2C7

CARACTERIZACION GEOQUIMICA
MULTIELEMENTAL EN LA EXPLORACION DE YACI-
MIENTOS POLIMETALICOS
Samuel Canchaya Moya
*
RESUMEN
Los llamados yacimientos polimetlicos son concentraciones naturales de elementos esen-
cialmente calcfilos y con bajos estados de oxidacin. El ensamble mineralgico de cada yaci-
miento es el resultado de la afinidad geoqumica de los elementos, depositados bajo ciertas
condiciones fisicoqumicas (presin, temperatura, salinidad, fugacidad de los componentes, Eh,
pH, etc.); debido a esto los yacimientos suelen estar caracterizados por determinados grupos de
elementos tpicos.
En este trabajo se presenta un mtodo de anlisis multielemental denominado anlisis de
grupos, aplicable sobre todo durante la etapa de exploracin; mediante la cual se puede prede-
cir la presencia de ciertos tipos de yacimientos, sobre la base de la organizacin de sus elemen-
tos en grupos (clusters) tpicos. Si estos resultados se complementan con la informacin
geolgica correspondiente, puede ser de gran ayuda, sobre todo cuando se trata de prospectos
regionales.
En el caso de rocas con fuerte alteracin hidrotermal (metasomatitas) es recomendable
realizar anlisis qumicos de roca total (whole rock analysis) ya que los dendogramas nos
indicarn como se asocian los elementos econmicos o sus clusters con los xidos mayores
caractersticos de los principales ensambles de alteracin: silicificacin (SiO
2
), alteracin potsica
o alcalina (K
2
O +/- Na
2
O), arglica (SiO
2
,

Al
2
O
3
), flica (SiO
2
, Fe
2
O
3
, K
2
O), etc.
A partir de una data de anlisis multielementales, es posible, mediante el anlisis de
grupos, juntar elementos sobre la base de su similitud probabilstica, la cual generalmente se
mide con el coeficiente de correlacin lineal o la distancia euclidiana. Primero se construye una
matriz n x n con los valores de similitud; luego se extraen los valores de similitud ms altos y se
recalcula la matriz. El proceso es iterativo hasta que la matriz se reduzca a una de 2 x 2. Los
diferentes niveles de similitud encontrados se utilizan para construir dendogramas. Existen dife-
rentes mtodos de agrupamiento, siendo el de Ward y el llamado promedio ponderado de pares
de grupos, los mas empleados.
Se ha seleccionado dos ejemplos de aplicacin que permitirn apreciar mejor las posibili-
dades de este mtodo. Ambos corresponden a prospectos regionales: uno en el extremo SE de
la cordillera occidental y el otro en la cordillera centro-oriental. El primero se ha procesado por
litologas en reas con anomalas espectrales. El segundo corresponde a una zona fuertemente
metasomatizada, que fue analizada por roca total, lo cual ha permitido asociar los elementos
econmicos con ensambles de alteracin.
* Gelogo Consultor
D|c|emc|e, 1
2C8
I. INTRODUCCION
En este trabajo se hace la presentacin de un par de aplicaciones de la tcnica de agru-
pacin geomatemtica denominada anlisis de grupos (cluster analysis). Si bien esta tcni-
ca tiene muchos campos de aplicacin dentro de la geologa; sin embargo muy pocas veces se
le usa en el campo de los yacimientos minerales.
El presente es un resumen ampliado de la conferencia presentada por el suscrito en el
Seminario Metalogenia y Exploracin de Yacimientos Polimetlicos, realizado en la
FIGMM-UNI, del 2 al 4 de diciembre de 1999; organizado por la Promocin 99-II de gelogos,
a quienes agradezco la oportunidad de poder presentar el presente trabajo.
An cuando el mtodo que presentamos se puede aplicar a un a amplia gama de proble-
mas en geologa, en este caso slo se presenta aplicaciones en yacimientos polimetlicos.
Desde mucho tiempo se sabe que los elementos metlicos ocurren en concentraciones
econmicas slo en ciertos lugares de la corteza; presentando en cada caso cierto tipo de
asociacin, tanto entre ellos como con los elementos acompaantes en las denominadas gangas.
En la figura 1 se muestra un grfico, que se ha modificado a partir del original de Strong
(1980), en el cual se muestra una clara disposicin de los elementos en grupos, cuando se les
plotea en un eje de coordenadas en funcin de sus radios inicos y el potencial inico; este
ltimo es el cociente entre la valencia y el radio inico de cada elemento.
Tal como se puede observar en dicho grfico, podemos concluir que los llamados yaci-
mientos polimetlicos son concentraciones naturales de elementos esencialmente calcfilos y
con bajos estados de oxidacin. Es ampliamente conocido que los ensambles mineralgicos de
cada yacimiento son el resultado de la afinidad geoqumica de los elementos, depositados bajo
ciertas condiciones fisicoqumicas (presin, temperatura, salinidad, fugacidad de los componen-
tes, Eh, pH, etc.); debido a esto los yacimientos suelen estar caracterizados por determinados
grupos de elementos tpicos.
Basndonos en esta hiptesis, podemos utilizar tcnicas de clasificacin matemtica para
ver de que manera los resultados del anlisis qumico multielemental, en determinado prospecto,
se arreglan en grupos, lo cual puede ser de mucha ayuda en la interpretacin gentica.
Tres son las principales tcnicas de Clasificacin en la Geomatemtica:
Anlisis de factores (Factor Analysis)
Anlisis de funciones discriminantes
Anlisis de grupos (Cluster Analysis)
En el caso de este trabajo vamos a tratar exclusivamente del: Anlisis de Grupos, que es
el que nos puede ayudar a reconocer grupos de elementos tpicos de ciertos yacimientos o
asociaciones de los elementos econmicos con cierto tipo de alteraciones.
II. ANALISIS DE GRUPOS
Es una tcnica que permite encontrar interrelaciones entre entidades, que nos permitan
definir grupos o clusters; dichos grupos generalmente no son identificables a simple vista.
Sem|nc||c: MeIc|cgen|c y Exp|c|cc|cn ce Ycc|m|enIcs Pc||meI||ccs
211
La data de anlisis qumico multielemental generada durante una prospeccin geoqumica
es la mejor oportunidad de aplicacin. La expresin grfica de los resultados son los clsicos
dendogramas (ver figuras: 3 a 7).
2.1. CONCEPTOS GENERALES
Clasificar es organizar objetos por grupos, sobre la base de determinadas caractersticas
de similitud. Los taxonomistas han usado estas tcnicas desde hace mucho tiempo, para deducir
el linaje o filogenia de criaturas vivientes, sobre la base de sus caractersticas similares.
En geologa se ha aplicado principalmente en la clasificacin de fsiles invertebrados y en
el estudio de paleoambientes.
2.2. METODOS DE LIGAZON
Al inicio del proceso de ligazn (linkage) cada elemento representa su propio cluster;
en este caso las distancias entre los objetos son definidas directamente por la medida de la
distancia escogida.
Sin embargo, cuando varios objetos han sido legados juntos, cmo determinar las distan-
cias entre estos nuevos clusters?. En otras palabras necesitamos una regla de ligazn para
determinar cuando dos clusters son suficientemente similares para ser puestos juntos.
Hay varios mtodos, por ejemplo podramos poner dos clusters juntos cuando dos obje-
tos de los dos clusters se encuentran ms juntos que la respectiva distancia de ligazn. Esto
quiere decir que estaramos usando los vecinos ms cercanos entre los clusters para determi-
nar la distancia entre ellos; este mtodo es llamado de ligazn simple; y genera tipos encade-
nados de clusters enlazados juntos slo por objetos simples que ocurren muy juntos; alterna-
tivamente podremos usar clusters atravs de vecinos que estn mucho ms lejos unos de
otros; este mtodo es llamado de ligazn completa.
Hay muchos otros mtodos de ligazn; sin embargo los ms usados son dos: el mtodo
del promedio ponderado de pares de grupos y el mtodo de Wards.
En los mtodos del promedio de pares de grupos, dicho promedio puede ser calculado con
o sin ponderacin. El mtodo no ponderado de la distancia entre dos clusters se calcula como
la distancia promedio entre todos los pares de objetos de dos clusters diferentes. Este mtodo
es muy eficiente cuando los objetos forman grupos (clumps) naturales o normales; sin embar-
go tambin suele funcionar bien cuando se trata de grupos de tipo cadena.
El mtodo de la distancia ponderada de pares de grupos es similar al anterior, slo que usa
como ponderador, en el clculo de las distancias, el tamao de los respectivos clusters (es
decir el nmero de objetos contenidos en l). Este mtodo debe ser usado cada vez que se
sospecha que los tamaos de los clusters son muy diferentes.
El mtodo de Wards se diferencia de todos los otros mtodos de ligazn, en que usa un
anlisis de varianza previo, para calcular con mas exactitud las distancias entre clusters. En
resumen este mtodo pretende minimizar la sumatoria de cuadrados de cualquier par de hipot-
ticos clusters que pueden ser formados en cada paso. En general es considerado el mtodo
ms eficiente, an cuando tiende a crear clusters de tamao pequeo. Para mas detalles
respecto a este mtodo se recomienda consultar el artculo de Wards (1963).
Fig. 4. Dendograma de Diques extremo Sur Este de la Cordillera
Occidental.
-0.00 0.50 0.25 1.00 0.75
Au
Cu
Ag
Sb
Zn
Mo
As
Pb
Hg
DENDOGRAMA DE STOCKWORKS
Mtodo del Promedio Ponderado de Pares de Grupos
Pathfinder
del oro
Fig. 5. Dendograma de Stockworks, extremo Sur Este de la Cordillera Occidental.
Sem|nc||c: MeIc|cgen|c y Exp|c|cc|cn ce Ycc|m|enIcs Pc||meI||ccs
217
2.3. PARAMETROS DE LIGAZON
Estos parmetros sirven para establecer disimilitudes o distancias entre los objetos que
conforman un cluster. Tales distancias pueden ser mono- o multi-dimensionales. La forma
ms simple de computar distancias entre objetos en un espacio multidimensional, es a travs de
la denominada distancia euclidiana. Si estuviramos calculando la similitud en un espacio bi- o
tri-dimensional, sta sera simplemente la distancia o diferencia entre dichos objetos en el espa-
cio, tal como si la midiramos con una regla. Sin embargo, para muchos investigadores este
parmetro no es el ms apropiado para determinar la ligazn entre objetos, por lo que se han
propuesto muchos otros.
Los principales parmetros de similitud son:
a) Coeficiente de correlacin lineal; el cual se calcula con la siguiente frmula:
Donde r es el coeficiente de correlacin lineal entre dos elementos x e y; COV es su
covarianza; y S
x
y S
y
sus respectivas desviaciones estndar.
La distancia euclidiana d
ij,
entre dos objetos i y j, definidas en un espacio m-dimensio-
nal, se calcula con la frmula siguiente:
Donde X
ik
es la k-sima variable medida en el objeto i; mientras que X
jk
es la k-sima
variable medida en el objeto j. En todos los casos en cada objeto se mide m variables; siendo d
ij
la distancia o disimilitud entre el objeto i y el j. Obviamente una distancia corta indica que dos
objetos son muy similares entre ellos.
Otros parmetros de ligazn menos frecuentes que los mencionados son: el cuadrado de
la distancia euclidiana, la distancia city-block, la distancia Chebychev, la distancia potencia-
da y el porcentaje de discordancia (dissagreement).
2.4. CONSTRUCCION DEL DENDOGRAMA
El dendograma es la forma grfica mas usada de representar clusters; cada uno de los
cuales viene a conformar una especie de rectngulo cuya longitud est en funcin de la simila-
ridad y su ancho en funcin de la cantidad de objetos que une.
Para la construccin del dendograma es necesario primero calcular la denominada matriz
de similitudes. El mtodo ms difundido es el de agrupamiento jerrquico. Se parte de una
matriz de similitudes n x n de todos los pares de observaciones calculadas. Luego se extrae de
dicha matriz los pares con las ms altas similitudes y se recalcula una nueva matriz promediando
las similitudes de las observaciones restantes. El proceso es iterativo hasta que la matriz de
similitud se reduzca a una de 2 x 2.
Se necesita primero constituir una matriz inicial: n x m (m muestras analizadas por n
elementos). Luego se calcula los parmetros de similitud (coeficiente de correlacin, distancia
euclidiana, etc.) entre cada par de elementos n; los resultados se constituyen en una matriz n x
n denominada matriz de similitud.
y x
xy
xy
S S
COV
r =
m
X X
d
jk ik
ij

=
=
2
1
m
k
D|c|emc|e, 1
218
Mas detalles respecto al mtodo de agrupamiento jerrquico y otras formas de clasifica-
cin, se podrn encontrar en Tryon & Bailey (1970) y Sneath & Sokal (1973).
En la figura 2 se plantea un ejemplo de clculo de una matriz de similitud y su correspon-
diente dendograma. En este caso se ha utilizado como parmetro de ligazn el coeficiente de
correlacin lineal.
III. EJEMPLOS DE APLICACION
Se ha seleccionado varios ejemplos de aplicacin que permitirn apreciar mejor las posi-
bilidades de este mtodo. Todos corresponden a prospectos de exploracin regionales: uno en el
extremo SE de la cordillera occidental y el otro en la cordillera centro-oriental.
Los dendogramas de la figura 3 corresponden a un prospecto regional ubicado en el
extremo SE de la coordillera occidental, en rocas volcnicas del Barroso. Sobre la base de la
interpretacin de las imgenes satelitales se ubicaron zonas con anomalas espectrales, lo cual
permiti seleccionar targets de prospeccin geoqumica.
Los resultados de la zona Oeste resultaron realmente interesantes (fig. 3A). El dendograma
correspondiente muestra tres grupos de clusters claramente asociables con tres tipos de
mineralizacin diferentes: el cluster de Cu-Mo tpico de prfidos de cobre, el cluster mlti-
ple Zn-Sb-Ag- (Au) que corresponde a vetas epitermales, y finalmente el cluster As-Hg-
(Pb) que representa a las pequeas vetillas perifricas a las otras dos mineralizaciones mencio-
nadas. Los dos sistemas filoneanos fueron reconocidos en los trabajos de campo; ms no as el
prfido de cobre; sin embargo gracias a su caracterizacin por medio del dendograma se reco-
mend afinar la prospeccin para comprobar la presencia del supuesto prfido de cobre.
En la fig. 3B, correspondiente a la zona sur-este, la presencia de un prfido de Cu-Mo es
todava ms inminente; en este caso el Zn (esfalerita?) estara claramente asociado a la
mineralizacin del prfido; los otros tres elementos deben corresponder a mineralizacin perifrica.
Cuando se hizo el ploteo de dendogramas por tipos litolgicos especficos result que los
diques andesticos que cortan al Barroso presentan un dendograma similar a la de los prfidos
de cobre (fig. 4); lo cual puede significar alguna filiacin gentica entre estos diques y los
prfidos en cuestin.
La prospeccin geoqumica arroj algunos valores anmalos de oro, los cuales se asocia-
ban claramente con stockworks de cuarzo. En el dendograma de la fig. 5 se observa un
cluster muy definido entre el Au y el As. Este resultado permite definir, al arsnico como un
pathfinder del oro; lo cual a partir de ese momento ha sido considerado en la prospeccin
ulterior.
Las otras aplicaciones que vamos a comentar a continuacin corresponden a una campa-
a de exploracin por Cu-Au en la cordillera centro oriental. Se trata de una zona con fuerte
alteracin hidrotermal (metasomatitas). En este caso es recomendable realizar no slo el anli-
sis de los elementos comunes, sino adems anlisis qumicos de roca total (whole rock analysis)
ya que los dendogramas nos indicarn como se asocian los elementos econmicos o sus clusters
con los xidos mayores caractersticos de los principales ensambles de alteracin: silicificacin
(SiO
2
), alteracin potsica o alcalina (K
2
O +/- Na
2
O), arglica (SiO
2
,

Al
2
O
3
), flica (SiO
2
, Fe
2
O
3
,
K
2
O), etc.
Sem|nc||c: MeIc|cgen|c y Exp|c|cc|cn ce Ycc|m|enIcs Pc||meI||ccs
21
En la fig. 6 se observa que el Au y el Cu deben corresponder a mineralizaciones diferen-
tes, ya que forman cluster dismiles. Curiosamente el Au presenta un fuerte cluster con el
Mo. Por su parte el Au se encuentra claramente asociado con una alteracin alcalina (fig. 7).
La asociacin del Au con el Mo nos estara indicando que ambos elementos se habran precipi-
tado en una facies neumatognica, que es la caracterstica habitual del molibdeno.
Por su parte el Cu presenta un cluster con el SiO2, o lo que es lo mismo, con la
silicificacin. A pesar que este cluster es ms endeble que el anterior, dicha asociacin ya se
ha podido comprobar en el campo, ya que hay zonas con presencia de calcopirita y oxisales de
cobre en rocas volcnicas silicificadas.
Debemos mencionar que los resultados presentados en el presente reporte son slo pre-
liminares; se tiene pensado realizar mas aplicaciones similares, lo cual seguramente nos permi-
tir realizar mas publicaciones que complementen la presente.
REFERENCIA BIBLIOGRAFICA
Johnson, S.C. (1967).
Hierarchical clustering schemes.- Psychometrika, 32: 241-254.
Sneath, P.H.A. & Sokal, R.R. (1973).
Numerical taxonomy.- (Freeman).
Strong, D.F. (1980). Granitoid rocks and associated mineral deposits of eastern Canada and
western Europe in Strangway, D.W. (Ed.) The Continental Crust and Its Mineral
Deposits.- Geol. Assoc. Can. Spec. P. 20: 741-769.
Tryon, R.C. & Bailey D.E. (1970).
Cluster analysis.- 347 p. (McGraw-Hill).
Ward, J.H. (1963).
Hierarchical grouping to optimize an objective function.- J. Am. Statistical Assoc., 58:
236.
D|c|emc|e, 1
22C