Geração de Números Aleatórios e Simulação de

O que é um Número Aleatório?

Anexo III Monte Carlo ƒ "Número escolhido ao acaso".
www.somatematica.com.br/dicionarioMatematico/n.php
Páginas 219-226
Este material é disponibilizado para uso
exclusivo de docentes que adotam o livro
ƒ "…que pertence a uma série numérica e não pode ser
Modelagem e Simulação de Eventos previsto a partir dos membros anteriores da série."
Discretos em suas disciplinas. O material
pode (e deve) ser editado pelo professor. pt.wikipedia.org/wiki/Número_aleatório
Pedimos apenas que seja sempre citada a
fonte original de consulta.
ƒ "Aleatório: que depende das circunstâncias, do acaso;
Verifique sempre a atualização deste
material no site casual, fortuito, contingente;
www.livrosimulacao.eng.br
referente a fenômenos físicos para os quais as
Divirta-se!
variáveis tomam valores segundo uma determinada lei
Prof. Afonso C Medina de probabilidade." (Dicionário Houaiss)
Prof. Leonardo Chwif
Versão 0.1 06/04/06
Modificado para uso na EEM (2010)
Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 1 de 28 Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 2 de 28

Geração de Números Aleatórios Pergunta

ƒ Podemos produzir números aleatórios usando: ƒ O ser humano é um bom gerador de
– Dispositivos físicos (ex.: dados, roletas, moedas etc) números aleatórios?
– Tabela de números aleatórios (livros) ƒ Como saber?
– Processos matemáticos 1. Cada estudante deve anotar um número
entre 0 e 9 em um pedaço de papel.
ƒ No Excel: "=ALEATORIO()" gera um número
2. Qual foi o número que mais ocorreu?
aleatório maior ou igual a 0 e menor do que 1.
ƒ Como gerar um número aleatório dentro de
um determinado intervalo [a,b]? 7
Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 3 de 28 Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 4 de 28

Números Aleatórios Curiosidades

ƒ Escavações arqueológicas em Ur descobriram vários jogos
ƒ Características: devem ser de tabuleiro. Um deles datado de cerca de 2.700 A.C. tinha
uniformemente distribuídos pedras para jogar. Há hipóteses de que foram os primeiros
“dados” de jogo.
(todos os valores possuem igual ƒ Os mais antigos dados de seis faces conhecidos vieram do
probabilidade de ocorrência) e Oriente, feitos de barro cozido (cerca de 2.750 AC)
ƒ Ossos (da pata de animais com cascos) parecidos com
estatisticamente independentes. dados foram usados como dispositivo de sorteio
descobertos em sítios arqueológicos muito mais antigos e
foram chamados de astrágalos.
ƒ Muitos outros dispositivos de sorteio que não possuem
forma dos dados convencionais foram encontrados. Por
exemplo, varetas para jogar de dois lados foram
encontradas em Tebas, 3.000 A.C
Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 5 de 28 Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 6 de 28

1
Método do Meio Quadrado Método da Congruência (LCG)
ƒ Von Neumann (1946): ƒ Todos os geradores modernos de números
aleatórios são baseados no cálculo LCG (linear
– n1 = 76 = 5776 762 congruent generator):
– n2 = 77 772 = 5929
x i +1 = (ax i + c ) mod M (Gera valores entre 0 e M-1)
– n3 = 92…
ƒ Seqüência gerada = (76,77,92,46,11,12,14…) – xo é a semente do gerador de números aleatórios;
– “mod” é a função módulo, que retorna o resto da
ƒ Quando o método levar a 0 (degeneração) é divisão inteira. Ex.: 10 mod 6 = 4.
preciso utilizar outra semente.
– O valor de M define o período máximo da geração.
ƒ Gera ciclos (repetição da mesma seqüência de
números) em intervalos muito curtos. ƒ Obtém-se números aleatórios xi
entre 0 e 1 (normalizados) fazendo: ri =
M
Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 7 de 28 Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 8 de 28

Método da Congruência - Exemplo LCG - Valores Mais Utilizados

ƒ Gerando números aleatórios segundo o
gerador LCG, com A = 9, C = 1, M =17 e x0 = 7. a M c Período
75 231 -1 0 231 - 2
n xn y = 9xn + 1 xn+1 = y mod 17 xn+1 /17 1.013.904.22
1.664.525 232 232
0 x0 = 7 64 3
13 13/17 = 0,7647
69.069 232 0 232
1 x1 = 13 118 16 16/17 = 0,9412
6,36414E+18 264 1 264
2 x2 = 16 145 9 0,5294
3 x3 = 9 82 14 0,8235
ƒ Note que os números gerados no computador não são
4 x4 = 14 127 8 0,4706 aleatórios, mas sim, pseudo-aleatórios (Por que?)
Números pseudo-aleatórios entre 0 e 1
Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 9 de 28 Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 10 de 28

Variáveis Aleatórias Contínuas Exemplo - Distribuição Exponencial

ƒ Um dos métodos mais populares para geração de Se a variável aleatória X tem distribuição
valores para variáveis aleatórias contínuas é o da exponencial com média λ:
Transformada Inversa. Dada uma função densidade
de probabilidade f(x) de uma variável aleatória X, o 1,00 F(x)
método pode ser resumido nos seguintes passos Densidade de probabilidade

(Winston, 1997): 1 −
x 0,80

f (x ) = e λ
– Obtenha a função de repartição da variável aleatória, F(x); λ 0,60
1
x
F ( x ) = ∫ f ( x )dx
r
x=− ln(1 − r )
−∞
Probabilidade acumulada 0,40
λ
x
−
– Gere um número aleatório, r, entre 0 e 1;
F (x ) = 1 − e λ
=r 0,20

– Faça F(x) = r e determine qual valor de x corresponde a r. A

0,00
variável x será aleatória, com distribuição dada pela função 0
x
5 10 15 20
densidade de probabilidade f(x).

Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 11 de 28 Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 12 de 28

2
Exemplo – Outras Distribuições Variáveis Aleatórias Discretas
ƒ Uniforme (a,b) ƒ Muitos fenômenos aleatórios podem ser
representados por meio de uma roda de roleta. Um
x−a
r= ⇒ x − a = r (b − a) ⇒ x = r (b − a) + a jogo de um dado, por exemplo, pode ser
b− a representado pela seguinte roleta:

ƒ Normal Reduzida (µ = 0; σ 2 = 1) 1
x = (− 2 ln r1 ) cos(2π r2 )
12 6 2
Exige dois valores aleatórios (r1,r2)

5 3
ƒ Normal (µ,σ) 4
x−µ
y= Sendo x uma variável aleatória com
ƒ Neste caso, temos uma roleta "não viciada", pois a
σ
distribuição normal reduzida
probabilidade de ocorrência de cada valor é igual.

Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 13 de 28 Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 14 de 28

Observação Roda de Roleta

ƒ No caso da geração de variáveis aleatórias ƒ Na maioria dos casos, as probabilidades de
discretas os valores gerados são os valores da ocorrência de cada valor da "roleta" são
abscissa correspondente à ordenada escolhida diferentes. Considere, por exemplo, que a
a partir de um número aleatório r (0 ≤ r ≤ 1) cada mudança de cotação o dólar tem 40% de
na função de repartição. chance de cair, 25% de subir e 35% de
1,00 permanecer estável. Neste caso teríamos a
0,80 seguinte "roleta":
0,60 Função de repartição do Estável
(35%)
F(x)

resultado das jogadas Subir

0,40
(25%)
de um dado
0,20
Cair
-
x (40%)
0 1 2 3 4 5 6

Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 15 de 28 Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 16 de 28

Roda de Roleta - Pergunta “Rodando a Roleta”

ƒ Como simular o comportamento do dólar?
ƒ Se tivermos um número aleatório entre 0 e 1,
podemos dividir as porcentagens em faixas
proporcionais. Neste caso:
Subir (25%) Estável (35%)
ƒ Assim, sendo r um número aleatório
entre 0 e 1, teríamos as seguintes
condições :
– Se 0 ≤ r < 0,25, então "o dólar sobe";
Cair (40%) – Se 0,25 ≤ r <0,60, então "o dólar fica estável";
Número – Se 0,60 ≤ r ≤ 1, então "o dólar cai".
aleatório

0 0,25 0,6 1,0

Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 17 de 28 Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 18 de 28

3
Exemplo em Planilha Simulação de Monte Carlo
ƒ Para cada número aleatório gerado, temos • Chamada por alguns autores de simulação
uma rodada de simulação: estática, utiliza amostragem aleatória para
Rodada No. Aleatório Situação do dólar solução de problemas de natureza estocástica
1 0,34 Estável
2
3
0,63
0,81
Desce
Desce
ou determinística, onde (ao contrário do que
4
5
0,88
0,09
Desce
Sobe acontece na simulação de eventos discretos) o
tempo não é o parâmetro mais importante.
6 0,72 Desce
7 0,58 Estável
8 0,50 Estável
9
10
0,51
0,04
Estável
Sobe • O nome do método faz alusão ao "Cassino
Monte Carlo", devido às suas propriedades
11 0,82 Desce
12 0,55 Estável
13 0,46 Estável
14
15
0,80
0,06
Desce
Sobe
aleatórias.
16 0,53 Estável
17 0,87 Desce
18 0,04 Sobe
19 0,29 Estável
20 0,60 Desce

Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 19 de 28 Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 20 de 28

Monte Carlo - Exemplo Analisando os Resultados

ƒ Um jogador "paga" 5 fichas para participar de um ƒ Como os resultados são aleatórios devemos
jogo de dados, disputando com a banca quem tem a estabelecer um intervalo de confiança (IC)
maior pontuação (valor de face do dado). Em cada
para a média do resultado, com um nível de
rodada, jogador e banca lançam um dado e
consideram a seguinte regra de premiação: significância α. Assim saberemos se
– Se a pontuação do jogador superar a da banca, ele
necessitamos de mais rodadas de simulação.
ganha o dobro da diferença entre seus pontos e os da ƒ No Excel o intervalo de confiança pode ser
banca; em caso contrário, o jogador não ganha nada. calculado pela função:
ƒ Execute 50 rodadas de uma simulação de Monte Carlo
para este "jogo", com dados simulados no Excel. "=INT.CONFIANÇA(Significância, Desvio padrão,
Estime o lucro do jogador. Tamanho da amostra)"
Dica: para simular um jogo de dados no Excel, utilize
"=ARREDONDAR.PARA.CIMA(ALEATÓRIO()*6;0)"
Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 21 de 28 Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 22 de 28

Análise de Resultados - Exemplo Calculando o IC no Excel

ƒ Foi executada uma simulação de Rodada
1
Resultado
50
ƒ Neste caso, calculamos a média do resultado
Monte Carlo com 20 rodadas, 2 50 e, em seguida, calculamos o tamanho do
3 50
obtendo-se os resultados da 4 70 intervalo usando a função INT.CONFIANÇA:
5 70
tabela ao lado; 6 50
7 90
ƒ Estime o resultado médio com 8
9
80
50
um intervalo de confiança de 10
11
60
60
95% (ou seja, com nível de 12
13
90
80
significância = 0,05) 14 80
15 80
16 90
17 90
18 100
19 50
20 50

Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 23 de 28 Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 24 de 28

4
Análise de Resultados - Exemplo
ƒ O tamanho do intervalo de confiança é 7,72.
Como a média da amostra vale 69,5 o intervalo de
confiança do resultado, com 95% de confidência é
[69,5-7,72; 69,5+7,72], ou seja, [61,78; 77,22].
ƒ Lembre-se da interpretação deste resultado: existe
uma probabilidade de 95% de que o intervalo
[61,78; 77,22] contenha a verdadeira média da
população.
ƒ Outro ponto interessante é que, quanto maior for
a confidência (por exemplo, 99%), maior será o
tamanho do intervalo de confiança para um
mesmo número de rodadas.
Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006)
Referências Principais
ƒ Bennet, D. J . Aleatoriedade, Martins Fontes,
2003
ƒ Winston, W. L. Operations Research-
Applications and Algorithms, Duxburry
Press, 1994.
Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006)
Aumentando a Precisão
ƒ Só há uma maneira de obtermos resultados
mais precisos: aumentando o número de
replicações (rodadas). Quanto maior o número
de replicações, menor o tamanho do intervalo
de confiança e, conseqüentemente, maior a
precisão.
ƒ Isto pode ser calculado através de fórmula de
dimensionamento de amostra (Capítulo 6) ou
então por "tentativa e erro", recalculando o
intervalo de confiança a cada vez que
aumentarmos o número de replicações.
Slide 25 de 28 Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 26 de 28
Referências Adicionais
ƒ Gogg, T. J.; Mott, J. R. Improve Quality & Productivity
with Simulation, JMI Consulting, 1996.
ƒ Harrel, C.; Tumay, K. Simulation Made Easy (A
Manager’s Guide), Engineering & Management Press,
1995.
ƒ Pidd, M. Tools for Thinking (Modelling in
Management Science), John Wiley & Sons, 2000.
ƒ Senge, P. A Quinta Disciplina, Ed. Best Seller,1990
ƒ Shimizu, T. Decisão nas Organizações, Ed. Atlas, 2000
ƒ Sterman, J. D. Business Dynamics, McGraw-Hill,2003
ƒ Turban, E. Decision Support Systems and Intelligent
Systems, Prentice Hall, 6a ed., 2000
Slide 27 de 28 Modelagem e Simulação de Eventos Discretos – Chwif e Medina (2006) Slide 28 de 28