Uma grande quantidade de dados é obtida durante o desenvolvimento de um campo de petróleo. Dados sísmicos, perfis de poços, dados de testemunho e de produção, todos contribuem para uma melhor caracterização e modelagem dos reservatórios. Vários métodos de análise multivariada de dados podem ser usados na interpretação destes dados, auxiliando em tarefas importantes como a identificação de fácies litológicas. O mais conhecido e largamente utilizado dentre estes métodos é a Análise de Componentes Principais (PCA, Principal Component Analysis ), a qual busca reduzir a dimensão dos dados mantendo o máximo possível de sua variância. A redução da dimensão dos dados também pode ser realizada com o método de Fatores de Máxima Autocorrelação (MAF,Maximum Autocorrelation Factors ), o qual procuramanter o máximo possível da autocorrelação espacial presente nos dados. Neste trabalho, ambos os métodos foram aplicados a dados de perfis de poços do Campo de Namorado, testando seu desempenho na classificação de eletrofácies. Após a redução na dimensão dos dados, os métodos de classificação supervisionada conhecidoscomo k-vizinhos mais próximos (k-NN, k-nearest neighbors ) e k-vizinhos mais próximos ponderados (wk-NN, weighted k-nearest neighbors ) foram aplicados aos dados, e os resultados obtidos foram comparados por validação cruzada. MAF mostrou ser mais eficiente que PCA para reduzir a dimensão dos dados mantendo a informação mais relevante e wk-NN teve desempenho um pouco melhor na classificação de eletrofácies em relação ao k-NN usual. De acordo com esses resultados, a combinação de MAF e wk-NN pode ser uma ferramenta valiosa para a classificação de fácies em poços n˜ao testemunhados a partir de seus perfis.