Análisis Litio
Grupo Litio
2023-11-04
Título
Resumen
Introducción - Litio
El litio desempeña un papel esencial en la fabricación de baterías para dispositivos electrónicos y vehículos eléctricos, lo que lo convierte en un recurso estratégico. La identificación precisa de las fuentes de litio es importante para garantizar un suministro estable y sostenible para esta y otras aplicaciones.
Por este motivo, comprender la geología, la época de formación, la geoquímica de los depósitos de litio, etc. es crucial para optimizar la exploración y la extracción. Además, el conocimiento en este campo también influye en aspectos medioambientales y geopolíticos, permitiendo la implementación de prácticas mineras más sostenibles y abordando cuestiones estratégicas relacionadas con el acceso a este metal en el escenario mundial.
Métodos
Describir qué y cómo se hizo cada cosa. Prósito del desarrollo de todo el trabajo. Extracción y tramiento de datos
Se extrajeron y depuraron los datos presentes en el código de R escritos por Llanos et all (2020). Estos se cargan a continuación.
#install.packages("openxlsx")
#install.packages("dplyr")
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(openxlsx)
library(plotly)## Loading required package: ggplot2##
## Attaching package: 'plotly'## The following object is masked from 'package:ggplot2':
##
## last_plot## The following object is masked from 'package:stats':
##
## filter## The following object is masked from 'package:graphics':
##
## layoutBase_litio= read.xlsx("Base_datos_litio.xlsx")
head(Base_litio)## Long Lat País Estado Deposito
## 1 -92.63528 33.08297 USA Exploracion Smackover-Lanxess, South Unit
## 2 -117.32721 35.71675 USA Inactiva Searles Lake, Searles Lake Brine Deposit
## 3 -117.32721 35.71675 USA Activa Searles Lake, Searles Lake Mine
## 4 -93.52507 33.30016 USA Exploracion Smackover-Tetra, North Resource Area
## 5 -81.28811 35.39151 USA Exploracion Piedmont, Core Deposit
## 6 -116.41756 34.75329 USA Activa Fort Cady, Fort Cady Brine Deposit
## Total_ppm Porcent_Li Produc_mena Ley_de_corte Clasificacion
## 1 305.29 3.499 1.14e-01 5.0 Sedimentario
## 2 305667.00 0.050 2.40e-02 0.0 Sedimentario
## 3 878800.00 10.111 4.31e-05 0.0 Sedimentario
## 4 301.43 2.393 5.50e-02 5.0 Sedimentario
## 5 814860.00 1.150 1.08e-01 0.4 Metamorfico
## 6 186479.36 0.000 3.50e-02 5.0 Sedimentario
## Subclasificacion B2O3 SO4 Cl
## 1 Salmuera de campo petrolifero enriquecido con litio 168 1900 172.29
## 2 Salmuera de Litio NA NA NA
## 3 Salmuera 10000 114400 128800.00
## 4 Salmuera de campo petrolifero enriquecido con litio 146 1900 183.29
## 5 LCT NA NA NA
## 6 Salmuera 67000 NA NA
## Al2O3 Sr Ba CaO MgO Na2O K2O H2O H2BO MnO
## 1 NA 2.161 6.74 36.171 2.676 66.47 2.513 NA NA NA
## 2 46700 617.000 NA 48100.000 13400.000 103000.00 19700.000 NA NA NA
## 3 NA NA NA 15000.000 NA 324200.00 5000.000 65000 NA NA
## 4 NA 2.149 10.00 35.029 2.973 67.73 2.403 NA NA NA
## 5 NA NA NA 4400.000 900.000 36400.00 26200.000 NA NA NA
## 6 NA NA NA NA NA NA NA NA 119100 NA
## TiO2 CO2 Fe SiO2 Li
## 1 NA NA NA NA 200.00
## 2 NA NA NA 74000 150.00
## 3 NA 105000 NA 111400 NA
## 4 NA NA NA NA 154.00
## 5 NA NA NA 741700 5260.00
## 6 NA NA NA NA 379.36
## Alteracion
## 1 <NA>
## 2 <NA>
## 3 <NA>
## 4 <NA>
## 5 Delgadas zonas de metasomatismo en rocas huésped y contactos con pegmatitas
## 6 <NA>
## Edad_deposito Edad_mineralizacion Tipo_de_mena Ambiente_tectonico
## 1 Jurasico-Oxfordiense <NA> Salmuera Cuenca endorreica
## 2 Pleistoceno Pleistoceno Salmuera Cuenca endorreica
## 3 Pleistoceno Pleistoceno Salmuera Cuenca endorreica
## 4 Jurasico-Oxfordiense <NA> Salmuera Cuenca endorreica
## 5 Misisipiense Carbonifero Espodumena Orogenia
## 6 Plioceno <NA> Salmuera Cuenca endorreica
## Minerales_explotados Minerales_de_ganga
## 1 litio, bromo <NA>
## 2 litio, tungsteno Halita, glaserita, trona, potasa
## 3 litio aragonita, calcita, dolomita
## 4 litio <NA>
## 5 litio, cuarzo, feldespato, mica quarzo, albita, microclina, muscovita
## 6 litio colemanita, calcita, anihidrita
## Comentarios
## 1 _x000D_\r\nMúltiples fuentes informan recursos en el rango de 316 000 a 1 000 000 de toneladas métricas de metal de litio
## 2 <NA>
## 3 <NA>
## 4 <NA>
## 5 <NA>
## 6 <NA>
## referencias
## 1 Eccles, D.R., Black, W., Hill, K., Molnar, R., and Rakhit, K., 2018, Geological introduction and maiden inferred resource estimate for Standard Lithium Ltd.'s Lanxess Smackover Lithium-Brine Property in Arkansas, United States, prepared for Standard Lithium Limited [Effective date November 19, 2018]: Edmonton, Alberta, Canada, Apex Geoscience Ltd., November 19, 157 p. [Also available at http://sedar.com.]
## 2 Smith, G.I., 1979, Subsurface stratigraphy and geochemistry of late Quaternary evaporites, Searles Lake, California: U.S. Geological Survey Professional Paper 1043, 130 p. [Also available at https://doi.org/10.3133/pp1043] ,Smith, G.I., 2009, Late Cenozoic geology and lacustrine history of Searles Valley, Inyo and San Bernardino Counties, California: U.S. Geological Survey Professional Paper 1727, 115 p., 4 plates. [Also available at https://pubs.usgs.gov/pp/1727/]
## 3 Garrett, D.E., 2004, Handbook of Lithium and Natural Calcium Chloride (1st ed.): Boston, Mass., Elsevier, 476 p.
## 4 Eccles, D.R., Black, W., Hill, K., Molnar, R. ,and Rakhit, K., 2018, Geological introduction and maiden inferred resource estimate for Standard Lithium Ltd.'s Tetra Smackover Lithium-Brine Property in Arkansas, United States, prepared for Standard Lithium Limited [Effective date February 28, 2019]: Edmonton, Alberta, Canada, Apex Geoscience Ltd., February 28, 155 p. [Also available at http://sedar.com.]
## 5 Swanson, S.E., 2012, Mineralogy of spodumene pegmatites and related rocks in the tin-spodumene belt of North Carolina and South Carolina, USA: The Canadian Mineralogist, v. 50, p. 1589-1608.
## 6 Fourie, L., 2018, Fort Cady Project, Resource Estimation, San Bernardino County, California, USA, JORC Mineral Resource Estimate, prepared for American Pacific Borate and Lithium Limited [Issue Date January 31, 2018]: Saskatoon, SK, Canada, Terra Modelling Services Inc., February 1, 51 p., accessed August 3, 2019 at http://americanpacificborate.com/wp-content/uploads/SignificantUpgradeToJORCMineralResourceEstimate01Feb18.pdfSys.setenv(MAPBOX_TOKEN ="pk.eyJ1IjoibWlndWVsY2FicmVyYSIsImEiOiJjbG1wMzd4aXEwY2thMndycWs3Z3VyajJiIn0.0R1G5WvrEfibvJZiKR4TQg")
plot_mapbox(Base_litio) %>%
add_markers(
x = ~Long,
y = ~Lat,
size = ~Total_ppm,
color = ~Clasificacion,
colors = "Accent",
text = ~paste(Deposito, Clasificacion),
hoverinfo = "text"
)## Warning: `line.width` does not currently support multiple values.
## Warning: `line.width` does not currently support multiple values.
## Warning: `line.width` does not currently support multiple values.
## Warning: `line.width` does not currently support multiple values.
## Warning: `line.width` does not currently support multiple values.
## Warning: `line.width` does not currently support multiple values.
## Warning: `line.width` does not currently support multiple values.# Se realiza una tabla de frecuencia para contar el estado en el que se encuentra las minas según los diferentes países.
Frecuencia_EstadosMinas <- as.data.frame(table(Base_litio$País, Base_litio$Estado))
colnames(Frecuencia_EstadosMinas) <- c("País", "Estado", "Frecuencia")
Frecuencia_EstadosMinas <- Frecuencia_EstadosMinas %>% arrange(desc(Frecuencia))Estado de la minas de Litio
Estado Activo
Activa= Frecuencia_EstadosMinas %>% filter(Estado== "Activa" & Frecuencia>=1) %>% select(País, Estado, Frecuencia)
# Crear el gráfico de barras con barras más gruesas
ggplot(Activa, aes(x = reorder(País, -Frecuencia), y = Frecuencia, fill = Estado)) +
geom_bar(stat = "identity", position = "dodge", fill = "darkolivegreen4", width = 0.7, alpha = 0.8, color = "black", size = 0.1) + # Ajusta el valor de width
labs(title = "Minas de litio activas",
subtitle = "Frecuencia de minas activas en los diferentes paises del muestreo",
x = "País",
y = "Frecuencia") +
theme_minimal() +
theme(plot.title=element_text(size=14, face='bold', color='darkslategray'), axis.text.x = element_text(angle = 0, vjust = 0.5, hjust = 1)) + coord_flip()## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
Estado inactiva
Inactiva= Frecuencia_EstadosMinas %>% filter(Estado== "Inactiva" & Frecuencia>=1) %>% select(País, Estado, Frecuencia)
# Crear el gráfico de barras con barras más gruesas
ggplot(Inactiva, aes(x = reorder(País, -Frecuencia), y = Frecuencia, fill = Estado)) +
geom_bar(stat = "identity", position = "dodge", fill = "darkolivegreen4", width = 0.7, alpha = 0.8, color = "black", size = 0.1) + # Ajusta el valor de width
labs(title = "Minas de litio inactivas",
subtitle = "Frecuencia de minas inactivas en los diferentes paises del muestreo",
x = "País",
y = "Frecuencia") +
theme_minimal() +
theme(plot.title=element_text(size=14, face='bold', color='darkslategray'), axis.text.x = element_text(angle = 0, vjust = 0.5, hjust = 1)) + coord_flip()
Estado en construcción, prefactibilidad y factibilidad de las minas de le Litio
Existen tres de argentina están en un en estado de construcción, en prefactibilidad y en factibilidad, respectivamente. Estados unidos tiene una mina de litio en evaluación.
Clasificación de las minas de litio
Clasificación genética
# Contar la frecuencia de Clasificación
Tabla_clasificacion <- as.data.frame(table(Base_litio$Clasificacion))
# Cambiar los nombres de las columnas para mayor claridad
colnames(Tabla_clasificacion) <- c("Clasificación", "Frecuencia")
# Crear un gráfico de barras para Clasificación
ggplot(Tabla_clasificacion, aes(x = reorder(Clasificación, -Frecuencia), y = Frecuencia)) +
geom_bar(stat = "identity", position = "dodge", fill = "darkolivegreen4", width = 0.7, alpha = 0.8, color = "black", size = 0.1) +
labs(title = "Tipos de minas de litio",
subtitle = "Frecuencia según la clasficación genética de las minas de Litio",
x = "Clasificación",
y = "Frecuencia") +
theme_minimal() +
theme(plot.title=element_text(size=14, face='bold', color='darkslategray'), axis.text.x = element_text(angle = 0, vjust = 0.5, hjust = 1)) + coord_flip()
Clasificación específica
# Contar la frecuencia de Subclasificación
Tabla_subclasificacion <- as.data.frame(table(Base_litio$Subclasificacion))
# Cambiar los nombres de las columnas para mayor claridad
colnames(Tabla_subclasificacion) <- c("Subclasificación", "Frecuencia")
# Crear un gráfico de barras para Subclasificación
ggplot(Tabla_subclasificacion, aes(x = reorder(Subclasificación, -Frecuencia), y = Frecuencia)) +
geom_bar(stat = "identity", position = "dodge", fill = "darkolivegreen4", width = 0.7, alpha = 0.8, color = "black", size = 0.1) +
labs(title = "Tipos de minas de litio",
subtitle = "Frecuencia según la clasficación de las minas de Li",
x = "Clasificación",
y = "Frecuencia") +
theme_minimal() + theme(plot.title=element_text(size=14, face='bold', color='darkslategray'), axis.text.x = element_text(angle = 0, vjust = 0.5, hjust = 1)) + coord_flip()
Producción de minas de litio según su tipo
Partes por millón de litio
# Sedimentario
Ppm_media_sedimentario <- Base_litio %>%
filter(Clasificacion == "Sedimentario") %>%
summarize(Media_Total_ppm =mean(Total_ppm, na.rm = TRUE))
# Metamorfico
Ppm_media_metamorfico <- Base_litio %>%
filter(Clasificacion == "Metamorfico") %>%
summarize(Media_Total_ppm =mean(Total_ppm, na.rm = TRUE))
# Volcano-Sedimentario
Ppm_media_volcanosedimentario <- Base_litio %>%
filter(Clasificacion == "Volcano-Sedimentario") %>%
summarize(Media_Total_ppm =mean(Total_ppm, na.rm = TRUE))
# Igneo
Ppm_media_igneo <- Base_litio %>%
filter(Clasificacion == "Igneo") %>%
summarize(Media_Total_ppm =mean(Total_ppm, na.rm = TRUE))
# Igneo Y Metamorfico
Ppm_media_igneometamorfico <- Base_litio %>%
filter(Clasificacion == "Igneo Y Metamorfico") %>%
summarize(Media_Total_ppm =mean(Total_ppm, na.rm = TRUE))
# Metasedimentario
Ppm_media_metasedimentario <- Base_litio %>%
filter(Clasificacion == "Metasedimentario") %>%
summarize(Media_Total_ppm =mean(Total_ppm, na.rm = TRUE))
# Metavolcanico
Ppm_media_Metavolcanico <- Base_litio %>%
filter(Clasificacion == "Metavolcanico") %>%
summarize(Media_Total_ppm =mean(Total_ppm, na.rm = TRUE))
# Magmático-Hidrotermal
Ppm_media_magmahidrotermal <- Base_litio %>%
filter(Clasificacion == "Magmático-Hidrotermal") %>%
summarize(Media_Total_ppm =mean(Total_ppm, na.rm = TRUE))
Ppm_tipo = data.frame(
Clasificacion = c("Sedimentario", "Metamorfico", "Volcano-Sedimentario", "Igneo", "Igneo Y Metamorfico", "Metasedimentario", "Metavolcanico", "Magmático-Hidrotermal"),
media_ppm = c(Ppm_media_sedimentario[1, "Media_Total_ppm"], Ppm_media_metamorfico[1, "Media_Total_ppm"], Ppm_media_volcanosedimentario[1, "Media_Total_ppm"], Ppm_media_igneo[1, "Media_Total_ppm"], Ppm_media_igneometamorfico[1, "Media_Total_ppm"], Ppm_media_metasedimentario[1, "Media_Total_ppm"], Ppm_media_Metavolcanico[1, "Media_Total_ppm"], Ppm_media_magmahidrotermal[1, "Media_Total_ppm"] ))
Ppm_tipo## Clasificacion media_ppm
## 1 Sedimentario 306679.37
## 2 Metamorfico 176829.29
## 3 Volcano-Sedimentario 188537.48
## 4 Igneo 10904.33
## 5 Igneo Y Metamorfico 410.50
## 6 Metasedimentario 19612.51
## 7 Metavolcanico 457.00
## 8 Magmático-Hidrotermal 544721.50Gráfico de la media de Partes por millon de litio según su clasificación
ggplot(Ppm_tipo, aes(x = reorder(Clasificacion, -media_ppm), y = media_ppm)) +
geom_bar(stat = "identity", fill = "lightslategray", alpha = 0.8, color = "black", size = 0.1) +
labs(title = "Variación del ppm extraidas según el tipo de depósito",
subtitle = "Media de las partes por millón con escala logarítmica",
x = "Clasificación",
y = "Media partes por millón [ppm]") +
scale_y_log10(labels = scales::number_format(accuracy = 1)) +
theme_minimal() +
theme(plot.title=element_text(size=14, face='bold', color='darkslategray'), axis.text.x = element_text(angle = 0, vjust = 0.5, hjust = 1)) + coord_flip()
Porcent_Li (Porcentaje de Litio)
# Sedimentario
Porcent_Li_sedimentario <- Base_litio %>%
filter(Clasificacion == "Sedimentario") %>%
summarize(Media_Porcent =mean(Porcent_Li, na.rm = TRUE))
# Metamorfico
Porcent_Li_metamorfico <- Base_litio %>%
filter(Clasificacion == "Metamorfico") %>%
summarize(Media_Porcent =mean(Porcent_Li, na.rm = TRUE))
# Volcano-Sedimentario
Porcent_Li_volcanosedimentario <- Base_litio %>%
filter(Clasificacion == "Volcano-Sedimentario") %>%
summarize(Media_Porcent =mean(Porcent_Li, na.rm = TRUE))
# Igneo
Porcent_Li_igneo <- Base_litio %>%
filter(Clasificacion == "Igneo") %>%
summarize(Media_Porcent =mean(Porcent_Li, na.rm = TRUE))
# Igneo Y Metamorfico
Porcent_Li_igneometamorfico <- Base_litio %>%
filter(Clasificacion == "Igneo Y Metamorfico") %>%
summarize(Media_Porcent =mean(Porcent_Li, na.rm = TRUE))
# Metasedimentario
Porcent_Li_metasedimentario <- Base_litio %>%
filter(Clasificacion == "Metasedimentario") %>%
summarize(Media_Porcent =mean(Porcent_Li, na.rm = TRUE))
# Metavolcanico
Porcent_Li_Metavolcanico <- Base_litio %>%
filter(Clasificacion == "Metavolcanico") %>%
summarize(Media_Porcent =mean(Porcent_Li, na.rm = TRUE))
# Magmático-Hidrotermal
Porcent_Li_magmahidrotermal <- Base_litio %>%
filter(Clasificacion == "Magmático-Hidrotermal") %>%
summarize(Media_Porcent =mean(Porcent_Li, na.rm = TRUE))
Porcent_Li_tipo = data.frame(
Clasificacion = c("Sedimentario", "Metamorfico", "Volcano-Sedimentario", "Igneo", "Igneo Y Metamorfico", "Metasedimentario", "Metavolcanico", "Magmático-Hidrotermal"),
media_porcent = c(Porcent_Li_sedimentario[1, "Media_Porcent"], Porcent_Li_metamorfico[1, "Media_Porcent"], Porcent_Li_volcanosedimentario[1, "Media_Porcent"], Porcent_Li_igneo[1, "Media_Porcent"], Porcent_Li_igneometamorfico[1, "Media_Porcent"], Porcent_Li_metasedimentario[1, "Media_Porcent"], Porcent_Li_Metavolcanico[1, "Media_Porcent"], Porcent_Li_magmahidrotermal[1, "Media_Porcent"] ))
Porcent_Li_tipo## Clasificacion media_porcent
## 1 Sedimentario 1.4290833
## 2 Metamorfico 1.9851375
## 3 Volcano-Sedimentario 1.3600000
## 4 Igneo 2.0850000
## 5 Igneo Y Metamorfico 1.3400000
## 6 Metasedimentario 0.6507000
## 7 Metavolcanico 1.0800000
## 8 Magmático-Hidrotermal 0.9887125Gráfico de la media del porcentaje de litio según su clasificación
ggplot(Porcent_Li_tipo, aes(x = reorder(Clasificacion, -media_porcent), y = media_porcent)) +
geom_bar(stat = "identity", fill = "lightslategray", alpha = 0.8, color = "black", size = 0.1) +
labs(title = "Variación porcentual de litio extraido según el tipo de depósito",
subtitle = "Media del porcentaje de litio ",
x = "Clasificación",
y = "Media porcenteje de Li [%]") +
theme_minimal() +
theme(plot.title=element_text(size=14, face='bold', color='darkslategray'), axis.text.x = element_text(angle = 0, vjust = 0.5, hjust = 1)) + coord_flip()
Producción de mina de Litio (Produc mina)
# Sedimentario
Produc_mena_sedimentario <- Base_litio %>%
filter(Clasificacion == "Sedimentario") %>%
summarize(Media_Produc_mena =mean(Produc_mena, na.rm = TRUE))
# Metamorfico
Produc_mena_metamorfico <- Base_litio %>%
filter(Clasificacion == "Metamorfico") %>%
summarize(Media_Produc_mena =mean(Produc_mena, na.rm = TRUE))
# Volcano-Sedimentario
Produc_mena_volcanosedimentario <- Base_litio %>%
filter(Clasificacion == "Volcano-Sedimentario") %>%
summarize(Media_Produc_mena =mean(Produc_mena, na.rm = TRUE))
# Igneo
Produc_mena_igneo <- Base_litio %>%
filter(Clasificacion == "Igneo") %>%
summarize(Media_Produc_mena =mean(Produc_mena, na.rm = TRUE))
# Igneo Y Metamorfico
Produc_mena_igneometamorfico <- Base_litio %>%
filter(Clasificacion == "Igneo Y Metamorfico") %>%
summarize(Media_Produc_mena =mean(Produc_mena, na.rm = TRUE))
# Metasedimentario
Produc_mena_metasedimentario <- Base_litio %>%
filter(Clasificacion == "Metasedimentario") %>%
summarize(Media_Produc_mena =mean(Produc_mena, na.rm = TRUE))
# Metavolcanico
Produc_mena_Metavolcanico <- Base_litio %>%
filter(Clasificacion == "Metavolcanico") %>%
summarize(Media_Produc_mena =mean(Produc_mena, na.rm = TRUE))
# Magmático-Hidrotermal
Produc_mena_magmahidrotermal <- Base_litio %>%
filter(Clasificacion == "Magmático-Hidrotermal") %>%
summarize(Media_Produc_mena =mean(Produc_mena, na.rm = TRUE))
Produc_tipo = data.frame(
Clasificacion = c("Sedimentario", "Metamorfico", "Volcano-Sedimentario", "Igneo", "Igneo Y Metamorfico", "Metasedimentario", "Metavolcanico", "Magmático-Hidrotermal"),
media_produc= c(Produc_mena_sedimentario[1, "Media_Produc_mena"], Produc_mena_metamorfico[1, "Media_Produc_mena"], Produc_mena_volcanosedimentario[1, "Media_Produc_mena"], Produc_mena_igneo[1, "Media_Produc_mena"], Produc_mena_igneometamorfico[1, "Media_Produc_mena"], Produc_mena_metasedimentario[1, "Media_Produc_mena"], Produc_mena_Metavolcanico[1, "Media_Produc_mena"], Produc_mena_magmahidrotermal[1, "Media_Produc_mena"] ))
Produc_tipo## Clasificacion media_produc
## 1 Sedimentario 239.213367
## 2 Metamorfico 4.002000
## 3 Volcano-Sedimentario 2.154000
## 4 Igneo 1.827788
## 5 Igneo Y Metamorfico 2.530000
## 6 Metasedimentario 0.662500
## 7 Metavolcanico 7.460000
## 8 Magmático-Hidrotermal 12.186488Gráfico de producción media de litio según el tipo de depósito
ggplot(Produc_tipo, aes(x = reorder(Clasificacion, -media_produc), y = media_produc)) +
geom_bar(stat = "identity", fill = "lightslategray", alpha = 0.8, color = "black", size = 0.1) +
labs(title = "Variación producción de litio extraido según el tipo de depósito",
subtitle = "Media producción de litio ",
x = "Clasificación",
y = "Media producción de Li [%]") +
theme_minimal() +
theme(plot.title=element_text(size=14, face='bold', color='darkslategray'), axis.text.x = element_text(angle = 0, vjust = 0.5, hjust = 1)) + coord_flip()
Ley de corte para clasificación de tipos de depósitos de Litio
# Sedimentario
Ley_corte_sedimentario <- Base_litio %>%
filter(Clasificacion == "Sedimentario") %>%
summarize(Media_Ley_corte =mean(Ley_de_corte, na.rm = TRUE))
# Metamorfico
Ley_corte_metamorfico <- Base_litio %>%
filter(Clasificacion == "Metamorfico") %>%
summarize(Media_Ley_corte =mean(Ley_de_corte, na.rm = TRUE))
# Volcano-Sedimentario
Ley_corte_volcanosedimentario <- Base_litio %>%
filter(Clasificacion == "Volcano-Sedimentario") %>%
summarize(Media_Ley_corte =mean(Ley_de_corte, na.rm = TRUE))
# Igneo
Ley_corte_igneo <- Base_litio %>%
filter(Clasificacion == "Igneo") %>%
summarize(Media_Ley_corte =mean(Ley_de_corte, na.rm = TRUE))
# Igneo Y Metamorfico
Ley_corte_igneometamorfico <- Base_litio %>%
filter(Clasificacion == "Igneo Y Metamorfico") %>%
summarize(Media_Ley_corte =mean(Ley_de_corte, na.rm = TRUE))
# Metasedimentario
Ley_corte_metasedimentario <- Base_litio %>%
filter(Clasificacion == "Metasedimentario") %>%
summarize(Media_Ley_corte =mean(Ley_de_corte, na.rm = TRUE))
# Metavolcanico
Ley_corte_Metavolcanico <- Base_litio %>%
filter(Clasificacion == "Metavolcanico") %>%
summarize(Media_Ley_corte =mean(Ley_de_corte, na.rm = TRUE))
# Magmático-Hidrotermal
Ley_corte_magmahidrotermal <- Base_litio %>%
filter(Clasificacion == "Magmático-Hidrotermal") %>%
summarize(Media_Ley_corte =mean(Ley_de_corte, na.rm = TRUE))
LeyCorte_tipo = data.frame(
Clasificacion = c("Sedimentario", "Metamorfico", "Volcano-Sedimentario", "Igneo", "Igneo Y Metamorfico", "Metasedimentario", "Metavolcanico", "Magmático-Hidrotermal"),
media_LeyCorte = c(Ley_corte_sedimentario[1, "Media_Ley_corte"], Ley_corte_metamorfico[1, "Media_Ley_corte"], Ley_corte_volcanosedimentario[1, "Media_Ley_corte"], Ley_corte_igneo[1, "Media_Ley_corte"], Ley_corte_igneometamorfico[1, "Media_Ley_corte"], Ley_corte_metasedimentario[1, "Media_Ley_corte"], Ley_corte_Metavolcanico[1, "Media_Ley_corte"], Ley_corte_magmahidrotermal[1, "Media_Ley_corte"] ))
LeyCorte_tipo## Clasificacion media_LeyCorte
## 1 Sedimentario 1.024583
## 2 Metamorfico 0.435000
## 3 Volcano-Sedimentario 0.000000
## 4 Igneo 0.452500
## 5 Igneo Y Metamorfico 1.022500
## 6 Metasedimentario 1.235000
## 7 Metavolcanico 1.040000
## 8 Magmático-Hidrotermal 0.433750Gráfico de ley de corte media de litio según el tipo de depósito
ggplot(LeyCorte_tipo, aes(x = reorder(Clasificacion, -media_LeyCorte), y = media_LeyCorte)) +
geom_bar(stat = "identity", fill = "lightslategray", alpha = 0.8, color = "black", size = 0.1) +
labs(title = "Variación de Ley de Corte de litio según el tipo de depósito",
subtitle = "Media ley de corte de litio ",
x = "Clasificación",
y = "Media ley de corte") +
theme_minimal() +
theme(plot.title=element_text(size=14, face='bold', color='darkslategray'), axis.text.x = element_text(angle = 0, vjust = 0.5, hjust = 1)) + coord_flip()
Geoquímica sedimentaria
Geoquimca_Sedimentaria <- Base_litio %>%
filter(Clasificacion == "Sedimentario") %>%
summarize(B2O3 =mean(B2O3, na.rm = TRUE),
SO4 =mean(SO4, na.rm = TRUE),
Cl=mean(Cl, na.rm = TRUE),
Al2O3=mean(Al2O3, na.rm = TRUE),
Sr=mean(Sr, na.rm = TRUE),
Ba=mean(Ba, na.rm = TRUE),
CaO=mean(CaO, na.rm = TRUE),
MgO=mean(MgO, na.rm = TRUE),
Na2O=mean(Na2O, na.rm = TRUE),
K2O=mean(K2O, na.rm = TRUE),
H2O=mean(H2O, na.rm = TRUE),
H2BO=mean(H2BO, na.rm = TRUE),
MnO=mean(MnO, na.rm = TRUE),
TiO2=mean(TiO2, na.rm = TRUE),
CO2=mean(CO2, na.rm = TRUE),
Fe=mean(Fe, na.rm = TRUE),
SiO2=mean(SiO2, na.rm = TRUE),
Li=mean(Li, na.rm = TRUE))Nombres_Geoquimica_Sedimentaria=names(Geoquimca_Sedimentaria)
Geoquimca_Sedimentaria= rbind(Nombres_Geoquimica_Sedimentaria, Geoquimca_Sedimentaria)
# Transponer el data.frame
Geoquimca_Sedimentaria= t(Geoquimca_Sedimentaria)
# Crear un vector con los nuevos nombres de columna
nombres_columnas <- c("Elementos", "Concentracion")
# Asignar nuevos nombres a las columnas de la matriz transpuesta
colnames(Geoquimca_Sedimentaria) <- nombres_columnas
# Convertir la matriz transpuesta en un nuevo data.frame
Geoquimca_Sedimentaria <- as.data.frame(Geoquimca_Sedimentaria)
# Convertir la columna ColumnaNumerica a numérico
Geoquimca_Sedimentaria$Concentracion <- as.numeric(Geoquimca_Sedimentaria$Concentracion)
Geoquimca_Sedimentaria## Elementos Concentracion
## B2O3 B2O3 8890.356
## SO4 SO4 110024.595
## Cl Cl 84226.087
## Al2O3 Al2O3 85699.738
## Sr Sr 5310.257
## Ba Ba 187.685
## CaO CaO 4516.953
## MgO MgO 9522.901
## Na2O Na2O 100711.573
## K2O K2O 7643.868
## H2O H2O 65000.000
## H2BO H2BO 59738.830
## MnO MnO 300.500
## TiO2 TiO2 2954.785
## CO2 CO2 53179.870
## Fe Fe 88900.000
## SiO2 SiO2 164817.337
## Li Li 3955.972Gráfica geoquímica sedimentaria
ggplot(Geoquimca_Sedimentaria, aes(x = reorder(Elementos, -Concentracion), y = Concentracion)) +
geom_bar(stat = "identity", fill = "lightslategray", alpha = 0.8, color = "black", size = 0.1) +
labs(title = "Geoquímica de depósitos sedimentarios",
subtitle = "Concentración vs. Elementos",
x = "Elementos",
y = "Concentración") +
scale_y_log10(labels = scales::number_format(accuracy = 1))+
theme(axis.text.x = element_text(angle = 90, hjust = 1), plot.title = element_text(size = 14, face = 'bold', color = 'darkslategray'))
## Concentración porcentual Sedimentario
Geoquimca_Sedimentaria <- Geoquimca_Sedimentaria %>%
mutate(
Concentracion_Porcentual = (Concentracion / sum(Concentracion)) * 100,
Concentracion_Normalizada = Concentracion / max(Concentracion))
ggplot(Geoquimca_Sedimentaria, aes(x = reorder(Elementos, -Concentracion_Porcentual), y = Concentracion_Porcentual)) +
geom_bar(stat = "identity", fill = "lightslategray", alpha = 0.8, color = "black", size = 0.1) +
labs(title = "Geoquímica de depósitos sedimentarios",
subtitle = "Concentración Porcentual vs. Elementos",
x = "Elementos",
y = "Concentración Porcentual [%]") +
theme(axis.text.x = element_text(angle = 90, hjust = 1), plot.title = element_text(size = 14, face = 'bold', color = 'darkslategray'))
Geoquímica Metamorfico
Geoquimca_Metamorfico <- Base_litio %>%
filter(Clasificacion == "Metamorfico") %>%
summarize(B2O3 =mean(B2O3, na.rm = TRUE),
SO4 =mean(SO4, na.rm = TRUE),
Cl=mean(Cl, na.rm = TRUE),
Al2O3=mean(Al2O3, na.rm = TRUE),
Sr=mean(Sr, na.rm = TRUE),
Ba=mean(Ba, na.rm = TRUE),
CaO=mean(CaO, na.rm = TRUE),
MgO=mean(MgO, na.rm = TRUE),
Na2O=mean(Na2O, na.rm = TRUE),
K2O=mean(K2O, na.rm = TRUE),
H2O=mean(H2O, na.rm = TRUE),
H2BO=mean(H2BO, na.rm = TRUE),
MnO=mean(MnO, na.rm = TRUE),
TiO2=mean(TiO2, na.rm = TRUE),
CO2=mean(CO2, na.rm = TRUE),
Fe=mean(Fe, na.rm = TRUE),
SiO2=mean(SiO2, na.rm = TRUE),
Li=mean(Li, na.rm = TRUE))Nombres_Geoquimica_Metamorfico=names(Geoquimca_Metamorfico)
Geoquimca_Metamorfico= rbind(Nombres_Geoquimica_Metamorfico, Geoquimca_Metamorfico)
# Transponer el data.frame
Geoquimca_Metamorfico= t(Geoquimca_Metamorfico)
# Crear un vector con los nuevos nombres de columna
nombres_columnas <- c("Elementos", "Concentracion")
# Asignar nuevos nombres a las columnas de la matriz transpuesta
colnames(Geoquimca_Metamorfico) <- nombres_columnas
# Convertir la matriz transpuesta en un nuevo data.frame
Geoquimca_Metamorfico <- as.data.frame(Geoquimca_Metamorfico)
# Convertir la columna ColumnaNumerica a numérico
Geoquimca_Metamorfico$Concentracion <- as.numeric(Geoquimca_Metamorfico$Concentracion)
Geoquimca_Metamorfico = na.omit(Geoquimca_Metamorfico)
Geoquimca_Metamorfico## Elementos Concentracion
## Al2O3 Al2O3 47236.27
## Sr Sr 550.00
## CaO CaO 32900.07
## MgO MgO 900.30
## Na2O Na2O 18200.35
## K2O K2O 13124.14
## H2O H2O 131000.00
## MnO MnO 0.32
## TiO2 TiO2 0.06
## Fe Fe 11.00
## SiO2 SiO2 248712.33
## Li Li 14512.00Gráfica geoquímica Metamorfico
ggplot(Geoquimca_Metamorfico, aes(x = reorder(Elementos, -Concentracion), y = Concentracion)) +
geom_bar(stat = "identity", fill = "lightslategray", alpha = 0.8, color = "black", size = 0.1) +
labs(title = "Geoquímica de depósitos metamorficos",
subtitle = "Concentración vs. Elementos",
x = "Elementos",
y = "Concentración") +
scale_y_log10(labels = scales::number_format(accuracy = 1))+
theme(axis.text.x = element_text(angle = 90, hjust = 1), plot.title = element_text(size = 14, face = 'bold', color = 'darkslategray'))
## Concentración porcentual Metamorfico
Geoquimca_Metamorfico <- Geoquimca_Metamorfico %>%
mutate(
Concentracion_Porcentual = (Concentracion / sum(Concentracion)) * 100,
Concentracion_Normalizada = Concentracion / max(Concentracion))
ggplot(Geoquimca_Metamorfico, aes(x = reorder(Elementos, -Concentracion_Porcentual), y = Concentracion_Porcentual)) +
geom_bar(stat = "identity", fill = "lightslategray", alpha = 0.8, color = "black", size = 0.1) +
labs(title = "Geoquímica de depósitos Metamorfico",
subtitle = "Concentración Porcentual vs. Elementos",
x = "Elementos",
y = "Concentración Porcentual [%]") +
theme(axis.text.x = element_text(angle = 90, hjust = 1), plot.title = element_text(size = 14, face = 'bold', color = 'darkslategray'))
Geoquímica Volcano-Sedimentario
Geoquimca_Volcano_Sedimentario <- Base_litio %>%
filter(Clasificacion == "Volcano-Sedimentario") %>%
summarize(B2O3 =mean(B2O3, na.rm = TRUE),
SO4 =mean(SO4, na.rm = TRUE),
Cl=mean(Cl, na.rm = TRUE),
Al2O3=mean(Al2O3, na.rm = TRUE),
Sr=mean(Sr, na.rm = TRUE),
Ba=mean(Ba, na.rm = TRUE),
CaO=mean(CaO, na.rm = TRUE),
MgO=mean(MgO, na.rm = TRUE),
Na2O=mean(Na2O, na.rm = TRUE),
K2O=mean(K2O, na.rm = TRUE),
H2O=mean(H2O, na.rm = TRUE),
H2BO=mean(H2BO, na.rm = TRUE),
MnO=mean(MnO, na.rm = TRUE),
TiO2=mean(TiO2, na.rm = TRUE),
CO2=mean(CO2, na.rm = TRUE),
Fe=mean(Fe, na.rm = TRUE),
SiO2=mean(SiO2, na.rm = TRUE),
Li=mean(Li, na.rm = TRUE))Nombres_Geoquimica_Volcano_Sedimentario=names(Geoquimca_Volcano_Sedimentario)
Geoquimca_Volcano_Sedimentario= rbind(Nombres_Geoquimica_Volcano_Sedimentario, Geoquimca_Volcano_Sedimentario)
# Transponer el data.frame
Geoquimca_Volcano_Sedimentario= t(Geoquimca_Volcano_Sedimentario)
# Crear un vector con los nuevos nombres de columna
nombres_columnas <- c("Elementos", "Concentracion")
# Asignar nuevos nombres a las columnas de la matriz transpuesta
colnames(Geoquimca_Volcano_Sedimentario) <- nombres_columnas
# Convertir la matriz transpuesta en un nuevo data.frame
Geoquimca_Volcano_Sedimentario <- as.data.frame(Geoquimca_Volcano_Sedimentario)
# Convertir la columna ColumnaNumerica a numérico
Geoquimca_Volcano_Sedimentario$Concentracion <- as.numeric(Geoquimca_Volcano_Sedimentario$Concentracion)
Geoquimca_Volcano_Sedimentario = na.omit(Geoquimca_Volcano_Sedimentario)
Geoquimca_Volcano_Sedimentario## Elementos Concentracion
## B2O3 B2O3 1.046000e+02
## Cl Cl 9.900000e+04
## Al2O3 Al2O3 1.040633e+02
## Sr Sr 4.683333e+02
## Ba Ba 6.740000e+02
## CaO CaO 5.006750e+03
## MgO MgO 5.066667e+00
## Na2O Na2O 4.730333e+01
## K2O K2O 1.941333e+01
## H2O H2O 3.000000e-01
## MnO MnO 7.055533e+02
## TiO2 TiO2 3.400000e-01
## Fe Fe 1.197000e+01
## SiO2 SiO2 1.502774e+05
## Li Li 7.283000e+03Gráfica geoquímica Volcano_Sedimentario
ggplot(Geoquimca_Volcano_Sedimentario, aes(x = reorder(Elementos, -Concentracion), y = Concentracion)) +
geom_bar(stat = "identity", fill = "lightslategray", alpha = 0.8, color = "black", size = 0.1) +
labs(title = "Geoquímica de depósitos Volcano sedimentarios",
subtitle = "Concentración vs. Elementos",
x = "Elementos",
y = "Concentración (Escala logarítmica)") +
scale_y_log10(labels = scales::number_format(accuracy = 1))+
theme(axis.text.x = element_text(angle = 90, hjust = 1), plot.title = element_text(size = 14, face = 'bold', color = 'darkslategray'))
Concentración porcentual Volcano_Sedimentario
Geoquimca_Volcano_Sedimentario <- Geoquimca_Volcano_Sedimentario %>%
mutate(
Concentracion_Porcentual = (Concentracion / sum(Concentracion)) * 100,
Concentracion_Normalizada = Concentracion / max(Concentracion))
ggplot(Geoquimca_Volcano_Sedimentario, aes(x = reorder(Elementos, -Concentracion_Porcentual), y = Concentracion_Porcentual)) +
geom_bar(stat = "identity", fill = "lightslategray", alpha = 0.8, color = "black", size = 0.1) +
labs(title = "Geoquímica de depósitos Volcano sedimentarios",
subtitle = "Concentración Porcentual vs. Elementos",
x = "Elementos",
y = "Concentración Porcentual [%]") +
theme(axis.text.x = element_text(angle = 90, hjust = 1), plot.title = element_text(size = 14, face = 'bold', color = 'darkslategray'))
Geoquímica Igneo
Geoquimca_Igneo <- Base_litio %>%
filter(Clasificacion == "Igneo") %>%
summarize(B2O3 =mean(B2O3, na.rm = TRUE),
SO4 =mean(SO4, na.rm = TRUE),
Cl=mean(Cl, na.rm = TRUE),
Al2O3=mean(Al2O3, na.rm = TRUE),
Sr=mean(Sr, na.rm = TRUE),
Ba=mean(Ba, na.rm = TRUE),
CaO=mean(CaO, na.rm = TRUE),
MgO=mean(MgO, na.rm = TRUE),
Na2O=mean(Na2O, na.rm = TRUE),
K2O=mean(K2O, na.rm = TRUE),
H2O=mean(H2O, na.rm = TRUE),
H2BO=mean(H2BO, na.rm = TRUE),
MnO=mean(MnO, na.rm = TRUE),
TiO2=mean(TiO2, na.rm = TRUE),
CO2=mean(CO2, na.rm = TRUE),
Fe=mean(Fe, na.rm = TRUE),
SiO2=mean(SiO2, na.rm = TRUE),
Li=mean(Li, na.rm = TRUE))Nombres_Geoquimica_Igneo=names(Geoquimca_Igneo)
Geoquimca_Igneo= rbind(Nombres_Geoquimica_Igneo, Geoquimca_Igneo)
# Transponer el data.frame
Geoquimca_Igneo= t(Geoquimca_Igneo)
# Crear un vector con los nuevos nombres de columna
nombres_columnas <- c("Elementos", "Concentracion")
# Asignar nuevos nombres a las columnas de la matriz transpuesta
colnames(Geoquimca_Igneo) <- nombres_columnas
# Convertir la matriz transpuesta en un nuevo data.frame
Geoquimca_Igneo <- as.data.frame(Geoquimca_Igneo)
# Convertir la columna ColumnaNumerica a numérico
Geoquimca_Igneo$Concentracion <- as.numeric(Geoquimca_Igneo$Concentracion)
Geoquimca_Igneo= na.omit(Geoquimca_Igneo)
Geoquimca_Igneo## Elementos Concentracion
## B2O3 B2O3 8390.0000
## SO4 SO4 9128.5000
## Cl Cl 160000.0000
## Al2O3 Al2O3 3980.0167
## Sr Sr 7897.0000
## Ba Ba 6385.0000
## CaO CaO 178.2333
## MgO MgO 42.1700
## Na2O Na2O 11.6000
## K2O K2O 8.9400
## MnO MnO 678.3000
## SiO2 SiO2 347.6433
## Li Li 2230.2696Gráfica geoquímica Igneo
ggplot(Geoquimca_Igneo, aes(x = reorder(Elementos, -Concentracion), y = Concentracion)) +
geom_bar(stat = "identity", fill = "lightslategray", alpha = 0.8, color = "black", size = 0.1) +
labs(title = "Geoquímica de depósitos Igneos",
subtitle = "Concentración vs. Elementos",
x = "Elementos",
y = "Concentración") +
scale_y_log10(labels = scales::number_format(accuracy = 1))+
theme(axis.text.x = element_text(angle = 90, hjust = 1), plot.title = element_text(size = 14, face = 'bold', color = 'darkslategray'))
Concentración porcentual Igneo
Geoquimca_Igneo <- Geoquimca_Igneo %>%
mutate(
Concentracion_Porcentual = (Concentracion / sum(Concentracion)) * 100,
Concentracion_Normalizada = Concentracion / max(Concentracion))
ggplot(Geoquimca_Igneo, aes(x = reorder(Elementos, -Concentracion_Porcentual), y = Concentracion_Porcentual)) +
geom_bar(stat = "identity", fill = "lightslategray", alpha = 0.8, color = "black", size = 0.1) +
labs(title = "Geoquímica de depósitos Igneos",
subtitle = "Concentración Porcentual vs. Elementos",
x = "Elementos",
y = "Concentración Porcentual [%]") +
theme(axis.text.x = element_text(angle = 90, hjust = 1), plot.title = element_text(size = 14, face = 'bold', color = 'darkslategray'))
Geoquímica Metasedimentario
Geoquimca_Metasedimentario <- Base_litio %>%
filter(Clasificacion == "Metasedimentario") %>%
summarize(B2O3 =mean(B2O3, na.rm = TRUE),
SO4 =mean(SO4, na.rm = TRUE),
Cl=mean(Cl, na.rm = TRUE),
Al2O3=mean(Al2O3, na.rm = TRUE),
Sr=mean(Sr, na.rm = TRUE),
Ba=mean(Ba, na.rm = TRUE),
CaO=mean(CaO, na.rm = TRUE),
MgO=mean(MgO, na.rm = TRUE),
Na2O=mean(Na2O, na.rm = TRUE),
K2O=mean(K2O, na.rm = TRUE),
H2O=mean(H2O, na.rm = TRUE),
H2BO=mean(H2BO, na.rm = TRUE),
MnO=mean(MnO, na.rm = TRUE),
TiO2=mean(TiO2, na.rm = TRUE),
CO2=mean(CO2, na.rm = TRUE),
Fe=mean(Fe, na.rm = TRUE),
SiO2=mean(SiO2, na.rm = TRUE),
Li=mean(Li, na.rm = TRUE))Nombres_Geoquimica_Metasedimentario=names(Geoquimca_Metasedimentario)
Geoquimca_Metasedimentario= rbind(Nombres_Geoquimica_Metasedimentario, Geoquimca_Metasedimentario)
# Transponer el data.frame
Geoquimca_Metasedimentario= t(Geoquimca_Metasedimentario)
# Crear un vector con los nuevos nombres de columna
nombres_columnas <- c("Elementos", "Concentracion")
# Asignar nuevos nombres a las columnas de la matriz transpuesta
colnames(Geoquimca_Metasedimentario) <- nombres_columnas
# Convertir la matriz transpuesta en un nuevo data.frame
Geoquimca_Metasedimentario <- as.data.frame(Geoquimca_Metasedimentario)
# Convertir la columna ColumnaNumerica a numérico
Geoquimca_Metasedimentario$Concentracion <- as.numeric(Geoquimca_Metasedimentario$Concentracion)
Geoquimca_Metasedimentario= na.omit(Geoquimca_Metasedimentario)
Geoquimca_Metasedimentario## Elementos Concentracion
## Sr Sr 20324.000
## CaO CaO 2529.000
## MgO MgO 1500.000
## Na2O Na2O 8265.000
## K2O K2O 5971.000
## SiO2 SiO2 33.400
## Li Li 1.037Gráfica geoquímica Metasedimentario
ggplot(Geoquimca_Metasedimentario, aes(x = reorder(Elementos, -Concentracion), y = Concentracion)) +
geom_bar(stat = "identity", fill = "lightslategray", alpha = 0.8, color = "black", size = 0.1) +
labs(title = "Geoquímica de depósitos Metasedimentarios",
subtitle = "Concentración vs. Elementos",
x = "Elementos",
y = "Concentración") +
scale_y_log10(labels = scales::number_format(accuracy = 1))+
theme(axis.text.x = element_text(angle = 90, hjust = 1), plot.title = element_text(size = 14, face = 'bold', color = 'darkslategray'))
Concentración porcentual Metasedimentario
Geoquimca_Metasedimentario <- Geoquimca_Metasedimentario %>%
mutate(
Concentracion_Porcentual = (Concentracion / sum(Concentracion)) * 100,
Concentracion_Normalizada = Concentracion / max(Concentracion))
ggplot(Geoquimca_Metasedimentario, aes(x = reorder(Elementos, -Concentracion_Porcentual), y = Concentracion_Porcentual)) +
geom_bar(stat = "identity", fill = "lightslategray", alpha = 0.8, color = "black", size = 0.1) +
labs(title = "Geoquímica de depósitos Metasedimentarios",
subtitle = "Concentración Porcentual vs. Elementos",
x = "Elementos",
y = "Concentración Porcentual [%]") +
theme(axis.text.x = element_text(angle = 90, hjust = 1), plot.title = element_text(size = 14, face = 'bold', color = 'darkslategray'))
Geoquímica Magmático_Hidrotermal
Geoquimca_Magmático_Hidrotermal <- Base_litio %>%
filter(Clasificacion == "Magmático-Hidrotermal") %>%
summarize(B2O3 =mean(B2O3, na.rm = TRUE),
SO4 =mean(SO4, na.rm = TRUE),
Cl=mean(Cl, na.rm = TRUE),
Al2O3=mean(Al2O3, na.rm = TRUE),
Sr=mean(Sr, na.rm = TRUE),
Ba=mean(Ba, na.rm = TRUE),
CaO=mean(CaO, na.rm = TRUE),
MgO=mean(MgO, na.rm = TRUE),
Na2O=mean(Na2O, na.rm = TRUE),
K2O=mean(K2O, na.rm = TRUE),
H2O=mean(H2O, na.rm = TRUE),
H2BO=mean(H2BO, na.rm = TRUE),
MnO=mean(MnO, na.rm = TRUE),
TiO2=mean(TiO2, na.rm = TRUE),
CO2=mean(CO2, na.rm = TRUE),
Fe=mean(Fe, na.rm = TRUE),
SiO2=mean(SiO2, na.rm = TRUE),
Li=mean(Li, na.rm = TRUE))Nombres_Geoquimica_Magmático_Hidrotermal=names(Geoquimca_Magmático_Hidrotermal)
Geoquimca_Magmático_Hidrotermal= rbind(Nombres_Geoquimica_Magmático_Hidrotermal, Geoquimca_Magmático_Hidrotermal)
# Transponer el data.frame
Geoquimca_Magmático_Hidrotermal= t(Geoquimca_Magmático_Hidrotermal)
# Crear un vector con los nuevos nombres de columna
nombres_columnas <- c("Elementos", "Concentracion")
# Asignar nuevos nombres a las columnas de la matriz transpuesta
colnames(Geoquimca_Magmático_Hidrotermal) <- nombres_columnas
# Convertir la matriz transpuesta en un nuevo data.frame
Geoquimca_Magmático_Hidrotermal <- as.data.frame(Geoquimca_Magmático_Hidrotermal)
# Convertir la columna ColumnaNumerica a numérico
Geoquimca_Magmático_Hidrotermal$Concentracion <- as.numeric(Geoquimca_Magmático_Hidrotermal$Concentracion)
Geoquimca_Magmático_Hidrotermal= na.omit(Geoquimca_Magmático_Hidrotermal)
Geoquimca_Magmático_Hidrotermal## Elementos Concentracion
## Cl Cl 13450.000
## Al2O3 Al2O3 265250.000
## Ba Ba 38.750
## CaO CaO 3000.000
## MgO MgO 71175.000
## Na2O Na2O 22800.000
## K2O K2O 9087.500
## MnO MnO 1112.500
## TiO2 TiO2 7230.000
## SiO2 SiO2 462775.000
## Li Li 9887.125Gráfica geoquímica Magmático_Hidrotermal
ggplot(Geoquimca_Magmático_Hidrotermal, aes(x = reorder(Elementos, -Concentracion), y = Concentracion)) +
geom_bar(stat = "identity", fill = "lightslategray", alpha = 0.8, color = "black", size = 0.1) +
labs(title = "Geoquímica de depósitos Magmático_Hidrotermals",
subtitle = "Concentración vs. Elementos",
x = "Elementos",
y = "Concentración") +
scale_y_log10(labels = scales::number_format(accuracy = 1))+
theme(axis.text.x = element_text(angle = 90, hjust = 1), plot.title = element_text(size = 14, face = 'bold', color = 'darkslategray'))
Concentración porcentual Magmático_Hidrotermal
Geoquimca_Magmático_Hidrotermal <- Geoquimca_Magmático_Hidrotermal %>%
mutate(
Concentracion_Porcentual = (Concentracion / sum(Concentracion)) * 100,
Concentracion_Normalizada = Concentracion / max(Concentracion))
ggplot(Geoquimca_Magmático_Hidrotermal, aes(x = reorder(Elementos, -Concentracion_Porcentual), y = Concentracion_Porcentual)) +
geom_bar(stat = "identity", fill = "lightslategray", alpha = 0.8, color = "black", size = 0.1) +
labs(title = "Geoquímica de depósitos Magmático_Hidrotermals",
subtitle = "Concentración Porcentual vs. Elementos",
x = "Elementos",
y = "Concentración Porcentual [%]") +
theme(axis.text.x = element_text(angle = 90, hjust = 1), plot.title = element_text(size = 14, face = 'bold', color = 'darkslategray'))
Geoquímica depositos Metavolcanico y Igneo Y Metamorfico
No existen suficientes datos para interpretar la geoquímica de estos dos tipos de depósitos
Distribución de la concentración geoquímica para cada elemento
Datos estadísticos para la B2O3
summary(Base_litio$B2O3)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 21.0 65.8 168.0 8046.2 5070.0 67000.0 48Gráfico de cajas y bigotes para B2O3
ggplot(Base_litio, aes(x = factor(1), y = B2O3)) +
geom_boxplot(width = 0.5, fill = "cadetblue4", color = "black", alpha=0.6) +
geom_point(aes(y = median(B2O3, na.rm = TRUE)), shape = 23, fill = "coral3", color = "black", size = 3) +
labs(x = "B2O3", y = "Concentración") +
scale_fill_manual(values = c("lightblue")) +
scale_color_manual(values = c("cadetblue", "coral")) +
theme_minimal() + coord_cartesian(ylim = c(0, (quantile(Base_litio$B2O3, probs = 0.75, na.rm = TRUE)+1000)))## Warning: Removed 48 rows containing non-finite values (`stat_boxplot()`).
Histograma de B2O3
ggplot(data = data.frame(x = Base_litio$B2O3), aes(x))+ geom_density(fill = "lightslategray", alpha = 0.5) +
geom_vline(aes(xintercept = mean(x, na.rm=TRUE), color = "Media"), linetype = "solid", size = 1) +
geom_vline(aes(xintercept = median(x, na.rm = TRUE), color = "Mediana"), linetype = "solid", size = 1) +
scale_color_manual(values = c(Media = "royalblue4", Mediana = "tomato3")) +
labs(title = "Histograma B2O3", subtitle = "Concentración de B2O3",x = "Concentración", y = "Densidad")+
theme(plot.title=element_text(size=14, face='bold', color='darkslategray')) + coord_cartesian(xlim = c(0, max(Base_litio$B2O3, na.ram=TRUE)))## Warning: Removed 48 rows containing non-finite values (`stat_density()`).
Datos estadísticos para la SO4
summary(Base_litio$SO4)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 11 580 8300 98154 17800 496000 42Gráfico de cajas y bigotes para SO4
ggplot(Base_litio, aes(x = factor(1), y = SO4)) +
geom_boxplot(width = 0.5, fill = "cadetblue4", color = "black", alpha=0.6) +
geom_point(aes(y = median(SO4, na.rm = TRUE)), shape = 23, fill = "coral3", color = "black", size = 3) +
labs(x = "SO4", y = "Concentración") +
scale_fill_manual(values = c("lightblue")) +
scale_color_manual(values = c("cadetblue", "coral")) +
theme_minimal() + coord_cartesian(ylim = c(0, (quantile(Base_litio$SO4, probs = 0.75, na.rm = TRUE)+30000)))## Warning: Removed 42 rows containing non-finite values (`stat_boxplot()`).
Histograma de SO4
ggplot(data = data.frame(x = Base_litio$SO4), aes(x))+ geom_density(fill = "lightslategray", alpha = 0.5) +
geom_vline(aes(xintercept = mean(x, na.rm=TRUE), color = "Media"), linetype = "solid", size = 1) +
geom_vline(aes(xintercept = median(x, na.rm = TRUE), color = "Mediana"), linetype = "solid", size = 1) +
scale_color_manual(values = c(Media = "royalblue4", Mediana = "tomato3")) +
labs(title = "Histograma SO4", subtitle = "Concentración de SO4",x = "Concentración", y = "Densidad")+
theme(plot.title=element_text(size=14, face='bold', color='darkslategray')) + coord_cartesian(xlim = c(0, max(Base_litio$SO4, na.ram=TRUE)))## Warning: Removed 42 rows containing non-finite values (`stat_density()`).
Datos estadísticos para la Cl
summary(Base_litio$Cl)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 108.4 13000.0 71800.0 72899.2 150000.0 168000.0 42Gráfico de cajas y bigotes para Cl
ggplot(Base_litio, aes(x = factor(1), y = Cl)) +
geom_boxplot(width = 0.5, fill = "cadetblue4", color = "black", alpha=0.6) +
geom_point(aes(y = median(Cl, na.rm = TRUE)), shape = 23, fill = "coral3", color = "black", size = 3) +
labs(x = "Cl", y = "Concentración") +
scale_fill_manual(values = c("lightblue")) +
scale_color_manual(values = c("cadetblue", "coral")) +
theme_minimal() + coord_cartesian(ylim = c(0, (quantile(Base_litio$Cl, probs = 0.75, na.rm = TRUE)+100000)))## Warning: Removed 42 rows containing non-finite values (`stat_boxplot()`).
Histograma de Cl
ggplot(data = data.frame(x = Base_litio$Cl), aes(x))+ geom_density(fill = "lightslategray", alpha = 0.5) +
geom_vline(aes(xintercept = mean(x, na.rm=TRUE), color = "Media"), linetype = "solid", size = 1) +
geom_vline(aes(xintercept = median(x, na.rm = TRUE), color = "Mediana"), linetype = "solid", size = 1) +
scale_color_manual(values = c(Media = "royalblue4", Mediana = "tomato3")) +
labs(title = "Histograma Cl", subtitle = "Concentración de Cl",x = "Concentración", y = "Densidad")+
theme(plot.title=element_text(size=14, face='bold', color='darkslategray')) + coord_cartesian(xlim = c(0, max(Base_litio$Cl, na.ram=TRUE)))## Warning: Removed 42 rows containing non-finite values (`stat_density()`).
Datos estadísticos para la Al2O3
summary(Base_litio$Al2O3)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 12.3 135.5 29272.5 94407.7 140450.0 320000.0 43Gráfico de cajas y bigotes para Al2O3
ggplot(Base_litio, aes(x = factor(1), y = Al2O3)) +
geom_boxplot(width = 0.5, fill = "cadetblue4", color = "black", alpha=0.6) +
geom_point(aes(y = median(Al2O3, na.rm = TRUE)), shape = 23, fill = "coral3", color = "black", size = 3) +
labs(x = "Al2O3", y = "Concentración") +
scale_fill_manual(values = c("lightblue")) +
scale_color_manual(values = c("cadetblue", "coral")) +
theme_minimal() + coord_cartesian(ylim = c(0, (quantile(Base_litio$Al2O3, probs = 0.75, na.rm = TRUE)+200000)))## Warning: Removed 43 rows containing non-finite values (`stat_boxplot()`).
Histograma de Al2O3
ggplot(data = data.frame(x = Base_litio$Al2O3), aes(x))+ geom_density(fill = "lightslategray", alpha = 0.5) +
geom_vline(aes(xintercept = mean(x, na.rm=TRUE), color = "Media"), linetype = "solid", size = 1) +
geom_vline(aes(xintercept = median(x, na.rm = TRUE), color = "Mediana"), linetype = "solid", size = 1) +
scale_color_manual(values = c(Media = "royalblue4", Mediana = "tomato3")) +
labs(title = "Histograma Al2O3", subtitle = "Concentración de Al2O3",x = "Concentración", y = "Densidad")+
theme(plot.title=element_text(size=14, face='bold', color='darkslategray')) + coord_cartesian(xlim = c(0, max(Base_litio$Al2O3, na.ram=TRUE)))## Warning: Removed 43 rows containing non-finite values (`stat_density()`).
Datos estadísticos para la Sr
summary(Base_litio$Sr)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 2.149 34.000 400.000 5197.887 4429.000 24000.000 44Gráfico de cajas y bigotes para Sr
ggplot(Base_litio, aes(x = factor(1), y = Sr)) +
geom_boxplot(width = 0.5, fill = "cadetblue4", color = "black", alpha=0.6) +
geom_point(aes(y = median(Sr, na.rm = TRUE)), shape = 23, fill = "coral3", color = "black", size = 3) +
labs(x = "Sr", y = "Concentración") +
scale_fill_manual(values = c("lightblue")) +
scale_color_manual(values = c("cadetblue", "coral")) +
theme_minimal() + coord_cartesian(ylim = c(0, (quantile(Base_litio$Sr, probs = 0.75, na.rm = TRUE)+5000)))## Warning: Removed 44 rows containing non-finite values (`stat_boxplot()`).
Histograma de Sr
ggplot(data = data.frame(x = Base_litio$Sr), aes(x))+ geom_density(fill = "lightslategray", alpha = 0.5) +
geom_vline(aes(xintercept = mean(x, na.rm=TRUE), color = "Media"), linetype = "solid", size = 1) +
geom_vline(aes(xintercept = median(x, na.rm = TRUE), color = "Mediana"), linetype = "solid", size = 1) +
scale_color_manual(values = c(Media = "royalblue4", Mediana = "tomato3")) +
labs(title = "Histograma Sr", subtitle = "Concentración de Sr",x = "Concentración", y = "Densidad")+
theme(plot.title=element_text(size=14, face='bold', color='darkslategray')) + coord_cartesian(xlim = c(0, max(Base_litio$Sr, na.ram=TRUE)))## Warning: Removed 44 rows containing non-finite values (`stat_density()`).
Datos estadísticos para la Ba
summary(Base_litio$Ba)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 6.74 36.50 42.00 785.34 568.00 6385.00 48Gráfico de cajas y bigotes para Ba
ggplot(Base_litio, aes(x = factor(1), y = Ba)) +
geom_boxplot(width = 0.5, fill = "cadetblue4", color = "black", alpha=0.6) +
geom_point(aes(y = median(Ba, na.rm = TRUE)), shape = 23, fill = "coral3", color = "black", size = 3) +
labs(x = "Ba", y = "Concentración") +
scale_fill_manual(values = c("lightblue")) +
scale_color_manual(values = c("cadetblue", "coral")) +
theme_minimal() + coord_cartesian(ylim = c(0, (quantile(Base_litio$Ba, probs = 0.75, na.rm = TRUE)+300)))## Warning: Removed 48 rows containing non-finite values (`stat_boxplot()`).
Histograma de Ba
ggplot(data = data.frame(x = Base_litio$Ba), aes(x))+ geom_density(fill = "lightslategray", alpha = 0.5) +
geom_vline(aes(xintercept = mean(x, na.rm=TRUE), color = "Media"), linetype = "solid", size = 1) +
geom_vline(aes(xintercept = median(x, na.rm = TRUE), color = "Mediana"), linetype = "solid", size = 1) +
scale_color_manual(values = c(Media = "royalblue4", Mediana = "tomato3")) +
labs(title = "Histograma Ba", subtitle = "Concentración de Ba",x = "Concentración", y = "Densidad")+
theme(plot.title=element_text(size=14, face='bold', color='darkslategray')) + coord_cartesian(xlim = c(0, max(Base_litio$Ba, na.ram=TRUE)))## Warning: Removed 48 rows containing non-finite values (`stat_density()`).
Datos estadísticos para la CaO
summary(Base_litio$CaO)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 0.22 51.04 560.00 6793.97 2764.50 94300.00 28Gráfico de cajas y bigotes para CaO
ggplot(Base_litio, aes(x = factor(1), y = CaO)) +
geom_boxplot(width = 0.5, fill = "cadetblue4", color = "black", alpha=0.6) +
geom_point(aes(y = median(CaO, na.rm = TRUE)), shape = 23, fill = "coral3", color = "black", size = 3) +
labs(x = "CaO", y = "Concentración") +
scale_fill_manual(values = c("lightblue")) +
scale_color_manual(values = c("cadetblue", "coral")) +
theme_minimal() + coord_cartesian(ylim = c(0, (quantile(Base_litio$CaO, probs = 0.75, na.rm = TRUE)+3000)))## Warning: Removed 28 rows containing non-finite values (`stat_boxplot()`).
Histograma de CaO
ggplot(data = data.frame(x = Base_litio$CaO), aes(x))+ geom_density(fill = "lightslategray", alpha = 0.5) +
geom_vline(aes(xintercept = mean(x, na.rm=TRUE), color = "Media"), linetype = "solid", size = 1) +
geom_vline(aes(xintercept = median(x, na.rm = TRUE), color = "Mediana"), linetype = "solid", size = 1) +
scale_color_manual(values = c(Media = "royalblue4", Mediana = "tomato3")) +
labs(title = "Histograma CaO", subtitle = "Concentración de CaO",x = "Concentración", y = "Densidad")+
theme(plot.title=element_text(size=14, face='bold', color='darkslategray')) + coord_cartesian(xlim = c(0, max(Base_litio$CaO, na.ram=TRUE)))## Warning: Removed 28 rows containing non-finite values (`stat_density()`).
Datos estadísticos para la MgO
summary(Base_litio$MgO)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 0.9 119.3 1800.0 20360.0 9581.2 136300.0 21Gráfico de cajas y bigotes para MgO
ggplot(Base_litio, aes(x = factor(1), y = MgO)) +
geom_boxplot(width = 0.5, fill = "cadetblue4", color = "black", alpha=0.6) +
geom_point(aes(y = median(MgO, na.rm = TRUE)), shape = 23, fill = "coral3", color = "black", size = 3) +
labs(x = "MgO", y = "Concentración") +
scale_fill_manual(values = c("lightblue")) +
scale_color_manual(values = c("cadetblue", "coral")) +
theme_minimal() + coord_cartesian(ylim = c(0, (quantile(Base_litio$MgO, probs = 0.75, na.rm = TRUE)+10000)))## Warning: Removed 21 rows containing non-finite values (`stat_boxplot()`).
Histograma de MgO
ggplot(data = data.frame(x = Base_litio$MgO), aes(x))+ geom_density(fill = "lightslategray", alpha = 0.5) +
geom_vline(aes(xintercept = mean(x, na.rm=TRUE), color = "Media"), linetype = "solid", size = 1) +
geom_vline(aes(xintercept = median(x, na.rm = TRUE), color = "Mediana"), linetype = "solid", size = 1) +
scale_color_manual(values = c(Media = "royalblue4", Mediana = "tomato3")) +
labs(title = "Histograma MgO", subtitle = "Concentración de MgO",x = "Concentración", y = "Densidad")+
theme(plot.title=element_text(size=14, face='bold', color='darkslategray')) + coord_cartesian(xlim = c(0, max(Base_litio$MgO, na.ram=TRUE)))## Warning: Removed 21 rows containing non-finite values (`stat_density()`).
Datos estadísticos para la Na2O
summary(Base_litio$Na2O)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 0.7 66.8 21000.0 69166.9 85000.0 392000.0 25Gráfico de cajas y bigotes para Na2O
ggplot(Base_litio, aes(x = factor(1), y = Na2O)) +
geom_boxplot(width = 0.5, fill = "cadetblue4", color = "black", alpha=0.6) +
geom_point(aes(y = median(Na2O, na.rm = TRUE)), shape = 23, fill = "coral3", color = "black", size = 3) +
labs(x = "Na2O", y = "Concentración") +
scale_fill_manual(values = c("lightblue")) +
scale_color_manual(values = c("cadetblue", "coral")) +
theme_minimal() + coord_cartesian(ylim = c(0, (quantile(Base_litio$Na2O, probs = 0.75, na.rm = TRUE)+90000)))## Warning: Removed 25 rows containing non-finite values (`stat_boxplot()`).
Histograma de Na2O
ggplot(data = data.frame(x = Base_litio$Na2O), aes(x))+ geom_density(fill = "lightslategray", alpha = 0.5) +
geom_vline(aes(xintercept = mean(x, na.rm=TRUE), color = "Media"), linetype = "solid", size = 1) +
geom_vline(aes(xintercept = median(x, na.rm = TRUE), color = "Mediana"), linetype = "solid", size = 1) +
scale_color_manual(values = c(Media = "royalblue4", Mediana = "tomato3")) +
labs(title = "Histograma Na2O", subtitle = "Concentración de Na2O",x = "Concentración", y = "Densidad")+
theme(plot.title=element_text(size=14, face='bold', color='darkslategray')) + coord_cartesian(xlim = c(0, max(Base_litio$Na2O, na.ram=TRUE)))## Warning: Removed 25 rows containing non-finite values (`stat_density()`).
Datos estadísticos para la K2O
summary(Base_litio$K2O)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 2.40 17.17 643.63 7161.18 6967.50 51200.00 27Gráfico de cajas y bigotes para K2O
ggplot(Base_litio, aes(x = factor(1), y = K2O)) +
geom_boxplot(width = 0.5, fill = "cadetblue4", color = "black", alpha=0.6) +
geom_point(aes(y = median(K2O, na.rm = TRUE)), shape = 23, fill = "coral3", color = "black", size = 3) +
labs(x = "K2O", y = "Concentración") +
scale_fill_manual(values = c("lightblue")) +
scale_color_manual(values = c("cadetblue", "coral")) +
theme_minimal() + coord_cartesian(ylim = c(0, (quantile(Base_litio$K2O, probs = 0.75, na.rm = TRUE)+30000)))## Warning: Removed 27 rows containing non-finite values (`stat_boxplot()`).
Histograma de K2O
ggplot(data = data.frame(x = Base_litio$K2O), aes(x))+ geom_density(fill = "lightslategray", alpha = 0.5) +
geom_vline(aes(xintercept = mean(x, na.rm=TRUE), color = "Media"), linetype = "solid", size = 1) +
geom_vline(aes(xintercept = median(x, na.rm = TRUE), color = "Mediana"), linetype = "solid", size = 1) +
scale_color_manual(values = c(Media = "royalblue4", Mediana = "tomato3")) +
labs(title = "Histograma K2O", subtitle = "Concentración de K2O",x = "Concentración", y = "Densidad")+
theme(plot.title=element_text(size=14, face='bold', color='darkslategray')) + coord_cartesian(xlim = c(0, max(Base_litio$K2O, na.ram=TRUE)))## Warning: Removed 27 rows containing non-finite values (`stat_density()`).
Datos estadísticos para la MnO
summary(Base_litio$MnO)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 0.32 1.00 345.00 707.91 1450.00 2100.00 46Gráfico de cajas y bigotes para MnO
ggplot(Base_litio, aes(x = factor(1), y = MnO)) +
geom_boxplot(width = 0.5, fill = "cadetblue4", color = "black", alpha=0.6) +
geom_point(aes(y = median(MnO, na.rm = TRUE)), shape = 23, fill = "coral3", color = "black", size = 3) +
labs(x = "MnO", y = "Concentración") +
scale_fill_manual(values = c("lightblue")) +
scale_color_manual(values = c("cadetblue", "coral")) +
theme_minimal() + coord_cartesian(ylim = c(0, (quantile(Base_litio$MnO, probs = 0.75, na.rm = TRUE)+1000)))## Warning: Removed 46 rows containing non-finite values (`stat_boxplot()`).
Histograma de MnO
ggplot(data = data.frame(x = Base_litio$MnO), aes(x))+ geom_density(fill = "lightslategray", alpha = 0.5) +
geom_vline(aes(xintercept = mean(x, na.rm=TRUE), color = "Media"), linetype = "solid", size = 1) +
geom_vline(aes(xintercept = median(x, na.rm = TRUE), color = "Mediana"), linetype = "solid", size = 1) +
scale_color_manual(values = c(Media = "royalblue4", Mediana = "tomato3")) +
labs(title = "Histograma MnO", subtitle = "Concentración de MnO",x = "Concentración", y = "Densidad")+
theme(plot.title=element_text(size=14, face='bold', color='darkslategray')) + coord_cartesian(xlim = c(0, max(Base_litio$MnO, na.ram=TRUE)))## Warning: Removed 46 rows containing non-finite values (`stat_density()`).
Datos estadísticos para la TiO2
summary(Base_litio$TiO2)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 0.06 0.37 404.79 3483.07 8450.00 9500.00 49Gráfico de cajas y bigotes para TiO2
ggplot(Base_litio, aes(x = factor(1), y = TiO2)) +
geom_boxplot(width = 0.5, fill = "cadetblue4", color = "black", alpha=0.6) +
geom_point(aes(y = median(TiO2, na.rm = TRUE)), shape = 23, fill = "coral3", color = "black", size = 3) +
labs(x = "TiO2", y = "Concentración") +
scale_fill_manual(values = c("lightblue")) +
scale_color_manual(values = c("cadetblue", "coral")) +
theme_minimal() + coord_cartesian(ylim = c(0, (quantile(Base_litio$TiO2, probs = 0.75, na.rm = TRUE)+7000)))## Warning: Removed 49 rows containing non-finite values (`stat_boxplot()`).
Histograma de TiO2
ggplot(data = data.frame(x = Base_litio$TiO2), aes(x))+ geom_density(fill = "lightslategray", alpha = 0.5) +
geom_vline(aes(xintercept = mean(x, na.rm=TRUE), color = "Media"), linetype = "solid", size = 1) +
geom_vline(aes(xintercept = median(x, na.rm = TRUE), color = "Mediana"), linetype = "solid", size = 1) +
scale_color_manual(values = c(Media = "royalblue4", Mediana = "tomato3")) +
labs(title = "Histograma TiO2", subtitle = "Concentración de TiO2",x = "Concentración", y = "Densidad")+
theme(plot.title=element_text(size=14, face='bold', color='darkslategray')) + coord_cartesian(xlim = c(0, max(Base_litio$TiO2, na.ram=TRUE)))## Warning: Removed 49 rows containing non-finite values (`stat_density()`).
Datos estadísticos para la SiO2
summary(Base_litio$SiO2)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 5 115 872 193904 350000 800000 34Gráfico de cajas y bigotes para SiO2
ggplot(Base_litio, aes(x = factor(1), y = SiO2)) +
geom_boxplot(width = 0.5, fill = "cadetblue4", color = "black", alpha=0.6) +
geom_point(aes(y = median(SiO2, na.rm = TRUE)), shape = 23, fill = "coral3", color = "black", size = 3) +
labs(x = "SiO2", y = "Concentración") +
scale_fill_manual(values = c("lightblue")) +
scale_color_manual(values = c("cadetblue", "coral")) +
theme_minimal() + coord_cartesian(ylim = c(0, (quantile(Base_litio$SiO2, probs = 0.75, na.rm = TRUE)+300000)))## Warning: Removed 34 rows containing non-finite values (`stat_boxplot()`).
Histograma de SiO2
ggplot(data = data.frame(x = Base_litio$SiO2), aes(x))+ geom_density(fill = "lightslategray", alpha = 0.5) +
geom_vline(aes(xintercept = mean(x, na.rm=TRUE), color = "Media"), linetype = "solid", size = 1) +
geom_vline(aes(xintercept = median(x, na.rm = TRUE), color = "Mediana"), linetype = "solid", size = 1) +
scale_color_manual(values = c(Media = "royalblue4", Mediana = "tomato3")) +
labs(title = "Histograma SiO2", subtitle = "Concentración de SiO2",x = "Concentración", y = "Densidad")+
theme(plot.title=element_text(size=14, face='bold', color='darkslategray')) + coord_cartesian(xlim = c(0, max(Base_litio$SiO2, na.ram=TRUE)))## Warning: Removed 34 rows containing non-finite values (`stat_density()`).
Datos estadísticos para la H2O, H2BO, CO2, Fe
Debido a que eran muy pocos datos de geoquímica relacionados con estos elementos, no tenía sentido realizar las anteriores gráficas. Interpretar los datos según lo siguiente.
H2O
summary(Base_litio$H2O)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 0.3 32500.2 65000.0 65333.4 98000.0 131000.0 56H2BO
summary(Base_litio$H2BO)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 377.7 30058.2 59738.8 59738.8 89419.4 119100.0 57CO2
summary(Base_litio$CO2)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 1360 27270 53180 53180 79090 105000 57Fe
summary(Base_litio$Fe)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 11.00 11.48 11.97 29640.99 44455.98 88900.00 56Datos estadísticos para la Li
summary(Base_litio$Li)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 0 120 345 5604 5560 66000 2Gráfico de cajas y bigotes para Li
ggplot(Base_litio, aes(x = factor(1), y = Li)) +
geom_boxplot(width = 0.5, fill = "cadetblue4", color = "black", alpha=0.6) +
geom_point(aes(y = median(Li, na.rm = TRUE)), shape = 23, fill = "coral3", color = "black", size = 3) +
labs(x = "Li", y = "Concentración") +
scale_fill_manual(values = c("lightblue")) +
scale_color_manual(values = c("cadetblue", "coral")) +
theme_minimal() + coord_cartesian(ylim = c(0, (quantile(Base_litio$Li, probs = 0.75, na.rm = TRUE)+10000)))## Warning: Removed 2 rows containing non-finite values (`stat_boxplot()`).
Histograma de Li
ggplot(data = data.frame(x = Base_litio$Li), aes(x))+ geom_density(fill = "lightslategray", alpha = 0.5) +
geom_vline(aes(xintercept = mean(x, na.rm=TRUE), color = "Media"), linetype = "solid", size = 1) +
geom_vline(aes(xintercept = median(x, na.rm = TRUE), color = "Mediana"), linetype = "solid", size = 1) +
scale_color_manual(values = c(Media = "royalblue4", Mediana = "tomato3")) +
labs(title = "Histograma Li", subtitle = "Concentración de Li",x = "Concentración", y = "Densidad")+
theme(plot.title=element_text(size=14, face='bold', color='darkslategray')) + coord_cartesian(xlim = c(0, max(Base_litio$Li, na.ram=TRUE)))## Warning: Removed 2 rows containing non-finite values (`stat_density()`).
Corelación de cada elemento con el litio
# Lista de nombres de variables con las que deseas calcular la correlación
variables_de_correlacion <- c("B2O3", "SO4", "Cl", "Al2O3", "Sr","Ba", "CaO","MgO","Na2O","K2O","H2O","H2BO","MnO","TiO2","CO2","Fe","SiO2","Li")
# Crear un data frame para almacenar los resultados de la correlación
resultados_correlacion <- data.frame(Variable1 = character(0), Variable2 = character(0), Correlacion = numeric(0))
# Bucle para calcular las correlaciones
for (variable in variables_de_correlacion) {
correlacion <- cor(Base_litio$Li, Base_litio[[variable]], use = "pairwise.complete.obs")
resultados_correlacion <- rbind(resultados_correlacion, data.frame(Variable1 = "Li", Variable2 = variable, Correlacion = correlacion))
}
# Mostrar el data frame con los resultados de la correlación
resultados_correlacion## Variable1 Variable2 Correlacion
## 1 Li B2O3 -0.19371121
## 2 Li SO4 -0.21776286
## 3 Li Cl -0.51581906
## 4 Li Al2O3 -0.32927302
## 5 Li Sr -0.18546160
## 6 Li Ba -0.18914256
## 7 Li CaO -0.11644633
## 8 Li MgO 0.62092437
## 9 Li Na2O -0.27595460
## 10 Li K2O -0.01199707
## 11 Li H2O -1.00000000
## 12 Li H2BO -1.00000000
## 13 Li MnO -0.32756176
## 14 Li TiO2 -0.51471129
## 15 Li CO2 NA
## 16 Li Fe 0.37564618
## 17 Li SiO2 -0.04200445
## 18 Li Li 1.00000000cor(Base_litio$B2O3, Base_litio$Li, use = "pairwise.complete.obs")## [1] -0.1937112