Simulacao de Monte Carlo - Tecnicas de Reducao de Variancia PDF

Universidade de Brasília
Departamento de Engenharia Mecânica

Programa de Pós graduação em Integridade Estrutural
Modelagem de Fenômenos Físicos Utilizando a Técnica de Monte Carlo
Confiabilidade Estrutural
Professor
Jorge Luiz A. Ferreira
•
Métodos de Monte Carlo

Qualquer método de uma classe de métodos estatísticos que se baseiam em
amostragens aleatórias massivas para obter resultados numéricos, isto é,
repetindo sucessivas simulações um elevado número de vezes, para calcular
probabilidades heuristicamente, tal como se, de fato, se registassem os
resultados reais
O termo "Monte Carlo" foi
introduzido por Ulam, Von Neumann
Stanisław Ulam
e Fermi, como um código de guerra
John von Neumann
Antes de vir aqui, eu estava

associado ao projeto de construção confuso sobre este assunto.
Depois de ter escutado sua
da bomba atomica durante a palestra eu ainda estou
confuso. Mas em um nível mais
Segunda Guerra Mundial. elevado. Enrico Fermi
Métodos de Monte Carlo – Etapas do Estudo

Formulação do Problema
– Identificação das Relações Funcionais e do
Comportamento dos Parâmetros.
Estabelecimento dos Objetivos

– Definição do(s) Parâmetros de Interesse,
- Qual o Tipo de Resultado se tem Interesse
(Probabilidades, Distribuição, Medidas Resumo, etc)
Construção do(s) Modelo(s) Lógico(s)-Matemático
Levantamento dos Dados
Construção do Modelo Computacional
Validação do Modelo Computacional
Implementação

Consideremos uma população em que cada elemento é classificado de acordo
com a presença ou ausência de determinada característica. Por exemplo,
podemos pensar em um conjunto de peças que apresentam um determinado
tipo de defeito, trabalhadores classificados de acordo com faixas salariais,
componentes estruturais que falharam ou não, e assim por diante. Em
termos de variável aleatória, essa população é representada por uma v.a. de
Bernoulli, ou seja:
𝟏, 𝒔𝒆 𝒐 𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖𝒐 𝒂𝒏𝒂𝒍𝒊𝒔𝒂𝒅𝒐 𝒑𝒐𝒔𝒔𝒖𝒊 𝒂 𝒄𝒂𝒓𝒂𝒄𝒕𝒆𝒓𝒊𝒔𝒕𝒊𝒄𝒂 𝒅𝒆 𝒊𝒏𝒕𝒆𝒓𝒆𝒔𝒔𝒆

𝑿=ቊ
𝟎, 𝒔𝒆 𝒐 𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖𝒐 𝒂𝒏𝒂𝒍𝒊𝒔𝒂𝒅𝒐 𝒏ã𝒐 𝒑𝒐𝒔𝒔𝒖𝒊 𝒂 𝒄𝒂𝒓𝒂𝒄𝒕𝒆𝒓𝒊𝒔𝒕𝒊𝒄𝒂 𝒅𝒆 𝒊𝒏𝒕𝒆𝒓𝒆𝒔𝒔𝒆

Vamos supor então que sejam extraídos da população os elementos a1, a2, . .
. , an com reposição e associemos a cada elemento a variável aleatória Xi (Xi
= 0 ou Xi = 1). Essas n extrações correspondem a n variáveis aleatórias de
Bernoulli independentes e, como consequência, a soma, Sn, dos Xi termos
terá distribuição binomial com parâmetros n e p.
Como Sn indica o número total de “sucessos” nas n repetições - onde

“sucesso”, neste caso, representa a presença da característica de
interesse. Os valores possíveis de Sn são 0, 1, 2, . . . , n. Com relação à
estimativa da proporção P de elementos na amostra que possuem a
෠ temos que:
característica de interesse, 𝑃,

𝑺𝒏 σ𝒊 𝑿𝒊 𝒏𝒇
෡=
𝑷 = =
𝒏 𝒏 𝒏
onde nf é o número de elementos que tem a característica desejada e n é o
tamanho da amostra. Se este for um estimador não-tendencioso da
probabilidade de falha, i.e., ele converge para a probabilidade de falha
exata quando n → ∞.
෠ é aplicado em uma amostra de

Na pratica, o estimador da proporção, 𝑃,
tamanho finito, e portanto será também uma variável aleatória com
propriedades estatísticas bem definidas. Assim, assumindo que o tamanho
da amostra, n, seja grande, a distribuição amostral de 𝑃෠ é aproximadamente
normal pelo Teor. Central do Limite e as seguintes estatísticas relativas ao
comportamento da proporção, p, são dados sem demonstração:

𝒏
𝟏 𝟐 𝑷 𝟏−𝑷
෡=𝑷
𝑬𝑷 =𝑷 ෡
𝑽𝒂𝒓 𝑷 = ෡
෍ 𝑿𝒊 − 𝑷 =
𝒏−𝟏 𝒏
𝒊=𝟏
A partir desses estimadores, podemos calcular também o coeficiente de

variação, ou seja:
𝑷 𝟏−𝑷
𝒏 𝟏−𝑷 𝟏 𝟏 𝟏
෡ =
𝑪𝑽 𝑷 = = − ≅
𝑷 𝒏𝑷 𝒏𝑷 𝒏 𝒏𝑷
Analisando o comportamento de Var[P] e de CV[P], verifica-se que:

- a incerteza diminui à medida que o número de simulações, n, aumenta,
convergindo a zero com n → ∞.
- a variância de P depende ainda da ordem de grandeza da proporção, ou
seja, Quanto menor a probabilidade de falha, maior o número de
simulações necessárias para se obter uma mesma variância.


Recorrendo ao Teorema Central do Limite, para um tamanho de amostra
grande, é possível considerar a proporção amostral 𝑃෠ como tendo
𝑷 𝟏−𝑷
aproximadamente distribuição normal com média P e variância Desse
𝒏
modo segue que
𝑷 𝟏−𝑷
෡ ~𝑵 𝑷,
𝑷
𝒏
Considerando, assim, o procedimento de montagem do intervalo para a

média, com 100(1 - a)% de confiança, para a estimativa da proporção P será
𝟏−𝑷 𝟏−𝑷
෡ − 𝒛𝜶ൗ
𝑷 ෡ + 𝒛𝜶ൗ
≤𝑷≤𝑷 onde 𝑧𝛼Τ2 é o valor limite da distribuição normal reduzida
𝟐 𝒏𝑷 𝟐 𝒏𝑷 tal que a probabilidade de se obter valores fora do
intervalo 𝑧𝛼Τ2 é igual a a.

Como o método de simulação de Monte Carlo da forma como aplicamos em
análise de confiabilidade é uma técnica amostragem destinada a estima a
proporção falhas (ou não falha) em uma população, todas as características
estatísticas relacionadas ao estimador de P se aplicam aos resultados
obtidos por essa metodologia de análise de confiabilidade.
Tipicamente, as pequenas probabilidades de falha envolvidas relacionadas

aos problemas de confiabilidade estrutural implica na necessidade de
simulação de um número de eventos muito alto para conseguir observar
alguns poucos pontos no domínio de falha.

Bording et al (1964) sugere
que uma boa aproximação para
o número de simulações
necessário para garantir um
nível de confiança de c = (1-a)
para a estimativa da
probabilidade de falha, Pf,
segue a seguinte relação:
−𝑙𝑛 1 − 𝑐
𝑁>
𝑃𝑓

Como consequência, da forma como o método de simulação de Monte Carlo
foi apresentado, o número de simulações necessárias pode se tornar
proibitivamente alto, e/ou a variância dos resultados pode se tornar muito
grande.
A fim de contornar esse problema, foram criados metodologias que

procuram minimizar a variância do processo de simulação. Tais técnicas de
são denominadas de Técnicas de redução de variância.

Métodos de Redução de Variância
• Amostragem por Importância
• Amostragem Estratificada
• Amostragem por Hipercubo Latino


Amostragem por Importância
A amostragem por importância consiste em forçar a seleção de um maior
número de amostras nas partes mais importantes do problema (eventos que
mais contribuem para os parâmetros a serem inferidos), e assim, aumentar
a convergência do método.
Esta “distorção” se faz introduzindo uma nova função distribuição e os

valores devem ser corrigidos por um fator peso para não alterar os
resultados esperados. Ou seja: Os pontos de amostragem (ou pontos
simulados) são gerados a partir de uma função de amostragem hX(x) que os
desloca para o domínio de falha.
poucos valores foram maior parte dos resultados encontra-

gerados nas extremidades se na área de interesse da distribuição
Amostragem simples Amostragem por Importância


Amostragem por Importância - Proposição
Seja q e p duas funções de densidade de probabilidade válidas no domínio W
(W → ℝ ). Se q(x) > 0 e p(x) > 0, então para qualquer função f, é possível
mostrar que :
𝐸𝑝 𝜙 𝑋 = 𝐸𝑞 𝜙 𝑋 𝑤 𝑋
Onde w(X): W → ℝ+ é definida como função de ponderação, tal que:
𝑝 𝑥
𝑤 𝑥 =
𝑞 𝑥

Amostragem por Importância - Proposição
A prova disso é muito simples, basta lembrar da definição de valor
esperado !
𝐸𝑝 𝜙 𝑋 = න 𝜙 𝑥 𝑝 𝑥 𝑑𝑥
Ω
𝑞 𝑥
𝐸𝑝 𝜙 𝑋 =න 𝜙 𝑥 𝑝 𝑥 𝑑𝑥
Ω 𝑞 𝑥
𝑝 𝑥
𝐸𝑝 𝜙 𝑋 =න 𝜙 𝑥 𝑞 𝑥 𝑑𝑥 = න 𝜙 𝑥 𝑤 𝑥 𝑞 𝑥 𝑑𝑥
Ω 𝑞 𝑥 Ω
∴ 𝐸𝑝 𝜙 𝑋 = 𝐸𝑞 𝜙 𝑋 𝑤 𝑋

Amostragem por Importância – Exemplo Função Peso
f(x) = 0,1 x2
Função Peso, w
b

 p ( x )  f ( x) d x  0.02

a
b

 w ( xa b  )  f ( x)  q ( xa b ) d x  0.02

Funções q ≈ U(-1,1) e p ≈ N (0,1) a

f(x) = 0,1 x2
Função Peso, w
b

Funções q ≈ U(-4,1) e p ≈ N (0,1)  w ( xa b  )  f ( x)  q ( xa b ) d x  0.06

a

2
1.5
1.5
f(x) = 0,1
1
q( xa  )
x2
w( xa    )
p ( x  ) 1
f ( x)
0.5
Função Peso, w
0.5
0
4 2 0 2 4 6
x
0
4 2 0 2 4 6
b

x
 p ( x )  f ( x) d x  0.1

Funções q ≈ L(a) = L(0, 1) e p ≈ N (0,1) 
a
b

𝛽  w ( xa   )  f ( x)  q ( xa  ) d x  0.1
𝑞 𝑥, 𝛼, 𝛽 = 𝑒𝑥𝑝 −𝛽 𝑥 − 𝛼 - < a < +  e  > 0 
a
2

Amostragem por Importância – Estimador Não-tendencioso
Considere as fdps q e p válidas em W (W → ℝ ). Assumindo que p(x)∙f(x)  0,
se q(x) > 0 e f(x): W → ℝ , tal que q = Ep(f(x)) exite. Se y1, y2, ...,yn forem
amostras de variáveis aleatórias independentes distribuídas de acordo com
q, então o estimador 𝜃መ𝑛𝐼𝑆 é um estimador não tendencioso e consistente,
onde:
1 𝑛
𝜃መ𝑛𝐼𝑆 = ෍ 𝜙 𝑦𝑖 𝑤 𝑦𝑖
𝑛 𝑖=1
Um estimador (𝜃)መ é chamado consistente se a probabilidade dele diferir do

verdadeiro valor θ em menos do que c, onde c é um número arbitrário positivo
e pequeno, tende a 1, quando o tamanho da amostra (n) aumenta

Amostragem por Importância – Processo de Amostragem
Quando o processo de amostragem de números aleatórios com distribuição
de probabilidade p for complicada, o processo de geração dos número
aleatórios pode ser realizado utilizando-se a técnica de amostragem por
importância. Esse procedimento é realizado seguindo a estrutura de
integração apresentada anteriormente, ou seja:
X ≈ p (a,b,c) x ≈ q (a)
𝐸𝑝 𝜙 𝑋 =න 𝜙 𝑥 𝑤 𝑥 𝑞 𝑥 𝑑𝑥
Ω
𝑝 𝑥
𝑤 𝑥 =
𝑞 𝑥

Assim, após a geração dos números aleatórios, x1, x2, ..., xN, com distribuição
de probabilidade g, o estimador da função f(X) torna-se:
𝑁 𝑁
1 𝜙 𝑥𝑖 𝑝 𝑥 1
𝐸𝑝 𝜙 𝑋 = ෍ = ෍ 𝜙 𝑥𝑖 𝑤 𝑥
𝑁 𝑞 𝑥 𝑁
𝑖=1 𝑖=1
𝑝 𝑥
𝑤 𝑥 =
𝑞 𝑥

Assim, após a geração dos números aleatórios, x1, x2, ..., xN, com distribuição
de probabilidade g, o estimador da função f(X) torna-se:
𝑁 𝑁
1 𝜙 𝑥𝑖 𝑝 𝑥 1
𝐸𝑝 𝜙 𝑋 = ෍ = ෍ 𝜙 𝑥𝑖 𝑤 𝑥
𝑁 𝑞 𝑥 𝑁
𝑖=1 𝑖=1
𝑝 𝑥
𝑤 𝑥 =
𝑞 𝑥

EXEMPLO: Se y ≈ N(0,1), comparar as estimativas de Monte Carlo utilizando
o método da força bruta e a técnica de Amostragem por Importância para
calcular a probabilidade de y > 3.
Considerando que p(y), tal que, y ≈ N(0,1), vamos utilizar como função de
densidade de probabilidade alternativa a função q(x), tal que, x ≈ N(4,1) e
como função de ponderação a seguinte condição se x > 3 f(x) = 1, caso
contrário, f(x) = 0. A partir dessas condições geraremos N amostras x1, x2,
..., xN e estimaremos a Prob (y > 3) por meio da expressão:
𝑁 𝑁
1 𝜙 𝑥𝑖 𝑝 𝑥 1 𝑝 𝑥
𝑃𝑟𝑜𝑏 𝑦 < 3 = ෍ = ෍ 𝜙 𝑥𝑖 𝑤 𝑥 𝑤 𝑥 =
𝑁 𝑞 𝑥 𝑁 𝑞 𝑥
𝑖=1 𝑖=1

cont = cont+1;
clc while flag == 1; if cont > K
clear if S_p(cont) > valor; flag = -1;
close all cont = cont+1; end
sucesso_p = sucesso_p+1; else
N = 1000; if cont > K flag = -1;
K = 20; flag = -1; end
end end
valor = 3; else u = 100*sucesso_g/K;
flag = -1; PROB_g(n) = u;
med_p = 0; end
desv_p = 1; end n
trial(n) = n;
med_g = 4; u = 100*sucesso_p/K;
desv_g = 1; PROB_p(n) = u; Media_MC(n) = mean(PROB_p);
Media_IS(n) = mean(PROB_g);
for n=1:N X_g = med_g+desv_g*randn(K,1);
S_g = sort(X_g,'descend'); Desvio_MC(n) = std(PROB_p);
X_p = med_p+desv_p*randn(K,1); Desvio_IS(n) = std(PROB_g);
cont = 1;
S_p = sort(X_p,'descend'); sucesso_g = 0; end
flag = 1;
cont = 1; while flag == 1;
sucesso_p = 0; if S_g(cont) > valor;
flag = 1; dummy = S_g(cont);
pdf_g = pdf('Normal',dummy,med_p,desv_p);
pdf_f = pdf('Normal',dummy,med_g,desv_g);
sucesso_g = sucesso_g + pdf_g/pdf_f;

0.7
Força Bruta
Importance Sample
0.6


0.5
100  p ( x ) d x  0.13499 P(x>3) = 0,1500%

0.4 
3
Média
0.3
P(x>3) = 0,1365%
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900 1000
Número de Simulações
1.8
Força Bruta
1.6 Importance Sample
1.4
1.2
Desvio Padrão
0.8
0.6
0.4
0.2
0
0 100 200 300 400 500 600 700 800 900 1000
Tamanho das Amostras: 20


0.7
Força Bruta

0.5  P(x>3) = 0,1290%
100  p ( x ) d x  0.13499

0.4 3
Média
0.3
P(x>3) = 0,1349%
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900 1000
1.8
Força Bruta
1.4
1.2
Desvio Padrão
0.8
0.6
0.4
0.2
0
0 100 200 300 400 500 600 700 800 900 1000


EXEMPLO: Se y ≈ N(0,1), comparar as estimativas de Monte Carlo utilizando
o método da força bruta e a técnica de Amostragem por Importância para
calcular a probabilidade de y > 3.
Considerando que p(y), tal que, y ≈ N(0,1), vamos utilizar como função de
densidade de probabilidade alternativa a função q(x), tal que, x ≈ U(a,b1) e
como função de ponderação a seguinte condição se x > 3 f(x) = 1, caso
contrário, f(x) = 0. A partir dessas condições geraremos N amostras x1, x2,
..., xN e estimaremos a Prob (y > 3) por meio da expressão:
𝑁 𝑁
1 𝜙 𝑥𝑖 𝑝 𝑥 1 𝑝 𝑥
𝑃𝑟𝑜𝑏 𝑦 < 3 = ෍ = ෍ 𝜙 𝑥𝑖 𝑤 𝑥 𝑤 𝑥 =
𝑁 𝑞 𝑥 𝑁 𝑞 𝑥
𝑖=1 𝑖=1

0.7
Força Bruta
0.5

 P(x>3) = 0,145%
0.4 100  p ( x ) d x  0.13499

Média
3
0.3
P(x>3) = 0,1359%
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900 1000
1.8
Força Bruta
1.4
1.2
Desvio Padrão
0.8
0.6
0.4
0.2
0
0 100 200 300 400 500 600 700 800 900 1000

Métodos de Monte Carlo Exemplo Processo de

Amostragem Aleatória
Amostragem por Hipercubo Latino
A ideia básica deste método é assegurar
que toda a faixa de variação de uma
variável aleatória envolvida na
Sorteio 3 conjuntos
11 amostras
modelagem de um problema seja
amostrada.
Na figura ao lado se observa que em um
processo de amostragem típico, regiões
significativas do domínio da v.a. não são
representadas. Como consequência, a
estimativa da prob. de falha é ineficiente.

Amostragem por Hipercubo Latino
Na amostragem por hipercubo latino,HCL, (Latin Hiper-cube Sampling ou
LHS), o domínio de cada variável aleatória do problema é dividido em faixas
pré-definidas e, ao realizar a simulação, cada faixa é amostrada uma única
vez, resultando numa distribuição esparsa dos pontos. Isto diminui bastante
o número de pontos necessários para cobrir todo o domínio, e garante uma
cobertura mais homogênea do espaço amostral.
A ideia básica da técnica de geração de números aleatórios utilizando a

amostragem por hipercubo latino segue os seguintes passos:
Algumas Estimativas de Rank
Métodos de Monte Carlo a -1 -0,3 -0,567 -0,5
b 0 0,4 -0,134 0 𝑖+𝑎
i Ri Ri Ri Ri 𝑅𝑖 =
Amostragem por Hipercubo Latino 1 0,00 0,06 0,04 0,05 𝑁+𝑏
2 0,09 0,15 0,13 0,14
3 0,18 0,24 0,22 0,23
a) Definir o tamanho da amostra, N. 4 0,27 0,32 0,32 0,32
5 0,36 0,41 0,41 0,41
6 0,45 0,50 0,50 0,50
b) Dividir a distribuição cumulativa de 7 0,55 0,59 0,59 0,59
8 0,64 0,68 0,68 0,68
probabilidade da v.a em N intervalos 9 0,73 0,76 0,78 0,77
10 0,82 0,85 0,87 0,86
iguais. 11 0,91 0,94 0,96 0,95
Para essa tarefa podemos utilizar o conceito de Ri

ranqueamento do espaço amostral
i
Métodos de Monte Carlo e) Gerar os valores da v.a. de

Amostragem por Hipercubo Latino interesse, xi, usando a função de
distribuição cumulativa inversa 𝐹 -1 .
d) Gerar para cada intervalo, um valor.

a -1
b 0
i Ri ui Pi F -1
1 0,00 0,01 0,00 -3,26
Alguns autores, recomendam que no i-ésimo 2 0,09 0,64 0,15 -1,04
intervalo, a amostra de probabilidade cumulativa 3 0,18 0,91 0,26 -0,63
4 0,27 0,79 0,34 -0,40
pode ser escrita como: 5 0,36 0,01 0,36 -0,35
6 0,45 0,35 0,49 -0,03
𝑖 − 1 𝑢𝑖 7 0,55 0,00 0,55 0,12
𝑃𝑖 = + 8 0,64 0,52 0,68 0,48
𝑁 𝑁 9 0,73 0,51 0,77 0,75
10 0,82 0,55 0,87 1,12
onde ui é uma variável aleatória distribuída 11 0,91 0,95 1,00 2,63
a -0,3
uniformemente entre 0 e 1. b 0,4
i Ri di Pi F -1
Uma outra forma de obter Pi consiste em utilizar 1 0,06 -0,04 0,02 -2,10
uma das medidas de rank, tais como as utilizadas 2 0,15 0,01 0,16 -0,99
3 0,24 0,04 0,27 -0,60
na transparência anterior, e somar a tal medida um 4 0,32 0,03 0,35 -0,38
termo uma variável aleatória distribuída 5 0,41 -0,04 0,37 -0,33
6 0,50 -0,01 0,49 -0,03
uniformemente, ou seja: 7 0,59 -0,04 0,54 0,11
𝑖−1
8 0,68 0,00 0,68 0,46
9 0,76 0,00 0,76 0,72
𝑃𝑖 = + 𝛿𝑖 𝛿 ≈ 𝑈 −𝑎 , +𝑎 , 𝑎 =
𝑅𝑖 − 𝑅𝑖−1 10 0,85 0,00 0,86 1,06
𝑁 2 11 0,94 0,04 0,98 2,02
a = 0,044
Métodos de Monte Carlo e) Gerar os valores da v.a. de

Amostragem por Hipercubo Latino interesse, xi, usando a função de
distribuição cumulativa inversa 𝐹-1 .
d) Gerar para cada intervalo, um valor.
Alguns autores, recomendam que no i-ésimo
intervalo, a amostra de probabilidade cumulativa
pode ser escrita como:
𝑖 − 1 𝑢𝑖
𝑃𝑖 = +
𝑁 𝑁
onde ui é uma variável aleatória distribuída
uniformemente entre 0 e 1.
Uma outra forma de obter Pi consiste em utilizar
uma das medidas de rank, tais como as utilizadas
na transparência anterior, e somar a tal medida um
termo uma variável aleatória distribuída
uniformemente, ou seja:
𝑖−1
𝑃𝑖 = + 𝛿𝑖 𝛿≈𝑈 −
𝑅𝑖 − 𝑅𝑖−1 𝑅𝑖 − 𝑅𝑖−1
,
𝑁 2 2

Gaussiana
a -0,3 Média 30
b 0,4 Desvio 5
i Ri di Pi F -1
1 0,06 -0,04 0,06 22,12 -2,83 -2,83 22,12
Amostragem por Hipercubo Latino 2
3
0,15
0,24
0,01
0,04
0,15
0,24
24,82
26,47
-0,95
-0,88
-1,67
-1,15
28,84
37,87
4 0,32 0,03 0,33 27,76 1,21 -0,95 24,82
5 0,41 -0,04 0,41 28,84 -1,67 -0,88 26,47
f) Gerar os outros vetores de 6
7
0,50
0,59
-0,01
-0,04
0,50
0,58
29,99
31,06
0,83
-0,27
-0,34
-0,27
33,58
31,06
variáveis que controlam o problema

8 0,68 0,00 0,68 32,28 1,36 0,48 35,21
9 0,76 0,00 0,76 33,58 -0,34 0,83 29,99
10 0,85 0,00 0,85 35,21 0,48 1,21 27,76
e combine-os de forma aleatória 11 0,94 0,04 0,94 37,87 -1,15 1,36 32,28
Gaussiana
a -0,3 Média 18
b 0,4 Desvio 3
i Ri di Pi F -1
1 0,06 -0,02 0,06 13,32 -0,62 -1,52 22,55
2 0,15 0,01 0,15 14,89 0,33 -1,40 16,61
3 0,24 0,03 0,24 15,88 1,21 -1,13 17,31
4 0,32 -0,04 0,32 16,61 -1,40 -0,86 18,65
5 0,41 -0,03 0,41 17,31 -1,13 -0,79 19,35
6 0,50 0,04 0,50 18,03 2,59 -0,62 13,32
7 0,59 -0,03 0,59 18,65 -0,86 -0,38 21,11
8 0,68 -0,03 0,67 19,35 -0,79 0,33 14,89
9 0,76 0,02 0,77 20,17 0,74 0,74 20,17
10 0,85 -0,01 0,85 21,11 -0,38 1,21 15,88
11 0,94 -0,04 0,94 22,55 -1,52 2,59 18,03

Amostragem por Hipercubo Latino x Amostragem Simples

Amostragem por Hiper Cubo Latinox 10
-3
3
Força Bruta
HCL
2.5
2
Média
1.5
0.5
0
0 5000 10000 15000
0.025
Força Bruta
HCL
0.02
Desvio Padrão
0.015
0.01
0.005
0
0 5000 10000 15000
Análise de Sensibilidade
Vamos estudar o comportamento de uma função qualquer. Por
exemplo, a função:
g ( x, y   a  b  x  c  y
onde: 450
400
a = 100 350
b = 15 300
250
c=8 200
150
100
20
18
16
10
14 9
12 8
10 7
6
8 5
6 4
4 3
2
2
1
Seria possível quantificar a importância (ou influência, ou peso)
de cada termo na contabilização do valor da função g(x,y) ?
500
Comportamento de y sobre o comportamento

de g(x,y)
g(x,0)
400
Efeito da x sobre a
resposta de g(x,y=0) g( 0 y)
Dg(x = 10, y)
g(0,y) g( 5 y)
300 Dy
g( 10 y)
Efeito da y sobre a
resposta de g(x=0,y)
200 Dg(x = 10, y) Dg(x = 10, y)
g(0,0) Dy Dy
100
0 5 10 15 20
y
x e y são parâmetros sensíveis
Para a função:
g ( x, y   b  x  c  y 2
35
30
25
onde: 20
15
10
b = 10
5
c=1 -5
-10
-1
-0.8
x
-0.6 5
y
-0.4 4
-0.2 3
2
0 1
0.2 0
0.4 -1
0.6 -2
-3
0.8 -4
1 -5
g(x,y) é sensível a variações em x e em y, mas a sensibilidade em y depende de y

Para a função:
25
g ( x, y   b  x  c  y 2
20
onde:
15
b=0 10
c=1 5
x 0
1
0.8
0.6
0.4
0.2 -5
0 -3 -4
-0.2 -1 -2
y
-0.4 0
-0.6 2 1
-0.8 4 3
-1 5
g(x,y) é sensível a variações em y, mas não a x

Como podemos então quantificar a sensibilidade da função
g(x,y) a partir das suas variáveis de controle ?
Simples. Calculando as duas
derivadas parciais !
10
6 b=0
4
g ( x, y   b  iˆ  2  c  y  ˆj
2
0
c=1
-2
-4
-6
-8
-10
-1
-0.5
4 5
0.5 3
1 2
-1 0
-3 -2
1 -4
-5
Considerando g(x,y) é uma função de variáveis aleatórias,
podemos amostrar g(x,y) para diferentes combinações de x e y
e avaliar o seu comportamento.
30
25
b=1
20
c=1 15
x = N(1,1) 10
-5
-1
-0.5
4 5
0.5 3
1 2
-1 0
1 -3 -2
-5 -4
e avaliar o seu comportamento. b = 1, c = 1, x = N(1,1)
z
27
30
26.5
25
26
25.5 20
25
15
24.5
10
24
23.5
5
23
0
22.5
22
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 -5
-5 -4 -3 -2 -1 0 1 2 3 4 5
x y
g(x,y) = z não é sensível a variações g(x,y) = z é sensível a variações em y
em x, mas possui um espalhamento e também possui um espalhamento
e avaliar o seu comportamento. b = 1, c = 1, x = N(1,1) e x = N(1,1)
25
20
15
10
0 5
4
3
-5 2
-1 1
-0.8
-0.6 0
-0.4
-1
-0.2
0 -2
0.2
0.4 -3
0.6 -4
0.8
1 -5
e avaliar o seu comportamento. b = 1, c = 1, x = N(1,1) e x = N(1,1)
z
16 10
14 9
12 8
7
10
6
8
5
6
4
4
3
2
2
0
1
-2
0
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
-4
-5 -4 -3 -2 -1 0 1 2 3 4 5
x y
O que podemos dizer sobre a sensibilidade de x e de Y ?
Não é possível chegar a nenhuma interpretação por meio de analise visual. Além
disso:
• Não é incomum termos que trabalhar com modelos que têm dezenas de entradas.
• A dimensão máxima que podemos observar graficamente é 3 !
Assim, será que disporíamos de Precisamos de um método mais sofisticado ...
z
10
16
9
14
8
12
7
10
6
8
5
6
4
4
3
2
2
0
-2 1
x y
-4 0
-5 -4 -3 -2 -1 0 1 2 3 4 5 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1

Uma forma muito conveniente para realizarmos essa tarefa é
recorrendo a Análise Probabilística de Sensibilidade.
De uma forma mais formal, podemos definir a Análise de

Probabilística de Sensibilidade como:
O estudo de como a(s) incerteza(s) na saída de um sistema

físico (expresso por um modelo numérica ou não) podem ser
causadas pelas diferentes fontes de incerteza que controlam o
sistema.
A análise probabilística de sensibilidade é uma importante
ferramenta de análise estrutural por permitir que se possa
melhorar o projeto na direção do desenvolvimento de produtos
mais confiáveis e de melhor qualidade, ou para economizar
recursos financeiros, mantendo a confiabilidade ou a qualidade
de produto. Em outras palavras:
A análise de sensibilidade responde à pergunta: "se as variáveis de entrada se desviam
das expectativas, qual será o efeito sobre o sistema que está sendo analisado e quais
variáveis estão causando os maiores desvios ?"
O processo de recalcular os resultados sob hipóteses alternativas para
determinar o impacto de uma variável sob a análise de sensibilidade pode
ser útil para uma série de objetivos incluindo:
Testar a robustez dos resultados de um modelo ou sistema na presença de
incerteza.
Maior compreensão das relações entre variáveis de entrada e de saída em um
sistema ou modelo.
Redução da incerteza, através da identificação de insumos modelo que causam
incerteza significativa no produto e deve, portanto, ser o foco da atenção, a fim de
aumentar a robustez (talvez por mais pesquisas).
Procurando erros no modelo (encontrando relações inesperadas entre entradas e
saídas).
...
Simplificação de modelo - fixação de entradas de modelo que não têm efeito na
saída, ou identificação e remoção de partes redundantes da estrutura do modelo.
Melhorar a comunicação entre os modeladores e os tomadores de decisão (por
exemplo, tornando as recomendações mais credíveis, compreensíveis, convincentes
ou persuasivas).
Encontrar regiões no espaço de fatores de entrada para os quais a saída do modelo
é máxima ou mínima ou satisfaz algum critério ótimo.
No caso de calibrar modelos com grande número de parâmetros, um teste de
sensibilidade primária pode facilitar a fase de calibração, focalizando os parâmetros
sensíveis. Não saber a sensibilidade dos parâmetros pode resultar em tempo sendo
inutilmente gasto em não-sensíveis.
Procurar identificar conexões importantes entre observações, insumos de modelos e
previsões ou previsões, levando ao desenvolvimento de modelos melhores.
Análise de Sensibilidade – Como Implementar

Existe uma quantidade relativamente elevada de se proceder uma análise de
sensibilidade, sendo a sua escolha tipicamente ditada por uma série de
restrições de problemas ou da disponibilidade de recursos que temos
disponíveis. Alguns aspectos práticos que devem se analisados antes da
escolha da metodologia são:
Entradas correlacionadas:
A maioria dos métodos comuns de análise de sensibilidade assume independência entre os

insumos do modelo, mas às vezes os insumos podem ser fortemente correlacionados. A
modelagem de sistemas com variáveis correlacionadas é ainda um campo pouco desenvolvido em
termos de pesquisa e os métodos eficazes ainda não foram estabelecidos.

...
Não-linearidade:
Algumas abordagens de análise de sensibilidade, como as baseadas na regressão linear, podem

medir incorretamente a sensibilidade quando a resposta do modelo não é linear em relação às
suas entradas. Nesses casos, as medidas baseadas na variância são mais adequadas.
Interações do modelo:
As interações ocorrem quando a perturbação de duas ou mais entradas simultaneamente faz com
que a variação na saída seja maior do que a variação de cada uma das entradas sozinhas. Essas
interações estão presentes em qualquer modelo que não seja aditivo, mas serão negligenciadas
por métodos como os diagramas de dispersão e as perturbações um por vez. O efeito das
interações pode ser medido pelo índice de sensibilidade de ordem total.

...
Saídas múltiplas:
Praticamente todos os métodos de análise de sensibilidade consideram uma única saída de

modelo, contudo muitos modelos produzem um grande número de dados (dependentes do espaço
ou do tempo). Note-se que isso não exclui a possibilidade de realizar diferentes análises de
sensibilidade para cada saída de interesse. No entanto, para os modelos em que as saídas estão
correlacionadas, as medidas de sensibilidade podem ser difíceis de interpretar.

...
Custo computacional:
A análise de sensibilidade é quase sempre desenvolvida com base na execução do modelo um

número de vezes relativamente grande, isto é, uma abordagem baseada em amostragem. Isto pode
ser um problema significativo quando:
• Uma única execução do modelo leva uma quantidade significativa de tempo (minutos,
horas ou mais). Isso não é incomum com modelos muito complexos.
• O modelo tem um grande número de entradas aleatórias. A análise de sensibilidade é

essencialmente a exploração do espaço de entrada multidimensional, que cresce
exponencialmente em tamanho com o número de entradas.

Há um grande número de abordagens para realizar uma análise
de sensibilidade, muitas das quais foram desenvolvidas para
resolver uma ou mais das restrições discutidas acima. Eles
também são distinguidos pelo tipo de medida de sensibilidade,
seja com base em (por exemplo) decomposições de variância,
derivadas parciais ou efeitos elementares. Em geral, no
entanto, a maioria dos procedimentos é realizada seguindo a
seguinte estrutura:

...
a) Quantificar a incerteza em cada entrada (por exemplo, intervalos, distribuições de

probabilidade). Observe que isso pode ser difícil e muitos métodos existem para obter
distribuições de incerteza a partir de dados subjetivos.
b) Identificar o modelo de saída a ser analisado (o alvo de interesse deve, idealmente, ter uma
relação direta com o problema abordado pelo modelo).
c) Executar o modelo um número de vezes usando algum projeto de experimentos, ditada pelo
método de escolha da incerteza de entrada.
d) Usar as saídas resultantes do modelo e estimar as medidas de sensibilidade de interesse.


Em alguns casos, este procedimento será repetido, por exemplo, em problemas de
alta dimensionalidade, onde o usuário tem que eliminar as variáveis sem importância
antes de realizar uma análise de sensibilidade completa.
Os vários tipos de metodologias (discutidas a seguir) distinguem-se pelas várias

medidas de sensibilidade que são calculadas. Essas categorias podem de alguma
forma se sobrepor. Podem ser dadas formas alternativas de obter essas medidas,
sob as limitações do problema.

Método One-at-a-time (OAT/OFAT) – Tradução Literal: Um de Cada Vez
É uma das abordagens mais simples e mais comuns é a de mudar um fator de cada
vez, para ver o efeito que isso produz na saída.
O OAT costuma ser realizado varrendo uma das variáveis de entrada (dentro do seu
domínio de validade) e mantendo as outras com o seu valor nominal. A seguir,
retorna-se a variável estudada ao seu valor nominal e repetindo para cada uma das
outras entradas da mesma maneira.
A sensibilidade pode então ser medida a partir da monitoração do comportamento

da variável de saída, por exemplo: utilizando derivadas parciais ou regressão linear.
Isso parece uma abordagem lógica, uma vez que qualquer alteração observada na
saída será inequivocamente devido à variável única alterada.

Avaliando o comportamento do sistema a partir da mudança de uma variável de cada

vez, pode-se manter todas as outras variáveis fixadas aos seus valores centrais ou
basais. Isso aumenta a comparabilidade dos resultados (todos os "efeitos" são
calculados com referência ao mesmo ponto central no espaço) e minimiza as chances
de falhas no programa de computador, mais provavelmente quando vários fatores de
entrada são alterados simultaneamente. A OAT é frequentemente preferida devido
a razões práticas. Em caso de falha do modelo na análise OAT, o analista
imediatamente sabe qual é o fator de entrada responsável pela falha.
Apesar de sua simplicidade, porém, esta abordagem não explora completamente o espaço de
entrada, uma vez que não considera a variação simultânea de variáveis de entrada. Isso
significa que a abordagem OAT não pode detectar a presença de interações entre variáveis de
entrada.

Exemplo: Vamos considerar o comportamento de falha por fratura do componente

estrutural abaixo apresentado.
Esse componente falhará por propagação instável quando o Fator
intensidade de Tensões, K, for igual a tenacidade a Fratura do Material, KIC,
Assim, a condição de estado limite tomará seguinte a forma.
2
a a
1   0,32 
g (   K IC 
P
 a 
2b  b
2bt a
1
b
a [mm] ≈ N(10;2,42)
b [mm] ≈ N(30;1,52) P [kN] ≈ LN (4,36; 0,22)
t [mm] ≈ N(5;0,252) KIC [𝑀𝑃𝑎 𝑚] ≈ LN(4,09; 0,12)

Método One-at-a-time (OAT/OFAT)
Quantificar a incerteza em cada entrada (por exemplo, intervalos, distribuições de probabilidade). Observe
que isso pode ser difícil e muitos métodos existem para obter distribuições de incerteza a partir de dados
subjetivos.
Distribuição de a Distribição de b

subjetivos.
Distribuição de t Distribuição de P

subjetivos.
Distribuição de KIC

Avaliação da sensibilidade dos parâmetros que controlam o processo de falha
Efeito de a sobre g(a,b,t,P,KIC) Efeito de b sobre g(a,b,t,P,KIC)


Efeito de t sobre g(a,b,t,P,KIC) Efeito de P sobre g(a,b,t,P,KIC)


Agora, a sensibilidade pode então ser

estimada para qualquer ponto de
projeto avaliando comportamento da
variável G como função da ni variáveis
de entrada (por exemplo: utilizando
derivadas parciais ou regressão
linear)
Efeito de KIC sobre g(a,b,t,P,KIC)


Método Local
Métodos locais envolvem tomar a derivada parcial da saída G em relação a um fator

de entrada ni.
𝜕𝐺
𝜕𝜐𝑖 𝜐0
onde o sobre índice 0 indica que a derivada é tomada em algum ponto fixo no espaço
da entrada (daí o "local"). Semelhante ao OAT/OFAT, os métodos locais não são
capazes de explorar completamente o espaço de entrada, uma vez que examinam
pequenas perturbações, normalmente uma variável de cada vez.

Método Baseado na Análise de Gráficos de Dispersão
Uma forma de análise simples mas útil consiste em construir gráficos de

dispersão da variável de saída contra variáveis de entrada individuais, após
amostragem um processo de amostragem aleatória das variáveis que
controlam o modelo físico. A vantagem desta abordagem é que ela também
pode tratar conjuntos de pontos de dados colocados arbitrariamente e dá
uma indicação visual direta de sensibilidade. Medidas quantitativas também
podem ser extraídas, por exemplo, medindo a correlação entre G e ni, ou
mesmo estimando medidas baseadas na variância por regressão não-linear.

Método Baseado na Análise de Regressão
No contexto da análise de sensibilidade, o método procura ajustar uma

modelo de linear à resposta do sistema e utilizar os coeficientes de
regressão padronizados como medidas diretas de sensibilidade. A
regressão linear é obrigatoriamente utilizada (isto é, um hiperplano,
portanto sem termos quadráticos, etc.). Isso se faz porque de outro modo
seria difícil interpretar os coeficientes padronizados. Este método é,
portanto, mais adequado quando a resposta do modelo é de fato linear;
Linearidade pode ser confirmada, por exemplo, se o coeficiente de
determinação for grande. As vantagens da análise de regressão são que é
simples e tem um baixo custo computacional.

Efeito de a sobre g(a,b,t,P,KIC)


Efeito de P sobre g(a,b,t,P,KIC)


Método Baseado na Variância
Os métodos baseados em variância são uma classe de métodos

probabilísticos que quantificam as incertezas de entrada e saída como
distribuições de probabilidade e decompõem a variância de saída em partes
atribuíveis a variáveis de entrada e combinações de variáveis. A
sensibilidade da saída para uma variável de entrada é, portanto, medida
pela quantidade de variância na saída causada por essa entrada. Estes
podem ser expressos como expectativas condicionais, isto é, considerando
um modelo G = g (n) para n = {n1, n 2, ... n k}, uma medida de sensibilidade da
i-ésima variável n i é dada como:

Os métodos baseados em
𝑉𝑎𝑟𝜐𝑖 = 𝐸𝜐~𝑖 𝐺 𝜐𝑖
onde n~i denota o conjunto de todas as variáveis de entrada, exceto ni. Esta
expressão mede essencialmente a contribuição ni sozinha para a incerteza
(variância) em G (média em relação às variações de outras variáveis) e é
conhecida como índice de sensibilidade de primeira ordem ou índice de
efeito principal. Uma outra medida, conhecida como índice de efeito total,
dá a variância total em G causada por ni e suas interações com qualquer uma
das outras variáveis de entrada. Ambas as quantidades são tipicamente
padronizadas dividindo-se por Var (G).

Métodos baseados em variância permitem exploração completa do espaço

de entrada, contabilizando interações e respostas não-lineares. Por estas
razões, eles são amplamente utilizados quando é possível calculá-los.
Normalmente, esse cálculo envolve o uso de métodos Monte Carlo, mas como
isso pode envolver milhares de execuções de modelos, outros métodos.

Método Baseado na Variância – Enfoque da Técnica de Expansão e
Série de Taylor em 1º Ordem a a
2
1   0,32 
g (   K IC 
P
 a 
2b b
Considerado que a função de estado limite é definida como
2bt a
1
b
Podemos estimar a variância de g(●) usando expansões em 1º ordem da serie de Taylor como
 Var(G) = 211,537
Podemos contabilizar o efeito da variabilidade de cada parâmetro ni que comando o problema

sobre a variação total de G da seguinte forma:

Série de Taylor em 1º Ordem
2 2 2
 d g           d
100  ( a b t P K  a 100  (
g  a  b  t  P  K   b  d g         
100  ( a b t P K  t
VarGa 
 d a    28.235 VarGb 
 d b    3.888 VarGt 
 d t    2.992
( 
Var_g  a  b  t  P  K (
Var_g  a  b  t  P  K  ( 
Var_g  a  b  t  P  K
2 2
 d g           d g         
100 
dK
( a b t P K  K 100 
dP
( a b t P K  P
VarGK 
    17.018 VarGP 
    47.867
(
Var_g     
a b t P 
K (
Var_g     
a b t P 
K

Série de Taylor em 1º Ordem
Contribuição de Cada Parâmetro para
a Variação total Modelo

Método Baseado na Variância – Enfoque da Técnica Monte Carlo
As medidas estatísticas de sensibilidade são baseadas nos coeficientes de correlação de

Pearson (Eq. a), ou nos coeficientes de correlação da ordem de ranqueamento de Spearman
(Eq. b). Na tentativa de quantificar o percentual de contribuição de cada variável de entrada
na dispersão de cada variável de saída, aj, os coeficientes de correlação, rj, são normalizados,
como indicado na Equação (c).
100 ∙ 𝜌𝑗2
𝛼𝑗 % = (c)
(a) σ𝐽𝑗=1 𝜌𝑗2
n = tamanho das amostras geradas pelo MMC

J = número de variáveis aleatórias que controlam o
sistema analisado.
(b)
Fazer um resumo sobre o coeficiente de correlação de Spearman

2
a a
1   0,32 
g (   K IC 
P
 a 
2b b
Considerado que a função de estado limite é definida como
2bt a
1
b
Podemos gerar K amostras das v.a a, b, t, P e KIC para estimar o comportamento de g(●). Após o
processo de geração dos números aleatórios vamos estimar medidas de correção, rj, entre
cada variável de entrada (a, b, t, P e KIC) e a variável de saída g.
Em seguida devemos quantificar os coeficientes de correlação de Pearson ou de Spearman

entre cada parâmetro ni e a variável de saída. Isso é realizado usando as Eqs. (a) e (b). O passo
final é calcular o percentual de cada variável de entrada na dispersão de cada variável de
saída, ai

clc a = m_a + dv_a*randn(1,N); Ssp = sum(Rs.^2);
clear b = m_b + dv_b*randn(1,N);
close all t = m_t + dv_t*randn(1,N); alfa_sp = 100*Rs.^2/Ssp
P = lognrnd(P1p,P2p,1,N);
N = 500000 K = lognrnd(P1K,P2K,1,N);
[Rp(1),PVALa] = corr(g',a','Type','Pearson');
m_a = 10; for i = 1:N [Rp(2),PVALb] = corr(g',b','Type','Pearson');
dv_a = (8/100)*m_a; alfa(i) = a(i)/b(i); [Rp(3),PVALt] = corr(g',t','Type','Pearson');
Fd(i) = (1-(alfa(i)/2)+(0.32*power(alfa(i),2))); [Rp(4),PVALP] = corr(g',P','Type','Pearson');
m_b = 30; F(i) = Fd(i)/power(1-alfa(i),0.5); [Rp(5),PVALK] = corr(g',K','Type','Pearson');
dv_b = (5/100)*m_b; g(i) = K(i) -
(31.632*P(i)/(2*b(i)*t(i)))*power(pi*a(i),0.5)*F(i); Sp = sum(Rp.^2);
m_t = 5; end
dv_t = (5/100)*m_t; alfa_p = 100*Rp.^2/Sp
[Rs(1),PVALa] = corr(g',a','Type','Spearman');
P1p = 4.362; [Rs(2),PVALb] = corr(g',b','Type','Spearman');
P2p = 0.198; [Rs(3),PVALt] = corr(g',t','Type','Spearman');
[Rs(4),PVALP] = corr(g',P','Type','Spearman');
P1K = 4.086; [Rs(5),PVALK] = corr(g',K','Type','Spearman');
P2K = 0.0998;

alfa (%)
Parametro
a b Pearson Spearman
KIC 4% 5% 4,31 4,16
a
23% t
Contribuição de Cada Parâmetro para a Variação
b 5,24 5,01
4% t 4,10 3,93
P 63,96 63,90
K IC 22,39 23,01
a b
KIC t
4% 5%
23% 4%
total Modelo
P
64%
Estimativa baseada na correlação
de Pearson
P
Estimativa baseada na correlação de 64%
Spearman

Simulacao de Monte Carlo - Tecnicas de Reducao de Variancia PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Simulacao de Monte Carlo - Tecnicas de Reducao de Variancia PDF

Transféré par

Droits d'auteur :

Formats disponibles

Universidade de Brasília

Departamento de Engenharia Mecânica

Métodos de Monte Carlo

Antes de vir aqui, eu estava

Métodos de Monte Carlo – Etapas do Estudo

Estabelecimento dos Objetivos

Construção do(s) Modelo(s) Lógico(s)-Matemático

Levantamento dos Dados

Construção do Modelo Computacional

Validação do Modelo Computacional

Métodos de Monte Carlo

𝟏, 𝒔𝒆 𝒐 𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖𝒐 𝒂𝒏𝒂𝒍𝒊𝒔𝒂𝒅𝒐 𝒑𝒐𝒔𝒔𝒖𝒊 𝒂 𝒄𝒂𝒓𝒂𝒄𝒕𝒆𝒓𝒊𝒔𝒕𝒊𝒄𝒂 𝒅𝒆 𝒊𝒏𝒕𝒆𝒓𝒆𝒔𝒔𝒆

Métodos de Monte Carlo

Como Sn indica o número total de “sucessos” nas n repetições - onde

Métodos de Monte Carlo

෠ é aplicado em uma amostra de

Métodos de Monte Carlo

A partir desses estimadores, podemos calcular também o coeficiente de

Analisando o comportamento de Var[P] e de CV[P], verifica-se que:

Métodos de Monte Carlo

Métodos de Monte Carlo

Considerando, assim, o procedimento de montagem do intervalo para a

Métodos de Monte Carlo

Tipicamente, as pequenas probabilidades de falha envolvidas relacionadas

Métodos de Monte Carlo

Métodos de Monte Carlo

A fim de contornar esse problema, foram criados metodologias que

Métodos de Monte Carlo

• Amostragem por Importância

• Amostragem por Hipercubo Latino

Métodos de Monte Carlo

Esta “distorção” se faz introduzindo uma nova função distribuição e os

Métodos de Monte Carlo

poucos valores foram maior parte dos resultados encontra-

Amostragem simples Amostragem por Importância

Métodos de Monte Carlo

Onde w(X): W → ℝ+ é definida como função de ponderação, tal que:

Métodos de Monte Carlo

Métodos de Monte Carlo

Métodos de Monte Carlo

Métodos de Monte Carlo

 p ( x )  f ( x) d x  0.1

Métodos de Monte Carlo

Um estimador (𝜃)መ é chamado consistente se a probabilidade dele diferir do

Métodos de Monte Carlo

Métodos de Monte Carlo

Métodos de Monte Carlo

Métodos de Monte Carlo

Métodos de Monte Carlo

Métodos de Monte Carlo

100  p ( x ) d x  0.13499 P(x>3) = 0,1500%

Tamanho das Amostras: 20

Métodos de Monte Carlo

Tamanho das Amostras: 200

Métodos de Monte Carlo

Métodos de Monte Carlo

Tamanho das Amostras: 20

Métodos de Monte Carlo Exemplo Processo de

Métodos de Monte Carlo

A ideia básica da técnica de geração de números aleatórios utilizando a

Para essa tarefa podemos utilizar o conceito de Ri

Métodos de Monte Carlo e) Gerar os valores da v.a. de

d) Gerar para cada intervalo, um valor.