Probabilità e statistica · Metodo Monte Carlo

Metodo Monte Carlo

Il metodo Monte Carlo stima un numero mediante campionamento casuale. Distribuisci N punti nel quadrato unitario in modo uniforme e indipendente: la frazione che cade in una regione ne stima l’area, con errore standard proporzionale a 1/√N. Lancia i punti e osserva come si stabilizza la stima di π, insieme alla sua incertezza.

Il metodo Monte Carlo in questa visualizzazione

Un metodo Monte Carlo stima un valore fisso mediante campionamento casuale. Qui il valore è un’area: si distribuiscono NN punti uniformemente a caso nel quadrato unitario, HH cadono in una regione e H/NH/N ne stima l’area aa. Il quarto di cerchio ha area π/4\pi/4, quindi 4H/N4H/N stima π\pi. Per la regione sotto y=e−x2y = e^{-x^2}, lo stesso conteggio permette di calcolare per approssimazione un integrale privo di primitiva elementare. Il grafico inferiore segue la stima mentre NN cresce fino a un milione e mostra l’intervallo in cui dovrebbe cadere nel 95% delle ripetizioni.

Perché la proporzione stima l’area

Per un punto distribuito uniformemente in un quadrato di area 1, la probabilità di cadere in una regione è pari all’area della regione. Ogni punto è una prova indipendente con la stessa probabilità. Per la legge dei grandi numeri, la proporzione di punti a segno tende quindi a aa. La forma della regione è irrilevante, purché si possa stabilire se un punto vi appartiene.

Quanto è precisa la stima

Il numero di punti a segno ha distribuzione binomiale, quindi la proporzione H/NH/N ha deviazione standard a(1−a)/N\sqrt{a(1-a)/N}. L’errore tipico si riduce come 1/N1/\sqrt{N}: moltiplicare per dieci il numero di punti lo riduce di un fattore di circa 10≈3.16\sqrt{10} \approx 3.16. Per ridurre di dieci volte l’errore servono perciò circa cento volte più punti. Anche con un milione di punti il margine su π è ancora di circa ±0.003. Per stimarlo non occorre conoscere l’area vera: sostituendo aa con la proporzione osservata p^=H/N\hat p = H/N si ottiene ±1.96p^(1−p^)/N\pm 1.96\sqrt{\hat p(1-\hat p)/N}, un intervallo di confidenza approssimato al 95%. Qui lo si usa da quando ci sono almeno dieci punti dentro e dieci fuori. Ripetendo molte volte l’esperimento con lo stesso NN, circa un intervallo su venti non comprenderebbe il valore vero. L’imbuto blu del grafico inferiore mostra la fascia attorno al valore vero per ciascun NN separatamente. L’intera traiettoria può uscirne e l’errore di una singola simulazione può aumentare quando si aggiungono punti. Ciò che si restringe in modo prevedibile è l’intervallo.

Quando conviene

Per una funzione regolare di una variabile, a parità di valutazioni una regola deterministica come quella di Simpson (vedi integrazione numerica) è molto più precisa. Il vantaggio del metodo Monte Carlo è che l’esponente nel suo tasso di convergenza, 1/N1/\sqrt{N}, non dipende dalla dimensione. Una griglia con mm punti per lato richiede invece mdm^d punti in dd dimensioni. Nei problemi con molte dimensioni il metodo Monte Carlo può quindi convenire. I bersagli piccoli ne mostrano il limite: l’errore standard relativo all’area è (1−a)/(aN)\sqrt{(1-a)/(aN)}, quindi una regione che occupa un centesimo del quadrato richiede molti più punti per la stessa precisione relativa.

Cosa osservare

  • I punti casuali non sono equidistanti: con poche centinaia di punti è normale vedere gruppi fitti e spazi vuoti.
  • I punti provengono da un generatore pseudocasuale con un seme numerico. Un link condiviso riproduce gli stessi punti. Raggiunto il milione, «Lancia punti» ricomincia con il seme successivo.

Argomenti correlati