Teorema do macaco infinito em Python
uma abordagem experimental por simulação de Monte Carlo
DOI:
https://doi.org/10.47385/tudoeciencia.2602.2025Palavras-chave:
Teorema do Macaco Infinito; Geração aleatória; Probabilidade; Convergência estocástica; Simulação Monte Carlo.Resumo
Este estudo investiga experimentalmente os princípios fundamentais do Teorema do Macaco Infinito através da implementação computacional de um algoritmo de geração aleatória de strings. O experimento consistiu na busca pela sequência "FOA" mediante geração probabilística de strings de três caracteres, utilizando simulação Monte Carlo para avaliar o comportamento estocástico do processo. Os resultados demonstraram tempos de convergência de 997, 448 e 1626 tentativas para três ocorrências consecutivas, totalizando 3071 iterações. A análise teórica baseada no Teorema do Macaco Infinito indica probabilidade de sucesso de 1/17576 por tentativa, correspondendo a expectativa de 17576 tentativas por ocorrência. Os dados empíricos revelaram convergência significativamente mais rápida que a predição teórica, com média de 1024 tentativas por ocorrência, evidenciando as flutuações estatísticas características de amostras finitas. O estudo contribui para a compreensão prática dos fundamentos probabilísticos do Teorema do Macaco Infinito, demonstrando sua relevância em algoritmos computacionais, teoria da informação e processos estocásticos aplicados.
Downloads
Referências
BILLINGSLEY, P. Probability and measure. 3. ed. New York: Wiley, 1995.
BOREL, É. Mécanique statistique et irréversibilité. Journal de Physique Théorique et Appliquée, v. 3, n. 1, p. 189-196, 1913.
DENNETT, D. C. Darwin's dangerous idea: evolution and the meanings of life. New York: Simon & Schuster, 1995.
DURRETT, R. Probability: theory and examples. 5. ed. Cambridge: Cambridge University Press, 2019.
FELLER, W. An introduction to probability theory and its applications. 3. ed. New York: Wiley, 1968. v. 1.
FISHMAN, G. S. Monte Carlo: concepts, algorithms, and applications. New York: Springer-Verlag, 1996.
GENTLE, J. E. Random number generation and Monte Carlo methods. 2. ed. New York: Springer-Verlag, 2003.
GOLDBERG, D. E. Genetic algorithms in search, optimization, and machine learning. Reading: Addison-Wesley, 1989.
KARLIN, S.; TAYLOR, H. M. A first course in stochastic processes. 2. ed. New York: Academic Press, 1975.
KITCHER, P, The Lives to Come. The Genetic Revolution and Human Possibilities, Simon & Schuster, New York 1996, ISBN 0-684-80055-1
KNUTH, D. E. The art of computer programming: seminumerical algorithms. 3. ed. Reading: Addison-Wesley, 1997. v. 2.
KOLMOGOROV, A. N. Three approaches to the quantitative definition of information. Problems of Information Transmission, v. 1, n. 1, p. 1-7, 1965.
L'ECUYER, P. Good parameters and implementations for combined multiple recursive random number generators. Operations Research, v. 47, n. 1, p. 159-164, 1999.
MATSUMOTO, M.; NISHIMURA, T. Mersenne twister: a 623-dimensionally equidistributed uniform pseudo-random number generator. ACM Transactions on Modeling and Computer Simulation, v. 8, n. 1, p. 3-30, 1998.
METROPOLIS, N.; ULAM, S. The Monte Carlo method. Journal of the American Statistical Association, v. 44, n. 247, p. 335-341, 1949.
MEYER, P. L. Introductory probability and statistical applications. 2. ed. Reading: Addison-Wesley, 1970.
PAULOS, J. A. Once upon a number: the hidden mathematical logic of stories. New York: Basic Books, 1998.
COOK, R. D. (1993). Review of Statistical Theory and Modeling, In Honor of Sir David Cox, FRS by D. V. Hinkley, N. Reid and E. J. Snell. Journal of the American Statistical Association, 88, 710.
ROSS, S. M. Introduction to probability models. 11. ed. Amsterdam: Academic Press, 2014.
RUSSELL, S.; NORVIG, P. Artificial intelligence: a modern approach. 4. ed. Boston: Pearson, 2020.
SCHNEIER, B. Applied cryptography: protocols, algorithms, and source code in C. 2. ed. New York: Wiley, 1996.
TIJMS, H. C. A first course in stochastic models. Chichester: Wiley, 2003.
USPENSKY, J. V. Introduction to mathematical probability. New York: McGraw-Hill, 1937.
VAN ROSSUM, G. Python reference manual. Hampton: CreateSpace Independent Publishing Platform, 2009.
WATERMAN, M. S. Introduction to computational biology: maps, sequences and genomes. London: Chapman & Hall, 1995.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Tudo é Ciência: Congresso Brasileiro de Ciências e Saberes Multidisciplinares
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
