Aumento da eficiência dos métodos següenciais de simulação condicional

Abstract

O algoritmo de simulação seqüencial estocástica mais amplamente utilizado é o de simulação seqüencial Gaussiana (ssG). Teoricamente, os métodos estocásticos reproduzem tão bem o espaço de incerteza da VA Z(u) quanto maior for o número L de realizações executadas. Entretanto, às vezes, L precisa ser tão alto que o uso dessa técnica pode se tornar proibitivo. Essa Tese apresenta uma estratégia mais eficiente a ser adotada. O algoritmo de simulação seqüencial Gaussiana foi alterado para se obter um aumento em sua eficiência. A substituição do método de Monte Carlo pela técnica de Latin Hypercube Sampling (LHS), fez com que a caracterização do espaço de incerteza da VA Z(u), para uma dada precisão, fosse alcançado mais rapidamente. A técnica proposta também garante que todo o modelo de incerteza teórico seja amostrado, sobretudo em seus trechos extremos.

Sequential simulation is probably the most used algorithm in geostatistical simulation, specially the sequential Gaussian algorithm. In theory, this method maps the space of uncertainty as the number realizations increase. However, some times the number of simulations needs to be large which makes the procedure prohibitive. This Thesis presents a more efficient strategy. The idea is to replace the Monte Carlo simulation by the Latin Hypercube Sampling (LHS) technique in order to improve the efficiency of the algorithm. The use of the modified algorithm showed that the space of uncertainty related to the random variable modeled was faster obtained than the traditional Monte-Carlo simulation for a given degree of precision. This approach also ensures that the model of uncertainty is better represented in its entirety.