PROSPECCIONES E INVESTIGACIONES GEOLOGICAS|2013

APLICACIN DE SPSS Y OASIS

PARA EL ANALISIS GEOESTADISTICO DE Ni , Cr y Cu





UNIVERSIDAD NACIONAL DANIEL ALCIDES CARRION
FACULTAD DE NGENIERIA
ESCUELA DE FORMACION PROFESIONAL DE GEOLOGIA

APLICACIN DE SPSS Y OASIS MOUNTAIN
PARA EL ANALISIS GEOESTADISTICO DE Ni, Cr y Cu

Por:
BASILIO ALANIA, Edson
ESPIRITU PUJAY, Alejandro Junior
GOMEZ CALDERON, Judith Roxana
PALPA IGREDA, Niddia Maribel
RAMOS MALPARTIDA, Fabiola

Presentado a:
Ing. MENA OSORIO, Fabio
Cerro de Pasco, Mayo del 2013.





A nuestros Padres


















INTRODUCCIN

Las anomalas geoqumicas son caractersticas geoqumicas que defieren de lo
que se considera normal ellos pueden ser el resultado:
1. Inusuales o raros procesos de concentracin de elementos particulares (por
ejemplo un proceso formador de mineral, meteorizacin y dispersin
elemental de una concentracin inusual tales como un yacimiento).
2. Acumulacin o concentracin de un elemento de procesos comunes que
actan sobre largos periodos(por ejemplo lixiviacin y concentracin de
largos elementos, siderita, regolito ferruginoso u xidos de manganeso)
3. Contaminacin artificial de sitios o muestras.
4. Error analtico( por ejempl por precisin del mtodo analtico
particularmente para la concentracin de elementos cercanos a la deteccin
limite)
Tradicionalmente, las anomalas han sido identificadas por los escenarios
de los valores del threshold que marca los lmites superiores e inferiores de la
variacin normal para una poblacin particular de datos. Los valores dentro del
threshold son referidos como background y aquellos que estn por encima son
referidos como anomalas. En exploracin mineral el inters es generalmente en
anomalas positivas en la presuncin que los yacimientos y su meteorizacin ha
incrementado la abundancia de los elementos sobre los niveles normales de la
corteza. Sin embargo, las anomalas negativas pueden ser importantes, por ejemplo
cuando ellas reflejan un agotamiento o cada en algunos elementos durante la
alteracin de la roca caja que acompaa la formacin del mineral (McQueen, 2009).
Con lo de antes mencionado, en este presente trabajo, se va a realizar el Mtodo
Estadstico Univariado para la investigacin de datos geoqumicos (Cr, Ni y Cu)
para determinar su anlisis geoqumico, en lo cual implica establecer si estas
elementos puede considerarse como anomalas, establecer su correlacin y ver su
distribucin en un determinado plano, pues para todo este procedimiento se
utilizan los programas SPSS y el Oasis .



Los alumnos.

OBJETIVO:
OBJETIVO GENERAL:
Aplicar el conocimiento del programa SPSS Y OASIS, en el anlisis geoestadistico
geoqumico de las muestras de Cu, Cr y Ni.
OBJETIVO ESPECIFICO:
Determinar los parmetros estadsticos, ms importantes utilizando el SPSS
Realizar el mapa geoqumico en el software Oasis
Identificar las anomalas.
Identificar y localizar contenidos anormales de los elementos qumicos estudiados,
para una posterior localizacin de yacimientos ocultos.


















GEOLOGIA:

De acuerdo a las coordenadas de las Muestras (Cr, Ni y Cu), estas se sitan en el
pas de Bolivia, que corresponde a la zona 19 Sur, y especficamente por el Escudo
Precmbrico (Precambrian Shield). Pues Bolivia es tambin favorable para
elementos del Grupo del Platino, Cromo y Nquel en intrusivos maficos y
ultramaficos, pues las rocas del escudo precambrianas en la parte oriental de
Bolivia ha sido comnmente definido como parte SO del cratn Amaznico y cubre
un rea de aproximadamente de 200,000 km2 o 18 % de Bolivia (Fig. 1) Las
unidades son principalmente del Mesoproterozoico Medio y alto grado de rocas
metasedimentarias y metaigneas, que son cubiertas por lateritas del Terciario y
cuencas aluviales del Cuaternario (Arce-Burgoa et al., 2009).


Fig. 1 Franjas Metalogeneticas de Bolivia
METODOLOGIA
Cuando tratamos con una gran cantidad de masa de datos geoqumicos, el primer
paso es encontrar que clase de modelo de distribucin mejor se ajusta a los varios
conjuntos de observaciones as el modelo de distribucin log normal parece ser
uno de los ms aplicables para los resultados de mucho estudios geoqumicos
(Ahrens, 1957).
En la prospeccin geoqumica estudiamos el contenido de los elementos traza en
varios materiales de la naturaleza y para decir que los valores son log
normalmente distribuidos esos significa que los logaritmos de estos valores son
distribuidos siguiendo una ley normal (o ley de Gauss) bien conocido como la
curva en forma de campana (Monjallon, 1963).
En este caso utilizaremos el Mtodo Estadstico Univariado, los varios pasos de
esta construccin son los siguientes:

1. Como primer paso es examinar la distribucin de frecuencia, esto puede
ayudar a identificar el tipo de distribucin de los datos, presencia de
mltiples poblaciones y asimetras o sesgos en la distribucin (McQueen,
2009).
2. Crear una distribucin lognormal, pues est definida por dos parmetros:
uno dependiente en el valor medio y el otro dependiente en el carcter del
valor de la distribucin. Este ltimo parmetro es una medida de rango de
distribucin de valores, que si la distribucin cubre un amplio o estrecho
rango de valores.
3. Utilizar el Box Plot, pues esta es una manera conveniente de examinar la
distribucin de la frecuencia de una serie de datos y asi poder mostrar los
posibles datos atpicos.
4. Seleccin de un preciso conjunto de datos (poblacin) como grandes y
homogneos sea posible.
5. Agrupar los valores en un adecuado nmero de clases.
6. Calcular la lnea de frecuencia de ocurrencia en cada clase y diagramar
contra las clases limites; esto da un diagrama llamado histograma.
7. Diagramar las frecuencias acumuladas ordenadas dadas las curvas de
frecuencia acumulativa, que es la integral de la curva de frecuencia.
8. Por ltimo se hace una correlacin de los elementos por el Mtodo de
Pearson (Cr, Ni y Cu)































Fig. 2 Ejemplos de diagramas de frecuencia para distribuciones (a) normal (a la izquierda) y (b)
asimtrica
PROCEDIMIENTO

Para el presente trabajo hemos utilizado los datos de muestreo ubicados en el programa Excel,
para luego realizar un manejo adecuado de datos estadsticos en el software SSPS .
Para el tratamiento y anlisis, se ha cogido tres elementos los cuales son: Cu, Cr y Ni, cada uno
contiene 1073 muestras, de estos tres elementos realizaremos un anlisis geoestadistico y
geoqumico.
LOGARITMO NORMAL
De acuerdo a los procesos estadsticos sabemos que debemos corregir la normalidad de los
datos, es decir aplicarles Logaritmo normal; Esto se puede verificar con la campana de Gauss,
en donde, todos los datos deben encontrarse dentro del grfico de campana, de no ser as una
parte de los datos se encuentran fuera del grfico; as tenemos los siguientes grficos para
cada elemento sin el Logaritmo Natural:

Cu ppm



Cr ppm



Ni ppm

APLICANDO LOGARITMO NORMAL
Aplicando Ln a los datos se puede verificar con la campana de Gauss, en donde, todos los
datos deben encontrarse dentro del grfico, de no ser as una parte de los datos se
encuentran fuera del grfico; visualizando los datos mediante el Histograma, podemos
apreciar que los datos han pasado hacia dentro del grfico de campana de Gauss, lo que nos
indica que ahora si son datos asemejados a la realidad.acontinuacion se presentan graficos
con aplicacin de logaritmo natural:


Ln Cu









Ln Cromo



Ln Ni

DIAGRAMA DE CAJA
Es una presentacin visual que describe al mismo tiempo varias caractersticas
importantes de un conjunto de datos, tales como el centro, la dispersin, la simetra o
asimetra y la identificacin de observaciones atpicas.
El diagrama de caja representa los tres cuartiles, y los valores mnimo y mximo de los
datos sobre un rectngulo (caja), alineado horizontal o verticalmente


Diagrama de Caja de Cu


Resumen del procesamiento de los casos

Casos
Vlidos Perdidos Total
N Porcentaj
e
N Porcentaj
e
N Porcentaj
e
LNCU 1059 100,0% 0 0,0% 1059 100,0%


Diagrama de Caja de Cromo











Resumen del procesamiento de los casos

Casos
Vlidos Perdidos Total
N Porcentaje N Porcentaje N Porcentaje
LNCR 1071 100,0% 0 0,0% 1071 100,0%
Diagrama de Caja de Ni



Resumen del procesamiento de los casos

Casos
Vlidos Perdidos Total
N Porcentaje N Porcentaje N Porcentaje
LnNi 1048 99,9% 1 0,1% 1049 100,0%
TABLA DE FRECUENCIAS


CORRELACIN DE PEARSN

Cuando se estudian dos caractersticas simultneamente sobre una muestra, se puede
considerar que una de ellas influye sobre la otra de alguna manera. El objetivo principal de la
regresin es descubrir el modo en que se relacionan.

Para ver si existe relacin lineal entre dos variables X e Y, emplearemos un parmetro que
nos mida la fuerza de asociacin lineal entre ambas variables. La medida de asociacin lineal
ms frecuentemente utilizada entre dos variables es r o coeficiente de correlacin lineal de
Pearson; este parmetro se mide en trminos de covarianza de X e Y.




Correlaciones

Crppm Cuppm Nippm
Crppm
Correlacin de Pearson 1 ,023 ,561
**

Sig. (bilateral)

,453 ,000
N 1073 1073 1073
Cuppm
Correlacin de Pearson ,023 1 ,129
**

Sig. (bilateral) ,453

,000
N 1073 1073 1073
Nippm
Correlacin de Pearson ,561
**
,129
**
1
Sig. (bilateral) ,000 ,000

N 1073 1073 1073
**. La correlacin es significativa al nivel 0,01 (bilateral).
DIAGRAMA DE SEDIMENTACION

DIAGRAMA DE COMPONENTES PRINCIPALES





Mtodo de rotacin Varimax con Kaiser: la rotacin ha convergido en 3 iteraciones
INTERPRETACION
1.-Cobre
Como observamos en una escala lineal (distribucin normal) el histograma del Cu,
sin su transformacin a lognormal esta presenta una distribucin unimodal
asimtrica (distribucin positiva), lo cual indica la mayor de cantidad Cu.

Como se observa en los resultados obtenidos a partir del lognormal (en la grafica
siguiente), el valor del threshold obtenido en el SPSS se relaciona con los valores
del threshold obtenido en el EXCEL, que valores mayores al threshold se le
considera como anomalas, esto se observa en la tabla con color resaltado.



X X +2S = 4,75

Background : 3,63
Threshold : 4,75
Anomala : >4,75



Norte Este Cuppm LNCU MG CU DV CU TRESHOLD ANTIG
8147375.00 861503.88 172.00 5.15 3.585462 0.559495 4.704451 110.4376
8089819.00 876348.69 170.00 5.14
8171828.50 889367.00 156.00 5.05
8133228.00 980245.75 143.00 4.96
8126445.50 851335.88 135.00 4.91
8101915.50 863262.50 135.00 4.91
8141378.50 932119.00 132.00 4.88
8112829.50 860058.81 131.00 4.88
8091836.00 870094.19 130.00 4.87
8159877.50 922664.25 128.00 4.85
8144728.00 891802.25 127.00 4.84
8175456.00 947618.19 125.00 4.83
8181061.00 961791.00 123.00 4.81
8161705.00 923450.94 121.00 4.80
8006537.50 937092.69 120.00 4.79
8113924.50 857035.75 119.00 4.78
8091890.50 880356.63 119.00 4.78
8162874.00 972119.94 118.00 4.77
8141515.00 937324.94 117.00 4.76
8086795.50 876008.88 117.00 4.76
8161705.00 923450.94 115.00 4.74
8154408.50 917662.88 114.00 4.74
8131689.00 856038.38 114.00 4.74
8099220.50 855664.88 114.00 4.74
8172047.00 935815.06 112.00 4.72









2.-Cromo
Como observamos en una escala lineal (distribucin normal) el histograma del Cr,
sin su transformacin a lognormal esta presenta una distribucin unimodal
asimtrica (distribucin positiva), lo cual indica la mayor de cantidad Cr.


Como se observa en los resultados obtenidos a partir del lognormal (en la grafica
siguiente), el valor del threshold obtenido en el SPSS se relaciona con los valores
del threshold obtenido en el EXCEL, que valores mayores al threshold se le
considera como anomalas, esto se observa en la tabla con color resaltado.





X X +2S = 4,85
Background : 3,47
Threshold : 4,85
Anomala : >4,85





Norte Este Cr ppm
LN CR MEDIA DESVIACION TRESHOLD ANTILOG
8193785 1103938 256
5.545177444 3.396513323 0.70014204 4.7967974 121.121891
8161499 759670 211
5.351858133
8161364 764306 211
5.351858133
8042216 1033474 204
5.318119994
8197682 1097115 193
5.262690189
8162339 758106 168
5.123963979
8041549 1023047 157
5.056245805
8111508 837933 142
4.955827058
8098431 1079960 141
4.94875989
8057722 1027552 141
4.94875989
8193611 1098707 136
4.912654886
8097608 1037426 136
4.912654886
8193363 1098924 131
4.875197323
8162512 763474 130
4.86753445
8199842 935822 129
4.859812404
8058521 1028707 129
4.859812404
8045897 894136 129
4.859812404
8028551 1038543 126
4.836281907
8200392 1030479 125
4.828313737
8187231 1049033 125
4.828313737
8142495 795663 125
4.828313737











3.-Niquel
Como observamos en una escala lineal (distribucin normal) el histograma del Ni,
sin su transformacin a lognormal esta presenta una distribucin unimodal
asimtrica (distribucin positiva), lo cual indica la mayor de cantidad Ni.

Como se observa en los resultados obtenidos a partir del lognormal (en la grafica
siguiente), el valor del threshold obtenido en el SPSS se relaciona con los valores
del threshold obtenido en el EXCEL, que valores mayores al threshold se le
considera como anomalas, esto se observa en la tabla con color resaltado.





X X +2S = 3,39

Background : 2,47
Threshold : 3,39
Anomala : >3,39





Norte Este Ni ppm LnNi Media
Geom.
Desviacion Threshold Antilog
8162339.00 758106.25 37.00 3.61 2.429582 0.456913 3.343409 28.31548
8219859.00 624780.06 37.00 3.61
8177977.00 742947.75 37.00 3.61
8214662.50 860850.13 37.00 3.61
8193363.00 1098923.63 36.00 3.58
8199841.50 935822.13 35.00 3.56
8155934.00 923073.88 34.00 3.53
8160514.00 930555.00 34.00 3.53
8151151.00 932966.56 34.00 3.53
8186112.00 1107190.75 33.00 3.50
8193611.00 1098706.75 33.00 3.50
8159300.00 930506.06 32.00 3.47
8212850.00 844047.56 32.00 3.47
8160797.00 959395.69 31.00 3.43
8221910.00 632846.13 31.00 3.43
8203908.00 657411.25 31.00 3.43
8220000.00 866482.00 31.00 3.43
8161499.00 759669.63 31.00 3.43
8163847.50 765783.94 31.00 3.43
8194018.50 1032784.69 31.00 3.43
8200296.50 892252.56 30.00 3.40
8164495.50 965280.00 30.00 3.40
8170945.50 752080.13 30.00 3.40
8199202.00 1081813.00 30.00 3.40
8150477.50 1026972.38 29.00 3.37
8159877.50 922664.25 29.00 3.37
8202497.50 1029118.81 29.00 3.37
8187231.00 1049033.13 29.00 3.37
8154858.00 931017.56 29.00 3.37
8171251.00 889385.13 29.00 3.37
8220835.50 791101.81 29.00 3.37





Correlacin de Elementos

En el caso de la correlacin de Pearson de los 30 elementos, hemos dado un
determinado color refirindose a un fuerte correlacin, adems hemos elegido 3
elementos (Cr, Ni y Cu), como son metales de alta temperatura de acuerdo a su
gnesis (segregacin magmtica), buscamos una correlacin y encontramos que el
Cr y el Ni presenta una fuerte correlacin, pero en el caso del Cu esta se aleja de
estos elementos. Esto puede interpretarse qe como en la zona de estudio hay
afloramientos de rocas mficas y ultramaficas (escudo precmbrico), por lo cual
abundan estos elementos, pero pueden presentar una elevacin en su contenido de
acuerdo al proceso de Laterizacin
Correlaciones

Crppm Cuppm Nippm
Crppm
Correlacin de Pearson
1 ,023 ,561
**

Sig. (bilateral)

,453 ,000
N 1073 1073 1073
Cuppm
Correlacin de Pearson
,023 1 ,129
**

Sig. (bilateral) ,453

,000
N 1073 1073 1073
Nippm
Correlacin de Pearson
,561
**
,129
**
1
Sig. (bilateral) ,000 ,000

N 1073 1073 1073
**. La correlacin es significativa al nivel 0,01 (bilateral).



Correlacin de Elementos a partir del Oasis Mountain




















PRINCIPAL COMPONENT ANALYSIS: G:\NOVENO
SEMESTRE\PROSPECCION\TRABAJO\OASIS\GDB\DATA.GDB

Number of channels included: 3
Number of principal components displayed: 3
Number of rows of data: 1073

Data Transformations
--------------------
Cr_ppm : Logarithmic Normal Distribution
Cu_ppm : Logarithmic Normal Distribution
Ni_ppm : Logarithmic Normal Distribution


Correlations of Standardized Data
---------------------------------
Cr_ppm Cu_ppm Ni_ppm

Cr_ppm 1.000 0.087 0.553
Cu_ppm 0.087 1.000 0.285
Ni_ppm 0.553 0.285 1.000


Eigenvalues of correlation matrix
---------------------------------
Factor Eigenvalue cum. %
--------------------------
1 1.660 55.3
2 0.930 86.3
3 0.410 100.0


Eigenvectors of correlation matrix
----------------------------------
PC1 PC2 PC3

Cr_ppm 0.623 0.448 0.641
Cu_ppm 0.377 -0.890 0.255
Ni_ppm 0.685 0.083 -0.724


Principal component loadings
----------------------------
PC1 PC2 PC3

Cr_ppm 0.803 0.432 0.411
Cu_ppm 0.486 -0.859 0.163
Ni_ppm 0.882 0.080 -0.464


Proportion of variables explained by factors
--------------------------------------------
No. of factors
Variable 1 2 3

Cr_ppm 0.645 0.831 1.000
Cu_ppm 0.236 0.973 1.000
Ni_ppm 0.779 0.785 1.000


Varimax Principal component loadings
------------------------------------
PC1

Cr_ppm 0.803
Cu_ppm 0.486
Ni_ppm 0.882


Proportion of variables explained by varimax factors
----------------------------------------------------
No. of factors
Variable 1

Cr_ppm 0.645
Cu_ppm 0.236
Ni_ppm 0.779














CONCLUSIONES

1. Para una mejor identificacin de contenidos anormales se trabaj con datos
positivos; para as mas adelante trabajar con mayor exactitud en el
momento de localizaciones de posibles yacimientos ocultos.
2. Con el uso de estos programas (IBM SPSS statistics 21, Oasis), nos permiten
realizar interpretaciones de los distintos tipos de anomalas que existen en
nuestra zona estudiada.
3. Con la Correlacin de Pearson identificamos las relaciones que existen entre
los elementos qumicos estudiados en nuestro caso se observa que hay
mayor relacin entre el Cr y Ni.
4. La geologa de la zona es favorable para elementos del Cromo y Nquel en
intrusivos maficos y ultramaficos.
















RECOMENDACIONES

1. Tener unos amplios conocimientos en la manipulacin de los software SPSS
y OASIS para un uso ptimo y adecuado de los datos.
2. Con la aplicacin de la Geoestadstica, se logra en la vida de un prospecto la
optimizacin de recursos, cuando se realiza una programacin estratgica,
lo cual da pauta a continuar con los prospectos y convertirlos en proyectos
o tomar la decisin de abortar estos, es decir no invertir ms recursos, por
no ser favorables o redituables, se puede considerar de no ser de inters
dejarlo como reserva a futuro, en caso demanda y encarecimiento de los
metales.
3. Se recomienda emplear un muestreo adecuado para evitar prdidas de
tiempo y dinero.
4. Son muchas las herramientas con las que se cuenta para aplicar la
metodologa de mejora SPSS Y OASIS ,las utilizadas dentro de este estudio
dieron buenos resultados y facilitaron el anlisis de datos por lo q se
recomienda si se cuenta con el tiempo suficiente aplicar otros tipos de
instrumentos estadsticos para comprobar las aportaciones hechas con cada
tcnica.














BIBLIOGRAFIA

Ahrens, L. H., 1957, The lognormal distribution of the elements--a fundamental law
of geochemistry: Geochim. et Cosmochim. Acta, v. 11, no. 4.
Arce-Burgoa O. y Richard J. Goldfarb, October 2009, Metalogenia de Bolivia, issue
of the SEG (Society of Economic Geologists) Newsletter, No. 79, USA
McQueen K.G., 2009, Identifying geochemical anomalies
Lepeltier C., 1969, A simplified statistical treatment of geochemical data by
graphical representation, Economic Geology, 64, pp. 538-550
McQueen K.G., 2009, Identifying geochemical anomalies
Matheron, G., 1962, Traite de gostatistique applique, tome 1: Mmoire no. 14 du
Bureau de Recherches Gologiques et Minieres, Paris.
Monjallon, A., 1963, Introduction la mthode statistique: Vuibert, Paris.
Rivera H., 2007, Introduccion a la geoquimica general y aplicada, pp. 475