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 punti uniformemente a caso nel quadrato unitario, cadono in una regione e ne stima l’area . Il quarto di cerchio ha area , quindi stima . Per la regione sotto , lo stesso conteggio permette di calcolare per approssimazione un integrale privo di primitiva elementare. Il grafico inferiore segue la stima mentre 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 . 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 ha deviazione standard . L’errore tipico si riduce come : moltiplicare per dieci il numero di punti lo riduce di un fattore di circa . 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 con la proporzione osservata si ottiene , 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 , 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 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, , non dipende dalla dimensione. Una griglia con punti per lato richiede invece punti in 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 , 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.