O método de Monte Carlo neste gráfico
Um método de Monte Carlo estima um número fixo por amostragem aleatória. Aqui trata-se de uma área: lançam-se pontos uniforme e aleatoriamente no quadrado unitário, caem numa região e estima a sua área . O quarto de círculo tem área , pelo que estima . A região sob transforma um integral sem primitiva elementar no mesmo tipo de contagem. O gráfico inferior acompanha a estimativa à medida que cresce até um milhão, com o intervalo no qual se espera que caia em 95% das repetições.
Por que estima a proporção a área?
Um ponto distribuído uniformemente num quadrado de área 1 cai numa região com probabilidade igual à sua área. Cada ponto é um ensaio independente com essa probabilidade. Pela lei dos grandes números, a proporção de acertos aproxima-se de . A forma da região é indiferente, desde que se possa determinar se um ponto lhe pertence.
Que precisão se consegue?
O número de acertos segue uma distribuição binomial, pelo que a proporção tem desvio-padrão . O erro típico diminui segundo : multiplicar o número de pontos por dez reduz o erro por um fator de cerca de . Para o reduzir a um décimo são precisos cerca de cem vezes mais pontos. Com um milhão, a margem para π ainda é de cerca de ±0.003. Não é necessário conhecer a área verdadeira para avaliar esta incerteza. Substituir pela proporção observada dá a margem de um intervalo de confiança aproximado a 95%, usado aqui quando há pelo menos dez acertos e dez pontos fora do alvo. Se repetíssemos muitas vezes a experiência com o mesmo , cerca de um intervalo em vinte deixaria de fora o valor verdadeiro. A faixa azul no gráfico inferior representa o intervalo em torno do valor verdadeiro para cada em separado. A trajetória completa não tem de permanecer dentro dela, e numa só experiência os pontos adicionais podem até afastar temporariamente a estimativa do valor verdadeiro. É a margem que se estreita de forma previsível.
Quando compensa?
Para uma função suave de uma variável, uma regra determinista como a de Simpson (ver integração numérica) é muito mais precisa para o mesmo número de avaliações. A vantagem de Monte Carlo é que o expoente na sua taxa de convergência não muda com a dimensão. Em contrapartida, uma grelha com pontos por lado requer pontos em dimensões. Em dimensão elevada, Monte Carlo pode por isso ser a melhor opção. Com alvos pequenos vê-se a sua limitação: o erro-padrão relativo à área é . Uma região que ocupe um centésimo do quadrado exige muito mais pontos para a mesma precisão relativa.
Aspetos a observar
- Os pontos aleatórios não ficam regularmente espaçados: com algumas centenas, é normal ver grupos de pontos e zonas vazias.
- Os pontos provêm de um gerador pseudoaleatório com semente numérica, pelo que uma ligação partilhada reproduz os mesmos pontos. Ao atingir um milhão, «Lançar pontos» recomeça com a semente seguinte.