Metodo Monte Carlo

Da Wikipedia, l'enciclopedia libera.

Il metodo Monte Carlo è un'ampia classe di metodi computazionali basati sul

campionamento casuale per ottenere risultati numerici. Può essere utile per superare i
problemi computazionali legati ai test esatti (ad esempio i metodi basati sulla
distribuzione binomiale e calcolo combinatorio, che per grandi campioni generano un
numero di permutazioni eccessivo).

Il metodo è usato per trarre stime attraverso simulazioni. Si basa su un algoritmo che
genera una serie di numeri tra loro non correlati, che seguono la distribuzione di
probabilità che si suppone abbia il fenomeno da indagare. La non correlazione tra i
numeri è assicurata da un test chi quadrato.

La simulazione Monte Carlo calcola una serie di realizzazioni possibili del fenomeno
in esame, con il peso proprio della probabilità di tale evenienza, cercando di esplorare
in modo denso tutto lo spazio dei parametri del fenomeno. Una volta calcolato questo
campione casuale, la simulazione esegue delle 'misure' delle grandezze di interesse su Visualizzazione tridimensionale di una
simulazione estremamente grande di un
tale campione. La simulazione Monte Carlo è ben eseguita se il valore medio di
problema di Instabilità di Rayleigh-Taylor
queste misure sulle realizzazioni del sistema converge al valore vero.
- Lawrence Livermore National
Laboratory
Le sue origini risalgono alla metà degli anni 40 nell'ambito del Progetto Manhattan. I
formalizzatori del metodo sono Enrico Fermi, John von Neumann e Stanisław
Marcin Ulam[1], il nome Monte Carlo fu inventato in seguito da Nicholas Constantine
Metropolis in riferimento al noto casinò situato a Monte Carlo, nel Principato di Monaco, l'uso di tecniche basate sulla selezione
di numeri casuali è citato già in un lavoro di Lord Kelvin del 1901 ed in alcuni studi di William Sealy Gosset[1].

L'algoritmo Monte Carlo è un metodo numerico che viene utilizzato per trovare le soluzioni di problemi matematici che possono
avere molte variabili e che non possono essere risolti facilmente, per esempio il calcolo integrale. L'efficienza di questo metodo
aumenta rispetto agli altri metodi quando la dimensione del problema cresce.

Un primo esempio di utilizzo del metodo Monte Carlo è rappresentato dall'esperimento dell'ago di Buffon e forse il più famoso
utilizzo di tale metodo è quello di Enrico Fermi, quando nel 1930 usò un metodo casuale per problemi di trasporto neutronico[1].

Indice
Descrizione generale
Integrazione
Discussione analitica
Esempi
Rendimento di un titolo
Determinazione del valore π
Determinazione della superficie di un lago
Alcune applicazioni
Note
Bibliografia
Voci correlate
Altri progetti
Collegamenti esterni
Software Statistici
Descrizione generale
Non c'è un solo metodo Monte Carlo; il termine descrive invece una classe di approcci
molto utilizzati per una larga categoria di problemi. Tuttavia, questi approcci tendono a
seguire un particolare schema:

1. Definire un dominio di possibili dati in input.

2. Generare input casuali dal dominio con una certa distribuzione di
probabilità determinate.
3. Eseguire un calcolo deterministico utilizzando i dati in ingresso (input).
4. Aggregare i risultati dei calcoli singoli nel risultato finale.

Integrazione
I metodi deterministici di integrazione numerica operano considerando un numero di
campioni uniformemente distribuiti. In generale, questo metodo lavora molto bene per
funzioni di una variabile. Tuttavia, per funzioni di vettori, i metodi deterministici di
quadratura possono essere molto inefficienti. Per integrare numericamente una funzione
di un vettore bidimensionale, sono richieste griglie di punti equispaziati sulla superficie
stessa. Per esempio una griglia di 10x10 richiede 100 punti. Se il vettore è a 100
dimensioni, la stessa spaziatura sulla griglia dovrebbe richiedere 10100 punti– questo Il metodo Monte Carlo può essere
potrebbe essere troppo dispendioso computazionalmente. Le 100 dimensioni non hanno illustrato come una Battaglia navale.
un significato irragionevole, poiché in molti problemi di fisica, una "dimensione" è Prima un giocatore fa alcuni colpi a
equivalente a un grado di libertà. caso. Successivamente il giocatore
applica alcuni algoritmi (es. la
I metodi di Monte Carlo forniscono una soluzione a questo problema di crescita del corazzata è di quattro punti nella
numero di gradi di libertà. Finché la funzione in questione ha un buon comportamento, direzione verticale o orizzontale).
può essere valutata selezionando in modo casuale i punti in uno spazio 100- Infine, sulla base dei risultati del
dimensionale, e prendendo alcune tipologie di medie dei valori della funzione in questi campionamento casuale e degli
punti. Per il teorema del limite centrale, questo metodo mostrerà ordine di convergenza algoritmi il giocatore può determinare
; per esempio quadruplicando il numero dei punti equispaziati dimezza l'errore, le posizioni probabili delle navi degli
altri giocatori.
nonostante il numero delle dimensioni.

Una caratteristica di questo metodo è quella di scegliere i punti in modo casuale, ma

vengono scelti con maggior probabilità i punti che appartengono alle regioni che contribuiscono maggiormente al calcolo
dell'integrale rispetto a quelli che appartengono a regioni di basso contributo. In altre parole, i punti dovrebbero essere scelti
secondo una distribuzione simile in forma alla funzione integranda. Comprensibilmente, fare ciò è difficile tanto quanto risolvere
l'integrale, ma ci sono altri metodi di approssimazione possibili: a partire da quelli che costruiscono una funzione integrabile
simile a quella da integrare, fino ad arrivare ad una delle procedure adattive.

Un simile approccio implica l'uso di low-discrepancy sequences piuttosto del metodo quasi-Monte Carlo. I metodi Quasi-Monte
Carlo spesso possono essere più efficienti come metodi di integrazione numerica poiché la successione di valori generata riempie
meglio l'area e le successive valutazioni possono far convergere più velocemente la simulazione alla soluzione.

Discussione analitica
Per un modello stocastico sia θ la quantità da determinarsi. Si esegua una simulazione, generando la variabile casuale X1 in
modo che θ sia il valore atteso di X1. Consideriamo una seconda simulazione, generando una variabile casuale X2 tale che il suo
valore atteso sia sempre θ. Proseguiamo con k simulazioni, generando fino a k variabili casuali Xk con E[Xk] = θ. Come
stimatore di θ possiamo prendere la media aritmetica delle k variabili casuali generate, cioè

in quanto è ovviamente E[X] = θ. Qual è il valore più appropriato di k? Supponiamo di avere n variabili aleatorie indipendenti,
X1, ..,Xn aventi la stessa distribuzione. Sia σ2 la varianza della variabile Xi e θ il valore atteso (E[Xi] = θ, Var(Xi) = σ2). La
media campionaria X viene definita da
Il suo valore atteso è:

Quindi X è uno stimatore non distorto (cioè con valore atteso uguale a quello del parametro) di θ. La sua varianza, usando la
formula di Bienaymé è:

Pertanto X è una variabile aleatoria con media θ e varianza σ2/n; ne segue che X è uno stimatore efficiente quando σ/√n è
piccolo. Fissata una tolleranza per σ2/n ed avendo stimato σ2 si può in tal modo stimare n.

Si può imporre che il valore atteso ottenuto con lo stimatore stia dentro un ben definito intervallo di confidenza. Si può a tale
scopo utilizzare una conseguenza del teorema del limite centrale. Sia X1, X2, …, Xn …, una successione di variabili casuali
indipendenti e distribuite identicamente aventi la media finita μ e la varianza finita σ2. Allora

dove Φ(x) è la funzione di distribuzione di una variabile casuale normale standard,

Quando n>>1 il teorema del limite centrale ci dice che la variabile

è approssimativamente distribuita come una variabile aleatoria normale unitaria, indicata con N(0,1), cioè con media zero e
varianza 1. Sia ora zα, dove 0< α <1, quel numero tale che, per una variabile normale unitaria, si abbia P(Z > zα) = α Allora, dal
teorema del limite centrale si ha che, asintoticamente per n grande

Che afferma che la probabilità che la media θ sia compresa nell'intervallo

è (1 - α). Perciò, assegnato 1-α e conoscendo σ, si può stimare il minimo valore di n necessario.

Nasce quindi il problema di come stimare la varianza σ2 = E[(X - θ)2]

Definizione. La varianza del campione S2 è definita da

Vale il seguente risultato.

Proposizione. E[S2]= σ2 Infatti si ha:

ne segue

Per una variabile aleatoria si ha:

E quindi

Inoltre

Ne segue

Supponiamo ora di avere n variabili aleatorie indipendenti X1, X2, …, Xn aventi la stessa funzione di distribuzione F e di volere
stimare il parametro θ(F) (per evidenziare che tale quantità deve essere calcolata rispetto alla funzione di distribuzione F). Sia
g(X1, X2, …, Xn) lo stimatore proposto per θ(F); se questo non corrisponde al valore medio, il metodo precedentemente esposto
per stimare la varianza dello stimatore non si può applicare. Vediamo come si può stimare l'errore quadratico medio che si
commette quando si usa questo stimatore:

Dove il pedice F significa che il valore d'aspettazione viene calcolato rispetto alla funzione di distribuzione F che per il momento
è incognita.

Un metodo per stimare tale quantità è quello del bootstrap, utilizzando la funzione di distribuzione empirica Fe(x) definita da:

La legge forte dei grandi numeri afferma che per n molto grande, con probabilità 1, Fe(x) tende a F(x). Allora un valore
approssimato di EQM(F) è dato da (approssimazione di bootstrap):

Va rilevato, da un punto di vista operativo, che il dimensionamento della simulazione si supera facilmente grazie alla crescente
disponibilità di potenza di calcolo. In altre parole, procedendo all'uso del metodo su calcolatore, sarà sufficiente generare una
serie di prove di ampiezza sicuramente ridondante per assicurarsi la significatività della stima.

Esempi

Rendimento di un titolo

Si voglia stimare il rendimento mensile di un titolo azionario. Il titolo esiste da cinque anni, quindi si hanno a disposizione solo
60 rendimenti mensili. Supponiamo che i rendimenti si distribuiscano seguendo una variabile casuale normale.
Calcoliamo:

Media campionaria
Scarto quadratico medio campionario, su base giornaliera (che poi si adatterà con la formula della radice
quadrata del tempo al periodo mensile.)

Con un modello di regressione lineare cercheremo di stimare la media a un mese. Successivamente, si andranno a generare
attraverso l'algoritmo Monte Carlo una serie di medie "sperimentali" che saranno ricavate da una distribuzione normale (perché si
è ipotizzato che i rendimenti seguano questa distribuzione) con media pari alla media stimata e scarto quadratico medio pari allo
scarto quadratico medio campionario a un mese.

Una strategia per procedere e stimare la vera media del fenomeno, a questo punto, può essere quella di ricavare la media generale
di tutte le medie sperimentali ottenute. I dati ottenuti forniscono stime tanto migliori quanto maggiore è il numero delle prove
fatte.

Determinazione del valore π

Sia M un punto di coordinate (x,y) con 0<x<1 e 0<y<1 e scegliamo casualmente i valori
di x e y.

Se allora il punto M appartiene al settore di disco (un quarto del cerchio a

cui appartiene) di centro (0,0) di raggio 1.

L'area di tale disco è il raggio elevato al quadrato per π diviso 4. Nell'esempio il raggio è
pari a uno e quindi l'area di interesse è 1*π/4 = π/4. Il punto può cadere quindi o nel
cerchio o nel quadrato circoscritto al cerchio. La probabilità che il punto cada all'interno
del settore di disco è quindi pari al rapporto tra l'area del settore π/4 e l'area del quadrato
circoscritto al settore di disco che è 1; quindi la probabilità è π/4.

Facendo il rapporto del numero dei punti che cadono nel settore di disco con il numero Il metodo Monte Carlo applicato
dei tiri effettuati si ottiene un'approssimazione del numero π/4 se il numero dei tiri è nell'approssimazione del valore di π.
grande.

Eseguendo numericamente l'esempio si ottiene un andamento percentuale dell'errore mostrato nel grafico sottostante.

Andamento % dell'errore tra il pi-greco teorico e il pi-greco calcolato. Il programma ha eseguito 1370 milioni di lanci. Si noti che all'inizio
l'errore è molto elevato ma rapidamente tende a decrescere. Essendo un metodo statistico ci possono essere dei temporanei
innalzamenti dell'errore ma la tendenza è la sua diminuzione all'aumento dei lanci.

Determinazione della superficie di un lago

Questo è un esempio classico della divulgazione del metodo Monte-Carlo. Sia data una zona rettangolare o quadrata di cui la
lunghezza dei lati è conosciuta. Al centro di quest'area si trova un lago la cui superficie è sconosciuta. Grazie alle misure dei lati
della zona, si conosce l'area del rettangolo. Per determinare l'area del lago, si chiede ad una truppa armata di tirare X colpi di
cannone in modo aleatorio su questa zona. Contiamo in seguito il numero N di palle che sono restate sulla terra, possiamo quindi
determinare il numero di palle che sono cadute dentro il lago: X-N. È sufficiente quindi stabilire un rapporto tra i valori:

Per esempio, se il terreno ha superficie di 1000 m2, e supponiamo che l'armata tiri 500 palle e che 100 proiettili sono caduti
dentro il lago allora la superficie del lago è di: 100*1000/500 = 200 m2.

Naturalmente, la qualità della stima migliora aumentando il numero dei tiri ed assicurandosi che l'artiglieria non miri sempre lo
stesso posto ma copra bene la zona. Questa ultima ipotesi coincide con l'ipotesi di avere un buon generatore di numeri aleatori,
questa condizione è indispensabile per avere dei buoni risultati con il metodo Monte Carlo. Un generatore distorto è un po' come
un cannone il cui tiro tende a indirizzarsi verso alcune zone rispetto ad altre: le informazioni che se ne possono ricavare sono
anch'esse distorte.

Alcune applicazioni
Il metodo è molto usato in varie discipline. Tra le possibili applicazioni: fisica statistica e ingegneria, dove si presta molto bene a
risolvere problemi legati, ad esempio, alla fluidodinamica; in economia e finanza per prezzare i derivati e le opzioni non standard;
in ottica, per simulare l'illuminazione naturale; in fisica medica trova uso per la pianificazione di trattamenti radioterapeutici, in
particolare nella protonterapia a pencil beam; nella chimica computazionale il Monte Carlo quantistico è un metodo per la
determinazione della struttura elettronica; ecc…

È molto potente se usato in combinazione con altri metodi non parametrici come il resampling.

Un altro esempio particolare dell'utilizzo del Metodo Monte Carlo è l'impiego del metodo nell'analisi scacchistica. Negli ultimi
anni alcuni programmi scacchistici in commercio implementano delle opzioni d'analisi che utilizzano "Monte Carlo analisi". Per
valutare una posizione, si fanno giocare al computer migliaia di partite partendo dalla posizione da analizzare, facendo eseguire al
PC delle mosse "random" (una scelta casuale tra le mosse che il programma giudica più logiche). La media dei risultati ottenuti in
queste partite è un'indicazione plausibile della mossa migliore.[2]

Il metodo Monte Carlo trova un'applicazione di successo ancora maggiore nel gioco del go. In tal caso l'applicazione del metodo
è ancora più diretta: molti programmi raggiungono un buon livello di gioco senza aver bisogno di restringere la selezione casuale
a un sottoinsieme di mosse legali determinato da una funzione di valutazione (esempio di programma che usa questo metodo in
unione con il machine learning è AlphaGo).

Note
1. Carlo Jacoboni e Paolo Lugli, The Monte Carlo Method for Semiconductor Device Simulation - Springer-Verlag
2. ^ Chessbase (https://www.chessbase.com/newsdetail.asp?newsid=5075)

Bibliografia
W. K. Hastings, Monte Carlo sampling methods using Markov chains and their applications, Biometrika, 1970,
pp. 97-109.
 Bernd A. Berg, Markov Chain Monte Carlo Simulations and Their Statistical Analysis (With Web-Based Fortran
Code), World Scientific 2004, ISBN 981-238-935-0.
P. Kevin MacKeown, Stochastic Simulation in Physics, 1997, ISBN 981-3083-26-3
Harvey Gould & Jan Tobochnik, An Introduction to Computer Simulation Methods, Part 2, Applications to
Physical Systems, 1988, ISBN 0-201-16504-X
C.P. Robert and G. Casella. "Monte Carlo Statistical Methods" (second edition). New York: Springer-Verlag,
2004, ISBN 0-387-21239-6
Makers of commercial packages which implement Monte Carlo algorithms in include Palisade Corporation
(@Risk) (http://www.palisade.com), Decisioneering (Crystal Ball) (http://www.decisioneering.com) and
Vanguard Software (DecisionPro) (https://web.archive.org/web/20060313045548/http://www.vanguardsw.com/d
ecisionpro/monte-carlo-simulation-software.htm)
Mosegaard, Klaus., eTarantola, Albert, 1995. Monte Carlo sampling of solutions to inverse problems. J.
Geophys. Res., 100, B7, 12431-12447.
Albert Tarantola, Inverse Problem Theory, Society for Industrial and Applied Mathematics, 2005, ISBN 0-89871-
572-5.
Morin, L. Richard, Monte Carlo Simulation in the Radiological Sciences, CRC Press, ISBN 0-8493-5559-1.

Voci correlate
Algoritmo di Metropolis-Hastings
FERMIAC
FLUKA
MNCP
Geant4
Metodo Monte Carlo Dinamico
Tissue simulation toolkit
AlphaGo

Altri progetti
Wikibooks contiene implementazioni del metodo Monte Carlo
Wikimedia Commons (https://commons.wikimedia.org/wiki/?uselang=it) contiene immagini o altri file sul
metodo Monte Carlo (https://commons.wikimedia.org/wiki/Category:Monte_Carlo_method?uselang=it)

Collegamenti esterni

(EN) Metodo Monte Carlo, su Enciclopedia Britannica, Encyclopædia Britannica, Inc.

(EN) IUPAC Gold Book, "Monte Carlo (MC), method of", su goldbook.iupac.org.
https://web.archive.org/web/20060114054216/http://epicws.epm.ornl.gov/rsic.html ORNL Radiation Safety
Information Computational Center (RSICC)
http://www.nea.fr/html/dbprog/ NEA Data Bank Computer Program Services
Monte Carlo techniques applied in physics, su princeton.edu. URL consultato il 3 maggio 2019 (archiviato dall'url originale
il 23 marzo 2012).
http://homepages.nyu.edu/~sl1544/articles.html Simon Leger, Article on Monte Carlo techniques applied to
finance
http://homepages.nyu.edu/~sl1544/MonteCarloNuls.pdf Simon Leger, Introduction aux techniques de Monte
Carlo appliquees a la finance et introduction aux techniques plus avancees.
http://www.fluka.org/ A particle physics MonteCarlo simulation package
Chessbase (https://www.chessbase.com/newsdetail.asp?newsid=5075) tutorial analisi scacchistica con il
Metodo Montecarlo

Software Statistici
MCMCpack Package R, su cran.r-project.org.
 Controllo di autorità Thesaurus BNCF 32258 (https://thes.bncf.firenze.sbn.it/termine.php?id=32258) · LCCN
(EN ) sh85087032 (http://id.loc.gov/authorities/subjects/sh85087032) · GND (DE) 4240945-7 (https://d
-nb.info/gnd/4240945-7) · NDL (EN, JA ) 00567842 (https://id.ndl.go.jp/auth/ndlna/00567842)

Estratto da "https://it.wikipedia.org/w/index.php?title=Metodo_Monte_Carlo&oldid=116564642"

Questa pagina è stata modificata per l'ultima volta il 10 nov 2020 alle 15:52.

Il testo è disponibile secondo la licenza Creative Commons Attribuzione-Condividi allo stesso modo; possono applicarsi condizioni ulteriori.
Vedi le condizioni d'uso per i dettagli.