APLICACIÓN DE SPSS Y OASIS PARA EL ANALISIS ANALISIS GEOESTADISTICO DE Ni , Cr y Cu
PROSPECCIONES E INVESTIGACIONES GEOLOGICAS|2013
UNIVERSIDAD NACIONAL DANIEL ALCIDES CARRION FACULTAD DE NGENIERIA ESCUELA DE FORMACION PROFESIONAL DE GEOLOGIA
APLICACIÓN DE SPSS Y OASIS MOUNTAIN 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.
UNIVERSIDAD NACIONAL DANIEL ALCIDES CARRION FACULTAD DE NGENIERIA ESCUELA DE FORMACION PROFESIONAL DE GEOLOGIA
APLICACIÓN DE SPSS Y OASIS MOUNTAIN 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 yacimi entos 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 l os 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 N
Perdidos Porcentaj
N
e LNCU
1059
100,0%
Total Porcentaj
N
e 0
0,0%
Porcentaj e
1059
100,0%
Diagrama de Caja de Cromo
Resumen del procesamiento de los casos Casos Válidos
LNCR
Perdidos
Total
N
Porcentaje
N
Porcentaje
N
Porcentaje
1071
100,0%
0
0,0%
1071
100,0%
Diagrama de Caja de Ni
Resumen del procesamiento de los casos Casos Válidos
LnNi
Perdidos
Total
N
Porcentaje
N
Porcentaje
N
Porcentaje
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
Correlación de Pearson Crppm
Cuppm
Nippm
Crppm
Cuppm
Nippm
1
,023
,561
,453
,000
Sig. (bilateral)
**
N
1073
1073
1073
Correlación de Pearson
,023
1
,129
Sig. (bilateral)
,453
N
1073
Correlación de Pearson
,561
,129
Sig. (bilateral)
,000
,000
N
1073
1073
**
**
,000 1073 **
**. La correlación es significativa al nivel 0,01 (bilateral).
DIAGRAMA DE SEDIMENTACION
1073 1
1073
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
Background : 3,63 Threshold : 4,75 Anomalía : >4,75
X +2S = 4,75
Norte
Este
Cuppm
LNCU
8147375.00
861503.88
172.00
5.15
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
MG CU
DV CU
3.585462
0.559495
TRESHOLD 4.704451
ANTIG 110.4376
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
Background : 3,47 Threshold : 4,85 Anomalía : >4,85
X +2S = 4,85
Norte
Este
Cr ppm
LN CR
8193785
1103938
256
5.545177444
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
MEDIA 3.396513323
DESVIACION 0.70014204
TRESHOLD
ANTILOG
4.7967974
121.121891
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
Background : 2,47 Threshold : 3,39 Anomalía : >3,39
X +2S = 3,39
Norte
Este
Ni ppm
LnNi
8162339.00
758106.25
37.00
3.61
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
Media Desviacion Geom. 2.429582 0.456913
Threshold 3.343409
Antilog 28.31548
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
Correlación de Pearson Crppm
Correlación de Pearson
1
,023
Nippm **
,561
,453
,000
1073
1073
1073
,023
1
Sig. (bilateral)
,453
N
1073
Correlación de Pearson Nippm
Cuppm
Sig. (bilateral) N
Cuppm
Crppm
,561
**
**
,129
,000 1073 **
,129
Sig. (bilateral)
,000
,000
N
1073
1073
**. La correlación es significativa al nivel 0,01 (bilateral).
1073 1
1073
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 Cu_ppm Ni_ppm
1.000 0.087 0.553 0.087 1.000 0.285 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 Cu_ppm Ni_ppm
0.623 0.448 0.641 0.377 -0.890 0.255 0.685 0.083 -0.724
Principal component loadings ---------------------------PC1 PC2 PC3 Cr_ppm Cu_ppm Ni_ppm
0.803 0.432 0.411 0.486 -0.859 0.163 0.882 0.080 -0.464
Proportion of variables explained by factors
-------------------------------------------No. of factors Variable 1 2 3 Cr_ppm Cu_ppm Ni_ppm
0.645 0.831 1.000 0.236 0.973 1.000 0.779 0.785 1.000
Varimax Principal component loadings -----------------------------------PC1 Cr_ppm Cu_ppm Ni_ppm
0.803 0.486 0.882
Proportion of variables explained by varimax factors ---------------------------------------------------No. of factors Variable 1 Cr_ppm Cu_ppm Ni_ppm
0.645 0.236 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.
