El consumo de ácido en yacimientos con zonas de óxidos superficiales es una variable importante dentro del proceso, ya que una pequeña variación en el porcentaje de minerales como la crisocola, el copper wad, las arcillas de cobre y la atacamita puede aumentar el costo asociado a este consumo y además disminuir la extracción final. Con esto, es clave realizar una buena estimación de las abundancias de minerales, ayudando a tomar decisiones que pueden derivar en el éxito o fracaso económico del proyecto y a reducir los costos de procesamiento. El presente estudio se realizó en el yacimiento Radomiro Tomic, en particular para el banco 28.250 que forma parte de la zona de óxidos superficiales. Dentro de esta zona, se consideró cuatro variables (arcillas de cobre, atacamita, crisocola y copper wad) que corresponden a una asociación de óxidos. Los datos disponibles provienen de pozos de tronadura y corresponden a apreciaciones visuales del porcentaje de presencia dentro de los óxidos, de forma que su medida (entre 0% y 100%) tiene un error asociado debido a su naturaleza cualitativa. Por esta razón, se clasificaron los datos en un número limitado de valores, con lo que se obtuvieron cuatro variables discretas ordenadas. Con la información anterior, se aplicaron dos métodos geoestadísticos (co-kriging y co-simulación) para modelar la distribución de las abundancias de minerales en el banco. Estos métodos se diferencian por cuanto el primero está pensado para estimación de variables produciendo un alisamiento de los valores, mientras que el segundo está pensado para reproducir la variabilidad de las abundancias reales. Ambos están basados en un modelamiento de la correlación espacial de cada variable y de las correlaciones entre variables. Luego, se buscó comparar los dos enfoques, en cuanto a sus capacidades de predecir las abundancias en sectores sin información y de medir la incertidumbre en los valores reales de estas abundancias. Los métodos propuestos presentan tiempos de cálculo disímiles, así como complejidades muy superiores en el caso de la co-simulación, la cual requiere convertir las variables discretas en variables Gaussianas. Sin embargo, a diferencia del co-kriging, la co-simulación permite reproducir la variabilidad espacial de las abundancias de minerales, con lo cual se puede determinar intervalos en donde las abundancias reales son susceptibles de hallarse y tener una mejor idea de los riesgos de tener excesos o deficiencias de ciertos minerales en el proceso metalúrgico. Finalmente la co-simulación es una herramienta muy útil para la producción en el corto plazo, a fin de determinar las mezclas enviadas a planta, pudiendo mejorarse la recuperación y la extracción y minimizar los costos de consumo de ácido y así mejorar las utilidades del negocio.