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.