Neste post, a ideia é apresentar o método de Monte Carlo e algumas de suas aplicações de forma prática. Vou mostrar exemplos simples, incluindo scripts em Python, que ilustram como o método funciona na prática. Ao longo do texto, também discuto algumas propriedades matemáticas que dão sustentação ao método — mas, se esse não for o seu foco, você pode tranquilamente pular essa parte e considerar somente os exemplos.
O nome foi popularizado nos anos 1940 por Stanislaw Ulam e John von Neumann, no Projeto Manhattan em Los Alamos. Na época, cálculos de probabilidades e integrais em física nuclear eram considerados intratáveis por métodos analíticos.
Em recuperação de uma cirurgia, Ulam refletiu sobre jogos de paciência: qual a chance de uma partida dar certo? Em vez de derivar uma fórmula, percebeu que poderia simular muitas partidas e estimar a probabilidade pela frequência observada. Nascia a ideia de usar amostragem aleatória para resolver problemas numéricos.
O nome Monte Carlo faz alusão ao cassino de Mônaco — uma metáfora para o uso de “sorteios” controlados. Desde então, o método expandiu-se da física para estatística, finanças, engenharia e IA.
O filme O Matemático retrata parte dessa história e o papel das simulações na ciência moderna.
A ideia central é simples: usar amostragem aleatória para estimar quantidades numéricas difíceis de calcular analiticamente. A sacada é que, com simulações suficientes, a frequência observada (quantas partidas deram certo) se aproxima da probabilidade real. Este princípio, conhecido como a Lei dos Grandes Números, é o que faz o método de Monte Carlo funcionar.
1940s – Projeto Manhattan
Ulam e von Neumann desenvolvem a ideia em Los Alamos.
1946 – Inspiração no jogo de paciência
Ulam imagina simular partidas para estimar probabilidades.
1947 – Nome “Monte Carlo”
Escolhido em referência ao cassino de Mônaco.
1950–1960
Método se espalha para física, estatística e pesquisa operacional.
1970+
Com computadores mais potentes, o método ganhou ampla difusão e passou a ser aplicado em muitas áreas.
Hoje
Aplicações vão de finanças a IA e modelagem científica.
A estratégia de Monte Carlo se baseia em três pilares simples:
Neste documento, preparado pelo Professor Hedibert Lopes, você pode encontrar uma cronologia muito mais detalhada do método, acompanhada de diversas referências bibliográficas. Hedibert, em conjunto com o Professor Dani Gamerman, é autor do livro Markov Chain Monte Carlo: Stochastic Simulation for Bayesian Inference e uma referência internacional em estatística bayesiana.
Considere o quadrado \([0,1]\times[0,1]\) e o quarto de círculo de raio 1 definido por \(x^2+y^2 \le 1\).
A área do quadrado é \(1\).
A área do quarto de círculo é \(\pi r^2 / 4 = \pi/4\), pois \(r=1\).
Assim, a razão entre as áreas é exatamente:
\[ \frac{\text{área do quarto de círculo}}{\text{área do quadrado}} = \frac{\pi}{4} \]
Agora, se lançarmos pontos uniformemente no quadrado, a proporção de pontos que cai dentro do quarto de círculo aproxima essa razão. Multiplicando por 4, obtemos uma estimativa de \(\pi\):
\[ \hat{\pi} = 4 \times \frac{\#\text{dentro}}{\text{n}} \]
Quanto maior o número de pontos \(n\), menor a variabilidade da estimativa. Pela Lei dos Grandes Números, \(\hat{\pi}\) converge para o valor verdadeiro de \(\pi\).
O GIF abaixo mostra esse processo como um jogo de dardos: a cada ponto lançado, verificamos se caiu dentro do quarto de círculo (em vermelho) ou fora (em azul). A cada quadro, a estimativa \(\hat{\pi}\) vai ficando mais estável.
Observe no GIF como a estimativa de \(\pi\) varia bastante no início, mas gradualmente se estabiliza perto do valor verdadeiro de 3.14159… à medida que mais pontos são lançados. Essa é a Lei dos Grandes Números.
O código abaixo implementa essa técnica para a estimativa de \(\pi\).
import random
def estima_pi(n_sim = 100_000, seed = 42):
random.seed(seed)
dentro = 0
for _ in range(n_sim):
x, y = random.random(), random.random()
if x**2 + y**2 <= 1.0:
dentro += 1
return 4.0 * dentro / n_sim
for n in (1000, 10000, 100000):
print(f"n={n:>7} → pi ≈ {estima_pi(n):.6f}")n= 1000 → pi ≈ 3.128000
n= 10000 → pi ≈ 3.126000
n= 100000 → pi ≈ 3.137280O truque de ‘atirar dardos’ para medir uma área é poderoso, mas como aplicamos essa ideia a problemas mais abstratos, como calcular uma integral? A resposta está em reformular o problema em termos de um valor esperado, que podemos estimar com uma média amostral.
Queremos calcular
\[ I = \int_a^b g(x)\,dx. \]
Se gerarmos \(X_1,\dots,X_n \overset{iid}{\sim}\mathrm{Unif}(a,b)\), um estimador natural é
\[ \hat{I}_n = (b - a)\frac{1}{n}\sum_{i=1}^ng(X_i) \]
Esse é o estimador por média simples, também chamado plain Monte Carlo.
Vamos calcular a integral de \(f(x) = e^{-x^2}\) em \([0, 1]\).
import math, random
from statistics import mean, stdev
random.seed(123)
def integral_mc(g, a, b, n=100_000):
xs = [random.uniform(a, b) for _ in range(n)]
gx = [g(x) for x in xs]
Ihat = (b - a) * mean(gx)
# EP por CLT (amostral): (b-a)*sd(f(X))/sqrt(n)
ep = (b - a) * (stdev(gx) / math.sqrt(n))
return Ihat, ep
g = lambda x: math.exp(-x**2)
Ihat, ep = integral_mc(g, 0.0, 1.0, n=100_000)
lo, hi = Ihat - 1.96*ep, Ihat + 1.96*ep
print(f"Î ≈ {Ihat:.6f} EP ≈ {ep:.6f} IC95% ≈ [{lo:.6f}, {hi:.6f}]")Î ≈ 0.746341 EP ≈ 0.000637 IC95% ≈ [0.745093, 0.747588]print(f"Valor verdadeiro ≈ {0.5*math.sqrt(math.pi)*math.erf(1.0):.6f}")Valor verdadeiro ≈ 0.746824
Se \(X \sim \mathrm{Unif}(a,b)\), a densidade é \(f(x) = \tfrac{1}{b-a}\). Logo,
\[ \mathbb{E}[g(X)] = \int_a^bg(x)f(x)\,dx = \frac{1}{(b - a)}\int_a^bg(x)\,dx \]
Portanto,
\[ I = (b - a) \mathbb{E}[g(X)]. \]
A seguir, listamos três propriedades fundamentais que explicam por que esse método funciona:
\[ \begin{align} \mathbb{E}[\hat{I}_n] & = \mathbb{E}\Bigg[(b - a)\frac{1}{n}\sum_{i=1}^ng(X_i) \Bigg] \\ & = \frac{(b - a)}{n}\sum_{i=1}^n\mathbb{E}\big[g(X_i) \big] \\ & = \frac{(b - a)}{n}\sum_{i=1}^n \int_a^bg(x)\frac{1}{(b - a)}\,dx \\ & = \frac{(b - a)}{n}\frac{1}{(b - a)}\sum_{i=1}^n \int_a^bg(x)\,dx \\ & = \frac{(b - a)}{n}\frac{1}{(b - a)}\sum_{i=1}^n I \\ & = \frac{(b - a)}{n}\frac{1}{(b - a)}n I \\ & = I. \\ \end{align} \]
Além disso,
\[ \begin{align} \text{Var}[\hat{I}_n] & = \text{Var}\Bigg[(b - a)\frac{1}{n}\sum_{i=1}^ng(X_i) \Bigg] \\ & = \frac{(b - a)^2}{n^2}\sum_{i=1}^n\text{Var}\big[g(X_i) \big] \\ & = \frac{(b - a)^2}{n^2}n\text{Var}\big[g(X_i) \big] \\ & = \frac{(b - a)^2}{n}\text{Var}\big[g(X_i) \big]. \\ \end{align} \]
Pela Lei dos Grandes Números, \(\hat{I}_n \xrightarrow{q.c.} I\) quando \(n \to \infty\).
Incerteza (Teorema do Limite Central). A partir do que vimos antes, temos que
\[ \sqrt{n}\,(\hat{I}_n - I) \;\;\overset{d}{\longrightarrow}\;\;\mathcal{N}\!\Big(0,\,(b-a)^2 \mathrm{Var}[g(X)]\Big). \]
Ou seja,
\[ \hat{I}_n \approx \mathcal{N}\!\Big(I,\;\frac{(b-a)^2}{n}\,\mathrm{Var}[g(X)]\Big). \]
Portanto, podemos estimar o erro padrão por
\[ \mathrm{EP}(\hat{I}_n) \approx (b-a)\sqrt{\tfrac{\widehat{\mathrm{Var}}[g(X)]}{n}}. \]
Em outras palavras, o TCL nos diz que a distribuição do nosso estimador se aproxima de uma Normal centrada no valor verdadeiro. Essa aproximação Normal é o que nos permite construir intervalos de confiança para \(\hat{I}_n\), quantificando a incerteza da nossa estimativa.
Observação: este é o estimador por média (também chamado plain Monte Carlo). É diferente do “hit-or-miss”, que amostra no retângulo \([a, b] \times [0, M]\) e conta proporções abaixo da curva; o estimador por média costuma ter variância menor e é o padrão para integrais.
💡 Essência do Método de Monte Carlo:
Monte Carlo = transformar problema em valor esperado → gerar amostras → calcular sua média
A Lei dos Grandes Números (LGN) é a garantia de que o método funciona. Ela garante que a média de uma amostra aleatória grande converge para a “média verdadeira” do sistema que investigamos.
Em Monte Carlo, a estratégia é reformular um problema complexo de modo que sua resposta seja uma média teórica (um valor esperado). Em seguida, usamos o computador para gerar muitas amostras aleatórias e simplesmente calcular sua média. A LGN garante que essa média amostral se aproxima do resultado que buscamos.
Veja como essa ideia se relaciona com os nossos dois exemplos:
\[ \underbrace{\frac{\#\text{dentro}}{n}}_{\text{Média Amostral}} \xrightarrow{n \to \infty} \underbrace{\frac{\pi}{4}}_{\text{Média Teórica}} \]
\[ \underbrace{\frac{1}{n}\sum_{i=1}^n g(X_i)}_{\text{Média Amostral}} \xrightarrow{n \to \infty} \underbrace{\mathbb{E}[g(X)]}_{\text{Média Teórica}} \]
Em resumo, o método de Monte Carlo consiste em transformar um problema complexo em um valor esperado, gerar amostras aleatórias e calcular sua média. A Lei dos Grandes Números garante que essa média amostral converge para a média teórica, tornando a estratégia viável.
A história de Monte Carlo revela como uma ideia simples pode ter grande impacto: usar sorteios para resolver cálculos complexos. O que nasceu em jogos de paciência e nos desafios da física nuclear hoje é um dos métodos mais versáteis e aplicados da estatística moderna.