Validação por Monte Carlo

A quadratura determinística, descrita em simulação numérica, avalia a Schubart Master Formula para um único conjunto fixo de entradas. Mas as entradas de uma avaliação real — o espectro de fluxo, a seção de choque e os parâmetros do material — são elas próprias incertas, e uma distribuição sobre as entradas produz uma distribuição sobre as saídas. Os métodos de Monte Carlo são a ferramenta natural para lidar com isso: eles estimam a integral por amostragem aleatória e, ao mesmo tempo, propagam a incerteza de entrada para uma incerteza em $P(t)$. Este capítulo descreve a metodologia de forma genérica; os números usados são valores de preenchimento ilustrativos, nunca alegados como resultados medidos.

Estimativa de Monte Carlo da integral

A integral dupla pode ser estimada estatisticamente em vez de por uma grade fixa. Sorteiam-se $N$ pontos amostrais $(E_k,\theta_k)$ de uma distribuição de amostragem escolhida sobre o domínio de integração, avalia-se o integrando $f(E,\theta,t)$ em cada um, e forma-se uma média ponderada. Para amostragem uniforme sobre um domínio de medida $V$, o estimador é

$$\hat{P}_N(t) = \frac{V}{N}\sum_{k=1}^{N} f(E_k,\theta_k,t),$$

que é não enviesado: sua esperança é igual à integral exata para qualquer $N$. O que melhora com $N$ não é o viés, mas a variância. Se $\text{Var}[f]$ denota a variância do integrando sobre a distribuição de amostragem, o erro padrão do estimador é

$$\text{SE}\big[\hat{P}_N\big] = V\,\sqrt{\frac{\text{Var}[f]}{N}} \;\propto\; \frac{1}{\sqrt{N}} ,$$

o escalonamento característico $1/\sqrt{N}$ que é a assinatura — e o custo — da integração de Monte Carlo. Essa convergência é lenta: reduzir o erro por um fator de dez exige um aumento de cem vezes nas amostras. Crucialmente, porém, o expoente é independente da dimensão do domínio, razão pela qual o Monte Carlo ultrapassa a quadratura em grade tensorial quando o integrando é de alta dimensão ou de forma inconveniente, e por que ele lida graciosamente com domínios agudamente pronunciados.

Redução de variância

Como o erro é governado por $\text{Var}[f]/N$, a mesma precisão pode ser comprada ou elevando $N$ ou abaixando a variância efetiva do estimador — e esta última é geralmente muito mais barata. A amostragem por importância substitui o sorteio uniforme por uma distribuição $g$ concentrada onde o integrando é grande, por exemplo próximo do pico de sobreposição de $\Phi$ e $\sigma(E)$, e repondera cada amostra por $f/g$. Quando $g$ é bem escolhida, o integrando reponderado é quase constante e sua variância colapsa, de modo que um $N$ modesto alcança o que de outro modo exigiria ordens de grandeza mais amostras uniformes. A amostragem estratificada divide o domínio em sub-regiões e amostra cada uma em proporção à sua contribuição, garantindo cobertura das regiões importantes e eliminando o agrupamento que aflige os sorteios puramente aleatórios. As variáveis de controle subtraem uma grandeza correlacionada de integral conhecida, cancelando grande parte da variância. Essas são as técnicas clássicas catalogadas na literatura de Monte Carlo, e pelo menos uma delas é geralmente essencial para tornar uma avaliação da fórmula mestra prática em vez de meramente possível.

Amostrando as distribuições de entrada

O uso distintivo do Monte Carlo neste arcabouço não é meramente avaliar a integral, mas propagar a incerteza. Cada entrada incerta é descrita por uma distribuição de probabilidade: o fluxo $\Phi$ pode ser amostrado em torno de um espectro médio medido com uma dispersão suposta; a seção de choque $\sigma(E)$ pode ser amostrada dentro de suas barras de erro de medição; e $\Delta p$, $v_{\text{ph}}$ e $\eta_{\text{conv}}$ podem cada um ser sorteados de distribuições que refletem quão bem são conhecidos. O procedimento tem um laço externo e um interno. No laço externo, sorteia-se um conjunto completo de valores de entrada de sua distribuição conjunta — respeitando quaisquer correlações entre eles, já que tratar entradas correlacionadas como independentes pode falsear gravemente a dispersão da saída. No laço interno, a integral é avaliada para aquele conjunto fixo de entradas, por quadratura ou por uma integração de Monte Carlo aninhada. Cada sorteio externo, portanto, produz uma realização de $P(t)$, e repetir o laço externo muitas vezes produz um conjunto de saídas cuja dispersão reflete a incerteza combinada de entrada. Essa estrutura aninhada é a essência da propagação direta de incerteza, e é muito mais informativa do que um único número determinístico.

Lendo a distribuição de saída

O conjunto de valores de $P(t)$ é então resumido. Sua média estima a saída esperada; seu desvio padrão quantifica a incerteza; e seus percentis dão intervalos de confiança. Vale a pena relatar percentis ao lado do desvio padrão porque a distribuição de saída geralmente não é gaussiana — a fórmula mestra é um produto de fatores, e produtos de variáveis aleatórias positivas tendem a distribuições assimétricas, de cauda longa, para as quais um intervalo simétrico média-mais-ou-menos-$\sigma$ subestima a cauda superior. Pode-se relatar, puramente como uma ilustração do método, que uma execução de preenchimento produz uma saída média com uma dispersão de, digamos, da ordem de dez a vinte por cento da média, estreitando-se à medida que as incertezas de entrada são reduzidas. Tais valores são nocionais e servem apenas para mostrar a forma do resultado; eles devem ser rederivados para qualquer sistema real e nunca devem ser citados como se fossem medições experimentais. A largura dessa distribuição de saída é a grandeza mais relevante para um relato honesto, e sua interpretação como um desvio padrão conecta-se diretamente à discussão estatística em análise de sigma.

Convergência e confiabilidade da estimativa

Um resultado de Monte Carlo carrega sua própria barra de erro, e esse erro deve ser mostrado pequeno o suficiente. A prática padrão é monitorar a estimativa corrente à medida que $N$ aumenta e confirmar que tanto a média quanto seu erro estatístico se estabilizaram; um gráfico de média corrente que se achatou, junto com uma barra de erro que encolheu abaixo da tolerância de relato, é o critério prático de parada. Como o erro estatístico cai apenas como $1/\sqrt{N}$, reduzi-lo à metade exige quadruplicar a contagem de amostras, de modo que as técnicas de redução de variância acima são geralmente essenciais para a eficiência em vez de opcionais. Cruzar a média de Monte Carlo com uma quadratura determinística convergida sobre as mesmas entradas fixas é um teste de consistência valioso: os dois métodos devem concordar dentro de seus erros combinados, e uma discrepância de mais do que um par de erros padrão sinaliza um bug em um deles — um domínio descasado, um fator jacobiano omitido, ou uma distribuição de amostragem que nunca visita parte do domínio. A qualidade do fluxo pseudoaleatório também importa; um gerador ruim introduz correlações que violam a hipótese de independência por trás da lei $1/\sqrt{N}$.

O que a validação estabelece e o que não estabelece

É importante ser preciso sobre o que esse procedimento valida. A validação por Monte Carlo estabelece que a integral foi avaliada corretamente e que as incertezas de entrada foram propagadas fielmente. Ela não estabelece, por si só, que os modelos de entrada estão fisicamente corretos. Se o espectro de fluxo, a seção de choque ou o mecanismo de transferência de momento supostos estiverem errados, o cálculo propagará fielmente uma suposição errada para uma saída confiantemente enunciada mas incorreta — a familiar falha “lixo entra, lixo sai”, vestida de uma barra de erro de aparência precisa. A validação da parte numérica é, portanto, necessária mas não suficiente; as entradas físicas devem ser validadas separadamente por medição. Onde uma entrada proposta — por exemplo um mecanismo especulativo de $\Delta p$ — não foi confirmada, a distribuição de saída resultante deve ser apresentada como condicional a essa suposição, e rotulada conforme. É também por isso que a dispersão estatística produzida aqui nunca deve ser lida como uma significância de descoberta experimental: uma distribuição de saída estreita certifica que o modelo é internamente consistente dadas suas suposições, não que as suposições correspondam ao mundo. A relação entre a dispersão estatística calculada aqui e a notação da seção de choque é desembaraçada em análise de sigma.

Leitura adicional

• Metropolis, N., & Ulam, S. (1949). “The Monte Carlo Method.” Journal of the American Statistical Association, 44(247), 335–341 — o artigo fundador do método.
• Robert, C. P., & Casella, G. (2004). Monte Carlo Statistical Methods (2ª ed.). Springer — um tratamento moderno e abrangente de estimadores, redução de variância e convergência.
• Press, W. H., Teukolsky, S. A., Vetterling, W. T., & Flannery, B. P. (2007). Numerical Recipes: The Art of Scientific Computing (3ª ed.). Cambridge University Press — capítulos práticos sobre integração de Monte Carlo e amostragem por importância.