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 programar a simulação monte carlo de um processo físico (e de uma sequência de processos físicos).

1.Números aleatórios.
2.Geradores de números pseudo-aleatórios. Método linear congruente. Geradores alternativos.
3.Métodos de amostragem de números aleatórios distribuidos segundo uma distribuição qualquer. Método da rejeição. Método da função inversa.
4.Testes de aleatoriedade de sequências de nºs aleatórios. Discussão.
5.Uso de sequências de nºs aleatórios na encriptação de dados.
6.Sequências de nºs quasi-aleatórios de Sobol.
7.O método de Monte Carlo.
8.Resolução numérica de integrais pelo método Monte Carlo (m.c.). Comparação da convergência para sequências de nºs pseudo-aleatórios e para quasi-aleatórios.
9.Simulação m.c. de processos físicos com vários graus de liberdade.
10.Análise da resposta de sistemas por simulação dos fenómenos físicos subjacentes.
11.Simulação de processos estocásticos pelo método m.c. e sua aplicação à análise de sistemas. Utilização da simulação m.c. na análise estatística. Discussão de casos.
12.Simulação de dados e teste de hipóteses. Estudo dos erros estatísticos e sistemáticos e da matriz de correlação em observações experimentais de uma amostra de dados. Análise do nível de confiança de resultados de observação (ou de previsão). Discussão de casos.
13.Optimização. Simulação de processos de annealing. Algoritmo de Metropolis. Estudo de caso.
14.Optimização de redes neuronais pelo método m.c.
15.Estudo de algumas bibliotecas de simulação. Análise da biblioteca de GEANT4 do CERN. Programação de exemplos usando Geant4. Estudo de casos.

Programação.