Magíster en Minería / Ingeniero Civil de Minas / Ingeniero Civil / Una práctica común en la industria minera es descomponer el proceso de la planificación en diferentes etapas, de modo que el proceso general y las etapas individuales pueden desarrollarse más fácilmente dada la gran complejidad que conllevaría tratar grandes volúmenes de información al mismo tiempo. Sin embargo, producto de esta forma de planificar comienzan a emerger algunas inconsistencias, especialmente en los megaproyectos mineros subterráneos, donde lo habitual es calcular en un principio el secuenciamiento minero a lo largo de la vida de la mina sin integrar constitutivamente el plan de desarrollo y construcción minero, para medirse sólo posteriormente la factibilidad de cumplir un determinado diseño minero. En consecuencia, dentro de los problemas que pueden materializarse al trabajar con una planificación desagregada está, en particular, la imposibilidad de capturar el valor real de un proyecto al no tener en cuenta las labores relacionadas a los túneles, galerías e infraestructura en general reflejado en un aumento de costos o disminución de la meta productiva. Por tanto, la presente investigación tiene por objetivo presentar un modelo de programación matemática para el tratamiento del secuenciamiento y agendamiento de una mina subterránea, teniendo en cuenta la producción, los recursos disponibles y la constructibilidad de manera integrada, siendo una herramienta de análisis rápido para el planificador minero. La función objetivo del modelo aquí presentado es la maximización del valor presente neto de un conjunto de actividades, sujeto a: Restricciones operacionales de capacidad de construcción dada por el número, disponibilidad y rendimiento intrínseco de equipos; Restricciones de precedencias físicas y operacionales, relativas a la posibilidad real de realizar una actividad por sí misma dado que hay acceso a ella y a la posibilidad de ejercer dicha actividad dado el vínculo con otras dentro de un proyecto; Restricciones de procesamiento en cuanto a la capacidad máxima y mínima admisible para tratar mineral; Y restricciones de recursos disponibles en cada periodo, ya sea en cantidad de materiales para la construcción, aire o cualquier medida cuantificable a distribuir. La implementación final resulta en una herramienta llamada UDESS que ha sido presentada en diversas publicaciones anteriormente. Los resultados muestran que el programa de producción cambia cuando se considera la constructibilidad de un diseño minero, más aún, tiene influencia en el resultado y si bien no se asegura obtener un valor de negocio mayor, sí un mayor grado de robustez por considerar más información y evaluarla en poco tiempo de manera conjunta. Por tanto se recomienda utilizar los resultados de este modelo como una guía en la construcción de planes mineros subterráneos y una prueba de factibilidad para un diseño minero con múltiples opciones de desarrollo.

Submitted by Fabrício Barroso Pitanguy Pinheiro Chagas (fabricio.chagas@fgvmail.br) on 2017-04-20T18:46:15Z No. of bitstreams: 1 Dissertação_Fabricio_Pitanguy.pdf: 916473 bytes, checksum: 4d0e28947984910f209e645536e7430b (MD5) / Approved for entry into archive by GILSON ROCHA MIRANDA (gilson.miranda@fgv.br) on 2017-04-24T14:21:16Z (GMT) No. of bitstreams: 1 Dissertação_Fabricio_Pitanguy.pdf: 916473 bytes, checksum: 4d0e28947984910f209e645536e7430b (MD5) / Made available in DSpace on 2017-05-02T19:01:55Z (GMT). No. of bitstreams: 1 Dissertação_Fabricio_Pitanguy.pdf: 916473 bytes, checksum: 4d0e28947984910f209e645536e7430b (MD5) Previous issue date: 2017-04-17 / Este estudo investiga se a estrutura de endividamento desagregada provê alguma informação adicional em relação aos determinantes do endividamento total das empresas brasileiras. Utilizando dados de painel, testa-se a relevância não apenas de diferentes fatores específicos às empresas como também de fatores macroeconômicos na escolha entre o endividamento doméstico e em moeda estrangeira não coberta por derivativos e sobre o uso de derivativos como hedge cambial. Além da existência de fatores determinantes comuns, encontramos também evidência de fatores únicos que determinam cada tipo de endividamento, sugerindo a importância de se estudar os determinantes de dívida em nível desagregado.

[pt] Esta tese consiste em três ensaios sobre previsão de inflação, com foco na inflação brasileira. No primeiro ensaio, examinamos a eficácia de vários métodos de previsão para prever a inflação, com foco na agregação de previsões desagregadas. Consideramos diferentes níveis de desagregação para a inflação e empregamos uma variedade de técnicas tradicionais de séries temporais, bem como modelos lineares e não lineares de aprendizado de máquina que lidam com um número grande de preditores. Para muitos horizontes de previsão, a agregação de previsões desagregadas performa tão bem quanto expectativas baseadas em coleta e modelos que geram previsões a partir do agregado. No geral, os métodos de aprendizado de máquina superam os modelos de séries temporais tradicionais em precisão preditiva, com excelente desempenho para os desagregados da inflação. Em nosso segundo ensaio, investigamos os potenciais benefícios de combinar previsões de inflação individuais ao propor uma correção para viés variável no tempo da média de previsões. Nossa análise inclui estimações empregando janelas rolantes e modelos em espaço de estados que usam a recursividade do filtro de Kalman. Obtivemos um bom desempenho de previsão para modelos baseados em janelas rolantes pequenas em horizontes de previsão curtos e intermediários, enquanto um modelo em espaço de estados obtem um desempenho um pouco pior do que os procedimentos baseados em janelas rolantes. No terceiro ensaio, usamos aprendizado supervisionado para gerar índices prospectivos baseados em tweets e notícias para inflação acumulada e investigamos se esses índices podem melhorar o desempenho da previsão de inflação. Nossos resultados indicam que os índices baseados em notícias fornecem ganhos preditivos significativos, principalmente para os horizontes de 3 e 12 meses à frente. Esses achados sugerem que a incorporação de mais fontes de informação do que apenas expectativas baseadas em opiniões de especialistas pode levar a previsões mais precisas. / [en] This dissertation consists of three essays concerning inflation forecasting, taking the Brazilian case as an application. In the first essay, we examine the effectiveness of several forecasting methods for predicting inflation, focusing on aggregating disaggregated forecasts. We consider different disaggregation levels for inflation and employ a range of traditional time series techniques, as well as linear and nonlinear machine learning (ML) models that deal with a larger number of predictors. For many forecast horizons, aggregation of disaggregated forecasts performs just as well as survey-based expectations and models generating forecasts directly from the aggregate. Overall, ML methods outperform traditional time series models in predictive accuracy, with outstanding performance in forecasting disaggregates. In our second essay, we investigate the potential benefits of combining individual inflation forecasts by proposing a time-varying bias correction for the average forecast. Our analysis includes estimations using both rolling windows and state-space models that use the recursiveness of the Kalman filter. We achieve good forecast performance for models based on small rolling windows for shorter and intermediate forecast horizons, while a state-space model performs slightly worse than procedures based on rolling windows. In the third essay, we use supervised learning to generate forward-looking indexes based on tweets and news articles for accumulated inflation and investigate whether these indexes can improve inflation forecasting performance. Our results indicate that news-based indexes provide significant predictive gains, particularly for 3- and 12-month-ahead horizons. These findings suggest that incorporating more information sources than just expectations based on experts opinions can lead to more accurate forecasts.