Profesor | Antonio Capella Kort |
Ayudante |
Resolver problemas inversos es una tarea implícita en prácticamente todas las areas científicas y tecnológicas experimentales. Típicamente de un experimento se extrae alguna medición que no es la cantidad que se desea conocer y mediante un modelo se estima ese parámetro o cantidad que se está buscando. Esto implica resolver un problemas de inferencia. Por ejemplo, estimar el epicentro o intensidad de un temblor a partir de los sismogramas o estimar la tasa de contagio de una infección a partir de los casos positivos observados.
Objetivo:
Dar a los estudiantes los fundamentos teóricos y prácticos para resolver problemas inversos y cuantificación de incertidumbre con aplicaciones a distintas áreas del conocimiento.
Mecánica del curso:
El curso consiste de sesiones teóricas impartidas por el profesor y prácticas donde se aplicarán a los proyectos elegidos por los estudiantes los conocimientos adquiridos.
Proyectos:
Los proyectos se elegirán en el primer mes del curso y dependerán del interés de los alumnos.
Además de los proyectos descritos en la sección de propuestas de proyectos, los alumnos podrán proponer algún proyecto de su interés.
Temario:
1 Introducción a los problemas inversos y la cuantificación de incertidumbre
2 Fundamentos matemáticos de los problemas inversos
3 Métodos clásicos
3.1 Descomposición truncada en valores singulares
3.2 Regularización
3.3 Métodos iterativos
4 Teoría estadística de problemas inversos y cuantificación de incertidumbre
4.1 Problemas inversos y el teorema de Bayes
4.2 Verosimilitud
4.3 Modelos a priori
4.4 Interpretación de la posterior y estimadores
5 Marcov Chain Monte Carlo (MCMC)
5.1 Cadenas de Marcov
5.2 Algoritmo de Metropolis Hastings
5.3 Muestreo de Gibbs
5.4 Convergencia
6 Modelos jerárquicos
Proyectos propuestos:
A) Problemas inversos y cuantificación de incertidumbre en modelos de fotosíntesis
B) Problemas inversos y cuantificación de incertidumbre en modelos de trayectoria de meteoritos
Pre-requisitos:
Algebra lineal, ecuaciones diferenciales ordinarias, nociones básicas de probabilidad y estadística, programación.
Si alguno de los alumnos lo requiere se le asignara algún material para que cubra conocimientos previos necesarios. Es deseable (pero no indispensable) conocimiento de Python.
Bibliografía básica:
Groetsch CW, Inverse Problems in the Mathematical Sciences, Vieweg & Sons, Germany, 1993
Kaipo, J & Somersalo, E. Statistical and Computational Inverse Problems, Springer, 2005
Vogel, CR, Computational Methods for Inverse Problems, SIAM, Frontiers in applied mathematics, 2002