1.O aluno deve ficar a conhecer as limitações dos números pseudo-aleatórios e dos geradores correspondentes.
2.Deve compreender o fundamento do método de Monte Carlo e o âmbito de aplicação desta técnica de simulação.
3.Ser capaz de simular uma amostra de dados e de antecipar por simulação a resposta de um sistema qualquer.
4.Ser capaz de fazer um modelo de Monte Carlo de um processo físico (e de uma sequência de processos físicos) com o intuito de prever e reproduzir o funcionamento de um sistema.

Método de Monte Carlo. O que é e como se implementa
Números aleatórios ? requisitos. Tipos de geradores. Testes.
Probabilidades discretas, contínuas e cumulativa. Distribuição uniforme. Distribuições não uniformes - exponencial e gaussiana
Alteração da densidade de probabilidade: método da inversão, da rejeição e de Box-Muller. Caso de mudança de variáveis
Integração com M.C. Valores espectávies
Importance sampling
Métodos de resolução de equações: substituições sucessivas, Newton-Cotes, meios intervalos e regula-falsi
Métodos de interpolação: polinómios, fórmula de Lagrange e interpolação piecewise
Métodos para estimar raízes de funções: Newton-Raphson, secante, bissecção e Regula-Falsi.
Métodos de integração: quadraturas de Newton-Cotes aberta e fechada Regras do ponto médio, trapézio e de Simpson. Quadratura gaussiana
Integração de equações diferenciais: método de Euler, de Neuer e de Runge-Kutta
Random walks, cadeias de Markov, algoritmo de Metropolis. Aplicações

Conhecimentos de nível intermédio de programação.