Come calcolare un integrale con Monte Carlo

Calcola un integrale definito con il metodo Monte Carlo: I ≈ (b-a)·(1/N)·Σf(x_i) con x_i uniformi in [a,b]. Errore standard O(1/√N), intervallo confidenza 95%, convergenza universale per qualsiasi dimensione.

Parametri di calcolo
Questo calcolatore ti è stato utile?

Come calcolare un integrale con Monte Carlo: si stima l'integrale ∫_a^b f(x) dx ≈ (b-a)·(1/N)·Σ_{i=1}^N f(x_i), dove x_i sono N punti casuali uniformemente distribuiti in [a,b]. L'errore decresce come O(1/√N) indipendentemente dalla dimensione, rendendo il metodo competitivo in alta dimensione dove i metodi deterministici (Simpson, trapezi) crescono come O(N^{-2/d}). Tipico per integrali multidimensionali, simulazioni finanziarie, fisica statistica.

Formula e principio fondamentale

Il metodo Monte Carlo per l'integrazione si basa sulla legge dei grandi numeri: se X è una variabile uniforme su [a,b] con densità 1/(b-a), allora E[f(X)] = (1/(b-a))·∫_a^b f(x) dx. Quindi l'integrale è (b-a)·E[f(X)], e si stima con la media campionaria (1/N)·Σf(x_i). L'errore standard è SE = (b-a)·σ_f/√N dove σ_f è la deviazione standard di f sulla regione di integrazione, stimata dalla dispersione dei valori campionari. L'intervallo di confidenza al 95% è I ± 1,96·SE.

Storia e contesto scientifico

Il metodo Monte Carlo fu inventato a Los Alamos nel 1946-47 da Stanislaw Ulam, John von Neumann e Nicholas Metropolis durante il Manhattan Project per simulare il trasporto di neutroni. Il nome viene dal casinò di Monte Carlo, suggerito da Metropolis in onore dello zio di Ulam, giocatore d'azzardo. Hammersley e Handscomb formalizzarono il metodo nel libro Monte Carlo Methods (1964). Le sequenze quasi-Monte Carlo (Halton, Sobol) introdotte negli anni '60 migliorano la convergenza a O(log^d(N)/N) per integrandi smooth. Oggi è alla base della finanza quantitativa (pricing opzioni esotiche, simulazione VaR), della fisica delle particelle (Geant4, Pythia, MadGraph) e del rendering 3D (path tracing).

Tabella dei metodi di integrazione

  • Trapezi: O(N^-2) per d=1, smooth. Lento in alta dimensione: O(N^{-2/d}).
  • Simpson: O(N^-4) per d=1, smooth. Maledizione dimensionalità.
  • Gauss-Legendre: O(spectral) per smooth analitiche. Pesi tabulati.
  • Monte Carlo standard: O(N^-1/2) indipendente da d. Robusto a discontinuità.
  • Quasi-Monte Carlo (Halton/Sobol): O(log^d(N)/N), migliore di MC per smooth.
  • MC con riduzione varianza: importance sampling, control variates, antithetic, stratification.
  • Markov Chain MC (MCMC): per distribuzioni complesse, Metropolis-Hastings, Gibbs.

Convergenza e dimensionalità

L'errore di Monte Carlo è SE ∝ σ_f/√N, indipendente dalla dimensione d dello spazio di integrazione. Per dimezzare l'errore servono 4× i campioni; per ridurlo di 10× servono 100×. Questo lento N^-1/2 è compensato dall'invarianza dimensionale: in d=10 il trapezi richiede ~10^10 punti per la stessa accuracy che MC ottiene con ~10^4. Per integrandi smooth in basse dimensioni, Simpson e Gauss-Legendre sono molto più efficienti. Per integrali su domini complessi (regioni non rettangolari, indicatrici), MC è il metodo di scelta perché si applica banalmente con campionamento per accettazione/rifiuto.

Esempi numerici dettagliati

Esempio 1 — ∫_0^1 x² dx = 1/3. Con N=10.000 campioni uniformi in [0,1]: media stimata di x² ≈ 0,3334, integrale = 1·0,3334 = 0,3334. Valore esatto 1/3 = 0,3333. Errore < 0,1%. Per N=10⁶ l'errore scende a < 0,01%.

Esempio 2 — ∫_0^π sin(x) dx = 2. Con N=50.000: media di sin(x) ≈ 0,6366, integrale = π·0,6366 = 2,000. Valore esatto 2. Errore in regola O(1/√N).

Esempio 3 — π via integrazione del cerchio. ∫_0^1 4·√(1-x²) dx = π. Con N=100.000: integrale stimato 3,142±0,005. Per N=10⁶: 3,1416±0,0015. Esempio classico didattico.

Esempio 4 — opzione asiatica (finanza). Pricing di un'opzione call asiatica su un sottostante S(t) con media aritmetica nel periodo [0,T]. Si simulano M traiettorie GBM, si calcola il payoff, si media e sconta. Con M=100.000 traiettorie il prezzo è preciso al 1%, mentre alberi binomiali multidimensionali esploderebbero. Metodologia standard in Bloomberg e Reuters.

Esempio 5 — integrale 5D in fisica. ∫∫∫∫∫ exp(-r²/2) d⁵x su [-2;2]^5. Volume = 4^5 = 1024. Con MC N=10⁶ si ottiene il risultato in pochi secondi; Simpson richiederebbe O(10^15) valutazioni per la stessa accuracy.

Tecniche di riduzione della varianza

  1. Importance sampling: campionare da g(x) proporzionale a |f(x)|, riduce σ se g approxima f.
  2. Control variates: usare una funzione h con integrale noto, calcolare ∫f-c·∫h e correggere.
  3. Antithetic variates: per ogni x_i campionare anche 1-x_i, sfrutta correlazione negativa.
  4. Stratified sampling: dividere [a,b] in K sottointervalli e campionare in ciascuno.
  5. Quasi-Monte Carlo: sequenze deterministiche a bassa discrepanza (Halton, Sobol, Faure).
  6. Latin Hypercube Sampling: per multivariate, garantisce copertura uniforme.
  7. Adaptive MC: VEGAS in fisica delle particelle, riadatta densità durante l'esecuzione.

Limiti del metodo

  1. Convergenza lenta per integrandi smooth in basse dimensioni: trapezi/Simpson più efficienti.
  2. Funzioni con varianza infinita (Cauchy, distribuzioni heavy-tailed) richiedono importance sampling o trasformazione.
  3. Singolarità integrabili al bordo possono inflare la varianza; serve trasformazione di variabile.
  4. Generatori pseudo-random di bassa qualità (LCG) introducono bias; usare Mersenne Twister o PCG.
  5. Per integrali con discontinuità nette MC è ottimo, Simpson fatica.
  6. Per dimensione 1-3 e funzioni smooth, Gauss-Legendre è esponenzialmente più rapido.
  7. L'errore è probabilistico: il CI 95% include il valore vero solo nel 95% dei run.
  8. Per problemi rare event (probabilità 10^-6) servono tecniche di importance sampling esponenziale.

Applicazioni pratiche

  1. Finanza quantitativa: pricing opzioni esotiche, VaR, stress test (Bloomberg, Murex).
  2. Fisica delle particelle: Geant4 simulazione rivelatori LHC, generatori MadGraph/Pythia.
  3. Computer graphics: path tracing, global illumination (Pixar, NVIDIA OptiX).
  4. Bioinformatica: filogenesi MCMC (BEAST, MrBayes), docking molecolare.
  5. Machine learning: dropout come MC, Bayesian neural networks, variational inference.
  6. Ingegneria: analisi affidabilità strutturale (UNI EN 1990 §C), reliability engineering.
  7. Climatologia: ensemble forecasts (ECMWF, NOAA), proiezioni IPCC.
  8. Studi clinici: simulazioni di farmacocinetica (NONMEM), trials adattativi (FDA).
  9. Integrali statistici: P-value bootstrap, integrazione bayesiana.
  10. Scienza dei materiali: simulazioni di gas su reticolo, modello di Ising, transizioni di fase.

Per supporto

Per domande tecniche o segnalazioni: info@calcoi.com. Strumento didattico per integrazione Monte Carlo 1D. Per applicazioni finanziarie o scientifiche professionali consultare letteratura specializzata (Glasserman 2003, Robert & Casella 2004, Liu 2001).

Aggiornato a luglio 2026

Domande frequenti

Cos'è l'integrazione Monte Carlo?

È un metodo numerico che stima un integrale ∫_a^b f(x) dx mediante la media di N valori f(x_i) calcolati su N punti casuali uniformemente distribuiti in [a,b], poi moltiplicata per (b-a). Si basa sulla legge dei grandi numeri ed è particolarmente vantaggioso in alta dimensione dove i metodi deterministici falliscono.

Perché si chiama Monte Carlo?

Il nome fu suggerito da Nicholas Metropolis nel 1946 al Manhattan Project di Los Alamos in onore dello zio di Stanislaw Ulam, abituale frequentatore del casinò di Monte Carlo. La randomicità del metodo evocava il gioco d'azzardo. Il primo articolo formale fu pubblicato da Metropolis e Ulam nel Journal of the American Statistical Association nel 1949.

Come converge il metodo?

L'errore standard scala come O(1/√N), indipendentemente dalla dimensione. Per dimezzare l'errore servono 4× i campioni; per ridurlo di 10× servono 100×. È più lento di Simpson in 1D (O(N^-4)) ma sostituisce metodi deterministici in alta dimensione dove la 'maledizione della dimensionalità' fa esplodere il numero di punti necessari.

Quando usare Monte Carlo vs Simpson?

Per integrali smooth in dimensione 1-3 usare Simpson o Gauss-Legendre (convergenza esponenziale per analitiche). Per dimensione ≥4 o domini complessi (regioni non rettangolari, indicatrici, integrandi con discontinuità) usare Monte Carlo. La soglia critica dipende dall'integrando: per dim<10 con f smooth, Quasi-MC (Halton/Sobol) è la scelta migliore.

Cosa significa l'errore standard SE?

Stima statistica dell'incertezza dell'integrale calcolato. Si interpreta come deviazione standard della stima ottenuta ripetendo il calcolo con N campioni indipendenti. L'intervallo I ± 1,96·SE contiene il vero integrale con probabilità 95% (proprietà del metodo, non della singola stima). Per N grande la distribuzione è approssimativamente normale (TLC).

Si può ridurre la varianza?

Sì, con tecniche specifiche: importance sampling (campionare da distribuzione proporzionale a |f|), control variates (correggere con funzione a integrale noto), antithetic variates (correlazione negativa con 1-x_i), stratified sampling (suddividere [a,b]), quasi-Monte Carlo (sequenze Halton/Sobol). Possono migliorare la convergenza fino a O(1/N) o meglio.

Per quali applicazioni reali?

Pricing opzioni esotiche in finanza (Bloomberg, Murex), simulazioni Geant4 al LHC, path tracing in computer graphics (Pixar, OptiX), MCMC in bioinformatica (BEAST), Bayesian inference in ML, analisi affidabilità strutturale (Eurocode EN 1990 §C), ensemble forecasts climatici (ECMWF), simulazioni farmacocinetiche cliniche (NONMEM).

Formula

I ≈ (b-a)·(1/N)·Σ f(x_i) con x_i ~ U(a,b); SE = (b-a)·σ_f/√N

Commenti (0)

Ancora nessun commento. Sii il primo!