13.7.

2 La simulazione Monte Carlo

Oltre ai linguaggi di simulazione e ai pacchetti software orientati agli oggetti

lapproccio simulativo pu essere condotto attraverso la cosiddetta simulazione
numerica ed in particolare attraverso il cosiddetto metodo Monte Carlo.
La metodologia Monte Carlo, dovuta al francese G.L. Buffon e poi ulteriormente
sviluppata da Von Neumann e Fermi, una tecnica nata per approssimare la
soluzione di un problema, creando delle distribuzioni statistiche a partire da
numeri generati a caso (/9/). Da questo emerge quindi il particolare interesse per
la metodologia in oggetto nelle situazioni che richiedono modelli di tipo stocastico.
Anche a fronte del forte sviluppo dei software di simulazione la tecnica Monte
Carlo mantiene una certa rilevanza grazie ad alcune peculiarit distintive:
- permette lottenimento di risultati sufficientemente attendibili, in tempi molto
rapidi, anche in situazioni di una certa complessit;
- non richiede particolari investimenti in programmi software;
- non richiede particolari conoscenze a livello di linguaggi di programmazione.

Nel caso dei sistemi logistici e del terziario ha vasti campi di applicazione; in
effetti pu essere impiegata per le stesse problematiche evidenziate nel par. 13.7.
Rispetto ai simulatori orientati agli oggetti richiede un maggiore sforzo
interpretativo, che ne limita quindi limpiego nei casi ad elevatissima
complicazione; daltra parte, per casi di piccola e media complessit, consente
tempi e costi di analisi decisamente pi ridotti.
La procedura Monte Carlo si basa sullutilizzo di numeri generati a caso, e quindi
aventi un ordinamento che, comunque scelto, assolutamente indipendente da
qualsiasi legge matematica; inoltre ogni cifra ha probabilit pari a 1/10 di
apparire in qualsiasi posizione dellinsieme.
Con i numeri casuali possibile rappresentare un qualsiasi fenomeno aleatorio,
anche quando esso non rientri in una legge statistica conosciuta. Partendo da
rilevazioni sperimentali su un campione sufficientemente consistente degli oggetti
generanti i valori delle variabili aleatorie, si pu, con i presupposti che interessa
impostare, associare i valori random ai valori delle variabili aleatorie e quindi
studiarne gli effetti sul nostro sistema. La generazione di questa regola di
transizione fra il piano della realt e il piano dei numeri casuali il vero cuore
del metodo.
Il comportamento casuale delle variabili del sistema viene rappresentato
dallarrivo casuale dei numeri.
Si consideri il seguente esempio relativo alla costruzione di un modello di analisi
del traffico veicolare.
Le rilevazioni effettuate (fase di analisi del problema e ricerca dei dati) hanno
permesso di rilevare un flusso medio di 1 veicolo ogni 4 secondi. Larrivo delle
auto ipotizzabile come casuale, e non vi sono elementi di disturbo (come incroci
o semafori) nelle vicinanze; di conseguenza questa casualit ben
rappresentabile da unestrazione di numeri casuali. Si tratta quindi di definire il
legame fra questi ed il concetto di presenza del veicolo (fase di costruzione del
modello):
passaggi/secondo: 1/4 = 0,25 auto/sec
probabilit in un secondo di avere il passaggio di un auto: 25%
probabilit in un secondo di non avere il passaggio di un auto: 75%
Riferendosi allinsieme di numeri da 0 a 99, associando i numeri da 0 a 24 al
passaggio di unauto e gli altri (da 25 a 99) al mancato passaggio di unauto si
pu riprodurre a tavolino (mediante computer) il fenomeno aleatorio reale. Si
prende una serie di numeri casuali e si considerano ad esempio 20 numeri
(corrispondenti a 20 secondi di simulazione):

numero presenza numero presenza

casuale auto casuale auto
45 68
12 5
89 8
37 21
92 87
69 66
78 92
45 90
23 76
74 64

Il simbolo indica il passaggio dellauto (dovuto ad allestrazione di un numero

compreso fra 0 e 24).
Come si pu notare, su 20 secondi simulati si avuto il passaggio di 5 auto,
quindi sul limitato orizzonte temporale in analisi si riscontrato un dato medio
pari a:
5/20 = 0,25 auto/sec;
Questo valore rispecchia il dato medio di partenza, quindi rappresenta, seppure
in forma estremamente semplificata, la fase di validazione del modello.
Estendendo la simulazione a migliaia di secondi, si pu simulare un intero anno
di traffico in quel punto, con pochi secondi di calcolo del computer, e rilevare
cos tutte le informazioni necessarie (rallentamenti, code, etc.).
Si consideri ora come esempio pi completo il dimensionamento degli sportelli da
predisporre in una agenzia bancaria in occasione della sua ristrutturazione.
Lanalisi dellafflusso della clientela alle casse, condotta prima dei lavori di
rifacimento, e realizzata mediante rilievi sperimentali condotti su un periodo di
400 min, ha evidenziato la seguente legge di probabilit di arrivo dei clienti:
- per 44 minuti su 400 sono stati rilevati 0 arrivi/min;
- per 76 minuti su 400 sono stati rilevati 1 arrivo/min;
- per 144 minuti su 400 sono stati rilevati 2 arrivi/min;
- per 92 minuti su 400 sono stati rilevati 3 arrivi/min;
- per 32 minuti su 400 sono stati rilevati 4 arrivi/min;
- per 12 minuti su 400 sono stati rilevati 5 arrivi/min;
tot. 400
La durata del servizio sia costante pari a Tsp = 2 min/cliente. Lutile medio u per
ogni cliente servito, stimato dalla banca, ammonta a u = 4,7 /cliente.
Il costo orario Csp di uno sportello (personale + ammortamenti) pari a:
Csp = 45 /sportelloh
Lanalisi del comportamento del cliente alla cassa ha dimostrato che esso si ferma
allo sportello solo se libero o al pi vi un solo cliente in fase di servizio, che lo
sta utilizzando. Con questo quadro si pu costruire la regola di transizione fra il
piano della realt e quello dei numeri casuali. Utilizzando ad esempio (la scelta
arbitraria) linsieme di numeri casuali da 0 a 99 si ottiene:
- numeri da 0 a 10 (11 numeri) per rappresentare: 0 arrivi/min
infatti non sono arrivati clienti in 44 minuti su 400 minuti osservati e quindi
44/400 = 11%;
- numeri da 11 a 29 (19 numeri) per rappresentare: 1 arrivo/min
essendo 76/400 = 19%;
- numeri da 30 a 65 (36 numeri) per rappresentare: 2 arrivi/min
essendo 144/400 = 36%;
- numeri da 66 a 88 (23 numeri) per rappresentare: 3 arrivi/min
essendo 92/400 = 23%;
- numeri da 89 a 96 (8 numeri) per rappresentare: 4 arrivi/min
essendo 32/400 = 8%;
- numeri da 97 a 99 (19 numeri) per rappresentare: 5 arrivi/min
essendo 12/400 = 3%;

Si supponga dunque di iniziare la simulazione considerando 5 sportelli di cassa.

Il numero medio NM di clienti al minuto dato da:

44 76 144 92 32 12
NM = 0 + 1 + 2+ 3 + 4+ 5 = 2,07 clienti / min
400 400 400 400 400 400

La potenzialit di servizio NSP di uno sportello vale:

1 1
Nsp = = = 0,5 clienti / min
Tsp 2

Si ricava quindi il numero medio teorico Nsp*di sportelli necessari:

NM 2,07
Nsp * = = = 4,14 sportelli
Nsp 0,5

A questo punto si tratta di simulare il comportamento reale del sistema per

determinare il numero ottimale di sportelli di cassa da predisporre mediamente.
Limitando la simulazione a 20 minuti con una configurazione a 5 sportelli di
cassa, ed ipotizzando che un cliente in coda ad uno sportello non possa cambiare
di fila, si ottengono i risultati della tabella seguente:
Minuto Numero Clienti Servito Servito Servito Servito Servito In In In In In
casuale arrivati sport.1 sport.2 sport.3 sport.4 sport.5 coda coda coda coda coda
sport.1 sport.2 sport.3 sport.4 sport.5
1 12 01 01
2 45 02-03 01 02 03
3 89 04-05- 06 02 03 04 05 07
06-07
4 75 08-09- 06 08 09 04 05 07 10
10
5 16 11 07 08 09 11 10
6 94 12-13- 07 10 12 11 13 14 15
14-15
7 62 16-17 14 10 12 16 13 17 15
8 1 - 14 15 16 17
9 29 18 17 15 18
10 22 19 17 19 18
11 44 20-21 20 19 21
12 41 22-23 20 22 21 23
13 17 24 24 22 23
14 99 25-26- 24 25 26 27 28 29
27-28-
29
15 50 30-31 29 25 26 27 28 30 31
16 7 - 29 31 30
17 15 32 30 31 32
18 71 33-34- 30 33 32 34 35
35
19 84 36-37- 36 33 37 34 35 38
38
20 68 39-40- 36 39 37 40 41 38
41

Simulazione con 5 sportelli di cassa

In questo caso in 20 minuti sono arrivati 41 clienti, con un tasso medio pari a
41/20=2,05 clienti/minuto molto vicino al valore medio reale; di conseguenza si
pu ritenere rappresentativa la simulazione effettuata.
In questa situazione nessun cliente stato perso per colpa di una attesa
eccessiva; daltro canto i 5 sportelli di cassa sono decisamente troppi, visto il loro
scarso utilizzo.
Per questa ragione opportuno condurre altre simulazioni con un numero
inferiore di sportelli, al fine di determinare la miglior configurazione in base a
considerazioni di ottimazione economica.

Ripetendo la simulazione per configurazioni del sistema che prevedano

rispettivamente 4 sportelli di cassa e 3 sportelli di cassa, si ottengono i seguenti
risultati riassunti nei quadri sinottici:
Minuto Numero Clienti Servito Servito Servito Servito In coda In coda In coda In coda Clienti
casuale arrivati sport.1 sport.2 sport.3 sport.4 sport.1 sport.2 sport.3 sport.4 persi
1 33 01-02 01 02
2 60 03-04 01 02 03 04
3 2 - 03 04
4 45 05-06 05 06
5 14 07 05 06 07
6 67 08-09- 08 09 07 10
10
7 15 11 08 09 11 10
8 4 - 11
9 88 12-13- 12 13 14
14
10 20 15 12 13 14 15
11 98 16-17- 16 17 18 15 19 20
18-19-
20
12 61 21-22 16 17 18 21 19 20 22
13 97 23-24- 19 20 22 21 23 24 25 26 27
25-26-
27
14 23 28 19 20 22 26 23 24 25 28
15 70 29-30- 23 24 25 26 29 30 31 28
31
16 79 32-33- 23 24 25 28 29 30 31 32 33-34
34
17 34 35-36 29 30 31 28 35 36 32
18 51 37-38 29 30 31 32 35 36 37 38
19 64 39-40 35 36 37 32 39 40 38
20 5 - 35 36 37 38 39 40

Simulazione con 4 sportelli di cassa

Nel run simulativo che impiega 4 sportelli di cassa sono stati richiesti 40 servizi
in 20 minuti; si ha quindi un valore medio pari a 40/20 = 2 servizi/min,
pienamente in linea con il valore reale.
La tabella precedente evidenzia la perdita di 3 clienti, precisamente i numeri 27-
33-34.

Passando alla tabella che presenta il risultato della simulazione del sistema con 3
sportelli di cassa si ottiene:
 Minuto Numero Clienti Servito Servito Servito In coda In coda In coda Clienti
casuale arrivati sport.1 sport.2 sport.3 sport.1 sport.2 sport.3 persi
1 31 01-02 01 02
2 86 03-04- 01 02 03 04 05
05
3 6 - 04 05 03
4 28 06 04 05 06
5 3 - - - 06
6 65 07-08 07 08
7 77 09-10- 07 08 09 10 11
11
8 1 - 10 11 09
9 35 12-13 10 11 12 13
10 99 14-15- 13 14 12 15 16 17 18
16-17-
18
11 88 19-20- 13 14 17 15 16 19 20-21
21
12 19 22 15 16 17 22
13 90 23-24- 15 16 23 22 24 25 26
25-26
14 93 27-28- 22 24 23 27 28 25 29-30
29-30-
15 16 31 22 24 25 27 28 31
16 31 32-33 27 28 25 32 33 31
17 70 34-35- 27 28 31 32 33 34 35-36
36
18 31 37 32 33 31 37 34
19 35 38-39 32 33 34 37 38 39
20 6 - 37 34 38 39

Simulazione con 3 sportelli di cassa

Nella simulazione successiva, con limpiego di 3 sportelli di cassa, sono arrivate

39 richieste di servizio nei soliti 20 minuti, con un corrispondente tasso medio
pari a 39/20 = 1,95 leggermente inferiore a quello medio del sistema reale ma
comunque accettabile.
In questo caso sono stati persi ben 8 clienti per eccessiva attesa ( numerati con
18, 20, 21, 26,29, 30,35, 36).
Confrontando economicamente i differenti scenari, riferendosi ad un orizzonte
temporale di 1 ora, si ottiene il quadro seguente:

n Cinv LS Q Utot D
[/h] [clienti/h] [/h] [/h]
3 3 * 45 = 135 0,795 2,07*60*0,795 = 98.7 4,7*98.7 = 464 464-135=329

4 4 * 45 = 180 0,925 2,07*60*0,925 = 114,9 4,7*114.9= 540 540-180=360

5 5 * 45 = 225 1,000 2,07*60*1 =124,1 4,7*124,1 = 583,7 583,7-358,7=358,7

avendo utilizzato la seguente simbologia:

n numero di sportelli di cassa
Cinv costo di investimento: Cinv = n Csp
NP numero di clienti persi nellintervallo di analisi;
NA numero di clienti arrivati nellintervallo di analisi;
NP
LS livello di servizio: LS = * 100
NA
Q clienti servibili per ora: Q = NM 60 LS
Utot utile totale: U=uQ
D differenziale fra utile e costo di investimento: D = Utot - Cinv

Si pu notare come la soluzione ottimale dal punto di vista economico sia quella
che prevede 4 sportelli di cassa, che prevale di poco sulla soluzione con 5 sportelli
di cassa.