Simulazione Monte Carlo
Analytics
Graphic three dimensional illustration.
Simulazione Monte Carlo

Impara tutto quello che devi sapere su una simulazione Monte Carlo, un tipo di algoritmo computazionale che utilizza un campionamento casuale ripetuto per determinare la probabilità che si verifichino determinati risultati.

Prodotti in evidenza

SPSS Statistics

IBM Cloud Functions


Cos'è una simulazione Monte Carlo?

La simulazione Monte Carlo, conosciuta anche come metodo Monte Carlo o simulazione a probabilità multiple, è una tecnica matematica che viene utilizzata per stimare i risultati possibili di un evento incerto. Il metodo Monte Carlo è stato inventato da John von Neumann e Stanislaw Ulam durante la seconda guerra mondiale per migliorare il processo decisionale in condizioni di incertezza. Ha preso il nome da una nota città di casinò, Monaco, poiché l'elemento del caso è il cuore dell'approccio di modellazione, simile a un gioco di roulette.

Dalla sua introduzione, le simulazioni Monte Carlo hanno valutato l'impatto del rischio in molti scenari di vita reale, quali l'intelligenza artificiale, i prezzi delle azioni, le previsioni di vendita, la gestione dei progetti e la determinazione dei prezzi. Essi forniscono anche una serie di vantaggi rispetto ai modelli predittivi con input fissi, come la capacità di condurre analisi di sensibilità o calcolare la correlazione degli input. L'analisi di sensibilità permette ai funzionari decisionali di vedere l'impatto dei singoli input su un dato risultato e la correlazione permette loro di capire le relazioni tra qualsiasi variabile di input.


Come funziona una simulazione Monte Carlo?

A differenza di un normale modello di previsione, la simulazione Monte Carlo predice un insieme di risultati basati su una gamma stimata di valori rispetto a un insieme di valori di input fissi. In altre parole, una simulazione Monte Carlo crea un modello di possibili risultati avvalendosi di una distribuzione di probabilità, come una distribuzione uniforme o normale, per qualsiasi variabile che ha un'incertezza intrinseca. Quindi, ricalcola i risultati più e più volte, ogni volta usando una serie diversa di numeri casuali tra i valori minimi e massimi. In un tipico esperimento Monte Carlo, questo esercizio può essere ripetuto migliaia di volte per produrre un gran numero di risultati probabili.

Le simulazioni Monte Carlo sono utilizzate anche per le previsioni a lungo termine grazie alla loro accuratezza. All'aumentare del numero di input, cresce anche il numero di previsioni, il che permette di proiettare i risultati più lontano nel tempo con più precisione. Quando una simulazione Monte Carlo è completa, produce una gamma di risultati possibili con la relativa probabilità che esso si verifichi.

Un semplice esempio di una simulazione Monte Carlo è quello di considerare il calcolo della probabilità di lanciare due dadi. Ci sono 36 combinazioni di lanci di dadi. Sulla base di questo, è possibile calcolare manualmente la probabilità di un particolare risultato. Utilizzando una simulazione Monte Carlo, è possibile simulare il lancio dei dadi 10.000 volte (o più) per ottenere delle previsioni più accurate.


Come usare i metodi Monte Carlo

Indipendentemente dallo strumento utilizzato, le tecniche Monte Carlo comportano tre passi fondamentali:

  1. Impostare il modello predittivo, identificando sia la variabile dipendente che deve essere pronosticata che le variabili indipendenti (note anche come variabili di input, di rischio o predittive) su cui si baserà la predizione.
  2. Definire le distribuzioni di probabilità delle variabili indipendenti. Usare dati storici e/o il giudizio soggettivo dell'analista per definire una gamma di valori probabili e assegnare a ciascuno dei coefficienti di probabilità.
  3. Eseguire simulazioni ripetutamente, generando valori casuali delle variabili indipendenti. Fare questo finché non si raccolgono abbastanza risultati per costituire un campione rappresentativo del numero quasi infinito di combinazioni possibili.

Puoi eseguire tutte le simulazioni Monte Carlo che vuoi modificando i parametri di base usati per simulare i dati. Tuttavia, vorrai anche determinare la gamma di variazione all'interno di un campione calcolando la varianza e la deviazione standard, che sono misure comunemente usate per determinare la diffusione. La varianza di una data variabile è il valore atteso della differenza al quadrato tra la variabile e il suo valore atteso. La deviazione standard è la radice quadrata della varianza. In genere, le variazioni più piccole sono considerate migliori.

Leggi di più su come condurre una simulazione Monte Carlo qui (link esterno a ibm.com)


Simulazioni Monte Carlo e IBM

Anche se è possibile eseguire simulazioni Monte Carlo con numerosi strumenti, come ad esempio Microsoft Excel, è meglio avere un software statistico sofisticato, come IBM SPSS Statistics, che è ottimizzato per l'analisi del rischio e le simulazioni Monte Carlo. IBM SPSS Statistics è una potente piattaforma software statistica che offre un solido set di funzioni che ti permette di estrarre insight utili per la tua azienda a partire dai suoi dati.

Con SPSS Statistics puoi:

  • Approfondisci e comprendi meglio i tuoi dati e risolvi complessi problemi di business e di ricerca attraverso un'interfaccia user-friendly.
  • Comprendi più velocemente grandi e complessi insiemi di dati grazie a procedure statistiche avanzate che contribuiscono a garantire un'elevata accuratezza e un processo decisionale di qualità.
  • Utilizza estensioni, Python e codice di programmazione R per integrarti con software open-source.
  • Seleziona e gestisci più facilmente il tuo software con opzioni di distribuzione flessibili.

Usando il modulo di simulazione in SPSS Statistics, è possibile, per esempio, simulare vari importi di budget pubblicitari e vedere come possono influire sulle vendite totali. In base al risultato della simulazione, potresti decidere di spendere di più in pubblicità per raggiungere il tuo obiettivo di vendita. Leggi più su come usare IBM SPSS Statistics per le simulazioni Monte Carlo qui (collegamento esterno a ibm.com).

Anche

IBM Cloud Functions può essere utile nelle simulazioni Monte Carlo. IBM Cloud Functions è una piattaforma serverless functions-as-a-service che esegue il codice in risposta agli eventi in arrivo. Utilizzando IBM Cloud functions è stato possibile completare un'intera simulazione Monte Carlo in soli 90 secondi con 1.000 invocazioni simultanee. Leggi di più su come condurre una simulazione Monte Carlo usando gli strumenti IBM qui.

Per ulteriori informazioni sulle simulazioni Monte Carlo, richiedi l'IBMid e crea il tuo account IBM Cloud.


Soluzioni correlate

Cloud Functions

Esegui il codice della tua applicazione senza server, scalalo automaticamente e non spendere nulla quando non è in uso.


SPSS Statistics

Scopri gli insight nascosti nei dati che possono aiutarti a risolvere problemi di business e di ricerca.


Soluzioni IBM Cloud

Ibrido. Aperto. Resiliente. La tua piattaforma e partner per la trasformazione digitale.