Академический Документы
Профессиональный Документы
Культура Документы
Parte I
Por Analista de Noticias - InfoMine, 2010-07-11, 16:02 - ENLACE PERMANENTE
Por Ing. Goyo Guzmn
La forma ms sencilla de llevar a cabo un control geoqumico de nuestra informacin de
muestras de campo es mediante Excel, previa recarga de un complemento llamado
Herramientas para Anlisis.
La data cruda enviada por el laboratorio contiene informacin que muchas veces se
encuentra por debajo o encima del lmite de deteccin, esta informacin generalmente est
representada por cantidades antecedidas por un smbolo (<, -, >). Excel toma como texto
cualquier informacin numrica que lleve algn smbolo, por eso debemos filtrar y cambiar
todos los valores con smbolos y cambiar su formato final de celda a numrico.
Las reglas para estos cambios no son estndar pero se acostumbra darle la mitad al lmite
inferior detectable y su valor nominal al lmite superior, si no hay un re-muestreo por otro
mtodo para hallar su ley real de este ltimo.
Es necesario asegurarse que toda la informacin de leyes geoqumicas sea data numrica,
de lo contrario tendremos muchos errores durante el procesamiento.
Anlisis Estadstico I
El anlisis estadstico se obtiene mediante frmulas aplicadas en Excel para cada elemento
en el orden indicado:
En este punto se procede a eliminar las columnas con valores de varianza y desviacin
promedio nula o igual a cero, esto es bastante relativo y depende mucho de la cantidad de
informacin a procesar, es decir lo que se trata de evitar son columnas de elementos sin
informacin debido a que no pudieron superar el lmite de deteccin, originando datos
repetitivos y bastante homogneos, que repercuten en errores al momento de hacer los
anlisis posteriores.
De estos datos eliminados, aunque para nuestro anlisis estadstico no sean relevantes, sin
embargo es necesario representar slo los valores por encima del lmite detectable en
nuestros planos como referencia importante para interpretaciones posteriores.
Sobre este diagrama, los valores negativos se pasan como valor absoluto a positivos y
mediante formato condicional se da rangos de colores, donde el valor que ms se
aproxime a uno ser el de correlacin ms fuerte, y as mismo el que se aproxime ms a
cero tendr una correlacin nula o ausente.
El Diagrama de Correlacin de Pearson nos sirve para poder trabajar con los diagramas
multivariables, haciendo posible la asociacin de todos los elementos que sern
representados en un mapa a la vez. Este tipo de mapas no tiene restricciones en cuanto a su
uso, ya que puede emplearse incluso en mallas geoqumicas espacialmente uniformes, lo
contrario a los mapas de isocontornos que veremos posteriormente.
Anlisis Estadstico II
Volviendo a nuestro cuadro de Anlisis Estadstico, procedemos a hacer los clculos del
fondo regional y umbrales anmalos para cada elemento previamente corregido y filtrado
como indicamos anteriormente. De igual forma seguiremos un orden con sus respectivas
frmulas para cada clculo como sigue:
Estos clculos se usarn para generar nuestros mapas de isocontornos geoqumicos, sin
embargo es recomendable realizarlos solo para los elementos de importancia econmica o
como investigacin cientfica para otros propsitos ambientales, climticos, etc. Tambin es
recomendable, principalmente en lo que respecta a escala y confiabilidad de la informacin,
realizar este tipo de mapas donde exista gran informacin de datos con un espaciamiento
uniforme en ambos ejes (Este y Norte) como en el muestreo de mallas geoqumicas, caso
contrario solo se aplicarn los diagramas multivariables, como se aprecia en el ejemplo
adjunto que corresponde a muestras de afloramientos discontinuos y ampliamente
espaciados.
RESUMEN
* Gelogo Consultor
I. INTRODUCCION
En este trabajo se hace la presentacin de un par de aplicaciones de la tcnica de
agrupacin geo matemtica denominada
Anlisis de grupos
(cluster analysis). Si bien esta tcnica 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. Aun
cuando el mtodo que presentamos se puede aplicar a una amplia gama de problemas 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 yacimientos polimetlicos
son concentraciones naturales de elementos esencialmente calcfilos y con bajos estados de
oxidacin. Es ampliamente conocido que los ensambles mineralgicos dcada yacimiento
son 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 determina dos
grupos de elementos tpicos. Basndonos en esta hiptesis, podemos utilizar tcnicas de
clasificacin matemtica para ver de qu manera los resultados del anlisis qumico
multielemental, en determinado prospecto, se arreglan en grupos, lo cual puede ser de
10
11
de ligazn. Esto quiere decir que estaramos usando los vecinos ms cercanos entre los
clusters para determinar 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; alternativamente podremos usar clusters a travs 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 embargo 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 ms exactitud las distancias entre clusters. En resumen
este mtodo pretende minimizar la sumatoria de cuadrados de cualquier par de hipotticos
clusters que pueden ser formados en cada paso. En general es considerado el mtodo ms
eficiente, aun cuando tiende a crear clusters de tamao pequeo. Para ms detalles
respecto a este mtodo se recomienda consultar el artculo de Wards (1963).
13
14
15
DENDOGRAMA DE STOCKWORKS
Mtodo del Promedio Ponderado de Pares de Grupos
Fig. 5. Dendograma de Stockworks, extremo Sur Este de la Cordillera Occidental.
Pathfinde
Au
r
As
Cu
Ag
Pb
Zn
Sb
Hg
M
0.0
0.25
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 dela denominada
Distancia euclidiana.
Si estuviramos calculando la similitud en un espacio bi- o tridimensional, sta sera
simplemente la distancia o diferencia entre dichos objetos en el espacio, 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.
16
COVxy
SxSy
dij=
( Xik Xjk ) 2
k
Donde Xik es la k-sima variable medida en el objeto i; mientras que X jk es la ksimavariable medida en el objeto j. En todos los casos en cada objeto se mide m variables;
siendo dij 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 dela 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 ms usada de representar clusters; cada uno de los
cuales viene a conformar una especie de rectngulo cuya longitud est en funcin de la
similaridad 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
promedindolas 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
17
18
(SiO2), alteracin potsica o alcalina (K2O +/- Na 2O), arglica (SiO2, Al2O3), flica
(SiO2, Fe2O3, K2O), etc.
En la fig. 6 se observa que el Au y el Cu deben corresponder a mineralizaciones diferentes,
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
precipitado 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 ms
aplicaciones similares, lo cual seguramente nos permitir realizar ms 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
andwestern Europe in Strangway, D.W. (Ed.) The Continental Crust and Its
MineralDeposits.- 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.
19