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