La gestión de los riesgos asociados a la incertidumbre sobre la calidad de

las reservas de mineral: un estudio de caso sobre un yacimiento de cobre

pórfido EN CHILE

RESUMEN

Decisión de inversión para los grandes proyectos de minería implica un enorme

riesgo financiero y, por lo tanto, requieren de una metodología de evaluación de
riesgos más complejas teniendo en cuenta todas las fuentes de incertidumbre de
cada proceso en la cadena de valor del proyecto. Generalmente, las principales
fuentes de riesgo son aquellas relacionadas con la incertidumbre sobre el grado y
otras variables de técnicos del depósito mineral. En este estudio, la simulación
condicional es aplicada para desarrollar un modelo de gestión de riesgos para
cuantificar y gestionar el riesgo financiero asociado a la incertidumbre sobre el
grado del depósito mineral. El modelo fue validado en el estudio de caso sobre un
yacimiento de cobre pórfido real en Chile.

INTRODUCCIÓN

Las metodologías convencionales para evaluar los recursos minerales [1] se basan
en valores constantes, como grado y el tonelaje, sin tener en cuenta las
incertidumbres relativas a estas estimaciones ni el impacto económico sobre el
"downstream" los procesos de la
cadena de valor del proyecto.
Se desarrollaron técnicas geostadísticas por Matheron Journel [2] y [3] en el 1970,
pero debido a la limitada capacidad computacional de ese momento, su
aplicación se limitaba al control de calidad de los estudios, problemas
operacionales y la planificación a corto plazo [4, 5]. En los años noventa, el
desarrollo de proyectos mineros gigante de mineral marginal, destacó la
importancia de evaluar la incertidumbre y el riesgo asociado con el grado, el
tonelaje de mineral y otras variables del proyecto intrínseca. Varios autores como
Ravenscroft Berckmans [6],[7] y Armstrong, Dimitrakopoulos et al [8], y Dowd y Dare-
Bryan Dowd [9] sugiere diversos modelos matemáticos para evaluar la planificación
de la mina asociado con riesgos e incertidumbres de recursos

En 2002, Dimitrakopoulos et al. [8] aplica simulación condicional para el estudio de

la incertidumbre intrínseca de las variables relacionadas con la geología, con el
objetivo de desarrollar la planificación de la mina opciones vinculadas a la
incertidumbre geológica. También en 2002, Dowd y Pardo-Igúzquieta [10], subrayó
la creciente utilización de simulación condicional geoestadística como una
herramienta para analizar el riesgo asociado con los recursos minerales.
Posteriormente en 2005, Dowd y Dare-Bryan [9] Se encontró que los métodos
tradicionales de planificación de mina no permitir para la gestión del riesgo de
incumplimiento y presentó una nueva metodología para integrar el riesgo en el
proceso de planificación, estimación de cada bloque de grado y la probabilidad
de que el bloque de grado será mayor que la calidad de corte. En 2011,
Dimitrakopoulos [12] ha desarrollado una nueva forma de integración estocástica
de simulación y optimización en la planificación de la mina, que incorpora la
incertidumbre en el diseño de mina, plan de producción y valoración de proyectos
de minas.

Los problemas de riesgo en las decisiones de inversión minera han sido estudiados
por Nicholas et al [15], quien se centró en la necesidad de integrar los procesos de
evaluación técnica (por ejemplo, el muestreo, la estimación del recurso, la
planificación, las operaciones) y el modelo económico del proyecto minero en un
único marco de evaluación. El mismo problema fue abordado por botín et al [16],
con el desarrollo del proyecto minero (Gestión del Riesgo) marco MPRM. En
términos generales, la metodología MPRM se centra en identificar y caracterizar los
parámetros más relevantes de la incertidumbre asociada a cada proceso en El
proyecto para desarrollar en última instancia de la cadena de valor incertidumbre
modelos que identifican reducir riesgos asociados a niveles que puedan ser
aceptables para los inversores. En esta metodología, la cuantificación del riesgo
con respecto a una determinada fuente de incertidumbre puede hacerse
comparando un caso básico (con riesgo) con otros escenarios exenta de riesgo,
utilizando herramientas de simulación estocástica, árboles de decisión, la
valoración de las opciones reales, u otros métodos. El modelo desarrollado a
continuación está basado en la metodología MPRM.

En resumen, el problema de la integración de factores de riesgo en el proceso de

planificación de minas ha experimentado avances importantes. Sin embargo, la
inmensa mayoría de los esfuerzos de investigación se han centrado en el desarrollo
de modelos de incertidumbre y su efecto en la planificación de la mina, sin
considerar la gestión de los riesgos resultantes, ni su impacto en la factibilidad del
proyecto y las decisiones de inversión.

A continuación, en el presente documento, una metodología para cuantificar y

gestionar la toma de riesgos asociados con el grado de incertidumbre es
desarrollado. Por último, el modelo es validado en un estudio de caso real
aplicación.
 GESTIONAR EL RIESGO ASOCIADO CON EL GRADO
DEL DEPÓSITO MINERAL

La metodología propuesta aquí (Figura 1), tiene como objetivo desarrollar un

modelo de riesgo financiero incorporando las incertidumbres relacionadas con el
mineral de grado del cuerpo.

I-La preparación y el análisis de datos

II-Modelo de simulación condicional de grado

III-Diseño y planificación de producción de minas

IV-Proyecto de modelo economía

V-Modelo de gestión cuantitativa del riesgo

Figura 1. Metodología general del modelo de gestión cuantitativa del riesgo.

"Preparación de los datos" (fase I), "Diseño y planificación" (Estadio III) y "Modelo
Económico" (estadio IV) se realiza de acuerdo a la práctica estándar en la
evaluación de la viabilidad de un proyecto minero. Por lo tanto, este documento
se centrará principalmente en la descripción de los estadios II y V, donde se realiza
la simulación condicional geoestadística (Fase II) y el cuerpo de mineral de grado
modelo de bloque se caracteriza mediante un modelo probabilístico. En la etapa
III, el grado de incertidumbre se transfiere desde el modelo de bloque para el plan
de producción, y en la etapa V, el modelo de flujo de efectivo del proyecto es
desarrollado. Los impactos sobre las finanzas se estiman utilizando el VAR (Valor en
Riesgo). Se cuantifica en función del grado de la incertidumbre del modelo y
"tolerancia de riesgo" en la cuantía necesaria.

Durante la preparación de datos (Fase I), los principales datos recogidos son
procesados y validados a partir de la exploración y la investigación de los
yacimientos. Durante esta etapa, se aplican técnicas de análisis estadístico para el
estudio de la distribución espacial de los datos, la densidad de la perforación
Patrones, las litologías presentes, y geotécnicos y propiedades de masa de rocas.
Varios otros métodos estadísticos son usados para el aseguramiento de la calidad
de los datos para determinar los errores y /o atípicos. También en esta fase, el
análisis se realiza variographic y el variograma derivado, en función de los datos
disponibles. Esto encaja variograma teórico, que permite la interpretación de la
continuidad espacial del grado.
La etapa II es una parte clave de la investigación. Aquí, los modelos probabilísticos
son desarrollados para el estudio de la variable riesgo (unidad de grado de bloque
en el mineral del cuerpo). Para ello, la simulación condicional geoestadística
aplicados para evaluar el grado de incertidumbre, donde unos conjuntos de
valores de grado probable igualmente se generan para cada bloque de la unidad
de mineral en el cuerpo. El método de simulación condicional elegido es el método
secuencial gaussiana, el grado en que los valores se transforman en una
distribución gaussiana con una media de cero y una desviación estándar. A
continuación, estos datos se utilizan para realizar el análisis variographic función
gaussiana aleatoria y simulación. Por último, las transformaciones inversas
gaussianas se aplican en orden para regresar a la variable original.

En la etapa III, el último diseño de boxes y un plan a largo plazo para que se
desarrolle el proyecto. Esto se realiza aplicando el estado de arte diseño para
planificación de mina, utilizando el algoritmo Lerchs-Grossman [17] y el algoritmo
de planificación secuencial propuesto por Whittle [18] y utilizando un adecuado
paquete de software general de minería comercial.
En la etapa IV, el plan a largo plazo generados en la etapa III se utiliza para generar
una programación de producción por períodos de importancia económica (por
ejemplo, trimestres) y la utilización de estos períodos, un "caso base" el modelo de
flujo de efectivo para la evaluación financiera del proyecto es desarrollado.
En la etapa IV, los conjuntos de bloque de la unidad de cuerpo de mineral
estimaciones grado.

Generalmente, la distribución logarítmico-normal (ver la ecuación 1), se aplica

para expresar el comportamiento de grado y otras variables regionalizadas.

1 1 (𝑙𝑜𝑔𝑦−𝑢)2
G(y) = exp (− );𝑦 >
√2𝑛 𝑦 2𝑎 2

(Donde, μ y σ son la media y la desviación estándar del logaritmo natural de la

variable),
el modelo de riesgos cuantitativos (etapa V), se basa en métodos y criterios para
la toma de decisiones bajo riesgo [13, 14], específicamente en el criterio de la
"Utilidad esperada". Según este criterio [13], la toma de decisiones es equivalente a
elegir entre alternativas, donde una alternativa es una relación que mantiene un
resultado x_i con su probabilidad de ocurrencia P_i. Sobre esta base, teoría de la
utilidad se basa en dos principios fundamentales que se refieren a:
Esperanza de Vida: Cuando la utilidad total de un escenario, denotado por U es la
suma de las previsiones de utilidades de alternativas, ponderado por sus
probabilidades.

U(X1P1;…… XnPn)=P1U(X1)+⋯+PnU(Xn)…………………….(2)
Aversión al riesgo: Cuando u es cóncavo (u'' <0). La aversión al riesgo es una
preferencia de un "cierto" alternativa (x) a cualquier alternativa arriesgada cuyo
valor esperado es x.
Por lo tanto, el valor esperado criterio es aplicable donde es posible calcular las
probabilidades para cada uno de los resultados posibles. En este enfoque, que se
adopte una decisión, comparando el valor esperado obtenidos (p. ej. "Caso Base")
con un escenario definido como "seguros" o
Aversión al riesgo: Cuando u es cóncavo (u'' <0). La aversión al riesgo es una
preferencia de un "cierto" alternativa (x) a cualquier alternativa arriesgada cuyo
valor esperado es x.
Por lo tanto, el valor esperado criterio es aplicable donde es posible calcular las
probabilidades para cada uno de los resultados posibles. En este enfoque, que se
adopte una decisión, comparando el valor esperado obtenidos (p. ej. "Caso Base")
con un escenario definido como "seguros" o tener un riesgo aceptable.

CASO DE ESTUDIO

Este estudio de caso fue desarrollado a partir del proyecto de cobre Gabriela
Mistral, ubicado en el norte de Chile, a 220 km. al este de la ciudad de Antofagasta.
El proyecto empezó a funcionar en 2010 y en 2012 alcanzó una producción de
150,000-170,000 toneladas de cobre por año. Implica la explotación de un
yacimiento de cobre pórfido (600 millones de toneladas de óxidos de cobre mineral
0.41% Cu) mediante la minería a cielo abierto convencional.
El estudio de caso fue desarrollado usando taladro datos del proyecto, por lo tanto,
se considera determinados valores, como el promedio de grado o reservas
explotables son diferentes a la realidad, aunque no es la intención de replicar el
proceso de estimación de recursos en su totalidad. Asimismo, varias hipótesis y
simplificaciones fueron hechas, pero no restringe la validez de la metodología o
conclusiones. En este sentido, no se ha intentado generar un plan óptimo, pero un
plan básico que reúne el material extraído y las limitaciones en materia de
alimentación de mineral a la planta. Como un paso necesario, la validación se
produce mediante la generación de un modelo de riesgo cuantitativo, que es el
objetivo fundamental de este estudio de investigación. Además, el estudio también
examinó una versión simplificada del flujo de efectivo suficiente para validar el
modelo propuesto de
los datos utilizados para el estudio fueron obtenidos de registro básico de 54
taladros. Estos datos se obtuvieron del registro básico, preparación de muestras y
ensayos almacenados en bases de datos. Este núcleo de datos fue compuesto
para producir un total de 3,802 muestras de núcleo que eran iguales a 3 m de
longitud y cada núcleo muestra representaba un punto de datos con información
sobre las tres coordenadas, cobre grado y de la litología. Los datos se clasifican en
tres grupos según la litología de la similitud en grado de cobre. Estos grupos son: la
litología.
Grupo 1: Breccia hidrotermal (BHI), pórfido Granodiorita (PG) y Granodiorita (GD)
Grupo 2: finales de pórfido (PT); la biotita (BIG)
 Grupo 3: Feldespato (FMDI).
Las calificaciones para cada litología están resumidas en la Tabla 1 y la Tabla 2
muestra las estadísticas para cada grupo.

Lithologies Cu (%)

BHI 0.441
BIG 0.588
FMDI 0.700
GD 0.459
PG 0.479
PT 0.560

Tabla 2. Las estadísticas del grupo de la litología.

Group 1 Group 2 Group 3

Samples 2,833 463 255

Mean 0.456 % 0.561% 0.700%

Variance 0.227 0.228 0.511

Std. Deviation 0.476% 0.478% 0.715%

Median 0.331% 0.389% 0.476%

Maximum 5.74% 2.96% 6208%

Análisis Variographical

variographical independiente se realizó el análisis para cada variogramas

experimentales y su ajuste. Los datos fue desarrollado y analizado en términos de
estadísticas básicas y la distribución espacial. La tabla 3 muestra los valores teóricos
para cada grupo de litologías. La notación utilizada en la tabla es para los tipos de
estructuras (meseta, grandes, medianas y pequeñas).

Se realizó un análisis Variography para desarrollar un modelo variogram para cada

uno de los tres litologías. Estos modelos se presentan en la tabla 3 donde cada
modelo se caracteriza por la notación: tipo (meseta, grandes, medianas y
pequeñas).
Tabla 3. Variograma litología para cada grupo.

Model de simulación condicional

simulación condicional requiere previa aplicación de la transformación gaussiana

para los datos en bruto, seguido por el VARIGRAMA análisis de los datos (por
ejemplo, gaussiana con media cero y varianza de uno).
En un siguiente paso, secuencial gaussiana simulación condicional fue aplicado
para generar 100 igualmente probables valores de notas para cada bloque de la
unidad de mineral en el cuerpo del modelo en bloque. Validación de los resultados
de la simulación se realiza mediante la comprobación de la representatividad de
los resultados de la simulación del variograma contra el teórico no Gaussianas
variogramas para cada grupo de litologías, donde es posible comprobar que la
simulación son buenos representantes de la no-Gaussiano variogramas
experimentales.

Diseño y planificación de producción de minas

La generación de una dotación económica final (Ultimate pit) y los fosos anidados
se realiza utilizando el algoritmo Lerchs y Grossman y factores de ingresos. Consulte
la Tabla 5 para los parámetros que se consideraron en la evaluación. Pendiente de
boxes propiedades geotécnicas fueron simplificados por considerar sólo un ángulo
de inclinación total.
Tabla 5. Los parámetros de diseño principal de diseño

Parameters Unit Value

Ore Price US $/lb 2.5
Cost of sales US $/lb 0.25
Process cost US $/ton 5.07
Mine cost US $/ton 2.27
Recovery % 82
Overall slope angle ° 48
Density Ton/m3 2.4

Los fosos anidadas usando los ingresos generados fueron factores que varían entre
0,3 a 1,02 veces el precio del cobre. Con la define anidados, los pozos "mejor caso"
y el "peor caso" escenarios son definidos por el tonelaje de mineral (y de los
residuos), grado de recuperación, etc. para cada una de las piscinas, donde
factores Ingresos precio igual a 1.
La figura 4 muestra cada uno de los pozos anidados, el NPV, acumulativo y la
planta acumulado alimento para el "mejor caso" y el "peor caso" de escenarios. En
la Figura 4, los fosos resaltada en colores serán considerados en la selección del
último hoyo. Hoyo 36 tiene la mayor VNA. Por lo tanto, las comparaciones se
realizarán con respecto a ella.

Figura 4. El NPV y producción por trimestres.

La figura 5 muestra el porcentaje de las diferencias con respecto al hoyo 36, en
términos de VNA "mejor caso", toneladas minadas, toneladas de cobre molido y
recuperado. Los resultados del análisis anterior, el hoyo 21 fue seleccionado como
el último hoyo porque, debido entre otras consideraciones que permitió una
reducción del 30% de la vida útil del proyecto y una correspondiente disminución
en el NPV de sólo un 6,5%.
Con las consideraciones económicas y fosos anidados la estrategia de extracción
de fase (conjuntos de boxes) anidados se desarrolló según Tonelaje de mineral
extraído y enviado a la planta. La figura 6 muestra las cinco fases definidas en este
estudio.

Figura 5. Análisis para la elección del último hoyo.

Con la dotación económica y fosos anidado definido, un estudio sobre la
estrategia de extracción en fase se realizó utilizando el software Vulcan. Una
secuencia basada en cinco fases fue desarrollada (se muestra en la Figura 6). Las
fases son concéntricos, donde 1 corresponde a la fase más interno sólido y fase 5
corresponde al exterior-más sólido. Por simplicidad en el caso de estudio, las fases
no se concretan, considerando que esta simplificación es totalmente compatible
con los objetivos y las conclusiones de este estudio.

Figura 6. Los sólidos de las fases estratégicas definidas.

La planificación a largo plazo del modelo económico fue desarrollada por períodos
trimestrales y se basa en la técnica del proyecto y los parámetros económicos, la
máxima tasa de extracción, plan de máxima velocidad de alimentación, la altura
de la banqueta, etc. Además, una ley de corte de 0,162% Cu fue calculada según
la ecuación (3) a continuación, caracterizar mineral y residuos. La secuencia de
extracción fue definida por una secuencia de fase del banco.

Donde:
PC = costo de tramitación
MC = Costo de minería
Rec = Metal Recovery
P = precio del metal
CS = Costo de ventas

Los principales parámetros del plan a largo plazo se presentan en la figura 7. Estos
son: mineral, residuos, extracción total, molino y el grado de concentración del
mineral. Además, como se explicó antes, el grado de cada cuarto período fue
calculado a partir de los resultados de la simulación condicional. Por lo tanto, 100
grado los valores se generan y un modelo de ley mineral probabilístico (log normal)
fue desarrollado para cada trimestre en el plan de producción y se utiliza para
cuantificar el riesgo.

con el plan a largo plazo, los costes operativos y de capital, y otros parámetros
económicos del proyecto un "caso base" se desarrolló el modelo de flujo de
efectivo. En el cuadro 6, un resumen del modelo de flujo de efectivo se muestra. El
cálculo del valor actual neto (NPV) tuvieron una tasa de descuento del 2,41% por
trimestre. El NPV calculado para el caso básico fue de US$1.021 millones.

Tabla 6. 10 años simplificado de flujo de efectivo del Caso Base resumen por años

Año Las Los

inversiones de ingresos netos Costos Operativos Flujo de
capital (kUS$) (kUS$) (kUS$) efectivo (kUS$)
2012 883,23 -883,23
2013 3,992 414,751 269,895 140,864
2014 3,992 909,618 380,418 525,208
2015 3,992 759,112 389,094 366,026
2016 3,992 688,128 389,399 285,737
2017 3,992 694,573 395,325 295,256
2018 3,992 717,913 382,342 331,579
2019 3,992 661,332 370,106 287,234
2020 3,992 711,396 360,919 346,485
2021 3,992 724,589 355,205 365,392
2022 3,992 416,701 212,148 200,561

Modelo de Gestión de riesgos

La gestión de riesgos y modelo de toma de decisiones se basa en la teoría de la
utilidad esperada como se describe en la sección anterior, esta es la definición de
un "escenario sin riesgo". En este estudio de caso, este escenario es donde el riesgo
asociado con el grado de concentración del mineral se encuentra dentro de la
tolerancia de riesgo, el criterio de la empresa.

Para cuantificar el grado de concentración del mineral los riesgos relacionados a

cada período trimestral, 100 valores de ley mineral fueron calculados para cada
trimestre por compounding grado los valores generados por la unidad de
simulación condicional en bloques para ser explotado. Los valores de grado fueron
luego utilizados para elegir un modelo de ley mineral probabilístico para
representar y cuantificar el riesgo. La función logarítmica normal, se considera
adecuado cuando los datos disponibles son escasos [19, 20] y quedó demostrado
que encajan bien en este caso los datos del estudio. Software EASYFIT fue
empleado para el registro normal de ajuste.

Para definir la "libre de riesgo" escenario un percentil es elegida como una medida
de tolerancia al riesgo de cada período. "Sin riesgo" durante el período de ley
mineral se deriva de la log-normal de distribución de probabilidad acumulativa. Por
ejemplo, eligiendo el percentil 10, significa que el 10% de los grados están bajo el
limitado valor para un determinado período de tiempo. Así, el "sin riesgo" ley mineral
se define como el valor de y (grado)

El escenario base elegido para cuantificar el riesgo corresponde al percentil 50. En

otras palabras, el "caso base" ley mineral tendría un 50% de probabilidades de ser
mayor (o menor) de cierto grado. Se está considerando la posibilidad de un riesgo-
actitud neutral. La tabla 8 muestra el VPN y la TIR para el caso básico elegido y la
Tabla 9 muestra las diferencias de grado,
El NPV, IRR entre cada uno de los tres escenarios en comparación con el caso base

Scenario NPV (kUS$) IRR

Percentile 5 655,065 5.88%
Percentile 10 731,32 6.21%
Percentile 15 778,639 6.42%

Figura 8. Grado por trimestre durante tres percentiles de tolerancia al riesgo.

Tabla 7. La IRR y el NPV para cada escenario de tolerancia de riesgo

Tabla 8. El caso base IRR y NVP (Percentil 50).

NPV (kUS$) 1,014,267

IRR 7.38%

Tabla 9. El caso base de escenarios y tolerancia de riesgo

Scenario NPV (kUS$) IRR Abs. Var. Average
NPV grade
Base Case 1,014,267 7.38% - 0.419%
Percentile 5 655,065 5.88% -359,,202 0.379%
Percentile 10 731,32 6.21% -282,946 0.387%
Percentile 15 778,639 6.42% -235,628 0.393%

Partiendo del análisis anterior, la "libre de riesgo" escenario se caracterizó por una
"tolerancia de riesgo" equivalente al percentil 5. Este "sin riesgo" escenario reduce
el van desde US$1,014 millones a US$ millones (un 25.41% de reducción), reduciendo
el grado de concentración del mineral de 0,419% a 0,379%, una reducción del
grado de 9,55%. Esta "tolerancia" nivel de riesgo puede ser considerado como el
peor escenario previsto y una decisión de inversión real de la situación. Sin
embargo, todo esto dependerá de la estrategia de inversión de la empresa minera.
Por lo tanto, la cuantificación del riesgo obtenido es

El valor en riesgo = US$359.2 millones

el resultado antedicho indica que hay un riesgo de perder US$359.2 millones,

debido a la incertidumbre en las leyes de cobre. También representa la forma en
que el grado de incertidumbre puede tener un impacto en el "bottom line" en el
proyecto de modelo de flujo de efectivo. Esta metodología permite que el tomador
de decisión para cuantificar, en términos de flujo de efectivo, el grado de riesgo
de "dependiente" para cada período de planificación trimestral. Por lo tanto, esta
metodología puede ser utilizada como una herramienta eficaz para identificar a
los "objetivos" de reducción de riesgos en la etapa de prefactibilidad de un
proyecto minero.
Por último, es importante señalar que debido a las simplificaciones hechas en este
caso de estudio, los resultados numéricos y riesgo cuantificado sólo debe
interpretarse por "orden de magnitud". Nuestras intenciones eran para desarrollar y
demostrar el valor potencial de esta metodología como una administración.

Conclusiones

Los métodos tradicionales para la evaluación del riesgo de los proyectos mineros
se basan en la evaluación de escenarios y análisis de sensibilidad de variables del
proyecto en función de su relevancia económica. Sin embargo, estos métodos
ofrecen poca información sobre las fuentes originales de la incertidumbre o el
riesgo y, por tanto, son de poca o ninguna utilidad para gestionar el riesgo.
Específicamente en el contexto de la evaluación del riesgo asociado al grado de
concentración del mineral, la práctica habitual es realizar una simulación de Monte
Carlo, en base a la opinión de los expertos sobre los rangos de variación de grado,
que no necesariamente reflejan el grado real de la incertidumbre en el cuerpo de
mineral.
El modelo propuesto en este estudio utiliza técnicas de simulación condicional para
integrar la economía del proyecto con ley mineral incertidumbre para cada
período de producción. En este sentido, la metodología propuesta permite la
incertidumbre sobre el grado de concentración del mineral para ser incorporadas
en cada período de producción del plan minero. El grado del período se
caracteriza por las funciones de probabilidad logarítmico-normal, lo que permite la
cuantificación del riesgo mediante la aplicación de simulación estocástica para el
modelo económico del proyecto. Además, esta metodología permite la
cuantificación del riesgo para cada período en el plan de producción a largo plazo
y, por lo tanto, puede utilizarse como una potente herramienta de gestión de
riesgos para identificar los riesgos y "objetivos" de reducción de riesgos en las etapas
de prefactibilidad de una mina.

El modelo propuesto ha sido validado a través de un estudio de caso real de

aplicación y los resultados han demostrado la validez del modelo, su utilidad en la
gestión de los riesgos del proyecto minero, y la decisión de inversión.
El modelo de gestión de riesgos propuesto en este estudio se centró en la gestión
de los riesgos asociados a la calidad de los yacimientos. Sin embargo, la misma
metodología se aplica a otro riesgo teniendo variables regionalizadas en la roca
de mineral del cuerpo, tales como la densidad, masa de rocas, grindability índices
de calificación, etc., y abre un amplio terreno para futuras investigaciones en el
campo de la minería de los riesgos del proyecto y la decisión de inversión.

Agradecimientos

Agradecimientos especiales a Codelco Chile, para el patrocinio y el apoyo

recibido durante todo el proceso. Los autores también desean reconocer Claudia
Monreal del núcleo de estudios mineros S.A, por la orientación y cooperación.
 Referencias

[1] Dominy, S.C.; Noppé, M.A. y Annels, A.E. Errores e incertidumbre en recursos
minerales y reservas de mineral: estimación de la importancia de acertar.
Exploración y geología minera, 2002, Vol 11, nº 1-4, p. 77-98.

[2] Matheron, G. Las funciones aleatorio intrínseca y sus aplicaciones. Los avances
en probabilidad aplicada, 1973, pp. 439-468.

[3] Journel, A.G. Geoestadística condicional de simulación de yacimientos. La

Geología Económica, 1974, Vol 69, nº 5, pág. 673-687.

[4] Dowd, P. A. Aplicación de dinámica y programación estocástica para optimizar

calidades de corte y tasas de producción. Las transacciones de las instituciones de
la minería y la Metalurgia, 1976.

[5] Dumay, R. simulaciones de explotaciones minières sur modèles géostatistiques

de gisements. 1981. Tesis Doctoral.

[6] Ravenscroft, P. J. Análisis de riesgo para la remoción de la programación

condicionada por simulación. Transacciones de la institución de la minería y la
metalurgia. Sección A. Industria Minera, 1992, vol. 101.

[7] Berckmans, A. y M. Armstrong, geoestadística aplicada al análisis de Monte

Carlo de proyectos mineros. La geoestadística Wollongong, 1997, vol. 96, pág. 743-
754.

[8] Dimitrakopoulos, R.; Farrelly, C. T. y M. Godoy, avanzando desde la tradicional

optimización: grado de incertidumbre y riesgo de efectos en diseño a cielo abierto.
La tecnología de la minería, 2002, Vol 111, nº 1, pág. 82-88.

[9] Dowd, P. A.y Dare-Bryan, P. C. la planificación, el diseño y la optimización de la

producción utilizando la simulación geoestadística. En Actas del Simposio
Internacional sobre depósito mineral modelización estratégica y la planificación de
la mina: la incertidumbre y la gestión del riesgo. Hyatt Regency Perth. 2005, págs.
321-337.

[10] Dowd, P.A. y;Pardo-Igúzquiza, E. La incorporación de la incertidumbre del

modelo de simulación geoestadística. Modelos geográficos y medioambientales,
2002, vol 6, nº 2, pág. 147-169.

[11] M. G. Froyland Merab, Piedra P y Yeates G. Mining Optimización para

programar condicionalmente criaderos simulado. En los procesos de depósito
mineral modelización estratégica y la planificación de la mina - la incertidumbre y
la gestión del riesgo, páginas 357-342, Perth, noviembre de 2004.
[12] Dimitrakopoulos, R. optimización estocástica para remoción de planificación
estratégica: una década de los acontecimientos. Oficial de la minería la Ciencia,
2011, Vol 47, nº 2, pág. 138-150.

[13] Damghani, K.; Taghavifard, M. T. y Moghaddam, R. T. la toma de decisiones

bajo incertidumbre y situaciones peligrosas. En Enterprise Risk Management
simposio Sociedad monografía de Actuaries-Schaumburg, Illinois. 2009.
[14] Riabacke, A. La toma de decisiones gerenciales, bajo riesgo e
incertidumbre.IAENG Revista Internacional de Ciencias de la Computación, 2006,
Vol 32, nº 4, pág. 453-459.

[15] Nicolás, G.D., cobarde, S.J., Armstrong, M. y Galliicholas, A. Evaluación

integrado de minas-Implicaciones para el personal directivo de la mina. En los
procedimientos internacionales de gestión de Minas de conferencia. 2006, págs.
69-79.

[16] el botín, J.A.; Guzmán, R.R. y Smith, M.L. Un modelo metodológico para ayudar
en la optimización y gestión de riesgos de la minería las decisiones de inversión.
Dyna, 2011, Vol 78, nº 170, pág. 221-226.

[17] Lerchs, H. y Grossmann, I.F. Diseño óptimo de minas a cielo abierto.CIM Bulletin,
1965, Vol 58, nº 633, pág. 47-54.
[18] Whittle, J. Una década de mina a cielo abierto de planificación y optimización
- La artesanía de convertir algoritmos en paquetes. En los procedimientos de
APCOM'99: Aplicaciones de la informática en la industria de los minerales: 28
Simposio Internacional, Escuela de Minas de Colorado, Golden, Colorado, 1999,
págs. 15-24.

[19] Journel, A. G. El enfoque logarítmico-normal para predecir la distribución local

de los grados de la unidad de explotación selectiva. Oficial de la Asociación
Internacional de Geología matemática, 1980, Vol 12, nº 4, pág. 285-303.

[20] Krige, D. G. de la partida de valor mineral distribuciones del modelo logarítmico-

normal en las minas de oro sudafricanas. JS Afr. Inst. Minería Metall, 1960, vol. 61,
pág. 231-244.