You are on page 1of 18

Capı́tulo 3

Gestión de Stock en una
Farmacia Hospitalaria

En este capı́tulo se aplicarán las estrategias de control MPC aplicando
múltiples escenarios, reducción de escenarios basado en árboles y chance con-
trains al problema de la gestión en una farmacia hospitalaria.

3.1. Introducción

Las cadenas de suministro están compuestas por las estructuras y proce-
sos utilizados por una organización para proporcionar un servicio o un bien a
un consumidor. Desde el punto de vista de la teorı́a de control, las cadenas de
suministro actuales presentan fenómenos interesantes como las oscilaciones,
amplificaciones y retardos [14]. Debido a los retardos de traslado de mate-
riales o retardos informativos, puede ser que la producción o stocks se hallen
en exceso o no alcancen los niveles óptimos. Por estas razones, la dinámica
de las cadenas de suministro han sido analizados en profundidad y han sido
utilizados como un ejemplo de aplicación en varios campos del control; véase
por ejemplo las obras de [15] o [16].

Las consecuencias de una mala polı́tica de control de los nodos en una
cadena de suministro puede variar en función del tipo de bien o servicio con-
siderado. En particular, los fallos en la gestión del stock en una farmacia del
hospital pueden tener consecuencias sociales y económicas catastróficas. Por

29

los encargados de farmacia aplican polı́ticas muy simples de control de stock. en este trabajo se propone aplicar el control pre- dictivo basado en modelo (MPC) para el problema de la gestión de stock (inventarios) del departamento de farmacia.[23] utiliza una variación del MPC para reducir el número de parámetros de ajuste en la gestión de los inventarios y las cadenas de sumi- . Se debe considerar también que otras estrategias de control de stock de revisión periódica son posibles. ya que puede conducir a la pérdida de vidas humanas. el Juego de la Cerveza del MIT. donde el sistema de salud es público. Las cadenas de abastecimiento y los inventarios también se han benefi- ciado de la aplicación del MPC. una polı́tica (s. S) es habitualmente uti- lizada. Por otro. véase. Además. lo que significa que cuando el inventario cae por debajo del nivel s se hace un pedido para elevar de nuevo a S. la gestión del inventario es una de las principales tareas que un servicio de farmacia debe llevar a cabo en un hospital. Por ejemplo. Los hospitales cuentan con presupuestos ajustados que imponen limitaciones en la gestión de stocks. GESTIÓN DE STOCK EN UNA FARMACIA un lado. Por lo tanto. los pedidos se pueden asignar un tamaño fijo Q y s se define como el punto de pedi- do. por ejemplo [18] o [19]. ya que requiere para establecer un equilibrio entre criterios de optimización muchas veces contradictorias. Por último. Alternativamente. especialmente para aquellos fármacos que tienen que ser conservados a baja temperatura. las necesidades clı́nicas del hospital tienen que ser satisfechas. [16] uti- liza un punto de referencia de la cadena de suministro. hay limitaciones sobre la colocación de medica- mentos almacenados. el cos- to social de la falta de disponibilidad de medicamentos puede ser muy grave. En los paı́ses. estos gastos son muy significativos. [22] aplica un MPC robusto al sistema de producción-inventario. Sin embargo. Por lo general. estas polı́ticas carecen de la flexibilidad suficiente para considerar todos los factores que intervienen en este problema de optimización de una manera sistemática. para probar un algoritmo MPC distribuido con baja carga comu- nicacional. [17] estiman que alrededor de un 35 % de los gastos de hospitalización de los ser- vicios y bienes se deben al departamento de farmacia. En particular.30 CAPÍTULO 3. Los retrasos en las entregas del medicamento y las demandas no deterministas son también cuestiones importantes en este campo. Por ejemplo. otros factores que complican tı́picamente pro- blemas de gestión de inventario también se deben tomar en consideración en este contexto. Es un problema complejo. no es posible elevar demasiado los niveles de stock promedio. Por esta razón. en un local de capacidad determinada. y por lo tanto tienen que ser almacenados en un refrigerador. [20] y [21] aplica MPC para suministrar gestión de la cadena de fabricación de semiconductores.

Además de estos pacientes hospi- talizados. por simplificar. oji ∈ R es el número de artı́culos pedidos a los j-th de los npi proveedores de medicamentos i.2. caso contrario. En este hospital. España es un hospital universitario de gran tamaño que sobresale en los ser- vicios de trasplantes.2. DESCRIPCIÓN DEL PROBLEMA 31 nistro. 3. con δij (t) es una variable booleana cuyo valor es uno solo si un pedido de medicamento i al proveedor j es realizada en un tiempo t. y di (k) representa la demanda de medicamentos i. Se asume. El número de artı́culos pedidos puede descomponerse como oji = δij (t − τij )uji (t − τij ).i son los gastos de pedido del medicamentoi al proveedor j. Se consideran los siguientes costos asociados al problema de gestión de inventario: pji es el coste que el proveedor j oferta por el medicamento i.1) j=1 donde si ∈ R es el stock de medicamentos i. (3. Esta descomposición se introduce para simplificar la contabilidad de costos que están relacionados con la realización de pedidos. El hospital tiene una capacidad total de mil doscientos camas para los pacientes hospitalizados. j Csh. su valor es cero.3. los gastos en materia de medicina superan la cantidad de cincuenta millones de euros al año. Descripción del Problema Se asume que el inventario de farmacia está compuesto por Ni medica- mentos diferentes. El siguiente modelo discreto no lienal será utilizado para reprensentar la evolución del nivel de stock de medicamentos i: npi X si (t + 1) = si (t) + oji (t − τij ) − di (t). τij es el retardo de transporte correspondiente. el departamento de farmacia ofrece mensualmente más de cinco mil entregas de medicamentos para pacientes externos. se realizarán simulaciones basadas en datos reales del procedimiento Hospital Reina Sofı́a en Córdoba. . y uji ∈ R es el número actual de artı́culos ordenados en caso de un pedido. Para poner a prueba la estrategia propuesta. que este precio no depende del número de medicamentos pedidos.

2. Satisfacción de la demanda. En el segundo. Además. es de- cir.uji ∀i. Cos. es posible que pedir ayuda a otros hospitales. De todos modos.i respresenta los gastos asciados a la realización de un pedido de un medicamento i. La demanda de los medicamentos no es determinista.j k=0 i=1 j=1 k=0 i=1 (3. (3. el riesgo de no ser capaz de satisfacer las necesidades clı́nicas del hospital es máxima en este punto. que pueden tener un alto coste. esto se traduce en la siguiente condición matemática: Ni N X X mı́n Cos. N X npi Ni X Ni N X X X mı́n δij (t + k)(pji uji (t + k) + j Csh. Los objetivos de la gestión del inventario de farmacia se pueden resumir en los siguientes puntos: 1.i P r(si (t + k) < 0).i si (t + k). la condición deb ser satisfecha.32 CAPÍTULO 3. Como consecuencia de ello.ui ∀i.i ) + Cs. δij . el coste de la escasez. La probabilidad de escasez de medicamen- tos tiene que ser minimizado. Dos posibilidades se presentan en este punto en función de si un stock de seguridad fijo o variable se establez- ca. Estos préstamos requieren contratar entregas especia- les.j k=0 i=1 donde P r(si (t+k) < 0) representa la probabilidad de si (t+k) sea nega- tiva y N es el tamaño del horizonte del tiempo en el cual.3) . un lı́mite mı́nimo se introduce en el problema de optimización. En este caso. el stock de seguridad se convierte en un parámetro de optimización. es decir.i es el coste de almacenamiento del medicamento i. Lo mismo puede ocurrir con el retardo de transporte aso- ciados a los envı́os. En el primer caso. Minimizar los gastos en la adquisición de medicamentos y los niveles de inventario. GESTIÓN DE STOCK EN UNA FARMACIA Cop. Cs.i es el coste de quedarse sin existencias de medicamentos i. es común establecer un stock de seguridad con el fin de hacer frente a la incertidumbre in- troducida por estos problemas.2) j j δi .

(3. 1] . en un hospital como el Reina Sofı́a más de doce mil pedidos se realizan durante un año. si ∈ [minsi . Por otro. Minimizar el número de pedidos realizados. es conveniente reducir al mı́nimo los costes fijos. Por un lado.4) δ k=0 i=1 j=1 Además. es decir.2. es decir. por ejemplo. maxsi ]. Por lo tanto. Por lo tanto. Por lo tanto. (3. que se introducen cada vez que se hace un pedido. DESCRIPCIÓN DEL PROBLEMA 33 3. Este objetivo se entiende mejor cuando se toma en cuenta que. (3. maxuj ]. Por esta razón. uji ∈ [minuj . La primera es una variable boolea- na que representa si un pedido de un medicamento i se ha realizado con el proveedor j durante el tiempo t . Matemáticamente. esta condición es equivalente al siguiente problema de minimización: npi Ni X N X X mı́n Cop.6) i i Restricciones de operación. puede haber restricciones de la sala que limitan el número máximo de muestras de medicamentos que se pueden almacenar. cuya misión es proporcionar una garantı́a adicional para que se reduzca la probabilidad de falta de inventario.3. Los recursos humanos del departamento de farmacia son limitados. En caso de realizar un pedido se debe considerar que existe tanto un número máximo como un mı́nimo de medicamentos que se puede hacer el pedido. δij (t) ∈ [0. Las restricciones en los órdenes requieren el uso de dos variables diferentes . difentes restricciones se deben considerar: Restricciones de almacenamiento. un lı́mite tiene que ser impuesto sobre el número de pedidos realizados durante un horizonte de longitud N .5) Restricciones de pedidos.i δij (t + k). el stock de medi- camentos i tiene que ser mayor que un stock de seguridad minSi . (3.7) k=0 j=1 donde ∆i es el màximo número de pedidos de medicamentos i que pueden ser realizados durante el horizonte. npi N X X δij (t + k) ≤ ∆i . . La farmacia tiene una capacidad limi- tada para hacer pedidos y la recepción de los envı́os.

costes mı́nimos y datos de cuándo y cuántos pedidos deben ser entregados. Se va a considerar una restricción en la cantidad de dinero que se puede gastar durante el horizonte de N . Por lo tanto.3. El ı́ndice de rendimiento considerado en este trabajo implica una función ponderada multicriterio donde la demanda de satisfacción.i j + Cop. los activos fijos reducidos y el número de pedidos minimizado. El sistema se lo puede respresentar como la Figura 3. Figura 3. la demanda debe ser satisfecha. Para simplificar. siendo max$ la cantidad máxima.1.1: Representación del sistema Las entradas del sistema son la demanda estimada de medicamentos. este objetivo se puede escribir como: npi Ni X N X X δij (t + k)(pji uji (t + k) + Csh. Las salidas son el nivel óptimo de stock. GESTIÓN DE STOCK EN UNA FARMACIA Restricciones económicas.i ) ≤ max$ (3. se va a ignorar los gastos debido al almacenamiento de medicamentos.34 CAPÍTULO 3. Problema de optimización en la gestión de inventario de farmacia El objetivo del problema de otimización es triple. se incluyen los gastos y el número de pedidos. . perturbaciones y restriccones.8) k=0 i=1 j=1 3.

El conjunto de señales de control futuras se calcula mediante la optimización de un criterio o función objetivo. lo único que podemos hacer es reducir al mı́nimo la probabilidad de escasez de medicamentos. (3.10) . se va a presentar algunas consideraciones sobre el proble- ma de control de inventario con el fin de facilitar su aplicación. donde Dem. como se muestra en (3. Sea el sistema definido por: s(t + 1) = s(t) + o(t − τ ) − d(t). Por lo tanto. Por lo tanto. se ha utilizado la técnica de MPC para resolver el pro- blema. 3. A continuación se examinan los términos involucrados en la expresión (3.3. t) + β2 Expenses(u. Las salidas del problema dependen en gran medida de los pesos β.2. Expenses y Orders son. Programación MPC A continuación. los términos asociados a la demanda de satisfacción. la demanda tiene un comportamiento aleatorio.3.3. Como se ha dicho. la extensión immediata para el caso multivariable. respectivamente. Las salidas previstas dependen de las entradas pasadas conocidas y valores de salidas hasta el instante k y en las señales de control futuras. t) u (3. y la consideración de las restricciones en la optimización.3. 3. priorizando los diferentes términos. En este trabajo. t). Algunas de las ventajas que presenta MPC sobre otros métodos de control de optimización incluyen la relativa facilidad de implementación. PROBLEMA DE OPTIMIZACIÓN 35 mı́n J = β1 Dem(u.9) +β3 Orders(u. mientras que las próximas señales de control se descartan. Sólo la señal de control calculada para el instante k es enviado al proceso. la función objetivo será minimizar el número de pedidos y gastos realizados. Control Predictivo Basado en Modelo (MPC) MPC es una estrategia de control basado en el uso explı́cito de un modelo dinámico para predecir la salida del proceso en instantes de tiempo futuros a lo largo de un horizonte de predicción (N ) [1]. los costos y las órdenes. La primera de ellas está relacionada con la satisfacción de la demanda.2).9).1.

uji (t)     uji (t)  . debido a la diferente naturaleza de ellas.. En este problema particular. . Se puede observar que si δij (t + k) = 0. . .1). el número de artı́culos pedidos oji (t + k) = 0.5)-(3. es reducido.. el sistema (3.. ..10) es equivalente a (3. k ∈ {0.. dNi (t)] y o(t − τ ) = j=1 τij )uji (t − τij ) represneta el número total de artı́culos pedidos... Debido a que la búsqueda de estas dos variables juntas. d(t) = [d1 (t). eliminando las componentes nulas uji (t + k).. la solución del problema una vez para cada escenario posible. Con este algoritmo.   . N }. . resolver el problema de optimización es una tarea difı́cil..   j .. tenemos que consi- derar dos variables de control: Una variable booleana δij (t) y uji (t). . δij (t+N )}.   .. uji (t + N )}... GESTIÓN DE STOCK EN UNA FARMACIA npi δij (t − P Donde s(t) = [s1 (t).. Por lo tanto. para simplificar el problema.   . el problema de optimización se resuelve con respecto a la variable uji (t). El problema a resolver es el siguiente: mı́n J o sujeto a (3.8)..  ui (t + N ) j | {z } ui (t + N ) uji (t) | {z } u’ji (t) 0 donde uji (t) ∈ RN +1 and u’ji (t) ∈ RN +1 .. dependiendo del valor de {δij (t).. esto es: ∀δij (t + k) = 0.10) y (3. Como se puede observar... las cuales son las componetes de la variable de control o(t).36 CAPÍTULO 3. sNi (t)]. 1. N }. siendo N X N0 = N − 1 − δij (t + k)  k=0 ..      i   . el vector de variables de control {uji (t). este problema se resuelve por medio de un algoritmo de búsqueda exhaustiva.. 1..  j  .k ∈ {0. .    j    ui (t + k − 1)   u (t + k)  i  →  uj (t + k + 1) .

para evitar de esta variable en la optimización. δij (t+2) = 0 y δij (t+3) = 1.  0 0 1 esta matriz provee el vector reducido: uji (t)   u’ji (t) =  uji (t + 1)  . durante la solu- ción de este problema. No es posible imponer toda la matriz de restricciones . por lo que vamos a obtener el mismo número de valores de la función objetivo.. Es necesario prestar especial atención a las restricciones. . si N = 4: uji (t)    uji (t + 1)  uji (t) =   uj (t + 2)  . PROBLEMA DE OPTIMIZACIÓN 37 Se puede ver que esta operación. δij (t + N )}.. La combinación óptima de los valores de {δij (t). se puede lograr mediante un simple cambio de variables. u’ji (t) contiene solo los elementos ordenados que no son cero. es decir.3. Este problema de optimización será resuelto tantas veces como posibles combinaciones con los valores de {δij (t). Esto significa que uji (t) tiene que ser reducido... uji (t + 3) Por lo tanto. para reducir el vector uji (t) a u’ji (t)..  i uji (t + 3) y se asumen estos valores: δij (t) = 1.3. uji (t) = M u’ji (t). δij (t+1) = 1. 0 donde M ∈ RN +1 × RN +1 . Por ejemplo. δij (t + N )}corresponde con aquella que proporciona el valor mı́nimo de la función objetivo. ası́ N 0 = 3 y   1 0 0  0 1 0  M =  0 0 0 . ..

la cual es normalizada de la siguiente forma: h i s(t+1)−s(t+0)−o(t+0)−µ smin −s(t+0)−o(t+0)−µ P σ ≥ σ ≥ 1 − δs h i s(t+1)−s(t+0)−o(t+0)−µ smin −s(t+0)−o(t+0)−µ P σ ≤ σ ≤ δs smin − s(t + 0) − o(t + 0) − µ  ϕ ≤ δs σ . 3. las limitaciones no pueden ser representados de una manera determinista. es decir. Por lo tanto..38 CAPÍTULO 3. por ejemplo: P (s(t + k) ≥ smin ) ≥ 1 − δs . es posible calcular o esti- mar la media y la desviación estándar de la variable de estado.4. N }. ∀k ∈ {1. la demanda agregada de d(t) ha aso- ciado una perturbación estocástica. se obtiene: P (s(t + 0) + o(t + 0) − d(t + 0) ≥ smin ) ≥ 1 − δs .. A medida que el estado se ve influido por incertidumbres aditivas d(t). y suponiendo que las perturbaciones se comportan como una función de una cierta distribución de probabilidad. σ). para el primer instante de la horizonte de predicción y suponiendo que las perturbaciones se comportan como una distribución normal con media µ y desviación estándar σ. donde δs es la probabilidad de fallo. por lo que es necesario aplicar la matriz de transfor- mación M a la matriz de restricciones sólo para las componentes de control que se están considerando. CC-MPC En esta sección se presenta la forma de analizar el problema basándose en restricciones estocásticas. debido a la naturaleza incierta de d(t). d(t) = N (µ. En (3. El desarrollo de la última expresión a lo largo del horizonte de predicción. GESTIÓN DE STOCK EN UNA FARMACIA al vector reducido u’ji (t). . por lo que es el riesgo de desabasteci- miento vinculado.10). se vuelven a escribir de una manera probabilı́stica. Por ejemplo.

  . CC-MPC 39 smin − s(t + 0) − o(t + 0) − µ ≤ ϕ−1 (δs ).3.  . . Esto permite escribir las restricciones de la forma: −o(t + 0) ≤ s(t + 0) − smin + ϕ−1 (δs )σ + µ. σ 2 con lo cual se puede escribir las restricciones de la siguiente manera: √ −o(t + 0) − o(t + 1) ≤ s(t + 0) − smin + ϕ−1 δs · σ 2 + 2µ.  .. para un horizonte de predicción N .    . 1 1 ··· 1 o(t + N − 1) 1   1 1 √1 1 2 √2      −smin + 1 3 3 µ .  ϕ−1 (δ )σ ..   . Para el segundo instante en el horizonte de predicción: P (s(t + 2) ≥ smin ) ≥ 1 − δs P (s(t + 1) + o(t + 1) − d(t + 1) ≥ smin ) ≥ 1 − δs P ((s(t + 0) + o(t + 0) − d(t + 0)) + o(t + 1) −d(t + 1) ≥ smin ) ≥ 1 − δs P (s(t + 0) + o(t + 0) − d(t + 0)) + o(t + 1) −d(t + 1) ≥ smin ) ≥ 1 − δs . De manera similar a los análisis anteriores. .   . σ donde ϕ(·) es la función de distribución probabilı́stica.. se obtiene: smin − s(t + 0) − o(t + 0) − o(t + 1) − 2µ  ϕ √ ≤ δs σ 2 smin − s(t + 0) − o(t + 0) − o(t + 1) − 2µ √ ≤ ϕ−1 δs .  s 1 N N .. . tenemos la siguiente res- tricción que tiene que ser incluido en el problema de optimización detrás del diseño de la MPC para aplicar las restricciones probabilı́sticas:      1 0 0 ··· 0 o(t + 0) 1 1  1 0 · · · 0   o(t + 1)  1    − 1  1 1 · · · 0    o(t + 2)  1  ≤   s(t + 0)  . √. .4.... . En general.

por el precio considerado.MPC propuesta a uno de los medicamentos de mayor coste que se utiliza en estos hospitales.000 euros que se mantiene congelada innecariamente. el estado es siempre positivo. se muestra la evolución real de las acciones de acuerdo con los datos del hospital. En ambos casos. tienen un retraso de 2 dı́as con respecto al momento en el que se realiza la orden.10). se muestra la evolución del stock utilizando CC.8).999 % ).MPC realiza 13. Por último . Los pedidos de este medicamento tienen una cantidad mı́nima de 4 unidades y el máximo se ha fijado en 1000. La restricción implementada se ha realizado con respecto a las acciones que la probabilidad del desabastecimiento tiene que ser inferior a 0. Se debe tener en cuenta que.5) . Un problema se resuelve en cada tiempo de muestreo para calcular una secuencia de control u que lleva el sistema a la referencia . En azul.MPC obtuvo mejores resultados incluso con menos órdenes.10) es no determinista. no se han considerado restricciones de almacenamiento ni de costes vinculados a éste. Como resultado.MPC el nivel promedio fue de 291 unidades con una desviación estándar de 101. se solicita un nivel de confianza del 99. este fármaco merece una atención especial. que supera los resultados registrados por el hospital (una media de 394 unidades y una desviación estándar de 186). por lo general. pero en el caso de CC. Para simplificar. Una caracterización probabilı́stica de su comportamiento se ha calculado para este medicamento en base a datos históricos. Las entregas de este medicamento. ya que se debe almacenar en un refrigerador.(3.2. Una simulación de 230 dı́as se muestra en la Figura 3. se aplica la técnica de CC. El precio del medicamento es de 250 euros por unidad y cada pedido hecho implica un coste adicional de 2 euros. En rojo. En cuanto al controlador. Es decir. lo que hace aún más importante para reducir su promedio de nivel de almacenamiento. se ha considerado un horizonte de predicción de 8 dı́as. esta diferencia corresponde a una cantidad de más de 60. Además. la expresión de la demanda de (3. La evolución de la acción se basa en utilizar el modelo lineal discreto (3. Finalmente.001 (es decir . también es interesante anotar que durante el perı́odo estudiado el hospital realiza 26 órdenes mientras que la CC.MPC. GESTIÓN DE STOCK EN UNA FARMACIA A continuación. se ha modelado la demanda diaria como una variable aleatoria normal con media µ = 20 y una desviación estándar de σ = 15. la CC.40 CAPÍTULO 3. La optimización tiene que hacerse teniendo en cuenta las restricciones dadas por (3.

  .   . Para este medicamento. .5.   .5..11).         s1 (t + 1) s1 (t) I d1 (t)  s2 (t + 1)   s2 (t)  I   d2 (t)           s3 (t + 1)   s3 (t)  I   d3 (t)   =  +   o(t − τ ) −   (3. MPC MÚLTIPLES ESCENARIOS 41 deseada.   . como se indica en (3.   . Para aplicar esta técnica no son necesa- rias los comportamientos probabilı́sticos de la demanda. MPC Múltiples escenarios En esta sección se aplicará la técnica de múltiples escenarios al problema de gestión del stock de la farmacia.  sK (t + 1) sK (t) I dK (t) donde K es el número de escenarios considerados.. es suficiente conocer varios escenarios de las posibles evoluciones de la demanda. El cálculo del controlador dará como resultado una acción de control capaz de satisfacer a todas las posibles perturbaciones del sistema ampliado.3..11)  ..   . Figura 3. la referencia de valores (stock de seguridad) se ha establecido en 2.   . 3.2: Evolución del stock y pedidos realizados real y simulado.

los pedidos que realizada el Hospital y aplicando multi-escenarios.(3. mientras que el hospital realiza. Figura 3. en ese mismo perı́odo. La optimización tiene que hacerse teniendo en cuenta las restricciones dadas por (3.42 CAPÍTULO 3. con un horizonte de predicción y de control de 8 dı́as. . respectivamente. los cuales han sido obtenidos de datos históricos de la demanda del medicamento para K semanas anteriores a partir del dı́a actual. El quiebre del stock es de cero para los dos casos. La evolución del stock del almacenamiento y los pedidos realizados se muestran en la Figura 3. En color rojo se indica la evolcuión del stock realizada por el hospital.3. se muestra la evoución del stock resultado de la aplicación del MPC basado en multi-escenarios. Un problema se resuelve en cada tiempo de muestreo para calcular una secuencia de control u válida para cualquier escenario considerado. se han considerado 25 escenarios.3: Evolución del stock y pedidos realizados real y simulado. La media de almacenamiento aplicando multi-escenarios es 1040. mientras que en azul. 26 órdenes de medicamento. el hospital 394 Con una desviación media de 334 y 186.8).5) . GESTIÓN DE STOCK EN UNA FARMACIA En la aplicación de esta técnica al modelo de gestión del stock de la farmacia (3. Las simulaciones se han realizado para 230 dı́as.10). Los resultados obtenidos con la aplicación del MPC Multi-escenarios son 18 pedidos. Los escenarios obtenidos se han realizado con la mitad de los da- tos históricos y la demanda para cada instante de simulación se han utilizado la segunda mitad del histórico de datos.

. Una vez reducidos los escenarios se procede a la optimización de la función de coste.8). .   .12) d1 (t)  d2 (t)    −  d3 (t)     . Adicionalmente se debe considerar restricciones de igualdad para las acciones de control u en los puntos de bifurcaciones.  . La reducción de escenarios a una forma de árboles se ha reali- zado mediante el software GAMS.. MPC basado en árboles Esta técnica consite en dar una estructura de árbol con un número de ramifi- caciones reducidas partiendo de un conjunto inicial de escenarios que representan las perturbaciones..3. 3. . definido por (2..  dR (t) donde R es el número reducido de escenarios a partir de K escenarios originales.  sR (t + 1) sR (t)  0 0 0 · · · I oR (t) (3. sujeta a las restricciones propias del problema..   . El sistema se lo presenta de una forma ampliada para el número de escenarios reducidos que se considerarán.6.   ..   .        s1 (t + 1) s1 (t) I 0 0 ··· 0 o1 (t)  s2 (t + 1)   s2 (t)  0 I 0 · · · 0   o2 (t)          s3 (t + 1)   s3 (t)  0 0 I · · · 0  o3 (t)  = +      ... la acción de control es más conservadora.   . .6). Las restricciones del problema son las mismas consideradas en los apartados anteriores (3.6.5) .(3. debido a que se realiza la optimiazación considerando casos extre- mos. que es mucho mayor que la técnica de CC-MPC aplicada en la sección anterior. Además al considerar 25 posibles evoluciones de la demanda. . MPC BASADO EN ÁRBOLES 43 Una observación para esta técnica es el esfuerzo computacional realizado.  .12). tal como se inidca en (3.   . adicionando restricciones de igualdad de la acciones de control en los puntos de bifurcación de las perturbaciones.

El quiebre del stock es de cero para los dos casos. respectivamente. Figura 3. Simulaciones Las simulaciones realizadas mediante la técnica de árboles.8). el hospital 394 Con una desviación media de 334 y 89. con un horizonte de predicción y de control de 8 dı́as.1. que representan la dinámica principal de la evolución de las perturbaciones. mientras que en azul. Las simulaciones se han realizado para 230 dı́as.4: Evolución del stock y pedidos realizados real y simulado.44 CAPÍTULO 3. GESTIÓN DE STOCK EN UNA FARMACIA 3.4.6. Un problema se resuelve en cada tiempo de muestreo para calcular una secuencia de control u válida para el árbolo generado. La media de almacenamiento aplicando técnica de árboles es 183. mientras que el hospital realiza en ese mismo perı́od 26 órdenes de medicamento.5) .(3. se parte de un conjunto de 25 escenarios y se hace un árbol con una reducción a 5 escenarios. Se puede observar que aplicando esta técnica el stock de almacenamiento del . En color rojo se indica la evolución del stock realizada por el hospital. La evolución del stock del almacenamiento y los pedidos realizados se muestran en la Figura 3. La optimización tiene que hacerse teniendo en cuenta las restricciones dadas por (3. los pedidos que realizada el Hospital y MPC basado en árboles. se muestra la evolución del stock resultado de la aplicación del MPC basado en árboles. Los resultados obtenidos con la aplicación del MPC basado en árboles son 13 pedidos.

7.Constraints 13 0 291 101 Multi-escenarios 16 0 148 74 Basado en Árboles 13 0 183 89 Tabla 3. Una de las desventajas de esta técnica es el esfuerzo computacional realizado para la reducción de los escenarios en cada uno de los instantes de la simulación. 3. la diferencia está en el número medio de medicamentos almacenados es mayor en esta segunda técnica (CC-MPC) que con árboles. son mucho menor que los obtenidos con la aplicación de las dos técnicas revisadas anteriormente. únicamente se necesita la determinación de caracterı́sticas probabilı́sticas de la demanda. MPC aplicado Pedidos Quiebre Media Desviación Chance. la ventaja de esta técnica es que no se requiere conocer escenarios.1 se puede observar las caracterı́sticas obtenidas para cada una de estas técnicas. de igual manera el número de órdenes realizadas en los mismos perı́odos.7. . La desven- taja de esta técnica es el gran esfuerzo computacional que debe implementar en el cálculo de la acción de control en cada uno de los instantes de simulación. ya sea las dispensaciones de medicamentos o la llegada de nuevos se registran más tarde de que ocurran. En cualquier caso.3. Una menor media de almacenamiento y menor desviación estándar se obtienen mediante la modelación de la demanda como una estructura de árbol. Mediante la Tabla 3. Por otro lado mediante CC-MPC. COMPARATIVA DEL DESENVOLVIMIENTO 45 medicamento. Otra cuestión interesante con respecto a la evolución real son sus grandes picos. Comparativa del desenvolvimiento de las diferentes técnicas aplicadas En esta sección se realizará una comparativa del desenvolvimiento de la evo- lución del medicamento en el mismo perı́odo de tiempo. que se asocian generalmente a los pedidos realizados antes de los perı́odos de vacaciones (no se pueden hacer pedidos a continuación). la diferencia entre el caso real y la simulación es lo suficientemente grande para creer que la aplicación de este tipo de polı́ticas en este contexto es prometedor. se obtiene el mismo número de pedidos que con árboles.1: Comparación de las diferentes técnicas de MPC aplicadas Una precaución que hay decir con respecto a los resultados en este punto: puede haber cierta incertidumbre asociada a los datos reales. A veces.

GESTIÓN DE STOCK EN UNA FARMACIA .46 CAPÍTULO 3.