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.
,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.
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
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.
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
,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
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