EuraStudy
Simulare significa far «vivere» un modello di un fenomeno reale all'interno del calcolatore, per osservarne il comportamento quando l'esperimento diretto è impossibile, costoso o pericoloso. Questo argomento collega l'informatica alle altre scienze: si costruisce un modello (deterministico o probabilistico), lo si traduce in un algoritmo, lo si esegue per produrre dati e infine si validano i risultati confrontandoli con la realtà. Il filo conduttore è il ciclo «modello → simulazione → validazione», con un'attenzione costante ai limiti e all'attendibilità di ciò che la macchina restituisce.
5 sezioni~25 min di lettura4 competenzeLivello Base 1 · Standard 3 · Approfondimento 1Verificato · 07/2026
livello base
È richiesto saper distinguere modello e simulazione, riconoscere modelli deterministici e probabilistici e descrivere il ciclo modello → simulazione → validazione su un esempio semplice.
livello avanzato
L'indirizzo Scienze Applicate approfondisce l'implementazione di una simulazione (anche Monte Carlo) in un linguaggio di programmazione, l'analisi quantitativa dei dati prodotti e la valutazione dell'errore, in raccordo con Fisica e Matematica.
Profondità di lettura: Approfondimento
Dimensione del testo: Standard
Il ciclo di modellizzazione e simulazione
Un gruppo di studenti vuole prevedere la temperatura di una tazza di tè che si raffredda. Riconosci, nelle azioni elencate, a quale fase del ciclo di modellizzazione appartiene ciascuna: (a) ipotizzano che la velocità di raffreddamento sia proporzionale alla differenza con la temperatura ambiente; (b) scrivono un programma che aggiorna la temperatura ogni minuto; (c) misurano col termometro la temperatura reale e la confrontano con quella calcolata; (d) poiché lo scarto è grande, rivedono il valore della costante di raffreddamento.
Stabilire le ipotesi e le relazioni tra le variabili è la costruzione del MODELLO (qui un modello deterministico ispirato alla legge di Newton del raffreddamento).
Tradurre il modello in un algoritmo eseguibile che fa evolvere la temperatura nel tempo è la SIMULAZIONE.
Confrontare i valori prodotti con i dati misurati è la VALIDAZIONE.
Correggere un parametro per migliorare l'accordo è il RAFFINAMENTO, che riporta al modello e fa ripartire il ciclo.
Risultato: (a) modello, (b) simulazione, (c) validazione, (d) raffinamento: le quattro azioni ricostruiscono esattamente un giro completo del ciclo modello → simulazione → validazione → raffinamento.
Errori frequenti
Approfondimento
I modelli e le simulazioni si classificano lungo alcuni assi utili a scegliere lo strumento giusto. Un modello è continuo se le variabili di stato cambiano con continuità nel tempo (la temperatura di un corpo) o discreto se cambiano a scatti in istanti separati (il numero di clienti in fila); è statico se descrive una situazione a un istante fissato o dinamico se ne descrive l'evoluzione. Le simulazioni dinamiche si realizzano poi in due stili diversi. Nella simulazione a passo di tempo (time-driven) si avanza l'orologio di un intervallo fisso «Δt» e a ogni passo si aggiornano tutte le variabili, approccio comodo per i fenomeni continui approssimati. Nella simulazione a eventi discreti (event-driven) l'orologio salta direttamente all'istante del prossimo evento significativo (l'arrivo di un cliente, la fine di un servizio), gestiti in una coda di eventi ordinata per tempo: è l'approccio efficiente per i sistemi a coda, dove fra un evento e l'altro «non succede nulla» e simulare ogni istante sarebbe uno spreco. Sul piano metodologico vale il principio di parsimonia (rasoio di Occam): fra due modelli che spiegano ugualmente bene i dati si preferisce il più semplice, perché ha meno parametri da stimare, è meno soggetto al sovradattamento ed è più facile da comprendere e validare. Aggiungere dettagli oltre il necessario non è sinonimo di realismo, ma spesso di fragilità.
Ripasso attivo
Si vuole studiare con una simulazione il traffico a un incrocio regolato da un semaforo. Individua almeno tre variabili rilevanti del modello, due ipotesi semplificatrici che adotteresti e una grandezza che ti aspetti come risultato della simulazione; spiega poi perché in questo caso la simulazione è preferibile a un esperimento sul traffico reale.
Richiamo attivo
Ricorda i punti chiave — poi rivela.
Fonti: Indicazioni Nazionali per i Licei (DPR 89/2010, DM 211/2010) — Obiettivi Specifici di Apprendimento (Ministero dell'Istruzione e del Merito (MIM))
Modello deterministico e modello probabilistico a confronto
Media campionaria
Stima del valore atteso ottenuta da N repliche di una simulazione probabilistica: x_i è l'esito della i-esima esecuzione. Aumentando N la media campionaria tende a stabilizzarsi attorno al valore teorico.
Una simulazione probabilistica del tempo di attesa (in minuti) a uno sportello viene eseguita 5 volte e produce gli esiti: 4, 6, 3, 7, 5. Stima il tempo medio di attesa e spiega perché 5 repliche danno una stima soltanto provvisoria.
Si sommano i cinque valori ottenuti dalle repliche.
La media campionaria si ottiene dividendo per il numero di repliche N = 5.
Con sole 5 repliche la media è molto sensibile al caso: la dispersione dei dati (da 3 a 7) è ampia rispetto alla media, quindi la stima è poco stabile.
Risultato: Il tempo medio stimato è 5 minuti; per ottenere una stima affidabile occorre aumentare il numero di repliche, così che la media campionaria si stabilizzi attorno al valore atteso.
Errori frequenti
Approfondimento
La distinzione fra deterministico e imprevedibile è più sottile di quanto sembri: esistono sistemi deterministici che sono di fatto impredicibili a lungo termine, i sistemi caotici. In essi una variazione infinitesima delle condizioni iniziali si amplifica esponenzialmente nel tempo (dipendenza sensibile dalle condizioni iniziali, il celebre «effetto farfalla»), sicché, pur essendo il modello perfettamente deterministico, la precisione finita con cui si conoscono i dati di partenza rende la previsione praticamente impossibile oltre un certo orizzonte — è ciò che limita le previsioni meteorologiche. Determinismo, dunque, non implica prevedibilità. Sul versante probabilistico, il motivo per cui molte repliche danno stime affidabili è la legge dei grandi numeri: la media di N esiti indipendenti converge al valore atteso al crescere di N. Ma quanto velocemente? L'errore tipico della media (l'errore standard) decresce come «σ/√N», dove «σ» è la deviazione standard del fenomeno: per dimezzare l'incertezza sulla stima occorre quadruplicare le repliche. È la stessa legge «1/√N» che governa la lentezza del metodo Monte Carlo, e spiega perché le simulazioni stocastiche di alta precisione richiedano un numero enorme di esecuzioni — un limite intrinseco del metodo, non un difetto di implementazione.
Ripasso attivo
Per ciascuno dei seguenti casi indica se conviene un modello deterministico o probabilistico, motivando: (1) calcolare dopo quanti secondi un sasso lanciato verso l'alto a velocità nota tocca terra; (2) stimare il tempo medio di attesa dei clienti a una cassa di supermercato; (3) prevedere la posizione di un pianeta tra un anno; (4) stimare la probabilità che, lanciando tre dadi, la somma sia 10.
Richiamo attivo
Ricorda i punti chiave — poi rivela.
Fonti: Indicazioni Nazionali per i Licei (DPR 89/2010, DM 211/2010) — Obiettivi Specifici di Apprendimento (Ministero dell'Istruzione e del Merito (MIM))
Stima di pi greco con il metodo Monte Carlo
Stima Monte Carlo di pi greco
Il rapporto tra i punti caduti nel quarto di cerchio (x^2 + y^2 <= 1) e i punti totali approssima l'area del quarto di cerchio, cioe pi/4; moltiplicando per 4 si stima pi.
Andamento dell'errore
L'errore tipico di una stima Monte Carlo decresce all'incirca come 1 su radice di N: per dimezzarlo occorre quadruplicare il numero N di prove.
Una simulazione Monte Carlo genera 1000 punti casuali nel quadrato unitario e ne trova 786 con x² + y² ≤ 1. Calcola la stima di π risultante e commenta brevemente l'accuratezza.
Si calcola la frazione di punti caduti nel quarto di cerchio.
La stima di π è quattro volte tale rapporto.
Il valore 3.144 differisce da π ≈ 3.14159 di circa 0.0024. Con soli 1000 punti l'errore tipico è dell'ordine di qualche centesimo: per migliorarlo di un ordine di grandezza servirebbero circa 100 volte più punti.
Risultato: π ≈ 3.144, in buon accordo con il valore vero a meno di pochi millesimi; l'accuratezza cresce lentamente, all'incirca come 1/√N.
Errori frequenti
Approfondimento
Vale la pena aprire la «scatola» del generatore pseudo-casuale. Il più semplice è il generatore congruenziale lineare (LCG), che produce la sequenza con la ricorrenza «X_nuovo = (a·X + c) mod m» a partire dal seme; scelti bene i parametri «a», «c» e «m», la sequenza percorre moltissimi valori prima di ripetersi. Ogni PRNG ha infatti un periodo — la lunghezza della sequenza prima che ricominci identica, essendo il generatore deterministico e finito — e un LCG mediocre ha periodo corto e correlazioni nascoste che possono falsare una simulazione; per questo si usano generatori di qualità come il Mersenne Twister, dal periodo enorme. I generatori producono numeri uniformi in «[0, 1)», ma spesso servono altre distribuzioni: le si ottiene trasformando l'uniforme, per esempio con il metodo dell'inversione (si applica l'inversa della funzione di ripartizione desiderata) o con tecniche di accettazione-rifiuto. Un'avvertenza importante: la prevedibilità dei PRNG li rende inadatti alla crittografia, dove chi conoscesse il seme potrebbe riprodurre l'intera sequenza; lì si usano generatori crittograficamente sicuri o sorgenti di vero rumore fisico. Quanto al metodo Monte Carlo, la sua lentezza è quantificabile: l'errore tipico decresce come «1/√N», quindi per aggiungere una cifra decimale di precisione (dividere l'errore per 10) occorre moltiplicare le prove per 100 — ecco perché conviene, quando possibile, affiancargli tecniche di riduzione della varianza.
Ripasso attivo
Descrivi a parole l'algoritmo Monte Carlo per stimare π: quali numeri casuali servono, quale condizione decide se un punto è «dentro», come si combina il conteggio finale per ottenere la stima di π. Spiega infine perché aumentare di 100 volte il numero di punti riduce l'errore tipico solo di circa 10 volte.
Richiamo attivo
Ricorda i punti chiave — poi rivela.
Fonti: Indicazioni Nazionali per i Licei (DPR 89/2010, DM 211/2010) — Obiettivi Specifici di Apprendimento (Ministero dell'Istruzione e del Merito (MIM))
Diagramma di flusso del ciclo di simulazione
Passo di aggiornamento (raffreddamento)
Regola iterativa a tempo discreto: la nuova temperatura T al passo n+1 si ottiene sottraendo a quella attuale una quota proporzionale (costante k) alla differenza con la temperatura ambiente T_a.
Simula il raffreddamento di un corpo con temperatura iniziale T₀ = 90 gradi, temperatura ambiente Tₐ = 20 gradi e costante k = 0.1 per passo, secondo la regola Tₙ₊₁ = Tₙ − k·(Tₙ − Tₐ). Calcola la temperatura dopo i primi tre passi.
Si applica la regola partendo da T₀ = 90.
Si ripete usando T₁ = 83.
Si ripete usando T₂ = 76.7.
Risultato: Dopo tre passi: T₁ = 83 gradi, T₂ = 76.7 gradi, T₃ = 71.03 gradi. La temperatura decresce avvicinandosi progressivamente ai 20 gradi dell'ambiente, con incrementi sempre più piccoli.
Errori frequenti
Approfondimento
Il passo di aggiornamento di molte simulazioni continue è, in realtà, il metodo di Eulero per le equazioni differenziali. La legge del raffreddamento di Newton dice che la temperatura cala a un ritmo proporzionale alla differenza con l'ambiente; discretizzandola con un passo «Δt» si ottiene proprio la regola iterativa «T_nuovo = T − Δt·k·(T − T_ambiente)», che è un passo di Eulero: si sostituisce alla variazione istantanea (la derivata) il suo valore moltiplicato per un piccolo intervallo. Da qui l'importanza della scelta di «Δt»: se è troppo grande, il metodo di Eulero non solo perde accuratezza ma può diventare instabile, producendo oscillazioni crescenti e valori privi di senso fisico; ridurlo migliora la fedeltà al prezzo di più iterazioni. Un secondo accorgimento, cruciale nelle simulazioni in cui molte celle o molti agenti evolvono insieme, è l'aggiornamento sincrono: si devono leggere tutti i valori «vecchi» e solo dopo scrivere tutti i valori «nuovi», usando due copie dello stato; se si aggiornasse una cella e la si riusasse subito per calcolarne un'altra, si mescolerebbero istanti diversi, falsando l'evoluzione. È la regola che governa gli automi cellulari, come il celebre «Gioco della vita» di Conway o un modello di diffusione di un'epidemia (tipo SIR) su una griglia, in cui lo stato di ogni cella al prossimo istante dipende dallo stato attuale dei suoi vicini.
Ripasso attivo
Progetta (in pseudocodice o in un linguaggio a tua scelta) una simulazione del raffreddamento di un corpo: parti da una temperatura iniziale di 90 gradi, una temperatura ambiente di 20 gradi e una costante k = 0.1 per passo; a ogni passo la temperatura diminuisce di k volte la differenza con l'ambiente. Indica lo stato iniziale, il passo di aggiornamento, la condizione di arresto e quali dati registreresti.
Richiamo attivo
Ricorda i punti chiave — poi rivela.
Fonti: Indicazioni Nazionali per i Licei (DPR 89/2010, DM 211/2010) — Obiettivi Specifici di Apprendimento (Ministero dell'Istruzione e del Merito (MIM))
Confronto tra dati simulati e dati reali
Errore assoluto
Differenza in valore assoluto tra il valore prodotto dalla simulazione e il valore reale misurato; si esprime nella stessa unita di misura della grandezza.
Errore relativo
Errore assoluto rapportato al valore reale: e adimensionale e spesso espresso in percentuale, cosi da confrontare l'accuratezza di grandezze diverse.
Una simulazione prevede una temperatura di 71 gradi dopo 10 minuti; la misura reale è 68 gradi. Calcola l'errore assoluto e l'errore relativo percentuale, e valuta se l'accordo è accettabile per una tolleranza richiesta del 5%.
Si calcola la differenza in valore assoluto tra simulato e reale.
Si rapporta l'errore assoluto al valore reale.
Si moltiplica per 100 per esprimerlo in percentuale.
Risultato: L'errore assoluto è 3 gradi e l'errore relativo è circa 4.41%, inferiore alla tolleranza del 5%: l'accordo è accettabile per questo scopo, ma resta valido solo per le condizioni testate e va confermato con altri confronti.
Errori frequenti
Approfondimento
La qualità di una simulazione si giudica su due piani che conviene distinguere nettamente, riassunti dalla coppia «verifica e validazione» (V&V). La verifica risponde alla domanda «ho costruito bene il modello?», cioè controlla che l'implementazione traduca correttamente le equazioni e sia priva di bug (è il testing del programma). La validazione risponde alla domanda «ho costruito il modello giusto?», cioè se il modello, pur corretto nel codice, rappresenta davvero il fenomeno reale. Un programma può essere verificato ma non validato (calcola esattamente le formule sbagliate) e viceversa. Un tranello sottile è tarare il modello sui dati disponibili e poi vantarne l'accordo proprio con quegli stessi dati: è sovradattamento (overfitting), l'analogo di un algoritmo che «impara a memoria» invece di generalizzare. La pratica corretta separa i dati in un insieme di calibrazione, con cui si stimano i parametri, e un insieme di validazione, indipendente, con cui si misura davvero la capacità predittiva. Per quantificare l'aderenza su una serie non basta un singolo errore: si usano indici come lo scarto quadratico medio (RMSE), il coefficiente di correlazione fra simulato e reale e, per i modelli stocastici, gli intervalli di confidenza che accompagnano ogni stima con la sua incertezza. Dichiarare l'incertezza è parte integrante di un risultato scientifico: un numero senza la sua stima d'errore, come ricordava il capitolo sul calcolo numerico, è un numero di cui non ci si può fidare.
Ripasso attivo
Una simulazione del raffreddamento prevede dopo 10 minuti una temperatura di 71 gradi; la misura reale con il termometro è 68 gradi. Calcola l'errore assoluto e l'errore relativo percentuale, poi spiega che cosa potresti modificare nel modello per migliorare l'accordo e perché un solo confronto non basta a dichiararlo valido.
Richiamo attivo
Ricorda i punti chiave — poi rivela.
Fonti: Indicazioni Nazionali per i Licei (DPR 89/2010, DM 211/2010) — Obiettivi Specifici di Apprendimento (Ministero dell'Istruzione e del Merito (MIM)) · Esame di Stato del secondo ciclo — quadri di riferimento e griglie di valutazione (Ministero dell'Istruzione e del Merito (MIM))
Riferimenti e fonti