Han pasado más de una década desde que se propuso la simulación secuencial de indicadores para modelar características geológicas. Debido a su simplicidad y facilidad de implementación, el algoritmo atrae la atención de los profesionales y rápidamente se está volviendo disponible a través de programas de software comerciales para modelar depósitos minerales, yacimientos de petróleo y recursos hídricos subterráneos. Sin embargo, cuando el algoritmo solo utiliza datos de condicionamiento duro, su incapacidad para modelar las características geológicas de largo alcance siempre ha sido objeto de debate en contextos geoestadísticos. Para superar esta dificultad, se puede introducir una o varias piezas de información suave en el proceso de simulación para ayudar a reproducir tales configuraciones a gran escala. En este trabajo se desarrolla un formato alternativo de simulación secuencial de indicadores bayesianos que integra un enfoque de agregación log-lineal mediante la combinación de probabilidades informadas por dos fuentes de información, datos duros y suaves. La novedad de esta técnica bayesiana revisada es que permite la incorporación de varias influencias de datos duros y suaves en el proceso de simulación asignando pesos a sus probabilidades. En este procedimiento, la probabilidad condicional de los datos suaves se puede estimar directamente a partir de los datos de condicionamiento duro y luego emplearse con su peso correspondiente de influencia para actualizar la portabilidad condicional ponderada que se simula a partir de los mismos datos de condicionamiento duro y datos previamente simulados de manera secuencial. Para probar el algoritmo, se presenta un estudio de caso sintético en 2D. Los hallazgos mostraron que los mapas resultantes obtenidos del enfoque revisado propuesto de simulación secuencial de indicadores bayesianos superan a otras técnicas en términos de reproducción de características geológicas de largo alcance manteniendo su consistencia con otras medidas estadísticas locales y globales esperadas.