MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 581 / FEBRERO 2026 15 Análisis exploratorio y transformación composicional Se realizó un Análisis Exploratorio de Datos (EDA), que incluyó estadísticas descriptivas y métricas de forma como asimetría (skewness) y curtosis, evidenciando distribuciones fuertemente sesgadas para Au, Ag, Cu, Mo, entre otros. Debido al carácter composicional de los datos geoquímicos (con restricciones de suma constante), se aplicó la transformación Centered Log-Ratio (CLR), propuesta por Aitchison (1986) y, posteriormente, formalizada en términos geométricos para el análisis multivariado por Egozcue et al. (2003). Esta transformación traslada los datos desde el simplex a un espacio euclidiano, reduciendo las correlaciones espurias y permitiendo la aplicación rigurosa de técnicas estadísticas multivariadas en exploración geoquímica. Selección de elementos guía y análisis factorial Se seleccionaron 16 elementos guía comúnmente asociados a mineralización en pórfidos y epitermales (Au, Ag, As, Bi, Cd, Cs, Cu, In, Li, Mo, Pb, Sb, Sn, Tl, W, Zn) (Tabla 1A), con base en los trabajos de Halley et al. (2015) y Cooke et al. (2005) sobre zonación geoquímica en estos sistemas. Sobre los datos CLR transformados (Tabla 1B), se aplicó un análisis factorial (FA) con rotación Varimax para identificar asociaciones multielementales (Tabla 2). Este enfoque es ampliamente reconocido en geoquímica exploratoria para la identificación de firmas geoquímicas y la construcción de índices multivariados (Carranza, 2009; Zuo & Wang, 2011). Se extrajeron dos factores principales, que explicaron en conjunto el 51.8% de la varianza. El Factor 1 (34.3%) presentó altas cargas para Au, Ag, Cu, Bi, lo que permitió interpretarlo como un componente mineralizante. En consecuencia, se invirtió su signo para construir el índice F1* (–F1), lo que facilita su interpretación directa como intensidad de anomalía (Carranza, 2009). El Factor 2 (17.5%) se asoció a elementos de halo distal o alteraciones periféricas (Pb, Zn, Cd, Li, Cs). Esta interpretación fue confirmada mediante un biplot de F1 vs F2 sobre datos CLR (Figura 2), donde se observa el agrupamiento de vectores asociados a mineralización en un mismo cuadrante. Cálculo del índice de singularidad Para cuantificar la heterogeneidad espacial del índice F1*, se calculó el exponente de singularidad α, el cual permite detectar anomalías locales mediante el contraste entre un valor puntual y su entorno. El cálculo se efectuó siguiendo la formulación de Local Singularity Analysis (LSA) propuesta por Cheng (2007) y aplicada recientemente en estudios geoquímicos regionales por Ma et al. (2023), Tabla 2. Matriz de Cargas Rotadas (Varimax) y Comunalidades de Variables CLR (N = 663) Variable Factor 1 Factor 2 h² Tl-CLR 0.894 −0.064 0.803 Cs-CLR 0.879 0.003 0.773 Sn-CLR 0.825 −0.185 0.716 Zn-CLR 0.776 0.444 0.799 Li-CLR 0.765 0.31 0.681 Ag-CLR −0.761 −0.063 0.584 Bi-CLR −0.651 −0.075 0.429 Au-CLR −0.626 0.092 0.401 Cu-CLR −0.447 −0.552 0.505 Pb-CLR 0.224 0.712 0.557 W-CLR 0.251 −0.672 0.515 Mo-CLR 0.065 −0.402 0.166† In-CLR −0.196 −0.441 0.233† Sb-CLR −0.368 0.627 0.528 Cd-CLR 0.183 0.526 0.310† As-CLR −0.362 0.393 0.286† Varianza 5.4906 2.7949 8.2855 % Var 0.343 0.175 0.518 Nota: cargas significativas en negrita (|carga| ≥ 0.40); h² < 0.40 indicadas con †. Varianza total explicada: 51.8%.
RkJQdWJsaXNoZXIy MTM0Mzk2