TPICOS DE INVERSO EM GEOFSICA

Vanderlei Coelho de Oliveira Junior Leonardo Uieda

Verso 1.0.1

2011

Tpicos inverso em geofsica

Copyright c 2011 Vanderlei Coelho de Olivera Junior & Leonardo Uieda

This work is licensed under the Creative Commons Attribution-NonCommercial 3.0 Unported License. To view a copy of this license, visit

http://creativecommons.org/licenses/by-nc/3.0

ii

Sumrio
1 Introduo 2 Formulao matemtica do problema inverso
2.1 2.2 Problemas lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Problemas no-lineares . . . . . . . . . . . . . . . . . . . . . . . . . . .

1 8
13 15

3 Regularizao
3.1 3.2 3.3 3.4 Norma mnima (Tikhonov de ordem 0) Igualdade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

19
23 24 26 28

Suavidade (Tikhonov de ordem 1) . . . . . . . . . . . . . . . . . . . . . Variao total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4 Procedimentos prticos
4.1 4.2 Ajustar os dados observados . . . . . . . . . . . . . . . . . . . . . . . . Determinar um valor para o parmetro de regularizao . . . . . . . . .

31
31 32

5 Leitura recomendada Referncias Bibliogrcas A Operaes com matrizes

A.1 A.2 A.3 Denies Derivadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

35 36 37
37 39 41

Gradientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

SUMRIO
A.4 A.5 Hessianas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

iii
42 42 43 43

Expanso em srie de Taylor . . . . . . . . . . . . . . . . . . . . . . . . A.5.1 A.5.2 At primeira ordem . . . . . . . . . . . . . . . . . . . . . . . . . At segunda ordem . . . . . . . . . . . . . . . . . . . . . . . . .

Captulo 1 Introduo
Em cincias aplicadas, ao nos depararmos com um determinado fenmeno a ser estudado, a pergunta imediata : como estudar tal fenmeno? Em problemas geofsicos, esse fenmeno , em geral, um sistema fsico. O procedimento cientco utilizado para estud-lo comea com a realizao de observaes de uma determinada grandeza fsica que, supostamente, seja causada pelo sistema fsico em questo. Exemplos de sistemas fsicos encontrados na geofsica so:

Propagao de ondas elsticas: ssmica (Figura 1)

Teoria do potencial: gravimetria (Figura 2) e magnetometria

Difuso de correntes eltricas: SEV (Figura 3)

Uma vez que no conhecemos o sistema fsico, a nica informao que temos so as observaes (ou dados observados). Embora o sistema fsico seja desconhecido, alguma informao adicional (em geral proporcionada pela geologia) nos fornece um conjunto de hipteses (Figuras 4, 5 e 6). Isso nos leva a seguinte pergunta: como testar se as observaes podem ser explicadas por uma determinada hiptese? Para responder esta pergunta, precisamos ser capazes de calcular os dados preditos pela hiptese em questo. Matematicamente,

1. Introduo

isso signica que precisamos encontrar uma funo que relaciona a hiptese aos dados preditos.

hiptese

dados preditos

Uma funo descrita em termos de parmetros.

Portanto, calcular os dados

preditos por uma determinada hiptese signica encontrar uma funo

tal que:

dados preditos

= f (hiptese).

Para tanto, preciso descrever a hiptese em termos de parmetros (Figuras 7, 8, 9), isto :

dados preditos

= f (parmetros).

O raciocnio desenvolvido acima nos permite denir um importante conceito:

Estabelecer a relao funcional entre parmetros (que descrevem uma hiptese) e dados preditos o que se conhece como

problema

direto.
Nesse sentido, dado um conjunto de parmetros, possvel calcular os dados preditos. Isso nos permite testar se uma hiptese capaz de explicar os dados observados. Esse teste feito por meio da comparao entre os dados observados e os dados preditos por uma determinada hiptese. Se os dados preditos reproduzem os dados observados, pode-se dizer que a hiptese explica os dados observados e, portanto, vlida. Nesse contexto, possvel denir os seguintes conceitos importantes:

Fornecer os parmetros e comparar os respectivos dados preditos com os dados observados o que se conhece como

modelagem di-

reta.

1. Introduo
e

Estimar os parmetros automaticamente, de forma que os dados preditos sejam os mais prximos possveis aos dados observados, conhecido como

problema inverso.

Modelagem direta
calcula
Parmetros Dados preditos

compara

Dados observados

Problema inverso
estima
Parmetros Dados observados

1. Introduo

Sismograma

t u
fonte receptores

raios

v1 v2 v3 v4

Figura 1:

Exemplo de sistema fsico que caracteriza uma aquisio ssmica.

Neste

caso o sistema envolve ondas ssmicas (representadas pelos raios) que se propagam em meios com velocidades V1, V2, V3 e V4. A grandeza fsica que podemos observar o deslocamento dos sismmetros

(neste caso somente na vertical). Estas observaes

so tipicamente dispostas em um sismograma.

gz x

Figura 2: Exemplo de sistema fsico que caracteriza um levantamento gravimtrico. Neste caso o sistema envolve o efeito gravitacional causado por um contraste de densidade anmalo

A grandeza fsica que podemos observar a anomalia da gravidade

gz .

1. Introduo

AB/2

(z) z

Figura 3: Exemplo de sistema fsico que caracteriza uma sondagem eltrica vertical (SEV). Neste caso o sistema envolve a conduo de correntes eltricas em um meio com resistividades eltrica

que varia com a profundidade.

A grandeza fsica que

podemos observar diferncia de potencial eltrico entre os eletrodos M e N. Esta grandeza geralmente convertida para resistividade aparente

a .

Figura 4: Exemplo de hiptese que descreve o sistema fsico referente a uma aquisio ssmica. Modelo de duas camadas plano-paralelas, homogneas e isotrpicas.

Figura 5: Exemplo de hiptese que descreve o sistema fsico referente a uma levantamento gravimtrico. Modelo de um corpo elipsoidal homogno.

1. Introduo

Figura 6: Exemplo de hiptese que descreve o sistema fsico referente a uma sondagem eltrica vertical. Modelo de trs camadas plano-paralelas, homogneas e isotrpicas.

Sismograma

t u
h 1 v1

v2

Figura 7: Exemplo de parametrizao da hiptese na Figura 4. Neste caso, a hiptese descrita em termos dos parmetros

h1 , V1 e V2.

Esta hiptese produz o dado predito

representado pela linha pontilhada vermelha.

1. Introduo

gz x

Figura 8: Exemplo de parametrizao da hiptese na Figura 5. Neste caso, a hiptese descrita em termos dos parmetros linha pontilhada vermelha.

1 , 2 , . . . , M

que representam os constrastes

de densidade de cada clula. Esta hiptese produz o dado predito representado pela

AB/2

N h1

B
1 2 3

h2

Figura 9: Exemplo de parametrizao da hiptese na Figura 6. Neste caso, a hiptese descrita em termos dos parmetros

h1 , 1 , h2 , 2

3 .

Esta hiptese produz o dado

predito representado pela linha pontilhada vermelha.

Captulo 2 Formulao matemtica do problema inverso

Dado um conjunto de nimos um

observaes, feitas em diferentes posies, tempos, etc., de-

vetor de dados observados

o d 1 d o 2 o d = . , . . o dN

(2.1)

em que

dio , i = 1, 2, 3, . . . , N ,

o dado observado na

i-sima

posio, tempo, etc. De

forma anloga, denimos um

vetor de dados preditos

p d1

p d 2 p = d . , . . p dN
em que

(2.2)

dip , i = 1, 2, 3, . . . , N , i-simo

o dado predito calculado na mesma posio, tempo,

etc., que o

dado observado. Continuando no esprito de denio de vetores,

denimos tambm um vetor que agrupa todos os

parmetros, denominado

vetor de

2. Formulao matemtica do problema inverso

parmetros
p1 p2 p = . , . . pM
em que

(2.3)

pj , j = 1, 2, 3, . . . , M ,

j -simo

parmetro.

Como vimos no Captulo 1, os dados preditos so descritos por uma funo dos parmetros, ou seja,

dip = fi ( p) .

(2.4)

Desta forma, podemos dizer que o vetor de dados preditos uma funo dos parmetros

p) f1 ( f2 ( p ) p = f ( d p) = . . . . fN ( p)
O problema inverso consiste em encontrar um vetor de parmetros

(2.5)

p que

produza

os dados preditos mais prximos possvies dos dados observados. Para determinar a proximidade entre os dados observados e os dados preditos, necessrio quanticar a distncia entre eles. Isto feito em termos da norma do

vetor de resduos

( o f r = d p) ,
em que

(2.6)

o d

o vetor de

( dados observados e f p) o vetor de dados preditos.

Para quanticar a distncia entre os dados observados e os dados preditos utiliza-se, usualmente, o quadrado da norma quadrtica (tambm conhecida como norma norma Euclidiana) do vetor de resduos

2 ou

2. Formulao matemtica do problema inverso

10

2 2

=
i=1

p)]2 . [dio fi (

(2.7)

Esta equao tambm uma funo escalar dos parmetros. Assim sendo, denimos uma funo

( p) ,

chamada de

funo do ajuste, como

N 2 2

( p) = r

=
i=1

[dio fi ( p)]2 .

(2.8)

Lembramos que o quadrado da norma Euclidiana de um vetor igual ao produto escalar do vetor com ele mesmo, ou seja,

r
Como o vetor

2 2

=r r = r1 r1 + r2 r2 + + rN rN .

(2.9)

um

vetor coluna

(matriz com uma coluna), podemos escrever o

produto escalar da equao 2.9 como

r r = r T r = r1 r2 . . . rN

r1 r2 . . . . rN

(2.10)

Dessa forma podemos reescrever a funo do ajuste (equao 2.8) como

o f ( ( p) = r T r = d p)

o f ( d p) .

(2.11)

Neste ponto importante ressaltar o seguinte conceito:

funo do ajuste uma funo escalar que quantifica a distn-

cia entre os dados observados e os dados preditos para um determinado vetor de parmetros p .
Perante este conceito, o problema inverso consiste em determinar um vetor minimiza a funo do ajuste

p que

( p) .

Matematicamente, isso equivale a encontrar o vetor

2. Formulao matemtica do problema inverso

p tal p
que o gradiente da funo

11
igual ao vetor nulo. Este vetor

( p)

avaliado em

p seja

um

ponto extremo da funo ( p).

( p), avaliado em um p qualquer, um vetor M -dimensional

O gradiente da funo

denido como (ver Apndice A)

( p) p1 ( p) ( p) = p 2 , . . . ( p) pM
em que para o

(2.12)

o operador gradiente (Apndice A). A partir da equao 2.11, a expresso elemento do vetor gradiente

i-simo

( p) = pi pi =

o f ( d p)
T

o f ( d p) ( f p) pi .
(2.13)

( f p) pi

o f ( d p)
escalar

o f ( p) + d
escalar

Lembrando que o transposto de um escalar igual a ele mesmo, podemos tomar o transposto do segundo termo do lado direito da equao 2.13, obtendo

T ( ( p) f p) o = 2 d f ( p) , pi pi

(2.14)

em que

( f p) pi

um vetor

N -dimensional

(ver Apndice A) dado por

2. Formulao matemtica do problema inverso

f1 ( p) pi f2 ( p) f ( p) = pi . pi . . . fN ( p) pi

12

(2.15)

Substituindo as equaes 2.14 e 2.15 na expresso do gradiente (equao 2.12) obtemos

( p) f 2 p1 T ( p) f ( p) = 2 p2 T f ( p) 2 pM

o f ( d p) o d f ( p) . . . o f ( d p)
(2.16)

( f p) p 1 T p) f ( o = 2 p2 d f ( p) . . . . T f ( p) pM
Por m, o gradiente da funo do ajuste

( p)

pode ser escrito como

( o f ( ( p) = 2G p) T d p) .
em que

(2.17)

2. Formulao matemtica do problema inverso

13

( f p) ( G p) = p1

f1 ( p) p1 f2 ( p) f ( p) f ( p) = p1 ... p2 pM . . . fN ( p) p1 N M
a

f1 ( p) ... pM f2 ( p) f2 ( p) ... p2 pM . . . . . .. . . . fN ( p) fN ( p) ... p2 pM f1 ( p) p2

(2.18)

A matriz

( G p)

de dimenso

( matriz Jacobiana de f p).

comumente denominada Em problemas inversos, essa matriz G

ma-

triz de sensibilidade, uma vez que o i-simo elemento de sua j -sima

coluna expressa a sensibilidade do i-simo dado predito em relao variaes do j -simo parmetro.
As equaes 2.17 e 2.18 mostram que o gradiente da funo do ajuste do vetor de dados preditos

( p) depende

( f p) (equao 2.5) e sua derivada em relao aos parmetros

que relaciona os parmetros aos dados preditos determina

p .

Sendo assim, a funo

o comportamento do gradiente de em que a funo

( p).

Nas prximas sees analisaremos os casos

linear ou no-linear em relao aos parmetros. Essa anlise nos

permitir compreender a inuncia da funo que minimiza a funo

na busca pelo vetor de parmetros

( p).

2.1 Problemas lineares

Se a funo

fi ( p) (equao 2.4),

que relaciona o vetor de parmetros

p ao i-simo dado

predito, for uma combinao linear dos parmetros, ela ter a seguinte forma

fi ( p) = gi1 p1 + gi2 p2 + + giM pM + bi ,

em que

(2.19)

gij , j = 1, 2, , M ,

bi

so constantes.

Portanto, a derivada de

fi ( p)

em

2. Formulao matemtica do problema inverso

relao ao

14

j -simo

parmetro

pj

dada por

fi ( p) = gij , pj
que no depende dos parmetros. preditos tem a seguinte forma Para um conjunto de

(2.20)

dados, o vetor de dados

p ( f p) = G + b,
sendo

(2.21)

a matriz de sensibilidade (equao 2.18) e

um vetor de constantes. Substi-

tuindo a expresso acima no gradiente da funo do ajuste (equao 2.17), chegamos a

p o G ( T d b . p) = 2G
Seja

(2.22)

p o

vetor que minimiza a funo

( p),

o gradiente desta funo avaliado em

igual ao vetor nulo. Isto nos leva ao sistema de equaes

T G p T d o G = G b .
Este sistema conhecido como sistema

(2.23)

sistema de equaes normais.

A soluo para este

T G )1 G T d o b , p = (G
que conhecido como

(2.24)

estimador de mnimos quadrados.

p que
minimiza a funo

As equaes 2.23 e 2.24 mostram que o vetor ser obtido diretamente a partir da matriz

( p)

pode

e dos vetores

o . d

Isto caracteriza um

problema inverso linear.

2. Formulao matemtica do problema inverso

15

2.2 Problemas no-lineares

Nesta seo analisaremos o caso em que a funo

fi ( p) (equao 2.4) no uma combifi ( p)

em relao aos parmet-

nao linear dos parmetros. Neste caso, a derivada de ros tambm ser uma funo dos parmetros. da funo valor de

Logo, dependendo das caractersticas

fi ( p),

o gradiente da funo do ajuste

( p)

pode ser nulo para mais de um

p .

Em outras palavras, a funo

( p)

pode possuir vrios pontos extremos

alm daquele em que esta funo seja mnima. Por esta razo, o clculo do vetor

p que

minimiza a funo do ajuste deve ser feito de forma iterativa. Isto difere do problema inverso linear e caracteriza um A busca pelo vetor

problema inverso no-linear. otimizao,

p que

minimiza uma determinada funo faz parte de uma rea dentro da qual existem diversos mtodos

da matemtica conhecida como

(Kelley, 1999). O procedimento padro para realizar esta busca de forma iterativa comear com uma determinada aproximao inicial

p 0

e calcular uma correo

p. p 1 . p 2 ,

Esta correo ento aplicada aproximao inicial dando origem a um novo vetor Este novo vetor serve como aproximao inicial para o clculo de um segundo vetor e assim sucessivamente. O processo termina quando encontrado um vetor prximo ao vetor de que o vetor

p que

seja

p que

minimiza a funo em questo. Em geral, no se tem garantia

p seja

igual ao vetor

p .

Dentre os vrios mtodos existentes, apresentaremos a seguir aquele conhecido como mtodo de Gauss-Newton. O procedimento para calcular a correo expanso em srie de Taylor da funo a ser minimizada, neste caso feita at segunda ordem e em torno da aproximao inicial

p comea ( p).

com a

A expanso

p 0

(ver Apndice A)

p = p 0 + p,

(2.25)

1 T ( p ( p0 ) p = ( p) , ( p0 + p) ( p0 ) + p0 )T p + 2
sendo

(2.26)

( ( p0 ) o vetor gradiente e p0 ) a matriz Hessiana da funo ( p),

calculados

2. Formulao matemtica do problema inverso

em

16

p 0 .
A funo

( p)

(equao 2.26) uma aproximao de segunda ordem para a funo

( p)

em torno do ponto

p 0 .

Tal como no

problema inverso linear, desejamos encontrar

O gradiente

um ponto de

p que minimiza a funo ( p), ou seja, onde seu gradiente nulo.

( p)

dado por (ver Apndice A)

1 T ( ( ( ( ( p ( p0 ) p = p0 ) + p0 ) p. p) = p0 ) + p0 )T p + 2
Logo, o incremento gradiente de

(2.27)

p=p p 0 ,

que leva da aproximao inicial ao ponto

p onde

( p)

nulo, a soluo do sistema de equaes

( ( p0 ) p = p0 ) .
O clculo do vetor gradiente de

(2.28)

( p) foi feito anteriormente (equao 2.17), restando ( p) .

Para tanto, deriva-se o

ento o clculo da matriz Hessiana

i-simo

elemento

do vetor gradiente (equaes 2.12 e 2.14) em relao ao parmetros

j -simo

elemento do vetor de

pj

(equao 2.3)

pj

( p) pi

pj

( f p) pi
T

o f ( d p)
(2.29)

( 2f p) 2 pj pi

o f ( d p)

( ( f p) f p) + 2 pi pj
escalar

escalar
Esta equao 2.29 representa o

j -simo

elemento da

i-sima

linha da matriz Hes-

siana (ver Apndice A). No mtodo de Gauss-Newton, o termo envolvendo as segundas derivadas de por

( f p)

negligenciado. Desta forma a equao 2.29 pode ser aproximada

2. Formulao matemtica do problema inverso

17

pj

( p) pi

( ( p) f p) f 2 . pi pj p 0
dada por

(2.30)

Sendo assim, matriz Hessiana avaliada em

( ( p0 ) f p0 ) f p p1 1 T ( p0 ) p0 ) f f ( ( p0 ) 2 p2 p1 . . . T f ( ( p0 ) p0 f pM
ou

p1

T T ( ( ( ( p0 ) p0 ) f p0 ) f f p0 ) f ... p1 p2 p1 pM T T ( ( ( ( p0 ) p0 ) f p0 ) f f p0 ) f ... , p2 p2 p2 pM . . . . .. . . . T T ( ( ( ( p0 ) p0 ) f p0 ) f f p0 ) f ... pM p2 pM pM

T ( f p0 ) p 1 T p0 ) f ( ( p0 ) f ( p0 ) 2 p2 p1 . . . T f ( p0 )

( ( f p0 ) f p0 ) ( ( =G p0 ) T G p0 ) , ... p2 pM

(2.31)

pM
em que

( G p0 )

matriz de sensibilidade (equao 2.18) avaliada em p 0 .

A partir das equaes 2.17 e 2.31, o sistema de equaes 2.28 pode ser escrito como

( ( ( o f ( p0 ) p=G p0 ) T d p0 ) , G p0 )T G
em que em

(2.32)

o d

o vetor de dados observados e

( f p0 )

o vetor de dados preditos avaliado

p 0 .

Este sistema de equaes o

sistema de equaes normais do problema inverso

no-linear.
A equao 2.32 descreve o clculo da correo do mtodo Gauss-Newton.

em uma determinada iterao

Para o caso em que a funo

fi ( p)

uma combinao

2. Formulao matemtica do problema inverso

18

linear dos parmetros (equao 2.19), a equao 2.32 se reduz ao sistema de equaes normais do

problema inverso linear

(equao 2.23)

Isto mostra que a soluo do

problema inverso linear um

caso particular

da soluo do

problema inverso no-

linear pelo mtodo Gauss-Newton.

Outra observao importante a semelhana entre

as equaes 2.23 e 2.32, o que evidencia que um problema inverso no-linear uma sucesso de problemas inversos lineares.

1 Dica:

Lembre que nos casos lineares

p ( f p) = G + b.

19

Captulo 3 Regularizao
As equaes 2.23 do problema inverso linear e 2.32 do problema inverso no-linear so

equaes normais. posto completo.

Estas equaes so sistemas lineares cuja matriz quadrada. Para

que a soluo de uma equao normal seja nica, necessrio que esta matriz tenha Uma condio para que uma matriz tenha posto completo que todas

as suas colunas (ou linhas) sejam

linearmente independentes.

Esta condio equiva-

lente a dizer que a matriz possui determinante diferente de zero. Em problemas geofsicos, comum que a matriz do sistema normal possua determinante prximo de zero. Ou seja, para ns prticos pode-se considerar que a matriz

no

tenha posto completo. Isto faz com que o problema inverso geofsico seja um problema

mal posto.
Um problema

mal-posto apresenta, principalmente, instabilidade e falta

de unicidade da soluo.
A

instabilidade a alta variabilidade dos parmetros perante peque-

nas variaes nos dados.

Exemplo 3.1. Seja um conjunto de dados preditos A e outro conjunto de dados preditos
ligeiramente diferentes B. Se o problema inverso apresenta instabilidade, os parmetros que produzem os dados preditos A so consideravelmente diferentes daqueles que produzem os dados preditos B.

3. Regularizao
A

20

falta de unicidade a existncia de vrios conjuntos de parme-

tros que produzem os mesmos dados preditos.

Se o problema inverso apresenta falta de unicidade, os dados observados podem ser explicados por vrios conjuntos de parmetros diferentes. Em termos prticos, existem vrios vetores de parmetros diferentes que minimizam a funo do ajuste (equao 2.11). Os problemas inversos encontrados na geofsica so, em geral, mal-postos. Os principais motivos para isto so: a presena de rudo nos dados observados; e, principalmente, a prpria natureza do problema inverso. Neste ltimo caso, mesmo se fssemos capazes de obter dados completamente isentos de rudo, ainda teramos diversas combinaes de parmetros capazes de explicar os dados observados (i.e., falta de unicidade). Por este motivo, quando nos deparamos com problemas inversos na geofsica, essencial a utilizao de A

regularizao.

regularizao um procedimento matemtico que contorna os problemas de ins-

tabilidade e falta de unicidade em problemas inversos mal-postos. Esse procedimento equivale a impor restries aos parmetros a serem estimados. Desta forma, em um

problema inverso regularizado buscamos estimar um conjunto de parmetros que ajustam os dados observados e satisfaam determinadas restries. troduzem informaes Estas restries in-

a priori

no problema inverso.

As informaes podem ser de

natureza geolgica ou meramente matemtica. Em geral, a introduo de informaes a priori feita por meio de pendem dos parmetros. formamos a

funes regularizadoras,

que so funes escalares que de-

Para incorporar informao a priori ao ajuste dos dados,

funo objetivo

( p) = ( p) + ( p) ,
em que

(3.1)

( p) a funo do ajuste (equao 2.11), ( p) uma funo regularizadora e

um escalar positivo denominado

parmetro de regularizao.

Desta forma, o

problema

3. Regularizao
inverso regularizado a funo objetivo.
Neste ponto importante ressaltar que denido como estimar um vetor de parmetros

21
p que minimiza

parmetro de regularizao controla a importncia relativa

entre o ajuste aos dados observados e a concordncia com a informao a priori.

O valor de

denido pelo usurio da inverso e por isso importante compreender

sua inuncia no resultado obtido (parmetros estimados). Valores altos de

tornam

o problema inverso bem posto e fazem com que os parmetros estimados satisfaam quase completamente as informaes a priori. Porm, isto geralmente faz com que haja um desajuste entre os dados observados e preditos. Por outro lado, valores baixos de

fazem com que os parmetros estimados ajustem os dados observados. No entanto,

a estimativa poder ser no-nica e/ou instvel, dependendo de quanto o problema inverso for mal-posto. Idealmente, deve-se encontrar um valor de

que proporcione

um bom ajuste e satisfaa as informaes a priori o suciente para estabilizar a soluo. Procedimentos prticos para determinao do valor de 4. No problema inverso regularizado, a linearidade no depende apenas da funo

sero discutidos no Captulo

fi ( p)

(equao 2.4) que relaciona os parmetros aos dados preditos, mas tambm da funo regularizadora. Nesse caso, para que o problema inverso seja linear, necessrio que tanto

fi ( p)

como o

gradiente da funo regularizadora sejam combinaes

lineares dos

parmetros. Se ao menos uma destas funes for no-linear, o problema inverso dever ser resolvido como um problema inverso no-linear. Como foi observado anteriormente (Seo 2.2), o problema inverso linear um caso particular do problema inverso no-linear. Por esta razo, a formulao geral para o problema inverso regularizado ser feita seguindo os procedimentos adotados para o problema inverso no-linear. Assim sendo, iniciaremos expandindo a funo objetivo (equao 3.1) em srie de Taylor at segunda ordem

3. Regularizao

22

1 T ( ( p0 + p) ( p0 ) + p0 )T p + p ( p0 ) p, 2
sendo o vetor gradiente

(3.2)

( p0 )

e a matriz Hessiana

( p0 )

de

( p)

dados por

( ( ( p0 ) = p 0 ) + p0 )
e

(3.3)

( ( ( p0 ) = p0 ) + p0 ) ,
em que

(3.4)

( ( o parmetro de regularizao, p0 ) e p0 ) so o gradiente e a Hessiana ( p0 )

e

da funo do ajuste (equaes 2.17 e 2.31) e

( p0 )

so o gradiente e a

Hessiana da funo regularizadora, todos avaliados em

p 0 .

Seguindo a deduo feita para o problema inverso no-linear (Seo 2.2), a correo

p em

uma determinada iterao do mtodo Gauss-Newton

( ( p0 ) p = p0 ) .

(3.5)

Substituindo o gradiente e a Hessiana da funo do ajuste (equaes 2.17 e 2.31) obtemos

( ( ( ( o f ( ( 2G p0 )T G p0 ) + p0 ) p = 2G p0 ) T d p0 ) p0 ) .
Esta a equao para o

(3.6)

problema inverso regularizado.

A seguir, apresentaremos

diferentes funes regularizadoras comumente encontradas em problemas inversos na geofsica. Tambm mostraremos como ca a equao 3.6 para cada um dos casos.

1 Tente

obter a equao normal para o caso em que

( f p)

linear.

3. Regularizao

23

3.1 Norma mnima (Tikhonov de ordem 0)

A funo regularizadora mais comumente usada a chamada conhecida como

norma mnima (tambm

Como seu nome sugere,

ridge regression ou Tikhonov de ordem zero).

esta funo utilizada para incorporar a informao de que o vetor de parmetros deve ter a norma quadrtica ( 2 ou Euclidiana) mnima. Isto , os parmetros devem ser assumir valores mais prximos possveis a zero. De forma similar a equao 2.9, a funo regularizadora de norma mnima tem a seguinte forma

N M ( p) = p T p .
O vetor gradiente

(3.7)

N M ( p)

e a matriz Hessiana

N M ( p)

(ver Apndice A) desta

funo so, respectivamente,

p N M ( p) = 2 I
e

(3.8)

N M ( , p) = 2I
em que

(3.9)

a matriz identidade de dimenso

M M,

lembrando que

o nmero de

parmetros. Note que o gradiente da funo regularizadora de norma mnima uma

combinao linear dos parmetros.

Para o caso em que a funo tambm

fi ( p)

que relaciona os dados preditos aos parmetros

linear (equao 2.19), a equao normal do problema inverso linear regular-

izado, para o caso da regularizao de norma mnima,

p T d T G + I o b , G = G
em que

(3.10)

o parmetro de regularizao,

o d

o vetor de dados observados,

matriz de sensibilidade,

um vetor de constantes (equao 2.21) e

a soluo de

3. Regularizao
norma mnima para o problema inverso linear. J para o caso em que linear.

24
2

fi ( p) no-linear,

o problema inverso torna-se tambm no-

Assim sendo, a equao normal do

problema inverso no-linear regularizado,

para o caso da regularizao de norma mnima,

( ( ( o f ( G p0 )T G p0 ) + I p=G p0 ) p 0 . p0 ) T d
em que a

(3.11)

( f p0 ) o vetor de dados preditos avaliado em p 0 e p a correo a ser aplicada

p 0 .

3.2 Igualdade
H casos em que se conhece um valor aproximado de um ou mais parmetros. Esta informao pode ser proveniente de furos de sondagem, aoramentos, etc. Nestes casos, desejvel que o valor estimado para estes parmetros seja o mais prximo possvel dos valores conhecidos (e preestabelecidos). Para tanto, utilizamos a

funo regularizadora

de igualdade
T A ( IG ( p) = ( pp a )T A pp a) ,
em que

(3.12)

p a

um vetor cujo

j -simo
3

elemento : o valor conhecido (preestabelecido) do

j -simo

parmetro; ou zero

caso no haja um valor conhecido do

j -simo

parmetro.

A matriz

uma matriz diagonal quadrada de dimenso M M , lembrando que M A

o nmero de parmetros. O

1 (um) caso haja um j -simo elemento da diagonal de A j -simo

parmetro, ou 0 (zero) caso contrrio.

valor conhecido (preestabelecido) para

Exemplo 3.2. Digamos que em um determinado problema inverso a funo fi ( p)

depende de trs parmetros. Alm disso, desejamos que o segundo parmetro p2 seja
2
Onde foi parar o termo depende da

p no

3 Na

N M ( p0 )? Dica: aproximao inicial p 0 .

Mostre que, se o problema inverso linear, a estimativa

prtica, pode-se utilizar qualquer valor.

3. Regularizao

25

o mais prximo possvel do valor 26. Podemos ento usar a funo regularizadora de
sero igualdade para impor essa restrio. Neste caso, os vetores p e p a e a matriz A p1 p = p2 , p3
O vetor gradiente

0 p a = 26 0

0 0 0 = 0 1 0 . e A 0 0 0

IG ( IG ( p) e a matriz Hessiana p) (ver Apndice A) da funo

regularizadora de igualdade so, respectivamente,

T A ( IG ( p) = 2 A pp a)
e

(3.13)

IG ( T A . p) = 2A
Para o caso em que a funo tambm

(3.14)

fi ( p)

que relaciona os dados preditos aos parmetros

linear (equao 2.19), a equao normal do problema inverso linear regular-

izado, para o caso da regularizao de igualdade,

T G + A T A p T d T A p o G = G b + A a,
em que

(3.15)

o parmetro de regularizao,

o d

o vetor de dados observados,

matriz de sensibilidade,

um vetor de constantes (equao 2.21) e

a soluo do

problema inverso linear com regularizao de igualdade. J para o caso em que linear.

fi ( p) no-linear,

o problema inverso torna-se tambm no-

Assim sendo, a equao normal do

problema inverso no-linear regularizado,

para o caso da regularizao de igualdade,

( ( T A ( T A [ o f ( G p0 )T G p0 ) + A p=G p0 ) T d p0 ) A p0 p a] .

(3.16)

3. Regularizao
em que a

26

( f p0 ) o vetor de dados preditos avaliado em p 0 e p a correo a ser aplicada

p 0 .

3.3 Suavidade (Tikhonov de ordem 1)

Em certas situaes desejvel que a distribuio dos parmetros seja suave. Existem diversas interpretaes para esta restrio, porm a mais comum que parmetros espacialmente adjacentes devem ter valores mais prximos possvel. Em outras palavras, no devem haver variaes abruptas entre parmetros espacialmente adjacentes, ou que a diferena entre estes parmetros deve ser mnima. A funo regularizadora utilizada para incorporar a informao de suavidade tem a seguinte forma

SV ( p) = v T v ,
em que vetor

(3.17)

v um vetor com as diferncas entre os parmetros espacialmente adjacentes.

v uma aproximao de diferenas nitas para a derivada espacial dos parmetros

e pode ser escrito como

p v =R ,
em que

(3.18)

uma matriz de diferenas nitas.

Exemplo 3.3. Seja o problema inverso de estimar o relevo de uma bacia sedimentar. Uma possvel parametrizao seria discretizar a bacia em 7 prismas retangulares justapostos com larguras xas. Os parmetros a serem estimados seriam ento as 7 espessuras dos prismas (Figura 10). Impor suavidade ao relevo da bacia equivalente a minimizar as diferenas p1 p2 , p2 p3 , p3 p4 , p4 p5 , p5 p6 e p6 p7 . Neste caso, o vetor v das diferenas entre os parmetros espacialmente adjacentes dado por

3. Regularizao

27

x
p1 p2 p3 p5 p4 p6 p7

Embasamento

z
Figura 10: Exemplo de parametrizao do relevo de uma bacia sedimentar. Neste caso, os 7 parmetros utilizados so as espessuras de prismas retangulares justapostos. Impor suavidade ao relevo da bacia equivalente a minimizar as diferenas

p1 p2 ,

p2 p3 , p3 p4 , p4 p5 , p 5 p6

p6 p7 .

p 1 0 0 0 0 p1 p2 1 1 0 p2 p p 0 1 1 0 0 0 0 3 2 p 3 p3 p4 0 0 1 1 0 0 0 p . v = 4 = p4 p5 0 0 0 1 1 0 0 p5 p p 0 0 0 0 1 1 0 6 5 p6 0 0 0 0 0 1 1 p6 p7 p7
R p

(3.19)

funo regularizadora de suavidade (tambm conhecida como Tikhonov de ordem

um) pode ser escrita como

T R p . SV ( p) = p T R
O vetor gradiente

(3.20)

SV ( SV ( p) e a matriz Hessiana p) (ver Apndice A) desta funo

so, respectivamente,

T R p SV ( p) = 2 R

(3.21)

3. Regularizao
e

28

SV ( T R . p) = 2 R
O gradiente da funo regularizadora de norma mnima uma

(3.22)

combinao linear problema inverso

dos parmetros.

Para o caso em que a funo

fi ( p)

que relaciona os dados preditos aos

parmetros tambm

linear

(equao 2.19), a equao normal do

linear regularizado, para o caso da regularizao de suavidade,

T G p T d o + R T R G = G b ,
em que

(3.23)

o parmetro de regularizao,

o d

o vetor de dados observados,

matriz de sensibilidade,

um vetor de constantes (equao 2.21) e

a soluo

suave para o problema inverso linear. J para o caso em que linear.

fi ( p) no-linear,

o problema inverso torna-se tambm no-

Assim sendo, a equao normal do

problema inverso no-linear regularizado,

para o caso da regularizao de suavidade,

( ( T R ( T R p o f ( G p0 )T G p 0 ) + R p=G p0 ) T d p0 ) R 0 .
em que a

(3.24)

( f p0 ) o vetor de dados preditos avaliado em p 0 e p a correo a ser aplicada

p 0 .

3.4 Variao total

Ao contrrio do que vimos na Seo 3.3, h situaes em que desejvel que hajam algumas

descontinuidades

entre parmetros espacialmente adjacentes.

Nestes casos,

podemos utilizar a funo regularizadora de

variao total
L

VT

( p) =
k=1

|vk | ,

(3.25)

3. Regularizao
em que

29

vk , k = 1, 2, . . . , L, o k -simo elemento do vetor de diferenas v (equao 3.18). vk = 0, podemos aproxim-la por

Como esta funo no diferencivel para valores de

sendo

VT

( p)

VT ( p)

=
k=1

2 +, vk

(3.26)

um escalar positivo pequeno.

O vetor gradiente

V T ( p)

e a matriz Hessiana

V T ( p)

desta funo so, respec-

tivamente, (Martins et al., 2011)

VT T q ( p) = R ( p)

(3.27)

V T ( ( , T Q p) = R p) R
sendo

(3.28)

uma matriz de diferenas nitas (equao 3.18). O vetor

( q ( p) e a matriz Q p)

so, respectivamente,

q ( p) =
e

v1

2 v1 + v2 2 v2 + . . . vL 2 vL +

(3.29)

0
2 (v2

(v 2 + ) 3 2 1 0 Q( p) = . . . 0

... ...
.. .

0 0
. . .

+ ) 2
. . .

...

2 (vL + ) 2
3

(3.30)

3. Regularizao

30

Como o gradiente e a Hessiana da funo regularizadora de variao total (equaes 3.27 e 3.28) no so combinaes lineares dos parmetros, a utilizao desta funo regularizadora torna o problema inverso do

no-linear.

Assim sendo, a equao normal

problema inverso no-linear regularizado,

para o caso da regularizao de variao

total,

( ( T Q ( ( T q o f ( G p0 ) T G p0 ) + R p0 )R p=G p0 ) R p0 )T d ( p0 ) .

(3.31)

em que a

( f p0 ) o vetor de dados preditos avaliado em p 0 e p a correo a ser aplicada

p 0 .

31

Captulo 4 Procedimentos prticos

Durante a soluo de problemas inversos nos deparamos com diversos obstculos, como:

Por que a inverso no foi capaz de ajustar os dados observados?

Como determinar um valor adequado para o parmetro de regularizao?

Como analisar a estabilidade da soluo?

Neste captulo descreveremos alguns procedimentos prticos para abordar estas questes.

4.1 Ajustar os dados observados

Em situaes reais, nem sempre possvel ajustar perfeitamente os dados observados. Isso pode acontecer por trs principais razes:

1. Os dados observados contm rudo;

2. A funo

fi ( p)

escolhida para descrever a relao entre os parmetros e os dados

preditos no capaz de descrever o sistema fsico de forma satisfatria;

3. Excesso de regularizao;

O primeiro caso esperado pois observaes sempre contm algum tipo de rudo. Embora existam tcnicas para a atenuao de rudo, impossvel que ele seja removido

4. Procedimentos prticos

32

completamente. Alm disso, rudos de carter aleatrio no so descritos pela relao funcional entre os parmetros e os dados preditos (equao 2.4). Sendo assim, no

ajustar perfeitamente os dados observados aceitvel, desde que o desajuste esteja dentro do nvel de rudo estimado dos dados. J no segundo caso, a funo escolhida para descrever a relao entre os parmetros e os dados preditos no representa o sistema fsico de forma adequada. Nesse

caso, mesmo se os dados observados fossem isentos de rudo (situao impossvel em condies reais), no seria possvel estimar parmetros que ajustassem os dados observados. Isso um indcio de que a hiptese escolhida para representar o sistema

fsico no vlida. crucial ressaltar que este um resultado to importante quanto encontrar uma hiptese que descreva o sistema fsico de forma satisfatria. Este tipo de resultado nos permite descartar hipteses (i.e., cenrios geolgicos)

com base nos

dados geofsicos.
O terceiro caso, em que h excesso de regularizao, devido a utilizao de valores demasiado elevados do de

parmetro de regularizao

(equao 3.1). Valores elevados

do excessiva importncia para a informao a priori (i.e., regularizao), o que

causa um desajuste dos dados. J valores baixos de

priorizam o ajuste dos dados e

negligenciam a informao a priori. Neste caso, embora haja um bom ajuste dos dados, o problema inverso se torna instvel. Na Seo 4.2 trataremos da escolha de uma valor adequado para

4.2 Determinar um valor para o parmetro de regularizao

O valor do parmetro de regularizao para um caso geral. O valor de

(equao 3.1)

no

pode ser determinado

pode ser diferente para cada dado observado e

cada parametrizao utilizada. Alm disto, no caso em que haja mais de um funo regularizadora, pode ser desejvel impor alguma delas mais fortemente que as outras.

4. Procedimentos prticos

33

Por exemplo, se utilizarmos ambas as funes regularizadoras de suavidade e igualdade (equaes 3.20 e 3.12, respectivamente), podemos desejar que a igualdade seja imposta mais que a suavidade. No entanto, h procedimentos que permitem encontrar valores de

que sejam considerados adequados.

Um valor adequado de

deve proporcionar um equilbrio entre a estabilidade da

soluo e o ajuste dos dados observados. Embora existam alguns mtodos para escolha automtica do parmetro de regularizao (Aster et al., 2005), ainda no h uma maneira de determinar um valor timo. Alm disso, estes mtodos automticos so

aplicveis somente a problemas inversos que utilizam uma nica funo regularizadora. Sendo assim, apresentamos a seguir um procedimento prtico que consiste em escolher o menor valor possvel para o parmetro de regularizao para que o problema inverso seja bem-posto (i.e., com soluo nica e estvel). Seja um conjunto de

dados observados e

parmetros, o procedimento prtico

segue as seguintes etapas:

1. Gerar um vetor

de

valores aleatrios. Cada valor deve ser a realizao de

uma varivel aleatria com distribuio Gaussiana de mdia zero e desvio padro igual ao nvel de rudo estabelecido para os dados;

2. Gerar um vetor

de

dados observados perturbados a partir da soma do vetor de

o vetor de dados observados

valores aleatrios

e e

0 d

=d 0 + e d ;

3. Repetir as etapas 1 e 2 para gerar um conjunto de perturbados diferentes;

Q vetores de dados observados

4. Estabelecer um valor pequeno para o parmetro de regularizao

5. Utilizar este valor de diferentes.

em

inverses para estimar

vetores de parmetros

Cada vetor de parmetros corresponde a um dos vetores de dados

4. Procedimentos prticos
observados perturbados;

34

6. Calcular o desvio padro dos

valores obtidos para o

j -simo

parmetro;

7. Repetir a etapa 6 para cada um dos

parmetros;

8. Se ao menos um dos

parmetros apresentar um desvio padro maior que um

valor mximo preestabelecido, considere que o valor de caso, aumente ligeiramente o valor de

no adequado. Nesse

e repita as etapas 5-7;

9. Se nenhum dos

parmetros apresentar um desvio padro maior que um valor

mximo preestabelecido, considere que o valor de inverso est bem regularizado;

adequado e o problema

As etapas 1-3 e 5-8 acima so o procedimento adotado para a da soluo.

anlise da estabilidade

35

Captulo 5 Leitura recomendada

Livros sobre problemas inversos:

Tarantola (2005)

Menke (1989)

Aster et al. (2005)

Mtodos potenciais:

Silva et al. (2001)

Medeiros and Silva (1996)

Martins et al. (2011)

Barbosa and Silva (2011)

Otimizao:

Kelley (1999)

36

Referncias Bibliogrcas
Aster, R. C., B. Borchers, and C. H. Thurber, 2005, Parameter estimation and inverse problems: Elsevier Academic Press. Barbosa, V. C. F., and J. B. C. Silva, 2011, Reconstruction of geologic bodies in depth associated with a sedimentary basin using gravity and magnetic data: Geophysical Prospecting,

59, 10211034.

Kelley, C. T., 1999, Iterative methods for optimization: Raleigh: SIAM. Martins, C. M., W. A. Lima, V. C. F. Barbosa, and J. B. C. Silva, 2011, Total variation regularization for depth-to-basement estimate: Part 1 - mathematical details and applications: Geophysics,

76, I1I12. 61, 16781688.

Discrete inverse theory: San Diego:

Medeiros, W. E., and J. B. C. Silva, 1996, Geophysical inversion using approximate equality constraints: Geophysics,

Menke, W., 1989, Geophysical data analysis: Academic Press Inc.

Silva, J. B. C., W. E. Medeiros, and V. C. F. Barbosa, 2001, Potential eld inversion: Choosing the appropriate technique to solve a geologic problem: Geophysics, 511520. Tarantola, A., 2005, Inverse problem theory and methods for model parameter estimation: Philadelphia: SIAM.

66,

37

Apndice A Operaes com matrizes

A seguir, demonstraremos como fazer algumas operaes matemticas com matrizes e vetores. Mas antes, algumas denies.

A.1 Denies
Denio 1. Um vetor x de M elementos uma matriz de uma coluna e M linhas
x1 x2 x = . . . xM ( funes f x) dado por f1 ( x) f2 ( x) ( f x) = . . . fN ( x)

(A.1)

Denio 2. Dado um conjunto de N funes f1 ( x), f2 ( x), . . . , fN ( x), o vetor de

(A.2)

( Denio 3. A derivada do vetor f x) de N elementos em relao ao i-simo elemento

de x , xi ,

A. Operaes com matrizes

f1 ( x) xi f2 ( x) x i f ( x) = . xi . . fN ( x ) xi

38

(A.3)

Denio 4. O vetor u N i de N elementos possui todos seus elementos iguais a zero,

exceto o i-simo elemento que igual a 1
0 . . . . . . ui1 0 u N i = ui = 1 ui+1 0 . . . . . . uN 0 u1

(A.4)

em relao ao vetor x Denio 5. O operador gradiente de N elementos igual a x1 x2 = . . . xN

(A.5)

em relao ao vetor x Denio 6. O operador Hessiana de N elementos igual a 2 x2 1 2 x2 x1 2 x2 2 2 ... xN x1 2 ... xN x2 . ... . . 2 ... x2 N

2 = T = x1 x2 . . . 2 x1 xN

. . .
2 x2 xN

(A.6)

A. Operaes com matrizes

39

A.2 Derivadas
A seguir demonstramos como calcular casos,

um vetor de

elementos e

( f x)

( f ( x) f x) e para diversos casos. Em todos os xj xj

um vetor de

elementos.

Exemplo A.1. Para o caso

x ( f x) = A ,
(A.7)

uma matriz de dimenso N M . em que A , podemos escrever a matriz A em relao a suas M Seja a j a j -sima coluna de A colunas = a A 1 . . . a j . . . a M ,
(A.8)

e ento
( f x) = x1 a 1 + + xj a j + + xM a M . ( Neste caso, a derivada de f x) em relao a xj 0 0 b & (  & x1 a x a x a f x) 1 j j M M & = + + + + & xj x x x j j j & u =a j = A M j .
(A.9)

(A.10)

Exemplo A.2. Para o caso

T , ( f x) = x T A
(A.11)

uma matriz de dimenso N M . em que A , podemos escrever a matriz A T em relao as M Seja a j a j -sima coluna de A colunas de A . . . T = A T a j , . . . a T M a T 1

(A.12)

e ento

A. Operaes com matrizes

40

( f x) = x1 a T T T 1 + + xj a j + + xM a M . ( Neste caso, a derivada de f x) em relao a xj 0 0 b T  T T& x a & f ( x) x1 a xM a j j = 1 + + + + && M xj x xj xj & j

T T =a T uM j = ( j ) A .

(A.13)

(A.14)

Exemplo A.3. Para o caso

( f x) = x , ( a derivada de f x) em relao a xj ( f x) =u M j . xj
(A.16) (A.15)

Exemplo A.4. Para o caso

f ( x) = a T x =x T a ,
(A.17)

a derivada de f ( x) em relao a xj

Exemplo A.5. Para o caso

0 0 b &  x1 a f ( x) xj aj xM a& 1 M = + + + + && = aj = a T u M j . xj x x x j j j &

(A.18)

T A x x x f ( x) = x T A = (A )T (A ),

(A.19)

a derivada de f ( x) em relao a xj (ver equao A.10)

x (A ) f ( x) = xj xj
T

x (A ) x x (A ) + (A )T xj
(A.20)

T u x u ) + (A )T (A M = (A M j ) (Ax j ) .

escalar

escalar

Como o transposto de um escalar igual a ele mesmo

1O
transposto de um escalar igual a ele mesmo.

A. Operaes com matrizes

41

f ( x) T T T u = 2(A M ) = 2( uM . j ) (Ax j ) A Ax xj

(A.21)

A.3 Gradientes
A seguir demonstramos como calcular

f ( x)

para diversos casos. Em todos os casos,

um vetor de

elementos.

Exemplo A.6. Para o caso

f ( x) = a T x =x T a ,
(A.22)

o gradiente de f ( x) (ver equao A.18)

f ( x) x 1 f ( x ) a1 x a2 2 = f ( =a x) = . . . . . . . aM f ( x) xM

(A.23)

Exemplo A.7. Para o caso

T A x f ( x) = x T A ,
(A.24)

o gradiente de f ( x) (ver equao A.21)

f ( x) x M T M T T ( u 2( u ) A A x ) 1 1 1 f ( x) M T T M T ( A x 2( u ) A u ) 2 T x 2 T A x 2 = f ( = 2 . = 2A x) = . A Ax . . . . . . . . M T T M T f ( 2( uM ) A A x ( uM ) x) xM I
2O
transposto de um escalar igual a ele mesmo.

(A.25)

A. Operaes com matrizes

42

A.4 Hessianas
A seguir demonstramos como calcular

f ( x)

para diversos casos. Em todos os casos,

um vetor de

elementos.

Exemplo A.8. Para o caso

T A x f ( x) = x T A ,
(A.26)

a Hessiana de f ( x) (ver equao A.25)

T

f ( T A x [ f ( 2A x) = x)]T =

T A x = 2 T A
T B

T . x = 2 T B

(A.27)

, segue que (ver equao A.14) Sendo bj a j -sima coluna de B T x T B x1 T x T B x2 T b1 T b2 T . = =B . . . T bM

T x T B

(A.28)

. . .
T x T B xM

Logo,
f ( T A . T = 2A x) = 2 B
(A.29)

A.5 Expanso em srie de Taylor

A seguir demonstramos como calcular a expanso em srie de Taylor de primeira e segunda ordem. Em todos os casos,

f ( x)

at a A

um vetor de

elementos.

expanso ser feita em torno de um ponto

x 0

tal que

x =x 0 + x.

(A.30)

A. Operaes com matrizes

A.5.1 At primeira ordem

43

A expanso em srie de Taylor de

f ( x)

at a primeira ordem

f ( x) f ( x0 ) +

f f f ( x0 )x1 + ( x0 )x2 + + ( x0 )xM x1 x2 xM x1 x2 f f f f ( x0 ) + ( x0 ) ( x0 ) . . . ( x0 ) . x1 x2 xM . . f ( x0 )T xM

x

(A.31)

f ( f ( x0 ) + x0 )T x.
A.5.2 At segunda ordem

Baseado na equao A.31, a expanso em srie de Taylor de

f ( x) at a segunda ordem

f ( f ( x) f ( x0 ) + x0 )T x 1 2 f ( x0 ) 1 2 f ( x0 ) 1 2 f ( x0 ) x + x x + + x xM + x1 1 1 2 1 2 2 x1 2 x2 x1 2 xM x1 1 1 1 2 f ( x0 ) 2 f ( x0 ) 2 f ( x0 ) + x2 x1 + x2 x2 + + x2 xM 2 2 x1 x2 2 x2 2 xM x2 + 1 2 f ( x0 ) 1 2 f ( x0 ) 1 2 f ( x0 ) + xM x1 + xM x2 + + xM xM . 2 2 x1 xM 2 x2 xM 2 xM
(A.32) Transformando as multiplicaes de vetor

xj

do lado direito em um produto escalar com o

obtemos

A. Operaes com matrizes

44

f ( f ( x) f ( x0 ) + x0 )T x + 1 2 f ( x0 ) 2 f ( x0 ) 2 f ( x0 ) x x1 x . . . x 1 1 2 2 x1 x2 x1 xM x1
(A.33)

1 2 f ( x0 ) 2 f ( x0 ) 2 f ( x0 ) + x2 x2 . . . x 2 2 2 x1 x2 x2 xM x2 + + 1 2 f ( x0 ) xM 2 x1 xM xj xM 2 f ( x0 ) x2 xM . . . xM 2 f ( x0 ) 2 xM

x.

Em seguida, colocamos

em evidncia

f ( f ( x) f ( x0 ) + x0 )T x 1 2 f ( x0 ) + x1 2 x2 1 2 f ( x0 ) 2 f ( x0 ) x ... x2 x1 xM x1
escalar

1 2 f ( x0 ) + x2 2 x1 x2 + 1 2 f ( x0 ) + xM 2 x1 xM

2 f ( x0 ) 2 f ( x0 ) . . . 2 x2 xM x2
escalar

(A.34)

2 f ( x0 ) x2 xM

...

2 f ( x0 ) 2 xM

x.

escalar
Agora, transformamos a multiplicao de o vetor

xj

a esquerda em um produto escalar com

A. Operaes com matrizes

45

f ( f ( x) f ( x0 ) + x0 )T x 2 f ( x0 ) x2 1 2 f ( x0 ) 2 f ( x0 ) x ... x2 x1 xM x1 2 2 . f ( x0 ) f ( x0 ) x . . . x2 x x M 2 2 . . . 2 2 f ( x0 ) f ( x0 ) x ... x2 xM x2 M

2 f ( x0 ) 1 T + x x1 x2 2 2 f ( x0 ) x1 xM
Colocando

(A.35)

em evidncia e lembrando da equao A.6 obtemos

f ( f ( x) f ( x0 ) + x0 )T x 2 f ( x0 ) x2 1 2 f ( x0 ) 1 T + x x1 x2 2 . . 2 . f ( x0 ) x1 xM 2 f ( x0 ) x2 x1 2 f ( x0 ) x2 2
. . .

2 f ( x0 ) x2 xM
f ( x0 )

2 f ( x0 ) ... xM x1 2 f ( x0 ) . ... x xM x2 . .. . . . 2 f ( x0 ) ... x2 M

(A.36)

Finalmente, a expanso de

f ( x)

em srie de Taylor at segunda ordem

1 T f ( f ( x) f ( x0 ) + x0 )T x + x f ( x0 ) x. 2

(A.37)