PROSPECCIONES E INVESTIGACIONES GEOLOGICAS|2013

APLICACIÓN 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

APLICACIÓN 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…

INTRODUCCIÓN

Las anomalías geoquímicas son características geoquímicas que defieren de lo

que se considera normal ellos pueden ser el resultado:

1. Inusuales o raros procesos de concentración de elementos particulares (por

ejemplo un proceso formador de mineral, meteorización y dispersión

elemental de una concentración inusual tales como un yacimiento).

2. Acumulación o concentración de un elemento de procesos comunes que

actúan sobre largos periodos(por ejemplo lixiviación y concentración de

largos elementos, siderita, regolito ferruginoso u óxidos de manganeso)

3. Contaminación artificial de sitios o muestras.

4. Error analítico( por ejempló por precisión del método analítico

particularmente para la concentración de elementos cercanos a la detección

limite)

Tradicionalmente, las anomalías han sido identificadas por los escenarios

de los valores del threshold que marca los límites superiores e inferiores de la

variación normal para una población particular de datos. Los valores dentro del

threshold son referidos como background y aquellos que están por encima son

referidos como anomalías. En exploración mineral el interés es generalmente en

anomalías positivas en la presunción que los yacimientos y su meteorización ha

incrementado la abundancia de los elementos sobre los niveles normales de la

corteza. Sin embargo, las anomalías negativas pueden ser importantes, por ejemplo

cuando ellas reflejan un agotamiento o caída en algunos elementos durante la

alteración de la roca caja que acompaña la formación del mineral (McQueen, 2009).

Con lo de antes mencionado, en este presente trabajo, se va a realizar el Método

Estadístico Univariado para la investigación de datos geoquímicos (Cr, Ni y Cu)

para determinar su análisis geoquímico, en lo cual implica establecer si estas

elementos puede considerarse como anomalías, establecer su correlación y ver su

distribución 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 análisis geoestadistico –

geoquímico de las muestras de Cu, Cr y Ni.

OBJETIVO ESPECIFICO:

Determinar los parámetros estadísticos, más importantes utilizando el SPSS

Realizar el mapa geoquímico en el software Oasis

Identificar las anomalías.

Identificar y localizar contenidos anormales de los elementos químicos estudiados,

para una posterior localización de yacimientos ocultos.

GEOLOGIA:

De acuerdo a las coordenadas de las Muestras (Cr, Ni y Cu), estas se sitúan en el país de Bolivia, que corresponde a la zona 19 Sur, y específicamente por el Escudo Precámbrico (Precambrian Shield). Pues Bolivia es también favorable para elementos del Grupo del Platino, Cromo y Níquel en intrusivos maficos y ultramaficos, pues las rocas del escudo precambrianas en la parte oriental de Bolivia ha sido comúnmente definido como parte SO del cratón Amazónico y cubre un área 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 geoquímicos, el primer

paso es encontrar que clase de modelo de distribución mejor se ajusta a los varios

conjuntos de observaciones así el modelo de distribución log normal parece ser

uno de los más aplicables para los resultados de mucho estudios geoquímicos

(Ahrens, 1957).

En la prospección geoquímica 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 Método Estadístico Univariado, los varios pasos de esta construcción son los siguientes:

1. Como primer paso es examinar la distribución de frecuencia, esto puede ayudar a identificar el tipo de distribución de los datos, presencia de múltiples poblaciones y asimetrías o sesgos en la distribución (McQueen, 2009).

2. Crear una distribución lognormal, pues está definida por dos parámetros:

uno dependiente en el valor medio y el otro dependiente en el carácter del

valor de la distribución. Este último parámetro es una medida de rango de

distribución de valores, que si la distribución cubre un amplio o estrecho

rango de valores.

3. Utilizar el Box Plot, pues esta es una manera conveniente de examinar la

distribución de la frecuencia de una serie de datos y asi poder mostrar los

posibles datos atípicos.

4. Selección de un preciso conjunto de datos (población) como grandes y

homogéneos sea posible.

5. Agrupar los valores en un adecuado número de clases.

6. Calcular la línea 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 último se hace una correlación de los elementos por el Método de

Pearson (Cr, Ni y Cu)

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

asimétrica

PROCEDIMIENTO

Para el presente trabajo hemos utilizado los datos de muestreo ubicados en el programa Excel,

para luego realizar un manejo adecuado de datos estadísticos en el software SSPS .

Para el tratamiento y análisis, se ha cogido tres elementos los cuales son: Cu, Cr y Ni, cada uno

contiene 1073 muestras, de estos tres elementos realizaremos un análisis geoestadistico y

geoquímico.

LOGARITMO NORMAL

De acuerdo a los procesos estadísticos 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 gráfico de campana, de no ser así una

parte de los datos se encuentran fuera del gráfico; así tenemos los siguientes gráficos 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 gráfico, de no ser así una parte de los datos se

encuentran fuera del gráfico; visualizando los datos mediante el Histograma, podemos

apreciar que los datos han pasado hacia dentro del gráfico de campana de Gauss, lo que nos

indica que ahora si son datos asemejados a la realidad.acontinuacion se presentan graficos

con aplicación de logaritmo natural:

Ln Cu

Ln Cromo

Ln Ni

DIAGRAMA DE CAJA Es una presentación visual que describe al mismo tiempo varias características

importantes de un conjunto de datos, tales como el centro, la dispersión, la simetría o asimetría y la identificación de observaciones atípicas.

El diagrama de caja representa los tres cuartiles, y los valores mínimo y máximo de los datos sobre un rectángulo (caja), alineado horizontal o verticalmente

Diagrama de Caja de Cu

Resumen del procesamiento de los casos

Casos

Válidos 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

Válidos 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

Válidos Perdidos Total

N Porcentaje N Porcentaje N Porcentaje

LnNi 1048 99,9% 1 0,1% 1049 100,0%

TABLA DE FRECUENCIAS

CORRELACIÓN DE PEARSÓN

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

Para ver si existe relación lineal entre dos variables X e Y, emplearemos un parámetro que

nos mida la fuerza de asociación lineal entre ambas variables. La medida de asociación lineal

más frecuentemente utilizada entre dos variables es “ r ” o coeficiente de correlación lineal de

Pearson; este parámetro se mide en términos de covarianza de X e Y.

Correlaciones

Crppm Cuppm Nippm

Crppm

Correlación de Pearson 1 ,023 ,561**

Sig. (bilateral) ,453 ,000

N 1073 1073 1073

Cuppm

Correlación de Pearson ,023 1 ,129**

Sig. (bilateral) ,453 ,000

N 1073 1073 1073

Nippm

Correlación de Pearson ,561** ,129** 1

Sig. (bilateral) ,000 ,000

N 1073 1073 1073

**. La correlación es significativa al nivel 0,01 (bilateral).

DIAGRAMA DE SEDIMENTACION

DIAGRAMA DE COMPONENTES PRINCIPALES

Método de rotación Varimax con Kaiser: la rotación ha convergido en 3 iteraciones

INTERPRETACION

1.-Cobre

Como observamos en una escala lineal (distribución normal) el histograma del Cu,

sin su transformación a lognormal esta presenta una distribución unimodal

asimétrica (distribución 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 anomalías, esto se observa en la tabla con color resaltado.

X X +2S = 4,75

Background : 3,63

Threshold : 4,75

Anomalía : >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 (distribución normal) el histograma del Cr,

sin su transformación a lognormal esta presenta una distribución unimodal

asimétrica (distribución 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 anomalías, esto se observa en la tabla con color resaltado.

X X +2S = 4,85

Background : 3,47

Threshold : 4,85

Anomalía : >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 (distribución normal) el histograma del Ni,

sin su transformación a lognormal esta presenta una distribución unimodal

asimétrica (distribución 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 anomalías, esto se observa en la tabla con color resaltado.

X X +2S = 3,39

Background : 2,47

Threshold : 3,39

Anomalía : >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

Correlación de Elementos

En el caso de la correlación de Pearson de los 30 elementos, hemos dado un

determinado color refiriéndose a un fuerte correlación, además hemos elegido 3

elementos (Cr, Ni y Cu), como son metales de alta temperatura de acuerdo a su

génesis (segregación magmática), buscamos una correlación y encontramos que el

Cr y el Ni presenta una fuerte correlación, 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 máficas y ultramaficas (escudo precámbrico), por lo cual

abundan estos elementos, pero pueden presentar una elevación en su contenido de

acuerdo al proceso de Laterización

Correlaciones

Crppm Cuppm Nippm

Crppm

Correlación de Pearson 1 ,023 ,561**

Sig. (bilateral) ,453 ,000

N 1073 1073 1073

Cuppm

Correlación de Pearson ,023 1 ,129**

Sig. (bilateral) ,453 ,000

N 1073 1073 1073

Nippm

Correlación de Pearson ,561** ,129** 1

Sig. (bilateral) ,000 ,000

N 1073 1073 1073

**. La correlación es significativa al nivel 0,01 (bilateral).

Correlación 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 identificación de contenidos anormales se trabajó con datos

positivos; para así 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 anomalías que existen en

nuestra zona estudiada.

3. Con la Correlación de Pearson identificamos las relaciones que existen entre

los elementos químicos estudiados en nuestro caso se observa que hay

mayor relación entre el Cr y Ni.

4. La geología de la zona es favorable para elementos del Cromo y Níquel en

intrusivos maficos y ultramaficos.

RECOMENDACIONES

1. Tener unos amplios conocimientos en la manipulación de los software SPSS

y OASIS para un uso óptimo y adecuado de los datos.

2. Con la aplicación de la Geoestadística, se logra en la vida de un prospecto la

optimización de recursos, cuando se realiza una programación estratégica,

lo cual da pauta a continuar con los prospectos y convertirlos en proyectos

o tomar la decisión de abortar estos, es decir no invertir más recursos, por

no ser favorables o redituables, se puede considerar de no ser de interés

dejarlo como reserva a futuro, en caso demanda y encarecimiento de los

metales.

3. Se recomienda emplear un muestreo adecuado para evitar pérdidas de

tiempo y dinero.

4. Son muchas las herramientas con las que se cuenta para aplicar la

metodología de mejora SPSS Y OASIS ,las utilizadas dentro de este estudio

dieron buenos resultados y facilitaron el análisis de datos por lo q se

recomienda si se cuenta con el tiempo suficiente aplicar otros tipos de

instrumentos estadísticos para comprobar las aportaciones hechas con cada

técnica.

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 géostatistique appliquée, tome 1: Mémoire no. 14 du

Bureau de Recherches Géologiques et Minieres, Paris.

Monjallon, A., 1963, Introduction á la méthode statistique: Vuibert, Paris.

Rivera H., 2007, Introduccion a la geoquimica general y aplicada, pp. 475