Avanzando desde la optimización tradicional: grado de incertidumbre y los

efectos del riesgo en el diseño a cielo abierto.

Sinopsis
Se presenta un argumento económico para la incorporación del modelado cuantitativo del grado
de incertidumbre, tonelaje y geología en el diseño y planificación a cielo abierto. Se describen dos
nuevas implementaciones de simulación condicional: la simulación gaussiana secuencial
generalizada y la simulación de bloque directo. Se utiliza un estudio de optimización de un típico
depósito de oro epidérmico diseminado de baja calidad y brecha de cuarzo para resaltar las
diferencias entre las proyecciones financieras que pueden obtenerse de un único modelo de
yacimientos y el rango de resultados producidos cuando, por ejemplo, se ejecutan cincuenta
depósitos simulados. Los efectos sobre las expectativas de valor presente neto (VAN), costo de
producción por onza, grado de alimentación del molino y tonelaje de mineral se presentan como
ejemplos y se identifican los períodos con un alto riesgo de flujo de efectivo negativo descontado.
Se necesitará una mayor integración de la incertidumbre en los algoritmos de optimización para
aumentar su eficacia.

La cuantificación de la incertidumbre y el riesgo tiene importantes implicaciones para el diseño a

cielo abierto y la programación de producción en lo que se refiere a la gestión de los flujos de
efectivo del orden de millones de dólares. La optimización en la planificación minera ha sido
aceptada como un conjunto de técnicas que introducen métodos matemáticos analíticos en la
planificación.1 El enfoque más común en el diseño y planificación a cielo abierto se basa en la teoría
de gráficos tridimensionales Lerchs-Grossmann, implementada en aplicaciones industriales como el
algoritmo anidado de Lerchs-Grossmann2,3,4. Una preocupación clave cuando se trata de riesgo e
incertidumbre, particularmente considerando las implicaciones financieras de las decisiones
tomadas sobre la base de estudios de optimización, se puede expresar con la afirmación: "Prefiero
estar aproximadamente correcto que precisamente incorrecto ". Esta declaración alude a una forma
de abordar la incertidumbre presente en cualquier diseño y plan de la mina. Manejar, administrar y
beneficiarse del riesgo requiere un mayor desarrollo de los métodos cuantitativos utilizados en la
planificación que pueden minimizar las posibilidades de una expectativa única y errónea. Como
resultado, las inversiones estratégicas se pueden proteger y las operaciones se realizan más cerca
de su potencial.

La evaluación tradicional de los proyectos mineros incluye la perforación y el muestreo, la

generación de un modelo de yacimiento representativo, la decisión de los métodos de extracción y
procesamiento, la evaluación del capital y los costos operativos y el desarrollo de un plan técnico y
financiero de vida útil de la mina. Además, para evaluar el valor de un proyecto, los indicadores
resumidos, que incluyen el tamaño total del proyecto, los requisitos de capital y el valor presente
neto, se desarrollan y utilizan para generar mejores opciones de toma de decisiones que den como
resultado la máxima utilidad del proyecto esperado.5 Aunque complejo en la práctica, este proceso
de evaluación se puede ver como una combinación de estrategia de gestión con una comprensión
crítica y una evaluación de la incertidumbre y el riesgo de fuentes técnicas, financieras y
ambientales. Una fuente crítica de riesgo técnico es la ley y el tonelaje esperado del mineral. La
capacidad de modelar e integrar este riesgo en la optimización y planificación es de suma
importancia y permite un enfoque más informado para la valoración de un activo o diseño y gestión
de un proyecto.

La presencia de riesgo geológico en proyectos mineros es bien conocida y apreciada. Durante los
últimos años, las tecnologías en evolución han permitido modelar directamente el riesgo geológico.
Como resultado, se han planteado varios problemas, incluida la integración del grado de
incertidumbre en la optimización de pit y las reservas recuperables, 6,7 tecnologías y algoritmos para
el modelado de riesgo geológico en optimización de pits y programación de producción, 8 riesgo en
proyectos minerales y límites máximos de pit 9 impacto de las zonas de grado de alto riesgo en los
límites de pits óptimos10 y el análisis de riesgo para la programación de producción.11,12 A pesar de
estos desarrollos, existe una necesidad creciente de una mayor comprensión de las principales
limitaciones de los rajos abiertos tradicionales, no basados en riesgos, enfoques de optimización y
sus posibles efectos en la toma de decisiones del proyecto.

En la presente contribución, se tiene en cuenta, en primer lugar, las razones clave por las cuales se
obtienen beneficios al comprender y cuantificar la incertidumbre y el riesgo. A continuación, se
describe un nuevo marco de simulación condicional, rápido y eficiente para el modelado de la
incertidumbre geológica en un entorno industrial. Se proporcionan ejemplos de las razones por las
que uno está interesado en cuantificar el riesgo en los estudios de optimización, utilizando un
estudio de un depósito de oro de baja ley típico de Australia. Finalmente, se discuten las posibles
necesidades futuras.

Principales razones para emprender modelos cuantitativos de incertidumbre y riesgo

geológico
La cuantificación de la incertidumbre y el riesgo geológico puede mejorar sustancialmente en el
desarrollo del proyecto minero y las operaciones mineras. Los marcos modernos de valoración de
proyectos pueden dilucidar los principales efectos económicos positivos de la cuantificación de la
incertidumbre y el riesgo. Uno de ellos es el marco de "opciones reales" 13,14, cuya característica
clave es la capacidad de integrar y gestionar la incertidumbre y el riesgo y, de este modo, permitir
la protección de inversiones estratégicas y la exposición de su potencial de crecimiento. En términos
simples, las opciones reales pueden describirse como la capacidad de evaluar el valor de comenzar
un proyecto que otorga el derecho, pero no la obligación, de comenzar operaciones a un costo de,
digamos, $ 7 000 000 dentro de seis meses y/o evaluar el valor de retrasar la producción para
obtener información adicional para reducir la incertidumbre o cuantificar el valor de la construcción
en la flexibilidad para gestionar la incertidumbre y el riesgo en cualquier nivel o aspecto de una
empresa minera o de exploración. La Fig. 1 resume una comparación entre un método de valoración
tradicional que no tiene en cuenta la incertidumbre y el riesgo, el análisis de flujo de efectivo
descontado (DCF) y las opciones reales para evaluar el valor del activo actual. La figura muestra un
aumento en el valor de los activos a partir del simple paso de cuantificar explícitamente la
incertidumbre e integrar los datos en el análisis financiero y la toma de decisiones.
La necesidad de cuantificar la incertidumbre en la valoración de los activos y la toma de decisiones
se traduce en la necesidad de cuantificar la incertidumbre y el riesgo en cualquiera de los
componentes pertinentes del diseño a cielo abierto y la planificación a largo plazo. El riesgo del
proyecto puede surgir de tres fuentes principales: técnica (geológica y minera), financiera y
ambiental. La principal fuente de riesgo técnico es el grado de incertidumbre, tonelaje, geología y
geomecánica. El riesgo geológico es visto como el principal contribuyente al incumplimiento de las
expectativas del proyecto. Por ejemplo, en las primeras etapas de un proyecto, cuando establecer
la confianza del inversionista y el reembolso del capital de desarrollo es vital, Vallee15 señaló que '...
en el primer año de operación después de la puesta en marcha, el 60% de las minas encuestadas
tenían una tasa promedio de producción menos del 70% de la capacidad diseñada '. Aunque los
déficits en la producción también se deben a problemas en la ampliación de la planta piloto a la
planta comercial, la cantidad y la ley del mineral contribuyen de manera importante a posibles
deficiencias. Los déficits de las predicciones de producción minera también son comunes en etapas
posteriores de la producción y se atribuyen sustancialmente a causas geológicas.16

Para cualquier incertidumbre de diseño a cielo abierto sobre leyes, tonelajes o geología se puede
modelar e integrar fácilmente en el proceso de optimización y diseño para proporcionar modelos
precisos y cuantificación de la incertidumbre y el riesgo, en lugar de una única evaluación de
estimación, para cualquier parámetro pertinente, incluyendo el VAN del proyecto, los flujos de
efectivo esperados, la cantidad recuperable de mineral y los costos de producción esperados. Esto
proporciona la capacidad de desarrollar un enfoque diferente, técnicamente sólido y basado en el
riesgo para valorar un activo, operación o proyecto, así como cuantificar, y de esta forma minimizar,
el riesgo en la selección de un diseño de pit apropiado.
La Fig. 2 ilustra una evaluación de la incertidumbre para un parámetro que puede, por ejemplo, ser
las reservas de mineral en una mina de oro. La contabilidad de la incertidumbre requiere su
cuantificación precisa; por lo tanto, el trabajo técnico y la evaluación deben enfatizar el modelado
preciso y la cuantificación de la incertidumbre y el riesgo, no una estimación única o una evaluación
de tipo cualitativo. La capacidad técnica de modelar la incertidumbre de forma cuantitativa con la
mayor precisión posible con la información disponible en un momento dado es de suma
importancia. Las tecnologías de simulación condicional ofrecen un primer paso clave en el modelado
del riesgo geológico y se analizan a continuación.

Modelos de grado de incertidumbre para el entorno industrial

La simulación condicional (CS) es un enfoque de simulación de tipo Monte Carlo17 desarrollado para
modelar la incertidumbre en atributos distribuidos espacialmente, como las características
pertinentes de los depósitos minerales. La idea es generar realizaciones (representaciones)
igualmente probables de la ley del cuerpo mineral in situ y la variabilidad del tipo de material. Todas
las realizaciones del yacimiento se basan y reproducen los datos disponibles, su distribución y
continuidad espacial, así como cualquier otra información disponible para el depósito y el atributo
bajo consideración. Una gran colección de depósitos condicionalmente simulados captura la
incertidumbre sobre el yacimiento y el atributo de interés. Los ejemplos del enfoque y las
comparaciones con el modelado de yacimientos tradicionales se pueden encontrar en otra parte.18

Un cuello de botella para las tecnologías de simulación condicional y su uso en la industria es la

velocidad y la eficiencia de la informática. A pesar de los avances en las tecnologías informáticas
disponibles en computadoras de escritorio, simular un cuerpo mineralizado representado por varios
millones de nodos por realización (por ejemplo, grandes yacimientos pueden requerir hasta 108
nodos) no es una tarea rápida y sencilla que pueda realizarse de manera rutinaria. Una complicación
adicional es que las realizaciones se generan en un soporte cuasi-puntual y se "rebloquean" con los
tamaños de bloque necesarios para diversas tareas, como la optimización de pit y los estudios de
programación de producción. Aquí se describen dos nuevas implementaciones de simulación
condicional. Ambos han sido desarrollados para satisfacer las necesidades de la industria de
eficiencia computacional y aplicaciones con requisitos de memoria finita.

La simulación gaussiana secuencial generalizada o GSGS, 19 es una forma general de la conocida

simulación Gaussiana secuencial o SGS.20 GSGS reemplaza el proceso secuencial nodo por nodo en
SGS con un grupo de nodos y la simulación se lleva a cabo para grupos de nodos simultáneamente.
El método capitaliza el hecho de que, en la práctica, la cuadrícula de simulación suele ser grande y
densa, lo que generalmente conduce a la superposición de vecindarios entre los nodos más
cercanos. Los fundamentos teóricos del enfoque se basan en la descomposición grupal de la
distribución de probabilidad condicional del atributo considerado y la equivalencia de SGS con el
método de simulación basado en la denominada descomposición LU de la matriz de covarianza. El
algoritmo GSGS para una grilla de N nodos divididos en k grupos de nodos procede de la siguiente
manera:

(1) define un camino visitando cada grupo de k nodos de la grilla;

(2) encuentre un vecindario para el grupo actual;

(3) generar los valores simulados del grupo actual utilizando el método LU;

(4) agregue los valores simulados del grupo actual en el conjunto de datos; y

(5) bucle hasta que se simulen todos los grupos, por lo tanto, nodos de cuadrícula.

Dependiendo del diseño de los grupos de nodos frente a la cantidad de datos de acondicionamiento
en el vecindario, el método es hasta diez veces más rápido que el algoritmo punto a punto de SGS
más tradicional. Además, el algoritmo GSGS es menos exigente en términos de requisitos de
memoria.

Tenga en cuenta que, si el número de puntos en el grupo es uno, GSGS es idéntico a SGS, mientras
que si todos los nodos pertenecen a un grupo, GSGS es idéntico al método de simulación LU.

Aunque es sustancialmente más eficiente que los enfoques tradicionales, el algoritmo aún puede
mejorarse considerablemente. Considere, por ejemplo, un dominio grande donde millones de
valores de nodo simulados deben ser retenidos como información condicional. Los requisitos de
memoria son enormes, sin mencionar las pérdidas de rendimiento debido al aumento de los
tiempos de búsqueda. Para abordar estos problemas, se puede desarrollar un método de simulación
de soporte de bloque directo sobre la base de algunas de las ideas del algoritmo GSGS.
Específicamente, se desarrolla un método de simulación directa de bloques de modo que después
de la simulación de los puntos internos de cada bloque (grupo de nodos en GSGS) se calcula el valor
de bloque simulado y los valores de los puntos se descartan. El valor de bloque simulado se agrega
luego al conjunto de datos de acondicionamiento. Para integrar los datos de acondicionamiento de
soporte de bloque, el algoritmo se desarrolla en términos de una simulación conjunta.21 La segunda
variable se refiere a los valores de bloque derivados secuencialmente a lo largo del proceso de
simulación. El algoritmo proporciona los medios para simular varios cientos de bloques por segundo
y es sustancialmente más rápido que cualquier punto de simulación condicional combinado con
rebloqueo.
La Fig. 3 (a) muestra un conjunto de datos de 255 muestras usadas para simular 780 leyes de bloque.
Se generaron dos imágenes de simulaciones condicionales para permitir la comparación. La primera
imagen se basa en la simulación de puntos seguida de un nuevo bloqueo de 10x10 nodos y se
muestra en la figura 3 (b). La segunda imagen de simulación mostrada en la Fig. 3 (c) se genera
utilizando el enfoque de simulación de bloque directo analizado anteriormente, el mismo tamaño
de bloque que antes y 100 puntos en cada bloque. La simulación de bloques directos redujo el
tiempo de procesamiento de la simulación de puntos tradicional en aproximadamente 2000 nodos
por segundo. La reproducción de las estadísticas de datos no se ve afectada y es idéntica en los dos
casos. Para comparar el enfoque punto por punto y luego el de rebloqueo con la simulación de
bloques directos más eficiente, la Fig. 4 presenta los variogramas de los dos enfoques de simulación
en la escala de soporte del bloque y se calcula para cinco realizaciones. La comparación con el
modelo de variograma correspondiente sugiere que los dos enfoques reproducen la continuidad
espacial de las leyes igualmente bien.

El método de simulación de bloque directo es sustancialmente más rápido que la simulación punto
por punto, más eficiente en términos de requisitos informáticos y confiable en términos de
reproducción de las estadísticas de muestra. Una ventaja adicional es la capacidad de simular
modelos con diferentes tamaños de bloques y formas, que a menudo se requiere para cumplir con
la complejidad geométrica de los dominios geológicos típicos.

Evitar opciones únicas y posiblemente precisamente incorrectas: cuantificación de la

incertidumbre geológica en ejemplos
La disponibilidad de tecnologías de simulación condicional permite la integración de la
incertidumbre geológica en los estudios de optimización y la toma de decisiones relacionadas. Esto
difiere del modelo de estimación de leyes tradicional utilizado en los estudios de optimización de
pit. Los siguientes ejemplos dilucidan las diferencias.

Los ejemplos proporcionados aquí se tomaron del estudio de optimización de un depósito de oro
típico de brecha de cuarzo de baja ley epitelizado, diseminado y de baja ley, alojado en rocas y
sedimentos volcánicos de félsico intermedio. El fresado libre y los minerales refractarios se
extraerán mediante métodos a cielo abierto. El mineral se procesará a través de una planta de
procesamiento de carbono en lixiviación, con un circuito de flotación agregado para el mineral
refractario. La cuestión de la incertidumbre geológica y el riesgo en las expectativas de diseño,
planificación y producción se ve acentuada por la baja calidad de la reserva de mineral y un precio
variable y deprimido del metal. El ejemplo comienza con la forma tradicional de optimización de pit,
en la que se utiliza un modelo de yacimiento estimado del depósito para producir un diseño.
Posteriormente, se desarrollan 50 realizaciones del depósito para cuantificar el riesgo geológico
para el diseño de mina dado y el plan de mina a largo plazo. Esto se implementa reemplazando el
modelo de yacimiento estimado con cada una de las 50 simulaciones y volviendo a ejecutar la
optimización, mientras que los otros parámetros mineros y económicos se mantienen de la misma
manera.
La Fig. 5 muestra el análisis del valor actual neto. Las simulaciones del Orebody han producido una
gama de resultados financieros, que en este ejemplo contrasta con la estimación única esperada del
enfoque tradicional. Se muestra que el VAN del proyecto varía drásticamente, con
aproximadamente el 80% de los resultados que cubren un rango de $ Aus. 5 000 000. Se muestra
que el resultado del VAN del enfoque tradicional es más alto que el cuantil 95 de la distribución, es
decir, hay un 95% de probabilidad de que el proyecto arroje un VAN inferior al predicho por el
modelo estimado del cuerpo mineral. El VAN mediano de las simulaciones condicionales es $ Aus.
16 000 000, aproximadamente un 25% más bajo que lo que indica el modelo estimado; y el peor
escenario de las simulaciones tiene un VAN 45% más bajo que el cuerpo mineral estimado. La Fig. 6
muestra la distribución del VAN del proyecto más claramente y resume la distribución del posible
VAN del proyecto para el diseño del pit considerado.
El costo de producción operativo se puede citar como un punto de referencia cuando se comparan
los proyectos de extracción de oro. La figura 7 muestra la incertidumbre geológica y el riesgo
integrados en el costo de producción esperado por onza de oro producido a partir del depósito
considerado aquí y el diseño de la mina dada. El análisis en la Fig. 7 muestra que es muy probable
que el costo de producción por onza de oro se subestime desde el modelo de ley de krigeado. Sin
embargo, la pequeña gama de resultados proporcionaría la confianza de que el costo de producción
para el proyecto no excederá $ Aus. 463 / oz de oro. Esta puede ser una información cuantitativa
muy útil si la empresa involucrada en el proyecto es sensible a la variación del costo de producción.
El costo por onza se muestra en la figura 7 en términos de caparazones de pits anidados para
comparar con la tabla de NPV. Tenga en cuenta que el rango, o la extensión, del costo por onza de
resultados es bastante constante en todas las capas de optimización de pit. Esto muestra que el
costo de producción es insensible al tamaño del rajo abierto y no se mejora significativamente al
aumentar la escala de la operación minera. El costo por onza en un período o anual también podría
calcularse para investigar el perfil de costos a lo largo del tiempo.

Los parámetros físicos de las toneladas de mineral extraído y molido son también importantes
fuentes de riesgo, particularmente en los primeros años de un proyecto. El riesgo de diseñar y
construir una planta inadecuada para el suministro de mineral disponible se comprenderá mejor
cuando se conozca la incertidumbre en la cantidad y grado de alimentación. Como ejemplo, se
analizó la incertidumbre en el grado de alimentación del molino de una planta de oro. El análisis en
la Fig. 8 es el grado promedio de alimentación del molino durante la vida del proyecto. La figura
muestra un amplio rango de posibles grados de avance promedio para el proyecto, información útil
para diseñar una planta de procesamiento.

El compañero conjugado al grado de alimentación del molino es el tonelaje de mineral, que se

muestra en la Fig. 9. Las realizaciones simuladas muestran un tonelaje total de mineral
consistentemente más bajo, un promedio de 12.5% en comparación con el modelo krigeado. El
grado variable y el menor tonelaje de la alimentación del molino indicados por las realizaciones
simuladas sugieren que este proyecto tendrá dificultades para lograr el rendimiento programado
del molino y el grado de alimentación durante la vida útil de la mina si se basa en el modelo kriging.
El menor tonelaje de mineral indicado en las simulaciones puede sugerir un cambio de diseño para
la planta de procesamiento.

Además del análisis de sensibilidad sobre los parámetros del proyecto clave de "vida útil de la mina",
se puede cuantificar la incertidumbre geológica en el cronograma de producción de la mina.
Considera, por ejemplo, el DCF para una mina calculado para períodos de producción de tres meses.
¿Qué variación se espera que surja de un cronograma de producción DCF debido a la incertidumbre
geológica en el modelo de estimación de reservas de mineral? ¿Hay períodos de mayor riesgo y
cuándo ocurren dichos períodos? La Fig. 10 demuestra la incertidumbre en DCF trimestral, en
comparación con la estimación única utilizada en las Figs. 8 y 9. La Fig. 10 muestra que el flujo de
efectivo anticipado para esta reserva móvil tiene una probabilidad razonable de materializarse para
los períodos contables durante los primeros dos años de este proyecto. Es más probable que los
flujos de efectivo sean menores a los previstos, pero existe una pequeña probabilidad de que los
flujos de efectivo realmente excedan las expectativas durante los primeros dos años. La
probabilidad de que el último año de producción alcance el flujo de caja pronosticado es muy baja;
es mucho más probable que el DCF durante el último año (períodos 8-12) sea negativo. La
distribución del flujo de caja en el período 10 se muestra como una función de densidad de
probabilidad en la figura 11.
La variación en los resultados del DCF, que se muestra en la Fig. 10, destaca los períodos de alto
riesgo durante la vida del proyecto. La distribución de DCF para un solo período, que se muestra en
la Fig. 11, cuantifica el riesgo de flujos de efectivo negativos en las últimas etapas de este
cronograma de producción. Tener acceso a dicha información antes de la minería es un activo
valioso cuando se determinan parámetros clave como el tamaño final del proyecto y el perfil de
riesgo para esa vida.

Conclusiones
La incertidumbre geológica como un elemento en los parámetros clave de los proyectos de minería
a cielo abierto se puede cuantificar mediante simulación condicional combinada con estudios de
optimización a cielo abierto. Tener una evaluación precisa de la incertidumbre derivada de la
variabilidad de leyes en la reserva de mineral permite que el riesgo en un proyecto de minería se
cuantifique y considere en los procesos de toma de decisiones. Este conocimiento agrega valor a un
proyecto antes de que la reserva de mineral se agote y antes de que el capital de desarrollo se
comprometa con el proyecto. Las tecnologías de simulación condicional proporcionan algunas
respuestas sobre qué tan bien se conoce el proyecto y, en particular, el yacimiento. El desafío es
usar las tecnologías actualmente disponibles, incluidas las simulaciones condicionales, de una
manera adecuada para operar minas, así como desarrollar nuevas tecnologías que mejoren la
capacidad técnica para modelar y cuantificar la incertidumbre y el riesgo con precisión. Las mejoras
futuras de las tecnologías de simulación actuales deberían incluir métodos que sean
computacionalmente eficientes y también capaces de simular cuerpos de mineral altamente
complejos dentro de las limitaciones del entorno industrial. Un punto adicional que debe destacarse
es que los enfoques de optimización tradicionales, no basados en el riesgo, pueden no proporcionar
evaluaciones promedio de indicadores clave del proyecto o diseños verdaderamente óptimos en
presencia de incertidumbre geológica. Al avanzar de las actuales prácticas de optimización y sus
limitaciones, se necesita una mayor integración técnica de la incertidumbre en los algoritmos de
optimización para mejorar la interacción y la eficacia de la optimización a cielo abierto y la
evaluación de riesgos.

Reconocimiento
Referencias

1. Lane K. Optimization: ¿es el mejor? En Optimizing with Whittle, planificación estratégica de la

mina (Box Hill, Vict .: Whittle Programming, 1999), 1-7.

2. Lerchs H. y Grossmann L. Diseño óptimo de minas a cielo abierto. Trans. CIM, LXVII, 1965, 17-24.

3. Whittle J. Beyond optimización en diseño a cielo abierto. En Proc. Conf. Canadiense Aplicaciones
informáticas en las industrias mineras, (Rotterdam: Balkema, 1988), 331-7.

4. Whittle J. Una década de planificación y optimización de minas a cielo abierto: el arte de convertir
los algoritmos en paquetes. En APCOM '99 (Golden: Colorado School of Mines, 1999), 15-24.

5. Rendu J-M. Simulaciones geoestadísticas para la evaluación de riesgos y la toma de decisiones: la

perspectiva de la industria minera. En Int. Symp. minería de simulaciones geoestadísticas: modelos
de incertidumbre, análisis de riesgos y optimización de operaciones mineras. CD, Bryan Research
Centre, Brisbane, Australia, 1999. ISBN 186 499 3855

6. Dowd P. Evaluación de riesgos en estimación de reservas y planificación a cielo abierto. Trans.

Instn Min. Metall. (Sec. A: Min. Industria), 103, 1994, A148-54.

7. Rossi M.E. y Camacho J. V. Usar una reconciliación significativa para evaluar los modelos
predictivos. Trans. Soc. Min. Reunió. Explor., 308, 2000, 78-82.

8. Dimitrakopoulos R. Algoritmos de simulación condicional para modelar la incertidumbre del

yacimiento en la optimización a cielo abierto. En t. J. Surface Mining Reclamation Environment, 12,
no. 4, 1998, 173-9.

9. Dowd P. Riesgo en proyectos de minerales: análisis, percepción y gestión. Trans. Instn Min. Metall.
(Sec. A: Min. Industria), 106, 1997, A9-18.

10. Manfrino A. Impacto de zonas de alto riesgo en límites óptimos: un estudio de sensibilidad en
un depósito de oro. En Int. Symp. minería de simulaciones geoestadísticas: modelos de
incertidumbre, análisis de riesgos y optimización de operaciones mineras. CD, Bryan Research
Center, ISBN 186 499 3855, Brisbane, Australia, 1999.

11. Ravenscroft P. J. Análisis de riesgo para la planificación minera mediante simulación condicional.
Trans. Instn Min. Metall. (Sec. A: industria mínima), 101, 1992, A104-8.

12. Smith M. y Dimitrakopoulos R. Influencia del modelado de depósitos en la programación de la

producción minera. En t. J. Surface Mining Reclamation Environment, 13, 1999, 173-8.

13. Amram M. y Kulatilaka N. Real options: gestión de la inversión estratégica en un mundo incierto
(Harvard: Harvard Business School Press, 1999), 246 p.
14. Moel A. y Tufano P. Licitación para la mina Altamina: valoración e incentivos en un contexto de
opciones reales. Harvard Business School, nota 297-054 / 297-055, 1998.

15. Vallee M. Recursos minerales + ingeniería, viabilidad económica y legal = reserva de mineral.
CIM Bull., 90, 2000, 53-61.

16. Rossi M. y Parker H. M. Estimando reservas recuperables: ¿es inútil? En Dimitrakopoulos R. ed.
Geoestadística para el próximo siglo (Dordrecht: Kluwer, 1994), 259-76.

17. Halton J. H. Una encuesta retrospectiva y prospectiva del método de Monte Carlo. En Zemanian
A. H. ed. S.I.A.M. Review, 1970, 1-63.

18. Dimitrakopoulos R. Incertidumbre del cuerpo, evaluación del riesgo y rentabilidad en reservas
recuperables, selección de mineral y planificación minera. WH Bryan Mining Geology Research
Centre, Brisbane, Australia, 2000.

19. Dimitrakopoulos R. y Luo X. Simulación gaussiana secuencial generalizada. Mates. Geol., 2002,
en prensa.

20. Journel A. G. Incertidumbre de modelado: algunos pensamientos conceptuales. En

Dimitrakopoulos R. ed. Geoestadística para el próximo siglo (Dordrecht: Kluwer, 1994), 30-45.

21. Verly G. Cosimulaciones gaussianas secuenciales: un método de simulación que integra varios
tipos de información. En Soares A. ed. Geoestadística Troia '92 (Dordrecht: Kluwer, 1993), 543-54.