Es bastante común, en el proceso de evaluación de yacimientos, encontrar varias especies de interés asociadas en un mismo cuerpo mineralizado, generalmente una ellas es más importante que las demás. Usualmente la variable más importante, que en este caso de estudio es el cobre total (CuT), es informada en todas las muestras obtenidas, mientras que la variable secundaria, en este estudio el cobre soluble (CuS), solo se analiza en ciertas zonas, a menudo las de más altas leyes de la variable primaria. Esta decisión genera un sesgo en la distribución de la variable secundaria y en la distribución bivariable conjunta (CuT-CuS). Esto produce ciertas dificultades en el proceso de simulación, ya que estos métodos usan como información de entrada, las distribuciones (histogramas) de ambas variables, por ende, si esta no son representativas, es decir, si presentan sesgo debido al muestreo preferencial, los resultados obtenidos de la simulación reflejaran estos sesgos. En esta memoria de título se presentan la metodología de una corrección de la distribución sesgada de cobre soluble, a partir de la distribución bivariable y las distribuciones de cobre total, enfatizando principalmente en dos aspectos: cómo cambian los resultados en la medida que el sesgo aumenta, y por otro lado, cómo cambian los resultados al aumentar o disminuir el grado de refinación con el cual se realiza la corrección. Los resultados muestran que la corrección propuesta de la distribución sesgada, corrige el efecto del muestreo preferencial, en cuanto a estadísticas básicas, variabilidad espacial, distribución de valores tanto en CuT como en CuS, etc. Por esta razón, la corrección se considera exitosa, ya que estimaciones hechas a partir de distribuciones no corregidas sobrestiman los recursos del yacimiento hasta en un 100% para algunas leyes de corte. Sin embargo, analizando los tonelajes reportados en las realizaciones se puede ver que, para una ley de corte que pertenezca a una de las clases que se vieron sesgadas, los tonelajes informados son levemente mayores que en el caso insesgado. Por el contrario, para leyes superiores a las clases sesgadas, el tonelaje medio informado es menor al caso sin sesgo. El suavizamiento de la distribución sesgada parece ser necesario solo en casos extremos en que el sesgo sea excesivo o se tengan muy pocos datos para aplicar la corrección. El suavizamiento depende fuertemente de la decisión del usuario en cuanto al ajuste del histograma experimental y por esto los resultados pueden ser bastante distintos dependiendo de esta elección.