A Simulação de Monte Carlo, também conhecida como Método de Monte Carlo ou uma simulação de probabilidade múltipla, é uma técnica matemática usada para estimar os possíveis resultados de um evento incerto. O Método de Monte Carlo foi inventado por John von Neumann e Stanislaw Ulam durante a Segunda Guerra Mundial para melhorar a tomada de decisão em condições incertas. Foi nomeado em homenagem a uma conhecida cidade de cassinos, chamada Mônaco, uma vez que o acaso é o principal elemento da abordagem de modelagem, semelhante a um jogo de roleta.

Desde o início, as Simulações de Monte Carlo avaliavam o impacto do risco em muitos cenários da vida real, como inteligência artificial, preços de ações, previsão de vendas, gerenciamento de projetos e precificação. Elas também proporcionam uma série de vantagens sobre os modelos preditivos com informações fixas, como a capacidade de realizar análise de sensibilidade ou calcular a correlação de entradas. A análise de sensibilidade permite que os tomadores de decisão vejam o impacto de determinadas informações em um resultado específico e a correlação permite que eles entendam a relação entre quaisquer variáveis das informações.

Diferente de um modelo de previsão normal, a Simulação de Monte Carlo prevê um conjunto de resultados com base em um intervalo de valores estimados em relação a um conjunto de valores de entrada fixos. Em outras palavras, uma Simulação de Monte Carlo cria um modelo de resultados possíveis, usando uma distribuição de probabilidade, como uma distribuição uniforme ou normal, para qualquer variável que tenha incerteza inerente. Ela, então, recalculará os resultados sucessivamente, cada vez usando um conjunto diferente de números aleatórios entre os valores mínimo e máximo. Em um teste típico de Monte Carlo, este exercício pode ser repetido milhares de vezes para produzir um grande número de resultados prováveis.

As simulações de Monte Carlo também são utilizadas para previsões de longo prazo devido à sua precisão. À medida que o número de informações aumenta, o número de previsões também cresce, permitindo projetar resultados mais distantes no tempo e com maior precisão. Quando uma Simulação de Monte Carlo é concluída, ela produz uma variedade de resultados possíveis com a probabilidade de ocorrência de cada resultado.

Um exemplo simples de uma Simulação de Monte Carlo é calcular a probabilidade de jogar dois dados comuns. Há 36 combinações de jogadas de dados. Com base nisso, é possível calcular manualmente a probabilidade de um resultado específico. Usando uma Simulação de Monte Carlo, é possível simular 10.000 jogadas de dados (ou mais) para obter previsões mais precisas.

Independentemente de qual ferramenta você usa, as técnicas de Monte Carlo envolvem três etapas básicas:

1. Configure o modelo preditivo, identificando tanto a variável dependente a ser prevista quanto as variáveis independentes (também conhecidas como variáveis de entrada, de risco ou preditoras) que conduzirão a predição.
2. Especifique as distribuições de probabilidade das variáveis independentes. Use dados históricos e/ou a avaliação subjetiva do analista para definir um intervalo de valores possíveis e atribuir pesos de probabilidade para cada um.
3. Execute simulações repetidamente, gerando valores aleatórios das variáveis independentes. Faça isso até que você obtenha resultados suficientes para compor uma amostra representativa do número quase infinito de combinações possíveis.

É possível executar tantas Simulações de Monte Carlo como desejar, modificando os parâmetros subjacentes usados para simular os dados. No entanto, você também calculará o intervalo de variação dentro de uma amostra, ou seja, a variância e o desvio padrão, que são medidas de disseminação comumente usadas. A variância de determinada variável é o valor esperado da diferença quadrada entre a variável e seu valor esperado. Desvio padrão é a raiz quadrada de variância. Geralmente, as variâncias menores são consideradas melhores.