Scribd Logo
Carregar

Bem-vindo(a) ao Scribd!

  • 34 visualizações

    Apresentaçao Inversao - Metodo de Monte Carlo

    Enviado por

    leonardo
    O documento discute o método de Monte Carlo para resolver problemas inversos. O método gera valores aleatórios de acordo com distribuições de probabilidade para aproximar soluções de problemas que envolvem incertezas. Ele é útil para problemas não-lineares complexos e fornece estimativas estatísticas da solução ao invés de uma solução única. O método consiste em gerar amostras aleatórias, calcular resultados determinísticos e agregar os resultados da amostra para estimar a solução do problema inverso.

    Direitos autorais:

    © All Rights Reserved
    Baixe no formato PDF, TXT ou leia online no Scribd

    Apresentaçao Inversao - Metodo de Monte Carlo

    Enviado por

    leonardo
    34 visualizações15 páginas
    O documento discute o método de Monte Carlo para resolver problemas inversos. O método gera valores aleatórios de acordo com distribuições de probabilidade para aproximar soluções de problemas que envolvem incertezas. Ele é útil para problemas não-lineares complexos e fornece estimativas estatísticas da solução ao invés de uma solução única. O método consiste em gerar amostras aleatórias, calcular resultados determinísticos e agregar os resultados da amostra para estimar a solução do problema inverso.

    Descrição original:

    Apresentação inversão - método de Monte Carlo

    Título original

    apresentaçao inversao - metodo de Monte Carlo

    Direitos autorais

    © © All Rights Reserved

    Formatos disponíveis

    PDF, TXT ou leia online no Scribd

    Você considera este documento útil?

    Este conteúdo é inapropriado?

    O documento discute o método de Monte Carlo para resolver problemas inversos. O método gera valores aleatórios de acordo com distribuições de probabilidade para aproximar soluções de problemas que envolvem incertezas. Ele é útil para problemas não-lineares complexos e fornece estimativas estatísticas da solução ao invés de uma solução única. O método consiste em gerar amostras aleatórias, calcular resultados determinísticos e agregar os resultados da amostra para estimar a solução do problema inverso.

    Direitos autorais:

    © All Rights Reserved
    Baixe no formato PDF, TXT ou leia online no Scribd
    Fazer download em pdf ou txt
    34 visualizações15 páginas

    Apresentaçao Inversao - Metodo de Monte Carlo

    Enviado por

    leonardo
    O documento discute o método de Monte Carlo para resolver problemas inversos. O método gera valores aleatórios de acordo com distribuições de probabilidade para aproximar soluções de problemas que envolvem incertezas. Ele é útil para problemas não-lineares complexos e fornece estimativas estatísticas da solução ao invés de uma solução única. O método consiste em gerar amostras aleatórias, calcular resultados determinísticos e agregar os resultados da amostra para estimar a solução do problema inverso.

    Direitos autorais:

    © All Rights Reserved
    Baixe no formato PDF, TXT ou leia online no Scribd
    Fazer download em pdf ou txt
    de 15

    O Problema Inverso:

    Método de Monte Carlo

    Leonardo Martins Santana


    Introdução
    • Problema Direto e Problema Inverso.

    • Problema inverso: a partir de uma série de medidas 𝒅 =


    𝒅𝟏 ; 𝒅𝟐 ; 𝒅𝟑 ; … ; 𝒅𝑵 𝑻 , feitas sobre um modelo desconhecido, o problema
    inverso visa obter um vetor de parâmetros 𝒎 = 𝒎𝟏 ; 𝒎𝟐 ; 𝒎𝟑 ; … ; 𝒎𝑴 𝑻 ,
    que soluciona a equação 𝑮(𝒎) = 𝒅; onde 𝑮 é um operador que relaciona
    os parâmetros do modelo m e os dados observados 𝒅.

    • Existencia ou Não de Soluçao

    • Linear e Não-Linear
    Introdução
    • Metodos de alcance Local. Ex: Tipo Newton

    • Metodos de Alcance Global. (Monte Carlo)

    • Tipo de abordagem
    – Deterministica

    – Probabilistica
    Metodo Monte Carlo

    • Foi formalizado em 1949, por meio do artigo intitulado Monte Carlo


    Method, publicado por John Von Neumann e Stanislav Ulam.

    • Ulam (primeiro) e o Cassino de Monte Carlo em Mônaco


    Metodos de Monte Carlo
    • São usuais para tentar resolver problemas inversos dentro de uma
    estrutura puramente probabilística.

    • É uma técnica computacional que utiliza números aleatórios para resolver


    problemas de natureza probabilística

    • A única exigência é que o sistema físico ou matemático seja descrito


    (modelado) em termos de funções de densidade de distribuição de
    probabilidade (FDP).
    Metodos
    • Uma vez conhecidas essas distribuições, a de
    Simulação de Monte Carlo pode proceder
    fazendo as amostragens aleatórias a partir das
    mesmas.
    Monte
    • O processo é repetido inúmeras vezes e o
    Carlo
    resultado desejado é obtido por meio de
    técnicas estatísticas (média, desvio padrão, etc.)
    sobre um determinado número de realizações
    (amostra) que podem chegar a milhões.
    Metodo de Monte Carlo
    • Na prática, diante de um problema envolvendo incertezas, realizar uma
    Simulação com Monte Carlo para aproximar sua solução consiste em
    quatro passos padrões:
    – a) Modelar o problema definindo uma FDP para representar o
    comportamento de cada uma das suas incertezas.
    – b) Gerar valores pseudo-aleatórios aderentes à FDP de cada incerteza do
    problema.
    – c) Calcular o resultado determinístico substituindo as incertezas pelos valores
    gerados obtendo, assim, uma observação do problema. Repetir os passos B e
    C até se obter uma amostra com o tamanho desejado de realizações
    – d) Agregar e manipular os resultados da amostra de forma a obter uma
    estimativa da solução do problema.
    “Explotação“ e “Exploração"
    Analise Probabilistica Bayesiana

    • Bayes [1763], que apresentou um método para combinar informações prévias


    sobre um modelo com as informações de novos dados. Nesta formulação de um
    problema inverso, toda informação é representada em termos probabilísticos.

    • Supoe que se saiba algo sobre um modelo antes de observar os dados. Este
    conhecimento é expresso de forma probabilística e é chamado de modelo de
    probabilidade anterior (antes de os dados terem sido observados).

    • Inversão Bayesiana fornece uma estrutura para combinar a informação prévia


    probabilística com a informação contida nos dados observados, afim de atualizar a
    informação prévia.
    Geradores de Valores Aleatórios
    • Todas as técnicas de Monte Carlo fazem uso de geradores de números
    aleatórios de algum tipo.

    • Os métodos de Monte Carlo basicamente relaciona um numero aleatório


    𝐴𝑖 a um modelo 𝑴𝒊 .

    • Nos computadores são usados geradores que, baseados em algoritmos


    matemáticos, simulam sorteios de números aleatórios, mais
    apropriadamente denominados números pseudoaleatórios. Por exemplo,
    números aleatórios no intervalo (0, 1).
    Criterio de Rejeiçao
    • Para obter uma distribuição de probabilidades mais geral 𝒑(𝒙)
    𝒃
    definida num intervalo [a, b] , e com normalização ‫𝟏 = 𝒙𝒅)𝒙(𝒑 𝒂׬‬

    • A técnica de rejeição de Neumann permite obter variáveis


    aleatórias 𝑿 com distribuição 𝒑(𝒙) no intervalo [a, b] a partir das
    de números aleatórios 𝑹 sorteados e distribuídas no intervalo [0,1].
    Criterio de Rejeiçao
    • No método de Monte Carlo, a técnica de Newmann pode ser
    aplicada em dois passos:
    – 1 - Calculo das probabilidades de modelos-alvo 𝒑(𝑴𝒊 ) distribuído no espaço
    de modelos partir de função probabilidade, devidamente normalizada.

    – 2 - Geração um número aleatório 𝒙𝒊 distribuído no intervalo [0, 1],


    relacionado 𝑴𝒊 a e cheque a relação de desigualdade

    𝒙𝒊 < 𝒑(𝑴𝒊 )

    • O objetivo da técnica de rejeição de Neumann é eliminar todos os pontos


    acima da distribuição 𝒑(𝑴𝒊 ) testando a condição do passo 2.
    Criterio de Rejeiçao

    • Esquematização: no quadro (a), o gráfico


    da função de distribuição de
    probabilidade dos modelos (𝒑(𝑴𝒊 ). Em
    (b) uma amostra inicial da distribuição dos
    números aleatórios (𝒙𝒊 ) na região
    retangular limitada acima pela reta de
    máxima probabilidade. Em (c) aparecem
    osvalores selecionados (aceitos).
    Conclusão
    • As técnicas de Monte Carlo são uma das várias abordagens que foram
    aplicados com sucesso a problemas inversos em Geofísica.

    • Com o crescimento e disseminação de alto desempenho computação, as


    técnicas de inversão de Monte Carlo não são mais restrito aos
    proprietários de supercomputadores. Como seu uso se torna mais
    difundido, pode-se esperar satisfatória aplicabilidade do método para
    problemas não-lineares e a necessidade de linearização irá diminuir em
    muitos casos.
    Referencias
    1. MOSSEGAR, Klaus; CAMBRIDGE, Malcolm. Monte Carlo analisais of
    inverse problems. Inverse problems, v. 18, n. 3, p. R29, 2002.

    2. TARANTOLA, Albert. Inverse problem theory and methods for model


    parameter estimation. Siam, 2005.

    3. MENKE, William. Geophysical data analysis: Discrete inverse theory.


    Academic press, 2018.

    Você também pode gostar