que procedimentos serão utilizados pela função para a produção do
resultado. Geralmente são funções de muitas variáveis e uma possibilidade –
entre tantas outras, é a função também considerar, nos seus cálculos, o horário
no relógio interno à CPU, no exato instante em que determinada linha do
programa é executada.

5 Exemplo de Números Aleatórios

Este exemplo foi feito utilizando o Microsoft Excel 2007, através da

função = rand(). Esta função retorna valores entre 0 e 1, para melhor explicar a
tabela também foi feito um gráfico.

Números Aleatórios (NA)

0,343222 0,937613 0,484031 0,073137

0,602862 0,733419 0,700875 0,178664
0,155338 0,930882 0,680759 0,422071
0,538022 0,197305 0,050952 0,460188
0,760442 0,002592 0,595096 0,159005
0,981201 0,331391 0,282034 0,407325
0,69121 0,915148 0,171548 0,237278
0,435305 0,364355 0,052288 0,33353
0,542877 0,89763 0,470354 0,622299
0,960946 0,959271 0,802464 0,866257
0,801415 0,885797 0,340905 0,11565
0,02318 0,792828 0,609433 0,197665
0,440066 0,916502 0,521389 0,118542
0,798411 0,817348 0,716922 0,07323
0,592023 0,536851 0,738537 0,672818
0,090518 0,023289 0,766182 0,558647
0,351453 0,037408 0,083518 0,172208
0,686974 0,705553 0,519327 0,050375

Tabela 2: Números aleatórios gerados no Microsoft Excel 2007.

 1,2
Gráfico dos Números Aleatórios

1
6; 0,981201353 10; 0,960945786
0,959271255
1; 0,937612729
3; 0,930882443 7; 0,915148083
9; 0,897629991 13; 0,916501879
11; 0,885796974
10; 0,866257034
0,8 10; 0,802463656
11; 0,801415442 14; 0,798411328
14; 0,817348317
12; 0,792828209
5; 0,760441781 16; 0,76618238
2; 0,733419112 15; 0,738536937
2; 0,700874678 14; 0,716922444 18; 0,686974114
0,705553047
3; 0,680758931 7; 0,691210238 18;
15; 0,672818195
Eixo Y

0,6 2; 0,6028623 9; 0,622299469 12; 0,609432763

5; 0,595095506 15; 0,592023118
4; 0,538021518 9; 0,542877014 16; 0,558646883
15; 0,53685055718; 0,5193269
13; 0,521389168
1; 0,484030745 9; 0,470354073
4; 0,460188133 13; 0,440066211
3; 0,422071206 6; 0,407324859 8; 0,435304651
0,4
8; 0,364354963 17; 0,351453408
1; 0,34322241 8; 0,333530021 11; 0,340904576
6; 0,331391397
6; 0,282033988
7; 0,237277579
0,2 4; 0,19730456 12; 0,197665023
2; 0,178663779 5; 0,159004568 7; 0,171547979 17; 0,172208391
3; 0,155338416
13; 0,118542417
11; 0,115650007
1; 0,073136944 16; 0,090518445
14; 0,073230105 17; 0,083518463
4; 0,05095219 8; 0,052288008 18;0,037408023
17; 0,050374636
5; 0,002591929 12; 0,023179507 16; 0,023289493
0
0 2 4 6 8 10 12 14 16 18 20
Eixo

Figura 1: Gráfico dos números aleatórios

6 Conclusão

Como pudemos ver simulações são necessários quando queremos

antecipar decisões com base em cenários hipotéticos mais variados e assim
poder tomar a melhor decisão prevista.

A Simulação de Monte Carlo é fruto do Método de Monte Carlo que foi

descoberto a muito tempo, mas sua efetiva utilização deu-se durante o Projeto
Manhatan, para calcular a difusão de neutrons, método este que somente fora
revelada em 1949 em um artigo. O uso deste método foi proposto por
Stanislaw Ulam, devido ao lançamento do ENIAC (Electronic Numerical
Integrator And Computer), considerado o primeiro computador.

Ulam instigou John Von Neumann a criar métodos computacionias para

obtenção de números aleatórios criando assim o “método do meio dos
quadrados”, de fato este não gera números realmente aleatórios, pois a
sequência gerada pode ser reproduzido, por tanto os números gerados podem
ser considerados como sendo “pseudo” aleatórios.

Atualmente a Simulação de Monte Carlo é utilizada em diversas áreas

distintas, tais como cálculos aproximados de integrias, sistemas complexos de
autâmato celurar, crescimento de grãos, simulação de análise de risco e
investimento etc.

Em virtude do que foi mencionado pode-se concluir que o Método de

Monte Carlo tornou-se uma excelente ferramenta em diversas áreas do
conhecimento, contudo sua utilização somente foi possível graças ao advento
da informática.
7 Conclusão

Artigos:

Aplicabilidade do Método de Simulação de Monte Carlo na Previsão de Custos

de Produção de Companhias Industriais: O Caso Companhia Vale do Rio
Doce.

Autor(es):

Pedro Henrique Duarte Oliveira, Nara Rosa Barros e Solange Garcia dos Reis

Programa Multiinstitucional e Inter - Regional de Pós – Graduação em Ciências

Contábeis.

O Método de Monte Carlo: Algumas Aplicações na Escola Básica

Autor(es):

Marisa Ortegoza da Cunha

Universidade de São Paulo/ Faculdade de Educação

Seminários de Ensino de Matemática ( SEMA_FEUSP)

Slides:

Slides de Administração Financeira II

Simulação de Monte Carlo e Crystall Ball

IEPG – Instituto de Engenharia de Produção e Gestão – UNIFEI

Slides do Artigo Métodos de Monte Carlo e de Otimização.

Autor(es):

Tereza Mendes

IFSC USP - 2003

Sites:

http://www.pmt.usp.br/paulob/montecarlo/grao/default.htm acessado em
17/04/2010.

http://pt.wikipedia.org/wiki/Pi acessado em 17/04/2010.

http://pt.wikipedia.org/wiki/Agulha_de_Buffon acessado em 17/04/2010.

http://www.dartmouth.edu/~rc/classes/soft_dev/C_simple_ex.html acessado em
17/04/2010.