Heurística Escalable Planificación Minera de Largo Plazo

UNIVERSIDAD DE CHILE
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS

DEPARTAMENTO DE INGENIERÍA INDUSTRIAL
APLICACIÓN DE UNA HEURÍSTICA ESCALABLE PARA RESOLVER

UN PROBLEMA ESTÓCASTICO DE PLANIFICACIÓN MINERA
TESIS PARA OPTAR AL GRADO DE MAGÍSTER EN GESTIÓN DE

OPERACIONES
MEMORIA PARA OPTAR AL TÍTULO DE INGENIERO CIVIL

INDUSTRIAL
JAIME ANDRÉS GACITÚA CARAFÍ
PROFESOR GUIA
RAFAEL EPSTEIN NUMHAUSER
MIEMBROS DE LA COMISIÓN
JOSÉ RAFAEL CORREA HAEUSSLER
JUAN D. VELÁSQUEZ SILVA
ANDRÉS WEINTRAUB POHORILLE
SANTIAGO DE CHILE
Septiembre, 2010
A mis padres.
A Tita, Jope y Javier.
A mi Nicole.
A mis amigos.
ii
Índice general
1. Introducción 1
1.1. Objetivo y Metodologı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Estructura del Documento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2. Marco Teórico 5
2.1. Introducción a Progressive Hedging . . . . . . . . . . . . . . . . . . . . . . . 6
2.2. Pseudocódigo de PH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3. Introducción a PH multiperı́odo . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4. Pseudocódigo de PH Multiperı́odo . . . . . . . . . . . . . . . . . . . . . . . 12
3. Descripción del Problema Minero y Modelación 15
3.1. Descripción operacional de una mina . . . . . . . . . . . . . . . . . . . . . . 15
3.1.1. Extracción del mineral . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.1.2. Modelo conceptual de la red de procesamiento . . . . . . . . . . . . . 17
iii
ÍNDICE GENERAL
3.2. Modelo matemático de planificación de la mina . . . . . . . . . . . . . . . . 18
4. Aplicación de PH al modelo de planificación 20
4.1. Generación de escenarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.1.1. Representación de la Incertidumbre del Precio Futuro del Cobre . . . 21
4.1.2. Construcción de un árbol de escenarios . . . . . . . . . . . . . . . . . 23
4.2. Ejecución del método PH . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.2.1. Mejorando el Tiempo de Resolución de cada Escenario . . . . . . . . 26
4.2.2. Obtención de una solución entera factible con PH+crossover . . . . . 28
4.3. Resultados Numéricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
5. Conclusiones 37
5.1. Resumen y principales Resultados . . . . . . . . . . . . . . . . . . . . . . . . 37
5.2. Trabajo Futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
A. Modelo Matemático de planificación de mina de rajo abierto 42
A.1. Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
A.2. Conjuntos Adicionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
A.3. Parámetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
A.4. Variables de decisión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
A.5. Restricciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
iv
ÍNDICE GENERAL
A.5.1. Extracción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
A.5.2. Disponibilidad de nodos y arcos . . . . . . . . . . . . . . . . . . . . . 44
A.5.3. Conservación de flujos . . . . . . . . . . . . . . . . . . . . . . . . . . 45
A.5.4. Capacidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
A.5.5. Uso de equipos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
A.5.6. Contaminantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
A.6. Función Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
A.6.1. Costos de Inversión . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
A.6.2. Costos Fijos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
A.6.3. Costos Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
A.6.4. Beneficios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
A.6.5. Función objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
A.7. Naturaleza de las Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
B. Árboles de Escenarios 49
B.1. Árbol de 960 Escenarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
B.2. Árbol de 8 Escenarios (Unidades en [USd/lb]) . . . . . . . . . . . . . . . . . 51
B.3. Árbol de 8 Escenarios Representación en Gráfico . . . . . . . . . . . . . . . . 52
B.4. Árbol de 16 Escenarios (Unidades en [USd/lb]) . . . . . . . . . . . . . . . . . 53
v
ÍNDICE GENERAL
B.5. Árbol de 16 Escenarios Representación en Gráfico . . . . . . . . . . . . . . . 54
C. Modelo estocástico compacto y extendido 57
vi
Índice de figuras
1.1. Precio real del cobre refinado LME, deflactado por el PPI de EEUU mayo
2009. Fuente: COCHILCO [3] . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Esquema de árbol para escenarios de precios . . . . . . . . . . . . . . . . . . 4
2.1. Árbol de decisiones visto como escenarios agrupados en conjuntos de información 12
3.1. Diseño de expansiones de una mina. Fuente: [10] . . . . . . . . . . . . . . . . 16
3.2. Diseño de bancos de una mina. Fuente: [10] . . . . . . . . . . . . . . . . . . . 16
3.3. Esquema de la operación minera en una mina de rajo abierto. Fuente: [10] . 17
4.1. Evolución de la desviación cuadrática a la solución promedio (g) Método PH

para instancias de 8, 16 y 65 escenarios. Se incluye en el cálculo sólo las varia-
bles binarias. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2. Ejemplo de soluciones de escenarios luego de aplicar el método PH. . . . . . 30
4.3. Las variables fijadas durante PH son traspasadas al modelo estocástico con
no-anticipatividad implı́cita, en este caso formando un modelo infactible. . . 30
B.1. Árbol de 960 Escenarios de precios futuros del cobre. . . . . . . . . . . . . . 50
vii
ÍNDICE DE FIGURAS
B.2. Árbol de 8 Escenarios de precios futuros del cobre. . . . . . . . . . . . . . . 52
C.1. Árbol de escenarios de precios futuros del cobre, donde se resalta el escenario
s2 . Instancia de 4 perı́odos y 5 escenarios. . . . . . . . . . . . . . . . . . . . 58
C.2. Formulaciones para un modelo estocástico con árbol de escenarios. Cada nodo
numerado representa variables de decisión para el perı́odo indicado. Instancia
de 4 perı́odos y 5 escenarios. . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
viii
Índice de Tablas
1.1. Precio del Cobre, Producción y excedentes de CODELCO. Fuentes CODEL-

CO, [4] [5], COCHILCO [3] . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
4.1. Parámetros del movimiento browniano para simular el precio futuro del cobre. 22
4.2. Número de ramificaciones por nodo en cada perı́odo. El último perı́odo es

2026, por lo tanto no tiene ramificaciones. . . . . . . . . . . . . . . . . . . . 25
4.3. Agregación de perı́odos para pasar reducir el problema 19 perı́odos a uno de

9 perı́odos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.4. Tiempo promedio en segundos de resolución de cada escenario determinista con

penalizaciones PH, según estrategia y cantidad de escenarios |S|. Instancia de
105 bloques. Solución de cada escenario al 5 % de GAP. . . . . . . . . . . . . 28
4.5. Estadı́sticas tamaño de cada instancia de planificación. Planificación de Mina

de rajo abierto con 173 bloques y 9 perı́odos . . . . . . . . . . . . . . . . . . 31
4.6. Resultados de experimentos según el número de iteraciones PH y número de

escenarios. Instancia de 105 bloques. ρ =0,00001. 5 iteraciones PH. Cuando
una corrida deja de presentar avance por más de media hora se detiene. GAP
respecto al óptimo del modelo estocástico compacto lineal. PH+crossover se
explica en la sección 4.2.2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
ix
ÍNDICE DE TABLAS

escenarios. Instancia de 173 bloques. ρ =0,00001. 5 iteraciones PH. Cuando una
corrida deja de presentar avance por más de 1 hora se detiene. GAP respecto
al óptimo del modelo estocástico compacto lineal. PH+crossover se explica en
la sección 4.2.2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

escenarios. Instancia de 173 bloques. ρ =0,00001. 1 iteración PH. Cuando una
corrida deja de presentar avance por más de 1 hora se detiene. GAP respecto
al óptimo del modelo estocástico compacto lineal. PH+crossover se explica en
la sección 4.2.2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

escenarios. Instancia de 173 bloques. Se corrió cada escenario por separado una
vez, se fijaron variables y luego se hizo crossover. Ninguna iteración PH. El
crossover se corre hasta cumplir 1 hora. GAP respecto al óptimo del modelo
estocástico compacto lineal. PH+crossover se explica en la sección 4.2.2. . . 36
x
RESUMEN DE TESIS PARA OPTAR AL GRADO DE
MAGÍSTER EN GESTIÓN DE OPERACIONES Y AL
TÍTULO DE INGENIERO CIVIL INDUSTRIAL
POR: JAIME ANDRÉS GACITÚA CARAFÍ
FECHA: 06/10/2010
PROFESOR GUÍA: RAFAEL EPSTEIN NUMHAUSER
APLICACIÓN DE UNA HEURÍSTICA ESCALABLE PARA RESOLVER UN

PROBLEMA ESTOCÁSTICO DE PLANIFICACIÓN MINERA
Se trabajó con una mina de cielo abierto, modelada como un conjunto de bloques, cada uno
caracterizado por su tonelaje, ley y localización. Las plantas de procesamiento del mineral se
modelan coma una red dirigida con transformaciones y capacidades. El modelo de planificación
busca la secuencia de extracción del yacimiento, los requerimientos de maquinaria y la carga
sobre la red de procesamiento que maximiza el valor presente del negocio.
El precio futuro del cobre, se modela como un movimiento browniano con reversión a la
media, y se implementa un método para generar un árbol de escenarios con probabilidades.
Combinando el modelo de planificación minera con el árbol de escenarios se plantea un modelo
de programación estocástica multiperı́odo. Este modelo permite optimizar las decisiones de
planificación considerando flexibilidad en las decisiones según como se comporte el precio futuro
del cobre.
Por el tamaño y complejidad del problema, el modelo planteado resulta computacionalmente

intratable. El método propuesto para resolver es Progressive Hedging (PH), creado por Roger
J-B Wets y R.T. Rockafellar. PH se basa en descomponer el modelo minero por escenarios,
relajando la condición de no-anticipatividad: Para cada par de escenarios, si son idénticos desde
el perı́odo 1 hasta el perı́odo t, entonces las soluciones deben ser idénticas desde el perı́odo 1
hasta el perı́odo t, para todo perı́odo t. Se comienza resolviendo el modelo determinı́stico para
cada escenario de manera independiente. Con las soluciones obtenidas, se introduce un sistema
de penalización en la función objetivo del modelo, para forzar a que se cumpla el principio de
no-anticipatividad. Se vuelve a resolver cada escenario, y se obtienen nuevas soluciones. Con las
nuevas soluciones se actualizan las penalizaciones, y se vuelve a resolver el modelo para cada
escenario. Se itera hasta encontrar el conjunto de penalizaciones que permite cumplir con el
principio de no-anticipatividad.
Se utilizó PH como una heurı́stica de preproceso para fijar variables de decisión. Cada vez
que se completa una iteración, se fijan las variables que han logrado cumplir con el principio de
no-anticipatividad. Cuando se han fijado suficientes variables, se resuelve el modelo estocástico
compacto.
El principal resultado obtenido es que PH permitió resolver instancias que a través de

métodos convencionales no fue posible. Se propone extender esta metodologı́a para evaluar
inversiones de largo plazo en minerı́a de cobre, donde la volatilidad del precio futuro juega un
rol importante.
xi
Capı́tulo 1
Introducción
El precio futuro del cobre es una variable difı́cil de predecir con certeza. Al revisar su
historia en la Figura 1.1, no es claro que sea posible develar algún patrón o tendencia en la
trayectoria. El crecimiento de los paı́ses asiáticos y la especulación de los actores del mercado
son ejemplos de fuerzas impredecibles que afectan al precio futuro del metal.
Figura 1.1: Precio real del cobre refinado LME, deflactado por el PPI de EEUU mayo 2009.
Fuente: COCHILCO [3]
La planificación de largo plazo de yacimientos mineros es una tarea evidentemente comple-

ja por la cantidad de decisiones que se deben tratar a la vez. Por ejemplo, se debe considerar
la secuencia de extracción, la inversión en maquinaria, los niveles de carga sobre las centrales
de procesamiento y las interrelaciones entre cada una de las decisiones. Considerar adicional-
mente la volatilidad del precio del cobre al momento de planificar transforma las decisiones
1
Capı́tulo 1: Introducción
de planificación en una tarea de alta complejidad.
Naturalmente las decisiones que tomarı́a un planificador serán distintas frente a un esce-
nario de precios por sobre 3USd/lb que bajo 1USd/lb, porque el desempeño económico del
negocio es altamente sensible al precio. La Tabla 1.1 ilustra lo sensible que son los excedentes
de CODELCO frente al precio del commodity.
Año 2005 2007

Precio del Cobre LME [USd/Lb] 1,67 3,23
Excedentes antes de Impuestos [MMUSd] 4.901 8.451
Excedentes por unidad de Producción [MMUSd / Miles de TM] 2,68 5,34
Tabla 1.1: Precio del Cobre, Producción y excedentes de CODELCO. Fuentes CODELCO,
[4] [5], COCHILCO [3]
Si se duplica el precio del cobre, se duplican los excedentes de la estatal. Al no saber cual
escenario de precios se tendrá y considerando las alternativas que ofrece el yacimiento cada
año se deben enfrentar preguntas como ¿cuánto material extraer? ¿dónde extraer? ¿cuánto
inventario almacenar y de qué ley? ¿cuánto concentrado de cobre producir? Ofrecer respuestas
a estas preguntas es la motivación de esta tesis.
Ocupando un modelo de planificación determinista es posible calcular las decisiones ópti-

mas a tomar, como si se supiese la trayectoria futura del precio del cobre. Se puede conducir
un análisis por escenarios de precios y llegar a una decisión de consenso comparando las solu-
ciones óptimas que entrega el modelo para cada escenario de interés. Una limitación evidente
es la cantidad de escenarios de precios que un planificador es capaz de evaluar.
Una alternativa más sofisticada al análisis por escenarios consiste en plantear un modelo
de programación estocástica, el que considera todos los escenarios que interesa a la vez
y es capaz de llegar a la mejor solución de consenso por su cuenta. La ventaja adicional
es que este modelo considera la flexibilidad en las decisiones a medida que se va revelando
nueva información sobre los precios futuros. Este mecanismo es claramente más atractivo, sin
embargo, el problema de esta metodologı́a es que el modelo estocástico de planificación flexible
es computacionalmente intratable: se vuelve excesivamente grande para nuestras capacidades
actuales de computación.
En esta tesis se implementará una heurı́stica que permite resolver la versión estocástica
del modelo de planificación, ocupando una metodologı́a de agregación por escenarios. Se
resolverá el modelo de planificación para cada escenario de forma determinista y se mezclarán
las soluciones para llegar a una solución final. Esta mezcla puede ser interpretada como el
resultado de una reunión de planificadores que llega a consenso, esta vez considerando decenas
o cientos de escenarios [26]. La principal caracterı́stica de este método es que se logra eludir
2
el problema de tamaño del modelo, permitiendo resolver el problema de forma estocástica

para decenas o cientos de escenarios.
La metodologı́a de agregación de escenarios que se aplicará se llama Progressive Hedging

(PH), publicada por R.T. Rockafellar y Roger J-B Wets en el año 1991 [19]. El nombre de
este método está motivado por ser un método iterativo, que progresivamente va convergien-
do a la polı́tica estocásticamente óptima: la que se comporta de mejor forma1 frente a la
incertidumbre de precio, considerando flexibilidad en las decisiones.
1.1. Objetivo y Metodologı́a
El objetivo central de esta tesis es ocupar una heurı́stica para lograr resolver un problema
estocástico de planificación minera, basándose en el método PH.
Dentro de este marco, lo primero que se hizo fue estudiar la teorı́a del método PH. Se
investigó la bibliografı́a y se hicieron múltiples reuniones con Roger Wets y David Woodruff,
ambos profesores de la Universidad de California en Davis.
A continuación, se recolectaron los datos y parámetros necesarios para la creación y

ejecución del modelo de planificación. Se planteó un problema de estructura compatible con
la metodologı́a de resolución. Se utilizó el lenguaje GAMS para modelar matemáticamente
y CPLEX para la resolución del modelo. Se estudió la estructura del problema y se hicieron
modificaciones para lograr una resolución en el menor tiempo posible.
Luego, se realizó una caracterización del precio futuro del recurso minero. Se aplicaron
técnicas matemáticas para describir la incertidumbre del precio futuro del cobre. Se utilizó un
modelo del tipo Browniano Geométrico con reversión a la media, como se ha hecho en tra-
bajos de tesis anteriores [12], [21]). En base al movimiento browniano, se generó un árbol de
escenarios para representar las posibles trayectorias del precio futuro del cobre. Un ejemplo
de árbol de escenarios se expone en la Figura 1.2.
Caracterizar de la mejor forma la incertidumbre es una tarea clave en programación

estocástica, sin embargo no es el objetivo central de esta tesis proponer una forma novedosa
para esto, por ser una vasta área de investigación que está fuera del foco de esta tesis.
Finalmente se combinó el modelo de planificación con el árbol de escenarios, generando un

problema de programación estocástica. Se aplicó el método PH sobre este nuevo problema,
calculando resultados y medidas de desempeño de la metodologı́a propuesta.
1 En términos de alguna función objetivo, como por ejemplo el valor presente esperado del negocio minero.
3
Figura 1.2: Esquema de árbol para escenarios de precios
1.2. Estructura del Documento
En el capı́tulo 2 se revisará la bibliografı́a en torno a planificación minera y programación

estocástica. Luego se explicará el algoritmo PH. En el capı́tulo 3 se hace una introducción
al problema de planificación minero. En el capı́tulo 4 se explica la aplicación de PH en el
problema de planificación minera, junto con resultados numéricos. Se concluye en el capı́tulo
5.
4
Capı́tulo 2
Marco Teórico
Los principales avances en planificación minera han estado en el mundo determinista.

Existen diversos trabajos dedicados a la investigación y aplicación de modelos de planificación
minera, incluyendo los trabajos de Goic [10] y Santibáñez [20]. Lane [15] muestra un modelo
para optimizar la polı́tica de ley de corte y maximizar el VPN de una mina. Existe un paquete
comercial relativamente exitoso llamado Gemcom Whittle [25] capaz de optimizar el pit final
de una mina y múltiples componentes de la economı́a del proyecto.
Los avances en modelos estocásticos para la minerı́a son más escasos pero no menos
importantes. Entre otros trabajos en programación estocástica se destaca el de Leite y Dimi-
trakopoulos, 2007 [16], donde utilizan Simulated Annealing para planificar el secuenciamiento
de un pit, considerando la incertidumbre en las leyes del mineral. Guajardo [12] propone un
modelo basado en programación dinámica estocástica para optimizar el timing de extracción
y Sauré [21] propone un enfoque de opciones reales para tratar decisiones de largo plazo en
minerı́a.
Existen diversas técnicas para eludir el problema de tamaño en modelos estocásticos.

Entre otros, se destacan Simulated Annealing, la descomposición de Benders y Coordinated
Branching. PH es una técnica más, la que se explora en esta tesis.
Existen múltiples aplicaciones de PH en la literatura, mostrando sus ventajas. Mulvey y

Vladimirou [17] muestran las ventajas del algoritmo al aplicarlo en problemas estocásticos de
flujo en redes. Crainic et al. [6] diseñan una heurı́stica basada en PH para diseñar redes en
un contexto estocástico. Watson et al. [23] proponen innovaciones al algoritmo para acelerar
la convergencia y luego realizan experiencias en problemas de asignación de recursos. Hasta
el momento no se han encontrado publicaciones de PH en minerı́a.
5
Capı́tulo 2: Marco Teórico
2.1. Introducción a Progressive Hedging
A continuación se introduce el método propuesto por Rockafellar y Wets [24]. Se plantea

un modelo genérico de optimización
min f (x) (2.1)

s.a. x ∈ C ⊂ IRn
Donde f (·) es una función convexa y C es un conjunto convexo. Si se considera que las
decisiones del modelo deben tomarse hoy, pero se deben ejecutar dentro de un año1 , algunos
de los parámetros del modelo podrı́an resultar inciertos y con una volatilidad apreciable al
cabo de un año. Supongamos que ξ es uno de estos coeficientes inciertos en la función f (·)
y por su naturaleza resulta razonable modelarlo como una variable aleatoria con espacio de
probabilidad (Ξ, P ). Bajo este contexto, se propone el modelo que minimiza el valor esperado
de f (·):
Z
min E[f (x)] = f (x, ξ)dP (ξ) (2.2)
s.a. x ∈ C ⊂ IRn
Se considera
n que
o ξ es una variable discreta, luego se define el conjunto de posibles eventos
1 L
S = s , ..., s , llamados escenarios. Para cada escenario se podrı́a calcular la solución al
problema determinista,
x∗s = argmin {f (x, s)|x ∈ C} ∀s ∈ S (2.3)
Cada escenario ofrecerá una solución distinta, pero de alguna forma se debe llegar a
concenso porque hoy se debe tomar una decisión. Ocupando la solucion óptima de cada
escenario, se podrı́a llegar a una solución promedio: Si ps es la probabilidad de ocurrencia
del escenario s, entonces
ps · x∗s
X
x̂ := (2.4)
s∈S
puede interpretarse como la solución promedio (centroide) de las |S| soluciones. Esta es
una solución única y la que se podrı́a utilizar como la decisión a seguir.
Aunque la solución promedio parece ser razonable, 2.4 no necesariamente será la solución
1 Modelo de dos etapas
6
óptima al problema 2.2. Lo ideal serı́a encontrar la solución al problema
s∈S ps · f (xs , s)
P
min (2.5)
s.a. xs ∈ C ⊂ IRn ∀s ∈ S
xs = xs0 ∀s, s0 ∈ S (2.6)
Consecuencia de lo anterior, existe el incentivo a aumentar |S|, para ası́ dar mayor sustento
al análisis de escenarios. Sin embargo, cuando aumentamos el número de escenarios, el pro-
blema 2.5 se vuelve altamente complejo porque el número de variables y restricciones crece
exponencialmente debido a las restricciones de no-anticipatividad 2.6. Estas restricciones im-
ponen a que exista una sola solución final, la que en definitiva se debe tomar en el primer
perı́odo.
Se le otorga principal atención a las restricciones de no-anticipatividad 2.6, porque se

encargan de conectar los escenarios en el modelo 2.5 para que el modelo entregue una y
solo una solución. Conectar a los escenarios es lo que le da la complejidad computacional
al problema de programación estocástica, aumentando el tamaño del modelo y creando una
estructura que dificulta la resolución. Al relajar las restricciones de no-anticipatividad 2.6, el
problema se vuelve separable por escenarios, y solamente se deberı́an resolver |S| problemas
deterministas independientes.
Una formulación alternativa para las restricciones de no-anticipatividad es
xs = x̂ ∀s ∈ S (2.7)
Donde x̂ := s∈S ps · xs . Con el propósito de descomponer el problema 2.5 por escenarios, se

P
aplica relajación lagrangeana a las restricciones de no-anticipatividad generando el problema

2.8:
s , s) + P
s∈S ps · f (x s∈S ws · (xs − x̂)
P
min (2.8)
s.a. n
xs ∈ Cs ⊂ IR ∀s ∈ S
Donde los vectores ws son los multiplicadores de Lagrange de las restricciones de no-anticipatividad,
escritas como la ecuación 2.7. El problema está en encontrar w y x̂ que resuelvan óptimamente
el modelo estocástico 2.5. PH tiene por objetivo encontrar estos valores.
7
2.2. Pseudocódigo de PH
El método que se describe a continuación permitirá encontrar la solución al problema es-

tocástico 2.5 resolviendo iterativamente problemas deterministas del tipo 2.8. El pseudocódigo
de PH se muestra a continuación.
Definición de Iteraciones
1. INICIALIZACIÓN
Definir S, el conjunto de escenarios.
Definir ps ∀s ∈ S, la probabilidad de ocurrencia de cada escenario s.
Inicializar ν = 0, el contador de iteraciones.
Definir ρ > 0, parámetro de penalización.
Se define wν (s) = 0 ∀s ∈ S, vectores de precios duales de largo n. (n es la dimensión
del vector de decisiones x)
Se inicializa x̂ν = 0, el vector solución promedio.
2. ITERACIÓN INICIAL (ν = 0)
Calcular xνs , solución de cada escenario s ∈ S:
f ν (x, s) = f (x, s)
xνs ∈ argmin {f ν (x, s) : x ∈ Cs }
Actualizar x̂ν , solución promedio:
x̂ν = ps xνs
X
s∈S
Actualizar w,
wν+1 (s) = wν (s) + ρ (xνs − x̂ν )
Avanzar ν := ν + 1
3. ITERACIONES PH (ν > 0)
Calcular xνs ∀s ∈ S,
1 2
f ν (x, s) = f (x, s) + wν (s)x + ρ x − x̂ν−1
2
νs v
x ∈ argmin {f (x, s) : x ∈ Cs }
8
Actualizar x̂ν ,
x̂ν = ps xνs
X
s∈S
Actualizar w,
wν+1 (s) = wν (s) + ρ (xνs − x̂ν )
4. Volver a paso 3, a menos que se cumpla el criterio de término que se explica a conti-
nuación.
Criterio de término
Cuando se vuelve al paso 3, verificar si se cumple
xνs = x̂ν−1 ∀s (2.9)
En caso de cumplirse la condición de convergencia 2.9, el algoritmo ha encontrado una solu-

ción que cumple el principio de no-anticipatividad.
Es de esperar que en la práctica esta igualdad no se logre cumplir por motivos numéricos.
En ese caso resulta natural definir una vecindad dentro de la cual se puede asumir la igualdad.
Dado > 0 si se cumple X
νs
x − x̂ν−1 < (2.10)

s∈S
se ha logrado la convergencia y x̂ν−1 será una solución que satisface todas las restriccio-
nes del modelo estocástico. La expresión 2.10 asegura factibilidad, sin embargo no asegura
optimalidad (ver [17]).
La solución óptima al modelo se encontrará cuando además de cumplirse el principio de

no-anticipatividad, las soluciones de cada iteración logren estabilizarse, es decir, cuando se
actualizan los valores x̂ν en el paso 3, no se producen cambios. Se extiende la expresión 2.10
a
kxνs − x̂ν−1 k + kx̂ν − x̂ν−1 k <
X
(2.11)
s∈S
En caso de cumplirse la condición 2.11 se asegura la factibilidad y optimalidad (Wets, [24]).
Término cuadrático
En el paso 3 se introduce el término cuadrático
1 2
ρ x − x̂ν−1 (2.12)
2
9
De acuerdo a la teorı́a, este término es necesario para demostrar la convergencia (Roc-

kafellar y Wets, [19]). Durante las pruebas experimentales de esta tesis se encontró que este
término es además necesario para evitar que el modelo se vuelva infactible o no acotado.
La demostración de la convergencia de x̂ν a la solución óptima del problema estocástico

2.5 se puede encontrar en Rockafellar y Wets [19].
2.3. Introducción a PH multiperı́odo
El modelo de planificación de esta tesis se conoce como modelo multiperı́odo, porque el

horizonte de planificación contiene más de dos etapas. Para aplicar PH a un modelo de más
de 2 etapas, se debe hacer una extensión a la teorı́a (Wets, [24]).
El nuevo modelo con T > 2 etapas será más grande que el de la sección pasada y además
se tendrá que definir una estructura de información temporal. Esta estructura de información
tendrá que representar qué datos va conociendo el tomador de decisiones y cuándo los conoce.
Si estamos en el perı́odo t, el tomador de decisiones sólo debe conocer la información y
decisiones hasta el perı́odo t.
Sea Xt la decisión que deberá tomarse en el perı́odo t. Las variables de decisión, separadas
por perı́odos tomarán la forma
(X1 , .., XT ) ∈ IRn × .. × IRn
En un modelo de programación estocástica multiperı́odo, la solución es una polı́tica de deci-

siones, que puede ser representada con el funcional X : S → IRn·T ,
X(s) := (X1 (s), .., XT (s))
donde Xt (s) representa la decisión en el perı́odo t si nos enfrentamos al escenario s.
Dentro del espacio de polı́ticas posibles, existe una restricción fundamental ligada al con-
cepto de no-anticipatividad: si los escenarios s y s0 son idénticos hasta el perı́odo t, entonces
las polı́ticas de decisión (X1 (s), .., Xt (s)), (X1 (s0 ), .., Xt (s0 )) también deben ser idénticas. El
tomador de decisiones no sabe si está observando el escenario s o el s0 por lo tanto no hay
motivo para tomar decisiones distintas. Lo anterior asegura que la polı́tica de decisiones en
ningún momento depende de información futura.
Desde el punto de vista matemático, para todo perı́odo t se genera una partición del
10
conjunto S, que se llamará Pt . Esta partición se define mediante la relación de equivalencia:
s<s0 ⇐⇒ s y s’ son idénticos desde el perı́odo 1 hasta el perı́odo t
Si A ∈ Pt es un conjunto de la partición Pt , entonces se debe cumplir
Xt (·) es constante en A, ∀A ∈ Pt (2.13)
El problema estocástico multiperı́odo que se resolverá busca una polı́tica X : S → IRn·T que
cumpla
X
min ps · f (X(s), s) (2.14)
s∈S
s.a. X ∈ N ∩C
Donde el conjunto N denota las polı́ticas implementables:

n o
N = X : S → IRn·T |Xt (·) es constante en A, ∀A ∈ Pt ∀t (2.15)
y C denota las polı́ticas admisibles:
C = {X|X(s) ∈ Cs ∀s ∈ S} (2.16)
En el método PH multiperı́odo se relajará la condición de implementabilidad, relajando las

restricciones de no-anticipatividad, y ası́ permitiendo resolver cada escenario por separado.
A través de iteraciones similares a las del pseudocódigo presentado en el capı́tulo 2.2. Se
irá forzando a que las polı́ticas pertenezcan a N .
Lo anterior sugiere interpretar el árbol de escenarios como muestra en la figura 2.1. En

cada perı́odo t se definen conjuntos de información A ∈ Pt que indican qué escenarios resultan
ser idénticos. Por ejemplo, en la figura 2.1 los escenarios s1 , s2 , s3 son idénticos hasta el perı́odo
2. Para el caso multiperı́odo, la solución promedio o centroide se calcula para cada conjunto
de información, el cual se escribirá como la esperanza condicional al conjunto de información:
X
X̂t (A) := ps Xt (s)/pA ∀A ∈ Pt ∀Pt ∀t (2.17)
s∈A
donde X
pA := ps (2.18)
s∈A
Cuando se resuelva cada escenario, se obtendrá una polı́tica admisible. Una polı́tica que tam-
bién sea implementable se obtendrá asignando a las variables de cada escenario el promedio
11
Figura 2.1: Árbol de decisiones visto como escenarios agrupados en conjuntos de información
del conjunto de información al cual pertenece.
X̂t (s) := X̂t (A) ∀s ∈ A ∀A ∈ Pt ∀Pt ∀t (2.19)
Análogamente a la versión de 2 perı́odos descrita en la sección 2.1, el método PH en su

versión multiperı́odo buscará iterativamente que se cumpla la igualdad Xt (s) = X̂t (s)∀ t, s
2.4. Pseudocódigo de PH Multiperı́odo
El método descrito a continuación es fundamentalmente una extensión al método de la

sección 2.2, esta vez replicado a cada conjunto de información A ∈ Pt ∀t.
Definición de Iteraciones
1. INICIALIZACIÓN
Definir S, el conjunto de escenarios.
Definir ps ∀s ∈ S, la probabilidad de ocurrencia de cada escenario s.
Definir las particiones Pt ∀t, en base a la estructura del árbol de escenarios. Esto
definirá qué escenario(s) pertenece(n) a cada uno de los conjuntos de información
A ∈ Pt ∀t.
Inicializar ν = 0, el contador de iteraciones.
Definir ρ > 0, parámetro de penalización.
Se define W ν (s) = 0 ∀s ∈ S, vectores de precios de largo n. (n es la dimensión del
vector de decisiones x)
12
Se inicializa X̂ ν = 0, la polı́tica de solución promedio.
2. ITERACIÓN INICIAL (ν = 0)
Calcular X ν (s), solución de cada escenario s ∈ S:
f ν (x, s) = f (x, s)
X ν (s) ∈ argmin {f ν (x, s) : x ∈ Cs }
Actualizar solución promedio para cada escenario y perı́odo, de acuerdo a los conjuntos
de información A ∈ Pt ∀t:
X̂tν (A) = ps Xtν (s)/pA ∀A ∈ Pt ∀t

X
s∈A
X̂tν (s) = X̂tν (A) ∀s ∈ A ∀A ∈ Pt ∀t
Calcular siguiente W ,

Wtν+1 (s) = Wtν (s) + ρ Xtν (s) − X̂tν (s)
3. ITERACIONES PH (ν > 0)
Calcular X ν (s) ∀s ∈ S,
T
1 2
f ν (x, s) = f (x, s) + Wtν (s)xt + ρ xt − X̂tν−1 (s)
X
t=1 2
X ν (s) ∈ argmin {f v (x, s) : x ∈ Cs }
Actualizar solución promedio para cada escenario y perı́odo, de acuerdo a los conjuntos
de información A ∈ Pt
X̂tν (A) = ps Xtν (s)/pA ∀A ∈ Pt ∀t

X
s∈A
X̂tν (s) = X̂tν (A) ∀s ∈ A ∀A ∈ Pt ∀t
Calcular siguiente W ,

Wtν+1 (s) = Wtν (s) + ρ Xtν (s) − X̂tν (s)
13
4. Volver a paso 3 a menos que se cumpla el criterio de término que se explica a conti-
nuación.
Criterio de término
El criterio de término es similar al modelo de dos perı́odos, pero esta vez la condición se
aplicará a cada conjunto de información, tomando la forma
Xtν (s) = X̂tν−1 (s) ∀s ∀t (2.20)
Cuando se cumpla 2.20, el método habrá encontrado una solución admisible e implemen-
table.
Es de esperar que en la práctica esta igualdad no se logre cumplir por motivos numéricos.
En ese caso resulta natural definir una vecindad dentro de la cual se puede asumir la igualdad.
Dado > 0 si se cumple X
Xt (s) − X̂tν−1 (s) <
ν
(2.21)
s∈S,t∈T
se ha logrado la convergencia y X̂ ν−1 (s) será una solución que satisface todas las restriccio-
nes del modelo estocástico. La expresión 2.21 asegura factibilidad, sin embargo, no asegura
optimalidad (ver [17]).
La solución óptima al modelo se encontrará cuando además de cumplirse el principio de

no-anticipatividad en todas las etapas, las soluciones de cada iteración logren estabilizarse,
es decir, cuando se actualizan los valores X̂tν (s), no se producen cambios. Se extiende la
expresión 2.21 a

Xt (s) − X̂tν−1 (s) + kX̂tν (s) − X̂tν−1 (s)k <
X ν
(2.22)

s∈S,t∈T
En caso de cumplirse la condición 2.22 se asegura la factibilidad y optimalidad (Wets, [24]).
14
Capı́tulo 3
Descripción del Problema Minero y

Modelación
A continuación se define el problema de planificación que se tratará en esta tesis y se

describirá el modelo que resuelve el problema del planificador. Se busca explicar a grandes
rasgos el proceso minero, para más detalle, revisar Camus et al., [2] o Goic, [10].
La operación minera se encarga de extraer mineral de un yacimiento y procesarlo para

transformarlo en el producto de mercado que se vende en el comercio internacional. La etapa
de extracción está relacionada con la estrategia con la cual se remueve el material de la mina.
La etapa de procesamiento consiste en una serie de plantas encargadas de transformar el
material extraı́do de la mina en producto de mercado.
3.1. Descripción operacional de una mina
A continuación se resumen las principales tareas que se desarrollan en la operación minera.

Primero se explicará el proceso de extracción de mineral del yacimiento y luego se describe
la red de procesamiento del recurso minero.
15
Capı́tulo 3: Descripción del Problema Minero y Modelación
3.1.1. Extracción del mineral
La extracción consiste en sacar el mineral de la tierra. Para tomar decisiones, la mina

se divide en expansiones. Una expansión es una tajada de la pared del rajo de la mina,
como lo muestra la figura 3.1. Adicionalmente, cada expansión se subdivide en bancos, que
Figura 3.1: Diseño de expansiones de una mina. Fuente: [10]
corresponden a bloques de distinto tamaño y que serán las unidades más pequeñas sobre las
cuales se decide la explotación en el largo plazo. La figura 3.2 muestra una representación de
los bancos en una expansión.
La principal decisión de largo plazo en esta etapa es definir el orden en el cual serán
extraı́dos los bancos, considerando restricciones fı́sicas y operacionales.
A través de la perforación, tronadura y carguı́o del material, se van extrayendo los bancos
del yacimiento. El material extraı́do es enviado a la red de procesamiento de material, descrito
Figura 3.2: Diseño de bancos de una mina. Fuente: [10]
16
Figura 3.3: Esquema de la operación minera en una mina de rajo abierto. Fuente: [10]
a continuación.
3.1.2. Modelo conceptual de la red de procesamiento
Una vez el material es extraı́do del yacimiento, se traslada a la red de procesamiento.

La Figura 3.3 muestra un esquema de las plantas encargadas de transformar la roca en un
producto de mercado. El material extraı́do de una mina es enviado al chancador para reducir
el tamaño de la roca. El material considerado lastre será enviado a botadero. El material de
baja ley que potencialmente podrı́a procesarse en el futuro es enviado a stock.
Al salir del chancador, la roca puede ser enviada a la planta de molienda o a la planta de
lixiviación. El proceso de molienda disminuye aún más el tamaño de la roca y la prepara para
el proceso de concentrado. En la planta de lixiviación se riega el material con una solución
ácida, obteniéndose como resultado una solución con altas concentraciones de cobre.
Al salir de la planta de molienda, el material es enviado a la planta de concentración,

donde se aplican procesos fisicoquı́micos y se obtiene una pulpa con altas concentraciones de
cobre. Como consecuencia de este proceso, también se obtiene molibdeno, el cual se vende
en el mercado. El proceso de concentrado también produce arsénico y otros contaminantes,
los cuales deben ser controlados y depositados en tanques especialmente diseñados para ello.
Existe una restricción ambiental sobre la cantidad de arsénico anual que se puede generar en
el proceso minero.
Por otro lado, el material que sale del proceso de lixiviación se enviado a la planta de
17
extracción por solvente y electro obtención (SxEw). Primero, la extracción por solvente eli-
mina las impurezas de la solución de cobre. El fluı́do resultante se le llama Avance. Luego,
la planta de electro obtención aplica procesos electro quı́micos al Avance, las partı́culas de
cobre forman una lámina de cobre de alta pureza, la cual es comercializada.
3.2. Modelo matemático de planificación de la mina
Tomando en cuenta restricciones técnicas y operacionales, la secuencia de extracción de

las expansiones significa un problema combinatorial. Buscando minimizar costos o maximizar
el valor presente de la operación minera, existe un orden lógico óptimo para la extracción
de expansiones. Existe extensa literatura en torno al problema de secuenciamiento de minas,
entre otros se destaca el trabajo de Amaya, Espinoza et al. [1]. El contexto general de modela-
ción es definir las expansiones como un conjunto de bloques, con restricciones de precedencia
y extracción que pueden ser formuladas como problema en variables binarias.
Extraer cada expansión implica el envı́o de material a la red de procesamiento. La red de

procesamiento es conceptualmente modelada como una red dirigida, donde los nodos son las
distintas plantas (Chancado, Molienda, Stock, etc.) y los arcos representan los posibles flujos
de material entre ellas. Cada nodo tiene una cierta capacidad de procesamiento y cada arco
tiene una cierta capacidad de flujo.
Cada nodo de la red de procesamiento tendrá asociado un coeficiente de transformación,

que relaciona el producto que entra con el que sale de éste. Los nodos procesan y transforman
material, luego para la conservación de flujos debemos considerar que la salida no será idénti-
camente igual a la entrada. Por ejemplo, la entrada a la planta de concentrado es sólido y la
salida es una solución.
Existen tiempos de procesamiento, capacidades de procesamiento y extracción, las cuales

conforman un importante conjunto de restricciones operacionales.
Existen restricciones sobre la cantidad de arsénico y otros contaminantes producidos por

la mina, los cuales serán restricciones ambientales.
Existen restricciones económicas de inversión, y administrativas que son impuestas por el

negocio, las cuales representarán el conjunto de restricciones económicas.
Naturalmente, en una red de procesamiento habrán restricciones de flujo y conservaciones

de flujo, además de restricciones de habilitación de nodos y arcos, las que conforman un
conjunto de restricciones de red.
18
El material final, a la salida de la planta concentradora y de la planta de SxEw, se

considera como producto comercializable, a precio de mercado.
Tomando en cuenta el modelo de extracción, modelo de red de procesamiento y conjun-

tos de restricciones, se diseña un modelo de programación entera mixta, cuyas decisiones
representan el secuenciamiento de extracción y el flujo de material a través de toda la red de
procesamiento. El objetivo de este modelo será maximizar el valor presente del negocio mine-
ro, considerando que se vende inmediatamente el cobre producido al precio spot de mercado.
Para más detalle sobre la formulación del modelo, revisar el Anexo A.
19
Capı́tulo 4
Aplicación de PH al modelo de
planificación
A continuación se muestran los pasos seguidos para llevar a la práctica la teorı́a descrita
en los capı́tulos anteriores. Primero se describe la generación de escenarios, luego la aplicación
del método PH y finalmente los principales resultados númericos.
4.1. Generación de escenarios
El precio futuro del cobre es el parámetro del modelo considerado incierto y se imple-
mentó una metodologı́a para generar escenarios de precios futuros del cobre.
El modelo de planificación de esta tesis forma parte de la familia de problemas de progra-

mación estocástica multiperı́odo, para los cuales se debe construir un conjunto de escenarios
que cumpla dos requisitos (Growe-Kuska, [11]): a. el precio del primer perı́odo debe ser el
mismo para todos los escenarios y b. el conjunto de escenarios debe ser no-anticipativo. Un
conjunto de escenarios no-anticipativo significa que las decisiones y el precio en todo perı́odo
son independientes de perı́odos futuros. Las restricciones anteriores implican que los escena-
rios deberán tener estructura de árbol.
En la literatura y en la industria, se utilizan modelos de reversión a la media para modelar

la dinámica de precios de commodities. La media es representada por el precio de largo plazo
del precio del cobre. Este tipo de modelo se utiliza porque están respaldados por el siguiente
20
Capı́tulo 4: Aplicación de PH al modelo de planificación
argumento económico: Si el precio está por sobre la media de largo plazo, proyectos mineros
comenzarán a volverse rentables y se activarán, aumentando la oferta. Por otra parte, si el
precio está por debajo de la media, se cerrarán operaciones mineras y la oferta decaerá.
4.1.1. Representación de la Incertidumbre del Precio Futuro del

Cobre
En esta sección se introduce un proceso de difusión del tipo browniano geométrico, si-
guiendo la lı́nea del trabajo de Sauré [21] y que originalmente fue publicado por Shwartz
[22].
Se considera el modelo de comportamiento estocástico para el precio del cobre St :
dSt = κ(µ − ln(St ))St dt + σSt dzt (4.1)
Donde
µ es el valor de largo plazo o de equilibrio.
κ es la velocidad de reversión al valor de equilibrio.
zt representa un movimiento browniano estándar.
σ es una medida para la volatilidad del proceso.
Al momento se tiene una caracterización analı́tica de la incertidumbre del precio futuro del
cobre, sin embargo el modelo recién descrito no es compatible con el modelo de planificación
minera, porque el precio se modela a tiempo continuo y el modelo de planificación estocástica
está definido a tiempo discreto, con perı́odos. A continuación se muestra una metodologı́a
para realizar simulaciones a tiempo discreto de este proceso, lo cual será de utilidad para
generar un árbol de escenarios.
Se comienza definiendo Xt = ln(St ). Luego, aplicando el Lema de Ito, el logaritmo del

precio del cobre puede representarse por un modelo del tipo Ornstein-Uhlenbeck:
σ2
dXt = κ(µ − − Xt )dt + σdzt (4.2)
2κ
21
Se tiene entonces que Xt tiene distribución normal, con esperanza y varianza
σ2
E(Xt ) = e−κt X0 + (1 − e−κt )(µ − ) (4.3)
2κ
σ2
Var(Xt ) = (1 − e−2κt ) (4.4)
2κ
Dixit & Pindyck [7] y Gillespie [9] publican las ecuaciones que permiten simular el proceso
de Xt en un ambiente a tiempo discreto, con intervalos ∆t :
s
σ2 1 − e−2κ∆t
Xt = Xt−1 e−κ∆t + (1 − e−κ∆t )(µ − ) + σ N (0, 1) (4.5)
2κ 2κ
El coeficiente N (0, 1) representa la realización de un número aleatorio con distribución normal

de media 0 y varianza 1.
Combinando la ecuación 4.5 con la relación Xt = ln(St ) se obtiene la forma de simular a

tiempo discreto el precio futuro del cobre, St :
s
σ2 1 − e−2κ∆t
lnSt = ln(St−1 )e−κ∆t + (1 − e−κ∆t )(µ − ) + σ N (0, 1) (4.6)
2κ 2κ
Los parámetros utilizados para el proceso de difusión se muestran en la Tabla 4.1.
Parámetro Valor
S0 2,00
µ 0,55
κ 0,4
σ 0,3
Tabla 4.1: Parámetros del movimiento browniano para simular el precio futuro del cobre.
Una vez obtenida una expresión para simular el precio futuro del cobre, se procede a
generar un árbol de escenarios para alimentar el modelo de programación estocástica.
22
4.1.2. Construcción de un árbol de escenarios
En la literatura se proponen varias formas de transformar un movimiento browniano a un

árbol de escenarios. Dupacova, Consigli y Wallace [8] describen distintas maneras de enfrentar
este desafı́o, donde se destaca el clustering multiperı́odo, ocupando una métrica probabilı́sti-
ca. Pranevicius y Sutiene [18] proponen hacer análisis de clusters perı́odo a perı́odo, a un
conjunto de trayectorias previamente simuladas. Hoyland y Wallace [14] proponen utilizar
ajuste de momentos entre la distribución teórica (continua) y la discreta (árbol de escenarios).
Hochreiter y Pflug [13] proponen definir un problema de optimización binaria de localización
para definir el árbol de precios.
Lo que en definitiva interesa hacer es, comenzando con una distribución continua conocida,
ajustar de la mejor forma una distribución discreta.
La técnica empleada en este trabajo es de ajuste de momentos, en una versión simpli-

ficada del trabajo de Hoyland y Wallace [14]. Se optó por esta alternativa por ser de fácil
implementación, dado que esta tesis no se centra en el desarrollo de un método novedoso
para generar el árbol de escenarios.
El método de ajuste de momentos va construyendo el árbol de escenarios desde la raı́z

hasta las hojas. Se comienza definiendo cuantos hijos tendrá cada nodo del árbol. Comenzando
desde la raı́z, se calcula el precio y probabilidad de sus nodos hijos. Lo anterior se repite con
los hijos, hasta completar el árbol de escenarios. A continuación se describe en detalle la
metodologı́a.
1. Se comienza definiendo,
Número de perı́odos a considerar, T

−1
Número de ramificaciones que tendrá el árbol en cada perı́odo {Nt }Tt=1
La variable aleatoria que se pretende ajustar. En este caso será el modelo que
responde a la ecuación diferencial estocástica 4.1, con los parámetros de la Tabla
4.1.
2. Para el nodo raı́z, se define el precio inicial S0 , conocido.
3. El nodo raı́z tendrá N1 hijos que pertenecerán al perı́odo 2, con precios S = {S1 , S2 , .., SN1 }
y sus correspondientes probabilidades serán p = {p1 , p2 , .., pN1 }.
El problema en este momento es decidir S y p de forma de representar de la mejor
forma la distribución de probabilidades del modelo 4.1 para el perı́odo 2
Tanto el modelo de precios como la distribución (S, p) tienen su propia esperanza,
varianza, asimetrı́a y kurtosis las cuales se utilizarán como medida de similitud. La
23
función que se utilizará para medir la calidad del ajuste será la suma cuadrática de la
diferencia de estas magnitudes. Para formalizar lo anterior, sea,
V AL1 la esperanza del movimiento browniano para el perı́odo 2.

V AL2 la varianza del movimiento browniano para el perı́odo 2.
V AL3 la asimetrı́a del movimiento browniano para el perı́odo 2.
V AL4 la kurtosis del movimiento browniano para el perı́odo 2.
f1 la esperanza de la distribución (S, p)
f2 la varianza de la distribución (S, p)
f3 la asimetrı́a de la distribución (S, p)
f4 la kurtosis de la distribución (S, p)
αj coeficiente de relevancia del momento j-ésimo en la función objetivo con j =
1,..,4
Se resuelve entonces el problema de ajuste de momentos para el segundo perı́odo:
4
αj (fj (S, p) − V ALj )2
X
mı́n (4.7)
S,p
j=1
Si ≥ 0 ∀i = 1, ..., N1
pi ≥ 0 ∀i = 1, ..., N1
N1
X
pi = 1
i=1
4. El modelo anterior entregará los precios y las probabilidades de los N1 nodos para el
perı́odo 2.
5. El mecanismo anterior se repite para calcular los hijos de los N1 nodos recién definidos.
Se deben actualizar los valores V ALj , j = 1, .., 4 según el perı́odo que se esté calculando
y el precio del nodo padre. Este proceso se repite hasta llegar a las hojas del árbol en
el perı́odo T .
Las magnitudes V ALj , j = 1, .., 4 , que alimentan el modelo 4.7 se debieron actualizar
constantemente. Cada vez que fue necesario actualizar, se simuló una muestra de M realiza-
ciones con la ecuación 4.6 y sobre ello se calcularon los momentos con las fórmulas conocidas
de estadı́stica. Por ejemplo, para el nodo raı́z, la simulación para el perı́odo 2 se hace con la
24
ecuación 4.6 y los parámetros de la Tabla 4.1. Se hacen las simulaciones considerando ∆t = 1
y se obtiene la muestra Ŝ = {sm }M m=1 . Se calculan entonces,
M
1 X
V AL1 = sm
M m=1
M
1 X
V AL2 = (sm − V AL1 )2
M m=1
PM 3
1 m=1 (sm − V AL1 )
V AL3 =
M (V AL2 )3/2
PM 4
1 m=1 (sm − V AL1 )
V AL4 = −3
M (V AL2 )2
Con el modelo 4.7 se buscan los precios y probabilidades (S,p) para el perı́odo 2. Debido a
la naturaleza no lineal de modelo 4.7, se calculan varios óptimos locales comenzando desde
distintas soluciones iniciales, buscando encontrar la solución de mejor calidad. Una vez en-
contrado el mejor óptimo local, se tendrá los precios y probabilidades de los N1 nodos del
perı́odo 2. Sobre cada uno de estos nodos se repite el mismo proceso anterior.
El horizonte de planificación es de 9 perı́odos. Se decidió tener 5 ramificaciones para el

primer perı́odo, 3 ramificaciones para el segundo perı́odo y 2 ramificaciones para el resto de
los perı́odos. El objetivo es que el árbol ofrezca mayor detalle en los primeros perı́odos porque
es donde ocurren las decisiones que el planificador interesa analizar con mayor precisión.
Perı́odo(t) Nt
P 2010 5
P 2011 3
P 2012 2
P 2013 2
P 2014 2
P 2016 2
P 2018 2
P 2022 2
P 2026 −
Tabla 4.2: Número de ramificaciones por nodo en cada perı́odo. El último perı́odo es 2026,
por lo tanto no tiene ramificaciones.
Con la estructura de la tabla 4.2 se llega a un total de 960 escenarios1 . En el Anexo B.1
se muestra un gráfico del árbol de escenarios resultante.
1 Corresponde a la cantidad de hojas del árbol de la tabla 4.2: 960 = 5 · 3 · 2 · 2 · 2 · 2 · 2 · 2
25
4.2. Ejecución del método PH
Una vez definido el modelo de planificación y el árbol de escenarios de precios futuros del
cobre, se combinan para formular un modelo de programación estocástica.
A continuación se muestran las experiencias y dificultades superadas al aplicar el método

PH sobre el modelo estocástico de planificación. Los principales hitos superados fueron me-
jorar el tiempo de resolución de cada escenario y finalmente obtener una solución estocástica
entera factible para el modelo estocástico. El solver utilizado para todas las instancias es
CPLEX 12.1 y el lenguaje de modelación es GAMS 23.3.1. Se trabajó con un PC Intel i7
2.67ghz 12gb RAM.
Se realizaron pruebas sobre instancias de 8, 16, 32 y 65 escenarios, cuyos árboles de precios

se pueden encontrar en el Anexo B.
4.2.1. Mejorando el Tiempo de Resolución de cada Escenario
Un pilar fundamental de este método es que el modelo de planificación determinista se

resuelve eficientemente, porque con las iteraciones PH se debe resolver el modelo de cada
escenario cientos o miles de veces.
Primero se comenzó reduciendo el tamaño del modelo. La versión original consideraba

19 perı́odos y cada escenario determinista se resolvı́a en más de una hora. Para reducir el
tamaño y mejorar el tiempo de ejecución, se decidió fusionar los últimos perı́odos, llegando
a un total de 9 perı́odos. El detalle se muestra en la tabla 4.3.
Además de reducir el número de perı́odos, se aplican dos técnicas adicionales para la

resolución.
Hot-Start: En esta implementación de PH se deben resolver repetidamente problemas

con la misma estructura. Para explotar esta caracterı́stica, se almacenan las soluciones ob-
tenidas en cada iteración. Luego, estas soluciones se utilizan como punto de partida para
calcular las próximas iteraciones. Antes de resolver cada problema de escenario, se carga la
solución del mismo escenario obtenida en la iteración anterior.
Fijado de Variables: Siguiendo la propuesta de Watson y Woodruff [23], se decidió fijar

variables en el modelo, con el objetivo de reducir el espacio de soluciones factibles y hacer más
fácil la tarea de resolución. Para cada iteración, luego de obtener la solución para cada uno de
los escenarios considerados, se buscan las variables que han logrado acuerdo y cumplen con
26
Tabla 4.3: Agregación de perı́odos para pasar reducir el problema 19 perı́odos a uno de 9
perı́odos.
Perı́odos Fusionados Perı́odos Originales
P2010 P2010
P2011 P2011
P2012 P2012
P2013 P2013
P2014
P2014
P2015
P2016
P2016
P2017
P2018
P2019
P2018
P2020
P2021
P2022
P2023
P2022
P2024
P2025
P2026
P2026 P2031
P2041
el principio de no-anticipatividad. Todas las variables que han llegado a acuerdo se declaran
fijadas para las iteraciones siguientes.
La tabla 4.4 muestra el impacto de hacer Hot-Start y fijado de variables. Mientras mayor
el número de escenarios, se tarda cada vez más en resolver cada modelo determinista, debido
a que hay más variables sobre las cuales se debe imponer el principio de no-anticipatividad
entonces hay mas términos de penalización cuadrática.
Para todas las instancias, Hot-Start reduce los tiempos de resolución a la mitad. Esto
se debe principalmente porque el solver comienza con una solución conocida la que permite
adelantar el trabajo de cálculo.
A la versión con Hot-Start se agrega fijar variables. Fijar variables se vuelve relevante
cuando el número de escenarios es grande. Para las instancias de 8 y 16 escenarios, se aumenta
27
al doble el tiempo para resolver cada escenario. Para 65 escenarios, el tiempo disminuye
en más de 70 %. Llama la atención que fijar variables aumente el tiempo de resolución.
Una explicación es que la rutina de identificar y fijar las variables que han cumplido la
no-anticipatividad tarda un tiempo considerable.
# de Escenarios
Estrategia 8 16 65
Caso base 20,7 45,8 1.587
Con Hot-Start 10,8 10,9 896,1
Con Hot-Start, Fijando Variables 20,5 20,0 257,7
Tabla 4.4: Tiempo promedio en segundos de resolución de cada escenario determinista con
penalizaciones PH, según estrategia y cantidad de escenarios |S|. Instancia de 105 bloques.
Solución de cada escenario al 5 % de GAP.
4.2.2. Obtención de una solución entera factible con PH+crossover
Una vez resuelto el problema del tiempo de ejecución, realizaron experimentos para ob-
servar el comportamiento del método. Para medir la evolución de PH a medida que avanzan
las iteraciones, se calcula la desviación cuadrática a la solución promedio (g),
gν = ||Xtν (s) − X̂tν (s)||2 · ps

X
s∈S,t∈T
Este indicador representa la distancia entre las soluciones de cada escenario a los valores
promedio y permite conocer el avance en la convergencia del método PH en cada iteración.
Cuando este valor es cero, se ha obtenido una solución factible al modelo estocástico. En
la figura 4.1 se observa que en general el método logra disminuir g. Para las instancias con
más escenarios, la convergencia es más lenta. A medida que crece el número de escenarios
se comenzará con mayores desviaciones cuadráticas porque existen más variables sobre las
cuales se debe imponer el principio de no-anticipatividad. En particular, la instancia de 8
escenarios comienza con una desviación cuadrática de 0,98, mientras que la instancia de 65
escenarios comienza con una desviación cuadrática de 17,86.
Las iteraciones PH logran acercar las variables de cada escenario a cumplir la no-anticipatividad,
sin embargo las pruebas demuestran que el método no es capaz de obtener una solución ente-
ra factible con la cual concluir. Para obtener una solución al modelo estocástico se realizaron
iteraciones PH y luego se realizó un crossover al modelo estocástico, (PH+crossover):
28
Figura 4.1: Evolución de la desviación cuadrática a la solución promedio (g) Método PH para
instancias de 8, 16 y 65 escenarios. Se incluye en el cálculo sólo las variables binarias.
1. PH: Se realiza una cierta cantidad de iteraciones del método PH, fijando las variables
que alcanzan a cumplir el principio de no-anticipatividad. Se almacenan las variables
que fueron fijadas.
2. Crossover: Se carga el modelo estocástico completo en su versión compacta2 y se im-

ponen las variables fijadas durante las iteraciones PH. Se resuelve el modelo resultante
para obtener una solución final. Se hace la resolución hasta un GAP de 0,00 % ya que el
problema con variables fijadas normalmente se resuelve sin problemas. De lo contrario,
poner una cota de tiempo.
Al aplicar el esquema anterior, existe la posibilidad de que el modelo estocástico com-

pacto resulte infactible. Para ilustrar lo anterior, sea z(t, s) variable de decisión binaria del
problema estocástico, perteneciente al perı́odo t y escenario s y sea el árbol de 4 escenarios
el representado por figura 4.2. En la misma figura se muestran las soluciones de escenarios
luego de hacer iteraciones PH.
Todas las variables que han cumplido la no-anticipatividad durante las iteraciones PH son
fijadas y entregadas al modelo estocástico, como muestra la figura 4.3. El problema es que
en el modelo de planificación, la variable binaria z(t, s) representa la extracción del bloque z.
Cuando z(t, s) = 1, indica que para el escenario s se extrae el bloque z en el perı́odo t; en caso
contrario valdrá 0. De acuerdo al modelo de planificación, un bloque se debe extraer una y
solamente una vez para el horizonte de planificación, lo cual conduce a una infactibilidad: La
solución en el primer perı́odo no puede ser z(1) = 1 porque en los escenarios A,B el bloque
se extraerı́a 2 veces. La solución tampoco puede ser z(1) = 0 porque para los escenarios C,D
el bloque z no se extraerı́a en ningún perı́odo.
2 Ver Anexo C
29
Figura 4.2: Ejemplo de soluciones de escenarios luego de aplicar el método PH.
Figura 4.3: Las variables fijadas durante PH son traspasadas al modelo estocástico con no-
anticipatividad implı́cita, en este caso formando un modelo infactible.
El problema de la infactibilidad en el modelo estocástico se resolvió fijando sólo las varia-

bles “z(t, s)” que representan bloques en que se logró acuerdo de no-anticipatividad en todos
los perı́odos del horizonte de planificación.
4.3. Resultados Numéricos
A continuación se muestran los resultados obtenidos al resolver con PH+crossover ins-

tancias de 8, 16, 32 y 65 escenarios. Se manejaron también 2 problemas de planificación: un
yacimiento con 105 bloques y otro yacimiento con 173 bloques.
A modo de comparación, también se resolvió directamente el modelo estocástico en su

versión compacta con no-anticipatividad implı́cita3 . Todos los GAP están calculados respecto
3 Para una introducción a este tipo de formulación ver Anexo C.
30
a la solución del problema estocástico compacto con variables binarias relajadas4 . El tamaño
del modelo estocástico compacto de 173 bloques se muestra en la tabla 4.5
Num. Escenarios Restricciones Variables Variables Binarias

1 20.714 63.615 3.176
8 145.999 441.245 20.473
16 273.106 814.760 36.358
32 498.655 1.436.313 61.774
65 1.039.261 3.047.264 130.962
Tabla 4.5: Estadı́sticas tamaño de cada instancia de planificación. Planificación de Mina de

rajo abierto con 173 bloques y 9 perı́odos
El solver utilizado para todas las instancias es CPLEX 12.1 y el lenguaje de modelación
es GAMS 23.3.1. Se trabajó con un PC Intel i7 2.67ghz 12gb RAM.
El valor del parámetro ρ se fijó en 0,00001, porque se logra un buen balance entre velocidad
de convergencia5 y el tiempo que tarda resolver cada escenario. Mientras mayor el valor de ρ
es más costoso resolver cada escenario porque las penalizaciones cuadráticas y el coeficiente
w toman mayor importancia. Cuando se está en la iteración n, gracias al Hot-Start cada
escenario tomará como punto de partida la solución obtenida en la iteración n − 1. Si ρ es
“pequeño” la nueva solución será relativamente parecida a la solución de Hot-Start y la tarea
del solver será ligera; si ρ es “grande” la solución en la iteración n puede ser muy distinta a la
solución de partida, exigiendo mayor trabajo encontrar el nuevo punto óptimo al problema.
Por otro lado, el avance en convergencia es más lento si ρ es pequeño porque las soluciones
de cada escenario cambiarán relativamente poco dentro del espacio factible.
Se comenzó realizando 5 iteraciones PH y luego crossover, los resultados para las instancias
de 105 bloques y 173 bloques se muestran en las tablas 4.6 y 4.7.
Para la instancia de 105 bloques, los resultados sugieren que PH comienza a ser útil a
medida que el número de escenarios crece. Para la instancia de 8 escenarios, resulta mejor
enfrentar el modelo estocástico directamente. Para la instancia de 16 escenarios PH+crossover
comienza a ser competitivo. Para la instancia de 65 escenarios resolver el modelo estocástico
directamente no produce solución factible, mientras que PH+crossover logra una solución de
buena calidad en menos de 5 horas.
Para la instancia de 173 bloques, PH+crossover supera en todos los casos la alternativa
de ejecutar el modelo estocástico directamente. Para 65 escenarios, el solver no es capaz de
obtener la solución al problema relajado, en cambio, con PH+crossover se obtiene en 5 horas
4 El dominio de la variable binaria deja de ser el conjunto {0, 1}, y pasa a ser el intervalo [0, 1]
5 La velocidad de convergencia se mide a través del indicador g, introducido en la sección 4.2.2
31
una solución entera factible que está a menos del 1,25 % de GAP.
A continuación se decidió experimentar con la instancia de 173 bloques y realizando sólo

una iteración PH y luego crossover. Se obtienen soluciones similares y en bastante menos
tiempo. Por ejemplo para la instancia de 32 escenarios con 5 iteraciones PH se logra en 3,8
horas un 1,08 % de GAP; calculando solo una iteración PH se logra en 2,5 horas el mismo
GAP. Los experimentos sobre la instancia de 173 bloques se muestran en la tabla 4.8.
Luego se decide experimentar la metodologı́a calculando sólo la iteración inicial, donde

se resuelven los escenarios por separado. Nuevamente, se obtienen resultados similares y en
menor tiempo, como se muestra en la tabla 4.9.
Los resultados obtenidos indican que para las instancias analizadas bastaba con resolver
los escenarios por separado y luego hacer crossover para obtener buenos resultados. No se
requirió esfuerzo con iteraciones PH ya que solamente significan costo en tiempo y no se gana
en calidad de solución.
32
Tabla 4.6: Resultados de experimentos según el número de iteraciones PH y número de

escenarios. Instancia de 105 bloques. ρ =0,00001. 5 iteraciones PH. Cuando una corrida deja
de presentar avance por más de media hora se detiene. GAP respecto al óptimo del modelo
estocástico compacto lineal. PH+crossover se explica en la sección 4.2.2.
Número Resultado PH+crossover Resultado Modelo
Escenarios con variables fijadas Estocástico Implı́cito
8 Se corrieron 5 iteraciones PH y tar- En 5[min] se logra obtener el 0,9 %
daron 20[min]. El crossover se resol- de GAP. A los 40 minutos se logra
vió en tiempo despreciable. El GAP un GAP de 0,66 % y deja de haber
obtenido es 0,91 %, con tiempo total avance en la solución entera
20[min].
16 Se corrieron 5 iteraciones PH y tar- En 45[min] se logra un 0,78 % de
daron 40[min]. El crossover se resol- GAP y deja de haber avance en la
vió en 50[s]. El GAP obtenido es solución entera.
0,79 %, con tiempo total 41[min]
32 Se corrieron 5 iteraciones PH y tar- En 8[h] se logra un 0,58 % de GAP y
daron 1,7[h]. El crossover, luego de deja de haber avance en la solución
2,7[h] no hay avance en la solución entera.
entera. El GAP obtenido es 0,65 %
con tiempo total 4,4[h].
65 Se corrieron 5 iteraciones PH y tar- Luego de 16[h] aún no se obtiene so-
daron 2,5[h]. El crossover, luego de lución entera. Sólo fue posible obte-
2,2[h] deja de haber avance en la so- ner la solución relajada del nodo raı́z
lución entera. El GAP obtenido es para calcular GAP.
0,72 % con tiempo total 4,7[h]
33

escenarios. Instancia de 173 bloques. ρ =0,00001. 5 iteraciones PH. Cuando una corrida deja
de presentar avance por más de 1 hora se detiene. GAP respecto al óptimo del modelo
estocástico compacto lineal. PH+crossover se explica en la sección 4.2.2.
8 Se corrieron 5 iteraciones PH y tar- En 66[min] se logra un 1,01 % de
daron 41[min]. El crossover se resol- GAP y deja de haber avance.
vió en tiempo despreciable. El GAP
obtenido es 0,88 %, con tiempo total
41[min].
16 Se corrieron 5 iteraciones PH y tar- En 3,1[h] se logra un 1,49 % de GAP
daron 1,4[h]. El crossover se resol- y deja de haber avance.
obtenido es 1,10 % con tiempo total
1,4[h].
32 Se corrieron 5 iteraciones PH y tar- En 6,3[h] se logra un 1,53 % de GAP
daron 1,8[h]. El crossover, luego de y deja de haber avance.
2 horas deja de haber avance en la
solución. El GAP obtenido es 1,08 %
con tiempo total 3,8[h].
65 Se corrieron 5 iteraciones PH y tar- Luego de 8[h] no se ha podido re-
daron 3,8[h]. El crossover, luego de solver óptimamente el nodo raı́z. No
1.3[h] deja de tener avance en la so- está disponible una solución entera.
lución entera. Se logra un 1,25 % de El GAP está calculado respecto a la
GAP con tiempo total 5,2[h]. cota dual disponible luego de 8 horas.
34

escenarios. Instancia de 173 bloques. ρ =0,00001. 1 iteración PH. Cuando una corrida deja de
presentar avance por más de 1 hora se detiene. GAP respecto al óptimo del modelo estocástico
compacto lineal. PH+crossover se explica en la sección 4.2.2.
8 Se corrió 1 iteración PH y En 66[min] se logra 1,01 % de GAP
tardó 22[min]. El crossover se y deja de haber avance.
resolvió en tiempo despreciable. El
GAP obtenido es 0,86 %, con tiempo
total 22[min].
16 Se corrió 1 iteración PH y En 3,1[h] se logra un 1,49 % de GAP
tardó 39[min]. El crossover se y deja de haber avance.
resolvió en tiempo despreciable. El
GAP obtenido es 1,10 %, con tiempo
total 39[min].
32 Se corrió 1 iteración PH y En 6,3[h] se logra un 1,53 % de GAP
tardó 1,2[h]. El crossover, luego y deja de haber avance.
de 1,2[h] deja de mostrar avance. Se
obtiene 1,08 % de GAP con tiempo
total 2,5[h].
65 Se corrió 1 iteración PH y Luego de 8[h] no se ha podido re-
tardó 2,2[h]. El crossover, luego solver óptimamente el nodo raı́z. No
de 2,1[h] deja de mostrar avance. Se está disponible una solución entera.
obtiene 1,25 % de GAP con tiempo El GAP está calculado respecto a la
total 4,3[h]. cota dual disponible luego de 8 horas.
35

escenarios. Instancia de 173 bloques. Se corrió cada escenario por separado una vez, se fijaron
variables y luego se hizo crossover. Ninguna iteración PH. El crossover se corre hasta cumplir
1 hora. GAP respecto al óptimo del modelo estocástico compacto lineal. PH+crossover se
explica en la sección 4.2.2.
8 Se corrió la iteración inicial y En 66[min] se logra 1,01 % de GAP
tardó 19[min]. El crossover se resol- y deja de haber avance.
obtenido es 0,86 %, con tiempo total
19[min].
16 Se corrió la iteración inicial y En 3,1[h] se logra un 1,49 % de GAP
tardó 33[min]. El crossover se resol- y deja de haber avance.
obtenido es 1,10 % con tiempo total
33[min].
32 Se corrió la iteración inicial y En 6,3[h] se logra un 1,53 % de GAP
tardó 1[h]. El crossover se corrió por y deja de haber avance.
1[h]. Se obtiene un GAP de 1,08 %
con tiempo total 2[h].
65 Se corrió la iteración inicial y Luego de 8[h] no se ha podido re-
tardó 1,8[h]. El crossover se co- solver óptimamente el nodo raı́z. No
rrió por 1[h]. Se obtiene un GAP de está disponible una solución entera.
1,25 % con tiempo total 2,8[h]. El GAP está calculado respecto a la
cota dual disponible luego de 8 horas.
36
Capı́tulo 5
Conclusiones
A continuación se muestran los principales resultados y temas relevantes que se desprenden

de esta tesis.
5.1. Resumen y principales Resultados
Primero se formuló un modelo estocástico de planificación minera de cielo abierto. Para

lograr esto, se comenzó con un modelo de planificación determinista ya existente y luego
se generó un árbol de escenarios de precios futuros del cobre. La combinación del modelo
determinista y el árbol de precios futuros de cobre permitió plantear un modelo estocástico
de planificación minera.
El modelo minero considera la secuencia de extracción del pit, los requerimientos de

maquinarias para extracción y la red de procesamiento del recurso minero, considerando la
volatilidad del precio del mineral.
El precio futuro del cobre se modela como un movimiento browniano con reversión a la
media y se implementa un método de ajuste de momentos para generar un árbol de escenarios.
Debido al tamaño y complejidad, el modelo estocástico multiperı́odo que se enfrenta

resulta computacionalmente intratable. El método estocástico propuesto para resolver se
llama Progressive Hedging (PH), y fue creado por Roger J-B Wets y R.T. Rockafellar. El
método está basado en la descomposición por escenarios porque se relaja la condición de
no-anticipatividad: Para cada par de escenarios, si son idénticos desde el perı́odo 1 hasta el
37
Capı́tulo 5: Conclusiones
perı́odo t, entonces las soluciones deben ser idénticas desde el perı́odo 1 hasta el perı́odo t,
para todo perı́odo t. El método comienza resolviendo cada escenario de precios por separado
y de manera independientemente. De acuerdo a las soluciones obtenidas en cada escenario,
se introduce un sistema de penalizaciones con el objetivo de forzar a los escenarios a cumplir
con el principio de no-anticipatividad. Se vuelve a resolver cada escenario y se vuelven a
actualizar las penalizaciones, proceso que se repite hasta cumplirse la no-anticipatividad.
En esta tesis se utiliza PH como una heurı́stica de preproceso para reducir el espacio
factible del modelo estocástico. A través del método se analiza la solución determinista para
cada escenario e iterativamente se fijan variables de decisión. Una vez se han fijado suficientes
variables, se procede a resolver el modelo estocástico compacto con variables fijadas. A esta
metodologı́a se le llamó PH+crossover.
Al realizar descomposición por escenarios, se debe aplicar alguna metodologı́a para res-
catar el principio de no-anticipatividad. En la sección 4.2.2 se observó que las penalizaciones
introducidas por el método PH son efectivas en forzar que la solución de cada escenario cum-
pla con el principio de no-anticipatividad. Por ejemplo, para una instancia de planificación
con 65 escenarios y 105 bloques, al realizar 3 iteraciones PH el error por incumplimiento de
no-anticipatividad se logra reducir en un 40 % para las variables binarias.
El resultado principal obtenido es que al aplicar el método PH+crossover se logra resol-

ver instancias en que no es posible resolver al enfrentar directamente la versión estocástica
compacta. En la sección 4.3 se muestra que una instancia del modelo estocástico compacto
de 65 escenarios y 105 bloques no logra obtener solución factible luego de 16 horas; al aplicar
PH se obtiene en menos de 5 horas una solución cuyo VAN está a no más del 0,72 % de
diferencia del VAN óptimo.
Un pilar fundamental de la metodologı́a propuesta es el fijado de variables. A pesar de que

fijar variables es en general nocivo para un problema combinatorial, resultó ser fundamental
para la resolución de las instancias enfrentadas en esta tesis.
5.2. Trabajo Futuro
Esta tesis abordan problemas con 105 y 173 bloques, mientras que actualmente los mo-
delos deterministas consideran instancias reales de miles de bloques. El desafı́o serı́a resolver
de forma estocástica instancias de mayor tamaño. Para este caso, se deben enfrentar dos
problemas: 1.el tiempo de resolución de cada escenario y 2.el tamaño del modelo estocástico
resultante, que en esta tesis se utiliza para concluir con una solución estocástica factible.
38
Capı́tulo 5: Conclusiones
Existen otras fuentes de riesgo en minerı́a, como por ejemplo la ley de los bancos de la
mina. Se podrı́an resolver modelos similares al de este estudio, considerando la incertidumbre
en la ley del yacimiento.
La definición del árbol de escenarios podrı́a ser estudiada más a fondo. En esta tesis se
planteó un movimiento browniano con reversión a la media y luego se estimó un árbol de
escenarios a través de una heurı́stica del tipo ajuste de momentos. Se podrı́a estudiar cual
es el mejor modelo para describir el precio futuro del cobre, mejorar las estimaciones de los
parámetros que dan origen al movimiento browniano y eventualmente aplicar técnicas más
sofisticadas para generar el árbol de escenarios.
Las inversiones en el ámbito minero son de gran volumen y pueden involucrar riesgo im-
portante. Se plantea resolver problemas similares al de esta tesis, incorporando decisiones de
inversión como por ejemplo, aumentar la capacidad productiva en la red de procesamiento
adquiriendo una planta de chancado adicional o una planta concentradora de mayor capaci-
dad.
Una de las bondades del método PH es que admite la paralelización al resolver el modelo de
cada escenario. La reducción en tiempos de ejecución pueden ser importantes al implementar
una versión en paralelo.
39
Bibliografı́a
[1] Amaya, J., Espinoza, D., et al. A scalable approach to optimal block scheduling.
In Proceedings of 35th APCOM (Vancouver, Canada, 2009).
[2] Camus, J., and Pesce, J. Curso: Planificación Minera. Programa de Postı́tulo en
Innovación Tecnológica para la Minerı́a, 1995.
[3] COCHILCO. Boletı́n mensual cochilco, Junio 2009.
[4] CODELCO. Memoria anual, 2005.
[5] CODELCO. Memoria anual, 2007.
[6] Crainic, T. G., et al. Progressive hedging-based metaheuristics for stochastic net-
work design. CIRRELT 03 (2009), 1–18.
[7] Dixit, A., and Pindyck, R. Investment Under Uncertainty. Princeton University
Press, 1994.
[8] Dupacova, J., Consigli, G., and Wallace, S. Scenarios for multistage stochastic
programs. Annals of Operations Research 100 (2000), 25–53.
[9] Gillespie, D. T. Markov Processes: An introduction for Physical Scientists. Academic,
1991.
[10] Goic, M. Formulación e implementación de un modelo de programación matemática
para la planificación de largo plazo en minerı́a a cielo abierto. Master’s thesis, Departa-
mento de Ingenierı́a Industrial, Universidad de Chile, 2003.
[11] Growe-Kuska, N., Heitsch, H., and Romisch, W. Scenario reduction and scenario
tree construction for power management problems. Power Tech Conference Proceedings,
IEEE Bologna 3 (2003), 7.
[12] Guajardo, M. Programación dinámica estocástica en un problema de planificación
minera. Master’s thesis, Departamento de Ingenierı́a Industrial, Universidad de Chile,
2007.
40
BIBLIOGRAFÍA
[13] Hochreiter, R., and Pflug, G. C. Financial scenario generation for stochastic
multi-stage decision processes as facility location problems. Annals of Operations Re-
search 152 (2007), 257–272.
[14] Hoyland, K., and Wallace, S. Generating scenario trees for multistage decision
problems. Management Science 47 (2001), 295–307.
[15] Lane, K. The Economic Definition of Ore: Cut-off Grades in Theory and Practice.
Mining Journal Books Ltd., 1988.
[16] Leite, A., and Dimitrakopoulos, R. Stochastic optimization model for open pit
mine planning: application and risk analysis at copper deposit. Mining Technology 116
(2007), 109–118.
[17] Mulvey, J. M., and Vladimirou, H. Applying the progressive hedging algorithm
to stochastic generalized networks. Annals of Operations Research 31 (1991), 399–424.
[18] Pranevicius, H., and Sutiene, K. Scenario tree generation by clustering the simu-
lated data paths. In Proceedings 21st European Conference on Modeling and Simulation
(2007).
[19] Rockafellar, R. T., and Wets, R. J.-B. Scenarios and policy aggregation in
optimization under uncertainty. Mathematics of Operations Research 16 (1991), 119–
147.
[20] Santibáñez, P. Metodologı́a para la evaluación y optimización de planes mineros
de largo plazo. Master’s thesis, Departamento de Ingenierı́a Industrial, Universidad de
Chile, 2000.
[21] Sauré, D. Enfoque de opciones reales para la optimización de los planes mineros de
largo plazo. Master’s thesis, Departamento de Ingenierı́a Industrial, Universidad de
Chile, 2003.
[22] Shwartz, E. S. The stochastic behavior of commodity prices: Implications for valuation
and hedging. The Journal of Finance 52, 3 (July 1997), 923 – 973.
[23] Watson, J.-P., and Woodruff, D. Progressive hedging innovations for a class
of stochastic mixed-integer resource allocation problems. Computational Management
Science (July 2010), 1–16.
[24] Wets, R. J.-B. The aggregation principle in scenario analysis stochastic optimization.
Algorithms and model formulations in mathematical programming (1989), 91–113.
[25] Whittle, G. Pit optimization, strategic mine planning software, Agosto 2009.
http://www.gemcomsoftware.com/products/whittle/modules/default.asp.
[26] Woodruff, D. Progressive hedging for multi-stage stochastic logistic problems. In Pro-
gressive Hedging for multi-stage stochastic logistic problems, Charla CGO (Abril 2009).
41
Anexos A
Modelo Matemático de planificación

de mina de rajo abierto
A continuación se muestra el detalle del modelo determinista de planificación minera de

largo plazo. Modelo basado en Goic [10].
A.1. Conjuntos
t, u: Perı́odo del horizonte de planificación.

k: Producto.
a: Expansión.
i, j: Bancos de expansión.
m, n: Nodo de la red de procesos.
e: Equipos de extracción.
A.2. Conjuntos Adicionales
P (i): Conjunto de bancos de expansiones que deben ser explotados antes que i por en-
contrarse en la misma expansión que i, pero en una cota superior a él.
42
Anexos A: Modelo Matemático de planificación de mina de rajo abierto
R(i): Conjunto de bancos de expansiones que deben ser explotados antes que i por razones
de seguridad.
CON : Productos contaminantes.
N T : Nodos terminales donde pueden comercializarse los productos.
V : Nodos de depósito permanente de producto.
A.3. Parámetros
T ONik : Toneladas del producto k en el banco i.

Pkt : Precio del producto k en el periodo t.
δ(t): Factor de descuento para el periodo t.
CTnkk0 : Coeficiente de transformación de producto k en producto k 0 en el nodo n.
CAP Pnt : Capacidad de proceso en el nodo n en el periodo t.
CAP Snt : Capacidad de almacenamiento en el nodo n en el periodo t.
CAP Tnmt : Capacidad de transporte entre el nodo n y el nodo m en el periodo t.
CAP Eegt : Capacidad de equipo de tipo e en la mina g en el periodo t.
CAP Vnt : Capacidad de almacenamiento en el nodo de deposito terminal n en todo el hori-
zonte de planificación.
DuraEeg : Vida útil del equipo tipo e de la mina g.
M axCk : Máxima cantidad a emitir para el contaminante k.
czit : Costo[$/ton] de explotar el banco i en el periodo t.
cαnt : Costo [$] de habilitar nodo de proceso n en el periodo t.
cxnt : Costo [$] fijo del nodo de proceso n en el periodo t.
cpnt : Costo [$/ton] variable de procesamiento nodo de proceso n en el perı́odo t.
cfmnt : Costo [$/ton] de enviar producto desde nodo m hasta nodo n en el perı́odo t.
A.4. Variables de decisión
zit = 1 Si el banco de expansión i es explotado en el perı́odo t.

ynkt = Inventario de producto k en el nodo n al final del perı́odo t.
fmnkt = cantidad de producto k[ton] enviado desde nodo m hasta nodo n en el perı́odo t.
αnt = 1 Si se habilita el nodo de proceso n en el perı́odo t.
αmnt = 1 Si se habilita el arco que conecta a los nodos de proceso m y n en el perı́odo t.
xnt = 1 Si está habilitado el nodo de proceso n en el perı́odo t.
43
xnmt = 1 Si está habilitado el arco que conecta a los de proceso n y m en el perı́odo t.

HrRegt = Horas requeridas del equipo tipo e en el perı́odo t en la mina g.
HrDegt = Horas disponibles del equipo tipo e en el perı́odo t en la mina g.
HrCegt = Horas compradas del equipo tipo e en el perı́odo t en la mina g.
A.5. Restricciones
A.5.1. Extracción
Un banco de una expansión se explota sólo una vez en el horizonte de planificación.

X
zit = 1 ∀i (A.1)
t
Precedencia entre los bancos de una misma expansión, de modo que los bancos superiores
se exploten antes que los inferiores.
X X
ziu ≤ zju ∀i, ∀j ∈ P (i), ∀t (A.2)
u≤t u≤t
Precedencia entre los bancos de expansiones ubicadas en la misma pared del rajo, de
modo de respetar las condiciones de seguridad.
X X
ziu ≥ zju ∀i, ∀j ∈ R(i), ∀t (A.3)
u≤t u≤t
A.5.2. Disponibilidad de nodos y arcos
Un nodo estará disponible en un perı́odo si en alguno de los perı́odos anteriores se ha

habilitado. X
xnt = αnu ∀n, t (A.4)
u≤t
Un arco estará disponible en un perı́odo si en alguno de los perı́odos anteriores se ha
44
habilitado. X
xnmt = αnmu ∀n, m, t (A.5)
u≤t
A.5.3. Conservación de flujos
Conservación de flujo en la extracción de los bancos

X
T ONik zit = finkt ∀i, k, t (A.6)
n
Conservación de flujo en los nodos de proceso.
fnmk0 t ∀n, k 0 , t
XX X
CTnkk0 fmnkt = (A.7)
m k m
Conservación de flujo en los stocks.
fnmk0 t + ynk0 t ∀n, k 0 , t

XX X
CTnkk0 fmnkt + ynk0 (t−1) = (A.8)
m k m
A.5.4. Capacidades
Capacidad de proceso en los nodos de la red.

XX
fmnkt ≤ CAP Pnt xnt ∀n, t (A.9)
m k
Capacidad de almacenamiento en los nodos de de la red.

X
ynkt ≤ CAP Snt xnt ∀n, t (A.10)
k
Capacidad de almacenamiento en los nodos de almacenamiento permanente de la red.
45
XXX
fmnkt ≤ CAP Vnt xnt ∀n ∈ V (A.11)
m k t
Capacidad de transporte entre los nodos de proceso.

X
fnmkt ≤ CAP Tnm xnmt ∀n, m, t (A.12)
k
A.5.5. Uso de equipos
Horas de equipo tipo e requeridas para soportar la extracción de materiales.

XX
HrRet = zit T ONik /CAP Eet ∀e, t (A.13)
i k
Conservación de flujo en las horas del equipo tipo e disponibles en cada perı́odo.
HrDet = HrDe(t−1) + HrCet − HrCe(t−DuraEe ) ∀e, t (A.14)
Las horas requeridas cada perı́odo debe ser menor o igual que las horas disponibles.
HrRet ≤ HrDet ∀e, t (A.15)
A.5.6. Contaminantes
La cantidad de contaminantes debe ser menor que lo máximo permitido.
CTnkk0 fnmkt ≤ M axCk0 ∀k 0 ∈ CON, ∀t

X XX
(A.16)
n∈N T m k
46
A.6. Función Objetivo
A.6.1. Costos de Inversión
 
X X XX XX
CI = δ(t)  cαnt αnt + cαnmt αnmt + CInveg HrCeg  (A.17)
t n n m e g
A.6.2. Costos Fijos
!
X X XX
CF = δ(t) cxnt xnt + cxnmt xnmt (A.18)
t n n m
A.6.3. Costos Variables
 
X X X XX XXX
CV = δ(t)  czit zit + cpnt fnmkt + cfnmkt fnmkt  (A.19)
t i n m k n m k
A.6.4. Beneficios
 
X X X X
B= δ(t) (Pkt − Dkt ) fnmkt  (A.20)
t k n∈N T m
A.6.5. Función objetivo
F O = B − CI − CF − CV (A.21)
47
A.7. Naturaleza de las Variables
CI, CF, CV, B, F O, HrR, HrD, HrC, f, y ≥ 0 (A.22)

z, α, x ∈ {0, 1} (A.23)
48
Anexos B
Árboles de Escenarios
A continuación se muestran gráficos de los árboles de escenarios utilizados para representar

la estocasticidad del precio del cobre.
49
Anexos B: Árboles de Escenarios
B.1. Árbol de 960 Escenarios
Figura B.1: Árbol de 960 Escenarios de precios futuros del cobre.
50
B.2. Árbol de 8 Escenarios (Unidades en [USd/lb])
Perı́odo 2010 2011 2012 2013 2014 2016 2018 2022 2026
3,00 3,30 3,62 3,96 4,31 4,69

2,72
2,44 2,18 1,94 1,71 1,50 1,32
2,46
2,20 2,43 2,68 2,40 2,65 2,38 2,13
2,23 1,98 2,20 2,44 2,69 2,95 3,25
2,00 2,00
1,77 1,97 176 1,96 2,18 2,42 2,17
1,72 1,52 1,34 1,51 1,69 1,89 2,10
1,54
1,53 1,72 1,92 2,14 2,37 2,63
1,36
1,19 1,03 0,89 0,76 0,70 0,70
51
B.3. Árbol de 8 Escenarios Representación en Gráfico
52
B.4. Árbol de 16 Escenarios (Unidades en [USd/lb])
Perı́odo 2010 2011 2012 2013 2014 2016 2018 2022 2026
3,30 3,62 3,96 4,31 4,69

3,00
2,70 2,97 3,27 3,58 3,91
2,72
2,44 2,18 1,94 1,71 1,50 1,32

2,46
2,68 2,40 2,65 2,38 2,13

2,20 2,43
2,18 2,42 2,16 2,39 2,65
1,98 2,20 2,44 2,69 2,95 3,25
2,23
1,98 1,76 1,55 1,74 1,94 2,15
2,22 2,47 2,21 2,45 2,20 1,96
2,00 2,00 2,00
1,78 1,58 1,38 1,20 1,04 0,90
1,97 1,76 1,96 2,18 2,42 2,17
1,77
1,57 1,76 1,55 1,73 1,94 2,16
1,92 1,70 1,90 1,69 1,49 1,31
1,72
1,52 1,34 1,51 1,33 1,16 1,31

1,54
1,53 1,72 1,92 2,14 2,37 2,63
1,36
1,35 1,52 1,71 1,50 1,68
1,19
1,03 0,89 0,76 0,70 0,70
53
54
55
56
Anexos C
Modelo estocástico compacto y

extendido
Aquı́ se introduce la implementación compacta y extendida de un modelo estocástico, dos

alternativas para modelar el mismo problema.
Se enfrenta un problema estocástico donde la incertidumbre está representada por un árbol

de S escenarios. En la figura C.1 se muestra el árbol de precios y se resalta un escenario de
precios.
De acuerdo a Wets [19], el modelo estocástico debe cumplir el principio de no-anticipatividad:

Para cada par de escenarios, si son idénticos desde el perı́odo 1 hasta el perı́odo t, entonces
las soluciones deben ser idénticas desde el perı́odo 1 hasta el perı́odo t, para todo perı́odo
t. Esta condición la deben cumplir las variables de decisión y la forma en que se impone
está directamente relacionada con la estructura del árbol de decisión. En particular, todos
los escenarios deben tener la misma solución en las variables del primer perı́odo. Como ejem-
plo, también los escenarios s1 y s2 deben tener la misma solución en las variables de los
perı́odos t2 y t3 .
Dado el árbol de decisión de la figura C.1, existen dos formulaciones posibles que permiten
cumplir con la no-anticipatividad.
La formulación explı́cita o extendida tendrá S modelos con la misma estructu-

ra, cada una representando un escenario. Se agregan entonces las restricciones de no-
anticipatividad para que las variables de los S modelos cumplan esta regla. Figura
C.2(b).
57
Anexos C: Modelo estocástico compacto y extendido
Figura C.1: Árbol de escenarios de precios futuros del cobre, donde se resalta el escenario s2 .
Instancia de 4 perı́odos y 5 escenarios.
En la formulación implı́cita o compacta cada nodo del árbol de precios tendrá aso-
ciado un set de variables de decisión. Las variables de cada nodo son compartidas
por todos los escenarios y ası́ la no-anticipatividad se cumplirá implı́citamente. Figura
C.2(a).
En general, la formulación compacta tendrá menos ecuaciones y variables de decisión que la

versión extendida, lo cual, por motivos computacionales, permite cargar instancias de mayor
tamaño en un computador de escritorio.
58
Anexos C: Modelo estocástico compacto y extendido
(a) Representación con no-anticipatividad (b) Representación con no-anticipatividad explı́ci-

implı́cita. Los escenarios comparten las varia- ta. Cada escenario se resuelve con sus propias va-
bles de decisión de cada nodo, por lo tanto la riables y se deben agregar restricciones de no-
no anticipatividad se cumple automáticamente. anticipatividad, imponiendo la igualdad de variables
dentro de cada cı́rculo punteado.
Figura C.2: Formulaciones para un modelo estocástico con árbol de escenarios. Cada nodo
numerado representa variables de decisión para el perı́odo indicado. Instancia de 4 perı́odos
y 5 escenarios.
59

Heurística Escalable Planificación Minera de Largo Plazo

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Heurística Escalable Planificación Minera de Largo Plazo

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE CHILE

FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS

APLICACIÓN DE UNA HEURÍSTICA ESCALABLE PARA RESOLVER

TESIS PARA OPTAR AL GRADO DE MAGÍSTER EN GESTIÓN DE

MEMORIA PARA OPTAR AL TÍTULO DE INGENIERO CIVIL

JAIME ANDRÉS GACITÚA CARAFÍ

A Tita, Jope y Javier.

1.1. Objetivo y Metodologı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.2. Estructura del Documento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

2.1. Introducción a Progressive Hedging . . . . . . . . . . . . . . . . . . . . . . . 6

2.3. Introducción a PH multiperı́odo . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.4. Pseudocódigo de PH Multiperı́odo . . . . . . . . . . . . . . . . . . . . . . . 12

3. Descripción del Problema Minero y Modelación 15

3.1. Descripción operacional de una mina . . . . . . . . . . . . . . . . . . . . . . 15

3.1.1. Extracción del mineral . . . . . . . . . . . . . . . . . . . . . . . . . . 16

3.1.2. Modelo conceptual de la red de procesamiento . . . . . . . . . . . . . 17

3.2. Modelo matemático de planificación de la mina . . . . . . . . . . . . . . . . 18

4. Aplicación de PH al modelo de planificación 20

4.1. Generación de escenarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

4.1.1. Representación de la Incertidumbre del Precio Futuro del Cobre . . . 21

4.1.2. Construcción de un árbol de escenarios . . . . . . . . . . . . . . . . . 23

4.2. Ejecución del método PH . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

4.2.1. Mejorando el Tiempo de Resolución de cada Escenario . . . . . . . . 26

4.2.2. Obtención de una solución entera factible con PH+crossover . . . . . 28

4.3. Resultados Numéricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

5.1. Resumen y principales Resultados . . . . . . . . . . . . . . . . . . . . . . . . 37

5.2. Trabajo Futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

A. Modelo Matemático de planificación de mina de rajo abierto 42

A.2. Conjuntos Adicionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

A.4. Variables de decisión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

A.5.2. Disponibilidad de nodos y arcos . . . . . . . . . . . . . . . . . . . . . 44

A.5.3. Conservación de flujos . . . . . . . . . . . . . . . . . . . . . . . . . . 45

A.5.5. Uso de equipos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

A.6. Función Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

A.6.1. Costos de Inversión . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

A.6.2. Costos Fijos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

A.6.3. Costos Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

A.6.5. Función objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

A.7. Naturaleza de las Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

B.1. Árbol de 960 Escenarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

B.2. Árbol de 8 Escenarios (Unidades en [USd/lb]) . . . . . . . . . . . . . . . . . 51

B.3. Árbol de 8 Escenarios Representación en Gráfico . . . . . . . . . . . . . . . . 52

B.4. Árbol de 16 Escenarios (Unidades en [USd/lb]) . . . . . . . . . . . . . . . . . 53

B.5. Árbol de 16 Escenarios Representación en Gráfico . . . . . . . . . . . . . . . 54

B.6. Árbol de 32 Escenarios Representación en Gráfico . . . . . . . . . . . . . . . 55

B.7. Árbol de 65 Escenarios Representación en Gráfico . . . . . . . . . . . . . . . 56

C. Modelo estocástico compacto y extendido 57

1.2. Esquema de árbol para escenarios de precios . . . . . . . . . . . . . . . . . . 4

2.1. Árbol de decisiones visto como escenarios agrupados en conjuntos de información 12

3.1. Diseño de expansiones de una mina. Fuente: [10] . . . . . . . . . . . . . . . . 16

3.2. Diseño de bancos de una mina. Fuente: [10] . . . . . . . . . . . . . . . . . . . 16

4.1. Evolución de la desviación cuadrática a la solución promedio (g) Método PH

4.2. Ejemplo de soluciones de escenarios luego de aplicar el método PH. . . . . . 30

B.1. Árbol de 960 Escenarios de precios futuros del cobre. . . . . . . . . . . . . . 50

B.2. Árbol de 8 Escenarios de precios futuros del cobre. . . . . . . . . . . . . . . 52

B.3. Árbol de 16 Escenarios de precios futuros del cobre. . . . . . . . . . . . . . . 54

B.4. Árbol de 32 Escenarios de precios futuros del cobre. . . . . . . . . . . . . . . 55

B.5. Árbol de 65 Escenarios de precios futuros del cobre. . . . . . . . . . . . . . . 56

1.1. Precio del Cobre, Producción y excedentes de CODELCO. Fuentes CODEL-

4.2. Número de ramificaciones por nodo en cada perı́odo. El último perı́odo es

4.3. Agregación de perı́odos para pasar reducir el problema 19 perı́odos a uno de

4.4. Tiempo promedio en segundos de resolución de cada escenario determinista con

4.5. Estadı́sticas tamaño de cada instancia de planificación. Planificación de Mina

4.6. Resultados de experimentos según el número de iteraciones PH y número de