A classificação de recursos minerais depende do conhecimento do depósito mineral. Tal conhecimento envolve volume, teores, densidade e medições de outras variáveis para ter uma melhor descrição do corpo mineralizado como sua geometria e variação espacial de teores. Como podemos ver, existem diversos dados quantitativos que devem ser apropriadamente analisados para estimar os recursos minerais. A geoestatística é um ramo da estatística que vem sendo utilizado desde a década de 1960 para a avaliação de recursos minerais. A krigagem ordinária se tornou a técnica mais popular na indústria mineral para esse tipo de avaliação porque as estimativas apresentam boa relação com os dados da vizinhança. Além disso, a geoestatística foi a primeira técnica a fornecer uma medida de incerteza associada à estimativa. Essa incerteza nos dá uma ideia sobre o quanto conhecemos do depósito mineral e, portanto, temos que utilizá-la para fins de classificação dos recursos. Durante muitos anos a variância de krigagem foi utilizada para a classificação de recursos minerais. Entretanto, a variância de krigagem não poderia ser utilizada devido à sua natureza homoscedástica, pois depende apenas da configuração espacial entre as amostras. Assim, uma alternativa para o cálculo da incerteza de uma estimativa realizada por krigagem foi proposta e chamada de variância de interpolação. A variância de interpolação depende não só da configuração espacial, mas também dos valores das amostras utilizadas na estimativa. Nesse sentido, essa medida de incerteza foi considerada mais confiável do que a variância de krigagem. Além disso, foi demonstrado que a variância de interpolação poderia ser combinada com o erro real, derivado do processo de validação cruzada para corrigir o efeito de suavização das estimativas realizadas pela krigagem. Essa dissertação examina o uso do erro de suavização para a classificação de recursos minerais. Uma aproximação clássica em geoestatística para a classificação dos recursos minerais é baseada no erro derivado do intervalo de confiança em torno das estimativas da krigagem ordinária. Esses dois métodos foram comparados e verificados com dados exaustivos. O erro de suavização provou ser superior à aproximação clássica para a classificação dos recursos minerais.

Classification of mineral resources depends on the knowledge about the mineral deposit under study. Such knowledge involves volume, grades, density and other measurements made in order to have a better description of the ore body, including its geometry and spatial distribution of ore grades. As we can see there are a lot of quantitative data that has to be analyzed conveniently to estimate the mineral resources. Geostatistics is a branch of statistics that has been used since 60's for mineral resource evaluation. Ordinary kriging is the most popular technique used in the mineral industry for mineral resource estimation because estimates present a good correlation with neighbor data points. Besides, geostatistics was the first procedure concerned to give the associated uncertainty with the estimate. The uncertainty gives an idea about the knowledge about the mineral deposit and therefore we have to consider this variable for the purpose of mineral resource classification. However, the kriging variance could not be used because its homoscedastic nature, that is it only depends on the spatial configuration of neighbor data points. Thus, an alternative uncertainty associated with the kriging estimate was proposed and named as interpolation variance. The interpolation variance depends on both spatial distribution and values of neighbor data points. In this sence, this measure of uncertainty was considered more reliable than the kriging variance. Moreover, it was shown that the interpolation variance could be combined with actual errors derived from the cross-validation procedure to correct the smoothing in kriging. This dissertation examines the use of the smoothing error for mineral resource classification. The classical approach for geostatistical mineral resource classification is based on the error derived from the confidence interval around the ordinary kriging estimate. These two approaches are compared and checked against exhaustive data. The smoothing error proved to be superior to the classical approach for mineral resource classification.