TAREA MAPTEK

[Subtítulo del documento]

22 DE JUNIO DE 2018
MARCELO LINCOVIL CÁCERES
[Dirección de la compañía]
 Citation Program in Applied Geostatistics
Exercise W01-01: Mathematical Review
Question 1

Para que quede de una major forma y más facil deriver la función entregada se emplea a desarrollar
el polinomío, el cual se muestra a continuación:
𝑓(𝑥, 𝑦) = 𝑎𝑥 2 + 𝑎𝑥𝑦 + 𝑏𝑥𝑦 + 𝑏𝑦 2
Posteriormente se realiza las derivadas parciales para cada variable
- Derivada variable x
𝜕𝑓(𝑥, 𝑦)⁄
𝜕𝑥 = 2𝑎𝑥 + 𝑎𝑦
- Derivada variable y
𝜕𝑓(𝑥, 𝑦)
⁄𝜕𝑦 = 2𝑏𝑦 + 𝑏𝑥

Question 2

Se realiza la separación de las variables para una mejor y facíl integración

5 5 5
1 1
∫ 𝑥 2 𝑑𝑥 + ∫ 𝑥 3 𝑑𝑥 − ∫ 𝑥 5 𝑑𝑥
2 4
0 0 0

Se realiza la integración de cada integral con su evaluación en los limites inferiores (0) y superiores
(5), obteniendose el siguiente resultado:
1 3 1 4 1 6
𝑥 + 𝑥 − 𝑥
2∙3 4 4∙6
1 3 1 4 1
5 + 5 − 56
6 4 24
−473.96

Question 3

Matriz AB
5 2 1 13
[ ][ ] = [ ]
2 3 4 14
Matriz CB

[5 2] [1] = [13]
4
Question 4

La función entregada posee la siguiente forma:

n n 
2
 n

Y   a z     a a z z 
2
 1   1 1 
Donde 𝑎𝛼 𝑧𝛼 corresponde a 𝜆𝑖 y 𝑎𝛽 𝑧𝛽 corresponde a 𝜆𝑗 , por lo cual al deriver licha función
encontraremos un resultado del tipo
 
Y 2 
  a a  2 z0  a z
 
  z z
   
a0 a0 
   

Por lo cual, en el caso del ejercicio quedará de la siguiente manera:

4 4
f (k )   i  j =
𝜕𝑓(𝜆𝑘 )
𝜕𝜆𝑖0
= 2𝜆𝑖0 ∑4𝑗=1 𝜆𝑗
i 1 j 1

Siendo así, se tendrá un función de la siguiente manera:

𝑓(𝜆4 ) = 2 ∗ 𝜆𝑖0 ∗ (𝜆1 + 𝜆2 + 𝜆3 + 𝜆4 )

Optional Question
De la matriz mostrada se solicita obtener 2 lamba, implicando que se solicitará una matriz de 2x2,
como la mostrada a continuación:

𝐶(𝑢1 − 𝑢1 ) 𝐶(𝑢1 − 𝑢2 ) 𝜆1 𝐶(𝑢1 − 𝑢0 )

[ ][ ] = [ ]
𝐶(𝑢2 − 𝑢1 ) 𝐶(𝑢2 − 𝑢2 ) 𝜆2 𝐶(𝑢2 − 𝑢0 )
Como se solicita obtner los valores de lamba se multiplica por la matriz inversa de la matriz 2x2, lo
cual queda de la siguiente manera:

𝜆 𝐶(𝑢1 − 𝑢1 ) 𝐶(𝑢1 − 𝑢2 ) −1 𝐶(𝑢1 − 𝑢0 )

[ 1] = [ ] [ ]
𝜆2 𝐶(𝑢2 − 𝑢1 ) 𝐶(𝑢2 − 𝑢2 ) 𝐶(𝑢2 − 𝑢0 )
Donde la matriz inversa queda definida de la siguiente forma:

1 𝐶(𝑢2 − 𝑢2 ) −𝐶(𝑢1 − 𝑢2 )
[𝑀]−1 = [ ]
𝐶(𝑢1 − 𝑢1 ) ∗ 𝐶(𝑢2 − 𝑢2 ) − 𝐶(𝑢2 − 𝑢1 ) ∗ 𝐶(𝑢1 − 𝑢2 ) −𝐶(𝑢2 − 𝑢1 ) 𝐶(𝑢1 − 𝑢1 )
Por lo cual
𝜆1 = 𝐷𝑒𝑡[𝑀]−1 ∗ (𝐶(𝑢2 − 𝑢2 ) ∗ 𝐶(𝑢1 − 𝑢0 ) − 𝐶(𝑢1 − 𝑢2 ) ∗ 𝐶(𝑢2 − 𝑢0 ))
 𝜆2 = 𝐷𝑒𝑡[𝑀]−1 ∗ (−𝐶(𝑢2 − 𝑢1 ) ∗ 𝐶(𝑢1 − 𝑢0 ) + 𝐶(𝑢1 − 𝑢1 ) ∗ 𝐶(𝑢2 − 𝑢0 ))

Exercise W02-04: Kriging I

Question 1

Se tiene que la covarianza viene definida por la bivariada de la siguiente manera

𝐶𝑜𝑣{𝑍(𝑢), 𝑍(𝑢 + ℎ)} = 𝐸{[𝑍(𝑢) − 𝑚(𝑢)][𝑍(𝑢 + ℎ) − 𝑚(𝑢 + ℎ)]}

Donde la estacionalidad nos permite obtener:
= 𝐸{[𝑍(𝑢)𝑍(𝑢 + ℎ) − 𝑍(𝑢)𝑚(𝑢 + ℎ) − 𝑚(𝑢)𝑍(𝑢 + ℎ) + 𝑚(𝑢)𝑚(𝑢 + ℎ)}

= 𝐸{[𝑍(𝑢)𝑍(𝑢 + ℎ)]} − 𝑚(𝑢 + ℎ)𝐸{[𝑍(𝑢)]} − 𝑚(𝑢)𝐸{[𝑍(𝑢 + ℎ)]} + 𝑚(𝑢)𝑚(𝑢 + ℎ)

Al ser un valor estacionario constante en la estacionaridad se tiene:
= 𝐸{[𝑍(𝑢)𝑍(𝑢 + ℎ)]} − 𝑚 ∙ 𝑚 − 𝑚 ∙ 𝑚 + 𝑚 ∙ 𝑚
= 𝐸{[𝑍(𝑢)𝑍(𝑢 + ℎ)]} − 𝑚2
Obteniendose así que la varianza para 0 es igual a la covarianza
𝑉𝑎𝑟{[𝑍(𝑢)]} = 𝐸{ [𝑍(𝑢) − 𝑚]2 } = 𝐸{ [𝑍(𝑢)]2 } − 𝑚2

Question 5

Se tiene los siguientes parametros:

Distancia muestra 1 (0,87) a punto a estimar (T)= 90.14[m]
Distancia muestra 2 (1,72) a punto a estimar (T)= 106.07[m]
Distancia entre muestras= 125[m]
C(90.14)=0.339
C(106.07)=0.28
C(125)= 0.223 0,950271
Con estos parametros se es possible hacer la matriz para obtener los pesos de cada muestra, el cual
será:
𝐶1−1 𝐶1−2 𝑊 𝐶
[ ] ∗ [ 1 ] = [ 1−𝑇 ]
𝐶2−1 𝐶2−2 𝑊2 𝐶2−𝑇

1 0.223 𝑊 0.339
[ ] ∗ [ 1] = [ ]
0.223 1 𝑊2 0.28
 𝑊 1 0.223 −1 0.339
[ 1] = [ ] [ ]
𝑊2 0.223 1 0.28

𝑊1 0.291
[ ]=[ ]
𝑊2 0.215
Por lo cual, la ley a estimar para el punto T será:
𝑇 = (0.87 − 1.3) ∗ 0.291 + (1.72 − 1.3) ∗ 0.215 + 1.3
𝑇 = 1.27%