Face à diversidade de depósitos minerais existentes, a indústria de mineração tem continuamente desenvolvido novas metodologias e definições para classificação dos recursos minerais, sem que exista um consenso para a utilização de um único método. Os métodos mais comuns, aplicados na indústria mineral, são variância de krigagem, restrição da vizinhança de busca e simulações condicionais. Esses métodos geralmente não usam as informações de produção, ficando estritamente dependentes da qualidade e quantidade de informações disponíveis à longo prazo ficando a critério da experiência e julgamento do profissional responsável pela declaração dos recursos. Esse trabalho descreve os resultados do estudo baseado em amostras de produção para definir o espaçamento amostral necessário para suportar a classificação de recursos minerais em projetos semelhantes em sua escala de produção e estilo de mineralização, considerando os intervalos de confiança para tonelagem e teor. A definição de uma malha amostral adequada e os resultados detalhados para classificação dos recursos minerais estão demonstradas em um projeto de mina à céu aberto e um projeto subterrâneo adjacente a uma mina em operação. Este estudo considera um depósito sulfetado (Cu-Au) de uma mina em operação, localizada no norte do Brasil, como fonte de informação análoga. / The varied types of mineral deposits and geological features around the world have led to the creation of a large number of techniques, methodologies, and definitions for mineral resource classification. The most common methods used in the mineral industry include kriging variance, drilling spacing, neighborhood restriction, and conditional simulations. These methods generally do not use the reconciled production information, only long-term borehole information based on a personal judgment for defining confidence intervals/limits on the mineral resource classification. A drilling spacing back-analysis study for defining mineral resource classification has been completed considering the confidence intervals for tonnages and grades related to its respective production volumes, based on short-term production reconciliation of analog deposits. The definition of adequate drill holes spacing and detailed results for classifying mineral resources are demonstrated at an open pit and an underground project adjacent to an existing mining operation. This study considers a Brazilian sulfide deposit (Cu-Au) operating mine as the analogous source of information.

Face à diversidade de depósitos minerais existentes, a indústria de mineração tem continuamente desenvolvido novas metodologias e definições para classificação dos recursos minerais, sem que exista um consenso para a utilização de um único método. Os métodos mais comuns, aplicados na indústria mineral, são variância de krigagem, restrição da vizinhança de busca e simulações condicionais. Esses métodos geralmente não usam as informações de produção, ficando estritamente dependentes da qualidade e quantidade de informações disponíveis à longo prazo ficando a critério da experiência e julgamento do profissional responsável pela declaração dos recursos. Esse trabalho descreve os resultados do estudo baseado em amostras de produção para definir o espaçamento amostral necessário para suportar a classificação de recursos minerais em projetos semelhantes em sua escala de produção e estilo de mineralização, considerando os intervalos de confiança para tonelagem e teor. A definição de uma malha amostral adequada e os resultados detalhados para classificação dos recursos minerais estão demonstradas em um projeto de mina à céu aberto e um projeto subterrâneo adjacente a uma mina em operação. Este estudo considera um depósito sulfetado (Cu-Au) de uma mina em operação, localizada no norte do Brasil, como fonte de informação análoga. / The varied types of mineral deposits and geological features around the world have led to the creation of a large number of techniques, methodologies, and definitions for mineral resource classification. The most common methods used in the mineral industry include kriging variance, drilling spacing, neighborhood restriction, and conditional simulations. These methods generally do not use the reconciled production information, only long-term borehole information based on a personal judgment for defining confidence intervals/limits on the mineral resource classification. A drilling spacing back-analysis study for defining mineral resource classification has been completed considering the confidence intervals for tonnages and grades related to its respective production volumes, based on short-term production reconciliation of analog deposits. The definition of adequate drill holes spacing and detailed results for classifying mineral resources are demonstrated at an open pit and an underground project adjacent to an existing mining operation. This study considers a Brazilian sulfide deposit (Cu-Au) operating mine as the analogous source of information.

A estimativa de recursos minerais é essencial para o propósito de planejamento econômico em qualquer empreendimento mineiro. Além de finalizar os trabalhos de pesquisa mineral, a avaliação de recursos/reservas é a base sobre a qual serão estabelecidos os estudos de viabilidade econômica que se seguem. Atividades como planejamento e otimização de cavas, orientação dos avanços da lavra, projeção de fluxos de caixa, projetos de financiamento e mesmo a operação de plantas de beneficiamento requerem, além da prévia estimativa dos recursos disponíveis, a correta classificação desses recursos. A estimativa e a subseqüente classificação dos recursos em diferentes classes ou categorias, de acordo com as possíveis variações que esses recursos apresentem, devem indicar não apenas os níveis diferenciados de risco envolvidos, mas permitir a elaboração de um modelo que quantifique esse risco. Nesse sentido, a indústria mineira já há muito tempo havia reconhecido e estabelecido padrões para avaliação e classificação de recursos mas agora, com a crescente internacionalização das empresas de mineração, cada vez mais é ressaltada a necessidade do estabelecimento de padrões internacionalmente aceitáveis para essa classificação. Todos os principais sistemas de classificação atualmente em uso compartilham alguns aspectos em comum, baseando a definição das classes de recursos em função da distância de separação entre as amostras e no grau de confiança ou acuracidade associado com os resultados estimados. Apesar de muito claros em termos de estabelecer os critérios geométricos de distância entre amostras e distância máxima de extrapolação, os sistemas de classificação não fornecem definições claras de como esses limites de confiança poderiam ser calculados. Dessa forma, esta dissertação buscou, basicamente, apresentar uma alternativa metodológica que, diante da ineficiência dos métodos até então utilizados, permitisse a incorporação de incertezas às estimativas de recursos e reservas, proporcionando o correto enquadramento nas classes propostas pelos principais sistemas de avaliação e classificação. Com esse intuito, investigou-se a aplicabilidade de técnicas geoestatísticas como krigagem e simulação estocástica, procurando apresentar alternativas e discutir as limitações encontradas. Enquanto a krigagem ordinária permite uma resposta rápida em termos de tonelagem, a avaliação do erro associado à estimativa requer a adoção de uma série de hipóteses e é alvo de várias críticas já consubstanciadas na bibliografia. Por outro lado, os resultados obtidos pelas técnicas de simulação empregadas, demonstraram que o erro associado a uma estimativa pode ser avaliado utilizando múltiplos cenários simulados para definir limites de confiança, permitindo uma real avaliação da incerteza associada à estimativa. Tanto pela técnica de simulação gaussiana quanto pela simulação de indicadores obteve-se resultados similares quanto ao espaço de incerteza mapeado e quanto às características de precisão e acuracidade na distribuição de valores de saída da simulação. O estudo de caso é ilustrado em um grande depósito de carvão brasileiro onde a metodologia provou ser apropriada para abordar o problema da quantificação da incerteza, permitindo sua utilização pelos sistemas de classificação de recursos e reservas. / Mineral resources estimation is essential for planning of any new mine. Besides concluding the mineral exploration, the resources/reserves evaluation is the base on which will be established the studies of economical feasibility. Mine planning and pit optimization, mining cuts and orientation, projection of cash flows, and even the operation of processing plants request the estimate of the available resources and their correct classification. The estimate and the subsequent classification of the resources in different classes or categories is based on different levels of risk and requires a model able to quantify this risk for evaluation and classification of mineral resources a long time ago. All classification systems share some common aspects in terms of defining the classes of resources based on distance separating samples and on the degree of confidence or accuracy associated with the results reported. Despite of being very clear in terms of stating sample distances, all the systems of classification do not provide clear definitions on how confidence limits should be calculated. This dissertation investigates an alternatives capable of incorporating uncertainties to the estimates of resources and reserves. Geostatistic techniques as kriging and stochastic simulation were investigated, and their appropriateness was discussed. While the ordinary kriging allows a fast response to determine tonnages, the error calculated requires a series of assumptions which in various cases are difficult to be sustained. Contrary, the results obtained via simulation techniques demonstrate that the error associated with an estimate can be approximated using multiple simulated tonnage models to define confidence limits, allowing a more realistic evaluation of the uncertainty associated with the estimate. Either gaussian simulation or indicators simulation provided similar results in terms of space of uncertainty and precision and accuracy. The methodology developed is illustrated in a large Brazilian coal deposit and proved to be appropriate to address the issue of quantifying the uncertainty necessary to be incorporated in the systems of resources and reserves classification.

A estimativa de recursos minerais é essencial para o propósito de planejamento econômico em qualquer empreendimento mineiro. Além de finalizar os trabalhos de pesquisa mineral, a avaliação de recursos/reservas é a base sobre a qual serão estabelecidos os estudos de viabilidade econômica que se seguem. Atividades como planejamento e otimização de cavas, orientação dos avanços da lavra, projeção de fluxos de caixa, projetos de financiamento e mesmo a operação de plantas de beneficiamento requerem, além da prévia estimativa dos recursos disponíveis, a correta classificação desses recursos. A estimativa e a subseqüente classificação dos recursos em diferentes classes ou categorias, de acordo com as possíveis variações que esses recursos apresentem, devem indicar não apenas os níveis diferenciados de risco envolvidos, mas permitir a elaboração de um modelo que quantifique esse risco. Nesse sentido, a indústria mineira já há muito tempo havia reconhecido e estabelecido padrões para avaliação e classificação de recursos mas agora, com a crescente internacionalização das empresas de mineração, cada vez mais é ressaltada a necessidade do estabelecimento de padrões internacionalmente aceitáveis para essa classificação. Todos os principais sistemas de classificação atualmente em uso compartilham alguns aspectos em comum, baseando a definição das classes de recursos em função da distância de separação entre as amostras e no grau de confiança ou acuracidade associado com os resultados estimados. Apesar de muito claros em termos de estabelecer os critérios geométricos de distância entre amostras e distância máxima de extrapolação, os sistemas de classificação não fornecem definições claras de como esses limites de confiança poderiam ser calculados. Dessa forma, esta dissertação buscou, basicamente, apresentar uma alternativa metodológica que, diante da ineficiência dos métodos até então utilizados, permitisse a incorporação de incertezas às estimativas de recursos e reservas, proporcionando o correto enquadramento nas classes propostas pelos principais sistemas de avaliação e classificação. Com esse intuito, investigou-se a aplicabilidade de técnicas geoestatísticas como krigagem e simulação estocástica, procurando apresentar alternativas e discutir as limitações encontradas. Enquanto a krigagem ordinária permite uma resposta rápida em termos de tonelagem, a avaliação do erro associado à estimativa requer a adoção de uma série de hipóteses e é alvo de várias críticas já consubstanciadas na bibliografia. Por outro lado, os resultados obtidos pelas técnicas de simulação empregadas, demonstraram que o erro associado a uma estimativa pode ser avaliado utilizando múltiplos cenários simulados para definir limites de confiança, permitindo uma real avaliação da incerteza associada à estimativa. Tanto pela técnica de simulação gaussiana quanto pela simulação de indicadores obteve-se resultados similares quanto ao espaço de incerteza mapeado e quanto às características de precisão e acuracidade na distribuição de valores de saída da simulação. O estudo de caso é ilustrado em um grande depósito de carvão brasileiro onde a metodologia provou ser apropriada para abordar o problema da quantificação da incerteza, permitindo sua utilização pelos sistemas de classificação de recursos e reservas. / Mineral resources estimation is essential for planning of any new mine. Besides concluding the mineral exploration, the resources/reserves evaluation is the base on which will be established the studies of economical feasibility. Mine planning and pit optimization, mining cuts and orientation, projection of cash flows, and even the operation of processing plants request the estimate of the available resources and their correct classification. The estimate and the subsequent classification of the resources in different classes or categories is based on different levels of risk and requires a model able to quantify this risk for evaluation and classification of mineral resources a long time ago. All classification systems share some common aspects in terms of defining the classes of resources based on distance separating samples and on the degree of confidence or accuracy associated with the results reported. Despite of being very clear in terms of stating sample distances, all the systems of classification do not provide clear definitions on how confidence limits should be calculated. This dissertation investigates an alternatives capable of incorporating uncertainties to the estimates of resources and reserves. Geostatistic techniques as kriging and stochastic simulation were investigated, and their appropriateness was discussed. While the ordinary kriging allows a fast response to determine tonnages, the error calculated requires a series of assumptions which in various cases are difficult to be sustained. Contrary, the results obtained via simulation techniques demonstrate that the error associated with an estimate can be approximated using multiple simulated tonnage models to define confidence limits, allowing a more realistic evaluation of the uncertainty associated with the estimate. Either gaussian simulation or indicators simulation provided similar results in terms of space of uncertainty and precision and accuracy. The methodology developed is illustrated in a large Brazilian coal deposit and proved to be appropriate to address the issue of quantifying the uncertainty necessary to be incorporated in the systems of resources and reserves classification.

Face à diversidade de depósitos minerais existentes, a indústria de mineração tem continuamente desenvolvido novas metodologias e definições para classificação dos recursos minerais, sem que exista um consenso para a utilização de um único método. Os métodos mais comuns, aplicados na indústria mineral, são variância de krigagem, restrição da vizinhança de busca e simulações condicionais. Esses métodos geralmente não usam as informações de produção, ficando estritamente dependentes da qualidade e quantidade de informações disponíveis à longo prazo ficando a critério da experiência e julgamento do profissional responsável pela declaração dos recursos. Esse trabalho descreve os resultados do estudo baseado em amostras de produção para definir o espaçamento amostral necessário para suportar a classificação de recursos minerais em projetos semelhantes em sua escala de produção e estilo de mineralização, considerando os intervalos de confiança para tonelagem e teor. A definição de uma malha amostral adequada e os resultados detalhados para classificação dos recursos minerais estão demonstradas em um projeto de mina à céu aberto e um projeto subterrâneo adjacente a uma mina em operação. Este estudo considera um depósito sulfetado (Cu-Au) de uma mina em operação, localizada no norte do Brasil, como fonte de informação análoga. / The varied types of mineral deposits and geological features around the world have led to the creation of a large number of techniques, methodologies, and definitions for mineral resource classification. The most common methods used in the mineral industry include kriging variance, drilling spacing, neighborhood restriction, and conditional simulations. These methods generally do not use the reconciled production information, only long-term borehole information based on a personal judgment for defining confidence intervals/limits on the mineral resource classification. A drilling spacing back-analysis study for defining mineral resource classification has been completed considering the confidence intervals for tonnages and grades related to its respective production volumes, based on short-term production reconciliation of analog deposits. The definition of adequate drill holes spacing and detailed results for classifying mineral resources are demonstrated at an open pit and an underground project adjacent to an existing mining operation. This study considers a Brazilian sulfide deposit (Cu-Au) operating mine as the analogous source of information.

A estimativa de recursos minerais é essencial para o propósito de planejamento econômico em qualquer empreendimento mineiro. Além de finalizar os trabalhos de pesquisa mineral, a avaliação de recursos/reservas é a base sobre a qual serão estabelecidos os estudos de viabilidade econômica que se seguem. Atividades como planejamento e otimização de cavas, orientação dos avanços da lavra, projeção de fluxos de caixa, projetos de financiamento e mesmo a operação de plantas de beneficiamento requerem, além da prévia estimativa dos recursos disponíveis, a correta classificação desses recursos. A estimativa e a subseqüente classificação dos recursos em diferentes classes ou categorias, de acordo com as possíveis variações que esses recursos apresentem, devem indicar não apenas os níveis diferenciados de risco envolvidos, mas permitir a elaboração de um modelo que quantifique esse risco. Nesse sentido, a indústria mineira já há muito tempo havia reconhecido e estabelecido padrões para avaliação e classificação de recursos mas agora, com a crescente internacionalização das empresas de mineração, cada vez mais é ressaltada a necessidade do estabelecimento de padrões internacionalmente aceitáveis para essa classificação. Todos os principais sistemas de classificação atualmente em uso compartilham alguns aspectos em comum, baseando a definição das classes de recursos em função da distância de separação entre as amostras e no grau de confiança ou acuracidade associado com os resultados estimados. Apesar de muito claros em termos de estabelecer os critérios geométricos de distância entre amostras e distância máxima de extrapolação, os sistemas de classificação não fornecem definições claras de como esses limites de confiança poderiam ser calculados. Dessa forma, esta dissertação buscou, basicamente, apresentar uma alternativa metodológica que, diante da ineficiência dos métodos até então utilizados, permitisse a incorporação de incertezas às estimativas de recursos e reservas, proporcionando o correto enquadramento nas classes propostas pelos principais sistemas de avaliação e classificação. Com esse intuito, investigou-se a aplicabilidade de técnicas geoestatísticas como krigagem e simulação estocástica, procurando apresentar alternativas e discutir as limitações encontradas. Enquanto a krigagem ordinária permite uma resposta rápida em termos de tonelagem, a avaliação do erro associado à estimativa requer a adoção de uma série de hipóteses e é alvo de várias críticas já consubstanciadas na bibliografia. Por outro lado, os resultados obtidos pelas técnicas de simulação empregadas, demonstraram que o erro associado a uma estimativa pode ser avaliado utilizando múltiplos cenários simulados para definir limites de confiança, permitindo uma real avaliação da incerteza associada à estimativa. Tanto pela técnica de simulação gaussiana quanto pela simulação de indicadores obteve-se resultados similares quanto ao espaço de incerteza mapeado e quanto às características de precisão e acuracidade na distribuição de valores de saída da simulação. O estudo de caso é ilustrado em um grande depósito de carvão brasileiro onde a metodologia provou ser apropriada para abordar o problema da quantificação da incerteza, permitindo sua utilização pelos sistemas de classificação de recursos e reservas. / Mineral resources estimation is essential for planning of any new mine. Besides concluding the mineral exploration, the resources/reserves evaluation is the base on which will be established the studies of economical feasibility. Mine planning and pit optimization, mining cuts and orientation, projection of cash flows, and even the operation of processing plants request the estimate of the available resources and their correct classification. The estimate and the subsequent classification of the resources in different classes or categories is based on different levels of risk and requires a model able to quantify this risk for evaluation and classification of mineral resources a long time ago. All classification systems share some common aspects in terms of defining the classes of resources based on distance separating samples and on the degree of confidence or accuracy associated with the results reported. Despite of being very clear in terms of stating sample distances, all the systems of classification do not provide clear definitions on how confidence limits should be calculated. This dissertation investigates an alternatives capable of incorporating uncertainties to the estimates of resources and reserves. Geostatistic techniques as kriging and stochastic simulation were investigated, and their appropriateness was discussed. While the ordinary kriging allows a fast response to determine tonnages, the error calculated requires a series of assumptions which in various cases are difficult to be sustained. Contrary, the results obtained via simulation techniques demonstrate that the error associated with an estimate can be approximated using multiple simulated tonnage models to define confidence limits, allowing a more realistic evaluation of the uncertainty associated with the estimate. Either gaussian simulation or indicators simulation provided similar results in terms of space of uncertainty and precision and accuracy. The methodology developed is illustrated in a large Brazilian coal deposit and proved to be appropriate to address the issue of quantifying the uncertainty necessary to be incorporated in the systems of resources and reserves classification.

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.

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.