Documentos de Académico
Documentos de Profesional
Documentos de Cultura
- colas paralelas
donde
A= arribos
B= servicios
C= cantidad de servicios
poblacin infinita
arribos individuales (no grupales)
Atencin por orden de llegada
No hay abandono de la cola de espera
Hay suficiente espacio para albergar la cola
La probabilidad de que se produzcan n eventos (arribos o servicios) no depende del
instante inicial en que se estudia el fenmeno
g) La probabilidad de que se produzcan z o ms eventos simultneos (arribos o servicios)
es despreciable
h)
La probabilidad de que se produzca un evento en un tiempo t , es proporcional
a t
P1(t ) = t (arribos)
P1(t ) = t (servicios)
i) Los servicios del sistema son indistinguibles (tienen todos la misma eficiencia)
p(t>=0) = e^(-2x0) = 1
p(t>=30) = e^(-2x0,5) = 0,37 = 37%
p(t>=1) = e^(-2x1) = 0,135 = 13,50%
p(t>=2) = e^(-2x2) = 0,018 = 1,8%
Grficamente podemos visualizar la distribucin de probabilidades exponencial negativa
obtenida de los clculos anteriormente realizados:
Caractersticas
- = tasa promedio de arribos
- = tasa promedio de servicio
La relacin de ambas SIEMPRE debe ser < , de lo contrario el sistema colapsa.
= / Es el TRFICO. Es la fraccin promedio de tiempo que el sistema est ocupado, o
tambin el nmero promedio de unidades que estn siendo atendidas en cualquier momento.
En trminos de probabilidad:
P(W) = = /
M/M/S
Consideraciones:
Valen las mismas consideraciones que en M/M/1, a diferencia que ahora existe UNA SOLA
FILA y MLTIPLES SERVICIOS con la misma tasa de servicio.
Caractersticas
- = tasa promedio de servicio para cada uno de los canales S.
- Ahora: S > para evitar una acumulacin infinita de lneas.
2.
= / = (10arr/hora) / (0,25serv/min) = (10arr/60min)/(0,25 serv/min) = 0,66 arr/serv
= 2arr/3serv
P0 = 1- = 1- 2/3 = 1/3 = 0,33 = 33,33%
PW = = 2/3 = 0,66 = 66,66%
Lq = ^2 / (1-) = (2/3)^2 / (1-2/3) = 4/3 = 1,33 unid.
L = Lq + = 4/3 + 2/3 = 2 unid.
Wq = Lq/ = (4/3)/10 horas = 0,133 horas = 8 min.
W = L/ = 2/10 horas = 0,2 horas = 12 min.
= P0 = 0,33 (estaciones ociosas)
Tiempo de serv = 1/ = 1/(0,25serv/min) = 4 serv/min
M/M/S
P(W) = (^S)/S!(S-) x P(0) Probabilidad de que el sistema est ocupado.
P(0) = 1 / {n=S-1n=0 [1/n!(/)^n] + [1/S!(/)^S] * [S/(S-)]} Una forma ms sencilla de
encontrar P(o) es a travs de la tabla (Ver pginas 12 y 13 del siguiente material o Anexo
bibliografa bsica).
Lq = P(W) /(S-) Nmero promedio de unidades que esperan ser atendidas.
L = P(W) /(S-) + Nmero promedio de unidades que se encuentran en el sistema
(esperan ser atendidas ms las que estn siendo atendidas)
Wq = 1/ [P(W) /(S-)] = Lq/ Tiempo promedio que una unidad tiene que esperar antes
de ser atendida.
W = 1/ [P(W) /(S-) + ] = L/ Tiempo promedio de unidades en el sistema.
Pn = ^n/n! . P(0) (1<n<S)
Pn = ^n/[S^(n-s) S!] * P(0) (n S)
= S- Ociosidad. Si >S el sistema colapsa.
Ejemplo:
Considere un sistema M/M/2 cuya tasa de arribos es = 22,5 arr/hora y la tasa de servicios
=15 serv/hora.
Calcule los parmetros estadsticos para este sistema.
= / = 22,5arr/h / 15serv/h = 1,5 arr/serv
P0 = 0,1429 (valor que seobtiene por tabla -ver pgs. 12 y 13 o Anexo Bibliografa
Bsica,Davis)
PW = (^S S P0)/ S!(S-) = [(1,5^2 * 2 * 0,1429)/(2!(2-1,5))] = 0.643 = 64,3%
Lq = /(S- ) * PW = 1,5/(2-1,5) * 0,643 = 1,93 unid
L = Lq + = 1,93 + 1,5 = 3,43 unid.
Wq = Lq/ = 1,93/22,5 hora = 0,086 hora = 5,15 min.
W = L/ = 3,43/22,5 hora = 0,152 hora = 9,15 min
= S- = 2 1,5 = 0,50 (estaciones ociosas)
Una vez mostrado con ejemplos el clculo de los parmetros estadsticos de los sistemas
M/M/1 y M/M/S, la pregunta que correspondera hacernos es, en qu radica la importancia de
obtener el valor del trfico, ?
Segn el valor que obtenemos del trfico, nos indica la cantidad de puesto de servicios que
necesitamos para que el sistema trabaje en forma ptima.
Por ejemplo, observemos los siguientes casos:
1) Si el trfico fuera = 0,89 hace falta un slo puesto de servicio para que el sistema no
colapse.
2) Si el trfico fuera = 2,90 nos hace falta tres puestos de servicios para que el sistema no
colapse, es decir el nmero entero posterior.
3) Si el trfico fuera = 2,10 nos hace falta tres puestos de servicios para que el sistema no
colapse.
Tenga cuidado tanto para el caso 2) como para el 3) ambos se resuelven con 3 puestos de
servicios, pero cul es ms eficiente?
En el caso 2) tenemos una ociosidad en el sistema del 10%, en tanto caso 3) la ociosidad es
de un 90%.
En sntesis, el da de maana que Usted tenga que decidir cuntos puestos de servicios
activar, deber tener en cuenta la ociosidad del sistema. Muchas veces es preferible tener
una cola razonable y no tiempos ociosos, pero todo depender de Usted, recuerde que este
modelo es descriptivo.
Tabla que proporciona el valor de Po.
2. CONCEPTOS GENERALES
2.1. DISTRIBUCION DE LLEGADA
Los arribos pueden ser descritos como una distribucin determinstica o probabilstica. La
distribucin para el trfico promedio la describe usualmente la distribucin de Poisson y esta
es generalmente usada en teora de colas relacionada al flujo de vehculos.
La figura 3.1 es un esquema de una sola cola de canal-nico en el cual la tasa de arribo es
vph (vehculos por hora) y la tasa de servicio es vph. Para una cola no saturada, > ,
asumiendo que para ambas, la tasa de llegadas y la tasa de servicio, son aleatorias, las
siguientes relaciones pueden desarrollarse:
1. Probabilidad de que hayan n unidades en el sistema P(n):
P(n)=(/)^n (1- /)
(3.1)
Donde n es el nmero de unidades en el sistema, incluyendo las que estn siendo servidas.
2. El nmero esperado de unidades en el sistema E(n):
E(n) =
/(-)
(3.2)
3. El nmero esperado de unidades esperando ser servidas (esto es, la longitud promedio de
la cola) en el sistema, E(m) es:
Em =
^2/[(-)]
(3.3)
Nota: este valor E(m) no es exactamente igual a E(n)-1, la razn es porque es una
probabilidad definida habiendo cero unidades en el sistema P(0)
4. Tiempo promedio de espera en cola E(w):
Ew=
/[(-)]
(3.4)
1/(-)
(3.5)
(3.6)
(3.7)
(3.8)
La ecuacin 3.2 puede usarse para producir una grfica de la relacin entre el nmero
esperado de unidades en el sistema E(n) y la relacin entre la tasa de arribo y la tasa de
servicio p= /. La figura 3.2 es la representacin para valores diferentes de p= /. Se puede
notar que cuando esta relacin tiende a 1 (esto es, prximo a la saturacin), el nmero
esperado de vehculos en el sistema tiende al infinito. Esto muestra que /, la cual es
Figura 3.3: Probabilidad de que n vehculos estn dentro del sistema para
diferentes intensidades de trfico (p)
Ejemplo 1:
Aplicacin de un nico canal, no saturado, teora de longitud de cola infinita para la
operacin de una cabina de estacin de peaje.
Un da determinado, 375 vehculos por hora arriban a una caseta de peaje ubicada al final de
una rampa de salida de una va expresa rural. Si los vehculos pueden ser servidos slo por un
nico carril a una tasa de servicio de 500 vph, determine:
(a) el porcentaje de tiempo en el cual el operador de la cabina de peaje est libre,
(b) el nmero promedio de vehculos en el sistema, y
(c) el tiempo promedio de espera para los vehculos que estn esperando.
(Asumir una los arribos tipo Poisson y un tiempo de servicio exponencial negativo).
Solucin:
(a) =375 y =500. Para que el operador est libre, el nmero de vehculos en el sistema debe
ser cero. De la ecuacin 3.1:
P(0) = 1-(/) = 1 (375/500) = 0,25
El operador estar libre el 25% del tiempo.
(b) De la ecuacin 3.2:
E(n) = 375/(500-375) = 3
(c) De la ecuacin 3.5:
E(v) 1/(500-375) hr = 0.008hr = 28.8seg
(4.1)
Donde p= /
2. El nmero esperado de unidades en el sistema
E(n) = p/(1-p) * [1-(N+1)p^N+ N(p^(N+1))]/[1-p^(N+1)]
(4.2)
Ejemplo 2:
Aplicacin de un nico canal, no saturado, teora de longitud de cola finita para una rampa
de autopista.
El Nmero de vehculos que pueden entrar en una rampa de ingreso a una autopista se
controla con un sistema contador, el cual permite un mximo de 10 vehculos ingresando en
la rampa al mismo tiempo. Si los vehculos pueden entrar en la va expresa a una tasa de 500
vph y la tasa de arribo de los vehculos a la rampa de ingreso es de 400 vph durante la hora
punta, determinar:
(a) La probabilidad de que hayan 05 vehculos entrando en la rampa
(b) El porcentaje de tiempo en el cual la rampa est totalmente llena, y
(c) El nmero esperado de vehculos en la rampa durante la hora punta.
Solucin:
(a) La Probabilidad de que hayan 05 vehculos entrando en la rampa: =400, =500, y
p=(400/500) = 0.8. De la ecuacin 4.1:
P(5) = [(1-0,8)]/[1-(0,8^(10+1))]*0,8^5 = 0,072
(b) De la ecuacin 4.1:
P(10) = [(1-0,8)]/[1-(0,8^(11))]*0,8^10 = 0,023
Esto es, la rampa est totalmente llena slo el 2.3% del tiempo.
(c) El nmero esperado de vehculos en la rampa se obtiene de la ecuacin 4.2:
E(n) = [0,8/(1-0,8)] * [1-(10+1)0,8^10+ 10(0,8^(10+1))]/[1-0,8^(10+1)]= 2,97
El nmero esperado de vehculos en la rampa es 3.
5. RESUMEN
Una de las actuales funciones ms importantes que desempea un Ingeniero de Trnsito es
la implementacin de medidas que faciliten la eficiencia en el uso de la infraestructura vial,
esto es tan o ms importante que la construccin misma de la va. El uso eficiente de algn
sistema vial, gestiona an el mximo flujo de vehculos sin causar una demora excesiva para
el trfico y el inconveniente para el pblico usuario. Entonces, es esencial que el Ingeniero de
Trnsito entienda las caractersticas bsicas de los elementos de un flujo de vehculos, puesto
que estas caractersticas juegan un rol importante en el xito o falla de alguna accin de
ingeniera de trnsito para permitir un uso eficiente del sistema vial existente.
Este documento ha presentado la parte fundamental de la teora de colas para determinar
sus efectos y sus caractersticas. Se ha presentado las definiciones de los diferentes
elementos, al mismo tiempo con relaciones matemticas de los mismos. Estas relaciones se
han dado en base a modelos macroscpicos, los cuales consideran el flujo vehicular como un
todo o conjunto, y modelos microscpicos los cuales tratan con vehculos individuales del flujo
vehicular. Usando el modelo apropiado para un flujo vehicular, se puede facilitar el clculo de
algn cambio en uno o ms elementos debido al cambio de otro elemento. Esta introduccin a
la teora de colas, se ha presentado tambin con la finalidad de proveer ecuaciones simples
que pueden ser usadas con la finalidad de determinar las demoras y longitudes de colas para
los sistemas de colas de trfico.
BIBLIOGRAFA RECOMENDADA
1. Traffic and Highway Engineering by Nicholas J. Garber and Lester A. Hoel. Departament of
Civil Engineering, University of Virginia.
2. Traffic Flow Theory. Matthew J. Huber, Associate Professor. Department of Civil and Mineral
Engineering. University of Minnesota.
3. Fundamentals of Transportation Engineering by Fricker/Whitford, Prentice Hall, 2004.
4. Traffic Engineering Roess/Prassas/McShane, Prentice Hall, 2004
5. Ingeniera de Trnsito Fundamentos y Aplicaciones 7ma. edicin R.Cal y Mayor/J.Crdenas
G.
6. Traffic Engineering Theory and Practice Louis Pignataro.
Videos M1:
Los modelos son una representacin abstracta de la realidad
Generar la simulacin
Obtener la solucin matemtica
Probabilidad Asociada
10 Tn
0,1
20 Tn
0,22
30 Tn
0,25
40 Tn
0,20
50 Tn
0,12
60 Tn
0,07
70 Tn
0,04
2) Para iniciar el proceso de simulacin, se elabora una distribucin de probabilidades
acumuladas de la variable de entrada:
Cantidad de toneladas de basura a recoger:
Cantidad de toneladas
Probabilidad Acumulada
Tn1: 10 Tn
0,10 Pac(Tn10)
Tn2: 20 Tn
0,32 Pac(Tn20)
Tn3: 30 Tn
0,57 Pac(Tn30)
Tn4: 40 Tn
0,77 Pac(Tn40)
Tn5: 50 Tn
0,89 Pac(Tn50)
Tn6: 60 Tn
0,96 Pac(Tn60)
Tn7: 70 Tn
1,00 Pac(Tn70)
3) Dado que para cualquier distribucin de probabilidades acumuladas, los valores de sta
se hallan entre 0 y 1, es posible generar una ocurrencia aleatoria de la variable y definir
intervalos.
4) A partir de una secuencia arbitraria de nmeros aleatorios que varan entre 0 y 1, puedo
identificar el intervalo donde se ubica el nmero azaroso (aleatorio).
Para este ejemplo supondremos que los nmeros de casos de estudios son 10.000, por este
motivo los intervalos varan entre 0,0000 y 0,9999
Cantidad de
Probabilidad Acumulada
Intervalo de Nmeros aleatorios
toneladas
Pac(Tn Tni)
asociados
Tn1: 10 Tn
0,10
[0,0000; 0,0999]
Tn2: 20 Tn
0,32
[0,1000; 0,3199]
Tn3: 30 Tn
0,57
[0,3200; 0,5699]
Tn4: 40 Tn
0,77
[0,5700; 0,7699]
Tn5: 50 Tn
0,89
[0,7700; 0,8899]
Tn6: 60 Tn
0,96
[0,8900; 0,9599]
Tn7: 70 Tn
1,00
[0,9600; 0,9999]
5) Se supone una serie de nmeros AT RANDOM, arbitraria y se realiza la generacin de
datos de entrada para iniciar el proceso de simulacin:
Nmero al azar
Entradas generadas
0,8416
Se recogern 50 Tn o menos
0,7030
Se recogern 40 Tn o menos
0,2815
Se recogern 20 Tn o menos
0,3930
Se recogern 30 Tn o menos
0,7925
Se recogern 50 Tn o menos
Veamos un ejemplo:
Se desea generar una variable aleatoria x para una distribucin uniforme que se encuentre
dentro del intervalo [10, 20]
T' = -(1/)LnR
R2 = 0,163
R3 = 0,232
R4 = 0,251.
Se calcula entonces, a partir de las expresiones para arribos y servicios correspondientes
que, si la persona ingresa al sistema a las 10:08 y el tiempo de servicio es de 3,36, sale a las
10:11,36 horas. Si la persona ingresa al sistema a las 10:04,25 y el tiempo de servicio es de
7,25, la salida se produce a las 10:11,5 horas y as sucesivamente.
Intervalo aleatorio
[0,0000 ; 0,0466]
[0,0467 ; 0,1399]
[0,1400 ; 0,2399]
[0,2400 ; 0,4266]
[0,4267 ; 0,6666]
[0,6667 ; 0,8466]
[0,8467 ; 0,9466]
[0,9467 ; 0,9999]
R de
arrib
os
0,627
9
t de
arrib
o
19
0,182
0
Inicio
servic
io
8:19
R de
servic
io
t de
servici
o
30
Hora fin
de
servicio
8:49
Ociosidad
(Maq Ope)
19
Cola
0,444
6
20
0,823
4
0,527
3
Hora de
ocurren
cia
8:19
8:39
8:49
30
9:19
10
30
9:49
21
10
9:59
34
3-4
0,642
7
19
8:58
9:19
0,590
2
17
9:15
9:49
0,031
8
5
10
11
12
13
14
15
16
17
18
19
20
21
22
0,638
3
19
0,147
1
17
0,320
8
18
0,822
4
20
0,633
1
19
0,548
2
19
0,344
5
18
0,461
1
19
0,319
3
18
0,627
3
19
0,484
1
19
0,730
3
20
0,887
5
18
0,705
1
20
0,198
9
17
0,407
1
18
0,476
2
19
0,132
2
16
9:34
9:59
30
10:29
25
4-5
30
10:59
38
5-6
20
11:19
50
6-7
30
11:49
50
7-8
40
12:29
61
7-8-9
20
12:49
82
8-9-10
30
13:19
84
9-10-11
30
13:49
40
14:29
107
10-11-12-13
20
14:49
128
10-11-1213-14
20
15:09
129
11-12-1314-15
30
15:39
129
12-13-1415-16
30
16:09
138
13-14-1516-17
20
16:29
148
13-14-1516-17-18
30
16.59
147
14-15-1617-18-19
20
17:19
163
14-15-1617-18-19-20
50
18:09
164
15-16-1718-19-20-21
20
18:29
198
16-17-1819-20-21-22
0,590
1
9:51
10:29
0,304
4
10:09
10:59
0,169
9
11:19
0,578
3
10:29
10:48
11:49
0,876
4
11:07
12:29
0,216
1
12:49
0,369
4
11:25
11:44
13:19
13:49
0,822
4
14:29
0,145
5
12:21
12:40
0,144
3
13:00
15:09
0,625
5
15:39
0,625
1
13:21
13:41
16:09
0,110
8
13:58
16:29
0,559
5
16:59
0,145
6
14:16
14:35
17:19
0,950
9
14:51
18:09
9-10-11-12
0,607
4
12:02
14:49
95
0,134
7
23
24
25
0,922
3
21
0,812
3
20
0,727
3
20
15:12
18:29
15:32
19:09
40
19:09
197
30
19:39
217
40
20:19
227
0,770
7
0,317
2
15:52
19:39
0,826
3
Se observa que el sistema colapsa: =1,605 y S=1 por lo que >S.
En una jornada que comienza a las 8:00horas, hasta las 20:19 horas se acumularon 2642 lo
que equivale a 44 horas de improductividad, monetariamente hablando seran $1.321 (44 hs
x $30).
19 de ocio del operario de mantenimiento cuestan $ 2,53 (19 / 60 x $ 8).
R de
arrib
os
0,62
79
t
de
arrib
o
19
Hora de
ocurren
cia
8:19
Inicio
servic
io
R de
servic
io
8:19
t de
servic
io
Hora fin
de
servicio
Tiempo
improd
uctivo
Tiem
po
ocios
o op1
19
Tiem
po
ocios
o op2
x
Cola
30
8:49 (1)
30
9:09 (2)
39
30
9:28 (1)
10
9:25 (2)
30
10:04(1)
30
10:21(2)
20
10:29(1)
30
10:59(2)
40
11:28(1)
0,444
6
0,82
34
20
0,52
73
19
0,18
20
17
0,63
83
19
0,14
71
17
0,32
08
18
0,82
24
20
0,63
31
19
8:39
8:49
0,642
7
8:58
9:19
0,590
2
9:15
9:49
0,031
8
9:34
9:59
0,590
1
9:51
10:29
0,304
4
10:59
0,169
9
10:09
10:29
11:19
26
0,578
3
10:48
11:49
0,876
4
19
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
0,54
82
19
0,34
45
18
0,46
11
19
0,31
93
18
0,62
73
19
0,48
41
19
0,73
03
20
0,88
75
18
0,70
51
20
0,19
89
17
0,40
71
18
0,47
62
19
0,13
22
16
0,92
23
21
0,81
23
20
0,72
73
20
11:07
12:29
12:49
0,369
4
13:19
0,607
4
11:44
12:02
14:29
0,145
5
14:49
0,144
3
12:40
13:00
15:39
0,625
1
16:09
0,110
8
13:41
13:58
16:59
0,145
6
17:19
0,950
9
14:35
14:51
30
11:57(2)
11
30
12:14(1)
16
40
12:42(2)
20
12:41(1)
20
13:01(1)
30
13:30(2)
18
30
13:51(1)
20
20
14:01(2)
30
14:28(1)
20
14:36(2)
50
15:25(1)
20
15:11(2)
40
15:52(1)
30
16:02(2)
15
11
15
15
0,134
7
15:12
18:29
0,770
7
19:09
0,317
2
15:32
15:52
40
19:39
0,559
5
14:16
18:09
0,625
5
13:21
16:29
0,822
4
12:21
15:09
11:27(2)
0,216
1
11:25
13:49
20
16:32(1)
0,826
3
=3
=12 =15
2
2
El costo por ocio de servicio es $36,53 (4,56 hs x $ 8) donde 4,56 hs = 122+152
El costo por ocio de los operarios es de $1,5 (3 min x $30)
Esto quiere decir que si agregamos un servicio ms, los costos totales disminuyen.
Para este ejemplo de simulacin se ejecut bajo el mtodo de Monte Carlo, en donde se
discretis la variable continua tiempo. Le proponemos que, utilizando los nmeros
aleatorios de las columnas de R de arribos y R de servicios, realice la simulacin por el
mtodo de generadores de proceso, en donde para el primer arribo y servicio sera:
T = -(1/0,535) Ln 0,6279 = 0,87 min
Y
T = -(1/0,033) Ln 0,4446 = 24,56 min
R de
arribo
s
0,627
9
t de
arrib
o
0,823
4
Hora de
ocurren
cia
8:01:27
0,87
..
Inicio
servic
io
8:01:
27
-
..
R de
servic
io
t de
servicio
24,56
0,444
6
0,642
7
.
Hora fin de
servicio
Ociosidad (Maq
Ope)
8:26:23
..
1:27
..
Contine Usted con la simulacin
Col
a
-
R de
arrib
os
t
de
arrib
o
Hora de
ocurren
cia
Inicio
servici
o
R de
servi
cio
t de
servi
cio
Hora fin
de
servicio
0,62
79
0,82
34
0,87
0,36
8:01:27
8:01:2
7
8:02:0
3
0,44
46
0,64
27
24,56
13,39
8:26:23
(1)
8:15:42
(2)
8:02:03
Tiemp
o
impro
ductiv
o
-
Tiem
po
ocios
o op1
1
:27
-
Tiem
po
ocios
o op2
Col
a
2
:03
resolver o analizar. Por tanto, se puede afirmar que es posible crear una herramienta eficaz
para la simulacin de fenmenos de espera con prioridades utilizando una aplicacin de hoja
de clculo.
Palabras clave: Simulacin, fenmenos de espera, hoja de clculo.
1. INTRODUCCIN
El primer teorema de la Economa del Bienestar dice que el mercado es capaz de alcanzar
una situacin ptima sin necesidad de la intervencin de los poderes pblicos, siempre y
cuando se encuentre en situacin de competencia perfecta. En esta circunstancia cada
agente del mercado buscando su propio bienestar hace que se llegue a una situacin de
mximo nivel de satisfaccin para toda la sociedad. Sin embargo en el mbito sanitario la
situacin no es tan perfecta y parece que se hace necesaria la intervencin del sector pblico
que garantice las prestaciones para todos los individuos independientemente de su nivel de
renta. El principal problema, pues, est originado porque la informacin existente es limitada
para el usuario que basara sus preferencias en factores tales como prestigio y experiencia
previa. Adems, si existiera competencia en el mercado, se podra llegar a excluir a aquellos
ciudadanos con mayores riesgos y a otros con menos capacidad econmica. Este segundo
hecho sera especialmente grave, ya que podra ocurrir que determinados individuos no
pudieran acceder a la sanidad lo que hara especialmente difcil el control de determinadas
enfermedades y, sobre todo, de las epidemias.
Por otra parte, la calidad de la sanidad ofertada por el sector pblico debera ser tal que en
ningn momento el paciente se viera obligado a tener que recurrir a la sanidad privada, pues
este hecho le implicara un doble gasto ya que habra intervenido en la financiacin de la
sanidad pblica, va presupuestos generales, y a la vez debe sufragar los gastos propios de la
sanidad privada. Son mltiples los motivos por los que una persona decide no acudir a la
sanidad pblica y en su lugar se dirige a la sanidad privada, pero los ms habituales son:
mejor atencin en los casos de ingresos (mejores dotaciones de habitaciones) y menor tiempo
de espera junto con otros criterios mdicos, como aquellas afecciones que no son cubiertas
por la sanidad pblica. Es decir, uno de los motivos que hacen que el ciudadano no acuda a la
sanidad pblica es fundamentalmente la existencia de listas de espera.
Los fenmenos de espera, tambin denominados procesos de colas, son un tipo de
fenmeno habitual en la vida cotidiana. Es frecuente tener que esperar en una cola al acudir a
cualquier establecimiento comercial, al repostar combustible en un vehculo, al ir a ver una
pelcula de cine o una obra de teatro, y en otras muchas situaciones similares. Su formacin
suele estar motivada porque, en un determinado momento, es superior la demanda de
servicio que la oferta existente, lo que obliga necesariamente a tener que esperar para ser
atendidos, existiendo tambin la posibilidad de que el cliente se impaciente y se marche, con
la consiguiente prdida para el propietario del sistema. Se trata pues de un problema
meramente econmico ya que no suele ser rentable para una empresa aumentar la oferta de
servicio (nmero de servidores) para atender crecimientos puntuales en el nmero de clientes
mientras que durante el resto del tiempo ese mayor nmero de servidores va a estar ocioso.
Un caso particular de fenmenos de espera son aquellos que se producen en los organismos
pblicos, y dentro de este grupo, debe prestarse especial atencin a los que se generan en la
sanidad pblica, donde ya no slo puede existir un coste econmico derivado de la posible
prdida de clientes como puede ocurrir en un comercio, sino que, adems, hay una
caracterstica que con el retraso que conlleva la lnea de espera puede verse seriamente
daada: la salud del paciente.
La teora de colas es una rama de la investigacin operativa que utiliza conceptos del campo
de los procesos estocsticos, y ha sido desarrollada para intentar predecir el comportamiento
de los sistemas de colas, centrndose en magnitudes tales como tiempos de espera, nmero
mediante Visual Basic para Aplicaciones o cualquier otro lenguaje de programacin de tipo
generalista. Por el contrario, si los valores observados no se corresponden con ninguna
distribucin estadstica, la simulacin se efectuar utilizando la tcnica grfica de la
transformada inversa.
Una vez generados los valores aleatorios, ya sea utilizando la programacin de la hoja de
clculo o la tcnica grfica de la transformada inversa, los valores simulados deben ser
comparados con los valores reales como medida de seguridad para probar que el
procedimiento simulador es correcto y se obtienen los valores esperados. Adicionalmente, es
conveniente repetir un determinado nmero de veces dicha simulacin puesto que en cada
tirada de simulacin, los valores variarn por depender stos de los nmeros
pseudoaleatorios utilizados para la obtencin de la tirada, los cuales se modifican en cada
una de ellas. Al repetir la simulacin un elevado nmero de veces se consigue observar si
sta tiende a regularizarse hacia algn valor determinado o si, por el contrario, la misma
resulta errtica (una gran varianza), en cuyo caso ser necesario replantearse el
procedimiento utilizado.
Si la simulacin de las entradas en LEQ supera todas las pruebas anteriormente indicadas,
se puede continuar con el resto del proceso de simulacin, con la garanta de que el mtodo
de simulacin empleado refleja con un alto grado de fiabilidad la realidad existente.
1. Tabla de entradas:
2. Tabla de intervenciones
3. Tabla de LEQ
Adems, por tratarse de tablas que utilizan tcnicas de simulacin que dependen de valores
pseudoaletorios, en cada reclculo del conjunto los valores que se obtienen son, lgicamente,
distintos. Es por ello por lo que se repite la simulacin un total de 50 veces para observar a
qu valores tiende la misma y si existe una alta varianza, utilizando para ello una nueva
rutina en VBA que se encarga de recoger en cada tirada de simulacin los valores a
observar y los va anotando en una tabla al efecto.
Para poder realizar de forma automtica una simulacin con distintos valores de sesiones
quirrgicas por semanas se ha desarrollado otra rutina en Excel utilizando VBA, donde a partir
de un cuadro de dilogo (figura), el usuario introduce las opciones de fechas de inicio y final
de intervenciones y nmero de sesiones semanales, generndose la programacin
automtica de quirfanos necesaria para ello. Las sesiones quirrgicas se programan de
forma secuencial desde el lunes hasta el viernes utilizando en primer lugar el horario de
maana y posteriormente el horario de tarde, hasta alcanzar de esta forma un mximo de 10
sesiones quirrgicas semanales. Si el nmero de sesiones es superior este valor se vuelve a
repetir el proceso comenzando de nuevo el lunes por la maana. El motivo de hacerlo as es
porque en condiciones normales es preferido por los centros hospitalarios utilizar la jornada
de maana frente a la de tarde, aunque obviamente no habra ninguna diferencia si se
aplicaran con distintos horarios puesto que a lo sumo la diferencia podra ser de 5 das.
Finalmente, se aade una opcin para decidir si durante los periodos vacacionales de Semana
Santa y verano se suspende la actividad quirrgica (valor predeterminado) o no. Por este
mismo motivo los valores prefijados de fechas inicial y final excluyen el periodo de las
vacaciones navideas, tal y como se observa en los datos reales de actividad quirrgica de
2002.
La simulacin del funcionamiento del sistema se har nuevamente utilizando las mismas
tres tablas que se usaron para la simulacin sin prioridades, aadiendo a la segunda de ellas
una columna para simular la prioridad de cada uno de los pacientes y recogiendo en la
tercera tabla las estadsticas de tiempo medio de espera para cada una de las prioridades
establecidas. Adems, como veremos es necesario efectuar una compleja programacin en
VBA para simular de forma correcta el funcionamiento de la LEQ con prioridades.
El centro hospitalario donde se ha efectuado el estudio utiliza hasta este momento solo 2
prioridades (normal y urgente). Sin embargo, para comprobar si se obtienen beneficios, en la
simulacin se va a trabajar con 3 prioridades:
1. Intervencin urgente (plazo inferior a 30 das)
2. Intervencin programada (plazo entre 30 y 90 das)
3. Intervencin programada (plazo superior a 90 das)
Al introducirse la prioridad para cada paciente la forma de asignacin de los pacientes a las
sesiones quirrgicas sufre un importantsimo cambio ya que la utilizacin en exclusiva de
funciones o frmulas de la hoja de clculo no permite una diferenciacin entre qu pacientes
deben ser intervenidos antes o despus y en qu momento debe ser intervenido cada uno de
ellos, motivo por el cual se debe recurrir necesariamente a la utilizacin de la programacin
en Visual Basic para Aplicaciones de Excel. Concretamente, se ha desarrollado una rutina
cuyo organigrama se recoge en la siguiente figura que, a partir de las sesiones quirrgicas
disponibles, examina en las entradas de pacientes en la LEQ cul debe ser el paciente a ser
intervenido entre los de mayor prioridad.
Concretamente, la rutina toma de forma secuencial las sesiones quirrgicas disponibles y
para cada una de ellas examina todos los pacientes que han entrado en lista de espera con
anterioridad a la fecha de la sesin quirrgica, dejando un margen de espera de 7 das, ya
que la programacin de quirfanos se debe de efectuar con una mnima antelacin para
poder localizar a los pacientes y que stos confirmen su deseo de ser operados. A
continuacin entre todos esos enfermos se toma al primero que an no ha sido intervenido,
pero sigue examinando entre todos los dems por si existe algn otro sin intervenir que tenga
una prioridad superior en cuyo caso ser este ltimo el paciente a ser operado.
Este procedimiento se repite hasta finalizar con todos los pacientes que podran ser
intervenidos en la fecha de la sesin quirrgica. El proceso se repite, por tanto, para cada
sesin quirrgica existente hasta finalizar el ao.
Utilizando la rutina programada es posible determinar, para cada una de las especialidades
estudiadas, qu tiempo de espera supondra para los pacientes de cada prioridad la solucin
obtenida en el anlisis de la lista de espera quirrgica sin prioridades, lo que indicar si dicha
solucin sigue siendo vlida al trabajar con prioridades.
Por otra parte, el hecho de que las prioridades establecidas no tengan ninguna relacin con
la duracin de las intervenciones provoca que, en principio, no deban de producirse
diferencias significativas en los valores de pacientes en lista de espera al final del periodo y
tiempo medio de espera, considerando a todos los pacientes independientemente de su
prioridad.
2.3. Aplicacin
Aplicando la metodologa elaborada en la simulacin de la LEQ en oftalmologa con
prioridades, tras efectuar 50 tiradas de simulacin, se obtienen los resultados recogidos en la
siguiente figura:
3. CONCLUSIONES
Con la metodologa elaborada exclusivamente sobre hoja de clculo es posible simular
cualquier fenmeno de espera donde se presenten prioridades con solo adaptar los campos
Videos M2:
Probabilidad de que suceda A = P(A), de que suceda A1 = P(A1)