Uy24 17677

Análisis estadístico de datos
geoquímicos de muestras de
suelo y roca del área de Cerro
la Tuna, Cerro Largo
Licenciatura en Geología
Trabajo Final
Montevideo, Julio de 2015

Autor: Pablo Velázquez
Tutora: Dra. Elena Peel
Trabajo Final de Licenciatura en Geología Pablo Velázquez
Índice
Resumen ........................................................................................................................... 9
1. Introducción ............................................................................................................ 10
2. Objetivos ................................................................................................................. 10
2.1 Objetivo general ............................................................................................... 10
2.2 Objetivos específicos ....................................................................................... 10
3. Ubicación del área de trabajo .................................................................................. 11
4. Materiales ................................................................................................................ 12
5. Métodos prospectivos y de análisis de datos geoquímicos usados ......................... 12
5.1 Metodología de exploración de UMG ............................................................. 14
5.1.1 Foto-interpretación ................................................................................... 15
5.1.2 Mapeo ....................................................................................................... 15
5.1.3 Extracción de muestras de roca ................................................................ 16
5.1.4 Definición de malla de suelos................................................................... 16
5.1.5 Extracción de muestras de suelo ............................................................... 17
5.1.6 Empaquetado y preparado ........................................................................ 19
5.1.7 Análisis químico ....................................................................................... 20
5.1.8 Aseguramiento de calidad y control de calidad (AC/CC) ........................ 21
5.1.9 Validación de resultados........................................................................... 24
5.2 Métodos Estadísticos ....................................................................................... 26
5.2.1 Conceptos y fórmulas aplicados en el capítulo “Calidad de los datos” ... 26
5.2.2 Conceptos y formulas aplicados en el capítulo “Estadística descriptiva” 29
5.2.3 Conceptos y formulas aplicados en el capítulo “Estadística Multivariada”

34
5.2.4 Conceptos y formulas aplicados en el capítulo “Representación de mapas

de isovalores” .......................................................................................................... 41
6. Geología regional .................................................................................................... 46
6.1 Introducción ..................................................................................................... 46

6.1.1 Terreno Piedra Alta .................................................................................. 47
6.1.2 Terreno Nico Pérez ................................................................................... 47
6.1.3 Terreno Cuchilla Dionisio ........................................................................ 48
6.1.4 Zonas de Cizallamiento Principales ......................................................... 48
7. Geología Local ........................................................................................................ 49
7.1 Geología del área de estudio ............................................................................ 50
8. Calidad de los datos................................................................................................. 54
8.1 Suelos ............................................................................................................... 55
8.1.2 Coeficiente correlación de Pearson (R) .................................................... 55
8.1.3 Análisis de varianzas ................................................................................ 61
8.2 Rocas ................................................................................................................ 63
8.2.1 Cantidad de observaciones por litología ................................................... 63
8.2.2 Límites de detección ................................................................................. 64
9. Estadística descriptiva ............................................................................................. 65
9.1 Suelos ............................................................................................................... 65
9.1.1 Estadística general .................................................................................... 65
9.1.2 Normalidad de las variables ..................................................................... 66
9.1.3 Outliers ..................................................................................................... 68
9.1.4 Estandarización......................................................................................... 70
9.1.5 Exclusión de outliers ................................................................................ 70
9.2 Roca ................................................................................................................. 73
9.2.1 Estadística descriptiva general.................................................................. 73
9.2.2 Normalidad de las variables ..................................................................... 74
9.2.3 Estadística descriptiva por litologíaa ........................................................ 74
9.2.4 Coeficiente de variación por litología ...................................................... 77
9.2.5 Diagramas de caja ..................................................................................... 78
9.2.6 Estadística descriptiva y outliers en litologías afines ............................... 80

10. Estadística Multivariada .......................................................................................... 86
10.1 Análisis de Correlaciones ................................................................................ 86
10.1.1 Suelos........................................................................................................ 86
10.1.2 Roca .......................................................................................................... 87
10.2 Análisis de agrupamientos (Cluster Analysis) ................................................. 90
10.2.1 Roca .......................................................................................................... 91
10.2.2 Suelo ....................................................................................................... 100
10.3 Análisis de componentes principales (PCA) .................................................. 103
10.3.1 Roca ........................................................................................................ 103
10.3.2 Suelo ....................................................................................................... 106
11. Representación de mapas de isovalores ................................................................ 113
12. Conclusiones ......................................................................................................... 116
12.1 De la calidad de los datos............................................................................... 116
12.2 De estadística descriptiva ............................................................................... 116
12.3 De estadística multivariada ............................................................................ 117
12.4 De la representación de mapas de isovalores ................................................. 119
13. Bibliografía............................................................................................................ 120
Índice de Figuras
Fig. 1. Mapa de ubicación del área de trabajo ................................................................ 11
Fig. 2. Mosaico de fotos aéreas 1:20.000 del SGM. ....................................................... 15
Fig. 3. Imagen Google Earth usada para fotointerpretación y foto-lectura .................... 16
Fig. 4. Malla de muestreo de suelos ............................................................................... 17
Fig. 5. Marcado de muestra y extracción de perfil de suelo mediante pala de cateo ..... 18
Fig. 6. Muestras de suelo empaquetadas ........................................................................ 19
Fig. 7. Precisión y exactitud ........................................................................................... 22
Fig. 8. Esquema de procesamiento de muestras ............................................................. 23
Fig. 9. Representación gráfica de los principales componentes en un ANOVA ............ 29
Fig. 10. Ejemplo de ajuste de una población empírica a una teórica midiendo el
estadístico D según test de Kolmogorov-Smirnov. ........................................................ 31
Fig. 11. Representación gráfica de componentes principales......................................... 40
Fig. 12. Diferentes tipos de incremento para muestreo regular. ..................................... 41
Fig. 13. Principales componentes de un semivariograma .............................................. 42
Fig. 14. Modelo teórico de semivariograma esférico con sus principales ecuaciones
matemáticas .................................................................................................................... 43
Fig. 15. Modelo teórico de semivariograma exponencial con sus principales ecuaciones
matemáticas .................................................................................................................... 44
Fig. 16. A) Área de afloramiento del basamento precámbrico en Uruguay. B) Dominios
geotectónicos del territorio uruguayo. ZCSY: zona de cizallamiento Sarandí del Yí;
ZCIP: zona de cizallamiento Isla Patrulla; ZCSB: zona de cizallamiento de Sierra
Ballena.. .......................................................................................................................... 46
Fig. 17. Mapa de afloramientos realizado por UMG ...................................................... 52
Fig. 18. Mapa geológico del área de estudio .................................................................. 53
Fig. 19. Diagramas de dispersión de muestra original vs. Duplicado de campo para las
variables Al, As, Ba, Bi, Ca, Co, Cu, Fe, K , Mg, Mn y Ni. .......................................... 57
Fig. 20. Diagramas de dispersión de muestra original vs. Duplicado de campo para las
variables P, Pb, Sc, Sr, Ti, V y Zn .................................................................................. 58
Fig. 21. Diagramas de dispersión de muestra original con duplicado analítico para las
variables Ag, Al, As, Ba, Ca, Co, Cu, Fe, K, La, Mg y Mn. ......................................... 59
Fig. 22. Diagramas de dispersión de muestra original con duplicado analítico para las
variables Ni, P, Pb, Sb, Sc, Sr, Ti, V y Zn. ..................................................................... 60
Fig. 23. A) ANOVA de duplicados analíticos según variable As. B) ANOVA de
duplicados analíticos según variable Ni ......................................................................... 62
Fig. 24. Gráficos de comparación con distribuciones normales de las distribuciones
empíricas para las variables Fe y Co, sin transformar y log-transformadas. .................. 67
Fig. 25. Diagrama tipo box-plot de observaciones de suelo ........................................... 69
Fig. 26. Diagrama box-plot estandarizado para observaciones de suelo. ....................... 71
Fig. 27. Diagrama box-plot de observaciones de suelo sin outliers. .............................. 72
Fig. 28. Diagramas tipo box-plot según litología y las variables LogAl, LogCa, Co,
LogCu, LogFe y Mn. ...................................................................................................... 79
Fig. 29. Diagramas tipo box-plot según litología y las variables Ni, LogP, LogSc y
LogV. .............................................................................................................................. 80
Fig. 30. Diagrama tipo box-plot de esquistos y tremolititas. .......................................... 83

Fig. 31. Diagrama tipo box-plot para venas de cuarzo. .................................................. 84
Fig. 32. Diagrama tipo box-plot para serpentinitas. ....................................................... 85
Fig. 33. Relación Co/Ni según litologías: Esquistos y tremolititas (EQT), venas de
cuarzo (QZV) y serpentinitas (SER). ............................................................................. 90
Fig. 34. Dendrograma de agrupamiento pareado igualmente ponderado usando media
aritmética (UPGMA) de observaciones de roca considerando todas las observaciones y
todas las variables.. ......................................................................................................... 93
aritmética (UPGMA) de observaciones de roca considerando todas las variables con
exclusión de outliers. ...................................................................................................... 95
aritmética (UPGMA) de variables de roca considerando todas las observaciones y todas
las variables. ................................................................................................................... 97
aritmética (UPGMA) de observaciones de roca considerando todas las observaciones y
únicamente las variables Co y Ni. ................................................................................. 99
aritmética (UPGMA) de variables de suelo considerando todas las observaciones y
todas las variables ......................................................................................................... 102
Fig. 39. Diagrama circular de coordenadas estandarizadas de componentes principales 1
y 2 (PC1 y PC2) para rocas. ......................................................................................... 104
Fig. 40. Grafico de dispersión de observaciones de roca proyectadas a los componentes
principales 1 (PC1) y 2 (PC2)....................................................................................... 105
y 2 (PC1 y PC2) para suelo .......................................................................................... 108
y 3 (PC1 y PC3). ........................................................................................................... 109
Fig. 43. Grafico de dispersión de observaciones de suelo proyectadas a los componentes
principales 1 (PC1) y 2 (PC2)....................................................................................... 110
Fig. 44. . Mapa de litologías interpretadas a partir de análisis de componentes
principales en observaciones de suelo. ......................................................................... 111
Fig. 45. Mapa de isovalores interpolados a partir de muestra de suelos para la variable
Co.................................................................................................................................. 114
Fig. 46. Mapa de isovalores interpolados a partir de muestra de suelos para la variable
Ni. ................................................................................................................................. 115
Índice de Tablas
Tabla 5-I. Diseño de ANOVA para duplicados de campo y analíticos .......................... 27
8-I. Parametros de calidad para observaciones de suelo ................................................ 54
8-II. Cantidad de observaciones según tipo litológico en rocas ..................................... 63
8-III. Límites de detección en observaciones de roca .................................................... 64
9-I. Principales parámetros estadísticos de observaciones de suelo por variable ........... 65
9-II. Normalidad de las variables en observaciones de suelo ......................................... 66
9-III. Principales parámetros de análisis por Box-plots para observaciones de suelo. ... 68
9-IV. Principales parámetros estadísticos de rocas sin diferenciar. ............................... 73
9-V. Normalidad de las variables en observaciones de roca. ......................................... 74
9-VI. Principales parámetros estadísticos por litología. ................................................. 76
9-VII. Relación de coeficientes de variación por tipo litológico .................................... 77
9-VIII. Principales parámetros estadísticos de litologías redefinidas según afinidades
químicas (EQT, QZV y SER). ........................................................................................ 81
10-I. Suelos. Coeficientes de correlación de Pearson (encima de la diagonal; calculados
sin considerar outliers) y de Spearman (debajo de la diagonal; calculado considerando
todas las observaciones). ................................................................................................ 86
10-II. Rocas. Coeficientes de correlación de Pearson (encima de la diagonal; calculados
sin considerar outliers) y de Spearman (debajo de la diagonal; calculado considerando
todas las observaciones). ................................................................................................ 87
10-III. Coeficientes de correlación de Pearson (r) y Spearman ( según litología....... 89
10-IV. Correlaciones cofenéticas entre dendrogramas de agrupación de observaciones
(considerando toda la muestra) y matriz de similaridad en roca .................................... 91
10-V. Correlaciones cofenéticas entre dendrogramas de agrupación de observaciones
(excluyendo a outliers de la muestra) y matriz de similaridad en roca. ......................... 94
10-VI. Correlaciones cofenéticas entre dendrogramas de agrupación de variables
(considerando toda la muestra) y matriz de similaridad en roca. ................................... 96
10-VII. Correlaciones cofenéticas entre dendrogramas de agrupación de variables (para
las variables Co y Ni sin considerar outliers) y matriz de similaridad en roca .............. 98
10-VIII. Correlaciones cofenéticas entre dendrogramas de agrupación de observaciones
(considerando toda la muestra) y matriz de similaridad en suelo................................. 100
10-IX. Autovectores de los 10 primeros componentes principales en roca ................. 103

10-X. Autovalores de los 10 primeros componentes principales en roca .................... 103
10-XI. Correlación estandarizada entre variables y componentes principales en roca. 104
10-XII. Autovectores de los 10 primeros componentes principales en suelo .............. 106
10-XIII. Autovalores de los 10 primeros componentes principales en suelo ............... 107
10-XIV. Correlación estandarizada entre variables y componentes principales 1,2 y 3 de
suelo. ............................................................................................................................. 107
Resumen
El Cerro la Tuna se encuentra a unos 40 km al sureste de la ciudad de Melo y forma
parte de un pliegue con un plano axial de dirección Norte-Sur que ocupa parte del
denominado Complejo Paso del Dragón. Litológicamente, el complejo está representado
en el área por una asociación meta-vulcano-sedimentaria de esquistos cuarzo-
feldespáticos a muscovita, con intercalaciones de cuarcitas, meta-volcánicas félsicas y
esquistos anfibólicos con granate. Dentro del complejo también se encuentran rocas
máficas-utramáficas que incluyen: serpentinitas, esquistos magnesianos y esquistos
anfibólicos. Las serpentinitas son de especial interés económico por presentar
concentraciones interesantes de cromo.
Dada la presencia de litologías con potencial como recurso mineral, la empresa Union
Minerals Group (UMG) realizó una prospección que incluyó un muestreo de rocas y
suelo. Los resultados de esta prospección fueron facilitados por la empresa para la
realización de este trabajo final que tiene como objetivo general, analizar e interpretar la
información geoquímica disponible de suelos y rocas del área del Cerro la Tuna,
empleando herramientas de estadística descriptiva y multivariada.
En función del análisis de calidad de las 33 variables originalmente analizadas, se

identificó que solamente Al, Ca, Cu, Co, Fe, K, Mn, Ni, P, Sc, Ti y V son de respuesta
analítica aceptable para análisis estadísticos ulteriores.
Las litologías consideradas en campo por UMG fueron reagrupadas en función del
análisis del comportamiento de las variables químicas en los box-plots y en el test de
Kruskal-Wallis. De 8 definidas originalmente quedaron solo 3. Las serpentinitas
cumulares y masivas se reagruparon como serpentinitas (SER); los clorito-esquistos,
mica-esquistos y las tremolititas fueron reagrupadas como esquistos y tremolititas
(EQT). Las venas de cuarzo (QZV) permanecieron como un grupo aislado.
El análisis estadístico de los resultados químicos en roca mostró que las serpentinitas se
caracterizan por tener altas concentraciones relativas de los elementos Co, Ni y Mn.
Mediante la interpretación de los mapas de isovalores de estos elementos, generados a
partir de la interpolación de las muestras de suelo, se identificó que la principal área de
ocurrencia de las serpentinitas es en el sector más oriental charnela del pliegue.
9
1. Introducción
Se presenta aquí el informe del Trabajo Final de Licenciatura que se enmarca dentro de
la geoquímica aplicada, particularmente relacionada a la prospección geoquímica de
suelos y rocas. La temática abordada en este trabajo surgió ante el ofrecimiento de la
empresa Union Minerals Group (UMG) de emplear su base de datos de análisis químico
de suelos y roca del área del cerro La Tuna, localizado en el departamento de Cerro
Largo.
La base de datos facilitada por UMG fue generada en una campaña de prospección
llevada a cabo por la empresa en el año 2012. Debido a que el objetivo de dicha
campaña fue la dosificación de cromo presente en el mineral cromita, asociado a parte
de las litologías presentes en esa área, la empresa excluyo al elemento Cr. La razón de
esta exclusión fue la preservación de la confidencialidad de su información. No obstante
esto, se contó con más de 1500 análisis químicos de muestras, incluyendo más de 100
muestras de control, permitiendo realizar un control de calidad de los datos y el análisis
estadístico descriptivo y multivariado.
Nota: el concepto de muestra será utilizado con dos acepciones diferentes. En los
capítulos 1, 2,3, 4 y 5.1 se usará con la acepción geoquímica, que refiere a un espécimen
físico representado por una suite de concentraciones de ciertos elementos (Davis, 2002).
Desde el punto 5.2 en adelante se usará el término “muestra” en su acepción estadística,
que refiere a un subconjunto de elementos tomados de una población (Davis, 2002).
Aplicando el concepto de “observación” para referirse al espécimen físico puntual. El
término “variable” se usará para referirse a los elementos medidos mediante el análisis
químico.
2. Objetivos
2.1 Objetivo general

Se tiene como objetivo general, analizar e interpretar la información geoquímica
disponible de suelos y rocas del área del Cerro la Tuna, empleando herramientas de
estadística descriptiva y multivariada.
2.2 Objetivos específicos

Se tiene como objetivos específicos los planteados a continuación:
10
 Efectuar un control de calidad de los datos químicos aportados por UMG.

 Estudiar las posibles relaciones entre los parámetros químicos en los suelos y
rocas.
 Clasificar las muestras de roca y de suelo extraídas en función de su química.
 Vincular los resultados obtenidos estudiando la incidencia de la geología en la
composición del suelo asociado.
 Elaborar mapas de isotenores de parámetros detectados de interés en el
transcurso del análisis estadístico.
3. Ubicación del área de trabajo

El área de trabajo abarca el cerro La Tuna que se encuentra a unos 40 km al SE de la
ciudad de Melo, capital del departamento de Cerro Largo. Ocupa el sector centro-sur de
la carta topográfica C-16 Mangrullo, correspondiente al Plan Cartográfico Nacional
elaborado por el Servicio Geográfico Militar. Fue prospectada un área de 5,7539 km2,
enmarcada entre las coordenadas rectangulares x: 234315,6 – 237607 e y: 6393958,8-
6395766,8 correspondientes al sistema de coordenadas WGS 1984 UTM zona 22 (ver
Fig.1A y C).
Fig. 1. Mapa de ubicación del área de trabajo
11
El acceso principal desde Montevideo se realiza recorriendo 400 Km en sentido norte

por la ruta N°8, llegando a la cuidad de Melo, se toma la ruta N°26 hacia el este
recorriendo 42 Km más hasta alcanzar el empalme con un camino vecinal que sale hacia
el sur. Transitando unos 10 Km por este camino vecinal se accede al área de estudio por
su zona norte (Fig.1B).
4. Materiales
Para la realización del trabajo Final fue necesario el manejo de los siguientes recursos:
 Documentos cartográficos del área, tales como carta topográfica C-16

Mangrullo, a escala 1:50.000, e imágenes satelitales del área obtenidas a través
del software Google Earth ™.
 Base de datos de análisis químicos de suelos y rocas del área, conteniendo
duplicados analíticos y de campo para las muestras de suelo, proporcionada por
la empresa UMG.
 Software estadístico R versión 3.1.2.
 Software para visualización de resultados en el espacio, ArcGisTM versión
10.2.2.
 Material bibliográfico tales como libros de texto, artículos científicos, y tesis de
posgrado sobre geología regional y local, estadística descriptiva y multivariada,
y de prospección geoquímica.
5. Métodos prospectivos y de análisis de datos geoquímicos usados

Varios son los estudios geoquímicos de suelos disponibles, fundamentalmente
vinculados a la actividad minera, efectuados en nuestro país por parte de la Dirección
Nacional de Minería y Geología (DINAMIGE) reflejados en el Inventario Minero
(Spangenberg 1983; Zeegers y Spangenberg 1982 ; entre otros), así como en trabajos
tales como Oyhantçabal (2004), Oyhantçabal et al. (2004), Filippini (1998); Filippini et
al (2001). Este tipo de estudios de prospección geoquímica involucra una serie de etapas
previas necesarias para la obtención de las muestras, y posteriores a la obtención de los
resultados analíticos de las mismas. En las etapas previas en el caso planteado aquí, la
empresa UMG llevó a cabo una sistemática de trabajo previo que implicó la cartografía
a escala 1:5.000 del área de estudio, la definición de la malla de muestreo de suelos en
12
función de la estructura del cuerpo, la extracción de las muestras del suelo y de rocas
aflorantes, y finalmente el análisis químico de las muestras con duplicados de campo y
analíticos.
El control de calidad de los datos analíticos es una etapa indispensable, pues a partir de
esos datos se formalizaron inferencias sobre el comportamiento de esos elementos
químicos analizados y su asociación con el ambiente. Siguiendo lo propuesto por
Ferreira, 2000, se realizó el control de calidad en función de las muestras y sus
duplicados de campo y analíticos.
Para la comparación entre las muestras y sus duplicados se uso el coeficiente de

correlación de Pearson a modo de obtener una medida cuantitativa de la dependencia
entre la muestra original y la muestra duplicada. El análisis se hizo por variable y
discriminando entre tipo de duplicado (de campo y analítico).
Con razón de estimar cuan significativa fue la varianza experimental (varianza del error)
con respecto a la varianza de las muestras entre sí (varianza del tratamiento) se realizó
un análisis de varianza (ANOVA). El resultado obtenido fue un coeficiente (F) de
campo y analítico para cada variable.
Para el análisis estadístico se aplicaron los métodos, tanto de la estadística univariada o

descriptiva, como de la estadística multivariada. Por un lado, el análisis estadístico
descriptivo o univariado permitió caracterizar poblaciones de forma general a través del
empleo de estadísticos tales como la media, mediana, media geométrica, amplitud y
dispersión. Además, permitió establecer el tipo de distribución que se ajustó mejor a
cada elemento analizado mediante la aplicación del test Kolmogorov-Smirnov (con
modificación de Lilliefors, 1967), el test de normalidad de Shapiro-Wilks y el análisis
de la curtosis (Davis 2002; Landim 2000; Ferreira 2000).
Por otro lado, el análisis multivariado permitió establecer relaciones entre algunas de las
variables analizadas. De acuerdo con Davis (2002) los métodos multivariados son muy
potentes y permiten manipular diversas variables simultáneamente. Los métodos
estadísticos multivariados aplicados en este trabajo fueron los análisis de agrupamientos
(cluster analysis) y componentes principales.
13
El análisis de agrupamiento se empleó para explorar la similitud entre los individuos de

la muestra de roca, y entre variables, definiéndose algunos agrupamientos de utilidad
prospectiva, tanto en suelos como en roca.
El análisis de componentes principales (PCA) se aplicó para identificar cuáles son las
variables que explican mejor la varianza de la muestra y qué relación tienen las
muestras con ellas.
A continuación se detallan los distintos métodos aplicados para la realización de este

trabajo.
5.1 Metodología de exploración de UMG

Lo descrito en este ítem corresponde a la metodología aplicada por la empresa UMG
para la obtención de los datos geoquímicos que fueron analizados en este Trabajo Final.
Si bien no forma parte de la metodología aplicada estrictamente en el Trabajo, se
considera de gran importancia su presentación porque permite conocer la forma de
obtención de los datos y establecer sus posibles limitaciones al momento del manejo de
los datos y su interpretación. La sistemática de exploración llevada a cabo por UMG se
realizó de forma tal de avanzar desde una escala regional a una local. Según esta lógica
los pasos fueron los siguientes:
14
5.1.1 Foto-interpretación
Se utilizaron, tanto imágenes satelitales Google EarthTM, como fotografías aéreas a
escala 1:20.000 adquiridas en el Servicio Geográfico Militar. En el caso de las
fotografías aéreas se utilizaron las de los vuelos de los años 1966-1968, identificadas
con los números 130-201, 130-202, 130-124 y 130-125 (Fig.2).
Fig. 2. Mosaico de fotos aéreas 1:20.000 del SGM.
Se realizó fotolectura y fotointerpretación mediante estereoscopía. La individualización

de las diferentes unidades y estructuras se logró mediante las diferentes características
texturales, de relieve y cromáticas. La utilización del software Google Earth Versión
7.1.2.2041 permitió visualizar el área en 3D desde diferentes puntos de vista y
digitalizar en tiempo real las interpretaciones realizadas (Fig.3).
5.1.2 Mapeo
Luego de la individualización de unidades mediante fotointerpretación, se hizo una
exhaustiva recorrida de campo con motivo de lograr una caracterización litológica de
los diferentes afloramientos y una definición más detallada de su geometría. Para tal
motivo también se realizaron medidas estructurales de rumbo y buzamiento. La escala
de trabajo fue de 1:5.000 por lo que la mínima unidad representable (1 mm en
representación gráfica) es equivalente a 5 m en campo.
15
Fig. 3. Imagen Google Earth 7.1.2.2041 usada para fotointerpretación y foto-lectura
5.1.3 Extracción de muestras de roca

Conjuntamente con el mapeo se realizó un muestreo de las unidades litológicas
aflorantes. Si bien casi todas las unidades fueron representadas, la mayoría fueron
extraídas de las unidades con mayor interés prospectivo, por lo que se puede decir que
la extracción de muestras fue sesgada.
5.1.4 Definición de malla de suelos

La razón por la cual se escogió el muestreo de suelos como método prospectivo fue
porque únicamente el 2,67 % del área total de estudio se encuentra expuesta como
afloramientos rocosos, el resto del territorio es cobertura vegetal generada sobre el suelo
subyacente.
16
Teniendo en cuenta las dimensiones estimadas del cuerpo rocoso, inferidas del mapeo
geológico, se diseñó una malla de muestreo de suelo de 31 líneas N-S con una
separación de 100 m entre sí (Fig.4). La densidad de muestreo en cada línea fue de una
muestra cada 20 m. La longitud y continuidad de cada línea fue condicionada por la
geometría estimada del cuerpo ultramáfico.
Fig. 4. Malla de muestreo de suelos
5.1.5 Extracción de muestras de suelo

Al contar con una malla de muestreo considerablemente densa se optó por muestrear el
horizonte C, ya que al presentar baja movilidad y no tener actividad química importante
representa de mejor forma a la roca madre subyacente.
17
Mediante el uso de estacas ubicadas con GPS en intervalos regulares a lo largo de líneas
de rumbo N-S, el equipo de trabajo compuesto por 1 o dos técnicos y un geólogo fueron
marcando cada 20 m (medidos con cinta métrica) los puntos de extracción de muestra
(Fig.5).
Fig. 5. Marcado de muestra (izquierda) y extracción de perfil de suelo mediante pala de cateo (derecha)
La herramienta utilizada fue una pala de cateo de mango cruzado con muestreador
cilíndrico estándar (30 m de alto x 10 cm de diámetro aprox.). La pala cuenta con la
capacidad de acoplar barras de extensión (Fig.5) permitiendo alcanzar diferentes
calados de muestreo en función de la profundidad del horizonte C.
En los puntos marcados se extrajo todo el perfil de suelo y se depositó en una bolsa
plástica. Luego el geólogo y/o técnico identificó y extrajo la porción correspondiente al
horizonte C. Esta fue colocada en una bolsa e identificada con su número
correspondiente. El peso de las muestras varió desde 0,3 a 4,2 kg con un promedio de
1,66 kg.
Luego de empaquetar la muestra se procedió a registrar la ubicación y características de

la misma (X, Y, Z, fecha, técnico responsable, profundidad, humedad, color, peso, entre
otras características) mediante una planilla diseñada por la empresa UMG.
Para realizar posteriormente un estudio de la variabilidad espacial de muestreo y error

analítico se tomaron duplicados de campo. Estos fueron tomados a menos de un metro
18
de la muestra original y a razón de un duplicado cada 50 muestras aproximadamente

(ver sección 5.1.8.2.1).
5.1.6 Empaquetado y preparado

Todas las muestras fueron empaquetadas en bolsas de nylon reforzado, rotuladas con un
número para su posterior preparado y análisis químico (Fig.6). El número asignado para
los duplicados de campo fue diferente a la de su muestra de referencia con motivo de
que los laboratorios de preparado y análisis químico desconozcan su carácter de muestra
de control.
Fig. 6. Muestras de suelo empaquetadas
Las muestras fueron enviadas para su preparación al laboratorio LORYSER S.A. de la

localidad de Minas de Corrales ubicada al sur del departamento de Rivera. El
procedimiento de preparación constó de las siguientes etapas:
 Despacho de muestras: asignación de número de laboratorio, registro de hora de

entrega, procedencia, tipo de muestra y números identificatorios de origen.
19
 Secado en estufa.
 Disgregación y extracción del material rocoso en forma manual.
 Homogeneización del material.
 Tamizado de la muestra homogeneizada por tamices: #10, #40 y #80 (180µm).
 Entrega de material procesado (< 180µm) y rechazo grueso (>180 µm).
El peso obtenido varió en función de la fracción de material fino y la cantidad inicial

total. El promedio por muestra fue de 400 g. De ese total se separaron y empaquetaron
en sobres 10 g de muestra homogeneizada mediante sucesivos cuarteos para su posterior
análisis químico, el resto fue almacenado como respaldo (Fig.8).
En esta instancia también se insertaron duplicados con el fin de estudiar el error

analítico del laboratorio encargado del análisis químico. Para esto, a una muestra cada
aproximadamente 20, se le aplicaron sucesivos cuarteos hasta obtener dos muestras de
10g que se empaquetaron en sobres separados. A una muestra se le dejó el rotulo
anterior, y a la otra se le asignó un nuevo número y se registró en una planilla su origen
(ver sección 5.1.8.2.2).
5.1.7 Análisis químico

Las muestras de 10 g se enviaron al laboratorio ALS Perú para analizar según el método
de espectrometría de emisión atómica con plasma de inducción acoplado (ICP-AES). La
desagregación del material fue a través de una digestión con agua regia (mezcla de
ácido nítrico y ácido clorhídrico concentrados en relación 1:3).
La sistemática utilizada por el laboratorio fue la siguiente:
La muestra preparada (0,4 g) es digerida con ácido nítrico concentrado por media hora.
Luego de enfriada, se le adhiere ácido clorhídrico para producir agua regia y la mezcla
es entonces digerida durante una hora y media más. La solución resultante es diluida
hasta el volumen de 100 ml con agua ionizada, mezclada y luego analizada en un
espectrómetro de emisión atómica con plasma de inducción acoplado. Los resultados
analíticos son corregidos debido a interferencias espectrales inter-elemento.
20
5.1.8 Aseguramiento de calidad y control de calidad (AC/CC)

En todo proceso prospectivo es necesario que los datos generados sean confiables. Los
mecanismos de control y las bases de gestión desarrolladas para no introducir error a los
datos se definen en los conceptos de aseguramiento de calidad y control de calidad.
5.1.8.1 Definiciones
5.1.8.1.1 Aseguramiento de calidad (AC)

Según el Organismo Internacional de Estandarización (International Organization for
Standardization; ISO, 1994) es el conjunto de todas las acciones sistemáticas y
planificadas necesarias para proveer la adecuada confianza a un producto, proceso, o
servicio, en busca de satisfacer determinados requerimientos de calidad. Quedan
contemplados en este concepto todos los protocolos de muestreo, preparación de
muestra y análisis químico, ya que el objetivo principal es la prevención de problemas.
5.1.8.1.2 Control de calidad (CC)

Según ISO (1994) son las actividades y técnicas operacionales usadas para satisfacer los
requerimientos de calidad. El objetivo es la detección de problemas a lo largo de todo el
proceso de obtención del dato final.
5.1.8.1.3 Precisión
El Comité para las directivas en metrología (Joint Committee for Guides in Metrology;
JCGM, 2008) define precisión como el grado de concordancia entre indicadores o
valores cuantitativos medidos, obtenidos por mediciones repetidas en un mismo objeto
o uno similar en condiciones específicas. Refiere al error aleatorio en la medida (Fig.7),
siendo la componente del error en la medición que en medidas repetidas varía en forma
impredecible (JCGM, 2008). La precisión debe ser tratada como una propiedad
cualitativa (por ejemplo, baja o alta precisión) y es cuantitativamente medida mediante
parámetros que expresan imprecisión como desviación estándar, varianza o coeficiente
de variación en caso de de series de mediciones repetidas.
5.1.8.1.4 Exactitud
Es el grado de concordancia entre un valor cuantitativo medido y el valor verdadero
cuantitativo de una medida (JCGM, 2008). Refiere al error sistemático de una medida,
el componente del error en la medición se mantiene constante o varía en forma
predecible (Fig.7). Es usualmente medido a través de materiales estándar de referencia,
comúnmente preparados a partir de materiales naturales, concentrados metalúrgicos, o
21
colas (desechos mineros). Más allá de que nunca se pueda saber el valor verdadero de
estos compuestos, si se puede establecer el “mejor valor”, esto se logra mediante
sucesivas mediciones del mismo material en diferentes laboratorios.
Fig. 7. Precisión y exactitud (extraído de http://www.e-medida.es/documentos/Numero-1/exactitud-no-es-lo-

mismo-que-precision.htm)
5.1.8.2 Procedimiento implementado

En el presente trabajo solo se hará referencia al análisis de la precisión de los datos
mediante la introducción de muestras de control de tipo duplicado analítico y de campo
en diferentes etapas del proceso de obtención de los datos. Pero vale aclarar que en el
proceso prospectivo llevado a cabo por UMG también se utilizaron muestras de tipo
blanco y muestras estándar de referencia para obtener medidas de exactitud analítica y
contaminación durante las diferentes etapas del proceso prospectivo. Se entendió mejor
no usar esos valores por dos razones fundamentales. Por un lado, los blancos fueron
hechos por la empresa con muestras de arena de barraca, sin homogeneizar y sin
hacerles controles cruzados en diferentes laboratorios. Por otro lado, los estándares que
empleó la empresa eran específicos para cromo, por lo que este elemento era el único
garantizado por parte del fabricante del estándar. El cromo es el único elemento que fue
excluido de la base de datos facilitada por UMG para este Trabajo Final. Además, el
estándar estaba certificado para cromo por el método analítico de Florescencia de rayos
x, y los análisis fueron efectuados a través de la técnica analítica ICP-AES. En función
de estos hechos surgió el convencimiento de que el blanco empleado no mostraría un
22
valor de referencia válido, y que no sería recomendable emplear el estándar analizado

en el lote de las muestras.
En referencia a los duplicados utilizados para el control de calidad de las muestras, se

emplearon duplicados de campo y duplicados analíticos (ver Fig.8). Los duplicados de
campo fueron tomados a menos de un metro de distancia entre muestras, y los
duplicados analíticos fueron el producto de la división de una misma muestra en la
etapa de cuarteo, durante el proceso de preparación de muestra. A ningún duplicado de
campo, blanco o estándar se le hizo duplicado analítico.
Fig. 8. Esquema de procesamiento de muestras
5.1.8.2.1 Duplicados de campo

El objetivo de introducir este tipo de muestra de control es medir la precisión con la cual
se realizó el muestreo teniendo en cuenta la posible variabilidad espacial, junto con la
23
precisión de preparación de muestra, y la precisión analítica. Por lo que el error

obtenido en su resultado será el acumulado en todo el proceso.
Como ya fue mencionado en el punto 5.1.5, se repitió la extracción de una muestra cada
50 de forma tal de no exceder un metro de radio de la muestra original y siguiendo la
misma sistemática de extracción. Luego se empaquetó, se le asignó un número diferente
que su muestra de origen y se la procesó como una muestra común.
5.1.8.2.2 Duplicados analíticos

El objetivo de esta muestra de control es medir la precisión analítica del laboratorio que
realizó los ensayos químicos. El error obtenido mediante esta muestra corresponderá
únicamente a la suma de los errores de manipulación de muestra y análisis realizado por
ALS Perú, pudiendo representar errores en el despacho de muestras, contaminaciones
durante la preparación y análisis, errores instrumentales, o la suma de todos o alguno de
ellos.
Como fue mencionado en el punto 5.1.6, la obtención de esta muestra de control se

realizó luego de la preparación llevada a cabo en LORYSER S.A. Dicha muestra fue
cuarteada sucesivamente hasta obtener dos muestras de 10 g. Cada una fue empaquetada
en sobres separados rotulados con diferentes números.
5.1.9 Validación de resultados

Previo a importar cualquier tipo de información a una base de datos es fundamental la
revisión de la misma para evitar futuros problemas, logrando un nivel de confianza tal
que permita trabajar en forma segura al momento de la interpretación. Teniendo en
cuenta esto, se diseñó un archivo del software de bases de datos Access TM (Microsoft
Corporation) para que funcione como interfaz entre los datos “crudos”, y la base de
datos y validaciones en los archivos del software Excel TM (Microsoft Corporation) de
entrada de los datos.
5.1.9.1 Validación de planillas de campo

La planilla diseñada por UMG fue completada en papel en el campo y luego ingresada a
un archivo del software ExcelTM, dotado de formatos condicionales y restricciones para
valores (listas desplegables, valores mínimos y máximos, etc.). Ese archivo es
importado por la interfaz Access TM, y analizado campo por campo mediante consultas
24
de selección (Select Query). Los requerimientos de validación de cada campo varían

según el tipo de dato solicitado.
Una vez analizados por la interfaz Access TM los datos son adjuntados a la base de datos
oficial mediante consultas de anexar (Add Query). La base de datos tiene reglas de
validación para cada tipo de dato, por lo que dejará adjuntar solo aquellos que las
cumplan.
Al igual que el resto de los datos, los campos correspondientes a las coordenadas (X, Y
y Z) tienen validaciones en la planilla Excel TM y la interfaz AccessTM, dejando ingresar
a estas e importar a la base de datos los valores que se encuentren restrictos a la zona de
estudio. Sumado a esto y previo a la importación a la base de datos, los puntos de
extracción de muestras son visualizados mediante el programa ArcGis TM para cotejar las
coordenadas planificadas con las ingresadas en campo, y así ver si existen diferencias
significativas.
5.1.9.2 Validación de resultados químicos

Los reportes y certificados enviados por el laboratorio que analizó las muestras (ALS
Perú) fueron recibidos por correo electrónico a la casilla del Data Base Manager. Cada
uno de estos archivos ExcelTM 2007, provistos de formatos específicos solicitados por
UMG a ALS, se visualizó mediante la interfaz AccessTM con razón de detectar
problemas de tipeo en resultados, incongruencias en el número de muestra, y diferencias
significativas en los resultados esperados de los estándares y blancos introducidos por
UMG. En los casos en los cuales no se detectaron problemas, los resultados fueron
importados a la base de datos con consultas de anexar (Add Query).
25
5.2 Métodos Estadísticos

En el este capítulo se describirán brevemente las técnicas y conceptos estadísticos
utilizados para analizar los resultados, incluyendo fórmulas en la medida de que fuera
necesario. Dichos conceptos y descripciones de técnicas serán ordenados en función de
su posición en el presente trabajo.
5.2.1 Conceptos y fórmulas aplicados en el capítulo “Calidad de los datos”
5.2.1.1 Coeficiente de correlación de Pearson (R)

Es una medida de relación lineal entre dos variables cuantitativas. Es independiente de a
la escala de medida de las variables. Su valor oscila entre -1 y 1.
 Cuando existe una relación positiva perfecta entre las dos variables, es decir que
aumentan y decrecen las dos exactamente de la misma forma R=1.
 Cuando existe una relación negativa perfecta entre las dos variables, es decir
que cuando una variable aumenta la otra decrece con un proporcionalidad
perfecta y viceversa R=-1.
 Cuando no existe ningún tipo de relación lineal entre dos variables R=0.
En el presente trabajo se consideró una relación significativa a |R|>0,75.
La ecuación para hallar R es la siguiente:
Siendo:
- “j” y “k”: las variables entre las que se va a medir el coeficiente
- x: las observaciones correspondientes a las variables j y k.
- n: cantidad de observaciones.
26
5.2.1.2 Análisis de varianzas (ANOVA) (Davis, 2002)

Considerando una media µ para cada dupla muestra original-duplicado el planteo de la
hipótesis nula e hipótesis alternativa es de la siguiente forma:
Ho: µ1 = µ2 =….= µn
H1: al menos una media es diferente.
Los supuestos para poder realizar el test y elegir entre las dos hipótesis son:
a) Cada ser de replicas representa una muestra a lazar de deferentes poblaciones

b) Cada población parental esta normalmente distribuida
c) Cada población parental tiene la misma varianza.
El diseño del ANOVA que se empleó a cada variable se representa mediante la

siguiente tabla:
Tabla 5-I. Diseño de ANOVA para duplicados de campo y analíticos
Siendo:
m: número de observaciones replicadas.
n: número de réplicas por observación
N: número total de observaciones (n x m).
SSa (Square sum among) o SCT (Suma de los cuadrados de los tratamientos): Es la
sumatoria del cuadrado de las diferencias del promedio de cada dupla y el gran
27
promedio (X=suma de los promedios de cada dupla/número de duplas). Queda

representado según la siguiente ecuación.
SSe (Square sum error) o SCE (suma de los cuadrados del error): se obtiene de
restar cada observación de cada conjunto de duplas su promedio y hacer el cuadrado,
sumar los resultados (obtenemos una sumatoria por dupla). Sumamos las sumatorias de
las diferentes duplas y obtenemos el SSe. Lo anterior se explica mediante la siguiente
ecuación:
La varianza de los cuadrados de los tratamientos (MSa) y la varianza del error (MSe) se
obtuvieron según la siguiente fórmula:
El coeficiente entre MSa y MSe no es otra cosa que el F-test que chequea la igualdad de
varianzas según la distribución F. Esta distribución describe la probabilidad de obtener
índices específicos de varianzas de la misma población .Se expresa mediante la
siguiente fórmula:
La hipótesis nula planteada para este test es la igualdad entre las medias de las
diferentes muestras (en nuestro caso serán las duplas observación original-duplicado).
28
En el caso del presente trabajo es lógico esperar rechazar la hipótesis nula ya que cada
dupla de observaciones está tomada en lugares completamente diferentes. Más allá de
esto, el valor de F representará el peso de la varianza del error en la varianza del
tratamiento. Es decir que cuanto menor sea F, mayor será la significancia de la varianza
del error con respecto a la varianza total de las réplicas (Krumbein y Graybill, 1965).
Fig. 9. Representación gráfica de los principales componentes en un ANOVA (tomado de Davis 2002)
5.2.2 Conceptos y formulas aplicados en el capítulo “Estadística descriptiva”
5.2.2.1 Media o promedio aritmético ( )

Es la suma de todas las observaciones dividido entre el número de observaciones.
5.2.2.2 Mediana
Es la observación central de una muestra ordenada según los valores de cierta variable.
Considerando que n es el número de observaciones que componen a la muestra se
define según las siguientes fórmulas.
29
5.2.2.3 Varianza (σ2)

Es el cuadrado del promedio de la desviación de todas las observaciones con la media
de la población.
5.2.2.4 Desviación estándar o desviación típica (σ)

Es la raíz cuadrada de la varianza.
5.2.2.5 Media geométrica (MG)

Es la n raíz del producto de todas las observaciones.
5.2.2.6 Coeficiente de variación (Cv)

Expresa la desviación estándar como porcentaje de la media aritmética.
5.2.2.7 Test Kolmogorov-Smirnov

Procedimiento no paramétrico que calcula la mayor diferencia entre una población
teórica y la población empírica. Esta diferencia máxima se expresa con la letra D
(Fig.10) y su fórmula es la siguiente:
D= máx. | FDCT -FDCE|
Siendo, FDCE la función de la distribución cumulativa empírica y FDCT la función de

la distribución cumulativa teórica
30
Fig. 10. Ejemplo de ajuste de una población empírica a una teórica midiendo el estadístico D según test de
Kolmogorov-Smirnov (tomado de Davis 2002).
Una variación de este método fue introducido por Lilliefors en 1967 para testear si una
muestra se ajusta o no a una distribución normal, es decir que la hipótesis nula afirma
normalidad de la distribución empírica. Esto se logra mediante el cálculo de la media y
varianza de la muestra y la determinación de de la distribución empírica acumulativa
según las observaciones ordenadas. Luego se calcula una distribución normal según la
media y varianza de la distribución empírica. La máxima diferencia entre la distribución
empírica y la distribución normal calculada será el estadístico T. La significancia del
test va a ser determinado en función de su valor p, de forma tal que si es mayor a 0,05
(nivel de significancia) se podrá decir que la distribución empírica es normal.
Con esta variación es que fue utilizado el test en este trabajo con el objetivo de
comprobar la normalidad de las variables, tanto para sus valores sin transformar como
para sus valores log-transformados.
31
5.2.2.8 Test de normalidad Shapiro-Wilks

Calcula el estadístico W para comprobar si una muestra x1, x2…xn. pertenece a una
distribución normal. Los valores de W oscilan entre 0 y 1, representando una tendencia
de la muestra hacia una distribución normal mayor cuanto mayor sea W. El cálculo de
W se lleva a cabo mediante la siguiente ecuación:
Donde son los valores ordenados de la muestra y es una constante generada a

partir de la media, varianza y covarianza de una muestra de tamaño n de una
distribución normal.
5.2.2.9 Curtosis (K)

Define la “forma” de la distribución. Las distribuciones normales tienen un K=0, las que
tienen una forma más “achatada” tienen un K<0 y las que tienen una forma más
“puntiaguda” K>0.
5.2.2.10 Percentiles
Son los 99 intervalos que dividen en 100 partes iguales el conjunto de observaciones
ordenadas de una muestra
5.2.2.11 Cuartil (Q)

Son los tres intervalos que dividen a una muestra ordenada en cuatro intervalos iguales.
El primer cuartil (Q1(X)) coincide con el percentil de orden 25, el segundo cuartil
(Q2(X)) coincide con el percentil de orden 50.
5.2.2.12 Outliers superiores (OS)

Son todas aquellas observaciones que superaron al tercer cuartil (Q3) mas una vez y
media las diferencia entre el tercer y primer cuartil.
32
5.2.2.13 Outliers inferiores (OI)

Son todas aquellas observaciones que no superaron el valor definido por el primer
cuartil (Q1) menos una vez y media la diferencia entre el tercer y primer cuartil.
5.2.2.14 Outlier extremo inferior (OEI)

Es la concentración de la observación que tuvo el menor valor por debajo de “whisker”
inferior de box-plot.
5.2.2.15 Valor extremo inferior dentro de “whisker” (VEIDW)

Es la concentración de la observación que tuvo menor valor dentro de los límites del
“whisker” inferior del box-plot.
5.2.2.16 Valor extremo superior dentro de “whisker” (VESDW)

Es la concentración de la observación que tuvo mayor valor dentro de los límites del
“whisker” superior del box-plot.
5.2.2.17 Outlier extremo superior (OES)

Es la concentración correspondiente a la observación que tuvo el mayor valor por
encima del “whisker” superior del box-plot.
5.2.2.18 Cantidad de outliers inferiores (N°OI)

Cantidad de observaciones que mostraron una concentración por debajo de “whisker”
inferior del box-plot.
5.2.2.19 Cantidad de outliers superiores (NºOS)

Cantidad de observaciones que mostraron una concentración por debajo de “whisker”
inferior de box-plot.
5.2.2.20 Test de Kruskal-Wallis

Test no paramétrico de equivalencia entre diferentes muestras. Procede de forma tal que
agrupa las observaciones de todas las muestras y las ordena ascendentemente según su
valor. Luego se le asigna un valor a cada observación según su posición ordenada
empezando con el valor 1. En caso de que haya valores repetidos se promedia el valor
de orden entre las observaciones con valores repetidos. Luego se hacen las sumatorias
de los valores obtenidos por cada muestra. Lo anterior se expresa según la ecuación
33
, donde representa el valor de orden de la i observación de la k

muestra. El estadístico Kruskal-Wallis (H) se calcula según la ecuación:
Siendo N el número de observaciones total de todas las muestras.
La hipótesis nula es la equivalencia de las muestras. Este test se utilizó para identificar
afinidades entre los diferentes tipos litológicos muestreados en roca.
5.2.3 Conceptos y formulas aplicados en el capítulo “Estadística Multivariada”
5.2.3.1 Coeficiente de correlación de Spearman ( )

Método no paramétrico usado para relacionar dos variables de una misma muestra
según la posición que ocupe cada observación en función de su valor en las diferentes
variables.
Opera ordenando las observaciones de cada muestra y asignando un valor de forma

análoga que el test de Kruskal-Wallis. Se calculan las diferencias entre el número de
orden obtenido para cada observación según la variable y se las eleva al cuadrado, el
procedimiento anterior puede expresarse según la expresión , donde
es el valor de orden obtenido de la variable x en la muestra i y el valor de
orden obtenido de la variable y en la muestra i. Siendo n el tamaño de la muestra, el
resto del procedimiento del cálculo puede ser expresado según la ecuación:
En el capitulo “Estadística Multivariada” este método se implementó para buscar

relaciones entre las diferentes variables medidas, tanto en el medio suelo como en el
medio roca.
5.2.3.2 Análisis de Agrupamiento (Cluster Analysis)

Es un conjunto de técnicas desarrolladas para clasificar las observaciones en grupos
homogéneos según sus múltiples variables. Se establece a su vez la mayor o menor
afinidad entre grupos en función de las características de cada uno de ellos.
Según Davis (2002) los principales métodos de agrupación son cuatro:
34
1- Método de partición: opera buscando regiones en el espacio, definido por las

variables, que están pobremente pobladas con observaciones y las separa de
zonas densamente pobladas. Estas “particiones” matemáticas son establecidas en
sucesivas regiones, subdividiendo el espacio en clases discretas.
2- Método de origen arbitrario: opera con la similaridad entre las observaciones
y un set de puntos arbitrarios de partida. Si n observaciones van a ser
clasificadas en K grupos es necesario computar una matriz asimétrica n x k de
similaridades entre n muestras y k puntos arbitrarios que servirán como
centroide inicial. La observación más cercana o similar al punto de partida es
combinado formando un cluster. Las observaciones son repetidamente incluidas
al cluster más cercano, cuyo centroide es entonces recalculado para el cluster
extendido.
3- Métodos de similaridad mutua: agrupa observaciones que tienen similaridades
comunes a otras observaciones. Inicialmente se calcula una matriz de
similaridades n x n entre todos los pares de observaciones. Luego se calculan
repetidamente todas las similaridades entre columnas. Las columnas miembros
de un único cluster tienden a tener intercorrelaciones cercanas a 1.
4- Método de agrupamiento jerárquico: son las técnicas de agrupamiento más
usadas en geología. Dada una matriz inicial de datos se obtiene una matriz
simétrica de similaridades donde se detectan los pares de mayor similaridad (o
baja distancia). Para esa combinación, los subsiguientes niveles jerárquicos de
similaridad se obtienen a partir de diferentes tipos de procedimientos de tal
modo que cada ciclo de agrupamiento obedezca a un orden sucesivo decreciente
de similaridad.
En el presente trabajo se decidió utilizar el método de agrupamiento jerárquico ya que

es el que dispone de mayor bibliografía y desarrollo dentro de las ciencias de la tierra.
Es entonces que se hace necesario describir a continuación algunos de los detalles que
componen esta técnica.
5.2.3.2.1 Metodología de agrupación jerárquica

Partiendo de una matriz inicial de datos n x p, donde n representa las observaciones y p
las variables, se hacen las comparaciones usando el coeficiente de similaridad entre
líneas. El resultado es una matriz inicial de coeficientes de similaridad de dimensiones n
x n que será utilizado para agrupar observaciones en función de sus similaridad de
35
valores en las diferentes variables. Si la comparación es hecha entre columnas la matriz

inicial de similaridad obtenida tendrá dimensiones p x p y responderá el grado de
similaridad del comportamiento de las diferentes variables entre sí. De las diversas
medidas de similaridad que han sido propuestas dos son las generalmente usadas: el
coeficiente de de correlación de Pearson y la medida de distancia euclidiana. Esta última
puede definirse según la siguiente fórmula:
Siendo:
x ik el valor correspondiente a la observación i de la variable k.
x jk el valor correspondiente a la observación j de la variable k.
m cantidad de variables.
Si los valores de las variables son estandarizados de tal forma que se le diera el mismo
peso a cada una de ellas, la distancia euclidiana puede ser directamente transformada en
coeficiente de correlación y viceversa.
La matriz inicial de coeficientes de similaridad representa el grado de semejanzas de los

diferentes pares de objetos (observaciones o variables) que tendrán que ser arreglados
de acuerdo a sus respectivos grados de similaridad, adoptando así la disposición
jerárquica que servirá para hacer sucesivas correlaciones entre clusters hasta lograr
agrupar a todos los elementos en uno solo. La representación grafica de estos
agrupamientos sucesivos se logra mediante dendrogramas.
Dado que el proceso de promediar juntos miembros de un cluster y tratarlos como un

nuevo objeto particular introduce distorsión en un dendrograma, es necesario evaluar la
severidad de esa distorsión. Esto se puede lograr mediante el uso de la correlación
cofenética, que consta en la comparación entre la medida de correlación aparente en un
dendrograma con la de la matriz de similaridad original. A mayor correlación obtenida
más fiel es la representación en el dendrograma de la matriz de similaridad original.
Existen varios métodos de agrupamientos, los más usados son:
36
- Encadenamiento simple (Single Linkage): las agrupaciones iniciales son determinadas

por los coeficientes más altos de asociación mutua. Para la admisión de nuevos
miembros a los grupos es suficiente con encontrar cuales representan los mayores
coeficientes de asociación con uno de los elementos del grupo.
- Encadenamiento completo (Complete Linkage): utiliza como distancia entre dos

clusters la mayor existente entre los elementos que integran ambos grupos.
- Agrupamiento pareado igualmente ponderado usando media aritmética (UPGMA):

define la distancia entre dos clusters como el promedio de las distancias entre todos los
pares de casos en el que un cada miembro del par pertenece a un cluster diferente
(Legendre y Legendre, 2012).
- Agrupamiento pareado ponderado usando media aritmética (WPGMA): al igual que

en el método UPGMA la distancia entre dos clusters es medida según el promedio entre
las distancias entre los pares de casos en que cada miembro del par pertenece a un
cluster diferente. La característica que posee el WPGMA es que este promedio es
ponderado proporcionalmente al número de objetos que constituye al cluster que se
pretende agrupar (Legendre y Legendre, 2012).
- Agrupamiento pareado igualmente ponderado usando centroide (UPGMC): la

distancia entre dos clusters es calculada mediante la suma de distancias entre las medias
de los clusters para todas las variables. En este método el centroide de un cluster
combinado es una combinación ponderada de centroides de dos clusters individuales,
donde los pesos son proporcionales a los tamaños de los clusters (Legendre y Legendre,
2012).
- Agrupamiento pareado ponderado usando centroide (WPGMC): en este método dos

clusters son agrupados ecuánimemente en el cálculo del centroide sin importar el
número de casos de cada uno. Típicamente es usada la distancia euclidiana al cuadrado.
(Legendre y Legendre, 2012).
- Varianza mínima (agrupamiento de varianza mínima o método Ward de suma de

cuadrados): el procedimiento comienza con el cálculo de las medias para todas las
variables de un cluster. Luego se calcula el cuadrado de la distancia euclidiana de las
medias para cada caso. En cada paso los dos clusters que son agrupados son el resultado
del menor incremento de la suma promedio de los cuadrados de las distancias. El
37
coeficiente de aglomeración para cada instancia es la suma de los cuadrados en ese

paso, no la distancia a la cual los clusters fueron unidos (Legendre y Legendre, 2012).
El cálculo de distancia entre elementos se hará mediante distancias euclidianas. En el

caso de agrupamiento de variables se le hará un tratamiento previo a los valores con
razón de estandarizarlos, logrando un peso ecuánime de todas ellas.
Para la elección de qué método de agrupamiento usar para la construcción de los

dendrogramas correspondientes se tuvo en cuenta la correlación cofenética. El método
que obtuvo la mayor correlación fue el representado en los dendrogramas que servirán
como fuente para posteriores análisis de las observaciones y las variables de roca y
suelo.
5.2.3.3 Análisis de componentes principales (PCA)

Método estadístico que busca relaciones entre diferentes variables mediante el uso de
autovectores y autovalores de la matriz de varianza-covarianza (o matriz de
correlaciones) de la matriz original de datos.
Pasos del cálculo
1- Estandarización de los datos. Dado que las relaciones que vamos a establecer
son entre variables con diferentes unidades de medidas y amplitud de valores es
necesario estandarizar los datos. Esta estandarización consiste en restarle a cada
valor la media de esa variable y dividirla sobre su desviación estándar.
Obteniendo una matriz de valores estandarizados X
2- De la matriz X de dimensiones m (observaciones) x n (variables) obtenemos una
matriz S simétrica de varianza-covarianza de n x n dimensiones. Esto anterior se
puede explicar según las siguientes matrices:
X= ; S=
Donde:
38
 Varm, 1 corresponde a la varianza de la primer columna de la matriz X.

 Varm,n corresponde a la varianza de la comuna n de la matriz X.
 Cov1, n corresponde a la covarianza entre la columna 1 y la columna n de la
matriz X. Siendo la covarianza el promedio del producto de las desviaciones, de
los pares de puntos de datos en dos conjuntos de datos, puede representarse
según la siguiente fórmula:
Donde:
 n es la cantidad de observaciones hechas en las variables x e y.

 e son las medias de la variable x e y respectivamente.
3- Representación gráfica de la matriz S en un espacio multidimensional,

generando un centroide cuyo eje principal será el primer autovector (o primer
componente principal, U1) que explicará el mayor porcentaje de la varianza total
de las observaciones (Fig.11). El segundo autovector (o segundo componente
principal) es ortogonal al primero y explicará la varianza de las observaciones en
segundo grado. Repitiendo este proceso sucesivamente se pueden obtener n
componentes principales que expliquen, entre todos, el 100% de la varianza de
las observaciones. Cada componente quedará definida como función de las
variables consideradas en la matriz S. El “peso” de cada variable en cada
componente principal se puede expresar a su vez en una matriz de correlación.
Para saber qué porcentaje de varianza representa cada componente principal
basta con dividir su autovalor sobre la varianza total. El autovalor es igual a la
longitud del semieje del componente principal en cuestión y la varianza total es
la suma de las varianzas calculadas en la matriz S.
39
4- Generación de los valores de los componentes principales: considerando que

cada componente principal es definido como función de las variables
consideradas, solo será necesario sustituir los valores correspondientes a cada
variable de la observación en la función del componente principal. El valor
obtenido será la proyección de la observación en el componente principal que se
denomina valor de componente principal.
Fig. 11. Representación gráfica de componentes principales. a= vector representando la primera columna
de matriz S;b= vector representando la segunda columna de matriz S; U1= primer autovector principal de
la elipse;U2=segundo autovector principal de la elipse.
En el presente trabajo se utilizó el análisis de componentes principales para ver cuáles
son las variables que explican mejor la varianza de la muestra. Para obtener mejores
resultados con respecto a las generalidades de las observaciones de suelo y roca se optó
por utilizar el análisis robusto de componentes principales. La única modificación que
presenta este método con el original es el especial trato que se le da a los outliers, a los
cuales se les asignará menor peso dentro de los cálculos para representar de mejor forma
los caracteres generales de la muestra.
40
5.2.4 Conceptos y formulas aplicados en el capítulo “Representación de mapas de

isovalores”
5.2.4.1 Geoestadística
Es una rama especial de la estadística desarrollada por Georges Matheron que surge
como respuesta a problemas con el uso de la estadística convencional para explicar
cambios de tenor mineral dentro de una mina.
5.2.4.2 Variable regionalizada

Es un concepto clave en geoestadística que tiene propiedades intermedias entre una
variable completamente aleatoria y una totalmente determinante. Típicamente describe
fenómenos naturales con distribuciones geográficas. Contrariamente a las variables
aleatorias tiene continuidad de punto a punto, pero sus cambios son tan complejos que
no pueden ser descriptos por ninguna función simple.
5.2.4.3 Semivarianza
Se usa para expresar el grado de cambio de una variable regionalizada según una
orientación específica. Es una medida del grado de dependencia espacial entre
observaciones de tamaño, forma y orientación específica. Considerando un espaciado de
muestreo regular de observaciones puntuales de cierta propiedad, la semivarianza queda
definida según la siguiente fórmula.
Donde:
xi es la medida de la variable regionalizada tomada en i.
xi+h es otra medida tomada a h intervalos de distancia.
n es el número de observaciones.
h es el incremento (Fig.12)
Fig. 12. Diferentes tipos de incremento para muestreo regular (tomado de Davis 2002).
41
A la representación gráfica de la semivarianza en función del incremento, en donde cada

punto representa una pareja de observaciones, se le denomina semivariograma (fig.13) y
es de especial importancia a la hora de hacer un estudio variográfico para obtener
valores interpolados.
El semivariograma tiene ciertas características que representan el comportamiento

espacial de la variable regionalizada de la muestra (Fig.13). Estas son:
1- Amplitud (a): indica la distancia a la que las observaciones no tienen correlación

espacial o la relación es aleatoria. Es entonces que toda observación que tenga
una distancia a un punto a ser estimado menor o igual a la amplitud aporta
información sobre el punto a estimar.
2- Meseta o sill (C+Co): indica el valor en el cual la función se estabiliza a un
campo aleatorio, corresponde a la distancia “a”. Muestra la variabilidad máxima
entre pares de valores, o lo que es lo mismo, su covarianza es 0.
3- Efecto pepita o nugget (Co): es un valor de semivarianza diferente de 0 a
distancia 0. Teóricamente esto no debería suceder pero ocurre a causa de errores
de medida, a fuentes espaciales de variación a distancias menores que el
intervalo de muestreo, o a ambas.
4- Anisotropía: cuando los semivariogramas muestran parámetros diferentes para
diferentes direcciones de muestreo.
Fig. 13. Principales componentes de un semivariograma (extraído de Ayuda de ArgGis 10.1)
42
Para realizar un análisis estructural o estudio variogáfico es necesario calcular el

semivariograma experimental según la dirección que ajuste mejor a un modelo
teórico. Existen varios modelos teóricos de semivariograma, para la elección de cual
usar es muy importante observar que tipo de comportamiento tiene el
semivariograma experimental en el origen y verificar la existencia de una meseta.
En el origen hay que prestar especial atención a la presencia o no del efecto pepita y
al carácter comportamiento, pudiendo ser lineal o parabólico. Los modelos teóricos
más usados son el modelo esférico y el modelo exponencial. Las principales
características se presentan a continuación:
 Modelo esférico (Fig. 14): presenta un crecimiento prácticamente lineal desde su

origen, alcanzando la estabilización a cierta distancia finita (meseta). La
tangente en el origen encuentra a la meseta en el punto de abscisa 2/3 a
(Figueroa, 2014).
 Modelo exponencial (Fig.15): muestra un crecimiento inicial rápido y
posteriormente se estabiliza de forma asintótica. La meseta no se alcanza a una
distancia finita por lo que se utiliza como valor de alcance el punto de abscisa
para el cual el modelo obtiene el 95% del la meseta. A esta intersección se le
denomina alcance práctico (a’). La tangente en el origen encuentra a la meseta
en el punto 1/3a’.
Esférico
Fig. 14. Modelo teórico de semivariograma esférico con sus principales ecuaciones matemáticas
(extraído de Ayuda de ArgGis 10.1)
43
Exponencial
Fig. 15. Modelo teórico de semivariograma exponencial con sus principales ecuaciones
matemáticas (extraído de Ayuda de ArgGis 10.1)
5.2.4.4 Krigeaje (Kriging)

Es una familia de técnicas de regresiones lineares generalizadas en el cual el valor de
una propiedad en un lugar no muestreado es estimado a partir de valores más o menos
cercanos. Para la estimación es necesario un conocimiento a priori del modelo del
semivariograma o de la covarianza espacial (Davis, 2002). Los valores que se tomarán
en cuenta serán ponderados de manera de minimizar la varianza de estimación
resultante, considerando las características geométricas del problema.
Este método es considerado el mejor estimador lineal no sesgado (best linear unbiased
estimator, BLUE), en el que la varianza del kriging es utilizada para definir intervalos
de confianza de tipo gaussiano.
Las ecuaciones de Kriging ordinario se presentan a continuación (extraído de Figueroa,

2014):
Donde son los pesos del kriging que estararn condicionados por las direcciones
previamente obtenidas de los semivariogramas, de modo que los sean generados de
tal forma que proporcione un estimador insesgado:
44
Los ponderadores se encuentran planteando:
En este caso se minimiza la varianza sujeto a que la suma de los ponderadores sea igual
a 1.
Por lo tanto el sistema kriging ordinario queda:
Si bien este método de interpolación geoestadística tiene muchas aplicaciones, en el

caso de este trabajo se utilizó para generar mapas de isovalores de las observaciones de
suelo. Se usó el método de kriging ordinario aplicando al modelo de semivariograma
esférico.
45
6. Geología regional
6.1 Introducción
El territorio continental uruguayo se caracteriza geológicamente por presentar un área
aflorante de rocas de edad precámbrica, conocida como basamento cristalino o escudo
uruguayo (Masquelín, 2006), y el desarrollo de tres cuencas fanerozoicas llamadas
Norte, Laguna Merín, y Santa Lucía (Fig. 16).
Fig. 16. A) Área de afloramiento del basamento precámbrico en Uruguay. B) Dominios geotectónicos del territorio uruguayo. ZCSY:
zona de cizallamiento Sarandí del Yí; ZCIP: zona de cizallamiento Isla Patrulla; ZCSB: zona de cizallamiento de Sierra Ballena.
(Tomado de Masquelín 2006).
Ese basamento cristalino es dividido en tres dominios geotectónicos, Occidental,

Central y Atlántico u Oriental (Masquelín, 2006), o en tres terrenos
tectonoestratigráficos, Piedra Alta, Nico Pérez, y Cuchilla Dionisio (Bossi y Campal
1992; Ferrando y Bossi 2001; entre otros). Los límites entre estos dominios/terrenos
fueron establecidos por dichos autores, en función de la información geológica,
geofísica y geocronológica disponible, y coinciden con las discontinuidades principales.
La zona de cizallamiento Sarandí del Yí (ZCSY) limita a los dominios oriental y
central, o sea, a los terrenos tectonoestratigráficos Piedra Alta y Nico Pérez. La zona de
cizallamiento Sierra Ballena (SCSB) limita a los dominios central y oriental, o sea, a los
terrenos tectonoestratigráficos Nico Pérez y Cuchilla Dionisio.
46
Clásicamente se considera que los terrenos Piedra Alta y Nico Pérez se desarrollan en
un área de estabilidad tectónica relativa definida como Cratón del Río de la Plata
(Almeida et al., 1973). Aunque esto ha sido refutado recientemente por Oyhantçabal et
al (2012) en función de que cada terreno presenta una historia meso y neoproterozoica
claramente muy diferente. El terreno Cuchilla Dionisio, es un bloque alóctono
acrecionado entre el Neoproterozoico y el Cámbrico.
6.1.1 Terreno Piedra Alta

El Terreno Piedra Alta -TPA- (Bossi et al. 1993) está limitado al norte y oeste por
sedimentos y rocas volcánicas fanerozoicas, al sur por el Río de la Plata y al oeste por la
zona de cizallamiento Sarandí del Yí. Corresponde a una unidad litoestructural con
edades paleoproterozoicas compuesta por dos cinturones metavolcano-sedimentarios
con orientación aproximada E-W, separados entre sí por una extensa faja granito-
gnéisica. Asimismo, se asocia un importante magmatismo granítico, granodiorítico,
básico y ultrabásico.
Los cinturones se denominan de norte a sur, Arroyo Grande (Preciozzi, 1993) y San
José (Oyhantçabal et al., 2003). Ambos cinturones están compuestos por unidades meta-
volcano-sedimentarias, con diferente grado metamórfico y un conjunto de intrusiones
asociadas. Además ocurre un enjambre de diques máficos, también paleoproterozoicos,
curvado en las proximidades de la ZCSYS, considerada la última manifestación
magmática del terreno.
6.1.2 Terreno Nico Pérez

El Terreno Nico Pérez -TNP- (Bossi y Campal, 1992) es la unidad tectonoestratigráfica
que se encuentra delimitada al oeste por la ZCSYS, al este por la ZCSB, al sur se pierde
bajo las aguas del Río de la Plata y al norte desaparece bajo los sedimentos fanerozoicos
que rellenan la Cuenca Norte, quedando las islas cristalinas de Rivera y Aceguá como
únicas apariciones de éste. La historia geológica de este terreno es muy compleja y
menos conocida que los restantes terrenos. Abarca secuencias metamórficas de alto
grado con edades paleoproterozoicas y mesoproterozoicas, granitos, milonitas y
magmatismo postectónico brasiliano. Está conformado por tres bloques llamados Pavas,
Valentines y Rivera, y por los grupos Lavalleja y Arroyo del Soldado. Se considera que
este terreno representa un margen cratónico retrabajado durante el Neoproterozoico.
47
6.1.3 Terreno Cuchilla Dionisio

El terreno Cuchilla Dionisio (Bossi y Campal, 1992; Bossi et. al., 1998; Bossi y
Gaucher, 2004) comprende las unidades desarrolladas al este de la ZCSB, y ha sido
afectado por la tectónica mesozoica asociada a la desagregación de Gondwana,
dividiendo su exposición en dos partes.
Este terreno se compone de tres unidades principales, el terreno Punta del Este
(Preciozzi et al., 1999), y los bloques Aiguá y Dionisio-Sierra de Ríos (donde se
localiza el área de estudio). Se considera un terreno alóctono que fue acrecionado
durante la orogénesis Brasiliana por procesos diacrónicos y continuos de metamorfismo,
magmatismo, y deformación (Basei et al., 2001; Bossi y Gaucher 2004; entre otros).
Además, Basei et al (2001) basados en edades modelo Nd indicaron afinidad africana
para este terreno.
6.1.4 Zonas de Cizallamiento Principales
6.1.4.1 Sarandí Del Yí - Piriápolis

Esta zona de cizallamiento tiene 600 km de extensión y hasta 15 km de ancho. Preciozzi
et al. (1979) la propusieron como un límite entre diferentes provincias del basamento
uruguayo. Bossi y Campal (1992) indicaron sentido dextral de movimiento para este
lineamiento, mientras que Oyhantçabal et al. (1993) demostraron que tuvo sentido
sinestral superpuesto al dextral. Las edades de las fases dextral y sinestral no han sido
establecidas con certeza, pero se sugiere una edad paleoproterozoica para la fase dextral,
y mesoproterozoica a neoproterozoica para la reactivación sinestral (Oyhantçabal et al,
1993; Oyhantçabal, 2005).
6.1.4.2 Sierra Ballena

Preciozzi et al. (1979) definieron esta zona de cizallamiento como un cinturón
constituido por cataclasitas y milonitas que fueron reactivadas sucesivamente desde el
Precámbrico hasta el Cretácico. Esta zona de cizallamiento transpresiva es una
estructura de escala continental correspondiente a la Dorsal de Canguçu en el sur del
Brasil (Fernandes y Koester, 1999). Oyhantçabal (2005) señaló movimiento sinestral
que quedó documentado en el Uruguay por la deflexión de las estructuras pre-existentes
del basamento. De acuerdo con Masquelín (2002) esta mega-falla transcurrente
intracontinental tardiorogénica truncó y dislocó en el Neoproterozoico al dominio
Oriental respecto del margen pasivo del Cratón del Río de la Plata.
48
7. Geología Local
El área de estudio se encuentra ubicada en el Terreno Cuchilla de Dionisio (TCD)
(Fig.16). Como fuera mencionado anteriormente, este terreno está compuesto por un
basamento metamórfico paleo-mesoproterozoico intensamente retrabajado e intruído
por granitos sincolisionales y tardi-orogénicos de edades entre 680 y 550 Ma. También
ocurren unidades volcánicas de afinidad dacítica y riolítica de 570-575 Ma de edad
(Bossi y Gaucher, 2004).
El TCD se presenta expuesto discontinuamente en dos porciones, al sur y norte,

separadas por la cuenca de la Laguna Merín. En la porción sur las unidades presentes
son las siguientes:
 Complejo Cerro Olivo (Masquelín et al., 2001), es el basamento del terreno

Punta del Este. Se trata de rocas con metamorfismo en facies granulita y fusión
parcial con edades paleoproterozoicas, mesoproterozoicas, y neoproterozoicas
(Preciozzi et al., 1999; Lenz et al. 2011; Masquelín et al. 2014). Las principales
litologías que la constituyen son granulitas, migmatitas, anfibolitas, rocas meta
calcosilicatadas y cuarcitas.
 Formación Rocha (Sánchez Bettucci y Mezzano, 1993). Se trata de rocas
metamórficas de grado bajo a muy bajo, con desarrollo general NNE, desde la
ciudades de Rocha y La Paloma hasta las ex – salineras ubicadas al norte de la
Laguna Negra. El límite occidental del grupo queda definido por la falla al pie
de los Cerros Aguirre de orientación NNE definida por Campal y Gancio (1993).
La intrusión más significativa de este grupo es el macizo de Santa Teresa con
cerca de 1000 km2 de superficie (Bossi et al. 1963; Muzio, 1996).
 Bloque Aiguá, perteneciente al batolito Aiguá-Dionisio. Se trata de una unidad
granítica intrusiva compuesta por granitoides calco alcalinos altamente
diferenciados tipo I, granitos alcalinos tipo A y peraluminsos tipo S (Preciozzi et
al., 1993; Oyhantçabal et al., 2007). La edad oscila entre los 630 a 570 Ma
(Oyhantçabal et al.2007). Fragoso Cesar et al. (1986) interpretó este cinturón
granítico como la raíz de arco magmático.
 Formación Cerros de Aguirre (Campal y Gancio, 1993; Hartmann et al., 2002):
dacitas y rocas piroclásticas de edades U- Pb SHIRMP de 572 ± 8 Ma.
En la porción norte, el terreno está integrado por:
49
1) Basamento gneísico-migmatítico semejante al aflorante en la porción sur

(Complejo Cerro Olivo)
2) Bloque Dionisio-Sierra de Ríos (Preciozzi et al., 1985) genéticamente
interpretado como intrusivo, con filones que recortan las migmatitas y
estructuras de flujo observables en cantera próxima a Bañado de Oro. Pegmatitas
3) Formación Sierra de Ríos (Elizalde et al., 1970), integrada por derrames
riolíticos asociados con diques de granófiros de edad U-Pb 593,6 ± 5,3 Ma (Peel
et al., 2014).
4) Complejo Paso del Dragón (Peel, 2012), principalmente compuesto por rocas
meta-volcano-sedimentarias y rocas serpentiníticas.
5) Las formaciones cuaternarias Dolores y Libertad.
La formación Dolores (Goso et al., 1974) está litológicamente representada por lodolitas
y areniscas arcillosas muy finas, de colores pardos correspondientes a una
sedimentación continental, relacionada a fenómenos eólicos y de coluviación, con
formación de flujos de barro, que se redepositan en las zonas topográficamente más
bajas (Memoria Carta Geológica 1:500.000 DINAMIGE, 1985).
La formación Libertad (Caorsi y Goñi, 1958; Goso,1965) está integrada por lodolitas,
loees y fangolitas con porcentaje variable de arenas y arcillas, de color pardo a pardo
rojizo. Sedimentación continental peridesértica (Memoria Carta Geológica 1:500.000
DINAMIGE, 1985).
6) Reciente y actual: Sedimentos limo-arcillosos, arenosos a veces

conglomerádicos (aluviones y coluviones), depósitos de turbas (Memoria Carta
Geológica 1:500.000 DINAMIGE, 1985).
7.1 Geología del área de estudio

Originalmente las litologías encontradas en el área fueron asignadas a la Formación
Paso del Dragón (Preciozzi et al., 1979). Posteriormente, Bossi y Navarro (1988) se
refieren por primera vez a las serpentinitas cromíferas de Cerro la Tuna.
En Bossi y Shipilov (2003) se ahonda uno poco más el trabajo realizado en 1988,
logrando una clasificación de las serpentinitas en cuatro categorías: masivas (más
abundantes), cumulares, estratificadas y pseudo-macro-cristalinas. También se propone
50
un modelo genético ofiolítico, considerando a la asociación ultabásica como fragmentos

de corteza oceánica estirados y desconectados entre sí.
Recientemente, Peel (2012) retoma y redefine a la formación Paso del Dragón como
Complejo, siendo constituido por dos unidades litodémicas: (a) los esquistos de la
Micaela (modificado de Bossi, 2010) que constituyen más del 80% del Complejo y
abarca una asociación meta-vulcano-sedimentaria con deformación múltiple, compuesta
por esquistos cuarzo-feldespáticos a muscovita dominantes, con intercalaciones de
cuarcitas, meta-volcánicas félsicas y esquistos anfibólicos con granate, y (b) las
serpentinitas del Cerro La Tuna (modificado de Bossi y Schipilov, 2000) que
constituyen menos del 20% del Complejo y abarca rocas máficas-ultramáficas también
deformadas y metamorfizadas constituidas por serpentinitas, esquistos magnesianos
variados y esquistos anfibólicos, alojadas en el litodema (a).
UMG por su parte definió 10 litologías basándose en criterios texturales y

mineralógicos. Estas unidades son: anfibolitas, venas de cuarzo, cromititas, clorito-
esquistos, mica-esquistos, serpentinitas cumulares, serpentinitas masivas, tremolititas,
turmalinititas y talco esquistos. Estas litologías fueron representadas en un mapa de
afloramientos (Fig.17) que sirvió como base para la elaboración de un mapa geológico
interpretativo (Fig.18). Dado que no todas las litologías resultaron representables para
una escala 1:15000 se decidió unificar tipos litológicos. De esta forma las serpentinitas
cumulares y masivas se representaron simplemente como serpentinitas, las tremolititas,
talco-esquistos, clorito-esquistos y turmalinititas se unificaron a esquistos magnesianos
y finalmente las anfibolitas, venas de cuarzo y mica-esquistos permanecieron como su
definición original.
51
Fig. 17. Mapa de afloramientos realizado por UMG

52
Fig. 18. Mapa geológico del área de estudio

53
8. Calidad de los datos

Con motivo de visualizar los principales parámetros de calidad descriptos en el capitulo
“Metodología estadística” se construyó la siguiente tabla.
8-I. Parametros de calidad para observaciones de suelo
Ele me nto N º de mue stra s <LD N º de mue stra s =LD R mue stre o R a na lítico Fmue ste o Fa na lítico
Ag_ppm 1059 416 0,39 0,375 0,89
Al_pct 0 0 0,75 0,98 6,354 105,8
As_ppm 799 516 0,07 0,26 1,33 0,754
Ba_ppm 359 117 0,06 0,98 1,019 79,98
Be_ppm 1589 2
Bi_ppm 1211 338 0,67
Ca_pct 431 59 0,98 0,99 76,58 91,68
Cd_ppm 1592 0
Co_ppm 103 16 0,95 0,97 30,38 73,76
Cu_ppm 9 2 0,83 0,98 115,4 116,9
Fe_pct 0 0 0,79 0,97 8,002 73,13
Ga_ppm 1592 0
Hg_ppm 1503 53
K_pct 690 92 0,96 1 22,73 437,9
La_ppm 1456 64 1 0,054 21,39
Mg_pct 49 8 0,57 1 3,734 953,1
Mn_ppm 2 6 0,85 0,99 10,84 135,1
Mo_ppm 1585 4
Na_pct 1513 45
Ni_ppm 14 4 0,95 1 40,38 1108
P_ppm 212 84 0,81 0,97 10,63 55,62
Pb_ppm 567 640 0,57 0,28 1,98 1,868
S_pct 1445 37
Sb_ppm 1158 388 -0,32
Sc_ppm 87 98 0,89 0,99 16,3 156,7
Sr_ppm 381 94 0,58 0,85 1,039 8,987
Th_ppm 1592 0
Ti_pct 196 67 0,93 0,99 26,63 149,7
Tl_ppm 1592 0
U_ppm 1568 17
V_ppm 0 0 0,86 0,99 12,31 187,3
W_ppm 1590 0
Zn_ppm 3 73 0,56 0,96 3,34 52,03
Iconos:
Cuando el valor es >= al 75 percentil
Cuando el valor es <75 percentil y >= al 50 percentil
Cuando el valor es < al 50 percentil y >= al 25 percentil
54
Cuando el valor es < al 25 percentil
8.1 Suelos
8.1.1 En función de sus límites de detección
Viendo la tabla 8-I podríamos clasificar a los elementos en 3 poblaciones:
1) Los que muestran un “mal comportamiento” (más del 45% de los resultados por
debajo de los LD): Cd, Ga, Th, Tl, W, Be, Mo, U, Na, Hg, La, S, Bi, Sb, Ag y
As.
2) Los que muestran un “comportamiento regular” (entre 45% y 20% de sus

resultados por debajo de los LD): K, Pb, Ca, Sr y Ba.
3) Los que muestran un “buen comportamiento” (menos de 20% de sus resultados

por debajo de los LD): P, Ti, Co, Sc, Mg, Ni, Cu, Zn, Mn, Al, Fe y V.
8.1.2 Coeficiente correlación de Pearson (R)

Se calcularon 2 tipos de R, uno comparando la muestra original con su duplicado de
campo (R muestreo) y otro comparando la muestra original con su duplicado analítico
(R analítico). Tanto para R muestreo como para R analítico solo se consideraron las
duplas (muestra original-duplicado) en las que por lo menos uno de los dos resultados
superara el LD para esa variable. En los casos en los que solamente un resultado superó
el LD se decidió asignar al otro la mitad del valor mínimo de detección. Teniendo en
cuenta esto, hubo variables a las cuales no se le pudieron calcular los valores de R ya
que no presentaron ninguna dupla con al menos un valor por encima su LD
correspondiente.
Una vez obtenido el coeficiente de correlación R se necesita saber si ese valor es

significativo para un valor alfa de 0,05 (nivel de significancia). En función de la
cantidad de duplas consideradas para el cálculo de R (y por ende los grados de libertad
de la muestra), se calculó el valor de probabilidad p por el cual R pudo haberse obtenido
por casualidad. (Cohen, J., Cohen, P., West, S.G., and Aiken, L.S. (2003). Applied
Multiple Regression/Correlation Analysis for the Behavioral Sciences (3rd edition).
Mahwah, NJ: Lawrence Earlbaum Associates).
55
8.1.2.1 R muestreo
Análisis de resultados
1) Por no presentar ni siquiera una dupla con por lo menos un resultado por
encima del LD no se pudo calcular el R muesteo de las variables: Cd, Ga, Th,
Tl, W, Be, Mo, U, Na, Hg, La, S, Sb y Ag.
2) Las variables As, Ba y Bi (Fig.19) mostraron un p>0,005 por lo que no se tendrá

en cuenta su valor R muestreo.
3) Las variables Mg, Zn y Pb (Fig.19 y 20) mostraron |R muestreo| <0,75 por lo

que se puede decir los resultados de las muestras originales no son
correlacionables con sus duplicados de campo.
4) En orden decreciente las variables Ca, K, Co, Ni, Ti, Sc, V, Mn, Cu, P, Fe y Al
(Fig.19 y 20) mostraron una buena correlación con sus duplicados de campo ya
que su |R muestreo| fue mayor a 0,75.
8.1.2.2 R analítico
Análisis de los resultados
1) Las variables que no mostraron ninguna dupla con por lo menos un resultado
por encima del LD correspondiente fueron: Cd, Ga, Th, Tl, W, Be, Mo, U, Na,
Hg, S y Bi.
2) Las variables que mostraron un p>0,05 fueron: Ag, As, Pb y Sb (Fig. 21 y 22).
Por lo que no se considerará el R analítico como “sensor” de calidad.
3) Ag, As, Pb y Sb (Fig.21 y 22) fueron los únicos elementos que mostraron un R
analítico bajo (<|0,75|). Sb tiene la particularidad de tener un R analítico
negativo. En cualquiera de los casos, sumado a lo dicho en el punto anterior,
estas variables no son correlacionables con sus duplicados analíticos.
4) En orden decreciente las variables K, La, Mg, Ni, Ca, Mn, Sc, Ti, V, Al, Ba, Cu,
Co, Fe, P, Zn y Sr (Fig.21 y 22) mostraron una buena correlación con sus
duplicados analíticos ya que su |R muestreo| fue mayor a 0,75.
56
Fig. 19. Diagramas de dispersión de muestra original vs. Duplicado de campo para las variables Al, As, Ba, Bi, Ca, Co, Cu, Fe, K ,
Mg, Mn y Ni.
57
Fig. 20. Diagramas de dispersión de muestra original vs. Duplicado de

campo para las variables P, Pb, Sc, Sr, Ti, V y Zn
58
Fig. 21. Diagramas de dispersión de muestra original con duplicado analítico para las variables Ag, Al, As, Ba, Ca, Co, Cu, Fe, K, La,
Mg y Mn.
59
Fig. 22. Diagramas de dispersión de muestra original con duplicado analítico para las variables Ni, P, Pb, Sb, Sc, Sr, Ti, V y Zn.
60
8.1.3 Análisis de varianzas

Para el ANOVA de las diferentes variables se decidió incluir a las duplas donde los dos
resultados superaron los LD y en las duplas donde únicamente uno de los resultados
supero el LD, se modificó el otro resultado a la mitad del valor mínimo de detección.
Las duplas donde ninguno de los resultados superó los LD no se utilizaron para este
análisis.
Se calcularon dos F por variable, una para los duplicados de campo (F muestreo) y otra
para los duplicados analíticos (F analítico).
8.1.3.1 F muestreo
Análisis de resultados
Debido a que cada variable tiene un SSa y un SSe particular, los F muestreo son muy
disímiles en algunos casos. Para poder comparar los F muestreo de las diferentes
variables entre si se decidió clasificarlos según su valor percentil.
1) Las variables que tienen menor F muestreo (<25 percentil) y por ende una
varianza del error más significativa son: La, Ag, Ba, Sr y As.
2) Las variables que tienen un F muestreo medio-baja (>=25 y <50 percentil): Pb,
Zn, Mg y Al.
3) Las variables que tienen un F muestreo medio-alta (>=50 y <75 percentil): Fe, P,
Mn, V y Sc.
4) Las variables que tienen un F muestreo alto (>=75 percentil) y por ende una
varianza del error baja son: K, Ti, Co, Ni y Cu.
8.1.3.2 F analítico
Aplicando el mismo criterio de clasificación que para F muestreo las categorías
obtenidas de F analítico son:
1) Las variables que tienen menor F analítico (<25 percentil) y por ende una
varianza del error más significativa son: As, Ag, Pb, Sr, La.
2) Las variables que tienen un F analítico medio-baja (>=25 y <50 percentil): Zn,
P, Fe, Co y Ba.
3) Las variables que tienen un F analítico medio-alta (>=50 y <75 percentil): Ca,
Al, Cu, Mn y Ti.
4) Las variables que tienen un F analítico alto (>=75 percentil) y por ende una
varianza del error baja son: Sc, V, K, Mg, Ni.
A modo de ejemplo se representaran gráficamente los casos antagónicos de As y Ni

(Fig.23).
61
Fig. 23. A) ANOVA de duplicados analíticos según variable As. B) ANOVA de duplicados analíticos según variable Ni
62
Tomando como referencia el análisis hecho en los puntos anteriores se consideran

positivas, desde el punto de vista de su calidad, a las variables: Al, Ca, Cu, Co, Fe, K,
Mn, Ni, P, Sc, Ti y V.
8.2 Rocas
Dado que para el medio roca no se introdujo ningún duplicado de campo ni duplicado
analítico se tendrán en cuenta únicamente dos factores para evaluar la calidad de los
datos: la cantidad relativa de observaciones por litología y el número de observaciones
que superaron el límite de detección.
8.2.1 Cantidad de observaciones por litología

Ya que el muestreo de rocas estuvo enfocado a la prospección de cromita, las litologías
con mayor número de observaciones son las de mayor potencial como portador de este
mineral. Teniendo en cuenta lo esto vemos en la tabla 8-II que existe una superioridad
de observaciones de las serpentinitas con respecto a las otras litologías. Se aprecia
también que solo existen 2 observaciones de la litología cromitita, esto se debe
simplemente a que no se descubrieron más especímenes muestreables en el área.
8-II. Cantidad de observaciones según tipo litológico en rocas
Litologías Codigo Cantidad de observaciones Porcentaje

Anfibolita ANF 4 4.40%
Cromitita CRM 2 2.20%
Clorito-esquisto CSQ 12 13.19%
Mica esquisto MSQ 6 6.59%
Venas de cuarzo QZV 12 13.19%
Serpentinita cumular SEC 18 19.78%
Serpentinita masiva SEM 24 26.37%
Tremolitita TRE 10 10.99%
Turmalinitita TRM 1 1.10%
Talco esquisto TSQ 2 2.20%
Total general 91
Al momento de utilizar las observaciones de roca discriminadas por su tipo litológico se

excluirán los datos referentes a las anfibolitas, cromititas, turmalinititas y talco esquistos
ya que tienen muy baja cantidad de observaciones con respecto a las otras.
63
8.2.2 Límites de detección

Si analizamos las variables que resultaron positivas en el análisis de calidad hecha para
suelo obtenemos la tabla 8-III para roca. En ella se puede apreciar que:
1) Las variables que mostraron “mal comportamiento” (más del 45% de las
observaciones con concentraciones menores al LID) fueron: K y Ti.
2) Las variables de “comportamiento regular” (entre 45 y 20% de las observaciones

con concentraciones menores al LID) son: P, Cu, Ca y Sc.
3) Las variables que mostraron “buen comportamiento” (menos del 20% de las
observaciones con concentraciones menores al LID) son: Fe, Mn, Ni V, Al y Co.
8-III. Límites de detección en observaciones de roca
Elemento Nº de muestras <LD Nº de muestras =LD

Al_pct 11 1
Ca_pct 37 4
Co_ppm 15 0
Cu_ppm 30 2
Fe_pct 0 0
K_pct 88 0
Mn_ppm 0 0
Ni_ppm 1 1
P_ppm 28 4
Sc_ppm 38 7
Ti_pct 70 2
V_ppm 8 2
64
9. Estadística descriptiva
9.1 Suelos
9.1.1 Estadística general

En la Tabla I se presentan algunos parámetros estadísticos para las variables que se
consideraron positivas desde el punto de vista del control de calidad. La amplitud
representa el valor mínimo y el valor máximo registrado para la variable en el total de la
muestra. Salvo para Al, Fe y V el valor mínimo registrado no superó el límite de
detección inferior por lo que se representó con el signo “<”.
9-I. Principales parámetros estadísticos de observaciones de suelo por variable

Elemento Amplitud Media Mediana Media Geom. Varianza σ Cv % Rango Intercuartil 25 perc. 75 perc. 99 perc.
Al_pct 0.41 - 6.87 3 2.65 2 1.34 1 42 1.65 1.85 3.5 6
Ca_pct <0.05 - 3.16 0.25 0.17 0.13 0.07 0.26 106 0.38 0.025 0.4 0.9607
Co_ppm <5 - 541 41 28 27 2145 46 113 29 17 46 253
Cu_ppm <5 - 1505 59 45.5 44 6438 80 135 33 31 64 373
Fe_pct 0.41 - 21.30 5 5.17 5 3.27 2 35 2.06 4.13 6 10.6
K_pct <0.05 - 1.49 0.14 0.06 0.07 0.04 0.21 146 0.12 0.025 0.14 0.92
Mn_ppm <30 - 10300 876 660 607 811661 901 103 690 370 1060 4392
Ni_ppm <5 - 4260 290 89 109 286413 535 185 166 49 215 2699
P_ppm <50 - 14400 166 110 106 265144 515 310 130 60 190 801
Sc_ppm <5 - 40 12 11 10 39.96 6 53 8 7 15 32
Ti_pct <0.05 - 0.51 0.15 0.13 0.12 0.01 0.09 62 0.12 0.08 0.2 0.39
V_ppm 6.00 - 377 92 83 84 1746 42 45 49 63 112 224
Las variables con distribución de mayor simetría son Al, Fe, Sc y Ti (en gris y negrita)
ya que presentan Media, Mediana y Media geométrica con valores similares. El resto de
las variables muestra una superioridad cuantitativa sustancial de la media con respecto a
la mediana y media geométrica por lo que se puede decir que su simetría es menor.
Tomando en cuenta el hecho que en distribuciones asimétricas la mediana se ubica entre
la media y la moda (Davis, 2002) podemos decir que, salvo en el caso del Fe donde su
media es más baja que su mediana, las distribuciones presentan una asimetría tal que su
moda está desplazada hacia los valores más bajos.
Los coeficientes de variación (Cv) de las diferentes variables se presentaron altos en

general. Esto es lógico si consideramos que las 1592 observaciones pueden
corresponder a más de una población. Igualmente se puede observar que P muestra un
65
Cv muy alto con respecto al resto de las variables. Esta mayor variabilidad podría
explicarse considerando que el P5+ es uno de los solutos más abundantes en el agua de
río (Railsbak et al., 2003) y por ende pudo haber afectado al suelo diferencialmente
creando un contraste mayor de las concentraciones entre diferentes áreas.
9.1.2 Normalidad de las variables

Para obtener mayor información acerca de las variables se calculó la curtosis y se
realizaron los test de Kolmogorov-Smirnov y Shapiro-Wilks con su valor p
correspondiente. Los cálculos y test se realizaron tanto para los valores normales de las
variables como para sus valores log-transformados (aplicándole logaritmo en base 10).
La Tabla 9-II muestra los resultados obtenidos.
9-II. Normalidad de las variables en observaciones de suelo
Datos originales Log Transformados

Elemento Kolmogorov-Smirnov Shapiro-Wilks Kolmogorov-Smirnov Shapiro-Wilks Interpretacion
Curtosis Curtosis
T p W p SW T p W p
Al_pct 0.039 = 5.458e-06 0.983 = 1.31e-12 -0.08 0.0656 < 2.2e-16 0.9687 < 2.2e-16 0.27 Normal
Ca_pct 0.199 < 2.2e-16 0.77 < 2.2e-16 20.29 0.1806 < 2.2e-16 0.8881 < 2.2e-16 -1.41 LogNormal
Co_ppm 0.212 < 2.2e-16 0.645 < 2.2e-16 21.15 0.0884 < 2.2e-16 0.9602 < 2.2e-16 0.72 LogNormal
Cu_ppm 0.261 < 2.2e-16 0.367 < 2.2e-16 153.84 0.069 < 2.2e-16 0.9568 < 2.2e-16 3.14 LogNormal
Fe_pct 0.058 = 1.158e-13 0.943 < 2.2e-16 6.74 0.0785 < 2.2e-16 0.9519 < 2.2e-16 2.93 Normal
K_pct 0.286 < 2.2e-16 0.622 < 2.2e-16 6.03 0.2541 < 2.2e-16 0.8408 < 2.2e-16 -0.57 LogNormal
Mn_ppm 0.173 < 2.2e-16 0.659 < 2.2e-16 27.56 0.0725 < 2.2e-16 0.9756 = 8.396e-16 1.07 LogNormal
Ni_ppm 0.309 < 2.2e-16 0.529 < 2.2e-16 14.48 0.0945 < 2.2e-16 0.974 = 2.244e-16 0.21 LogNormal
P_ppm 0.392 < 2.2e-16 0.123 < 2.2e-16 623.13 0.091 < 2.2e-16 0.9588 < 2.2e-16 1.17 LogNormal
Sc_ppm 0.119 < 2.2e-16 0.927 < 2.2e-16 1.33 0.0776 < 2.2e-16 0.9675 < 2.2e-16 0.36 LogNormal
Ti_pct 0.095 < 2.2e-16 0.946 < 2.2e-16 0.43 0.1153 < 2.2e-16 0.9249 < 2.2e-16 -0.25 Normal
V_ppm 0.102 < 2.2e-16 0.902 < 2.2e-16 4.76 0.0334 = 0.0002851 0.9913 = 4.255e-08 1.17 LogNormal
Trabajando a un nivel de significancia de 1 % no se puede decir que alguna de las

variables se ajusta a una población normal o log-normal ya que los valores p son muy
bajos en todos los casos. No obstante se puede decir que las variables que se ajustan
mejor a una población normal son el Al, el Fe y el Ti. El resto de las variables se ajusta
mejor a una población log-normal.
Estos resultados se pueden visualizar gráficamente generando una distribución normal

para cada variable teniendo en cuenta la media, la desviación estándar y el número de
observaciones. Representando la distribución normal obtenida y la distribución empírica
en un gráfico acumulativo de percentiles se visualiza cual variable se ajusta y cual no a
66
una distribución normal. A las variables que no se ajustaron a la distribución normal se

les aplicó una transformación logarítmica en base 10 a los ejes x e y para comparar los
datos log-transformados con una población log-normal. A modo de ejemplo (Fig.24)
mostramos los gráficos obtenidos para las variables Fe y Co (con valores sin
transformar y log-transformados).
Fig. 24. Gráficos de comparación con distribuciones normales (en rojo) de las distribuciones empíricas (en negro) para las
variables Fe y Co, sin transformar y log-transformadas.
67
9.1.3 Outliers
Para identificar de manera grafica las observaciones que se presentaron distantes del
resto desde el punto de vista de su concentración (outliers) se utilizó para todas las
variables un diagrama de tipo caja o box-plot (fig.25). Los límites de la caja para cada
variable fueron establecidos según su primer y tercer cuartil, siendo el centro de la caja
el segundo cuartil o mediana. La longitud de los whiskers es una vez y media la
distancia entre el primer y tercer cuartil. La tabla 9-III muestra los parámetros obtenidos
a partir de la fig.25.
Para las variables log-normales los parámetros descriptos anteriormente se calcularon en

base a sus concentraciones log-transformadas. En la tabla 9-III se muestran estos
parámetros con su correspondiente valor normal.
La variable que presentó mayor cantidad de outliers fue el Co (en rojo), siendo
mayoritariamente de tipo inferiores corresponden en su totalidad a las observaciones
que no superaron el límite inferior de detección (LID). En tanto las variables Ca, K y Sc
no presentaron outliers. En el caso de Ca y K esto se debe a la gran cantidad de
observaciones con concentraciones por debajo del LID. El peso de este fenómeno se ve
reflejado en la ausencia de bigote inferior ya que el Q1 es igual al valor asignado a las
concentraciones que no superaron el LID.
9-III. Principales parámetros de análisis por Box-plots para observaciones de suelo.
Elemento OEI VEIDW Q1 Q2 Q3 VESDW OES NºOI NºOS Total outliers

Al_pct - 0.41 1.85 2.65 3.50 5.95 6.87 0 11 11
LogCa_pct - -1.60 -1.60 -0.77 -0.40 0.50 - 0 0 0
Ca_pct - <0.05 <0.05 0.17 0.40 3.16 -
LogCo_ppm 0.40 0.70 1.23 1.45 1.66 2.31 2.73 103 30 133
Co_ppm <5 5 17 28 46 202 541
LogCu_ppm 0.40 1.04 1.49 1.66 1.81 2.26 3.18 34 45 79
Cu_ppm <5 11 31 45 64 184 1505
Fe_pct 0.41 1.14 4.13 5.17 6.19 9.25 21.30 5 34 39
LogK_pct - -1.60 -1.60 -1.22 -0.85 0.17 - 0 0 0
K_pct - <0.05 <0.05 0.06 0.14 1.49 -
LogMn_ppm 1.18 1.90 2.57 2.82 3.03 3.66 4.01 45 13 58
Mn_ppm <30 80 370 660 1060 4620 10300
LogNi_ppm 0.40 0.78 1.69 1.95 2.33 3.29 3.63 18 43 61
Ni_ppm <5 6 49 89 215 1970 4260
LogP_ppm - 1.40 1.78 2.04 2.28 3.00 4.16 - 8 8
P_ppm - 25 60 110 190 1000 14400
LogSc_ppm - 0.40 0.85 1.04 1.18 1.60 - 0 0 0
Sc_ppm - 2.50* 7 11 15 40 -
Ti_pct - <0.05 0.08 0.13 0.20 0.38 0.51 - 22 22
LogV_ppm 0.78 1.43 1.80 1.92 2.05 2.42 2.58 12 4 16
V_ppm 6 27 63 83 112 265 377
68
Fig. 25. Diagrama tipo box-plot de observaciones de suelo
69
9.1.4 Estandarización
Ya que no todas las variables tienen las mismas unidades de medida y la amplitud de la
muestra difiere considerablemente según la variable, se representó el box-plot anterior
con las unidades estandarizadas (Fig.26). La estandarización escogida consta en restarle
a cada observación la media de la variable correspondiente y dividirla sobre su
desviación estándar. De esta forma las medias tendrán un valor de 0 y cada variable se
apreciará de forma centrada.
Observando la figura 26 se puede apreciar que la variable Fe es la que presenta las

observaciones con concentraciones más alejadas de sus valores medios, mostrando a su
vez gran amplitud entre ellas. Esto podría sernos de gran ayuda a la hora de identificar
diferentes entidades geoquímicas en suelo.
Si excluimos los outliers de la muestra y representamos las observaciones restantes en

un nuevo grafico de tipo box-plot obtenemos la figura 27. Si bien no se aprecia una
respuesta muy disímil de las variables con respecto al grafico anterior, si se observa una
clara reducción en la amplitud de la muestra. A su vez en todos los casos, los nuevos
outliers se encuentran cerca de los límites de los whiskers y son menos abundantes.
9.1.5 Exclusión de outliers

Si no consideramos los outliers en la muestra y representamos las observaciones
restantes en un nuevo grafico de tipo box-plot obtenemos la figura 27. Si bien no se
aprecia una respuesta muy disímil de las variables con respecto al grafico anterior se
observa una clara reducción en la amplitud de la muestra. A su vez en todos los casos
los nuevos outliers se encuentran cerca de los límites de los whiskers y son menos
abundantes.
70
Fig. 26. Diagrama box-plot estandarizado para observaciones de suelo.
71
Fig. 27. Diagrama box-plot de observaciones de suelo sin outliers.
72
9.2 Roca
9.2.1 Estadística descriptiva general

Considerando a todas las litologías muestreadas por UMG y las variables que resultaron
positivas según la calidad de sus datos, se construyó la tabla 9-IV en donde se muestran
casi los mismos parámetros estadísticos calculados para suelo. En ella se puede apreciar
que las únicas variables que no tuvieron un valor mínimo menor al límite inferior de
detección (LID) fueron el Fe y Mn.
En general los valores de media, mediana y media geométrica se presentaron muy

disímiles en todas las variables, por lo que se puede decir que siguen una distribución
no simétrica. La única excepción es el Sc, que presentando valores casi iguales de
media, mediana y media geométrica podría asociarse a una distribución simétrica. Sin
embargo, el hecho de que dichos parámetros sean tan bajos refleja al peso de la alta
cantidad de observaciones que no superaron el LID (38 en 91) en la muestra.
Los coeficientes de variación (Cv) se presentaron altos en todos los casos, incluso
superando a los obtenidos para suelo. La explicación de este hecho es la diferencia en el
tipo de muestreo realizado en ambos casos. Mientras que en suelo se diseñó una malla
con observaciones más o menos uniformemente distribuidas, el muestreo en roca se
realizó con el objetivo de tener ejemplares de todas las litologías presentes en el área,
haciendo especial énfasis en las posibles portadoras del mineral cromita, por lo que el
muestreo en roca fue sesgado.
9-IV. Principales parámetros estadísticos de rocas sin diferenciar.
Elemento Amplitud Media Mediana Media Geom. Varianza σ Cv % Rango Intercuartil 25 perc. 75 perc. 95 perc.
Al_pct <0.05 - 9.23 0.87 0.67 0.47 1.35 1.16 132.99 0.57 0.4 0.97 2.262
Ca_pct <0.05 - 1.73 0.24 0.07 0.09 0.17 0.42 171.57 0.155 0.025 0.18 1.376
Co_ppm <5 - 113 42 49 26 838 29 69 54 13 67 80.4
Cu_ppm <5 - 256 25 10 11 1567 40 158 25.5 2.5 28 124.8
Fe_pct 0.2 - 28.7 4.00 4.26 2.72 14.97 3.87 96.86 3.02 1.88 4.9 6.69
Mn_ppm 40 - 2330 632 660 443 196891 444 70 560 270 830 1274
Ni_ppm <5 - 2900 766 875 292 439253 663 87 1320 70 1390 1708
P_ppm <50 - 1600 161 80 87 52325 229 142 205 25 230 588
Sc_ppm <5 - 50 5 5 4 28 5 98 4.5 2.5 7 9
V_ppm <5 - 330 49 42 34 1875 43 88 27 32 59 101
73
9.2.2 Normalidad de las variables

Al igual que para el medio suelo es necesario realizar el cálculo de la curtosis y los test
de Kolmogorov-Smirnov y Shapiro-Wilks con motivo de identificar la naturaleza
normal o log-normal de las diferentes variables. Los resultados e interpretación de
dichos análisis se presentan en la tabla 9-V.
9-V. Normalidad de las variables en observaciones de roca.
Datos originales Log Transformados

Elemento Kolmogorov-Smirnov Shapiro-Wilks Kolmogorov-Smirnov Shapiro-Wilks Interpretacion
Curtosis Curtosis
T p W p T p W p
Al_pct 0.2380 6.5204E-14 0.5391 1.952E-15 28.74 0.2089 1.4785E-10 0.8496 3.5844E-08 0.65 LogNormal
Ca_pct 0.3218 2.9735E-26 0.5698 6.517E-15 3.15 0.2273 1.2831E-12 0.8330 9.6937E-09 -0.48 LogNormal
Co_ppm 0.1362 0.00026257 0.9063 7.0885E-06 -1.31 0.2101 1.089E-10 0.8070 1.4586E-09 -0.59 Normal
Cu_ppm 0.2850 2.4267E-20 0.5923 1.6331E-14 13.06 0.2026 6.7332E-10 0.9043 5.6892E-06 -0.94 LogNormal
Fe_pct 0.2641 2.5146E-17 0.5810 1.0265E-14 22.43 0.2069 2.4079E-10 0.8351 1.1374E-08 0.82 LogNormal
Mn_ppm 0.0910 0.06057639 0.9039 5.4833E-06 2.44 0.1867 2.4874E-08 0.8408 2.288E-07 -0.06 Normal
Ni_ppm 0.1653 1.8845E-06 0.8732 2.7301E-07 -0.74 0.2258 1.9213E-12 0.8712 1.6589E-08 -0.76 Normal
P_ppm 0.2766 4.3373E-19 0.5949 1.8263E-14 17.07 0.1828 5.7635E-08 0.8399 9.9007E-06 -0.77 LogNormal
Sc_ppm 0.2937 1.1654E-21 0.4054 1.8833E-17 54.35 0.2673 9.2659E-18 0.9094 1.1173E-09 1.88 LogNormal
V_ppm 0.1876 2.054E-08 0.6716 5.8168E-13 19.84 0.2336 2.2926E-13 0.8032 1.8548E-09 1.46 LogNormal
El único caso en el cual el valor p superó el nivel de significancia fue cuando se aplicó
el test de Kolmogorov-Smirnov en datos originales de la variable Mn. Gracias a esto
podemos afirmar que dicha variable ajusta a una distribución normal con sus datos
originales. Para el resto de las variables únicamente se pueden sugerir tendencias ya que
los valores p son muy bajos. Teniendo en cuenta esto visualizamos que las variables no
tuvieron el mismo comportamiento que en el medio suelo. Las variables Al y Fe que
habían mostrado afinidad normal, en este caso muestran una afinidad log-normal.
Contrariamente las variables Co, Mn y Ni que mostraron una tendencia log-normal en el
medio suelo, muestran un comportamiento de afinidad normal en el medio roca.
9.2.3 Estadística descriptiva por litologíaa

Viendo la gran variabilidad de la muestra anterior se recalcularon los parámetros
discriminando por tipo litológico. Teniendo en cuenta que sólo se describieron las
litologías que se consideraron positivas desde el punto de vista de la calidad de sus
datos, se diseño la tabla 9-VI.
Para el caso de las variables log-normales los cálculos de los parámetros se realizaron
con sus valores log-transformados. A los resultados obtenidos se les aplicó la potencia
en base 10 para visualizarlos según su valor normal.
74
El cambio que se observa en la simetría de las observaciones con respecto a la muestra

anterior es sustancial. La diferencia entre media, mediana y media geométrica es muy
baja en casi todos los casos. Esto puede sugerir una buena clasificación a priori del tipo
litológico. Sin embargo observamos que los coeficientes de variación son considerables
en algunos casos.
En el caso de la litología vena de cuarzo (QZV) es notoria su baja concentración en

todas las variables. Siendo su fórmula SiO2 y estando ausentes sus elementos
constitutivos en las variables medidas, es lógico que no presente altas concentraciones
en otros elementos.
75
9-VI. Principales parámetros estadísticos por litología.
Litologia Parametro LogAl_pct LogCa_pct Co_ppm LogCu_ppm LogFe_pct Mn_ppm Ni_ppm LogP_ppm LogSc_ppm LogV_ppm
Amplitud 0.63-9.23 <0.05-1.73 6-67 23590 1.07-10.15 220-1170 17-1140 <50-690 <5-50 44-330
Media 1.39 0.29 33 26 2.86 533 396 146 6 67
Mediana 1.19 0.34 31 25 2.42 520 419 186 6 57
Media Geom. - - 26 24 2.14 462 181 128 5 65
Varianza 1.23 3.04 456 1 1.23 89188 140883 2 1 1
CSQ σ 2.00 4.95 21 2 1.99 299 375 3 2 2
Cv % 143.39 1710.21 64.71 7.19 69.57 56.00 94.88 2.14 37.41 2.56
Rango Intercuartil 1.89 14.48 41 2 3.31 410 526 7 2 1
25 perc. 0.93 0.08 14 20 1.60 275 36 56 3 49
75 perc. 1.76 1.22 54 43 5.30 685 562 402 7 73
95 perc. 9.23 1.73 67 64 10.15 1170 1140 690 50 330
Amplitud 0.24-2.88 <0.05-0.3 2.5-60 23-256 2.1-28.7 100-920 83-538 <50-1600 <5-7 22-227
Media 0.94 0.08 29 85 4.95 435 198 229 3 66
Mediana 1.15 0.10 27 101 4.11 355 128 226 3 58
Media Geom. - - 19 78 4.05 327 157 190 3 62
Varianza 1.49 1.52 548 1 1.49 107470 29864 3 1 1
MSQ σ 2.61 2.66 23 2 2.60 328 173 4 2 2
Cv % 276.39 3370.38 79.58 2.93 52.67 75.36 87.28 1.96 47.42 3.28
25 perc. 0.37 0.03 8 35 2.28 153 93 65 3 41
75 perc. 2.02 0.15 53 177 9.04 763 296 933 5 117
95 perc. 2.88 0.30 60 256 28.70 920 538 1600 7 227
Amplitud <0.05 - 0.05 <0.05 - <0.05 <5 - <5 <5 - <5 0.2 - 0.67 40 - 110 <5 - 14 <50 - <50 <5 - <5 <5 - 6
Media <0.05 <0.05 <5 <5 0.30 64 10 <50 <5 3
Mediana <0.05 <0.05 <5 <5 0.29 55 10 <50 <5 <5
Media Geom. - - <5 <5 - 61 9 <50 <5 3
Varianza 0.01 0.00 0 0 0.02 427 11 0 0 0
QZV σ 0.09 0.00 0 0 0.14 21 3 0 0 0
Cv % 347.60 0.00 0.00 0.00 47.28 32.19 34.25 0.00 0.00 5.22
25 perc. <0.05 <0.05 <5 <5 0.24 50 8 <50 <5 <5
75 perc. <0.05 <0.05 <5 <5 0.38 78 12 <50 <5 5
95 perc. <0.05 <0.05 <5 <5 0.67 110 14 <50 <5 6
Amplitud 0.24-0.86 <0.05-0.76 38-93 <5-61 2.9-6.19 440-2080 875-1990 <50-240 <5-8 32-112
Media 0.59 0.09 67 13 4.60 888 1384 75 5 49
Mediana 0.64 0.10 68 14 4.64 800 1415 80 6 48
Media Geom. - - 65 10 4.56 840 1362 71 5 49
Varianza 1.04 1.49 166 2 1.01 121536 64257 1 1 1
SEC σ 1.36 2.60 13 3 1.17 349 253 2 2 1
Cv % 228.65 2807.60 19.30 21.36 25.52 39.27 18.31 2.58 29.67 2.79
25 perc. 0.49 0.04 59 7 4.48 698 1168 57 4 40
75 perc. 0.73 0.17 75 29 4.97 1033 1515 102 7 60
95 perc. 0.86 0.76 93 61 6.19 2080 1990 240 8 112
Amplitud 0.24-1.06 <0.05-0.18 22-113 <5-126 1.99-7.44 340-2330 276-2900 <50-350 <5-12 26-84
Media 0.61 0.04 66 7 4.70 885 1371 81 5 45
Mediana 0.65 0.04 67 7 4.83 770 1385 65 6 42
Media Geom. - - 64 5 4.60 811 1293 74 5 44
Varianza 1.05 1.18 259 2 1.02 197313 189358 1 1 1
SEM σ 1.38 1.84 16 3 1.25 444 435 3 1 1
Cv % 224.95 4296.90 24.25 40.04 26.64 50.19 31.75 3.11 27.71 3.10
25 perc. 0.54 0.03 57 3 4.45 670 1171 30 5 38
75 perc. 0.74 0.07 73 13 5.19 938 1475 212 7 59
95 perc. 1.01 0.16 105 77 7.01 2255 2611 337 11 83
Amplitud 0.09-4.87 <0.05-1.4 13-65 <5-124 1.33-23.4 220-1270 27-1080 25-970 <5-10 22-95
Media 0.55 0.23 32 10 3.58 698 468 118 3 37
Mediana 0.52 0.26 28 8 3.62 610 364 104 3 35
Media Geom. - - 28 7 2.89 599 240 104 3 37
Varianza 2.05 1.81 312 2 1.31 142862 178985 2 1 1
TRE σ 3.62 3.23 18 4 2.19 378 423 3 2 2
Cv % 655.72 1413.94 55.00 41.29 61.30 54.15 90.38 2.60 50.03 4.09
25 perc. 0.18 0.09 16 3 2.22 355 37 54 3 29
75 perc. 1.53 0.46 50 31 4.26 1043 997 242 6 45
95 perc. 4.87 1.40 65 124 23.40 1270 1080 970 10 95
76
9.2.4 Coeficiente de variación por litología

Si analizamos los coeficientes de variación de forma tal de establecer que variables son
las que varían menos en cada litología obtenemos la tabla 9-VII. En ella podemos
observar:
 Las variables LogP, LogV y LogCa (en gris claro) tienen el mismo
comportamiento en todas las litologías. LogP y LogV son en casi todos los casos
las variables de menor Cv, mientras que LogCa es la que varía más.
 Las variables LogCu y LogSc (en amarillo) son de las que varían menos para las
litologías CSQ (clorito-esquisto), MSQ (mica-esquisto) y TRE (tremolitita).
 La variable Co (en verde) es una de las variables de menor variación para las
litologías SEC (serpentinita cumular) y SEM (serpentinita masiva)
9-VII. Relación de coeficientes de variación por tipo litológico
Lito.----> CSQ MSQ TRE SEC SEM QZV

Cv%: LogP_ppm LogP_ppm LogP_ppm LogP_ppm LogV_ppm Co_ppm
Menor LogV_ppm LogCu_ppm LogV_ppm LogV_ppm LogP_ppm LogP_ppm
| LogCu_ppm LogV_ppm LogCu_ppm Ni_ppm Co_ppm Mn_ppm
| LogSc_ppm LogSc_ppm LogSc_ppm Co_ppm LogFe_pct Ni_ppm
| Mn_ppm LogFe_pct Mn_ppm LogCu_ppm LogSc_ppm LogCu_ppm
| Co_ppm Mn_ppm Co_ppm LogFe_pct Ni_ppm LogSc_ppm
| LogFe_pct Co_ppm LogFe_pct LogSc_ppm LogCu_ppm LogV_ppm
| Ni_ppm Ni_ppm Ni_ppm Mn_ppm Mn_ppm LogFe_pct
V LogAl_pct LogAl_pct LogAl_pct LogAl_pct LogAl_pct LogCa_pct
Mayor LogCa_pct LogCa_pct LogCa_pct LogCa_pct LogCa_pct LogAl_pct
Estas coincidencias de variabilidad pueden sugerir cierta afinidad entre algunos tipos
litológicos. No es para nada extraño que siendo una diferenciación puramente textural
los diferentes tipos de serpentinitas muestren un comportamiento químico similar. Entre
los esquistos tampoco sorprende su afinidad química, siendo un poco menos claro el
comportamiento de las tremolititas, que teniendo como principal mineral constitutivo a
la tremolita (Ca2Mg5Si8O22 (OH)2) presente una variabilidad tan alta de Ca y al
mismo tiempo coincida tanto en la estabilidad de las variables con los esquistos.
77
9.2.5 Diagramas de caja

Para la mejor comprensión del comportamiento de las variables según el tipo litológico
se representaron todas las observaciones en diagramas tipo box-plot (Fig. 28 y 29).
Se puede observar un comportamiento similar de las litologías esquistosas (CSQ y

MSQ) en todas las variables salvo en el LogCa, presentando valores medios similares y
pocos outliers en general. Teniendo en cuenta esto es posible sugerir considerarlos
como un único tipo litológico para posteriores análisis.
Las litologías serpentiníticas (SEC y SEM) tienen un comportamiento químico muy

semejante en casi todas las variables. Salvo en la variable LogCa, donde todas las
litologías presentaron gran variabilidad, las serpentinitas se pueden considerar un
mismo tipo litológico desde el punto de vista químico.
Contrariamente a lo que suponía del análisis de los coeficientes de variación, la

tremolitita no muestra una afinidad marcada hacia otra litología. En ciertas variables
muestra afinidad con los esquistos, en otras con las serpentinitas y en otras se muestra
independiente de los otros tipos litológicos.
Las venas de cuarzo muestran un comportamiento completamente aislado del resto de

las litologías por sus bajos valores en todas las variables.
78
Fig. 28. Diagramas tipo box-plot según litología y las variables LogAl, LogCa, Co, LogCu, LogFe y Mn.
79
Fig. 29. Diagramas tipo box-plot según litología y las variables Ni, LogP, LogSc y LogV.
9.2.6 Estadística descriptiva y outliers en litologías afines

Como resultado de los análisis anteriores se considerará de aquí en más 3 tipos
litológicos según sus afinidades químicas:
 Serpentinitas (SER): integran a las litologías denominadas en primera instancia

como serpentinitas cumuláticas (SEC) y serpentinitas masiva (SEM).
 Esquistos y Tremolititas (EQT): integran a las litologías que en primera

instancia se denominaron como clorito-esquistos (CSQ), mica-esquistos (MSQ)
y tremolititas (TRE).
80
 Venas de cuarzo (QZV): se mantiene la clasificación original.
Si bien los parámetros estadísticos de las venas de cuarzo fueron presentados

anteriormente, se creyó necesario volverlos a representar junto con los de las nuevas
definiciones litológicas a modo de disponer de la información en una misma tabla
(Tabla VI)
9-VIII. Principales parámetros estadísticos de litologías redefinidas según afinidades químicas (EQT, QZV y SER).
Litologia Parametro LogAl_pct LogCa_pct Co_ppm LogCu_ppm LogFe_pct Mn_ppm Ni_ppm LogP_ppm LogSc_ppm LogV_ppm
Amplitud 0.09 - 9.23 <0.05 - 1.73 <5 - 67 <5 - 256 1.07 - 28.7 100 - 1270 17 - 1140 <50 - 1600 <5 - 50 22 - 330
Media 0.92 0.20 32 23.64 3.49 571 379 149 4.33 54
Mediana 1.12 0.18 29 26.98 3.36 490 294 155 3.54 54
Media Geom. - - 25 16.95 2.65 471 194 129 3.81 52
Varianza 0.21 0.37 393 0.30 0.12 114573 132931 0.27 0.09 0.07
EQT σ 0.45 0.60 20 0.55 0.34 338 365 0.52 0.30 0.26
Cv % 49.24 300.19 62.13 2.34 9.76 59.27 96.16 0.35 6.94 0.49
Rango Intercuartil 0.57 1.03 34 0.64 0.36 587.5 488 0.66 0.45 0.28
25 perc. 0.47 0.08 16 10 2.16 275 65 72 3 36
75 perc. 1.75 0.87 50 46 4.99 863 552 327 7 68
99 perc. 9.23 1.73 67 256 28.70 1270 1140 1600 50 330
Amplitud <0.05 - 0.05 <0.05 - <0.05 <5 - <5 <5 - <5 0.2 - 0.67 40 - 110 <5 - 14 <50 - <50 <5 - <5 <5 - 6
Media <0.05 <0.05 <5 <5 0.30 64 10 <50 <5 3.25
Mediana <0.05 <0.05 <5 <5 0.29 55 10 <50 <5 <5
Media Geom. - - <5 <5 - 61 9 <50 <5 3.08
Varianza 0.01 0.00 0 0.00 0.02 427 11 0.00 0.00 0.03
QZV σ 0.09 0.00 0 0.00 0.14 21 3 0.00 0.00 0.17
Cv % 347.60 0.00 0.00 0.00 47.28 32 34 0.00 0.00 5.22
Rango Intercuartil 0.00 0.00 0 0.00 0.20 28 4 0.00 0.00 0.30
25 perc. <0.05 <0.05 <5 <5 0.24 50 8 <50 <5 <5
75 perc. <0.05 <0.05 <5 <5 0.38 78 12 <50 <5 5
99 perc. <0.05 <0.05 <5 <5 0.67 110 14 <50 <5 6
Amplitud 0.24 - 1.06 <0.05 - 0.76 22 - 113 <5- 126 2 - 7.44 340 - 2330 276 - 2900 <50 - 350 <5 - 12 26 - 112
Media 0.60 0.06 67 8.86 4.66 886 1376 78 5.28 47
Mediana 0.64 0.06 67 9.00 4.65 795 1408 75 6.00 42
Media Geom. - - 65 6.84 4.58 824 1322 73 4.97 46
Varianza 0.02 0.14 214 0.20 0.01 161083 132914 0.12 0.03 0.02
SER σ 0.14 0.37 15 0.45 0.09 401 365 0.35 0.18 0.14
Cv % 22.35 625.63 22 5.11 1.85 45 26 0.45 3.33 0.30
Rango Intercuartil 0.14 0.64 17 0.84 0.06 308 324 0.50 0.15 0.19
25 perc. 0.53 0.03 58 3 4.48 670 1169 50 5 39
75 perc. 0.73 0.11 74 17 5.15 978 1493 159 7 59
99 perc. 1.06 0.76 113 126 7.44 2330 2900 350 12 112
Como ya fue mencionado anteriormente las SER muestran una superioridad notoria en
las concentraciones de las variables Co y Ni, hecho que queda evidenciado en las
medias correspondientes. Mientras que en los EQT las medias tienen un valor de 32 (en
Co) y 379 (en Ni), las SER muestran medias de más del doble para cada caso (67 en Co
y 1376 en Ni). En las QZV las concentraciones de dichas variables se presentaron por
debajo o muy cercanas al límite inferior de detección.
81
Contrariamente a lo que podría pensarse en primera instancia las desviaciones estándar

se mostraron en general más bajas con respecto a las litologías sin agrupar. Este
fenómeno ocurre debido a que al aumentar las observaciones por muestra, se recalcula
la media y por ende varianza y desviación estándar.
Para visualizar estas relaciones entre media y desviación estándar se representaron las
observaciones de cada muestra en un gráfico tipo box-plot. Al igual que para suelos, se
realizó una estandarización de los datos de tal forma que a cada observación se le resto
la media y se dividió entre la desviación estándar de la muestra. De esta forma las
observaciones que tengan una concentración igual a la media de la muestra tendrán un
valor de 0 y las observaciones que tengan una concentración equivalente a la media
menos o más una desviación estándar tendrán valores de -1 y 1 respectivamente.
Dadas las relaciones entre mediana y media se observa que en los EQT casi todas las
variables (LogAl y LogCu son la excepción) muestran un desplazamiento hacia los
valores menores en su distribución (Fig.30). En las venas de cuarzo el comportamiento
es similar, agregándose la variable LogCa a las excepciones (Fig.31). Las serpentinitas
parecen estar más centralizadas al mostrar valores de media y mediana similares
(Fig.32). Las variables que muestran cierta asimetría hacia valores mayores son LogAl y
LogSc. LogV muestra un desplazamiento en su distribución hacia los valores menores.
La variable que mostró más outliers en todas las litologías fue LogFe. En las EQT dos
de tipo superior, en las QZV solamente uno de tipo superior y en las SER tres inferiores
y solamente uno superior.
La variable Mn tiene tres outliers en la litología SER, teniendo concentraciones muy

similares entre sí pueden hablar de cierto proceso de enriquecimiento diferencial.
82
Fig. 30. Diagrama tipo box-plot de esquistos y tremolititas.
83
Fig. 31. Diagrama tipo box-plot para venas de cuarzo.
84
Fig. 32. Diagrama tipo box-plot para serpentinitas.
85
10. Estadística Multivariada
10.1 Análisis de Correlaciones

Para los cálculos de los coeficientes de correlación de Pearson (r) y Spearman ( ) se
utilizaron las variables coincidentes en el medio suelo y roca que resultaron positivas en
el análisis de calidad. Las variables se usaron en la forma que ajustaron mejor a una
distribución normal según cada medio, siendo estas formas sin transformar o log-
transformadas.
Dado que el objetivo es obtener información acerca del comportamiento general de una
variable con respecto a la otra, para el cálculo del coeficiente de Pearson se decidió
excluir de la muestra a los outliers ya que representan conductas anómalas con respecto
a los valores medios de cada elemento medido. En el caso del cálculo coeficiente de
Spearman esto no fue necesario ya que es un método no paramétrico que se basa en la
posición relativa de los valores y no en los tenores en si (Ferreira, 2000).
10.1.1 Suelos
Como ya se analizó anteriormente, casi todas las variables (Al y Fe son la excepción)
ajustan mejor a una distribución normal con las concentraciones de sus observaciones
log-transformadas. Es entonces que, salvo para Al y Fe, se calcularon los coeficientes de
correlación en función de sus observaciones log-transformadas. En la tabla 10-I se
presentan los coeficientes de correlación con su valor p correspondiente.
10-I. Suelos. Coeficientes de correlación de Pearson (encima de la diagonal; calculados sin considerar outliers) y de Spearman (debajo de la
diagonal; calculado considerando todas las observaciones). Con relleno verde claro coeficientes entre 0.5 y 0.75; con relleno verde oscuro
coeficientes mayores a 0.75. Valores p < 0,05 en números verde; valores p > 0,05 en números rojos.
Variable Al Valor p LogCa Valor p LogCo Valor p LogCu Valor p Fe Valor p LogMn Valor p LogNi Valor p P Valor pLogSc Valor p
LogV Valor p
Al 1 0.34 0.000 0.19 0.000 0.23 0.000 0.39 0.000 0.26 0.000 0.17 0.000-0.18 0.000 0.64 0.000 0.6 0.000
LogCa 0.31 0 1 -0.07 0.008 0.31 0.000 -0.26 0.000 0.12 0.000 0.05 0.035 -0.4 0.000 0.46 0.0000.31 0.000
LogCo 0.31 0 0.04 0.075 1 -0.14 0.000 0.39 0.000 0.78 0.000 0.79 0.000-0.09 0.000 0.26 0.0000.26 0.000
LogCu 0.24 0 0.33 0.000 -0.03 0.255 1 0.11 0.000 -0.03 0.202 -0.12 0.0000.05 0.046 0.24 0.0000.27 0.000
Fe 0.39 0 -0.28 0.000 0.36 0.000 0.12 0.000 1 0.21 0.000 0.2 0.000 0.2 0.000 0.39 0.0000.53 0.000
LogMn 0.29 0 0.1 0.000 0.83 0.000 0 0.858 0.24 0.000 1 0.63 0.000-0.11 0.000 0.31 0.0000.22 0.000
LogNi 0.23 0 0.11 0.000 0.83 0.000 -0.04 0.110 0.25 0.000 0.69 0.000 1 -0.22 0.000 0.26 0.0000.17 0.000
LogP -0.21 0 -0.4 0.000 -0.22 0.000 0.07 0.004 0.2 0.000 -0.16 0.000 -0.31 0.000 1 -0.25 0.000-0.13 0.000
LogSc 0.66 0 0.47 0.000 0.35 0.000 0.27 0.000 0.39 0.000 0.33 0.000 0.36 0.000 -0.31 0.000 1 0.67 0.000
LogV 0.63 0 0.31 0.000 0.34 0.000 0.29 0.000 0.5 0.000 0.27 0.000 0.26 0.000 -0.17 0.000 0.71 0.000 1
86
Trabajando a un nivel de significancia de 0,05 y viendo los valores p obtenidos

podemos decir que casi todos los coeficientes de correlación son significativos. Para los
r la única excepción es en la relación LogCu/LogMn (en rojo y negrita) donde se
registró un valor p de 0.202, que corresponde a su vez la menor correlación registrada (-
0,03). En tanto que las relaciones LogCo/LogCa, LogCu/LogCo, LogMn/LogCu y
LogNi/LogCu fueron las que presentaron un valor p mayor a 0,05 en los . Estas
relaciones a su vez mostraron correlaciones muy bajas (valores muy cercanos a 0).
En lo que respecta a los coeficientes de correlación se puede apreciar que tuvieron

valores muy similares entre los dos métodos. Las correlaciones medianamente altas
(entre 0.5 y 0.75, representadas en verde claro) fueron entre las variables: Al/LogSc,
Al/LogV y LogNi/LogMn. Las correlaciones mayores a 0.75, representadas en verde
oscuro, las registraron las relaciones LogMn/LogCo y LogNi/LogCo.
Dado el análisis de los box-plots para rocas (capitulo 9) en donde se evidenciaba que
las serpentinitas se caracterizaban por altas concentraciones de Co y Ni, la alta
correlación entre ambas variables podría explicarse por la ocurrencia o no de estas rocas
subyaciendo a los suelos analizados. Es decir, que puede suponerse que en las áreas
donde se encuentren serpentinitas subyaciendo a los suelos se esperaran altas
concentraciones tanto de Ni como de Co. En tanto donde esta litología este ausente del
subsuelo, se esperaran observaciones de suelo con bajos valores de Ni y Co.
10.1.2 Roca
Dado el análisis de normalidad para el medio roca (sección 1113) las únicas variables
que se usaron para correlacionar con las observaciones sin transformar fueron Co, Mn,
Ni y P, el resto se usó en su versión log-transformada. La tabla 33 muestra los
resultados obtenidos.
10-II. Rocas. Coeficientes de correlación de Pearson (encima de la diagonal; calculados sin considerar outliers) y de Spearman (debajo de la
diagonal; calculado considerando todas las observaciones). Con relleno verde claro coeficientes entre 0.5 y 0.75; con relleno verde oscuro
coeficientes mayores a 0.75. Valores p < 0,05 en números verdes; valores p > 0,05 en números rojos.
Variable LogAl Valor p LogCa Valor p Co Valor p LogCu Valor p LogFe Valor p Mn Valor p Ni Valor p P Valor p LogSc Valor p LogV Valor p
LogAl 1 - 0.3 0.013 -0.32 0.007 0.45 0.000 -0.17 0.182 -0.15 0.239 -0.39 0.001 0.31 0.010 0.32 0.009 0.57 0.000
LogCa 0.46 0.0128 1 - -0.14 0.201 0.38 0.000 -0.58 0.000 0.11 0.326 -0.21 0.055 0.35 0.001 0.04 0.742 -0.08 0.494
Co 0.15 0.0073 0.201 0.201 1 - 0.02 0.873 0.75 0.000 0.73 0.000 0.93 0.000 0.13 0.258 0.43 0.000 -0.1 0.394
LogCu 0.62 0.0001 4E-04 0.000 0.01 0.873 1 - -0.24 0.048 0.21 0.068 -0.13 0.242 0.62 0.000 0.27 0.015 0.3 0.013
LogFe 0.38 0.1816 0 0.274 0.66 0.000 0.23 0.048 1 - 0.45 0.000 0.64 0.000 -0.01 0.913 0.27 0.029 0.14 0.257
Mn 0.3 0.2389 0.326 0.911 0.72 0.000 0.21 0.068 0.55 0.000 1 - 0.62 0.000 0.27 0.017 0.52 0.000 -0.01 0.947
Ni 0.11 0.001 0.055 0.055 0.93 0.000 -0.02 0.242 0.62 0.000 0.65 0.000 1 - -0.06 0.619 0.39 0.000 -0.13 0.286
LogP 0.49 0.0096 0.001 0.001 0.1 0.258 0.59 0.000 0.36 0.913 0.26 0.017 0.03 0.619 1 - 0.19 0.083 0.15 0.222
LogSc 0.53 0.0086 0.742 0.558 0.44 0.000 0.31 0.015 0.47 0.029 0.52 0.000 0.41 0.000 0.21 0.083 1 - 0.51 0.000
LogV 0.76 0 0.494 0.002 0.29 0.394 0.54 0.013 0.59 0.257 0.34 0.947 0.27 0.286 0.41 0.222 0.63 0.000 1 -
87
Como es apreciable en números rojos, hay muchos valores p por encima de 0.05, esta
falta de significancia de los resultados responde a que el numero de observaciones por
muestra es relativamente bajo. Este hecho se puede observar también en la diferencia de
resultados significativos entre r y , teniendo este último mas resultados significativos
por el hecho de tener mayor numero de observaciones en la muestra.
En lo que respecta a la similitud de resultados obtenidos según los dos métodos se

puede apreciar que el de Spearman obtuvo correlaciones mayores que el de Pearson.
Esto puede explicarse también por la diferencia de tamaño de las muestra. Las
observaciones excluidas para el método de Pearson pudieron ser una fuente importante
de correlación que no fue considerada.
Las relaciones Mn/Co, LogCu/P y Fe/Co mostraron correlaciones moderadamente altas

por los dos métodos, siendo su valor mayor a 0.5 y menor a 0.75. La mayor correlación
la registro la relación Co/Ni, donde superó los 0.75 para ambos métodos.
Las altas correlación en de la relación Co/Ni también puede estar condicionadas por las
serpentinitas. Estando esta litología caracterizada por altos valores en Ni y Co, es de
esperar que cuando consideremos una observación correspondiente a una serpentinita
estas dos variables aumenten proporcionalmente y cuando consideremos una
observación correspondiente a otra litología disminuyan también en forma proporcional.
A su vez las venas de cuarzo pudieron haber sobredimensionado la correlación, ya que
al presentar concentraciones casi nulas en estos elementos generan una correlación casi
perfecta. Se hace necesario entonces estudiar las correlaciones en función del tipo
litológico.
10.1.2.1 Correlaciones por litología

Teniendo las mismas consideraciones que en los casos anteriores, donde los coeficientes
de correlación de Pearson (r) fueron calculados sin considerar los outliers, se obtuvo la
tabla 10-III. En ella se pueden apreciar los valores de r y calculados en el punto
anterior (“r y total”), los r y según el tipo litológico y un nuevo parámetro
. Este parámetro servirá para obtener una visión más realista de las
correlaciones, ya que su cálculo involucra la suma ponderada de los según el tipo
litológico.
88
10-III. Coeficientes de correlación de Pearson (r) y Spearman ( según litología. En rojo y negrita resultados con valores p por
encima de 0.05. En verde correlaciones mayores a 0.75.
Relacion r (TOTAL) r (SER) r (QZV) r (EQT) ᵨ (TOTAL) ᵨ (SER) ᵨ (QZV) ᵨ (EQT) ᵨ Ponderado
LogAl / LogCa 0.3 0.2 0.44 0.55 0.46 0.08 0.26 0.77 0.34
LogAl / Co -0.32 -0.66 -0.22 0.22 0.15 -0.56 -0.18 0.31 -0.21
LogAl / LogCu 0.45 0.59 0.78 0.25 0.62 0.55 0.87 0.14 0.46
LogAl / LogFe -0.17 -0.35 0.23 -0.2 0.38 -0.09 0.19 0 -0.02
LogAl / Mn -0.15 0.14 0.13 0.37 0.3 0.12 0.15 0.29 0.18
LogAl / Ni -0.39 -0.74 -0.32 -0.13 0.11 -0.58 -0.21 0.09 -0.30
LogAl / LogP 0.31 0.33 0.57 0.11 0.49 0.28 0.38 0 0.20
LogAl / LogSc 0.32 0.41 0.17 0.47 0.53 0.43 0.12 0.39 0.37
LogAl / LogV 0.57 0.56 0.43 0.77 0.76 0.58 0.43 0.9 0.67
LogCa / Co -0.14 -0.47 -0.59 0.42 0.2008 -0.39 -0.69 0.75 -0.04
LogCa / LogCu 0.38 0.21 0.37 0.64 0.0004 0.2 0.31 0.78 0.41
LogCa / LogFe -0.58 -0.57 -0.6 -0.46 0 -0.27 -0.53 -0.1 -0.25
LogCa / Mn 0.11 -0.07 -0.31 0.69 0.3257 -0.13 -0.32 0.66 0.11
LogCa / Ni -0.21 -0.44 -0.59 0.35 0.0554 -0.32 -0.78 0.71 -0.04
LogCa / LogP 0.35 0.12 0.47 0.78 0.0013 0.16 0.55 0.82 0.44
LogCa / LogSc 0.04 -0.17 -0.07 0.83 0.7415 -0.3 -0.03 0.5 0.01
LogCa / LogV -0.08 -0.09 -0.12 0.29 0.4935 -0.19 -0.07 0.5 0.06
Co / LogCu 0.02 -0.49 -0.57 0.53 0.01 -0.47 -0.53 0.68 -0.09
Co / LogFe 0.75 0.66 0.71 0.89 0.66 0.29 0.7 0.7 0.49
Co / Mn 0.73 -0.14 0.53 0.64 0.72 -0.03 0.41 0.75 0.30
Co / Ni 0.93 0.92 0.98 0.7 0.93 0.87 0.98 0.77 0.85
Co / LogP 0.13 -0.47 0.04 0.51 0.1 -0.55 -0.2 0.57 -0.12
Co / LogSc 0.43 -0.25 0.14 -0.05 0.44 -0.14 0.15 0.27 0.04
Co / LogV -0.1 -0.34 -0.14 0.52 0.29 -0.33 -0.13 0.6 0.02
LogCu / LogFe -0.24 -0.12 -0.34 -0.68 0.23 -0.08 -0.36 -0.6 -0.30
LogCu / Mn 0.21 0.11 -0.35 0.55 0.21 0.06 -0.29 0.67 0.22
LogCu / Ni -0.13 -0.53 -0.62 0.18 -0.02 -0.46 -0.56 0.66 -0.09
LogCu / LogP 0.62 0.49 0.39 0.87 0.59 0.44 0.3 0.7 0.51
LogCu / LogSc 0.27 0.29 -0.16 0.33 0.31 0.39 -0.13 0.38 0.31
LogCu / LogV 0.3 0.4 0.51 -0.48 0.54 0.38 0.44 -0.3 0.16
LogFe / Mn 0.45 0.03 0.76 0.06 0.55 0.22 0.78 -0.63 0.01
LogFe / Ni 0.64 0.56 0.64 0.96 0.62 0.21 0.74 0.9 0.52
LogFe / LogP -0.01 0.06 0 -0.66 0.36 0.08 -0.07 -0.56 -0.16
LogFe / LogSc 0.27 0 0.42 -0.73 0.47 0.11 0.47 -0.71 -0.12
LogFe / LogV 0.14 0.09 0.17 0.15 0.59 0.18 0.26 0.1 0.16
Mn / Ni 0.62 -0.15 0.44 0.69 0.65 -0.01 0.44 0.62 0.27
Mn / LogP 0.27 0.04 0.01 0.48 0.26 -0.03 -0.05 0.54 0.16
Mn / LogSc 0.52 0.13 0.66 0.43 0.52 0.12 0.65 0.38 0.29
Mn / LogV -0.01 0.07 0.24 0.88 0.34 0.06 0.41 0.53 0.27
Ni / LogP -0.06 -0.58 -0.06 0.12 0.03 -0.61 -0.31 0.56 -0.17
Ni / LogSc 0.39 -0.19 0.08 -0.1 0.41 -0.09 0.15 0.16 0.03
Ni / LogV -0.13 -0.32 -0.23 0.34 0.27 -0.27 -0.1 0.3 -0.05
LogP / LogSc 0.19 -0.09 -0.01 0.53 0.21 -0.05 -0.02 0.48 0.14
LogP / LogV 0.15 0.24 0.05 -0.47 0.41 0.2 -0.03 -0.31 -0.01
LogSc / LogV 0.51 0.51 0.62 0.31 0.63 0.56 0.71 0.35 0.51
Donde:
 nSER: cantidad total de observaciones de serpentinitas.

 nQZV: cantidad total de observaciones de venas de cuarzo
 nEQT: cantidad total de observaciones de esquistos y tremolititas
 ntotal: cantidad total de observaciones en roca (nSER + nQZV + nEQT)
89
Al reducir las muestras por tipo litológico la significancia de los coeficientes

disminuyó considerablemente, esto se aprecia en la tabla con los valores en rojo,
resultando especialmente notorio en los coeficientes cercanos a 0.
Como se esperaba, en la relación Co/Ni (Fig.33) se aprecia que los coeficientes

resultantes de las litologías SER y QZV son considerablemente más altos que para
la litología EQT. Vemos también que el valor ponderado es el que mejor se ajusta
para describir el conjunto de las tres poblaciones.
Fig. 33. Relación Co/Ni según litologías: Esquistos y tremolititas (EQT), venas de cuarzo (QZV) y serpentinitas
(SER).
10.2 Análisis de agrupamientos (Cluster Analysis)

Al igual que para el análisis de correlaciones, se utilizaron únicamente las variables
coincidentes en el medio suelo y roca que resultaron positivas en el análisis de calidad.
Los agrupamientos se realizaran en función de las observaciones y en función de las

variables. En el caso del agrupamiento de observaciones se utilizaron los valores sin
transformar o log-transformados en función de los resultados del análisis de normalidad.
En el caso del agrupamiento de variables, dado que estas tienen características que no
permiten su comparación mutua (unidades de medida, amplitud, etc.) es necesario
utilizar un parámetro que las normalice. Es por eso que a los valores sin transformar o
log-transformados se le aplicara también la función “Rank”. Dicha función asigna un
90
valor a cada observación según su posición ordenada empezando en 1. En caso de que

haya valores repetidos se promedia el valor de orden entre las observaciones con valores
repetidos.
10.2.1 Roca
10.2.1.1 Agrupamiento de observaciones

Se calcularon las correlaciones cofenéticas entre los dendrogramas y la matriz de
similaridad según los métodos de agrupamiento descriptos en el capítulo “Metodología
estadística”. La tabla 10-IV muestra los resultados obtenidos para el agrupamiento de
observaciones utilizando la totalidad de la muestra.
10-IV. Correlaciones cofenéticas entre dendrogramas de agrupación de

observaciones (considerando toda la muestra) y matriz de similaridad en roca
Metodo Corr.Cofenetica
Varianza minima (Ward) 0.74
Encadenamiento Simple 0.79
Encadenamiento Completo 0.73
UPGMA 0.88
WPGMA 0.87
UPGMC 0.72
WPGMC 0.79
El método de agrupamiento pareado igualmente ponderado usando media aritmética

(UPGMA) fue el que obtuvo mayor correlación cofenética. Presentando un valor
significativamente mayor al mínimo indispensable (0.8) podemos considerar que el
dendrograma generado por este método no tiene mayores distorsiones. En la figura 34
se muestra dicho dendrograma asignando a cada observación la litología
correspondiente.
Observando el dendrograma podemos apreciar un agrupamiento a poca altura de las

observaciones de las venas de cuarzo (QZV). Esto responde al hecho a que casi en todas
las variables las distancias son prácticamente nulas, ya que presentan siempre los
valores correspondientes a los mínimos de detección.
En un nivel levemente mayor ya se agrupan casi todas las serpentinitas (SER) con la
particularidad de tener algunas observaciones de esquistos y tremolititas (EQT) en el
mismo cluster. Estas observaciones pueden responder a outliers de EQT. A su vez
91
existen 4 observaciones de SER (las que están sobre el extremo izquierdo de la Fig.34)
que se agruparon en niveles mucho mayores. Este hecho también podría explicarse por
la ocurrencia de outliers.
Las EQT se agruparon también a relativamente bajos niveles de distancia. Se identifican

sin embargo cuatro grupos:
 EQT-1: muy pobremente asociadas a las venas de cuarzo (zona central derecha
de la figura 34).
 EQT-2: pobremente asociadas a las venas de cuarzo (extremo derecho de figura

34).
 EQT-3: medianamente asociadas a las venas de cuarzo (inmediatamente a la

izquierda del grupo anterior).
 EQT-4: fuertemente asociadas a las venas de cuarzo (inmediatamente a la

derecha de las QZV).
En el grupo EQT-3 se puede identificar una observación de serpentinita. Esto podría

asociarse a un outlier de tipo inferior.
Entre el grupo de las venas de cuarzo y el grupo EQT-1 se aprecia una observación de
EQT íntimamente relacionados con QZV, en este caso también podría tratarse de un
outlier.
Teniendo en cuenta las observaciones arriba mencionadas se estudió la relación entre las
observaciones excluyendo de la muestra a los outliers de cada litología.
92
Fig. 34. Dendrograma de agrupamiento pareado igualmente ponderado usando media aritmética (UPGMA) de observaciones de roca considerando todas las observaciones y todas las
variables. En rojo esquistos y tremolititas (EQT), en verde venas de cuarzo (QZV) y en violeta serpentinitas (SER).
93
10.2.1.1.1 Agrupamiento de observaciones sin outliers

Al excluir los outliers de cada litología de la muestra cambia la matriz de similaridad
por lo que se volvieron a calcular las correlaciones cofenéticas (tabla 10-V).
10-V. Correlaciones cofenéticas entre dendrogramas de

agrupación de observaciones (excluyendo a outliers de la
muestra) y matriz de similaridad en roca.
UPGMA 0.89
WPGMA 0.87
UPGMC 0.85
WPGMC 0.81
El método UPGMA es otra vez el que mejor correlación cofenética tiene. Se puede
observar también un incremento de la correlación para todos los métodos. Esto podría
explicarse por la mayor homogeneidad de las observaciones al excluir los outliers.
Observando el dendrograma de agrupamiento de observaciones sin outliers (Fig.35) se

puede apreciar que en los grupos de EQT ya no existe agrupada ninguna SER, por lo
que efectivamente se trataba de un outlier. También desaparecieron las cuatro
observaciones que se agrupaban en los más altos niveles de la figura 34, confirmando
que también eran outliers. Sin embargo las observaciones de EQT que se encontraron
emparentadas con las SER en la figura 34 lo siguen estando habiendo excluido los
outliers. Esto podría responder a procesos de enriquecimiento secundario en ciertos
elementos que afectaron de igual manera a las SER y EQT.
Para visualizar cual fue el comportamiento de las variables entre si se realizó el análisis
de agrupamiento correspondiente a la matriz transpuesta de la tabla de datos original.
94
Fig. 35. Dendrograma de agrupamiento pareado igualmente ponderado usando media aritmética (UPGMA) de observaciones de roca considerando todas las variables con exclusión
de outliers.
95
10.2.1.2 Agrupamiento de variables

A modo de continuar con la sistemática aplicada en los anteriores casos se calcularan las
correlaciones cofenéticas considerando a la totalidad de la muestra (sin excluir ninguna
observación ni variable).
10-VI. Correlaciones cofenéticas entre dendrogramas de

agrupación de variables (considerando toda la muestra) y
matriz de similaridad en roca.
UPGMA 0.82
WPGMA 0.80
UPGMC 0.55
WPGMC 0.69
Al ser nuevamente el UPGMA el método que representa más fielmente a la matriz de

similaridad se representó como dendrograma para su análisis (Fig. 36).
Como era de esperarse gracias a anteriores análisis, las variables Co y Ni son las de
mayor cercanía. En un nivel mayor se les agrupan el Mn primero y en segunda instancia
el LogFe, conformando de esta forma uno de los cuatro grandes grupos al cual podría
asociarse a un comportamiento de afinidad máfica de las serpentinitas
A un mismo nivel de agrupamiento que el grupo de afinidad máfica, un poco menos de

200, encontramos 3 grupos diferentes:
 LogCa se muestra como la variable más independiente de todas. Sin tener

ninguna otra variable que acompañe su comportamiento no caracteriza a ninguna
litología.
 LogCu y LogP se muestran con cierto grado de dependencia. Esto podría

explicarse por el comportamiento de las litologías primariamente definidas como
esquisto. Que presentaban altos valores relativos de ambas variables.
 LogAl, LogV y LogSc revelan también un comportamiento similar, presentando

en todas las litologías (salvo en las venas de cuarzo) valores similares.
96
Fig. 36. Dendrograma de agrupamiento pareado igualmente ponderado usando media aritmética (UPGMA) de variables de roca considerando todas las observaciones y todas las
variables.
97
Como último paso en el análisis de agrupamiento en roca se procederá a realizar el

dendrograma de agrupación de observaciones pero únicamente considerando a las
variables de mayor relación.
10.2.1.2.1 Agrupamiento de observaciones considerando únicamente las variables

Co y Ni
Habiéndose demostrado en el análisis de correlación y en el agrupamiento por variables
la intima relación existente entre las variables Co y Ni se procederá a realizar el
agrupamiento de observaciones considerando únicamente estas variables. Las
correlaciones cofenéticas entre dendrograma y matriz de similaridad se presentan en la
tabla 10-VII.
10-VII. Correlaciones cofenéticas entre dendrogramas de

agrupación de variables (para las variables Co y Ni sin
considerar outliers) y matriz de similaridad en roca
UPGMA 0.911
WPGMA 0.897
UPGMC 0.908
WPGMC 0.819
Como puede observarse en el dendrograma de la figura 37 no existen mayores

diferencias de agrupamiento que al considerar todas las variables. La gran diferencia
que puede apreciarse es la disminución significativa en las distancias de agrupamiento.
Esto demuestra que las variables Co y Ni son buenos identificadores de tipo litológico.
98
Fig. 37. Dendrograma de agrupamiento pareado igualmente ponderado usando media aritmética (UPGMA) de observaciones de roca considerando todas las observaciones y
únicamente las variables Co y Ni.
99
10.2.2 Suelo
Al no contar con una clasificación a priori de las observaciones de suelo, no será
necesario hacer el análisis de agrupamiento de observaciones en este medio. Solo se
analizó el comportamiento mutuo de las variables en su versión de mejor ajuste a una
distribución normal.
10.2.2.1 Agrupamiento de variables considerando todas las observaciones

En la tabla 10-VIII se muestran las correlaciones cofenéticas según los distintos
métodos de agrupación.
10-VIII. Correlaciones cofenéticas entre dendrogramas de

agrupación de observaciones (considerando toda la muestra)
y matriz de similaridad en suelo.

UPGMA 0.9176
WPGMA 0.9150
UPGMC 0.9240
WPGMC 0.8493
Contrariamente a lo analizado en roca, el método de agrupamiento pareado igualmente

ponderado usando centroide (UPGMC) fue el que obtuvo mejor correlación. En
consecuencia se hará el análisis de agrupamiento considerando el dendrograma
generado por este método (Fig.38).
Observaciones de realizadas a partir de dendrograma:
 Las variables LogP se muestra totalmente independientes del resto. Esto

evidencia un comportamiento diferencial en el medio suelo.
 El grupo de variables LogNi, LogCo y LogMn parecen responder en forma

ecuánime en el medio suelo, podrían reflejar la ocurrencia de la litologías
serpentiníticas infrayacentes.
 La asociación de variables Fe, Al, LogSc y LogV podría responder a que todas
ellas muestran valores similares en todas las litologías (salvo QZV). Por lo que
se comportarían del mismo modo en suelo.
100
 El grupo que conforman las variables LogCa y LogCu podría responder a la leve
tendencia de los esquistos en tener mayor es concentraciones en ambos
elementos.
101
Fig. 38. Dendrograma de agrupamiento pareado igualmente ponderado usando media aritmética (UPGMA) de variables de suelo considerando todas las observaciones y todas las variables
102
10.3 Análisis de componentes principales (PCA)

Tanto para el medio roca como para el medio suelo se trabajó con las variables en su
versión de mejor ajuste a una distribución normal. Como ya se explicó en el capitulo
“Métodos estadísticos” se decidió excluir de la muestra a los outliers por no representar
las características generales del medio suelo y roca.
10.3.1 Roca
Dadas las 82 observaciones clasificadas anteriormente en tres categorías
(EQT=esquistos y tremolititas; SER=serpentinitas; QZV=venas de cuarzo) se
obtuvieron los 10 primeros autovectores y autovalores correspondientes a los
componentes principales (PC=principal components):
10-IX. Autovectores de los 10 primeros componentes principales en roca
Autovectores PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 PC9 PC10
Al_pct_LOG 0.3805 0.2305 -0.02122 0.2272 0.1438 0.04958 0.3795 0.7204 -0.237 -0.08829
Ca_pct_LOG 0.1029 0.4979 -0.5514 0.3863 -0.3339 0.09812 -0.3975 -0.08825 -0.02663 0.02408
Co_ppm 0.3491 -0.3726 -0.1482 -0.0692 0.05837 -0.0371 -0.2984 0.2057 0.03774 0.7582
Cu_ppm_LOG 0.2109 0.4425 0.3958 -0.08146 0.2142 -0.6524 -0.3512 -0.03233 -0.0167 0.01319
Fe_pct_LOG 0.4112 -0.08127 -0.1757 -0.02677 0.268 0.01776 0.1614 -0.5411 -0.6324 -0.044
Mn_ppm 0.3141 -0.2193 -0.009437 -0.05871 -0.7474 -0.4441 0.2839 -0.04961 0.03016 -0.1001
Ni_ppm 0.3168 -0.4077 -0.18 -0.06127 0.164 0.00173 -0.4621 0.1645 0.1659 -0.6343
P_ppm_LOG 0.2243 0.3536 -0.06018 -0.824 -0.1522 0.3363 -0.02196 0.05766 0.04304 -0.01478
Sc_ppm_LOG 0.313 -0.01397 0.6666 0.2781 -0.2664 0.4972 -0.2164 -0.1125 -0.04931 -0.002678
V_ppm_LOG 0.4023 0.135 -0.07429 0.1536 0.259 0.05502 0.3437 -0.3027 0.7133 0.04524
10-X. Autovalores de los 10 primeros componentes

principales en roca
Autovalores Porcentaje % Acumulativo

PC1 5.197 51.97 51.97
PC2 2.205 22.05 74.02
PC3 0.6659 6.659 80.68
PC4 0.5944 5.944 86.62
PC5 0.4947 4.947 91.57
PC6 0.3968 3.968 95.54
PC7 0.3003 3.003 98.54
PC8 0.0817 0.817 99.36
PC9 0.04612 0.4612 99.82
PC10 0.01822 0.1822 100
103
Como podemos ver en la tabla 10-X con los dos primeros componentes principales
podemos explicar el 74% de la varianza total. Para saber cuál es el “peso” que tiene
cada variable en cada componente principal se representa a continuación la matriz de
correlación estandarizada entre las variables y los dos primeros PC.
10-XI. Correlación estandarizada entre variables y componentes

principales en roca.
Coordenadas estandarizadas PC1 PC2

Al_pct_LOG 0.8674 0.3422
Ca_pct_LOG 0.2346 0.7394
Co_ppm 0.7959 -0.5533
Cu_ppm_LOG 0.4809 0.6571
Fe_pct_LOG 0.9373 -0.1207
Mn_ppm 0.716 -0.3256
Ni_ppm 0.7221 -0.6054
P_ppm_LOG 0.5114 0.525
Sc_ppm_LOG 0.7136 -0.02075
V_ppm_LOG 0.9172 0.2005
Representando estos resultados en un grafico circular donde el radio representa la

correlación 1, el eje “x” es el componente principal 1 y el eje “y” corresponde al
componente principal 2 obtenemos la siguiente figura:
Fig. 39. Diagrama circular de coordenadas estandarizadas de componentes principales

1 y 2 (PC1 y PC2) para rocas.
104
Observando la tabla 10-XI y la figura 39 se pueden identificar 3 comportamientos

diferentes de las variables con respecto a los componentes principales 1 y 2:
 Ni, Co y Mn tienen una correlación positiva alta con la PC1 y una correlación
negativa moderada con la componente PC2. Esto se explica por las
serpentinitas, que tienen altos valores relativos de Co, Ni y Mn y bajos valores
relativos de Ca, Cu y P, que son las variables que mejor correlacionan con PC2.
 LogFe, LogSc, LogAl y LogV: tienen una correlación positiva de muy alta
(LogFe, LogAl, LogV) a moderadamente alta (LogSc) con la componente
principal 1 y una correlación muy baja con la componente principal 2.
 LogCa, LogCu y LogP tienen una correlación positiva de moderada (LogP y
LogCu) a moderadamente alta (LogP) con el componente principal 2 y una
correlación positiva de moderada (LogP y LogCu) a baja LogCa con el
componente principal 1. Esto lo explican los esquistos y tremolititas que tienen
altos valores relativos en Ca, Cu y P y valores relativamente bajos de Ni y Co.
Si representamos las observaciones de roca, discriminados por su tipo litológico,

proyectadas en el componente principal 1 en función de sus proyecciones en el
componente principal 2 obtenemos el grafico de dispersión de la figura 40.
Fig. 40. Grafico de dispersión de observaciones de roca proyectadas a los componentes principales 1 (PC1) y 2 (PC2)
105
Teniendo en cuenta las observaciones correspondientes a las serpentinitas (SER) vemos

que casi en su totalidad se ubican en el cuarto cuadrante. Esto expresa su tendencia a ser
proporcionales con la PC1 e inversamente proporcionales a la PC2.
En cambio los esquistos y tremolititas (EQT) se ubican mayoritariamente en los

cuadrantes uno y dos. Demostrándose así su proporcionalidad con el PC2 y su falta de
correlación con la PC1.
Las venas de cuarzo (QZV) se ubican bien agrupados en el extremo superior izquierdo
del cuadrante tres, mostrando así valores extremos negativos de PC1 y valores negativos
cercanos a 0 de PC2. Estos mayores valores absolutos de PC1 con respecto a PC2
demuestran que el PC1 explica el comportamiento de la mayoría de las variables, y por
ende la mayor parte de la varianza, ya que las QZV muestran concentraciones muy
bajas en todas las variables.
10.3.2 Suelo
Considerando las1592 observaciones se obtuvieron los autovectores y autovalores
correspondientes a los 10 primeros componentes principales (PC=principal
components):
10-XII. Autovectores de los 10 primeros componentes principales en suelo
Autovectores PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 PC9 PC10
Al_pct 0.3649 0.2541 0.1064 -0.1726 -0.1719 -0.8241 0.0146 -0.2063 0.06964 0.07031
LogCa_pct 0.2143 0.3398 -0.5115 0.1452 -0.3548 0.2316 -0.002484 -0.3631 -0.491 0.05967
LogCo_ppm 0.398 -0.3845 -0.05511 0.1769 -0.01613 -0.03472 -0.1481 -0.08202 -0.02234 -0.793
LogCu_ppm 0.1279 0.4284 0.0372 0.7104 0.5261 -0.06459 0.06366 0.02865 0.08993 -0.01281
Fe_pct 0.2657 -0.02336 0.5947 -0.1828 0.281 0.1365 0.09856 -0.07191 -0.6527 0.0583
LogMn_ppm 0.3809 -0.3253 -0.09186 0.2977 -0.2054 -0.09717 -0.1972 0.6045 -0.169 0.4092
LogNi_ppm 0.3282 -0.4699 -0.06235 0.08989 0.1546 0.1387 0.2913 -0.5297 0.302 0.3996
LogP_ppm -0.1675 0.002752 0.5568 0.4576 -0.6311 0.08104 0.1227 -0.155 0.08979 -0.0221
LogSc_ppm 0.3982 0.2738 -0.002716 -0.2077 -0.1499 0.2613 0.6437 0.3699 0.2409 -0.1526
LogV_ppm 0.3689 0.2942 0.2161 -0.1746 -0.04133 0.3738 -0.641 -0.07748 0.3656 0.09047
106
10-XIII. Autovalores de los 10 primeros componentes

principales en suelo
Autovalores Porcentaje % Acumulativo

PC1 3.94 39.4 39.4
PC2 1.956 19.56 58.95
PC3 1.611 16.11 75.06
PC4 0.8584 8.584 83.65
PC5 0.4946 4.946 88.59
PC6 0.4128 4.128 92.72
PC7 0.2682 2.682 95.4
PC8 0.2166 2.166 97.57
PC9 0.1685 1.685 99.25
PC10 0.07467 0.7467 100
En la tabla 10-XIII podemos visualizar que con los dos primeros componentes
principales se explica menos varianza que en la muestra de roca. Esto puede deberse a
que la muestra de suelo es definida por una malla regular de más de 1500
observaciones y no por un muestreo sesgado de poco menos que 90 observaciones como
es el caso de las rocas. Es entonces que se estudiaran con más detalle los tres primeros
componentes principales en vez de los primeros dos, para ver cuánto “peso” tienen las
variables sobre ellos. La tabla10- XIV y las figuras 41 y 42 muestran las correlaciones
de las componentes principales con las coordenadas estandarizadas.
10-XIV. Correlación estandarizada entre variables y componentes principales 1,2 y 3 de suelo.
Coordenadas estandarizadas PC1 PC2 PC3

Al_pct 0.7243 0.3553 0.135
LogCa_pct 0.4252 0.4752 -0.6492
LogCo_ppm 0.79 -0.5376 -0.06994
LogCu_ppm 0.2538 0.599 0.04721
Fe_pct 0.5273 -0.03267 0.7548
LogMn_ppm 0.7561 -0.4549 -0.1166
LogNi_ppm 0.6514 -0.6572 -0.07914
LogP_ppm -0.3324 0.003849 0.7067
LogSc_ppm 0.7904 0.3828 -0.003447
LogV_ppm 0.7323 0.4114 0.2743
107
Fig. 41. Diagrama circular de coordenadas estandarizadas de componentes

principales 1 y 2 (PC1 y PC2) para suelo
Con respecto a la correlación de las coordenadas estandarizadas con los componentes

principales 1 y 2 podemos decir
 Las variables LogMn, LogCo y LogNi muestran un comportamiento similar

entre sí y análogo al medio roca. Tienen una correlación positiva alta con la PC1
y una correlación negativa moderada con la componente PC2. Esto se explica
por la factible presencia de serpentinitas infrayacentes, que tienen altos valores
relativos de Co, Ni y Mn y bajos valores relativos de Ca y Cu, que son las
variables de mayor correlación positiva con PC2.
 LogP y Fe muestran una correlación absoluta de moderada (Fe) a baja (P) con
PC1 y una correlación casi nula con PC2. Esto quiere decir que ambas variables
no tienen “peso” en los componentes principales 1 y 2. Sin embargo, como se
puede ver en la fig. 42, tienen una correlación positiva alta con la PC3. Esta
componente podría explicar un comportamiento propio del medio suelo ya que
108
en el medio roca permanecía ausente. Esto se explica en parte porque la variable

P tiene un comportamiento diferencial en el medio suelo.
 LogV, LogSc y Al muestran una correlación positiva alta con PC1 y una
correlación moderada positiva con PC2. Este comportamiento es análogo al que
se vio en rocas, pudiendo significar un criterio clasificatorio de suelos a la hora
de asignarle una litología.
 Las variables LogCu y LogCa muestran una correlación moderadamente alta con
PC2 y baja con PC1. Este comportamiento podría explicarse por la presencia o
ausencia infrayacente de la litologías esquistosas tremolitíticas (EQT) que tienen
altas concentraciones relativas en ambas variables. La variable LogCa por su
parte muestra una fuerte correlación negativa con PC3. Esto también podría ser
producto de un comportamiento diferencial en el medio suelo.
Fig. 42. Diagrama circular de coordenadas estandarizadas de componentes

principales 1 y 3 (PC1 y PC3).
Al mostrar un comportamiento similar las variables con respecto a los

componentes principales en ambos medios (suelo y roca), podemos estimar que
litología subyacente se encuentra para las observaciones de suelo. Para esto se
109
realizó un grafico de dispersión de las observaciones de suelo proyectadas en los

componente principales 1 y 2. Para la estimación se tuvieron las siguientes
consideraciones:
 Todas las observaciones proyectadas en el cuadrante IV (valores negativos de
PC2 y positivos de PC1) se consideraron como serpentinitas (SER).
 Las observaciones que tuvieron una correlación menor a -4 con la PC1 se
consideraron como venas de cuarzo (QZV).
 Se consideraron esquistos y tremolititas (EQT) a las observaciones proyectadas
en el cuadrante I con correlaciones menores a 4 con la PC1.
 Se consideraron esquistos y tremolititas (EQT) a las observaciones proyectadas
en el cuadrante II con correlaciones mayores a- 4 con la PC1.
 A las observaciones proyectadas en el cuadrante III con correlaciones mayores a
-1,5 con la PC2 y mayores a -4 con la PC1se las clasificó como EQT.
Los resultados obtenidos se muestran la figura 43 como diagrama de dispersión y en la

figura 44 con sus coordenadas correspondientes.
Fig. 43. Grafico de dispersión de observaciones de suelo proyectadas a los componentes principales 1 (PC1) y 2 (PC2)
110
Fig. 44. . Mapa de litologías interpretadas a partir de análisis de componentes principales en observaciones de suelo.
111
Como se puede apreciar en la fig.44 las serpentinitas interpretadas ocupan la parte

central de la nariz del pliegue, los esquistos y tremolititas ocupan mayoritariamente los
flancos, presentando intercalaciones alineadas de serpentinitas y más dispersas de venas
de cuarzo. Los EQT también tienen representación en la sección más occidental de la
charnela.
112
11. Representación de mapas de isovalores

Se calcularon todos los puntos no muestreados mediante el método de interpolación de
kriging ordinario a partir de los puntos muestreados. Al ser las variables más
representativas a la hora de identificar los diferentes tipos litológicos, las escogidas se
representaron gráficamente Co y Ni (Fig. 45 y 46 respectivamente). Cada
representación fue acompañada del semivariograma experimental y un grafico de
dispersión de los puntos calculados vs. los puntos muestreados.
Como se puede apreciar en las figuras 45 y 46 los altos valores de las variables log
transformadas Co y Ni acompañan a las litologías serpentiníticas.
113
Fig. 45. Mapa de isovalores interpolados a partir de muestra de suelos para la variable Co.
114
Fig. 46. Mapa de isovalores interpolados a partir de muestra de suelos para la variable Ni.
115
12. Conclusiones
12.1 De la calidad de los datos

En función de los límites de detección, los coeficientes de correlación de Pearson (de
muestreo y analítico) y el análisis de varianza aplicado a las observaciones de suelo y
roca se estableció que las variables químicas que mostraron mejor respuesta analítica
fueron: Al, Ca, Cu, Co, Fe, K, Mn, Ni, P, Sc, Ti y V. Con motivo de establecer
correlaciones entre los medios suelo y roca estas mismas variables fueron las estudiadas
para las observaciones de roca.
12.2 De estadística descriptiva

Del análisis conjunto de los test de Kolmogorov-Smirnov, Shapiro-Wilks y el análisis
de la curtosis de las variables en el medio suelo se observó que Al, Fe y Ti tienen una
distribución normal. El resto (Ca, Cu, Co, K, Mn, Ni, P, Sc y V) tienen una distribución
Log-normal.
Todas las variables estudiadas en el medio suelo, con excepción de Sc, K y Ca,
presentaron outliers superiores. Las variables Co, Cu, Fe, Mn, Ni y V presentaron
además outliers inferiores.
En el medio roca, a partir de los test de Kolmogorov-Smirnov, Shapiro-Wilks y el

análisis de la curtosis de las variables estudiadas se estableció que Co, Mn y Ni tienen
una distribución normal. La variables restantes (Al, Ca, Cu, Fe, P, Sc, Ti y V)
presentaron una distribución Log-normal.
El número y clase de litologías establecidas en campo fueron reagrupadas en función

del análisis del comportamiento de las variables químicas en los box-plot y en el test de
Kruskal-Wallis. De 8 definidas originalmente quedaron solo 3. Las serpentinitas
cumulares y masivas se reagruparon como serpentinitas (SER); los clorito-esquistos,
mica-esquistos y las tremolititas fueron reagrupadas como esquistos y tremolititas
(EQT). Las venas de cuarzo (QZV) permanecieron como un grupo aislado.
Las litologías reagrupadas tienen rangos de concentraciones características en ciertas

variables que permiten su individualización. El rango de Co y Ni en las serpentinitas
(SER) es de 22-113 ppm y 276-2900 ppm respectivamente. Para el caso de los esquistos
y tremolititas (EQT) el rango de Co es <5-67 ppm y el rango de Ni es 17-1140 ppm. En
116
las venas de cuarzo (QZV) el Co no superó el límite de detección en ninguna

observación y el Ni tiene un rango de <5 -14 ppm.
12.3 De estadística multivariada

Los análisis de correlación en el medio suelo, ya sean de Pearson o Spearman, dieron
concordantes. Las variables en suelo que presentaron muy buena correlación fueron Al
con el Sc y con V, Ni con Mn y con Co, y finalmente Ni con Co.
En el medio roca los valores de la correlación según Spearman fueron superiores a los
obtenidos según Pearson. Probablemente esta diferencia es causada por la exclusión de
los outliers de la muestra para el cálculo según Pearson. Las variables que presentaron
muy buena correlación fueron Co con Mg, con Fe y con Ni, y Cu con P. Al hacer el
análisis de correlación (Spearman y Pearson) por litología se observa que se mantiene la
correlación Co/Ni pero con mayor magnitud en las serpentinitas (SER) y en las venas
de cuarzo (QZV) que en los esquistos y tremolititas (EQT).
De todos los métodos de agrupamiento utilizados para el medio roca, el que generó el
dendrograma de menor distorsión con respecto a la matriz de similaridad es el pareado
igualmente ponderado usando media aritmética (UPGMA). Por otro lado, para el medio
suelo, el método de agrupamiento pareado igualmente ponderado usando centroide
(UPGMC) fue el que el de menor distorsión en su dendrograma.
El análisis de agrupamiento en observaciones de roca muestra un buen agrupamiento de

las litologías serpentiníticas (SER), venas de cuarzo (QZV) y esquistos y tremolititas
(EQT).
Del análisis de agrupamiento de variables en el medio roca se deduce que Co y Ni son

los elementos de mayor vinculación, a los que luego se le agrupan las variables Mn y
Fe. Los otros grupos son Ca por un lado, Cu y P por otro y Al, V y Sc por otro.
En el análisis de agrupamiento de variables en el medio suelo, P conforma un grupo

aislado que responde al comportamiento pedogénico diferencial de este elemento; Ni,
Co y Mn otro grupo que se explica por la presencia de serpentinitas infrayacentes; Fe,
Al, Sc y V otro grupo que podría responder a que casi para todas las litologías (salvo las
venas de cuarzo) presentan valores medios similares de estas variables; y Ca y Cu
conforman el último grupo que podría ser la respuesta a una tendencia de los esquistos a
tener altas concentraciones relativas en ambos elementos.
117
A partir del análisis de componentes principales en roca se explicó gran parte de la

varianza total con los dos primeros componentes. Los elementos Mn, Co y Ni mostraron
una buena correlación con el primer componente principal (PC1) y una correlación
negativa con el segundo componente principal (PC2). Este fenómeno es producto de las
serpentinitas, que tienen altas concentraciones de Co, Ni y Mn y bajas concentraciones
de Ca, Cu y P, que fueron las variables de mayor correlación con PC2. Los elementos
Fe, Sc, Al y V presentaron altas correlaciones con PC1 y baja correlación con PC2. Ca
Cu y P tuvieron buena correlación con PC2 y moderada con PC1, esto se explica por los
esquistos y tremolititas (EQT) que tienen altas concentraciones de Ca, Cu y P y bajas
concentraciones de Co y Ni.
Discriminando por los tres tipos litológicos utilizados anteriormente se estableció que
las serpentinitas (SER) tienen un comportamiento proporcional al componente principal
1 e inversamente proporcional al segundo componente principal, los esquistos y
tremolititas (EQT) son proporcionales únicamente al segundo componente principal y
las venas de cuarzo (QZV) son inversamente proporcionales al primer componente
principal.
En el análisis de componentes principales en suelo se logró explicar la mayoría de la

varianza con los tres primeros componentes. Al igual que en roca, en el medio suelo
Mn, Co y Ni muestran una correlación positiva alta con el primer componente principal
(PC1) y una correlación negativa con la segunda componente principal. Casi en su
totalidad el resto de las variables tuvo un comportamiento similar al medio roca, sin
embargo la variable Fe mostró indiferencia al PC1 en el medio suelo cuando en roca
había tenido gran correlación. Acompañando este comportamiento del Fe se encuentra
P, ambas explicadas por el tercer componente principal (PC3), parecen responder a una
dinámica propia del medio suelo.
La asignación litológica a las observaciones de suelo, en función de su comportamiento

con respecto a las componentes principales, demostró que las serpentinitas ocupan
mayoritariamente la parte central de la nariz del pliegue y en menor proporción los
flancos, los esquistos y tremolititas los flancos y la sección occidental de la charnela, y
las venas de cuarzo se muestran regularmente distribuidas por toda la estructura.
118
12.4 De la representación de mapas de isovalores

Las altas concentraciones relativas de los elementos Co y Ni son producto de la
presencia subyacente de litologías serpentiníticas.
119
13. Bibliografía
Almeida, F.F. M. de.; Amaral G.; Cordani, UG.; Kawashita K. (1973). The
Precambrian evolution of the South American Cratonic Margin, South of the Amazon
River. 411-446 p.
Basei, M. A. S.; Siga, Jr. O.; Harara, O.; Preciozzi, F.; Sato, K.; Kaufuss, G. (2001).
Precambrian Terranes of African affinities in the Southern Part of Brazil and Uruguay.
South-American Symposium on Isotope Geology, 3. Pucón (Chile), Abstracts.98-101 p.
Bossi, J.; Fernández, G. (1963). Evidencias de diferenciación magmática hacia el final

del Gondwana uruguayo. En: Boletín Universidad de Paraná (Geología), 9. 1-20 p.
Bossi, J.; Navarro R. (1988). Serpentinitas Cromíferas Pre-Orogénicas en el Ciclo

Orogénico Moderno de Uruguay. 6to Panel de Geología del Litoral, 1ra Reunión de
Geología del Uruguay. 91-95 p.
Bossi, J.; Campal, N. (1992). Magmatismo y tectónica transcurrente durante el

Paleozoico Inferior en Uruguay. Universidad de Extremadura, Paleozoico Inferior de
Iberoamérica. 345-356 p.
Bossi, J.; Preciozzi, F.; Campal, N. (1993). DINAMIGE, volumen I: Terreno Piedra
Alta.
Bossi, J.; Ferrando, L.A.; Montaña, N.; Campal, H.; Morales, H.; Gancio, F.; Shipilov.
A.; Piñeyro, D.; Sprechmann, P. (1998). Carta Geológica del Uruguay. Escala
1/500.000. Memoria explicativa.
Bossi, J.; Shipilov, A. (2000). Rocas Básicas del Uruguay – volumen II, 2000. 60-65 p.
Costa, H. (1990). Levantamiento Gravimétrico en Ultra básico de Cerro la Tuna,

departamento de Cerro Largo. Dinamige, Informe técnico, 29p.
Bossi, J.; Ferrando, L, A. (2001). Carta Geológica del Uruguay a escala 1/500.000;
versión digital 2.0 en CD-ROM.
Bossi, J.; Navarro, R. (1988). Serpentinitas cromíferas pre orogénicas en el Ciclo

Orogénico Moderno. En: Actas Primera Reunión de Geología del Uruguay. 92-95 p.
Bossi, J.; Shipilov, A.; (2003). Rocas básicas precámbricas del Uruguay. En: Revista
Sociedad Uruguaya de Geología –III época, 10. 2-14 p.
120
Bossi, J.; Gaucher, C. (2004). The Cuchilla Dionisio Terrane, Uruguay: an

allochtonous block accreted in the Cambrian to SW-Gondwana. En: Gondwana
Research. 661-674 p.
Campal, N.; Gancio, F. (1993). Asociación volcanitas-pirocalstitas de los Cerros

Aguirre (Departamento de Rocha) una nueva formación y su implicancia en la
evolución del ciclo Brasiliano en el Uruguay. En: 1er Simposio Internacional del
Neoproterozoico- Cámbrico de la Cuenca del Plata.
Caorsi, J.; Goñi, J. C. (1958). Geología Uruguaya. En: Boletín Instituto Geológico del
Uruguay, 37. 1-72 p.
Davis, J.C. (2002). Statistics and Data Analysis in Geology Third Edition, John Wiley &
Sons, 638 p.
Elizalde, G.; Eugui, W.; Vardasio, J.; Stapff, M.; Telechea, J. (1970). Carta Geológica
del Uruguay a escala 1/100.000, 3, Segmento Aceguá, Sector XXX.
Ferreira, A.M.P.J. (2000). Dados Geoquímicos de Base de Sedimentos Fluviais de

Amostragem de Baixa Densidade de Portugal Continental: Estudo de Factores de
Variação Regional. Tesis de Doctorado, Universidade de Aveiro, Portugal, 226p.
Fernandes, L. A. D.; Koester, E. (1999). The Neoproterozoic Dorsal de Canguçú strike-

slip shear zone: its nature and role in the tectonic evolution of Southern Brazil. Journal
of African Earth Sciences, 29(1). 3-24 p.
Figueroa, I. (2014). Rasgos y principios geológicos del yacimiento Arenal Deeps como
base fundamental para la creación de un modelo de estimación de recursos y reservas a
mediano plazo. Tesis de Grado, Universidad de la República Oriental del Uruguay.
141p.
Filippini, J. (1998). Análise e integração de dados geoquímicos e de sensoriamento

remoto em um setor do cristalino uruguaio. Inst. Geociências, Universidade de São
Paulo, São Paulo, PhD thesis, 172p.
Filippini, J. M.; Penteado Crosta, A. y Barros de Olivera, S., M. (2001) Interpretation of

surface geochemical data and integration with geological Maps and Lansat-TM images
for mineral exploration from a portion of the Precambrian of Uruguay. Revista
Brasilera. Geociencias. 31(2): 123 – 130.
121
Fragoso César. A. R. S.; Figueiredo, M. C. H.; Soliani, Jr. E.; Faccini, U. F. (1986). O
Batólito Pelotas (Proterozóico Superior / Eopaleozóico) no Escudo do Rio Grande do
Sul. En: Congresso Brasileiro de Geologia, 34. SBGeol., Goiânia, Anais, 3. 1322-1343
p.
Goso, H. (1965). El Cenozoico en el Uruguay. Ed. Mimeorg. Inst. Geol. Del Uruguay.
M. I. E., Geología del Uruguay.
Goso, H.; Antón, D. (1974).Estado actual de los conocimientos sobre el Cuaternario en

el Uruguay. M.A.P. Dirección de Suelos y Fertilizantes (Informe Interno). Montevideo,
Uruguay.
Krumbein, W. C.; Graybill, F. A. (1965). An Introduction to Statistical Models in

Geology. McGraw Hill Book Co. 475p.
Landim, P.M.B. (2000). Análise estatística de dados geológicos multivariados. DGA,

IGCE, UNESP/Río Claro, Lab. Geomatemática, Texto Didático 03, 96p.
Legendre, P.; Legendre, L. (2012). Numerical Ecology, 3rd English ed. Amsterdam:
Elsevier Science BV. 361-391 p.
Masquelín, E. ; Silva, A. O. M.; Porcher, C. C.; Fernandes, L. A. D.; Morales, E.

Geología y geotermobarometría de la Suite Metamórfica Chafalote, basamento
prebrasiliano, Sudeste de Uruguay. En: Congreso Latino- Americano de Geología.
Masquelín, E.; Piñeiro, G.; Morales, E.; Aboy, M.; (2002). Zonas de alta deformación
en condiciones de alto grado metamórfico: Evidencias en el Terreno Punta del Este. En:
II Taller sobre Estratigrafía del Precámbrico del Uruguay- Resúmenes. 23-25 p.
Masquelín, E. (2006). El escudo Uruguayo, DIRAC, Cuencas Sedimentarias de

Uruguay, geología, paleontología y recursos minerales: Paleozoico, volumen 3. 37-106
p.
Muzio, R.; Artur, A. C. (1996). Geología do setor centro-leste do complexo granítico

Santa Teresa, Uruguai. En: XXXIX Congresso Brasileiro de Geología.
Lenz, C.; Fernandes, L. A. D.; McNaughton, N.J.; Porcher, C.C.; Masquelin, E. (2011).
Magmatic and metamorphic U-Pb SHRIMP ages in zircons for the Cerro Bori
Orthogneisses, Dom Feliciano Belt in Uruguay: Precambrian Research, v. 185. 149–
163 p.
122
Lilliefors, H. W. (1967). On the Kolmogorov-Smirnov test for normality with mean and
variance unknown. Journal of the American Statistical Association, 62. 399-402 p.
Oyhantçabal, P.; De Souza, S.; Muzio, R. (1993). Geología y aspectos estructurales del
borde orogénico en el extremo Sur del Cinturón Dom Feliciano. En: 1er. Simposio
Internacional NeoProterozoico-Cámbrico de la Cuenca del Plata-Resúmenes Extensos.
1-22 p.
Oyhantçabal, P.; Spoturno, J.; Aubet, N.; Cazaux, S.; Huelmos. S. (2003). Proterozoico
de Suroeste del Uruguay: Nueva propuesta Estratigráfico para la formación Montevideo
y el Magmatismo Asociado. En: II Taller sobre estratigrafía del precámbrico del
Uruguay – Publicación Especial Nº 11. 38-48 p.
Oyhantçabal, P. (2004). Elementos potencialmente tóxicos en los suelos de la Hoja

“Fuente del Puma”. Tesis de Maestría, Pedeciba.
Oyhantçabal, P.; Goso, H.; Panario, D. (2004). Niveles de base de elementos

potencialmente tóxicos en los suelos de la Hoja “Fuente del Puma”, Departamento de
Lavalleja – Uruguay.
Oyhantçabal, P.; Sánchez Bettucci.; Pecoits, E.; Aubet, N.; Peel, E.; Preciozzi, F.;
Basei, M. A. S. (2005). Nueva Propuesta Estratigráfica para las Supracorticales del
Cinturón Dom Feliciano (Proterozoico, Uruguay). En : XII Congreso Latinoamericano
de Geología – Actas, 2005.
Oyhantçabal, P.; Segesmund, K.; Wemmer, K.; Frei, R. (2007). Post-collisional

transition from calc-alkaline to alkaline magmatism during transcurrent deformation in
the southernmost Dom Feliciano Belt (Braziliano – Pan- African, Uruguay). En: Lithos,
98. 141-159 p.
Oyhantçabal, P.; Wagner-Eimer, M.; Wemmer, K.; Schulz, B.; Frei, R.; Siegesmund, S.
(2012). Paleo- and Neoproterozoic magmatic and tectonometamorphic evolution of the
Isla Cristalina de Rivera (Nico Perez Terrane, Uruguay).
Peel, E. (2012). Petrografía, Geoquímica e Geocronología do Complexo Paso del

Dragón, Nordeste do Uruguai. Implicações na evolução tectônica do Cinturão Dom
Feliciano. Tese de Doutoramento (inédito), USP. 198 p.
123
Pérez, C. (2014). Anisotropía de la Susceptibilidad Magnética (ASM) de la Formación

Sierra de los Ríos (Cerro Largo, Uruguay). Tesis de Grado, Universidad de la República
Oriental del Uruguay. 82 p.
Preciozzi, F.; Spoturno, J.; Heinzen, W. (1979). Carta geo-estructural del Uruguay,
escala 1:1.000.000. Instituto Geológico Ing. Terra Arocena, Montevideo. 62 p.
Preciozzi, F.; Spoturno, J.; Heinzen, W.; Rossi, P. (1985). Carta geológica del Uruguay
a Escala 1:500.000, Texto Explicativo. 90p.
Preciozzi, F.; Masquelín, E.; Sánchez, L. (1993). Geología de la Porción Sur del
Cinturón Cuchilla Dionisio. Guía de Excursiones, I Simposio Proterozoico-Cámbrico
Internacional del Neproterozoico Cámbrico de la Cuenca del Plata. 1-39 p.
Preciozzi, F.; Masquelín, E.; Basei, M. A. S. (1999). The Namaqua – Grenville Terrane
of Eastern Uruguay. En: II Simposio Sudamericano de Geología Isotópica, Asociación
Geológica Argentina. 338-340 p.
Railsback, L. Bruce, (2003). An earth scientist's periodic table of the elements and their
ions. Geological Society of America. Geology, v. 31. 737-740 p.
Sánchez, L.; Mezzano, A. Análisis Sedimentológico y Faciológico de la Formación

Rocha (ex- Grupo Rocha). En: Revista Brasileira de Geociencias, 23:3. 323-329 p.
Spangenberg, J. (1983). Estudio de la Precisión de los Datos Geoquímicos

Multielemento del Inventario Minero del Uruguay (Período Junio 1980 – Junio 1983).
48 p.
Zeegers, H.; Spangenberg, J. (1982) “Inventario Minero del Uruguay. Resultados de la

prospección geoquímica del Fotoplano Fuente del Puma. Anexo 1. Resultados
Analíticos” Informe inédito, Instituto Geológico del Uruguay.
124

Uy24 17677

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Uy24 17677

Diunggah oleh

Hak Cipta:

Format Tersedia

Análisis estadístico de datos

Montevideo, Julio de 2015

2.1 Objetivo general ............................................................................................... 10

2.2 Objetivos específicos ....................................................................................... 10

3. Ubicación del área de trabajo .................................................................................. 11

5. Métodos prospectivos y de análisis de datos geoquímicos usados ......................... 12

5.1 Metodología de exploración de UMG ............................................................. 14

5.1.1 Foto-interpretación ................................................................................... 15

5.1.2 Mapeo ....................................................................................................... 15

5.1.3 Extracción de muestras de roca ................................................................ 16

5.1.4 Definición de malla de suelos................................................................... 16

5.1.5 Extracción de muestras de suelo ............................................................... 17

5.1.6 Empaquetado y preparado ........................................................................ 19

5.1.7 Análisis químico ....................................................................................... 20

5.1.8 Aseguramiento de calidad y control de calidad (AC/CC) ........................ 21

5.1.9 Validación de resultados........................................................................... 24

5.2 Métodos Estadísticos ....................................................................................... 26

5.2.1 Conceptos y fórmulas aplicados en el capítulo “Calidad de los datos” ... 26

5.2.2 Conceptos y formulas aplicados en el capítulo “Estadística descriptiva” 29

5.2.3 Conceptos y formulas aplicados en el capítulo “Estadística Multivariada”

5.2.4 Conceptos y formulas aplicados en el capítulo “Representación de mapas

6. Geología regional .................................................................................................... 46

6.1 Introducción ..................................................................................................... 46

6.1.1 Terreno Piedra Alta .................................................................................. 47

6.1.2 Terreno Nico Pérez ................................................................................... 47

6.1.3 Terreno Cuchilla Dionisio ........................................................................ 48

6.1.4 Zonas de Cizallamiento Principales ......................................................... 48

7. Geología Local ........................................................................................................ 49

7.1 Geología del área de estudio ............................................................................ 50

8. Calidad de los datos................................................................................................. 54

8.1 Suelos ............................................................................................................... 55

8.1.2 Coeficiente correlación de Pearson (R) .................................................... 55

8.1.3 Análisis de varianzas ................................................................................ 61

8.2 Rocas ................................................................................................................ 63

8.2.1 Cantidad de observaciones por litología ................................................... 63

8.2.2 Límites de detección ................................................................................. 64

9. Estadística descriptiva ............................................................................................. 65

9.1 Suelos ............................................................................................................... 65

9.1.1 Estadística general .................................................................................... 65

9.1.2 Normalidad de las variables ..................................................................... 66

9.1.3 Outliers ..................................................................................................... 68

9.1.5 Exclusión de outliers ................................................................................ 70

9.2 Roca ................................................................................................................. 73

9.2.1 Estadística descriptiva general.................................................................. 73

9.2.2 Normalidad de las variables ..................................................................... 74

9.2.3 Estadística descriptiva por litologíaa ........................................................ 74

9.2.4 Coeficiente de variación por litología ...................................................... 77

9.2.5 Diagramas de caja ..................................................................................... 78

9.2.6 Estadística descriptiva y outliers en litologías afines ............................... 80

10. Estadística Multivariada .......................................................................................... 86

10.1 Análisis de Correlaciones ................................................................................ 86

10.1.2 Roca .......................................................................................................... 87

10.2 Análisis de agrupamientos (Cluster Analysis) ................................................. 90

10.2.1 Roca .......................................................................................................... 91

10.2.2 Suelo ....................................................................................................... 100

10.3 Análisis de componentes principales (PCA) .................................................. 103

10.3.1 Roca ........................................................................................................ 103

10.3.2 Suelo ....................................................................................................... 106

11. Representación de mapas de isovalores ................................................................ 113

12. Conclusiones ......................................................................................................... 116

12.1 De la calidad de los datos............................................................................... 116

12.2 De estadística descriptiva ............................................................................... 116

12.3 De estadística multivariada ............................................................................ 117