Um guia Super Mega Bowl
Alguns problemas são emaranhados demais para resolver com uma fórmula elegante, então, em vez de calcular a resposta, deixamos o acaso encontrá-la. Rode o mesmo experimento aleatório milhares de vezes, observe como os resultados se acumulam e leia a resposta na pilha. Este é o método de Monte Carlo, e ele move desde modelos meteorológicos até Wall Street.
Uma simulação substitui um cálculo difícil por muitas tentativas aleatórias fáceis. Em vez de deduzir as chances exatas de uma situação complicada, você constrói um modelo, alimenta-o com entradas aleatórias e o roda muitas vezes. Cada execução é um resultado possível. Faça execuções suficientes e o conjunto de resultados revela a resposta, junto com o quão provável é cada resultado. O método leva o nome do cassino de Monte Carlo, porque transforma a resolução de problemas em jogos de azar repetidos.
Aqui está o método em miniatura. Imagine um quadrado com um círculo desenhado dentro, tocando os quatro lados. Agora atire dardos ao acaso por todo o quadrado. A fração de dardos que caem dentro do círculo, comparada ao total, coincide com a razão entre a área do círculo e a do quadrado. Um pouco de geometria transforma essa razão numa estimativa de pi. Atire cem dardos e a estimativa é grosseira. Atire um milhão e ela se aproxima de 3,14159. Você nunca fez a geometria difícil diretamente. Você deixou dardos aleatórios medirem por você.
Monte Carlo repousa inteiramente na lei dos grandes números. Qualquer tentativa aleatória isolada é ruidosa e diz pouco, mas a média de muitas tentativas converge para o valor verdadeiro. Mais execuções significam resposta mais precisa, do mesmo jeito que lançar mais moedas fixa melhor a fração de caras. O trade-off é simples: precisão custa execuções, e para reduzir o erro pela metade geralmente é preciso cerca de quatro vezes mais tentativas.
Toda simulação precisa de um fornecimento rápido de números aleatórios, que vem de um gerador pseudoaleatório. O fato de o gerador aceitar semente é uma vantagem real aqui: fixar a semente permite a um pesquisador repetir uma simulação e obter resultados idênticos, para que outros possam conferir o trabalho. Aleatoriedade reprodutível é o que torna uma simulação uma ferramenta científica, e não um palpite isolado.
Toda vez que você lança um lote grande de moedas ou rola um punhado de dados aqui e observa os totais se assentarem, você está rodando uma pequena simulação de Monte Carlo. A ferramenta gera tentativas aleatórias, e a pilha de resultados estima as probabilidades subjacentes, exatamente como fazem os grandes modelos com muito mais execuções.
Rode a sua → Role um lote de dados muitas vezes e veja a distribuição dos totais emergir. Isso é uma simulação de Monte Carlo em miniatura.Simulações trocam um cálculo difícil por muitas tentativas aleatórias fáceis, e depois leem a resposta no modo como os resultados se acumulam. O método de Monte Carlo estima desde pi até risco de mercado, funciona porque as médias convergem com mais execuções e depende de números pseudoaleatórios rápidos e reprodutíveis. Quando um problema é bagunçado demais para uma fórmula, muitas vezes você pode simplesmente deixar o acaso resolvê-lo.