M2: Modelos de lneas de espera.

Lectura 05: MODELOS DE LNEAS DE ESPERA

Introduccin
Los modelos de lnea de espera no pretenden resolver problemas; ms bien, describen el
sistema de lnea de espera al calcular las caractersticas de operacin de la lnea.

Caractersticas generales de los modelos:

Descriptivos ms que normativos

Estocsticos (muchos parmetros no se conocen con certidumbre)
Se trabaja con distribuciones de probabilidades
Estticos y no lineales (se suponen que los parmetros no varan con el tiempo)
Las caractersticas de operacin no son proporcionales a los cambios de los
parmetros del modelo.

4.1. Caractersticas de un fenmeno de espera.

El fenmeno se caracteriza por dos elementos fundamentales:

I Arribos de clientes al sistema (en general aleatorio),

II Servicios del sistema (en general aleatorio).
Nota: podra ocurrir que tanto los arribos como los servicios no fuesen aleatorios sino que se
pueden determinar los intervalos de tiempos que separan arribos y/o servicios del siguiente.

4.2. Clasificacin de los sistemas de espera.

Los sistemas se clasifican en:

1)- De etapa nica

De servicio nico

De servicios mltiples - cola nica

- colas paralelas

2)- De etapa mltiple (etapa no estudiada en nuestra asignatura)

Ingreso al sistema Salida

4.2.1. Tipos: M/M/1; M/M/S; M/D/1; G/G/1 (Notacin de Kendall).

La notacin de Kendall es un cdigo para decidir el tipo de sistema de espera que se est
estudiando.
La notacin de Kendall describe:
Cdigo A / B / C

donde

A= arribos
B= servicios
C= cantidad de servicios

A y B pueden tomar valores:

M = Markovianos (aleatorios: los sucesos carecen de memoria de eventos pasados)
D = Determinstico (los sucesos ocurren de forma constante y sin cambios)
G = General (de cualquier tipo)

4.3. Anlisis de lneas de espera Markovianos tipo M/M/1 y M/M/S.

Hiptesis del modelo:
a)
b)
c)
d)
e)
f)

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)

4.3.1. Distribucin de probabilidades de arribos al sistema de

tipo Poisson.
Las llegadas sern aleatorias en cualquier caso en el que cada una de ellas no afecte a las
otras.
Si se conoce el nmero promedio de ocurrencias por perodo, se pueden calcular las
probabilidades acerca del nmero de eventos que ocurrirn en un periodo determinado
utilizando Poisson:
P(n llegadas en un periodo t) = [e^(-t) * (t)^n]/n!
En otras palabras nos describe cul es la probabilidad de que se produzcan n arribos en un
perodo t, donde la variable aleatoria es n.
Por ejemplo:
Si = 3 arr/min. y nos preguntamos cul es la probabilidad de qu ingresen 0, 1, 2, 3, 4,
clientes en un lapso t de 2 minutos, ser:
p0 = [e^(-3x2) * (3x2)^0]/0! = e^-6 = 0,25%
P1 = [e^(-3x2) * (3x2)^1]/1! = 1,5%

P2 = [e^(-3x2) * (3x2)^2]/2! = 4,5%

P3 = [e^(-3x2) * (3x2)^3]/3! = 8,9%
P4 = [e^(-3x2) * (3x2)^4]/4! = 13,3%
P5 = [e^(-3x2) * (3x2)^5]/5! =16%
P6 = [e^(-3x2) * (3x2)^6]/6! = 16%
P7 = [e^(-3x2) * (3x2)^7]/7! = 14%
P8 = [e^(-3x2) * (3x2)^8]/8! = 10%
P9 = [e^(-3x2) * (3x2)^9]/9! = 7%
Grficamente se puede observar la distribucin de probabilidades de Poisson:

Es interesante observar que:

La mxima probabilidad est centrada en n = 5, 6 arribos/min y esto sucede porque = 3
arr./min, la media en
_n = t = 3arr/min 2 min = 6 arribos

4.3.2. Distribucin de probabilidades acumuladas de servicios del

sistema tipo exponencial.
Al igual que con las llegadas aleatorias, los tiempos de servicios carentes de memoria se
describen a travs de una distribucin de probabilidad. La diferencia es que en estos ltimos
la distribucin es continua (las llegadas de Poisson son discretas).
Si la duracin de los tiempos de servicios es aleatoria, se utiliza la distribucin exponencial
negativa.
Si es la tasa de promedio de servicio (el inverso del tiempo promedio de servicio), la
distribucin est dada por:
f(t)=e^(-t)
Para calcular la probabilidad de que el servicio sea ms prolongado que alguna duracin
especificada de tiempo t:
P(t>T)=e^(-T)
Por ejemplo:
Cul es la probabilidad acumulada de qu los servicios del sistema demoren un tiempo t
mayor a un cierto valor T, si = 2 serv./mim.?

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:

4.3.3. Anlisis de las leyes de distribucin de clientes en el

sistema de espera para ambos casos, M/M/1 y M/M/S.
M/M/1
Consideraciones:

Llegadas aleatorias nicas (Poisson)

Tiempo de servicio aleatorios (Distribucin exponencial negativa)
Situacin de estado estacionario
Un solo canal de servicio
Poblacin que llega infinita
Espacio de espera infinita
Primero en llegar, primero en ser atendido (First In First Out - FIFO -)
No hay rechazo ni abandono

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) = = /

Probabilidad de que el sistema est ocupado.

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.

- P(W)=P (n>=S ) Probabilidad de que el sistema est ocupado.

4.3.4. Parmetros estadsticos de decisin: nmeros medios de

clientes en el sistema y en espera, tiempos medios de espera,
nmero medio de servicios ociosos. Probabilidad de espera en
colas.
M/M/1
= / Nmero promedio de unidades que estn siendo atendidas en cualquier momento.
(P(W) = = / Probabilidad de que el sistema est ocupado.
P(O)= 1-P(W) Probabilidad de ociosidad (cuanto ms se acerca a 1 es ms lo que el
sistema est ocioso que lo que est trabajando)
P(W) = P(O) ^n Probabilidad de que haya n unidades en el sistema.
P(n) = [e^(-T)*T^n]/n! Probabilidad de que se produzcan n arribos en un tiempo T.
L = Lq + Nmero promedio de unidades que se encuentran en el sistema; esperando
para ser o siendo atendidas.
Lq = ^2/(1- ) Nmero promedio de unidades que se esperan ser atendidas.
W = L/ Tiempo promedio que la unidad transcurre en el sistema. O tambin, tiempo
transcurrido entre el tiempo de espera y el que se es atendido.
Wq = Lq/ Tiempo promedio en que una unidad tiene que esperar antes de ser atendida.
1 / Tiempo de servicio. O tambin se utiliza para saber cada cunto se producen los
servicios.
=P0 Ociosidad.
Ejemplo:
Realicemos un ejercicio con los parmetros estadsticos para un caso M/M/1
Consideremos un sistema M/M/1que tiene una tasa de arribo de 10 arr/hora y una tasa de
servicio de 0,25 serv./min.
Calcule:
1. Los tiempos medios de separacin entre arribos y servicios
2. Los parmetros estadsticos decisin para este tipo de sistema
1.

tarr = 1/ = 1/10 hora = 6 min

tserv = 1/ = 1/0,25 min = 4 min

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.

Lectura 06: TEORA DE COLAS

1. INTRODUCCIN
Uno de los grandes temas que conciernen a la Ingeniera de Trnsito es el serio problema de
la congestin, el cual se presenta en vas urbanas especialmente durante horas punta. En los
periodos de mxima demanda, el movimiento vehicular se va tornando deficiente con
prdidas de capacidad, lo que hace que el sistema tienda a saturarse, hasta llegar a niveles
de congestionamiento, con las consiguientes demoras y colas. La formacin de colas es un
fenmeno de espera asociado a muchos problemas de trnsito, como el que se puede
presentar en las rampas de ingreso hacia autopistas, el acceso a intersecciones sealizadas o
no sealizadas, en zona de incidentes o cierres eventuales de un carril o calzada, etc.
Es esencial entender el proceso que resulta en la formacin de las colas y sus consecuentes
demoras en las pistas, para el anlisis correcto y apropiado de sus efectos. La teora de colas
necesariamente involucra el uso de algoritmos matemticos para describir el proceso que
resulta en la formacin de las filas, emprendindose el anlisis detallado de sus efectos. Estos
algoritmos matemticos pueden usarse para determinar la probabilidad que tendr la demora
de un arribo, la demora esperada para todos los arribos, la demora esperada para un arribo y
as sucesivamente.
Una cola se forma cuando los elementos que arriban esperan por un servicio en una zona
denominada rea de servicio. Este servicio puede ser la llegada a una brecha o intervalo
libre aceptable para ingresar a un flujo mayor de vehculos, la espera del turno de pago en
una estacin de peaje, la espera para ingresar en una zona de parqueo pagada y as
sucesivamente. Este servicio puede ser provedo en un nico carril o en varios. El anlisis
apropiado de los efectos de una cola, puede llevarse a cabo slo si la cola puede describirse
total y detalladamente.
Para caracterizar un fenmeno de espera en un sistema vial de servicios, es necesario
responder a interrogantes como:

A qu hora empieza y termina el congestionamiento?

Cul es el nmero medio de vehculos en el sistema?
Cul es el nmero medio de vehculos en la cola?
Cul es el tiempo medio en el sistema?
Cul es la demora promedio?
Cul es la longitud mxima de cola?
Cul es la demora mxima?
Cul es la demora total de todo el trnsito?
Cul es la proporcin de tiempo en que se utiliza el sistema?
Cul es la proporcin de tiempo cuando el sistema permanece inactivo?

Para responder todas estas interrogantes y considerar de manera apropiada un sistema de

filas de espera es necesario tener en cuenta la naturaleza de su comportamiento, puesto que
tanto las llegadas como los servicios varan con el tiempo. En este sentido, el comportamiento
de la cola y los modelos necesarios para describirla, o caracterizarla, dependen de la
representacin de los siguientes elementos que conforman el proceso:

La distribucin de llegadas. Pueden ser expresadas en trminos de tasas de flujo

(vehculos/hora) o intervalos de tiempo (segundos/vehculo).
La capacidad de servicio o caracterstica de salida.
El mtodo de servicio, es decir, si se considera el primero en llegar es el primero en
recibir el servicio, aleatoriamente, prioritariamente, etc.;
La caracterstica de la longitud de la cola, es decir si es finita o infinita,
La distribucin de los tiempos de servicio, y

El diseo del canal o carril de servicio, es decir si es nico o mltiple, y en el caso de

mltiples canales si stos estn en serie o en paralelo.

Basndose en las caractersticas arriba descritas, se han desarrollado numerosos mtodos

de clasificacin de colas, algunos de los cuales son discutidas a continuacin.

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.

2.2. MTODO DE SERVICIO

Las colas tambin pueden clasificarse por el mtodo que usan para servir los arribos o
elementos que llegan. Esto incluye la conocida y generalizada ley de servicio: el primero en
llegar, es el primero en recibir el servicio, donde se sirve a las unidades en el orden en que
stas arriban, o la ley de servicio ltimo en llegar es el primero en ser servido, que es en
reversa al orden de llegada. El mtodo de servicio, tambin puede basarse en prioridades,
donde las llegadas son direccionadas a colas especficas con apropiadas prioridades de
diferente nivel de servicio. Las colas son servidas en este caso en diferentes rdenes de
niveles de prioridad.

2.3. CARACTERSTICAS DE LA LONGITUD DE LA COLA

La longitud mxima de la cola, esto es el mximo nmero de unidades en la cola, se
especifica en cada caso si la cola es finita o trunca o si no hay restriccin en la longitud de la
cola. Las colas finitas son algunas veces necesarias cuando el rea de espera es limitada.

2.4. DISTRIBUCIN DEL SERVICIO

Esta distribucin es tambin considerada usualmente como aleatoria, y las distribuciones de
Poisson y Exponencial Negativa son las ms representativas y usuales para describir el
comportamiento del servicio.

2.5. NMERO DE CANALES

El nmero de carriles usualmente corresponde al nmero de lneas de espera, lo que es
utilizado tambin para clasificar las colas. As por ejemplo tenemos las colas de un canal
nico y las colas de canales mltiples.

2.6. COLAS SOBRESATURADAS Y NO SATURADAS

Las colas sobresaturadas son aquellas en las cuales la tasa de arribo es mayor que la tasa
de servicio y las colas no saturadas son aquellas en las cuales la tasa de arribo es menor que
la tasa de servicio. La longitud de la cola no saturada podra variar pero alcanzar un estado
estable con el arribo de unidades. La longitud de una cola sobresaturada, sin embargo nunca
alcanzar un estado estable, y continuar creciendo con el arribo de las unidades.

3. COLAS INFINITAS, NO SATURADAS, DE CANAL NICO.

Figura 3.1

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)

5. Tiempo promedio de espera de una llegada en el sistema, incluyendo cola y servicio

E(v) =

1/(-)

(3.5)

6. Probabilidad de gastar tiempo t o menos en el sistema

P(v<=t) = 1- e^-[1-/*t]

(3.6)

7. Probabilidad de esperar un tiempo t o menos en la cola

P(w<=t) = 1- / e^-[1-/*t]

(3.7)

8. Probabilidad de ms de N vehculos estando en la cola; esto es P(n>N)

P(n>N) = / ^(N+1)

(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

usualmente referida como intensidad de trfico (p), es un factor importante en el proceso de

colas. La figura tambin indica que la cola no es significativa cuando p es menor que 0.5, pero
para valores de 0.75 en adelante, la longitud promedio de la cola tiende a incrementarse
rpidamente. La figura 3.3 tambin grafica la probabilidad de n unidades dentro del sistema
versus /. La ecuacin 3.2 tambin puede utilizarse para producir este grfico.

Figura 3.2: Nmero esperado de vehculos en el sistema E(n) versus

Intensidad de Trfico (p)

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. COLAS FINITAS, NO SATURADAS, DE CANAL NICO.

En el caso de una cola finita, el mximo nmero de unidades en el sistema es especificado.
Supongamos que este nmero es N y que la tasa de llegadas es y la tasa de servicio es . Si
tambin se asume que la tasa de arribo y la tasa de servicio son aleatorias, entonces las
siguientes relaciones pueden desarrollarse para una cola finita:
1. Probabilidad de que hayan n unidades en el sistema
P(n) = [(1-p)/(1-p)^(N+1)] * p^n

(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

M4: Modelos de simulacin

Lectura 07.- MODELOS DE SIMULACIN
5.1 Estructura de un modelo de simulacin
La simulacin es un proceso que consiste en desarrollar un modelo (estructura lgica),
poniendo especial nfasis en la descripcin del sistema y a partir de un conjunto de datos de
entrada y factores operativos, que definen las interrelaciones entre los datos de entrada
(variable de proceso) y otros componentes, describe el comportamiento del sistema que se
quiere simular.

El ingreso es un conjunto de datos de entrada obtenidos experimentalmente. Ejemplo:

Arribo de clientes, cantidad de servicios, entre otros.
Una estructura lgica que permite correlacionar las variables de entrada y los factores
operativos. Ejemplo: Distribucin de probabilidad de espaciamiento de arribos y
servicios.
La salida tiene la forma de DESCRIPCIN DEL COMPORTAMIENTO DEL SISTEMA.
Ejemplo: Comportamiento de la lnea de espera.

Comparemos los mtodos de simulacin y los analticos en el proceso de solucin de

modelos:
Elaborar la estructura lgica de anlisis
PROBLEMA
Modelos Tericos (enfoque analtico)
Modelos de Simulacin (enfoque
simulativo)
Construccin de un modelo matemtico

Recopilacin de datos de entrada

Elaboracin del algoritmo matemtico

Definir interrelaciones entre los datos

(variables y factores operativos)

Generar la simulacin
Obtener la solucin matemtica

Describir el funcionamiento del sistema

Bsqueda de la optimizacin de solucin del
Rutina de bsqueda
modelo
SOLUCIN DEL PROBLEMA

5.2. Mtodo de Monte Carlo.

El origen de los mtodos modernos de simulacin proviene de lo que se conoce como
MUESTREO MONTE CARLO (J. Von Newmann, durante la Segunda Guerra Mundial). Se utiliz
para la planificacin financiera, valuacin de seguros, modelos de inventarios, entre otros.
El mtodo consiste en un proceso que permite generar valores aleatorios de una variable a
partir de un conjunto de datos de entrada.
Monte Carlo se utiliza para variables discretas en el caso de ser una variable contina, como
el tiempo, se debe discretisar la variable. Por otra parte, este mtodo no tiene en cuenta la
estadstica a la cual obedece la variable continua, simplemente porque es un mtodo para
variable discreta.

En qu consiste el Mtodo de Monte Carlo?

1) Comienza con un conjunto de datos experimentales de entrada y sus probabilidades de
ocurrencias. Ejemplo: el problema es determinar (simular) las toneladas de basura que se
recogen en un da especfico en una ciudad a partir de un conjunto de datos experimentales:
Cantidad de toneladas (Datos de entrada)

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

5.3. Simulacin de distribuciones por generadores de proceso.

La simulacin de distribuciones por generadores de proceso es un procedimiento para
generar nmeros aleatorios de observaciones muestrales que correspondan a una distribucin
probabilista conocida, como por ejemplo, la distribucin uniforme y exponencial negativa;
distribuciones objeto de estudio de esta materia.

El procedimiento para generar las observaciones muestrales de una distribucin especfica

de probabilidad se denomina generado de proceso.

5.3.1. Simulacin de distribuciones continas.

El mtodo de simulacin de Monte Carlo se utiliza para simular cuando estamos en
presencia de variables discretas, aunque se puede aplicar a variables continas, esto se logra
"discretisando" la variable, por ejemplo, el tiempo es una variable contina pero se puede
"discretisar" para su estudio. De esta manera podemos decir que los tiempos de servicios se
producen en promedio cada 5, 10 y 15 minutos.
Aunque esto se pueda realizar, no es lo ms correcto ya que la variable tiempo, al ser
contina, los tiempos de servicios pueden producirse en un intervalo que va entre los 5 y 15
minutos, es decir para este ltimo caso nos podemos hacer la pregunta, si en el servicio una
unidad puede estar ms de 7,5 minutos, en cambio si utilizamos variables discretas como las
antes mencionadas (5, 10 y 15 minutos) para el estudio a travs de la simulacin de Monte
Carlo, esta pregunta no tendra respuesta por no estar contemplada la variable tiempo de 7,5
minutos.
Resumiendo, usted se estar preguntando cul es la diferencia de simular por el Mtodo de
Monte Carlo o por los generadores de proceso?
La respuesta es la siguiente:
Monte Carlo emplea para variables discretas, en el caso de ser una variable contina, como
el tiempo, se debe discretisar.
El mtodo de Monte Carlo no tiene en cuenta la estadstica a la cual obedece la variable
continua. Esto implica que debemos generar densidades de distribucin y probabilidades
acumuladas de ocurrencia de que la variable continua se produzca en un intervalo, que debe
ser obtenido por integracin y no como una sumatoria.
A los efectos de simular un proceso gobernado por variables continuas, analizaremos la
construccin de los generadores de procesos de variables aleatorias continuas a partir del
mtodo de la Transformacin Inversa, mtodo que abordaremos ms adelante.

5.3.2. Generadores de distribuciones uniformes.

Para una variable cuya densidad de probabilidad es constante (a intervalos iguales e igual
probabilidad de ocurrencia) se trabaja con Densidad Uniforme.
La funcin de densidad probabilstica para la distribucin uniforme se define como:
(x) = 1/(a-b) para a <= x >= b
Grficamente se expresa:
El intervalo de ocurrencia de la variable x es [a,b] y la
densidad es constante (x) = C

As como en el mtodo de Monte Carlo se sumaban las probabilidades de la distribucin para

obtener la probabilidad acumulada, en este proceso para calcular la funcin acumulada de la
densidad debemos integrar la funcin de densidad para el intervalo de valores, es decir:
p(x) = xa (x)dx
Reemplazando
(x) = 1/(b-a)
Entonces:
p(x) = xa 1/(b-a)dx = (b-a) xa dx
Resolviendo la integral, obtenemos:
p(x) = 1/(b-a) [x]xa = 1/(b-a) * (x-a)
Finalmente:
p(x) = (x-a) / (b-a) o Pac[a,x] = (x-a) / (b-a)
En el siguiente grfico, la expresin anterior est representada por el rea sombreada:

La gran pregunta de este momento es:

Cmo generar valor aleatorio de la variable aleatoria?, es decir Cmo simular distintos
valores de la variable x en forma aleatoria? (teniendo en cuenta a la estadstica a la cual
obedece)
La respuesta es:
El Mtodo de la TRANSFORMACIN INVERSA

5.3.3. Procedimiento de la transformacin inversa.

Debido a que la Pac [a,x] es una funcin de x (que depende de la estadstica) vara entre 0 y
1, porque Pac [a,a] = 0 y Pac[a,b] = 1.
El procedimiento de la transformacin inversa consiste en:
1. Igualar la Pac [a,x] a una variable R (at random qu vare en el intervalo [0,1]
2. Despejamos la variable aleatoria x de la expresin resultante, Pac[a,x], es decir:
Pac[a,x] = R = (x-a) / (b-a)
Despejando x:
x = a + R(b-a)
Obtenemos, de este modo, el generador de proceso de la variable x para densidades
uniformes. De esta manera es posible generar variables con distribucin uniforme entre a y b.

Veamos un ejemplo:
Se desea generar una variable aleatoria x para una distribucin uniforme que se encuentre
dentro del intervalo [10, 20]

Para generar la variable aleatoria x seleccionamos un nmero at random (aleatorio) que

vara entre 0 y 1, por ejemplo 0,5879
X = 10 + 0,5879(20-10) = 15,879
Como se puede observar la variable x generada se encuentra dentro del intervalo [10,20].

5.3.4. Generadores de una distribucin de probabilidades de tipo

exponencial negativa.
Hemos observado en los fenmenos de espera que obedecen a fenmenos de Markov
(densidades de probabilidades que responden a la estadstica de Poisson), y que las
probabilidades acumuladas eran:
- Para arribos:
Pac(t>=T) = e^(-T) T variable espaciamiento entre arribos
- Para servicios:
Pac(t>=T) = e^(-T) T variable espaciamiento entre servicios
Por el mtodo de la transformacin inversa igualamos la probabilidad acumulada a un
nmero aleatorio R, es decir
Pac(t>=T) = R = e^(-T)
Para poder obtener el valor de T debemos aplicar Ln a ambos miembros de la igual,
resultando:
LnR = -T
Despejando, se obtiene
T = -(1/)LnR
Que es el generador de proceso de la variable T (espaciamiento entre arribos)
Realizando el mismo procedimiento para los servicios:
Pac(t>=T) = R= e^(-T) LnR= -T
Despejando, se obtiene

T' = -(1/)LnR

Que es el generador de proceso de la variable T (espaciamiento entre servicios)

5.4. Modelo de simulacin de una cola de espera a partir de los

generadores de proceso.
Suponiendo que los arribos y servicios son aleatorios se pueden generar los arribos a travs
de los generadores de procesos como vimos anteriormente. Por ejemplo, para variables
continuas utilizamos para tasas de arribos: T = -(1/)LnR y para tasas de servicio: T' = (1/)LnR (ver punto 5.3.4).
Si se tiene que =10 arr/hora y =15 ser/min y el proceso comienza por ejemplo a las
10:00hs., los R (nmeros aleatorios) de arribos son:
R1 = 0,264
R2 = 0,493
R3 = 0,715
R4 = 0,846
Y los R (nmeros aleatorios) de servicios son:
R1 = 0,431

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.

5.4.1. Anlisis de un modelo de simulacin para un caso M/M/1

Veamos un ejemplo:
Los administradores de una fbrica han observado desperfectos de maquinarias que
producen tiempos muertos en la produccin. Los administradores opinan que es posible
reducir significativamente el problema con un nmero adecuado de operadores de
mantenimiento.
Teniendo en cuenta que el costo del personal es de 8 $/hora y el costo de prdida de
produccin de mquina que no est funcionando de 30 $/hora.
T (entre descomp.)
15
16
17
18
19
20
21
22

Datos de entrada (para arribos)

Prob. de ocurrencia
Prob. acumulada
0,0467
0,0467
0,0933
0,1400
0,1000
0,2400
0,1867
0,4267
0,2400
0,6667
0,1800
0,8467
0,1000
0,9467
0,0533
1,0000

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]

Datos de entrada (para servicios)

T (entre servicios)
Prob. de ocurrencia
Prob. Acumulada
Intervalo aleatorio
10
0,0500
0,0500
[0,0000 ; 0,0499]
20
0,2500
0,3000
[0,5000 ; 0,2999]
30
0,4000
0,7000
[0,3000 ; 0,6999]
40
0,2500
0,9500
[0,7000 ; 0,9499]
50
0,0500
1,0000
[0,9500 ; 0,9999]
Suponiendo que la jornada comienza a las 8:00 horas, la tasa de arribo es = 0,0535
arr/min y la tasa de servicio es =0,033 ser/min., con S=1 (1 servicio) tenemos:
Estructura de Simulacin
N
de
maq.
1

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).

5.4.2. Anlisis de un modelo de simulacin para un caso M/M/S

Se simula a continuacin el mismo proceso de espera para el caso de descomposturas de
mquinas con 2 servicios de mantenimiento, siendo la tasa de arribo =0,0535 arr/min y la
tasa de servicio = 0,033ser/min.
Suponiendo un caso M/M/2, a partir de los generadores de proceso para arribos y servicios.
N
de
ma
q
1

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

La estructura de simulacin para un M/M1, sera:

N
de
maq.
1

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
-

La estructura de simulacin para un M/M2, sera:

N
de
ma
q

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

Contine con la simulacin!!!.

Lectura 08: SIMULACIN DE ESPERA CON

PRIORIDADES EN EXCEL
RESUMEN
Con el presente trabajo mostramos que la utilizacin exclusiva de un software informtico de
tipo generalista, como es la hoja de clculo, permite abordar la realizacin de complejas
simulaciones de sistemas de lneas de espera independientemente de la magnitud de los
mismos y, por tanto, se perfila como una herramienta perfecta frente a otros productos ms
especficos y complejos en las labores de simulacin. Aplicando las distintas tcnicas de
simulacin existentes, y haciendo uso de la programacin en un lenguaje informtico como es
el Visual Basic para Aplicaciones (VBA), es posible dotar a la hoja de clculo de toda la
funcionalidad de herramientas ms costosas realizadas a medida, ello unido al hecho de que
al ser simulado el sistema con una aplicacin estndar permite mayor flexibilidad frente a
posibles cambios en el diseo del sistema que pueden ser fcilmente incorporados a la
modelizacin inicialmente realizada, ganando as en adaptabilidad al problema concreto a

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

de unidades que esperan en un determinado momento, probabilidad de tener que esperar al

llegar al sistema, etc. Para obtener dichas magnitudes, la teora de colas, define distintos
modelos en funcin del nmero de servidores, distribuciones de entrada y salida de unidades
al sistema, disciplina de servicio, etc.
Existe otra posibilidad, que puede ser complementaria de la proporcionada por la teora de
colas, de recurrir a la simulacin de dichos modelos mediante ordenador. Concretamente,
dicha simulacin no limita el anlisis del sistema a datos estticos, sino que puede variar en
funcin de cmo evolucionen las magnitudes del mismo, y se va a realizar mediante la
utilizacin de herramientas ofimticas que presentan la ventaja de ser actualmente un
estndar disponible en cualquier organizacin, con lo que la implantacin de la simulacin
puede ser ms universal, frente al inconveniente de no estar tan optimizadas como las
aplicaciones especficas de simulacin. Para poder efectuar la simulacin de los sistemas de
colas se necesitar recurrir a la simulacin de valores pseudoaleatorios, distribuciones
probabilsticas propias de la teora de colas y distribuciones no identificadas estadsticamente,
utilizando las funciones incorporadas por la hoja de clculo y procediendo a la programacin
de aquellas funciones que no incorpora la misma, as como de las rutinas necesarias para el
buen funcionamiento de las simulaciones.

2. METOLOGA DE SIMULACIN DE UNA LEQ CON HOJA DE

CLCULO
Se ha desarrollado una metodologa propia mediante la utilizacin de los programacin ad
hoc de una aplicacin de hoja de clculo para la simulacin del funcionamiento de la lista de
espera quirrgica. (LEQ). La LEQ es una lista de tipo mdico que incluye a aquellos pacientes
que se encuentran pendientes de una intervencin quirrgica programada, por tanto no
urgente. Bsicamente el paciente es incluido en la lista de espera, previa aceptacin del
mismo, a peticin de un facultativo que determina que debe ser intervenido de una forma no
urgente. El enfermo permanece en la lista hasta que la abandona por cualquier motivo,
siendo el ms habitual la intervencin quirrgica solicitada por el facultativo, una vez
realizados todos los procedimientos mdicos previos preceptivos, tales como pruebas,
anlisis, etc.
La nica matizacin posible en relacin al procedimiento descrito radica en la forma en la
cual se determina cul debe ser la jerarqua a la hora de determinar qu paciente va a ser el
prximo en ser atendido. Esta matizacin es lo que la Teora de colas denomina disciplina
de servicio, siendo el mtodo ms habitual el de primero en llegar, primero en ser servido,
frente a otras posibilidades como ltimo en llegar, primero en ser servido, seleccin
aleatoria o prioridades. Esta disciplina ser la que se utilizar para realizar la simulacin y
afectar exclusivamente al orden en que los pacientes son atendidos al quedar disponible un
quirfano. Posteriormente se utilizar tambin la simulacin utilizando un sistema de
prioridades.

2.1. Simulacin de la LEQ sin prioridades

1. Simulacin de entradas en LEQ
Para la realizacin de la simulacin de las entradas de pacientes se tratar, en primer lugar,
de identificar si las entradas producidas en la realidad se corresponden con alguna
distribucin estadstica estndar o no, utilizndose para ello las pruebas de validacin
habituales, es decir el test de Chi-cuadrado y el de Kolmogorv-Smirnov.
En el caso de corresponderse con alguna distribucin estndar se utilizar la simulacin de
valores de acuerdo con dicha distribucin, utilizando para ello las correspondientes funciones
de hoja de clculo, independientemente de que vengan stas incorporadas en la propia
aplicacin comercial o sea necesario efectuar la correspondiente programacin ex novo

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.

2. Simulacin de salidas de LEQ

Esta simulacin es la ms compleja del proceso. Su dificultad radica en que son diversos los
motivos por los que un paciente puede abandonar la lista de espera, y no todos ellos
dependen expresamente del centro hospitalario, por lo que el poder de decisin y control por
parte de la direccin del centro hospitalario sobre estas circunstancias de salida de la LEQ es
nulo.
Como primera aproximacin, se podra simular para cada entrada en la lista de espera el
motivo por el que se producir su salida. Sin embargo, no se dispone de suficientes datos
para algunos de estos motivos con el fin de efectuar la simulacin de la serie que proporciona
el tiempo que tarda el paciente en abandonar la lista de espera antes de renunciar a ser
intervenido o no acudir a la cita, por ejemplo. Adems, como la principal finalidad de nuestro
trabajo debe ser tratar de optimizar el funcionamiento de la lista de espera quirrgica, parece
ms lgico trabajar nicamente con aquellos pacientes que siguieron el procedimiento ms
habitual: la intervencin quirrgica, ya sea en el propio hospital o en otro concertado con
independencia de que lo sea con personal propio o ajeno, que cabe recordar que supone el
75\% del total de salidas de la lista.
Expuesto lo anterior, la simulacin de salidas de LEQ se transforma, realmente, en una
simulacin de tiempos de actividad quirrgica para cada paciente a partir de las entradas de
los que fueron finalmente intervenidos, descartando el resto de enfermos que entraron en
lista de espera.
En la simulacin, se trabajar con tres tablas en una hoja de clculo de Microsoft Excel que
a continuacin se describen1:

1 Las tablas reproducidas a continuacin corresponden a la LEQ de oftalmologa. Por razones

de espacio la reproduccin de las tablas no es completa, sino que se ha limitado a 20 filas
para cada una de las mismas.

1. Tabla de entradas:

Es una tabla de 2 columnas:

Fecha, desde el 31 de diciembre de 2001 hasta el 31 de diciembre de 2002. Las entradas
que figuran el 31 de diciembre de 2001 corresponden con aquellos pacientes que haba en la
lista al inicio del ao 2002 y que, por ser conocido su nmero, no es un valor simulado. Se ha
utilizado para todos ellos la fecha de 31 de diciembre de 2002 en lugar de su fecha real de
llegada para que la rutina utilizada pueda ser vlida para cualquiera de las listas de espera.
Posteriormente para el clculo del tiempo medio de espera de los pacientes, los datos
correspondientes a stos no se utilizan a fin de no desvirtuar el valor obtenido.
Nmero de entradas en la lista de espera en la fecha indicada}. Estos valores sern
simulados de acuerdo con el procedimiento indicado anteriormente.

2. Tabla de intervenciones

Esta tabla tiene 9 columnas:

 Nmero ordinal de cada paciente.

Fecha de entrada en lista de espera, obtenida a partir de la tabla anterior, de forma que de
la tabla inicial que tiene 366 filas, correspondientes a los 365 das del ao ms el 31 de
diciembre de 2001 se pasa a una tabla con ms de 3.000 filas. El procedimiento comprueba,
utilizando una formulacin al efecto, para cada paciente, en qu fecha se produjo su entrada
en la lista anotndola para que se pueda efectuar la simulacin, y determinar as el tiempo
medio de espera por diferencia entre fecha de entrada y de salida.
Nmero de quirfano. A partir de los datos de disponibilidad de quirfanos se le asigna el
primer quirfano libre al paciente con menor prioridad. Para ello a las sesiones quirrgicas
disponibles se les ha asignado un nmero ordinal.
Hora de inicio de la intervencin. Se le asigna la hora en que el quirfano est disponible.
Pese a que la jornada prevista para cada sesin quirrgica contempla un total de 7 horas
parece razonable limitar su horario de utilizacin, a efectos de la simulacin, retrasando
media hora el inicio de las intervenciones como periodo necesario para la preparacin de la
primera sesin quirrgica y para la preparacin del personal hospitalario, y adelantando otra
media hora el horario de finalizacin por motivos similares.
Duracin simulada de la intervencin. Este valor es simulado utilizando el procedimiento
anteriormente expuesto mediante la tcnica grfica de la transformada inversa.
Hora de finalizacin de la intervencin. Se corresponde con la suma de la hora de inicio de
la intervencin ms la duracin de la misma.
Minutos de demora. Es un valor estimado fijo de 15 minutos entre intervenciones,
correspondiente a la preparacin de quirfano y material quirrgico para la siguiente
operacin.
Hora en que el quirfano vuelve a estar disponible. Es la suma de la hora de finalizacin de
la intervencin ms los minutos de demora. Este valor es el que corresponde al inicio de la
siguiente intervencin.
NOTA: En esta tabla puede ocurrir que la disponibilidad de quirfanos sea tal que a partir de
un determinado paciente no se pueda intervenir a ninguno ms, en cuyo caso las columnas
correspondientes a quirfanos (nmero, hora de inicio, duracin, hora de finalizacin, demora
y hora de disponibilidad) quedan en blanco.
As mismo, el nmero de filas es indeterminado puesto que su longitud depender de la
simulacin del nmero de entradas diarias en la lista.

3. Tabla de LEQ

Esta tabla tiene 3 columnas:

Entradas, donde recoge el nmero de entradas ocurridas el da de la fecha a partir de la
primera tabla.
Salidas. Esta columna se calcula a partir de la tabla nmero 2 sumando el nmero de
intervenciones que se efectan en cada da.
Nmero. Es el nmero de personas que hay en la LEQ al final del da.
Adems en su ltima fila recoge el tiempo medio de espera de los pacientes que han sido
intervenidos en el ao.
Dado que los enfermos que estaban en lista de espera al inicio del ao figuran todos con
fecha de incorporacin a la misma del 31 de diciembre de 2001, son excluidos en el clculo
de este valor ya que de lo contrario desviaran dicho valor a la baja.
En condiciones normales, prcticamente todas las aplicaciones de hoja de clculo realizan
los reclculos de forma automtica ante cualquier variacin en el contenido de cualquier
celda, lo que es muy efectivo cuando la cantidad de clculos no es excesiva. Sin embargo, en
la investigacin realizada el alto nmero de clculos a realizar, unido a la estructura de las
tablas, hace necesario que stas se calculen de forma manual ya que, de lo contrario, ante
cualquier cambio se recalcularan de nuevo los nmeros aleatorios con lo que se modificaran
todas las tablas siendo imposible llegar a finalizar el proceso. Se trata de un reclculo manual
por columnas y filas para cada una de las tablas indicadas.
Otra posibilidad brindada por la aplicacin informtica es la de realizar el reclculo del libro
activo mediante la utilizacin de una tecla de funcin (habitualmente la tecla F9). Sin
embargo, este procedimiento es inadecuado en el estudio ya que el reclculo de las tablas se
debe realizar en el orden en que se han expuesto las operaciones para asegurar que en todo
momento estn disponibles los valores que se necesitan para cada clculo. Por este motivo, al
no existir ninguna opcin en la hoja de clculo que garantice el correcto desarrollo de todas
las operaciones, se ha precisado elaborar al efecto una rutina en VBA que asegure la correcta
realizacin de dicho proceso.

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.

4. Generacin automtica para la programacin de sesiones quirrgicas

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.

2.2. Simulacin de la LEQ con prioridades

Las prioridades son un sistema habitualmente utilizado para tratar de codificar la preferencia
de unos elementos en un sistema de formacin de lneas de espera frente a otros.
Habitualmente, las prioridades se identifican con nmeros naturales utilizndose el 1 para el
elemento con mayor prioridad o urgencia frente al resto que tendr un valor numrico
superior. Entre elementos con la misma prioridad la preferencia de uno sobre los dems
vendr marcada por una regla de funcionamiento establecido, siendo la disciplina de primero
en llegar, primero en ser atendido la ms utilizada.
El planteamiento general de la simulacin de la LEQ con prioridades es similar al utilizado
anteriormente, introduciendo las salvedades que surgen del hecho de no considerar que
todos los pacientes tienen la misma prioridad para ser atendidos. Esto quiere decir que tanto
la simulacin de entradas de pacientes en la lista como la duracin de las intervenciones
sern simuladas del mismo modo en que lo han sido hasta ahora y que la nica diferencia
sustancial consistir en que a la hora de tomar a un paciente para ser atendido se elegir
antes a aquel que tenga una prioridad mayor, y entre pacientes de igual prioridad ser
atendido antes aquel que lleva ms tiempo en espera.

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:

Se observa claramente cmo se obtienen los resultados previsibles de acuerdo con la

filosofa de las prioridades. Es decir, los pacientes con mayor prioridad (prioridad 1) son
intervenidos antes que los pacientes con prioridad 2, y a su vez stos son intervenidos antes
que aquellos que tienen asignada prioridad 3. Adicionalmente, en todos ellos se cumplen los
objetivos perseguidos para cada una de las prioridades medidos en tiempos medios de
espera. As, los pacientes de prioridad 1 son intervenidos en slo 10 das cuando, segn la
definicin de la propia prioridad, el plazo podra llegar a ser de hasta 30 das, e incluso los
pacientes de prioridad 2 tienen un tiempo de espera de un mes (cuando podran tener un
tiempo medio de espera de 3 meses). Adems, se puede constatar que los pacientes con
prioridades 1 y 2 tienen un tiempo medio de espera inferior a la media (10 y 27 das) que se
habra obtenido si no se hubieran utilizado prioridades (37 das de espera media). Este hecho
indica que los pacientes menos graves (prioridad 3) se han sacrificado a favor de los ms
graves pasando de un tiempo de espera de 37 das a 119 das.

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

utilizados a la casustica de dicho modelo. Para el buen funcionamiento del modelo se ha

recurrido a utilizar las distintas tcnicas de simulacin existentes programando y adaptando
las mismas al funcionamiento de la hoja de clculo Microsoft Excel habindose probado as
mismo que las funciones que incorpora dicha aplicacin en su versin 2003 cumplen con los
requisitos exigibles desde el punto de vista estadsticos.
Del estudio emprico realizado se desprende que la utilizacin de un sistema de prioridades
debidamente controlado proporciona una sensible mejora en los periodos de espera de los
pacientes ms graves y sirve para diferir dentro de unos plazos razonables a aquellos
pacientes que presentan un estado de salud menos preocupante o que, incluso, es posible
que su intervencin no reportase ninguna mejora clnica para el mismo.
4. BIBLIOGRAFA
1. Escudero, L.F. (1972): Aplicaciones de la teora de colas, Ediciones Deusto, Bilbao.
2. Escudero, L.F. (1973): La simulacin en la empresa, Ediciones Deusto, Bilbao.
3. Rubinstein, R.Y. (1981): Simulation and the Monte Carlo Method, John Wiley& Sons, New
York.
4. Walkenbach, J. (2002): Programacin en Excel 2002 con VBA, Anaya Multimedia, Madrid.

Videos M2:
Probabilidad de que suceda A = P(A), de que suceda A1 = P(A1)