Il Metodo Monte Carlo è una classe di algoritmi computazionali che si affidano alla campionatura casuale ripetuta per ottenere risultati numerici. Viene utilizzato per risolvere problemi che sono troppo complessi da risolvere analiticamente, specialmente quelli con un gran numero di variabili interdipendenti. Il nome deriva dalla città di Monte Carlo, nota per i suoi casinò e quindi simbolo del caso e della generazione di numeri casuali.

L’idea centrale del Metodo Monte Carlo è che, utilizzando un numero sufficientemente elevato di esperimenti casuali simulati (o prove), è possibile approssimare la soluzione di un problema matematico o fisico. Anziché tentare di risolvere un’equazione complessa in modo deterministico (trovando una soluzione esatta), il metodo si affida alla Legge dei Grandi Numeri: all’aumentare del numero di prove casuali, la media dei risultati ottenuti converge verso il valore atteso (la soluzione corretta).

Il processo per applicare il Metodo Monte Carlo (MC) può essere suddiviso in tre passaggi chiave:

Fase 1: definizione del dominio e delle variabili.

Si definisce il problema da risolvere e si identificano le variabili coinvolte, assegnando loro una distribuzione di probabilità (ad esempio, gaussiana, uniforme, ecc.).

Fase 2: generazione casuale (campionamento).

Si genera un numero molto elevato di campioni casuali all’interno del dominio definito. Per ogni campione generato, viene eseguita una simulazione o un calcolo.

• Esempio classico (calcolo di Pi Greco): per calcolare pi, si iscrive un cerchio in un quadrato. Si lanciano un gran numero di punti casuali all’interno del quadrato. La proporzione tra i punti che cadono all’interno del cerchio e il totale dei punti lanciati è proporzionale all’area del cerchio rispetto all’area del quadrato. Da questa proporzione si può ricavare un’approssimazione di pi.

Fase 3: aggregazione e risultato.

Si aggregano i risultati ottenuti da tutte le singole simulazioni casuali per ottenere la soluzione approssimativa (ad esempio, calcolando la media, la deviazione standard o l’integrale). L’accuratezza del risultato aumenta con il numero di simulazioni eseguite.

Vediamo ora i principali campi di applicazione. Il Metodo Monte Carlo è estremamente versatile ed è impiegato in numerosi settori in cui l’incertezza e la complessità sono dominanti:

• finanza quantitativa: viene utilizzato per valutare i prezzi delle opzioni finanziarie complesse, per modellare l’andamento dei mercati azionari e per calcolare il rischio (Value at Risk – VaR) dei portafogli d’investimento;
• fisica e ingegneria: essenziale in settori come la fisica delle particelle (per simulare il trasporto di neutroni o fotoni), la meccanica statistica e per la modellazione dei fluidi complessi;
• ottimizzazione: viene impiegato per risolvere problemi di ottimizzazione in spazi di ricerca molto vasti (ad esempio, nella pianificazione logistica o nell’intelligenza artificiale);
• statistica e informatica: utilizzato per il campionamento da distribuzioni complesse (per esempio, con gli algoritmi Markov Chain Monte Carlo – MCMC).

Vediamo ora brevemente vantaggi e svantaggi del Metodo.

Vantaggi	Svantaggi
Flessibilità: può essere applicato a problemi di qualsiasi dimensione e complessità, anche con interazioni non lineari.	Lentezza (convergenza): la convergenza verso la soluzione è lenta; per raddoppiare l’accuratezza, è necessario quadruplicare il numero di simulazioni.
Facilità di implementazione: il concetto di base è semplice e relativamente facile da codificare in un algoritmo.	Dipendenza dai numeri casuali: la qualità dei risultati dipende interamente dalla qualità del generatore di numeri pseudocasuali utilizzato.
Analisi del rischio: ideale per incorporare l’incertezza del mondo reale (rischio) nel modello attraverso distribuzioni di probabilità.	Inefficienza in dimensioni basse: per problemi con poche variabili, i metodi deterministici sono di solito più veloci e accurati.

Quindi, il Metodo Monte Carlo è un potente strumento di simulazione probabilistica che trasforma i problemi intrattabili in problemi statisticamente gestibili attraverso l’uso massivo del caso.