CARACTERIZACION GEOQUIMICA

MULTIELEMENTAL EN LA EXPLORACION DE YACI-

MIENTOS POLIMETALICOS
*
Samuel Canchaya Moya

RESUMEN

Los llamados yacimientos polimetálicos son concentraciones naturales de elementos esen-

cialmente calcófilos y con bajos estados de oxidación. El ensamble mineralógico de cada yaci-
miento es el resultado de la afinidad geoquímica de los elementos, depositados bajo ciertas
condiciones fisicoquímicas (presión, temperatura, salinidad, fugacidad de los componentes, Eh,
pH, etc.); debido a esto los yacimientos suelen estar caracterizados por determinados grupos de
elementos típicos.

En este trabajo se presenta un método de análisis multielemental denominado “análisis de

grupos”, aplicable sobre todo durante la etapa de exploración; mediante la cual se puede prede-
cir la presencia de ciertos tipos de yacimientos, sobre la base de la organización de sus elemen-
tos en grupos (“clusters”) típicos. Si estos resultados se complementan con la información
geológica correspondiente, puede ser de gran ayuda, sobre todo cuando se trata de prospectos
regionales.

En el caso de rocas con fuerte alteración hidrotermal (metasomatitas) es recomendable

realizar análisis químicos de roca total (“whole rock analysis”) ya que los dendogramas nos
indicarán como se asocian los elementos económicos o sus “clusters” con los óxidos mayores
característicos de los principales ensambles de alteración: silicificación (SiO2), alteración potásica
o alcalina (K2O +/- Na2O), argílica (SiO2, Al2O3), fílica (SiO2, Fe2O3, K2O), etc.

A partir de una data de análisis multielementales, es posible, mediante el análisis de

grupos, juntar elementos sobre la base de su similitud probabilística, la cual generalmente se
mide con el coeficiente de correlación lineal o la distancia euclidiana. Primero se construye una
matriz n x n con los valores de similitud; luego se extraen los valores de similitud más altos y se
recalcula la matriz. El proceso es iterativo hasta que la matriz se reduzca a una de 2 x 2. Los
diferentes niveles de similitud encontrados se utilizan para construir dendogramas. Existen dife-
rentes métodos de agrupamiento, siendo el de Ward y el llamado promedio ponderado de pares
de grupos, los mas empleados.

Se ha seleccionado dos ejemplos de aplicación que permitirán apreciar mejor las posibili-
dades de este método. Ambos corresponden a prospectos regionales: uno en el extremo SE de
la cordillera occidental y el otro en la cordillera centro-oriental. El primero se ha procesado por
litologías en áreas con anomalías espectrales. El segundo corresponde a una zona fuertemente
metasomatizada, que fue analizada por roca total, lo cual ha permitido asociar los elementos
económicos con ensambles de alteración.

* Geólogo Consultor

207
Diciembre, 1999

I. INTRODUCCION

En este trabajo se hace la presentación de un par de aplicaciones de la técnica de agru-

pación geomatemática denominada análisis de grupos (“cluster analysis”). Si bien esta técni-
ca tiene muchos campos de aplicación dentro de la geología; sin embargo muy pocas veces se
le usa en el campo de los yacimientos minerales.

El presente es un resumen ampliado de la conferencia presentada por el suscrito en el

Seminario “Metalogenia y Exploración de Yacimientos Polimetálicos”, realizado en la
FIGMM-UNI, del 2 al 4 de diciembre de 1999; organizado por la Promoción 99-II de geólogos,
a quienes agradezco la oportunidad de poder presentar el presente trabajo.

Aún cuando el método que presentamos se puede aplicar a un a amplia gama de proble-
mas en geología, en este caso sólo se presenta aplicaciones en yacimientos polimetálicos.

Desde mucho tiempo se sabe que los elementos metálicos ocurren en concentraciones
económicas sólo en ciertos lugares de la corteza; presentando en cada caso cierto tipo de
asociación, tanto entre ellos como con los elementos acompañantes en las denominadas gangas.

En la figura 1 se muestra un gráfico, que se ha modificado a partir del original de Strong

(1980), en el cual se muestra una clara disposición de los elementos en grupos, cuando se les
plotea en un eje de coordenadas en función de sus radios iónicos y el potencial iónico; este
último es el cociente entre la valencia y el radio iónico de cada elemento.

Tal como se puede observar en dicho gráfico, podemos concluir que los llamados yaci-
mientos polimetálicos son concentraciones naturales de elementos esencialmente calcófilos y
con bajos estados de oxidación. Es ampliamente conocido que los ensambles mineralógicos de
cada yacimiento son el resultado de la afinidad geoquímica de los elementos, depositados bajo
ciertas condiciones fisicoquímicas (presión, temperatura, salinidad, fugacidad de los componen-
tes, Eh, pH, etc.); debido a esto los yacimientos suelen estar caracterizados por determinados
grupos de elementos típicos.

Basándonos en esta hipótesis, podemos utilizar técnicas de clasificación matemática para

ver de que manera los resultados del análisis químico multielemental, en determinado prospecto,
se arreglan en grupos, lo cual puede ser de mucha ayuda en la interpretación genética.

Tres son las principales técnicas de “Clasificación” en la Geomatemática:

Análisis de factores (“Factor Analysis”)

Análisis de funciones discriminantes
Análisis de grupos (“Cluster Analysis”)
En el caso de este trabajo vamos a tratar exclusivamente del: Análisis de Grupos, que es
el que nos puede ayudar a reconocer grupos de elementos típicos de ciertos yacimientos o
asociaciones de los elementos económicos con cierto tipo de alteraciones.

II. ANALISIS DE GRUPOS

Es una técnica que permite encontrar interrelaciones entre entidades, que nos permitan
definir grupos o “clusters”; dichos grupos generalmente no son identificables a simple vista.

208
 Seminario: Metalogenia y Exploración de Yacimientos Polimetálicos

La data de análisis químico multielemental generada durante una prospección geoquímica

es la mejor oportunidad de aplicación. La expresión gráfica de los resultados son los clásicos
dendogramas (ver figuras: 3 a 7).

2.1. CONCEPTOS GENERALES

Clasificar es organizar objetos por grupos, sobre la base de determinadas características
de similitud. Los taxonomistas han usado estas técnicas desde hace mucho tiempo, para deducir
el linaje o filogenia de criaturas vivientes, sobre la base de sus características similares.

En geología se ha aplicado principalmente en la clasificación de fósiles invertebrados y en

el estudio de paleoambientes.

2.2. METODOS DE LIGAZON

Al inicio del proceso de ligazón (“linkage”) cada elemento representa su propio “cluster”;
en este caso las distancias entre los objetos son definidas directamente por la medida de la
distancia escogida.

Sin embargo, cuando varios objetos han sido legados juntos, ¿cómo determinar las distan-
cias entre estos nuevos “clusters”?. En otras palabras necesitamos una regla de ligazón para
determinar cuando dos “clusters” son suficientemente similares para ser puestos juntos.

Hay varios métodos, por ejemplo podríamos poner dos “clusters” juntos cuando dos obje-
tos de los dos clusters se encuentran más juntos que la respectiva distancia de ligazón. Esto
quiere decir que estaríamos usando los vecinos más cercanos entre los “clusters” para determi-
nar la distancia entre ellos; este método es llamado de “ligazón simple”; y genera tipos encade-
nados de “clusters” enlazados juntos sólo por objetos simples que ocurren muy juntos; alterna-
tivamente podremos usar “clusters” através de vecinos que están mucho más lejos unos de
otros; este método es llamado de “ligazón completa”.

Hay muchos otros métodos de ligazón; sin embargo los más usados son dos: el método
del promedio ponderado de pares de grupos y el método de Ward’s.

En los métodos del promedio de pares de grupos, dicho promedio puede ser calculado con
o sin ponderación. El método no ponderado de la distancia entre dos “clusters” se calcula como
la distancia promedio entre todos los pares de objetos de dos “clusters” diferentes. Este método
es muy eficiente cuando los objetos forman grupos (“clumps”) naturales o normales; sin embar-
go también suele funcionar bien cuando se trata de grupos de tipo cadena.

El método de la distancia ponderada de pares de grupos es similar al anterior, sólo que usa
como ponderador, en el cálculo de las distancias, el tamaño de los respectivos “clusters” (es
decir el número de objetos contenidos en él). Este método debe ser usado cada vez que se
sospecha que los tamaños de los “clusters” son muy diferentes.

El método de Ward’s se diferencia de todos los otros métodos de ligazón, en que usa un
análisis de varianza previo, para calcular con mas exactitud las distancias entre “clusters”. En
resumen este método pretende minimizar la sumatoria de cuadrados de cualquier par de hipoté-
ticos “clusters” que pueden ser formados en cada paso. En general es considerado el método
más eficiente, aún cuando tiende a crear “clusters” de tamaño pequeño. Para mas detalles
respecto a este método se recomienda consultar el artículo de Wards (1963).

211
Fig. 4. Dendograma de Diques extremo Sur Este de la Cordillera
Occidental.
 DENDOGRAMA DE STOCKWORKS
Método del Promedio Ponderado de Pares de Grupos

Au “ Pathfinder
”
del oro
As

Cu
Ag
Pb

Zn

Sb

Hg
Mo

-0.00 0.25 0.50 0.75 1.00

Fig. 5. Dendograma de Stockworks, extremo Sur Este de la Cordillera Occidental.

 Seminario: Metalogenia y Exploración de Yacimientos Polimetálicos

2.3. PARAMETROS DE LIGAZON

Estos parámetros sirven para establecer disimilitudes o distancias entre los objetos que
conforman un “cluster”. Tales distancias pueden ser mono- o multi-dimensionales. La forma
más simple de computar distancias entre objetos en un espacio multidimensional, es a través de
la denominada distancia euclidiana. Si estuviéramos calculando la similitud en un espacio bi- o
tri-dimensional, ésta sería simplemente la distancia o diferencia entre dichos objetos en el espa-
cio, tal como si la midiéramos con una regla. Sin embargo, para muchos investigadores este
parámetro no es el más apropiado para determinar la ligazón entre objetos, por lo que se han
propuesto muchos otros.

Los principales parámetros de similitud son:

a) Coeficiente de correlación lineal; el cual se calcula con la siguiente fórmula:

COV xy
rxy =
SxSy

Donde r es el coeficiente de correlación lineal entre dos elementos x e y; COV es su

covarianza; y Sx y Sy sus respectivas desviaciones estándar.

La distancia euclidiana dij, entre dos objetos i y j, definidas en un espacio m-dimensio-

nal, se calcula con la fórmula siguiente:

∑ k =1  Xik − Xjk 

m

dij =
m
Donde Xik es la k-ésima variable medida en el objeto i; mientras que Xjk es la k-ésima
variable medida en el objeto j. En todos los casos en cada objeto se mide m variables; siendo dij
la distancia o disimilitud entre el objeto i y el j. Obviamente una distancia corta indica que dos
objetos son muy similares entre ellos.

Otros parámetros de ligazón menos frecuentes que los mencionados son: el cuadrado de
la distancia euclidiana, la distancia “city-block”, la distancia “Chebychev”, la distancia potencia-
da y el porcentaje de discordancia (“dissagreement”).

2.4. CONSTRUCCION DEL DENDOGRAMA

El dendograma es la forma gráfica mas usada de representar “clusters”; cada uno de los
cuales viene a conformar una especie de rectángulo cuya longitud está en función de la simila-
ridad y su ancho en función de la cantidad de objetos que une.

Para la construcción del dendograma es necesario primero calcular la denominada matriz

de similitudes. El método más difundido es el de “agrupamiento jerárquico”. Se parte de una
matriz de similitudes n x n de todos los pares de observaciones calculadas. Luego se extrae de
dicha matriz los pares con las más altas similitudes y se recalcula una nueva matriz promediando
las similitudes de las observaciones restantes. El proceso es iterativo hasta que la matriz de
similitud se reduzca a una de 2 x 2.

Se necesita primero constituir una matriz inicial: n x m (m muestras analizadas por n

elementos). Luego se calcula los parámetros de similitud (coeficiente de correlación, distancia
euclidiana, etc.) entre cada par de elementos n; los resultados se constituyen en una matriz n x
n denominada matriz de similitud.

217
Diciembre, 1999

Mas detalles respecto al método de agrupamiento jerárquico y otras formas de clasifica-

ción, se podrán encontrar en Tryon & Bailey (1970) y Sneath & Sokal (1973).

En la figura 2 se plantea un ejemplo de cálculo de una matriz de similitud y su correspon-

diente dendograma. En este caso se ha utilizado como parámetro de ligazón el coeficiente de
correlación lineal.

III. EJEMPLOS DE APLICACION

Se ha seleccionado varios ejemplos de aplicación que permitirán apreciar mejor las posi-
bilidades de este método. Todos corresponden a prospectos de exploración regionales: uno en el
extremo SE de la cordillera occidental y el otro en la cordillera centro-oriental.

Los dendogramas de la figura 3 corresponden a un prospecto regional ubicado en el

extremo SE de la coordillera occidental, en rocas volcánicas del Barroso. Sobre la base de la
interpretación de las imágenes satelitales se ubicaron zonas con anomalías espectrales, lo cual
permitió seleccionar “targets” de prospección geoquímica.

Los resultados de la zona Oeste resultaron realmente interesantes (fig. 3A). El dendograma
correspondiente muestra tres grupos de “clusters” claramente asociables con tres tipos de
mineralización diferentes: el “cluster” de Cu-Mo típico de pórfidos de cobre, el “cluster” múlti-
ple Zn-Sb-Ag- (Au) que corresponde a vetas epitermales, y finalmente el “cluster” As-Hg-
(Pb) que representa a las pequeñas vetillas periféricas a las otras dos mineralizaciones mencio-
nadas. Los dos sistemas filoneanos fueron reconocidos en los trabajos de campo; más no así el
pórfido de cobre; sin embargo gracias a su caracterización por medio del dendograma se reco-
mendó afinar la prospección para comprobar la presencia del supuesto pórfido de cobre.

En la fig. 3B, correspondiente a la zona sur-este, la presencia de un pórfido de Cu-Mo es

todavía más inminente; en este caso el Zn (¿esfalerita?) estaría claramente asociado a la
mineralización del pórfido; los otros tres elementos deben corresponder a mineralización periférica.

Cuando se hizo el ploteo de dendogramas por tipos litológicos específicos resultó que los
diques andesíticos que cortan al Barroso presentan un dendograma similar a la de los pórfidos
de cobre (fig. 4); lo cual puede significar alguna filiación genética entre estos diques y los
pórfidos en cuestión.

La prospección geoquímica arrojó algunos valores anómalos de oro, los cuales se asocia-
ban claramente con “stockworks” de cuarzo. En el dendograma de la fig. 5 se observa un
“cluster” muy definido entre el Au y el As. Este resultado permite definir, al arsénico como un
“pathfinder” del oro; lo cual a partir de ese momento ha sido considerado en la prospección
ulterior.

Las otras aplicaciones que vamos a comentar a continuación corresponden a una campa-
ña de exploración por Cu-Au en la cordillera centro oriental. Se trata de una zona con fuerte
alteración hidrotermal (metasomatitas). En este caso es recomendable realizar no sólo el análi-
sis de los elementos comunes, sino además análisis químicos de roca total (“whole rock analysis”)
ya que los dendogramas nos indicarán como se asocian los elementos económicos o sus “clusters”
con los óxidos mayores característicos de los principales ensambles de alteración: silicificación
(SiO2), alteración potásica o alcalina (K2O +/- Na2O), argílica (SiO2, Al2O3), fílica (SiO2, Fe2O3,
K2O), etc.

218
 Seminario: Metalogenia y Exploración de Yacimientos Polimetálicos

En la fig. 6 se observa que el Au y el Cu deben corresponder a mineralizaciones diferen-

tes, ya que forman “cluster” disímiles. Curiosamente el Au presenta un fuerte “cluster” con el
Mo. Por su parte el Au se encuentra claramente asociado con una alteración alcalina (fig. 7).
La asociación del Au con el Mo nos estaría indicando que ambos elementos se habrían precipi-
tado en una facies neumatogénica, que es la característica habitual del molibdeno.

Por su parte el Cu presenta un “cluster” con el SiO2, o lo que es lo mismo, con la

silicificación. A pesar que este “cluster” es más endeble que el anterior, dicha asociación ya se
ha podido comprobar en el campo, ya que hay zonas con presencia de calcopirita y oxisales de
cobre en rocas volcánicas silicificadas.

Debemos mencionar que los resultados presentados en el presente reporte son sólo pre-
liminares; se tiene pensado realizar mas aplicaciones similares, lo cual seguramente nos permi-
tirá realizar mas publicaciones que complementen la presente.

REFERENCIA BIBLIOGRAFICA
Johnson, S.C. (1967).
Hierarchical clustering schemes.- Psychometrika, 32: 241-254.

Sneath, P.H.A. & Sokal, R.R. (1973).

Numerical taxonomy.- (Freeman).

Strong, D.F. (1980). Granitoid rocks and associated mineral deposits of eastern Canada and
western Europe in Strangway, D.W. (Ed.) The Continental Crust and Its Mineral
Deposits.- Geol. Assoc. Can. Spec. P. 20: 741-769.

Tryon, R.C. & Bailey D.E. (1970).

Cluster analysis.- 347 p. (McGraw-Hill).

Ward, J.H. (1963).

Hierarchical grouping to optimize an objective function.- J. Am. Statistical Assoc., 58:
236.

219
Diciembre, 1999

220