Calculadora de Simulação de Monte Carlo
Estime probabilidades, áreas, valores esperados e integrais com amostragem aleatória com semente.
Edite os valores informados e selecione Executar simulação para atualizar os resultados.
Estimativa
▼ Veja explicações e dicas abaixo ▼
Calculadoras relacionadas
O que é simulação de Monte Carlo?
A simulação de Monte Carlo é uma forma de estimar uma resposta usando tentativas aleatórias repetidas. Em vez de resolver diretamente uma probabilidade, uma integral ou uma constante, você cria muitas amostras aleatórias, calcula um resultado simples para cada amostra e faz a média dos resultados.
O nome está associado a jogos de azar porque o método usa aleatoriedade, mas o objetivo não é apostar. O objetivo é fazer uma estimativa numérica. Os métodos de Monte Carlo são úteis quando um problema pode ser descrito como uma média, uma probabilidade ou um valor esperado, especialmente quando uma fórmula exata é difícil, não está disponível ou é difícil de visualizar.
Um exemplo simples é estimar o valor de \(\pi\). Imagine lançar pontos aleatórios em um quadrado que circunda um círculo. Alguns pontos caem dentro do círculo e outros ficam fora. Como a área do círculo está relacionada a \(\pi\), a fração de pontos que cai dentro do círculo pode ser usada para estimar \(\pi\). Com poucos pontos, a estimativa pode ser imprecisa. Com muitos pontos, ela tende a se aproximar do valor exato.
Esta calculadora usa a simulação de Monte Carlo em quatro cenários integrados para aprendizagem:
- Estimativa de \(\pi\) a partir de pontos aleatórios em um quadrado.
- Estimativa de \(P(X + Y \le 1)\) para dois valores aleatórios uniformes.
- Estimativa de \(P(Z \le z)\) para um valor aleatório normal padrão.
- Estimativa de \(\int_0^1 x^p\,dx\) calculando a média de valores amostrados de \(x^p\).
Cada cenário tem uma referência conhecida, então a simulação é útil para observar como as estimativas aleatórias convergem e como o erro de Monte Carlo se comporta. A referência da CDF normal é numérica; as outras são exatas.
Por que a simulação de Monte Carlo é importante
A simulação de Monte Carlo conecta probabilidade, estatística e computação. Ela permite aproximar respostas por amostragem, em vez de usar apenas álgebra simbólica.
Isso é importante porque muitos problemas reais são complexos demais para uma solução fechada simples. Em finanças, engenharia, física, estatística, computação gráfica, pesquisa operacional e aprendizado de máquina, é comum precisar estimar um resultado médio ou uma probabilidade sob incerteza. Os métodos de Monte Carlo oferecem uma estrutura prática para isso.
Para a aprendizagem, a simulação de Monte Carlo é especialmente valiosa porque torna ideias abstratas visíveis. Você pode observar que:
- As estimativas aleatórias geralmente não são iguais ao valor exato depois de uma única execução.
- Mais tentativas geralmente reduzem o erro aleatório.
- Sementes aleatórias diferentes produzem trajetórias de amostra diferentes.
- A estimativa pode ficar acima e abaixo do valor exato antes de se estabilizar.
- O erro padrão dá uma noção aproximada da escala do ruído esperado da simulação.
A simulação de Monte Carlo não é mágica. Ela troca exatidão por amostragem repetida. Sua força é a flexibilidade; seu custo é o erro aleatório.
Termos importantes
- Tentativa: um experimento aleatório simulado, como um ponto aleatório ou um valor normal aleatório.
- Estimativa: a aproximação simulada obtida após calcular a média dos resultados das tentativas.
- Valor-alvo: a referência usada para verificar a simulação. O alvo da CDF normal é uma referência numérica de alta precisão; os outros alvos integrados são exatos.
- Erro: a estimativa menos o valor exato.
- Variável indicadora: uma variável que é igual a \(1\) quando um evento acontece e a \(0\) caso contrário.
- Taxa de acertos: a fração de tentativas em que um evento acontece, como nos pontos dentro de um círculo.
- Erro padrão de Monte Carlo: uma estimativa do erro de amostragem aleatória presente na estimativa de Monte Carlo.
- Intervalo de Monte Carlo de 95%: um intervalo de Wilson para cenários de taxa de acertos ou um intervalo t de Student para médias com variância finita.
- Semente: um número inteiro de (0) a (2^{32}-1) usado para inicializar o gerador de números pseudoaleatórios xoshiro128**. As mesmas configurações e a mesma semente repetem a mesma simulação.
- Transformação de Box-Muller: um método para gerar valores aleatórios normais padrão a partir de valores aleatórios uniformes.
- Convergência: a tendência de a estimativa se aproximar do alvo à medida que o número de tentativas aumenta.
Como funciona a simulação de Monte Carlo
A ideia básica é transformar a quantidade desejada em uma média. Suponha que cada tentativa aleatória produza um valor \(Y_i\). Depois de \(n\) tentativas, a estimativa de Monte Carlo é a média amostral:
$$
\hat{\mu} = \frac{1}{n}\sum_{i=1}^{n}Y_i
$$
Onde:
- \(\hat{\mu}\) é a estimativa de Monte Carlo.
- \(n\) é o número de tentativas.
- \(Y_i\) é o resultado simulado da tentativa \(i\).
Algumas estimativas também usam um fator de escala. Por exemplo, a estimativa de área \(\pi\) calcula a média de uma variável indicadora de acerto e depois multiplica por \(4\):
$$
\hat{\theta} = c \times \frac{1}{n}\sum_{i=1}^{n}Y_i
$$
Onde \(c\) é o fator de escala. No cenário \(\pi\), \(c = 4\). Nos outros cenários integrados, o fator de escala é \(1\).
Por que a estimativa converge
A simulação de Monte Carlo é sustentada pela lei dos grandes números. Quando as tentativas são geradas a partir da distribuição pretendida e a média estimada se comporta adequadamente, a média amostral tende a se aproximar da média verdadeira à medida que \(n\) cresce.
O teorema central do limite explica por que muitas médias de Monte Carlo têm um erro aproximadamente normal para valores grandes de \(n\). Em termos práticos, é por isso que o erro costuma diminuir aproximadamente nesta taxa:
$$
\text{typical Monte Carlo error} \propto \frac{1}{\sqrt{n}}
$$
Essa taxa é importante. Isso significa que aumentar o número de tentativas ajuda, mas com retornos decrescentes. Para reduzir o erro de Monte Carlo aproximadamente pela metade, normalmente são necessárias cerca de quatro vezes mais tentativas.
Erro padrão e faixa de Monte Carlo de 95%
Para uma estimativa baseada em média, o erro padrão simulado é normalmente estimado como:
$$
\widehat{\operatorname{SE}}(\hat{\mu}) = \frac{s}{\sqrt{n}}
$$
Onde \(s\) é o desvio padrão amostral dos resultados simulados das tentativas.
Para uma probabilidade de evento estimada por uma taxa de acertos, o erro padrão estimado costuma ser escrito como:
$$
\widehat{\operatorname{SE}}(\hat{p}) = \sqrt{\frac{\hat{p}(1-\hat{p})}{n}}
$$
Onde \(\hat{p}\) é a proporção simulada de acertos.
Para cenários baseados em média com variância finita, a calculadora usa um intervalo t de Student:
$$
\hat{\theta} \pm t_{0.975,n-1} \times \widehat{\operatorname{SE}}(\hat{\theta})
$$
Para probabilidades de eventos, a calculadora usa um intervalo de escore de Wilson, que continua informativo mesmo quando todas as tentativas são acertos ou todas são erros. Esses intervalos descrevem o ruído da simulação, não toda a incerteza possível em um modelo do mundo real. Para \(-0.99 \le p \le -0.5\), a integral existe, mas os resultados simulados têm variância infinita; por isso, a calculadora informa a estimativa com um aviso e não informa um erro padrão comum nem um intervalo de 95%.
Exemplos de simulação de Monte Carlo na prática
Exemplo 1: estimando \(\pi\) com pontos aleatórios
No cenário \(\pi\), pontos aleatórios são amostrados dentro de um quadrado, de \(-1\) a \(1\) nos dois eixos. Um ponto é contado como acerto se cair dentro do círculo unitário:
$$
x^2 + y^2 \le 1
$$
O quadrado tem área \(4\), e o círculo unitário tem área \(\pi\). Portanto, a probabilidade de um ponto amostrado uniformemente no quadrado cair dentro do círculo é \(\frac{\pi}{4}\). Assim, a estimativa é:
$$
\hat{\pi} = 4 \times \frac{\text{number of hits}}{n}
$$
Por exemplo, se \(7{,}870\) de \(10{,}000\) pontos caírem dentro do círculo, então:
$$
\hat{\pi} = 4 \times \frac{7870}{10000} = 3.148
$$
O resultado é próximo de \(\pi\), mas não é exato porque o padrão dos pontos é aleatório.
Exemplo 2: estimando \(P(X + Y \le 1)\)
No cenário de probabilidade do triângulo, \(X\) e \(Y\) são amostrados uniformemente entre \(0\) e \(1\). Uma tentativa é contada como acerto quando:
$$
X + Y \le 1
$$
Os pontos possíveis preenchem um quadrado unitário. Os pontos que satisfazem \(X + Y \le 1\) formam um triângulo retângulo com área \(\frac{1}{2}\). Isso significa que a probabilidade exata é:
$$
P(X + Y \le 1) = \frac{1}{2}
$$
A estimativa de Monte Carlo é simplesmente a taxa de acertos:
$$
\widehat{P}(X + Y \le 1) = \frac{\text{number of hits}}{n}
$$
Se \(5{,}030\) de \(10{,}000\) tentativas forem acertos, a estimativa será:
$$
\frac{5030}{10000} = 0.503
$$
Esse valor está ligeiramente acima do valor exato \(0.5\), o que é normal em uma simulação aleatória.
Exemplo 3: estimando uma probabilidade normal
No cenário normal, o objetivo é estimar a probabilidade de uma variável aleatória normal padrão ser menor ou igual a um limite selecionado \(z\):
$$
P(Z \le z)
$$
A função de distribuição acumulada normal padrão é:
$$
\Phi(z) = P(Z \le z) = \int_{-\infty}^{z}\frac{1}{\sqrt{2\pi}}e^{-t^2/2}\,dt
$$
A simulação gera valores normais padrão e conta quantos são menores ou iguais ao limite:
$$
\widehat{P}(Z \le z) = \frac{1}{n}\sum_{i=1}^{n}\mathbf{1}\{Z_i \le z\}
$$
Se o limite for \(z = 1.96\), a probabilidade normal padrão exata será aproximadamente \(0.975\). Uma simulação pode retornar \(0.9738\) ou \(0.9764\), dependendo do número de tentativas e da semente.
Exemplo 4: estimando uma integral
A integração de Monte Carlo estima uma integral reescrevendo-a como uma média. No cenário de integral integrado, \(X\) é amostrado uniformemente de \(0\) a \(1\), e a calculadora calcula a média de \(X^p\).
O valor exato é:
$$
\int_0^1 x^p\,dx = \frac{1}{p+1}, \quad p > -1
$$
Quando \(p = 2\), o valor exato é:
$$
\int_0^1 x^2\,dx = \frac{1}{3} \approx 0.333333
$$
Uma estimativa de Monte Carlo com muitos valores aleatórios de \(x\) pode retornar algo como \(0.3319\) ou \(0.3341\). A média se aproxima de \(\frac{1}{3}\) à medida que o número de tentativas aumenta, mas a flutuação aleatória permanece.
Como interpretar o resultado
O resultado final é a aproximação simulada para o cenário selecionado. É o número produzido pelas tentativas aleatórias após calcular a média e, quando necessário, aplicar um fator de escala.
O valor-alvo ou de referência é a referência integrada para o cenário selecionado. A referência da CDF normal é numérica e de alta precisão; as outras três referências são exatas.
O erro é:
$$
\text{error} = \text{estimate} - \text{target value}
$$
Um erro positivo significa que a simulação terminou acima da referência. Um erro negativo significa que terminou abaixo dela. Um erro pequeno e diferente de zero é esperado porque o resultado vem de uma amostragem aleatória.
O intervalo de Monte Carlo de 95% usa um intervalo de escore de Wilson para taxas de acertos e um intervalo t de Student para médias com variância finita.
$$
\text{estimate} \pm t_{0.975,n-1} \times \text{simulated standard error}
$$
Um intervalo mais estreito geralmente significa menos ruído de simulação. Em geral, ele fica mais estreito quando o número de tentativas aumenta. A calculadora omite esse intervalo para potências integrais de \(-0.99\) a \(-0.5\), nas quais o estimador tem variância infinita.
O gráfico de convergência mostra como a estimativa muda à medida que as tentativas se acumulam. As estimativas iniciais podem oscilar porque cada nova tentativa tem um efeito grande. Mais tarde, as estimativas geralmente mudam mais devagar, porque cada nova tentativa representa apenas uma parte de uma média maior.
A tabela de checkpoints mostra os checkpoints de convergência mais recentes. Ela ajuda a perceber se a estimativa ainda está mudando bruscamente ou se ficou relativamente estável.
Erros comuns e equívocos
Erro 1: esperar que a estimativa seja igual ao valor exato.
Os resultados de Monte Carlo são estimativas aleatórias. Mesmo quando o método funciona corretamente, a estimativa normalmente não coincide perfeitamente com o valor exato.
Erro 2: tratar a faixa de Monte Carlo de 95% como incerteza do mundo real.
A faixa mede o ruído da simulação gerado pelas tentativas aleatórias. Ela não inclui erro de modelagem, erro de medição, suposições incorretas nem incerteza nos dados do mundo real.
Erro 3: usar poucas tentativas.
Uma quantidade pequena de tentativas pode produzir resultados visivelmente ruidosos. Mais tentativas geralmente melhoram a estabilidade, mas a melhoria segue o padrão lento \(\frac{1}{\sqrt{n}}\).
Erro 4: esquecer o fator de escala \(\pi\).
A fração de pontos dentro do círculo estima \(\frac{\pi}{4}\), não o próprio \(\pi\). Multiplicar por \(4\) converte a taxa de acertos em uma estimativa de \(\pi\).
Erro 5: comparar sementes como se uma semente mudasse a resposta exata.
Mudar a semente muda a trajetória aleatória da amostra. Isso não muda o alvo matemático.
Erro 6: inserir contagens fracionárias ou fora do intervalo.
As tentativas e os checkpoints devem ser números inteiros dentro dos limites exibidos para os valores de entrada. Valores inválidos são rejeitados, em vez de serem arredondados ou limitados silenciosamente.
Erro 7: usar uma potência integral que torna a integral inválida.
A integral \(\int_0^1 x^p\,dx\) é finita somente quando \(p > -1\). Para \(-1 < p \le -0.5\), a integral é finita, mas os resultados de Monte Carlo têm variância infinita; portanto, um intervalo convencional baseado no erro padrão não é válido.
Erro 8: presumir que a calculadora aceita qualquer simulação personalizada.
A calculadora foi projetada para quatro cenários educacionais. Ela não aceita distribuições arbitrárias, integrandos personalizados, eventos de probabilidade personalizados nem diferentes níveis de confiança.
Quando usar a simulação de Monte Carlo
Use a simulação de Monte Carlo quando quiser:
- Estimar uma probabilidade simulando repetidamente se um evento acontece.
- Estimar uma média ou um valor esperado a partir de amostras aleatórias.
- Aproximar uma integral amostrando valores de uma função.
- Visualizar a convergência e o erro aleatório.
- Ensinar ou aprender a lei dos grandes números, o erro padrão e a variabilidade da simulação.
- Comparar uma estimativa aleatória com uma referência conhecida.
- Explorar como o número de tentativas afeta a precisão.
Para esses cenários integrados, o melhor uso da calculadora é como ferramenta de aprendizagem. Ela mostra o comportamento das estimativas de Monte Carlo em exemplos controlados nos quais a resposta exata já é conhecida.
Limitações e pontos importantes
As estimativas da simulação de Monte Carlo podem ser úteis, mas devem ser interpretadas com cuidado.
Primeiro, a faixa aproximada de 95% é uma faixa de erro de Monte Carlo. Ela se baseia no erro padrão simulado da execução. Não deve ser interpretada como uma descrição completa da incerteza do mundo real.
Segundo, a quantidade de tentativas é importante. Como o erro de Monte Carlo geralmente diminui como \(\frac{1}{\sqrt{n}}\), melhorar a precisão pode exigir muito mais tentativas do que os iniciantes esperam. Dobrar o número de tentativas não reduz o erro pela metade; normalmente o reduz por um fator de aproximadamente \(\sqrt{2}\).
Terceiro, a semente controla a repetibilidade. Uma semente fixa é útil para ensinar, verificar e comparar configurações porque recria a mesma sequência pseudoaleatória. Ela não deve ser confundida com aleatoriedade física verdadeira.
Quarto, a calculadora usa apenas quatro cenários integrados. Ela não modela distribuições arbitrárias, sistemas do mundo real, fórmulas personalizadas nem intervalos definidos pelo usuário.
Quinto, o cenário normal usa um valor de referência numérico para a distribuição acumulada normal padrão. Ele é adequado para aprendizagem e comparação, mas não deve ser tratado como uma biblioteca estatística especializada de alta precisão.
Sexto, o cenário de integral pode ficar difícil quando a potência se aproxima de \(-1\). A integral é finita para \(p > -1\), mas os valores próximos de zero podem ficar muito grandes quando \(p\) é negativo. Em particular, a média pode ser finita enquanto a variância é muito grande ou não é finita, o que pode tornar lenta a convergência usual de Monte Carlo e menos confiável o erro padrão.
Por fim, os resultados da calculadora não devem ser usados como aconselhamento profissional. Para decisões envolvendo dinheiro, saúde, segurança, obrigações legais, trabalhos de engenharia, publicação científica ou registros oficiais, verifique o método e consulte um profissional qualificado quando necessário.
Como usar esta calculadora
- Escolha um cenário: estimativa de área \(\pi\), probabilidade do triângulo, probabilidade normal até um limite ou integral de \(x^p\) em \([0,1]\).
- Informe o número de tentativas. A calculadora usa uma quantidade inteira de tentativas dentro do intervalo permitido, de \(100\) a \(100000\).
- Informe uma semente se quiser que a simulação possa ser repetida.
- Defina o número de lotes para controlar quantos checkpoints de convergência serão registrados e exibidos no gráfico. O intervalo permitido é de \(20\) a \(120\).
- Se escolher o cenário normal, informe um limite \(z\) de \(-8\) a \(8\).
- Se escolher o cenário de integral, informe uma potência de \(-0.99\) a \(50\).
- Execute a simulação e confira a estimativa final, o valor-alvo ou de referência, o erro, o intervalo de Monte Carlo de 95% quando disponível, o gráfico e a tabela de checkpoints.
- Use a exibição de convergência para ver como a estimativa muda à medida que mais tentativas se acumulam.
Perguntas frequentes
Por que a estimativa muda quando altero a semente?
A semente determina a sequência pseudoaleatória usada na simulação. Uma semente diferente cria uma trajetória de amostra diferente, então a estimativa pode mudar mesmo quando todas as outras entradas permanecem iguais. A referência exata não muda.
Por que aumentar o número de tentativas geralmente melhora o resultado?
Mais tentativas fornecem mais informação para a média. Em condições normais de Monte Carlo, a estimativa tende a se aproximar do valor verdadeiro à medida que o número de tentativas cresce. A melhoria é gradual porque o erro aleatório típico diminui aproximadamente com \(\frac{1}{\sqrt{n}}\).
A faixa aproximada de Monte Carlo de 95% é igual a um intervalo de confiança do mundo real?
Não. A faixa descreve o erro aleatório da simulação para o cenário integrado selecionado. Ela não inclui incerteza de um modelo incorreto, suposições incertas sobre as entradas, erro de medição ou variabilidade do mundo real fora da configuração da simulação.
Por que a estimativa \(\pi\) é multiplicada por \(4\)?
Os pontos aleatórios são amostrados em um quadrado com lado \(2\), então o quadrado tem área \(4\). O círculo unitário dentro dele tem área \(\pi\). A taxa de acertos estima \(\frac{\pi}{4}\); portanto, multiplicar por \(4\) fornece uma estimativa de \(\pi\).
Por que a potência da integral deve ser maior que \(-1\)?
Para o cenário \(\int_0^1 x^p\,dx\), o valor exato é \(\frac{1}{p+1}\) somente quando \(p > -1\). Em \(p = -1\) ou menos, a integral em \([0,1]\) não é finita.
O que significa o valor do erro?
O erro é a estimativa final menos o valor exato. Um erro positivo significa que a estimativa simulada está acima da referência exata, e um erro negativo significa que está abaixo. Como a estimativa é aleatória, um erro pequeno não significa que algo deu errado.
Esta calculadora pode simular minha própria distribuição ou fórmula?
Não. Ela se limita aos quatro cenários integrados: \(\pi\), probabilidade do triângulo, probabilidade normal até um limite e a integral de \(x^p\) em \([0,1]\). Para simulações personalizadas, seria necessário usar uma ferramenta estatística ou de programação mais geral.
Fontes e referências
Livros
- Art B. Owen. Monte Carlo Theory, Methods and Examples. 2013. Seções relevantes: capítulos 1–4, especialmente Monte Carlo simples, estimativa de erros, estimativa de probabilidades, números aleatórios uniformes e números aleatórios não uniformes. https://artowen.su.domains/mc/
- Christian P. Robert and George Casella. Monte Carlo Statistical Methods. 2ª ed., Springer, 2004. Seções relevantes: princípios introdutórios de Monte Carlo, técnicas de simulação e geração de variáveis aleatórias. https://link.springer.com/book/10.1007/978-1-4757-4145-2
- Barbara Illowsky and Susan Dean. Introductory Statistics 2e. OpenStax, 2023. Seções relevantes: capítulo 8 sobre intervalos de confiança, proporções populacionais, erros padrão e valores críticos normais. https://openstax.org/books/introductory-statistics-2e/pages/1-introduction
Fontes on-line e oficiais
- NIST/SEMATECH. “Normal Distribution.” e-Handbook of Statistical Methods, acesso em 4 de julho de 2026. https://www.itl.nist.gov/div898/handbook/eda/section3/eda3661.htm
- NIST/SEMATECH. “Cumulative Distribution Function of the Standard Normal Distribution.” e-Handbook of Statistical Methods, acesso em 4 de julho de 2026. https://www.itl.nist.gov/div898/handbook/eda/section3/eda3671.htm
- G. E. P. Box and Mervin E. Muller. “A Note on the Generation of Random Normal Deviates.” The Annals of Mathematical Statistics, 29(2), 1958, p. 610–611. https://projecteuclid.org/journals/annals-of-mathematical-statistics/volume-29/issue-2/A-Note-on-the-Generation-of-Random-Normal-Deviates/10.1214/aoms/1177706645.short