Herramientas Matematicas VI

Unidad 4: 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 .S (M/M/1)

De servicios mltiples
- cola nica ...S1

.S2 (M/M/S) (M/M/3)

...S3

Materia: Herramientas Matemticas VI - Modelos de simulacin -1-

Profesor: Ing. Jorge H. Cassi
- colas paralelas ...S1

...S2 (Cada una opera como un M/M/1)

..........S3

2)- De etapa mltiple (etapa no estudiada en nuestra asignatura)
Ingreso al sistema Salida
........... S1 S2 Sn ...
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) poblacin infinita
b) arribos individuales (no grupales)
c) Atencin por orden de llegada
d) No hay abandono de la cola de espera
e) Hay suficiente espacio para albergar la cola
f) 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:
e t ( t ) n
P(n llegadas en un periodo t) =
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:
e 3 x 2 (3 x 2)0 6
p 0(2) 0!
e 0, 0025 0, 25%
e 3 x 2 (3 x 2)1
p (2)
1 1!
0, 015 1,5%
e 3 x 2 (3 x 2)2
p 2(2) 2!
0, 045 4,5%
e 3 x 2 (3 x 2)3
p 3(2) 3!
0, 089 8,9%
e 3 x 2 (3 x 2)4
p (2) 0,134 13, 4%
4 4!

e 3 x 2 (3 x 2)5
p 5(2) 5!
0,16 16%
e 3 x 2 (3 x 2)6
p (2)
6 6!
0,16 16%
e 3 x 2 (3 x 2)7
p (2) 0,14 14%
7 7!
e 3 x 2 (3 x 2)8
p (2) 0,10 10%
8 8!
e 3 x 2 (3 x 2)9
p 9(2) 9!
0, 07 7%
Grficamente se puede observar la distribucin de probabilidades de Poisson:
0 1 2 3 4 5 6 7 8 9 n
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 3 arr 2 min 6 arribos
min

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 e2 x 0 1
( t 0')
p e2 x 0,5 0,37 37%

( t 30'')
p e2 x1 0,135 13,5%
( t 1')
p e2 x 2 0,018 1,8%
( t 2')
Grficamente podemos visualizar la distribucin de probabilidades exponencial negativa obtenida

de los clculos anteriormente realizados:
P(t > T)

1 Profesor: Ing. Jorge H. Cassi
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:
o Llegadas aleatorias nicas (Poisson)

o Tiempo de servicio aleatorios (Distribucin exponencial negativa)
o Situacin de estado estacionario
o Un solo canal de servicio
o Poblacin que llega infinita
o Espacio de espera infinita
o Primero en llegar, primero en ser atendido (First In First Out - FIFO -)
o 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.
eT (T )n
P( n) Probabilidad de que se produzcan n arribos en un tiempo T.
n!
L L q Nmero promedio de unidades que se encuentran en el sistema; esperando para

ser o siendo atendidas.
2
Lq Nmero promedio de unidades que se esperan ser atendidas.
1
L
W Tiempo promedio que la unidad transcurre en el sistema. O tambin, tiempo

transcurrido entre el tiempo de espera y el que se es atendido.

Lq
Wq 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.
P 0 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 y una tasa de
hora
servicio de 0, 25 serv . Calcule:
min.
1. Los tiempos medios de separacin entre arribos y servicios
2. Los parmetros estadsticos decisin para este tipo de sistema
1 1 1 1
1. t arr hora 6 min y t serv min 4 min
10 0, 25
10 arr
10 arr
2. h 60 min 0, 66 arr 2 arr
0, 25 serv serv serv 3 serv
min 0, 25
min
2 1
p 1 1 0,33 33,33%
0 3 3
2
p 0, 66 66, 66%
w 3
2
2
4
2
3
L q 1 2 3 1,33 unid .
1
3
4 2
L L q 2 unid .
3 3

4
Lq
W q 103 horas 0,133 horas 8 min .
L 2
W horas 0, 2 horas 12 min.
10
p 0,33 estaciones ociosas

0
1 1
t 4 serv
0, 25 serv min
min
M/M/S
S
P(W ) P(O ) Probabilidad de que el sistema est ocupado.
S !( S )
n S 1 1 n 1 S S
P(O ) 1 Una forma ms sencilla de encontrar P(o) es a
n0 n ! S ! S
travs de la tabla (Ver pginas 12 y 13 del siguiente material o Anexo bibliografa bsica).

Lq P(W ) Nmero promedio de unidades que esperan ser atendidas.
S

L P(W ) Nmero promedio de unidades que se encuentran en el sistema (esperan
S
ser atendidas ms las que estn siendo atendidas)
1 Lq
Wq Tiempo promedio que una unidad tiene que esperar antes de ser
S
P(W )

atendida.
1 L
W P(W ) Tiempo promedio de unidades en el sistema.
S
n
Pn .Po (1<n<S)
n!
n
Pn .Po (n S)
S ( n s ) 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.
arr
22,5 h
1,5 arr
15 serv serv
h
p 0,1429 (valor que seobtiene por tabla ver pgs. 12 y 13 o Anexo Bibliografa Bsica , Davis)
0

s
S p 1,5 2
2 0,1429
p o
0.643 64,3%
w S ! S 2! 2 1,5
1,5
L p 0.643 1,93 unid .
q
S w 2 1,5
L L q 1,93 1,5 3, 43 unid .

L q

1,93
hora 0, 086 hora 5,15min.
W q
22,5
L 3, 43
W hora 0,152 hora 9,15min.
22,5
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.
Materia: Herramientas Matemticas VI - Modelos de simulacin - 10 -

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

ITR/NT 03-A/JTR
PROGRAMA MASTER EN INGENIERIA CIVIL

UNIVERSIDAD DE PIURA
Campus Lima
Introduccin a la Teora de Colas
Preparado por el Ing. Civil Jorge A. Timan Rojas, Master en Ingeniera de Transportes por la
University of British Columbia, para uso interno del Programa Master de Ingeniera Civil con
Mencin en Ingeniera Vial de la Universidad de Piura.
N de pgs. 10
1
TEMA 3-A: INTRODUCCIN A LA TEORA DE COLAS
1. INTRODUCCIN
2. CONCEPTOS GENERALES
2.1. DISTRIBUCION DE LLEGADA
2.2. MTODO DE SERVICIO
2.3. CARACTERSTICAS DE LA LONGITUD DE LA COLA
2.4. DISTRIBUCIN DEL SERVICIO
2.5. NMERO DE CANALES
2.6. COLAS SOBRESATURADAS Y NO SATURADAS
3. COLAS INFINITAS, NO SATURADAS, DE CANAL NICO.
4. COLAS FINITAS, NO SATURADAS, DE CANAL NICO.
5. RESUMEN
2
INTRODUCCIN A LA TEORA DE COLAS1
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.
1
Extrado, traducido y adaptado del libro Traffic and Highway Engineering by Nicholas J. Garber and Lester A.
Hoel. Departament of Civil Engineering, University of Virginia, 1988.
3
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.
4
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.
5
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.
Sistema
rea de Servicio
Tasa de llegadas
Tasa de servicio
Cola
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):
n

P ( n) = 1 (3.1)

6
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:
2
E (m) =
( ) (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):

E ( w) =
( ) (3.4)
5. Tiempo promedio de espera de una llegada en el sistema, incluyendo cola y servicio

E(v)
1
E (v) =
(3.5)
6. Probabilidad de gastar tiempo t o menos en el sistema

1 t

P (v t ) = 1 e (3.6)
7
7. Probabilidad de esperar un tiempo t o menos en la cola

1 t
P(w t ) = 1 e
(3.7)
8. Probabilidad de ms de N vehculos estando en la cola; esto es P(n>N)

N +1

P(n > N ) =
(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 = / . La figura 3.2 es la representacin para valores diferentes de = / . 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 ( ), es un factor importante en el
proceso de colas. La figura tambin indica que la cola no es significativa cuando 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 ( )
8
Figura 3.3: Probabilidad de que n vehculos estn dentro del sistema para diferentes intensidades de trfico ( )
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:
375
P ( 0) = 1 =1 = 0.25
500
El operador estar libre el 25% del tiempo.
(b) De la ecuacin 3.2:
375
E ( n) = =3
500 375
(c) De la ecuacin 3.5:
1
E (v ) = hr = 0.008hr = 28.8seg
500 375
9
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
1
P(n) = *n (4.1)
1 N +1
Donde = /
2. El nmero esperado de unidades en el sistema
1 ( N + 1) N + N N +1
E ( n) = * (4.2)
1 1 N +1
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
=(400/500) = 0.8. De la ecuacin 4.1:
(1 0.8)
P(5) = 10 +1
*(0.8)5 = 0.072
1 (0.8)
(b) De la ecuacin 4.1:
(1 0.8)
P(10) = *(0.8)10 = 0.023
1 (0.8)11
Esto es, la rampa est totalmente llena slo el 2.3% del tiempo.
10
(c) El nmero esperado de vehculos en la rampa se obtiene de la ecuacin 4.2:
0.8 1 (10 + 1)(0.8)10 + 10(0.8)10+1
E ( n) = * = 2.97
1 0.8 1 (0.8)10+1
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 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.
11
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
12
Unidad 5: 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:
PROBLEMA
Modelos Tericos Modelos de Simulacin

(enfoque analtico) (enfoque simulativo)
Construccin de un Recopilacin de datos de entrada

modelo matemtico
Definir interrelaciones entre los datos
Elaboracin del algoritmo (variables y factores operativos)
matemtico
Elaborar la estructura lgica de anlisis
Obtener la solucin matemtica
Generar la simulacin
Bsqueda de la optimizacin
de solucin del modelo
Describir el funcionamiento del sistema
Rutina de bsqueda
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 Probabilidad Asociada

Datos de 10 Tn 0,1
entrada 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 toneladas Probabilidad Acumulada Intervalo de Nmeros

Pac(Tn Tni) aleatorios 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
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:
1
( x) para a x b
ba
Grficamente se expresa:
( x)
El intervalo de ocurrencia de la variable

x es [a,b] y la densidad es constante
(x) = C
1
ba
a b x

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:
x
p ( x) dx
( x) a
1
Reemplazando ( x)
ba
Entonces:
x 1 1 x

b a a
p dx dx
( x) a ba
Resolviendo la integral, obtenemos:
1 1
p( X ) xa x a
x
ba ba
Finalmente:
p( X )
xa
Pac a, x x a
ba ba
En el siguiente grfico, la expresin anterior est representada por el rea sombreada:
(X)
1/b-a = C
a x b x
(x-a)

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
ba
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 ) eT T variable espaciamiento entre arribos
- Para servicios:
Pac (t T ') eT ' 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
1
Despejando, se obtiene T 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 '
1
Despejando, se obtiene T ' 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
1
continuas utilizamos para tasas de arribos: T LnR y para tasas de servicio:

1
T ' 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.
Datos de entrada (para arribos)
T (entre descomp.) Prob. de ocurrencia Prob. acumulada Intervalo aleatorio
15 0,0467 0,0467 [0,0000 ; 0,0466]
16 0,0933 0,1400 [0,0467 ; 0,1399]
17 0,1000 0,2400 [0,1400 ; 0,2399]
18 0,1867 0,4267 [0,2400 ; 0,4266]
19 0,2400 0,6667 [0,4267 ; 0,6666]
20 0,1800 0,8467 [0,6667 ; 0,8466]
21 0,1000 0,9467 [0,8467 ; 0,9466]
22 0,0533 1,0000 [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 R de t de Hora de Inicio R de t de Hora fin Ociosidad Cola

de arribos arribo ocurrencia servicio servicio servicio de (Maq Ope)
maq. servicio
1 0,6279 19 8:19 8:19 0,4446 30 8:49 19 -
2 0,8234 20 8:39 8:49 0,6427 30 9:19 - 10 2
3 0,5273 19 8:58 9:19 0,5902 30 9:49 - 21 3
4 0,1820 17 9:15 9:49 0,0318 10 9:59 - 34 3-4
5 0,6383 19 9:34 9:59 0,5901 30 10:29 - 25 4-5
6 0,1471 17 9:51 10:29 0,3044 30 10:59 - 38 5-6
7 0,3208 18 10:09 10:59 0,1699 20 11:19 - 50 6-7
8 0,8224 20 10:29 11:19 0,5783 30 11:49 - 50 7-8
9 0,6331 19 10:48 11:49 0,8764 40 12:29 - 61 7-8-9
10 0,5482 19 11:07 12:29 0,2161 20 12:49 - 82 8-9-10
11 0,3445 18 11:25 12:49 0,3694 30 13:19 - 84 9-10-11
12 0,4611 19 11:44 13:19 0,6074 30 13:49 - 95 9-10-11-12
13 0,3193 18 12:02 13:49 0,8224 40 14:29 - 107 10-11-12-13
14 0,6273 19 12:21 14:29 0,1455 20 14:49 - 128 10-11-12-13-14
15 0,4841 19 12:40 14:49 0,1443 20 15:09 - 129 11-12-13-14-

15
16 0,7303 20 13:00 15:09 0,6255 30 15:39 - 129 12-13-14-15-
16
17 0,8875 18 13:21 15:39 0,6251 30 16:09 - 138 13-14-15-16-
17
18 0,7051 20 13:41 16:09 0,1108 20 16:29 - 148 13-14-15-16-
17-18
19 0,1989 17 13:58 16:29 0,5595 30 16.59 - 147 14-15-16-17-
18-19
20 0,4071 18 14:16 16:59 0,1456 20 17:19 - 163 14-15-16-17-
18-19-20
21 0,4762 19 14:35 17:19 0,9509 50 18:09 - 164 15-16-17-18-
19-20-21
22 0,1322 16 14:51 18:09 0,1347 20 18:29 - 198 16-17-18-19-
20-21-22
23 0,9223 21 15:12 18:29 0,7707 40 19:09 - 197
24 0,8123 20 15:32 19:09 0,3172 30 19:39 - 217
25 0,7273 20 15:52 19:39 0,8263 40 20:19 - 227
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 R de t de Hora de Inicio R de t de Hora fin Tiempo Tiempo Tiempo Cola

de arribos arribo ocurrencia servicio servicio servicio de impro- ocioso ocioso
maq- servicio ductivo op1 op2
1 0,6279 19 8:19 8:19 0,4446 30 8:49 (1) - 19
2 0,8234 20 8:39 8:49 0,6427 30 9:09 (2) - 39
3 0,5273 19 8:58 9:19 0,5902 30 9:28 (1) - 9
4 0,1820 17 9:15 9:49 0,0318 10 9:25 (2) - 6
5 0,6383 19 9:34 9:59 0,5901 30 10:04(1) - 6
6 0,1471 17 9:51 10:29 0,3044 30 10:21(2) - 26
7 0,3208 18 10:09 10:59 0,1699 20 10:29(1) - 5
8 0,8224 20 10:29 11:19 0,5783 30 10:59(2) - 8
9 0,6331 19 10:48 11:49 0,8764 40 11:28(1) - 19
10 0,5482 19 11:07 12:29 0,2161 20 11:27(2) - 8
11 0,3445 18 11:25 12:49 0,3694 30 11:57(2) 2 - - 11
12 0,4611 19 11:44 13:19 0,6074 30 12:14(1) - 16
13 0,3193 18 12:02 13:49 0,8224 40 12:42(2) - 5
14 0,6273 19 12:21 14:29 0,1455 20 12:41(1) - 7
15 0,4841 19 12:40 14:49 0,1443 20 13:01(1) 1 - - 15
16 0,7303 20 13:00 15:09 0,6255 30 13:30(2) - 18
17 0,8875 18 13:21 15:39 0,6251 30 13:51(1) - 20
18 0,7051 20 13:41 16:09 0,1108 20 14:01(2) - 11
19 0,1989 17 13:58 16:29 0,5595 30 14:28(1) - 7
20 0,4071 18 14:16 16:59 0,1456 20 14:36(2) - 15
21 0,4762 19 14:35 17:19 0,9509 50 15:25(1) - 7
22 0,1322 16 14:51 18:09 0,1347 20 15:11(2) - 15
23 0,9223 21 15:12 18:29 0,7707 40 15:52(1) - 1
24 0,8123 20 15:32 19:09 0,3172 30 16:02(2) - 7
25 0,7273 20 15:52 19:39 0,8263 40 16:32(1)
=3 =122 =152
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:

1
T Ln 0, 6279 0,87 min
0,535
Y
1
T ' Ln 0, 4446 24,56 min
0, 033
La estructura de simulacin para un M/M1, sera:
N R de t de Hora de Inicio R de t de Hora fin Ociosidad Cola

de arribos arribo ocurrencia servicio servicio servicio de (Maq Ope)
maq. servicio
1 0,6279 0,87 8:01:27 8:01:27 0,4446 24,56 8:26:23 1:27 - -
2 0,8234 0,6427
. .. .. .. . . .. . . ..
Contine Usted con la simulacin
La estructura de simulacin para un M/M2, sera:
N R de t de Hora de Inicio R de t de Hora fin Tiempo Tiempo Tiempo Cola

de arribos arribo ocurrencia servicio servicio servicio de impro- ocioso ocioso
maq- servicio ductivo op1 op2
1 0,6279 0,87 8:01:27 8:01:27 0,4446 24,56 8:26:23 - 1:27 -
(1)
2 0,8234 0,36 8:02:03 8:02:03 0,6427 13,39 8:15:42 - 2:03 -
(2)
. .. .. .. .. . . .
Contine con la simulacin!!!

SIMULACIN DE FENMENOS DE ESPERA CON
PRIORIDADES MEDIANTE HOJA DE CLCULO
BERNAL GARCA, Juan Jess

Departamento de Mtodos Cuant it at ivos e Informt icos
Universidad Polit cnica de Cartagena
correo-e: juanjesus.bernal@upct.es
MARTNEZ MARA DOLORES, Soledad Mara

correo-e: soledad.mart inez@upct.es
SNCHEZ GARCA, Juan Francisco

correo-e: jf.sanchez@upct.es
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
2
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
3
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
4
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.
5
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.
6
En la simulacin, se trabajar con tres tablas en una hoja de clculo de
Microsoft Excel que a continuacin se describen1:
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.
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.
7
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
8
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
9
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
10
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
11
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,
generandose 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
12
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)
13
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.
14
15
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:
16
17
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.
18
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.
19

Herramientas Matematicas VI

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Herramientas Matematicas VI

Загружено:

Авторское право:

Доступные форматы

Unidad 4: Modelos de lneas de espera

Los modelos de lnea de espera no pretenden resolver problemas; ms bien, describen el

Caractersticas generales de los modelos:

Descriptivos ms que normativos

4.1. Caractersticas de un fenmeno de espera.

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

4.2. Clasificacin de los sistemas de espera.

Los sistemas se clasifican en:

1)- De etapa nica

De servicio nico .S (M/M/1)

Materia: Herramientas Matemticas VI - Modelos de simulacin -1-

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 describe:

Cdigo A / B / C donde A= arribos

A y B pueden tomar valores:

M = Markovianos (aleatorios: los sucesos carecen de memoria de eventos pasados)

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

Materia: Herramientas Matemticas VI - Modelos de simulacin -2-

4.3.1. Distribucin de probabilidades de arribos al sistema de tipo

Si se conoce el nmero promedio de ocurrencias por perodo, se pueden calcular las

En otras palabras nos describe cul es la probabilidad de que se produzcan n arribos en un

Si = 3 arr/min. y nos preguntamos cul es la probabilidad de qu ingresen 0, 1, 2, 3,

Materia: Herramientas Matemticas VI - Modelos de simulacin -3-

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,

Materia: Herramientas Matemticas VI - Modelos de simulacin -4-

Si la duracin de los tiempos de servicios es aleatoria, se utiliza la distribucin exponencial

Si es la tasa de promedio de servicio (el inverso del tiempo promedio de servicio), la

Cul es la probabilidad acumulada de qu los servicios del sistema demoren un tiempo t

p e2 x 0,5 0,37 37%

Grficamente podemos visualizar la distribucin de probabilidades exponencial negativa obtenida

Materia: Herramientas Matemticas VI - Modelos de simulacin -5-

o Llegadas aleatorias nicas (Poisson)

La relacin de ambas SIEMPRE debe ser , de lo contrario el sistema colapsa.

Materia: Herramientas Matemticas VI - Modelos de simulacin -6-

- = tasa promedio de servicio para cada uno de los canales S.

4.3.4. Parmetros estadsticos de decisin: nmeros medios de

P(O) 1 P(W ) Probabilidad de ociosidad (cuanto ms se acerca a 1 es ms lo que el sistema

P(W ) P(O ) ( )n Probabilidad de que haya n unidades en el sistema.

L L q Nmero promedio de unidades que se encuentran en el sistema; esperando para

Materia: Herramientas Matemticas VI - Modelos de simulacin -7-

Realicemos un ejercicio con los parmetros estadsticos para un caso M/M/1

Materia: Herramientas Matemticas VI - Modelos de simulacin -8-

p 0,33 estaciones ociosas

Materia: Herramientas Matemticas VI - Modelos de simulacin -9-

Calcule los parmetros estadsticos para este sistema.

L L q 1,93 1,5 3, 43 unid .

S 2 1,5 0,50 estaciones ociosas

Por ejemplo, observemos los siguientes casos:

Materia: Herramientas Matemticas VI - Modelos de simulacin - 10 -

Tabla que proporciona el valor de Po

Materia: Herramientas Matemticas VI - Modelos de simulacin - 11 -

PROGRAMA MASTER EN INGENIERIA CIVIL

Introduccin a la Teora de Colas

Uno de los grandes temas que conciernen a la Ingeniera de Trnsito es el serio

Es esencial entender el proceso que resulta en la formacin de las colas y sus

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

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

Basndose en las caractersticas arriba descritas, se han desarrollado numerosos

2.1. DISTRIBUCION DE LLEGADA

2.2. MTODO DE SERVICIO