13/07/2014

Universidad Nacional De San Agustn

Facultad De Ingeniera Geolgica, Geofsica Y
Minas
Escuela De Ingeniera Geofsica

PROBLEMA INVERSO FUNCIONAL

INTEGRANTES:
Batallanos Vilca Ingrid
Oroz Ochoa Indira
Rodrguez Romero Alejandra

Introduccin
Muchos problemas inversos implican funciones: el conjunto de datos a veces se
compone de registros como una funcin de tiempo o el espacio, y lo
desconocido principal en el conjunto de parmetros a veces consiste en una
funcin de las coordenadas espaciales y / o de tiempo.
Muy a menudo, las funciones pueden ser aproximadas por sus versiones
discretizados, y un problema de dimensin infinita se reduce entonces a uno de
dimensin finita. De hecho, muchos "funciones" se manejan y se muestran por
las computadoras digitales, y su discretizacin es implcita (como, por ejemplo,
cuando se trata de imgenes espaciales de la Tierra).
A pesar de esto, hay situaciones en las que el problema inverso es mejor
formulado usando funciones (es decir, utilizando los conceptos de anlisis
funcional). Uno puede ir bastante lejos usando la formulacin funcional, incluso
si, al final, una cierta clase de discretizacin se utiliza para los clculos reales.
Se necesitan pocos acontecimientos para el problema inverso general (veremos
que la definicin misma de la funcin aleatoria considera discretizaciones
sucesivas).

AREQUIPA - 2014

Funciones aleatorias

Descripcin de una funcin aleatorias

Observando las figuras 5.1 a 5.2, podemos comprender lo que se entiende
generalmente por una funcin aleatoria.
Cada una de las figuras representa algunas realizaciones de la funcin aleatoria
considerado, cada realizacin es una funcin ordinaria.

Una realizacin particular, puede ser visto como un punto en un espacio

abstracto (llamado un espacio funcin o espacio de funciones). Para caracterizar
completamente algunas funciones, se necesita un nmero infinito de puntos,
como en el ejemplo de la figura 1, mientras que para caracterizar algunas otras
funciones, un nmero finito de parmetros es suficiente: cada realizacin en la
Figura 2 se caracteriza por las coordenadas de los puntos en el centro de cada
dominio. Vamos a concentrarnos aqu en el caso de dimensin infinita: si el
espacio de la funcin es de dimensin finita.

Para fijar las ideas, consideremos primero una funcin aleatoria

x (t), donde ambas variables t y x son escalares (se puede, por ejemplo, pensar
en una cantidad escalar x en funcin del tiempo (t). Si t x (t) es una funcin
aleatoria, entonces, por definicin, para cualquier dado t, x (t) es una variable
aleatoria ordinario cuya probabilidad se denota densidad f (x, t).
Figura 1. Algunas realizaciones de una funcin
aleatoria
es
un
camino
aleatorio
unidimensional. En cada intervalo de tiempo
(abscisas), el punto elige aleatoriamente a
ascender un paso hacia arriba o uno tono.

Figura 2. Cuatro realizaciones aleatorias de una funcin

aleatoria definida sobre un espacio 2D. Las realizaciones son
continuos dentro de un nmero finito de bloques (estos son,
de hecho, las clulas de Voronoi). Contrariamente al ejemplo
en la Figura 5.1, cada realizacin se define por una cantidad
finita de informacin: esta funcin aleatoria es de dimensin
finita.

El conocimiento de f (x, t) para todo t no es suficiente para caracterizar la

funcin aleatoria: f (x, t) slo lleva informacin sobre la distribucin de
probabilidad marginal de la variable x en un momento dado t, pero no lleva
informacin sobre las posibles dependencias (o correlaciones) entre las dos
variables aleatoria x (t1) y (t2) x en dos instantes t = t1 y t = t2. Para
caracterizar este, se necesita el conocimiento, para cualquier dos valores t = t1
y t = t2, de la densidad de probabilidad de dos dimensiones para las dos
variables x1 = x (t1) y x2 = x (t2), una densidad de probabilidad de que
podemos denotar f (x1, x2, t1, t2).

Pero, de nuevo, esto le da la

informacin sobre los marginales
bidimensionales, pero no en el orden
superior densidades de probabilidad
conjuntas:
una
caracterizacin
completa de una funcin aleatoria, lo
que necesitamos saber la densidad de
probabilidad conjunta de cualquier
orden. Por lo tanto,

una funcin aleatoria t x (t) se caracteriza si el

N-dimensiones de densidad de probabilidad f (x1, ..., xn; t1, ...,
tn)

Slo las funciones aleatorias muy especiales se pueden caracterizar por los
marginales de orden inferior (por ejemplo, una funcin aleatoria gaussiana est
perfectamente caracteriza por sus dos marginales dimensionales).

Tenga en cuenta que cuando se le da una densidad de probabilidad de n

dimensiones, se puede deducir los marginales de dimensiones inferiores. Por
ejemplo, se puede pasar de una densidad de probabilidad de dos dimensiones
f (X1, X2; T1, T2) a la marginal unidimensional f (x1; t1) = dx2 f (x1, x2; t1, t2).
El resultado f (x1; T1) debe ser en realidad independiente del valor T2, la
imposicin de una restriccin en una funcin f (x1, x2; T1, T2) con el fin de
aceptar la interpretacin de ser una densidad de probabilidad de dos
dimensiones de un aleatoria funcin.

es conocido por cualquier puntos t1,. . . , Tn y para cualquier

valor de n.

13/07/2014

Probabilidades de Informtica
Si t x (t) representa una funcin aleatoria y supongamos que tenemos una
perfecta descripcin de la misma, es decir, que para cualquier puntos t1,. . . , Tn y
para cualquier n, la densidad de probabilidad conjunta f(x) f (x1, ..., xn; t1, ..., tn)
de las variables aleatorias x (t1),. . . , X (tn) es conocido. Deseamos para calcular la
probabilidad de una realizacin de la funcin aleatoria estar dentro de ciertos lmites.
De manera ms precisa, para cada valor de t, nos lleva a introducir un conjunto
numrico E (t). Queremos calcular la probabilidad para x (t) para comprobar (ver la
Figura 3)

x(t) E(t)

consideremos primero el subconjunto An del conjunto de todas las posibles

realizaciones de la funcin aleatoria para que los valores asociados a los puntos t1,.
. . , Tn pertenecen a los conjuntos numricos E (T1),. . . , E (tn). Por definicin de
una densidad de probabilidad, la probabilidad de que el conjunto An es claramente

.. (1)

El conjunto de todas las posibles realizaciones de la funcin aleatoria se verifica en

la ecuacin (1) se denotar por A.

Figura 3. Dada una funcin aleatoria, es posible calcular la

probabilidad de una realizacin de ser dentro de lmites dados.

Para cualquier valor entero positivo de n, que ahora consideramos una particin de
la gama de variacin del argumento t en n subintervalos de tal manera que la
longitud de cada uno de los n subintervalos tiende a cero cuando n .

Este clculo demuestra que, incluso si la nocin de densidad de

probabilidad no generaliza espacios de dimensin infinita (debido a que el
equivalente de la integral de Lebesgue hace no existe), las probabilidades
reales de las regiones definidas sobre variedades de dimensin infinita
puede ser definido (y computarizada).

a partir del cual las dos densidades de probabilidad densidades

En los problemas ms generales, en lugar de dos funciones aleatorias,

tenemos que considerar un nmero arbitrario. Sus variables, a su vez,
pueden ser multidimensional y pueden ser diferentes.
Es posible que tengamos que considerar no slo las funciones
aleatorias, pero al mismo tiempo tambin algunos discretos variables
aleatorias as. La notacin puede llegar a ser complicado en detalle,
pero no hay dificultad conceptual.

Procesos Generales azar

A veces, tenemos que considerar dos funciones aleatorias t x1(t) y t x2(t) de
forma simultnea. Cada funcin aleatoria se caracteriza individualmente por una
densidad de probabilidad conjunta

Adems, lo que necesitamos ahora para caracterizar las dependencias

(correlaciones) entre el azar las variables x1 (t) y x2 (t).
Esto se hace por la densidad de probabilidad conjunta puede ser calculado.

Funciones de azar ms de Espacios Lineales

Los (de dimensin infinita) espacios de funciones que consideramos no

son necesariamente espacios lineales:
la suma de dos funciones no se puede definir (o puede no ser til). Las
razones que obligaron nosotros en el captulo 1 al Consideramos que el
espacio de parmetros es un colector general, que no necesariamente
uno lineal, prevalecen aqu. Una situacin tpica es cuando las
propiedades elctricas de un cable puede dependemos aleatoriamente a
tiempo: podemos considerar de manera equivalente como una funcin
aleatoria la resistencia R (t) del alambre o su conductancia S (t) = 1 / R (t).
La suma de dos funciones de resistencia R1 (t) + R2 (t) no es equivalente a
la suma de las dos funciones de conductancia S1 (t) + S2 (t), y uno no
puede desear introducir una suma o la otra. El espacio funcional es aqu
un colector de dimensin infinita que (todava o no) no es un espacio
lineal.

13/07/2014

Consideremos, a continuacin, una funcin aleatoria x (t) que es un elemento de un

espacio funcin lineal, donde la suma x1 (t) + x2 (t) y la multiplicacin por un escalar
x (t) .
Si el unidimensional probabilidad (marginal) densidades de f (x, t) son conocidos para
cualquier t, estimadores centrales o estimadores de dispersin de la funcin aleatoria
se pueden calcular.
Por ejemplo, el valor medio de la funcin aleatoria es la (no aleatoria) la funcin m (t)
definido por

Si la probabilidad conjunta de dos dimensiones densidades f (x1, x2, t1, t2)

tambin son conocidos por cualquier t1 y t2, las correlaciones son
perfectamente conocidos. La funcin de covarianza C2 (t, t ) de la funcin
aleatoria se define como la covarianza (en el sentido habitual) entre el al
azar variables x (t1) y (t2) x:

y la desviacin estndar (t) se define por

Funciones de covarianza no caracterizan

funciones aleatorias

Figura 4. Pseudorandom realizacin de un Funcin

aleatoria gaussiana con covarianza exponencial. La
funcin de covarianza de este gaussiano aleatorio
funcin es idntica a la de la funcin aleatoria en la
Figura 5.

Figura 5. Pseudorandom realizacin de un funcin aleatoria, donde los

pasos ocurren al azar veces (con densidad de probabilidad constante)
y en el que el pasos son aleatorios normalmente distribuidos (con
media cero). Esto (no gaussiana) funcin aleatoria tiene la misma
covarianza funcin que en la figura 4, lo que demuestra que la media y
la covarianza no son suficientes para caracterizar una funcin
aleatoria.

Bibliografa
Esto no debe sorprender, ya que este es slo el equivalente, en dimensin
infinita espacios, de el hecho bien conocido de que las variables aleatorias
unidimensionales con completamente diferente densidades de probabilidad
bien pueden tener la misma media y la misma varianza. la problema es que
cuando el nmero de dimensiones bajo consideracin es alta, no es fcil para
obtener una idea intuitiva de lo que las densidades de probabilidad parecen, y
uno puede ser fcilmente engaado con las hiptesis formuladas.

Inverse problem theroy and Methods for model parameter Estimation,

Albert Tarantola