Mı́nimos cuadrados amortiguados

Error con restricción

Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Inversión de Datos Geofı́sicos

Incorporación de información a priori en la solución de
mı́nimos cuadrados
Semestre 2018-2

M.C. Mauricio Nava Flores

www.researchgate.net/profile/Mauricio_Nava-Flores

División de Ingenierı́a en Ciencias de la Tierra

Facultad de Ingenierı́a, UNAM

Lunes 12 de Marzo de 2018

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 1 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Contenido

Mı́nimos cuadrados amortiguados

Error con restricción

Longitud mı́nima pesada

Mı́nimos cuadrados pesados

Resumen de algunas soluciones del problema inverso lineal

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 2 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

Una forma de influir en la estimación de parámetros por el método
de mı́nimos cuadrados, es la incorporación de información a priori,
la cual puede ser útil para reducir el problema de no unicidad en las
soluciones.

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 3 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

Una forma de influir en la estimación de parámetros por el método
de mı́nimos cuadrados, es la incorporación de información a priori,
la cual puede ser útil para reducir el problema de no unicidad en las
soluciones.
I Mı́nimos cuadrados amortiguados
Se considera que la solución es simple, teniendo por medición
de simplicidad, la longitud euclidiana de la solución:
M
X 2
L = mT m = mi (1)
i=1

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 3 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

Una forma de influir en la estimación de parámetros por el método
de mı́nimos cuadrados, es la incorporación de información a priori,
la cual puede ser útil para reducir el problema de no unicidad en las
soluciones.
I Mı́nimos cuadrados amortiguados
Se considera que la solución es simple, teniendo por medición
de simplicidad, la longitud euclidiana de la solución:
M
X 2
L = mT m = mi (1)
i=1

Una solución será simple si es

“pequeña” cuando se mide con la
norma L2

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 3 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Mı́nimos cuadrados amortiguados
Esta consideración se añade al error cuadrático como una suma
pesada y la solución se genera minimizando la siguiente función
de error:
φ = e T e + 2 L (2)

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 4 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Mı́nimos cuadrados amortiguados
Esta consideración se añade al error cuadrático como una suma
pesada y la solución se genera minimizando la siguiente función
de error:
φ = e T e + 2 L (2)
Sustituyendo la definición del vector “e” (e = d − Gm) y la
ecuación (1) en (2):
T
φ = (d − Gm) (d − Gm) + 2 mT m (3)

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 4 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Mı́nimos cuadrados amortiguados
Esta consideración se añade al error cuadrático como una suma
pesada y la solución se genera minimizando la siguiente función
de error:
φ = e T e + 2 L (2)
Sustituyendo la definición del vector “e” (e = d − Gm) y la
ecuación (1) en (2):
T
φ = (d − Gm) (d − Gm) + 2 mT m (3)

Después de derivar (3) con respecto a mT :

∂φ
= −G T d + G T Gm + 2 m (4)
∂mT

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 4 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Mı́nimos cuadrados amortiguados

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 5 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Mı́nimos cuadrados amortiguados
Para obtener el mı́nimo, la ecuación (4) se iguala a cero y se
despeja el vector de parámetros:
∂φ
=0
∂mT
⇒ −G T d + G T Gm + 2 m =0
est
−1
∴m = G T G + 2 I GTd (5)

Donde: 2 < 1 recibe el nombre de factor de amortiguamiento

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 5 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Mı́nimos cuadrados amortiguados
Para obtener el mı́nimo, la ecuación (4) se iguala a cero y se
despeja el vector de parámetros:
∂φ
=0
∂mT
⇒ −G T d + G T Gm + 2 m =0
est
−1
∴m = G T G + 2 I GTd (5)

Donde: 2 < 1 recibe el nombre de factor de amortiguamiento

Solución por mı́nimos cuadrados amortiguados

A esta solución también se le denomina Solución por el
método de Marquardt - Levenberg y considera
longitudes mı́nimas, tanto del error como de la solución.
Es útil para aplicarse a problemas que tienden a ser
sub-determinados.
Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 5 / 14
 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Error con restricción: Multiplicadores de Lagrange

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 6 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Error con restricción: Multiplicadores de Lagrange
Otra forma de incorporar información a priori al problema, es
considerar que el modelo se satisface sin error para un caso
especı́fico, es decir, se cumple exactamente la relación:

Fm = h (6)

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 6 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Error con restricción: Multiplicadores de Lagrange
Otra forma de incorporar información a priori al problema, es
considerar que el modelo se satisface sin error para un caso
especı́fico, es decir, se cumple exactamente la relación:

Fm = h (6)

La relación dada por la Ec. (6) se incorpora al mı́nimo del error

cudrático a través de multiplicadores de Lagrange y resolviendo
simultáneamente el sistema resultante:
∂φ
=0
∂mT
Fm =0 (7)
T
Con: φ = e T e + λ (Fm − h)
(λ representa a los multiplicadores de Lagrange)
Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 6 / 14
 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Error con restricción: Multiplicadores de Lagrange

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 7 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Error con restricción: Multiplicadores de Lagrange
Después de desarrollar, aplicar la derivada y reescribir el sistema
de la Ec. (7), se tiene:
G T Gm + λF T =G T d
Fm =h
T T
    T 
G G F m G d
⇒ =
F 0 λ h

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 7 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Error con restricción: Multiplicadores de Lagrange
Después de desarrollar, aplicar la derivada y reescribir el sistema
de la Ec. (7), se tiene:
G T Gm + λF T =G T d
Fm =h
T T
    T 
G G F m G d
⇒ =
F 0 λ h
Por lo tanto, la solución será:
 est   T −1 
FT GTd

m G G
est = (8)
λ F 0 h

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 7 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Error con restricción: Multiplicadores de Lagrange
Después de desarrollar, aplicar la derivada y reescribir el sistema
de la Ec. (7), se tiene:
G T Gm + λF T =G T d
Fm =h
T T
    T 
G G F m G d
⇒ =
F 0 λ h
Por lo tanto, la solución será:
 est   T −1 
FT GTd

m G G
est = (8)
λ F 0 h

Solución por mı́nimos cuadrados restringidos

Solución por mı́nimos cuadrados considerando error con
restricción (multiplicadores de Lagrange)

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 7 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Longitud mı́nima pesada

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 8 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Longitud mı́nima pesada
Una forma más para considerar información a priori, es a través
de diferentes interpretaciones del término “solución simple”:

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 8 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Longitud mı́nima pesada
Una forma más para considerar información a priori, es a través
de diferentes interpretaciones del término “solución simple”:
• Solución plana: Aquella en la que no se obtienen grandes va-
riaciones (en amplitud) de parámetro a parámetro.

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 8 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Longitud mı́nima pesada
Una forma más para considerar información a priori, es a través
de diferentes interpretaciones del término “solución simple”:
• Solución plana: Aquella en la que no se obtienen grandes va-
riaciones (en amplitud) de parámetro a parámetro.
Para implementarla se incluye una matriz de pesos que
al multiplicarse por el vector m, aproxima la primera derivada
de los parámetros:

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 8 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Longitud mı́nima pesada
Una forma más para considerar información a priori, es a través
de diferentes interpretaciones del término “solución simple”:
• Solución plana: Aquella en la que no se obtienen grandes va-
riaciones (en amplitud) de parámetro a parámetro.
Para implementarla se incluye una matriz de pesos que
al multiplicarse por el vector m, aproxima la primera derivada
de los parámetros:
−1
  
1 m1
1 
 −1 1   m2 
S=
 
. .  . 
∆m  .. ..   .. 


−1 1 mM

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 8 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Longitud mı́nima pesada
Una forma más para considerar información a priori, es a través
de diferentes interpretaciones del término “solución simple”:
• Solución plana: Aquella en la que no se obtienen grandes va-
riaciones (en amplitud) de parámetro a parámetro.
Para implementarla se incluye una matriz de pesos que
al multiplicarse por el vector m, aproxima la primera derivada
de los parámetros:
−1
  
1 m1
1 
 −1 1   m2 
S=
 
. .  . 
∆m  .. ..   .. 


−1 1 mM
⇑
Matriz “steepness”

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 8 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Longitud mı́nima pesada
Una forma más para considerar información a priori, es a través
de diferentes interpretaciones del término “solución simple”:
• Solución plana: Aquella en la que no se obtienen grandes va-
riaciones (en amplitud) de parámetro a parámetro.
Para implementarla se incluye una matriz de pesos que
al multiplicarse por el vector m, aproxima la primera derivada
de los parámetros:
−1
  
1 m1
1 
 −1 1   m2 
S=
 
. .  . 
∆m  .. ..   .. 


−1 1 mM
⇑
Matriz “steepness”

∆m representa el espaciamiento entre parámetros, pero fı́sicamente podrı́a

no tener sentido, en cuyo caso se establece ∆m = 1

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 8 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Longitud mı́nima pesada
Una forma más para considerar información a priori, es a través
de diferentes interpretaciones del término “solución simple”:
• Solución suave: Aquella que no contiene variaciones abruptas
de parámetro a parámetro, aunque sı́ puede contener variaciones
de gran amplitud, siempre que sean graduales.

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 9 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Longitud mı́nima pesada
Una forma más para considerar información a priori, es a través
de diferentes interpretaciones del término “solución simple”:
• Solución suave: Aquella que no contiene variaciones abruptas
de parámetro a parámetro, aunque sı́ puede contener variaciones
de gran amplitud, siempre que sean graduales.
Para implementarla se incluye una matriz de pesos que
al multiplicarse por el vector m, aproxima la segunda derivada
de los parámetros:

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 9 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Longitud mı́nima pesada
Una forma más para considerar información a priori, es a través
de diferentes interpretaciones del término “solución simple”:
• Solución suave: Aquella que no contiene variaciones abruptas
de parámetro a parámetro, aunque sı́ puede contener variaciones
de gran amplitud, siempre que sean graduales.
Para implementarla se incluye una matriz de pesos que
al multiplicarse por el vector m, aproxima la segunda derivada
de los parámetros:
1 −2 1 m1
  

1  1 −2 1   m2 
R=  .
  
.. .. ..
∆m2    ..
 
. . . 
1 −2 1 mM

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 9 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Longitud mı́nima pesada
Una forma más para considerar información a priori, es a través
de diferentes interpretaciones del término “solución simple”:
• Solución suave: Aquella que no contiene variaciones abruptas
de parámetro a parámetro, aunque sı́ puede contener variaciones
de gran amplitud, siempre que sean graduales.
Para implementarla se incluye una matriz de pesos que
al multiplicarse por el vector m, aproxima la segunda derivada
de los parámetros:
1 −2 1 m1
  

1  1 −2 1   m2 
R=  .
  
.. .. ..
∆m2    ..
 
. . . 
1 −2 1 mM
⇑
Matriz “roughness”

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 9 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Longitud mı́nima pesada
Una forma más para considerar información a priori, es a través
de diferentes interpretaciones del término “solución simple”:
• Solución suave: Aquella que no contiene variaciones abruptas
de parámetro a parámetro, aunque sı́ puede contener variaciones
de gran amplitud, siempre que sean graduales.
Para implementarla se incluye una matriz de pesos que
al multiplicarse por el vector m, aproxima la segunda derivada
de los parámetros:
1 −2 1 m1
  

1  1 −2 1   m2 
R=  .
  
.. .. ..
∆m2    ..
 
. . . 
1 −2 1 mM
⇑
Matriz “roughness”

∆m representa el espaciamiento entre parámetros, pero fı́sicamente podrı́a

no tener sentido, en cuyo caso se establece ∆m = 1

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 9 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Longitud mı́nima pesada
Solución “simple”
• Si denotamos a las operaciones S y R como A, ası́ como a
las matrices “steepness” y “roughness” como D (Matriz de
derivadas):

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 10 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Longitud mı́nima pesada
Solución “simple”
• Si denotamos a las operaciones S y R como A, ası́ como a
las matrices “steepness” y “roughness” como D (Matriz de
derivadas):
S, R ⇒ A = Dm

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 10 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Longitud mı́nima pesada
Solución “simple”
• Si denotamos a las operaciones S y R como A, ası́ como a
las matrices “steepness” y “roughness” como D (Matriz de
derivadas):
S, R ⇒ A = Dm

• Ahora, la razón de cambio o rugosidad total de los parámetros

será la longitud cuadrática de A:
L = AT A = [Dm]T [Dm]
=mT D T Dm
=mT Wm m (9)

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 10 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Longitud mı́nima pesada
Solución “simple”
• Si denotamos a las operaciones S y R como A, ası́ como a
las matrices “steepness” y “roughness” como D (Matriz de
derivadas):
S, R ⇒ A = Dm

• Ahora, la razón de cambio o rugosidad total de los parámetros

será la longitud cuadrática de A:
L = AT A = [Dm]T [Dm]
=mT D T Dm
=mT Wm m (9)

La matriz Wm = D T D puede interpretarse como un

factor de peso que interviene en el cálculo de la
longitud del vector m

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 10 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Longitud mı́nima pesada
Solución “simple”
• Finalmente, la ecuación (9) se aplicará únicamente a proble-
mas que son totalmente subdeterminados y su solución se
obtendrá al minimizar la longitud cuadrática de la operación
matricial A (aplicación de las matrices “steepness” o “rough-
ness”), a través de la función de error:

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 11 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Longitud mı́nima pesada
Solución “simple”
• Finalmente, la ecuación (9) se aplicará únicamente a proble-
mas que son totalmente subdeterminados y su solución se
obtendrá al minimizar la longitud cuadrática de la operación
matricial A (aplicación de las matrices “steepness” o “rough-
ness”), a través de la función de error:
φ =L + γe
=mT Wm m + γ (d − Gm)

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 11 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Longitud mı́nima pesada
Solución “simple”
• Finalmente, la ecuación (9) se aplicará únicamente a proble-
mas que son totalmente subdeterminados y su solución se
obtendrá al minimizar la longitud cuadrática de la operación
matricial A (aplicación de las matrices “steepness” o “rough-
ness”), a través de la función de error:
φ =L + γe
=mT Wm m + γ (d − Gm)

• Es decir: h i−1
est
m = Wm−1 G T GWm−1 G T d (10)

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 11 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Longitud mı́nima pesada
Solución “simple”
• Finalmente, la ecuación (9) se aplicará únicamente a proble-
mas que son totalmente subdeterminados y su solución se
obtendrá al minimizar la longitud cuadrática de la operación
matricial A (aplicación de las matrices “steepness” o “rough-
ness”), a través de la función de error:
φ =L + γe
=mT Wm m + γ (d − Gm)

• Es decir: h i−1
est
m = Wm−1 G T GWm−1 G T d (10)

La Ec. 10 se conoce como Solución por longitud

mı́nima pesada

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 11 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Mı́nimos cuadrados pesados

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 12 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Mı́nimos cuadrados pesados
Una medición pesada del error de predicción suele ser útil, de-
bido a que en ocasiones es posible saber qué mediciones fueron
tomadas con más exactitud o a qué mediciones se les debe asig-
nar más peso:

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 12 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Mı́nimos cuadrados pesados
Una medición pesada del error de predicción suele ser útil, de-
bido a que en ocasiones es posible saber qué mediciones fueron
tomadas con más exactitud o a qué mediciones se les debe asig-
nar más peso:
Ew = e T We e (11)

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 12 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Mı́nimos cuadrados pesados
Una medición pesada del error de predicción suele ser útil, de-
bido a que en ocasiones es posible saber qué mediciones fueron
tomadas con más exactitud o a qué mediciones se les debe asig-
nar más peso:
Ew = e T We e (11)
Dónde We suele ser una matriz diagonal:
 
1
 1 
We =  
 3 
1

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 12 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Mı́nimos cuadrados pesados
Una medición pesada del error de predicción suele ser útil, de-
bido a que en ocasiones es posible saber qué mediciones fueron
tomadas con más exactitud o a qué mediciones se les debe asig-
nar más peso:
Ew = e T We e (11)
Dónde We suele ser una matriz diagonal:
 
1
 1 
We =  
 3 
1

• Al minimizar la función de error (11), se obtendrá:

est
h i−1
m = G T We G G T We d (12)

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 12 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Incorporación de información a priori

I Mı́nimos cuadrados pesados
Una medición pesada del error de predicción suele ser útil, de-
bido a que en ocasiones es posible saber qué mediciones fueron
tomadas con más exactitud o a qué mediciones se les debe asig-
nar más peso:
Ew = e T We e (11)
Dónde We suele ser una matriz diagonal:
 
1
 1 
We =  
 3 
1

• Al minimizar la función de error (11), se obtendrá:

est
h i−1
m = G T We G G T We d (12)

La Ec. 12 es la Solución por mı́nimos cuadrados

pesados

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 12 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Tabla resumen de soluciones del problema inverso lineal

MÉTODO FUNCIÓN OBJETIVO SOLUCIÓN

Mı́nimos E =e T e est
h i−1
m = GT G GT d
Cuadrados
= (d − Gm)T (d − Gm)

Mı́nimos φ =E + 2 L
Cuadrados = (d − Gm)T (d − Gm) + est
h i−1
Amortiguados m = G T G + 2 I GT d
2 mT m

Mı́nimos
Ew =e T We e
Cuadrados est
h i−1
Pesados = (d − Gm)T We (d − Gm) m = G T We G G T We d

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 13 / 14

 Mı́nimos cuadrados amortiguados
Error con restricción
Longitud mı́nima pesada
Mı́nimos cuadrados pesados Facultad de Ingenierı́a, UNAM
Resumen de algunas soluciones del problema inverso lineal

Tabla resumen de soluciones del problema inverso lineal

MÉTODO FUNCIÓN OBJETIVO SOLUCIÓN

Longitud φ =L + γe est
h i−1
m = G T GG T d
Mı́nima
=mT m + γ (d − Gm)

Longitud
φ =Lw + γe
Mı́nima est
h i−1
Pesada =mT Wm m + γ (d − Gm) m = Wm−1 G T G T Wm−1 G T d

Mı́nimos φ =Ew + 2 Lw
Cuadrados
= (d − Gm)T We (d − Gm) + est
h i−1
Pesados y m = G T We G + 2 Wm G T We d
Amortiguados 2 mT Wm m

Inversión de Datos Geofı́sicos 12/Marzo/2018 Facultad de Ingenierı́a, UNAM 14 / 14