ELABORACIN DE LOS DATOS GEOQUMICOS.

Una vez que ya se tienen los resultados de las mediciones, comienza la etapa
de elaboracin de esta informacin con el fin de reconocer el
comportamiento anmalo de algunos de los puntos muestreados. Esto puede
hacerse, para cada variable por separado, o usando un subconjuto de estas
variables. A continuacin revisaremos algunos de los procedimientos ms
comnmente usados para estos fines.

Anomala geoqumica. Para definir qu es anmalo, se requiere haber

definido previamente qu es normal. An en los casos ms simples, donde la
respuesta debida a un mismo complejo estructural pueda ser considerada
como nica, el comportamiento normal no vendr caracterizado por un solo
valor numrico. Debido a la naturaleza de estos datos, en los resultados
obtenidos, intervienen tres tipos bsicos de fuentes de variacin(fv):
1) Una, fv objeto, que refleja las particularidades espaciales y temporales
del punto muestreado con respecto a todos los procesos
mineragnicos que han actuado en la composicin qumica sumaria del
material estudiado. Esta es la fuente de variacin que se desea estudiar,
en toda investigacin geoqumica.
2) Una fv instrumental metodolgica, asociada a todos los errores
(imprecisiones e inexactitudes) que estn asociados al proceso < toma de
muestra (representatividad), manipulacin, preparacin y submuestreo,
forma de extraccin y tcnica analtica usada >. Aqu intervienen errores
aleatorios y sistemticos; los sistemticos pueden ser reducidos con los
procedimientos adecuados, y los accidentales pueden reducirse mediante
un estricto cumplimiento de los procedimientos normativos y la
realizacin de mediciones de control por el gelogo a cargo de los
trabajos
3) una fv de interferencias superpuestas, asociada a todos los eventos
naturales o no, que puedan modificar, de alguna forma, la composicin
qumica, del espacio muestreado en la investigacin. El carcter de esta

fv puede ser determinstico, aleatorio o mixto respectivamente. La

influencia de esta fuente de variacin puede ser reducida, por medio de
una seleccin lo ms rigurosa posible del punto muestreado y con el uso de
algn proceso de promediacin de las mediciones (filtrado) cuando estas
son secuenciales.
La existencia de estas fuentes de variacin hacen, que el comportamiento
normal deba definirse en trmino de un valor mas frecuente, y de un
corredor o franja ms probable, (limitada por sus valores umbrales) en
que se encuentran los valores que puedan considerarse como normales. Para
esto se requiere de los mtodos de la Estadstica Aplicada, que revisaremos
de inmediato.
Funciones de distribucin de probabilidades. Estimacin de sus parmetros.
En la prctica, se usan con ms frecuencia dos tipos de leyes de
probabilidades la Normal, y la Lognormal respectivamente, que sern
descritas brevemente a continuacin.

Ley de distribucin Normal o Gaussiana . Se dice que una variable aleatoria

est regida por una ley de distribucin normal, si su funcin de probabilidad
(densidad) tiene la forma,
f(x)= N(x, , )=

1
2

Exp[-

2 2

; para - < x <

sus parmetros son,

la media

=E{x} =

xf ( x )dx

la desviacin tpica

=[E{(x-)2 }]

Su funcin de distribucin acumulativa de probabilidades

F(x) =

N(u, , ) du =P(u<x)

ha sido tabulada para la variable tipificada z=(x-)/ .

A partir del conocimiento de F(x) o F(z) se tendr que la probabilidad que la
variable aleatoria x, distribuida normalmente, se encuentre en el intervalo
(a,b) ser,
P(a<=x<b)= F(b)- F(a)
Partiendo del supuesto que x est distribuida normalmente puede mostrarse
que:

1) P(x< - 3)=P(z<-3)=0.00135
2) P(x< -2)=P(z<-2)=0.02275
3) P(x< - )=P(z<-1)=0.15866
4) P(x<)=P(z<0)=0.5000000
5) P(x< + )=P(z<1)=0.8413
6) P(x< +2)=P(z<2)=0.9772
7) P(x< + 3)=P(z<3)=0.9986

De aqu es posible ver que si x posee esta ley de distribucin, entones:

1) Es muy poco probable que x tome valores < - 3

2) Es muy poco probable que x tome valores > + 3 . Esta condicin junto

a la anterior da origen a la denominada Regla de las 3 sigmas para una

si una variable aleatoria

posee una distribucin normal, es prcticamente imposible
que sus valores se aparten mas de 3 desviaciones tpicas(
3 ) del valor de su media .
distribucin normal, la cual expresa que

3) P(x< )=P(x> )= 0.5000000

Ley de distribucin normal logartmica o Lognormal.

Otro tipo de ley de distribucin muy usado es geoqumica es la ley Lognormal,

sobre todo para los elementos trazas en sistemas geoqumicos simples.
Diremos que la variable aleatoria x posee una ley de distribucin Lognormal si
su funcin de distribucin de probabilidades puede describirse como,

0
L(x, L , L )=

ln
x

L 1
x 2 exp 2

L
L

La primera condicin es vlida para x<0 y la segunda para x>=0.

Puede demostrarse que la variable transformada

distribucin normal,
con media
L =E{L}=E{ln(x)}

L= ln(x), posee una

y desviacin tpica
L =[E{(L-L )2 }]1/2
Se demuestra adems que,
G =Exp(L ) es la media geomtrica,
=Exp(L )=[1 + V2 ]1/2 es la desviacin geomtrica
V=x/ x = [ Exp(L2)-1]1/2 es el coeficiente de variacin de x.

En la prctica, aunque una variable est distribuida lognormalmente, si V<0.3,

entonces su funcin de distribucin ser casi simtrica y no se diferenciar
de una variable distribuida normalmente.

Estimacin de los parmetros de una ley de distribucin a partir de una

muestra. Establecimiento de los valores normales y los umbrales de
anomala.
Para realizar la estimacin de los parmetros de una ley de distribucin hay
que partir de una muestra cuyo tamao mnimo ha de ser > =150.

1)Estos valores deben agruparse; el nmero de intervalos de clase a usar

puede estimarse aproximadamente como Kint=int( N), donde N es el
tamao de la muestra.

Los valores de los lmites de las clases, se determinan, de la forma siguiente.

Con los valores extremos, x min, xmax se determina la amplitud de las clases
como
= ( xmax xmin )/Kint
el lmite inferior de la primera clase lo denominaremos X(0)= x min , entonces
los valores de los lmites superiores para todas las clases vienen dados por la
expresin
X(i)= X(i-1) + = xmin + i , para i=1 hasta Kint
El proceso de agrupacin se regir por el algoritmo,
For i=1 to Kint
frec(i)=0
For j=1 to N
If x(j)<= X(i) and x(j) > X(i-1) then frec(i)=frec(i) + 1
Next j

Next i
Al concluir el proceso, en el arreglo frec(i) estarn almacenadas las
frecuencias correspondientes a cada clase. Con estas se estiman los valores
de la distribucin emprica de probabilidades p(i), y la frecuencia acumulativa
freacu(i), respectivamente como,
For i = 1 to Kint
Sum=0
P(i)= frec(i)/N
For j=1 to i
Sum=Sum + frec(j)
Next j
freacu(i)=Sum
Next i
Con los valores de la frecuencia acumulativa se estima la distribucin
acumulativa emprica de probabilidades, como,
SN(i) = 100*[3*freacu(i) 1]/(3*N + 1)
Los valores de p(i) se asignan a las marcas de clase m i =[x(i-1)+x(i)]/2,
mientras que los valores de SN (i) se asignarn al lmite superior de cada
clase x(i).
Si los valores de la variable estudiada x(i) estn distribuidos normalmente,
entonces, la representacin de SN (i) en un papel probabilstico normal,
representar una lnea recta. Para esta recta tendremos que el percentil 50,
x50 , ser igual a la media , que en estos casos representar, al valor normal
o fondo para la variable x. Para decidir si un valor puede considerarse
anmalo o no, se requiere tomar la decisin en trminos probabilsticos. As,
la variable x representa a los valores de las rocas (complejo estructural) de
un sistema geoqumico simple, la probabilidad que x sobrepase a los valores
+ 2 es slo igual a 1-0.9772=0 .00228, y de que exceda al valor + 3 ser
igual a 0.0014. En ambos casos estos valores indican que estos eventos
prcticamente imposibles, sobre todo el segundo. Los umbrales anmalos

suelen definirse por lo general como aquellos correspondientes a + 2 ,

asociado al percentil 97.72 conseguido a partir de la lnea recta asociada a
SN (i), mientras que el valor + 3, se estima como el percentil 99.86 de
forma similar al caso anterior. En la prctica estos umbrales se toman como
los percentiles 98 y 99.9 respectivamente. Otro criterio usado por los
investigadores rusos, al definir el umbral anmalo toma en consideracin, no
solo el valor de la variable estudiada, sino tambin el nmero de puntos m
que puedan considerarse pertenecientes a una anomala, en este caso definen
el umbral de la forma,
U*=

3
m

el valor de m puede encontrarse en el intervalo (1 , 9). El objetivo de este

tipo de umbral es el no omitir la deteccin de anomalas de pequea amplitud,
pero que sean detectadas en ms de 1 punto.
Para realizar la estimacin del valor de fondo y los umbrales hay que
verificar que los datos estn distribuidos normalmente. Esto puede
efectuarse por varias vas, una de las ms simples es mediante el uso de los
grficos de probabilidades para una ley normal. Estos grficos se obtienen
de la forma siguiente:
1)Se estima la funcin de probabilidades empricas
F i

3 f acu i 1
3N 1

donde f acu i representa la frecuencia acumulativa asignada al lmite superior

de la clase i(esima).
2) Se estima el valor esperado E{zi} de la variable tipificada z para una
distribucin normal usando la expresin
E{zi} = Z[ F i ]

donde Z[ F i ] representa el percentil correspondiente a una distribucin

normal para un valor numricamente igual al de la distribucin acumulativa de
probabilidades emprica estimada a partir de los datos.
3) Se presenta el diagrama de dispersin x i vs zi ,
donde xi corresponde al lmite superior de la clase i
zi valor esperado evaluado por medio de Z[ F i ]
Si la variable estudiada est distribuida normalmente los puntos en el plano
xz estarn agrupados alrededor de una lnea recta x

Zi
3
2
1
0
-1
-2

Xi
3

-3

Los valores aproximados de los percentiles pueden calcularse por medio de

algoritmos existentes en la literatura.

Si los valores estn distribuidos por una ley Lognormal, pueden usarse todos
los procedimientos estudiados, si trabajamos con los valores transformados
L=ln(x).
Existen otros tipos de transformaciones que hacen que los valores
transformados tengan una ley aproximadamente normales. Entonces los
procedimientos antes vistos pueden asarse con la variable transformada.
Aunque es costumbre tratar de estimar los valores de fondo y los umbrales
para los elementos trazas tratando de usar la ley lognormal, hay que ser muy
cuidadoso en cada caso, pues es tambin comn que las datos que presenten
una asimetra marcada por la derecha, en realidad estn formadas por dos o
mas poblaciones mezcladas en la muestra procesada. A continuacin veremos
brevemente como proceder cuando una muestra est formada por puntos
correspondientes a 2 poblaciones normales con parmetros distintos entre
s.
DESCOMPOSICIN DE UN HISTOGRAMA EN DOS COMPONENTES
NORMALES TRUCADAS POR LA IZQUIERDA.
Sea N el tamao de una muestra que en realidad est compuesta por N 1
puntos pertenecientes a una poblacin normal de parmetros 1 ,1 y por N2
puntos de otra poblacin normal de parmetros 2 , 2 respectivamente.
Ambas poblaciones estn truncadas por la izquierda, de forma tal que sus
funciones de distribucin son nulas para valores negativos de la variable x.
Bajo estas condiciones, la funcin de distribucin de probabilidades
empricas podra describirse como,

pmi =

1 F ( 1 )
1

p1i

1 F ( 2 )
2

p2i

donde
pmi

probabilidad emprica de la muestra mixta en el intervalo i simo,

p1i

probabilidad de la corresponde a la poblacin 1 de parmetros 1 ,1

p2i

probabilidad correspondiente a la poblacin 2 de parmetros 2 , 2 ,

N1
N2
, 2
son las proporciones de representacin de las poblaciones 1
N
N
y 2 respectivamente, en la muestra mixta ( 1 2 1 ) ,

1
2
) y F() son los valores de la distribucin acumulativa normal
1
2
1
2
tipificada para los argumentos y 2
2
respectivamente
que aparecen en los trminos de correccin de las
distribuciones truncadas por la izquierda en el valor x=0.
F(-

En estos casos puede usarse un procedimiento de optimizacin estable que

seleccione un juego de valores para los 4 parmetros bsicos de las dos
poblaciones y de la proporcin 1 , ya que 2 1 1 .
Este enfoque tiene la ventaja que trabaja directamente con los histogramas
y toma en consideracin que los contenidos nunca pueden tomar valores
menores que cero.
Veamos un ejemplo de aplicacin de este ltimo mtodo en los datos de Zn,
Pb y K correspondientes al estudio de aureolas primarias efectuado en
ESPOL2A
Caso :Zn

10

Caso:Pb

11

Caso: K

12