Resumen

Los problemas gaussianos de linealidad inversa se resuelven de forma tradicional usando inversión basada en mínimos cuadrados. A menudo se escoge el centro de la distribución de probabilidad posterior de Gauss como la solución de tales problemas, mientras que esta es, de hecho, la distribución en sí misma.

Los autores de este documento presentan un algoritmo basado en simulación secuencial directa que puede utilizarse para extraer muestras de la distribución de probabilidad posterior para problemas de linealidad inversa. No existe una restricción gaussiana sobre la distribución en el espacio de parámetros del modelo.

Como los datos para los problemas de linealidad inversa se pueden ver como promedios ponderados lineales sobre algún volumen, es posible usar el kriging de bloques para llevar a cabo tanto la estimación como la simulación. Aquí se muestra el sistema kriging que se usó para implementar un algoritmo flexible basado en GSLIB para resolver problemas de linealidad inversa.

Se muestra cómo se implementó este programa de simulación condicionado por los datos lineales promedio. El programa se llama VISIM (Volume Average Integration SIMulation, simulación de integración de volumen promedio). Se hizo un esfuerzo para hacer este programa eficiente aún para problemas de gran escala y se investigaron la eficiencia y la exactitud del código.

• Materias:Procesos industriales Modelos matemáticos Simulación por computador
• Subjects:Industrial processes Mathematical models Computerized simulation
• Palabras claves:Simulación, Estrategias de simulación y modelado, Simulación secuencial, Kriging, Teoría de linealidad inversa, VISIM, Algoritmo, Distribución de Gauss
• Keywords:Simulation, Simulation and modeling strategies, Sequential simulation, Kriging, Linear inverse theory, VISIM, Algorithm, Gauss distribution