UNIVERSIDAD NACIONAL DE INGENIERA
Facultad de Ciencias
Escuela Profesional de Matemtica
Mtodo de Krylov
Seminario I
Alumna: Maritza Lourdes Moreno Capristano
Cdigo: 20030206K
Asesor: [Link] Echegaray FC-UNI
LIMA-PER
2014
Prefacio
El mtodo de Arnoldi es frecuentemente el algoritmo ms popular usado para resolver problemas de valores propios a gran escala. El objetivo principal de este paper es generalizar
el mtodo de Arnoldi para llevarlo a una ecuacin caracterstica de una "dellay diferential
equation"( DDE ecuacin diferencial de retardo ), aqu llamado "Problema de valor propio de
retraso"(DEP).
Los DDE pueden ser equivalentemente expresado con un operador lineal in nito dimensional
cuyos valores propios son soluciones de la DEP. Derivaremos un nuevo mtodo aplicando el
Mtodo de Arnoldi al problema de valor propio generalizado (GEP)asociado con una discretizacin espectral del operador y explotando su estructura. El resultado es un esquema donde
hemos expandido el subespacio no slo en la manera tradicional hecho en el mtodo de Arnoldi.
El subespacio de vectores son adems expandidos con un bloque de la en cada iteracin. Ms
importante an la estructura es tal que si el mtodo de Arnoldi empieza de modo apropiado,
ste tiene la propiedad de ser independiente del nmero de puntos de discretizacin. Esto es
equivalente a un mtodo de Arnoldi con una matriz in nita correspondiente al lmite donde
tomamos un nmero in nito de puntos de distretizacin.
Adems mostraremos una equivalencia con el mtodo de Arnoldi con un operador apropiadamente de nido. As resulta que con dicho operador de nido en un espacio con producto escalar
con respecto a los cuales los polinomios de Chebyshev son ortonormales, los vectores en la iteracin de Arnoldi pueden ser interpretados como los coe cientes en una expansin de Chebyshev
de una funcin. El mtodo proporciona la misma matriz de Heissemberg como en el mtodo de
Arnoldi aplicada al operador.
0.0.1.
INTRODUCCIN.-
Considere la ecuacin diferencial lineal variante en el tiempo con severos retardos discretos
Ai x(t i )
x (t) = A0 x(t) +
(1)
i=1
A0 , ..., Am Cnxn y 1 , ..., m R . Sin prdida de generalidad, ordenamos los
retrasos 0 = 0 < ... < m . La ecuacin diferencial (1) es conocida como una ecuacin diferencial
donde
de retardo y es frecuentemente caracterizada y analizada usnado las soluciones de la ecuacin
caraterstica asociada
det ()
(2)
donde
Ai ei .
det () = I A0
i=1
El problema de valor propio con retardo es el problema de encontrar
y las soluciones
tal que (2) cumple
son llamadas las races caractersticas o los valores propios de la DDE
(1). Los valores propios de (1) son tan importante para la DDE como los valores propios lo son
para las matrices y ecuaciones ordinarias (sin retardo). Los valores propios pueden ser usados
en muchos mbitos, por ejemplo en el estudio de la estabilidad o disenos de sistemas con buenas
propiedades en su aplicacin. En este paper se presenta un mtodo numrico para la DEP (2),
la cual en un modo viable calcula las soluciones cerca al origen. Note que debido al hecho de
que (2) puede ser reemplazado por
cercanas al punto arbitrario dado
s, el problema es equivalente a encontrar soluciones
s C , conocida como el desplazamiento. Adems note que
enfocandonos en las soluciones cercanas al origen es una circunstancia natural estudiar la estabilidad de (1), como la raz ms a derecha el cual determina la estabilidad de (1), es usualmente
por lo general las races de magnitud ms pequeas [MN07]. Nuestro mtodo es vlido para
un sistema arbitrario de matrices
al caso donde
A0 , ..., Am
A0 , ..., Am .
Sin embargo, vamos a prestar especial atencin
son matrices dispersas y grandes.
En nuestro mtodo asumimos que
m
i=0
es no singular, es decir, que
=0
no es una solucin
de (2). Tal asuncin es usual en soluciones de valores propios basados en iteracin inversa y no
es restrictivo en la prctica desde que generalmente un pequeo desplazamiento
generar un problema donde
desplazamiento
=0
s=0
podra
no sea solucin. Para un estudio detallado en la eleccin del
en un contexto delicadamente diferente, vea [MR96].
El algoritmo de Arnoldi es una algoritmo muy popular para problemas de valores propios generalizados y de standard grande. Un componente especial en este mtodo es la repetida expansin
de un subespacio con un nuevo vector [Link] presente algoritmo es basado en el mtodo de
Arnoldi para el problema de valor propio de retardo donde el subespacio es extendido no solo
del modo tradicional hecho en el mtdo de Arnoldi. Estos vectores las son adems extendidos
con un bloque la en cada iteracin.
El mtodo resulta ser muy e ciente y robusto (y esto es ilustrado con ejemplos en la Seccin
5 ). La viabilidad de este mtodo puede ser entendida desde propiedades severas y relaciones
cerradas con el mtodo de Arnoldi. Esto ser usado para desglozar y entender el mtodo.
Una propiedad importante de (2) es que las soluciones pueden ser escritas como los valores propios de un operador in nito dimensional, llammosle
es discretizar este operador
A.
Una propiedad comn para calcular
y calcular los valores propios de la matriz [BMV05,BMV09a].
Empezaremos (en la Seccin 2) desde esta propiedad y derivamos una variante de esta propiedad de discretizacin resultaldo una estructura especial. Basados sobre la estructura lpiz de
estos problemas de valores propios, nosotros derivamos (Seccin 3) un mtodo de proyeccin
sobre un espacio de Krylov como en el mtodo de Arnoldi.
Esta construccin es tal que teniendo
iteraciones con el algoritmo puede ser interpretado co-
mo mtodo de Arnoldi standard aplicado al problema discretizado con
el nmero de puntos malla
es arbitrariamente ms grande que
cada que el proceso es independiente de
N k
k.
puntos malla, donde
Esta propiedad remar-
hace el proceso dinmico en el sentido que,
desagradable discretizacin tradicional aporta, en que el nmero de mallas
no tiene que ser
jo antes de iniciada la iteracin. De hecho, tal iteracin es independiente de
N.
Adems no
es sorpresa que el algoritmo construido es equivalente al m todo de Arnoldi en un contexto
diferente. El operador
es un mapa lineal de una funcin segmento en una funcin segmento.
Con un producto interno de nido apropiadamente, es fcil conceptuar construir el mtodo de
Arnoldi en un contexto in nito dimensional. Se prueba en la seccin 4 que el presente mtodo
es equivalente al mtodo de Arnoldi aplicado a un operador in nito con un producto interno
especial.
Aunque haya numerosos mtodos para las DEP, el presente mtodo tiene severas propiedades
de apelacin no presente en otros mtodos. Hay severos mtodos basados en discretizacin tales como [BM00, Bre06, BMV05, BMV09a]. El paquete de software DDE-BIFTOOL [ELR02,
ELS01] adems usa una apropiada discretizacin combinada con un mtodo iterativo. Este es
un mtodo de dos pasos basado en:
1) estimando muchas races con una discretizacin, y luego
2) corrigiendo las soluciones calculadas con un mtodo iterativo.
En nuestro aporte no hay necesidad explcita para el segundo paso pues directamente resulta
de la iteracin. Ms an, las mallas de la discretizacin son jados apriori en aportes clsicos
de iteracin. Vea [VLR08] para la eleccin heurstica para la discretizacin usada en DDEBIFTOOL. Existe adems un paquete de software llamado TRACE-DDE [BMV09b], el cual
es una implementacin de la discretizacin aportada en [BMV05] y relata trabajo. Note que
ambos paquetes mencionados son basados en el clculo de valores propios de una matriz de
dimensin
nN xnN
usando el mtodo QR. Desagradables estos aportes los cuales son basados
en discretizacin, nuestro mtodo solo envuelve operaciones de lgebra lineal con matrices de
dimensin
nxn
haciendo esto ms cmodo para problemas donde
A0 , ..., Am
son grandes y po-
siblemente dispersos. Nuestro mtodo adems tiene la propiedad dinmica en el sentido de que
el nmero de puntos de discretizacin no es jado antes.
Existen otros aportes para la DEP, por ejemplo el mtodo QPMR [VZ09] el cual es basado
en los coe cientes de la ecuacin caracterstica y por tanto no muy agradable para sistema de
matrices
A0 , ..., Am
muy grandes y dispersas. LAs matrices grandes y dispersas forman una
importante clase de problemas el aporte presentado. Vea [Jar08, Cap 2] para ms mtodos.
La DEP pertenece a la clase de problemas llamadas problemas de valor propio no lineal. Existen mtodos severos para este tipo de problemas no lineales, vea [Ruh73, MV04]. Existen, por
instancia, los mtodos tipo Newton [Sch08, Neu85] y una versi no lineal de Davidson Jacobi
[Bv04]. Existe adems un mtodo el cual es inspirado por el mtodo de Arnoldi en [Vos04].
Nosotros podriamos forzar un nombre similar, el algoritmo presentado en este paper y el mtodo en [Vos04] (el cual ha sido aplicado al problema de valor propio retardado en [Jar08,
Capitulo 2]) tiene muy poco en comn. En comparacin a esos mtodos el presente mtodo es
esperado a ser ms viable, desde que ste es ms inherente a las propiedades del mtodo de
Arnoldi, por ejemplo, la convergencia fuerte y simultneamente para valores propios severos.
El mtodo bloque de Newton ha sido recientemente generalizado para problemas no lineales de
valores propios [Kre09] y ha sido aplicado para problemas de valores propios con retardo. Las
diferencias entre el mtodo de bloque de Newton con el mtodo de Arnoldi para problemas de
valores propios standard se ve como debe ser aqu. El mtodo de Arnoldi es frecuentemente
ms e ciente para sistemas muy grandes, ya que solo el lado derecho y no la matriz del sistema
lineal cambia en cada iteracin.
Una descomposicin (por ejemplo, descomposicin LU) puede ser calculada antes de que la
iteracin comience y que el sistema lineal pueda ser solucionado muy e cientemente. Mas an,
en el mtodo de Arnoldi no es necesario jar el nmero de soluciones deseadas antes de empezar
la iteracin.
El problema polinomial de valores propios (PEP) es un importante problema de valor propio no lineal. Existe teora reciente y algoritmos numricos para problemas de valores propios
polinomiales; vea por ejemplo, [MMMM06, MV04, Lan02]. En particular, fue recientemente
mostrada en [ACL09] cmo linealizar un PEP si esta es expresada en base de polinomios de
Chebyshev. Veremos en la seccin 4 que nuestro aporte es basado en la discretizacin de un
operador in nito dimensional y no hay necesidad explcita para estos resultados.
Finalmente notemos que el mtodo de Arnoldi presentado aqu es inspirado por el mtodo agradable de Arnoldi para problemas polinomiales de valores propios, en particular, el problema de
valores propios cuadrticos en [BS05, Fre05, Mee08].
0.0.2.
Discretizacin y formulacin tipo compaia.-
Alguna teora viable para DDEs es derivado en un ajuste donde la DDE es indicado como un sistema lineal in nito dimensional. Una representacin comn in nito dimensional ser
visto en la Secc. 2.1. El primer paso en la derivacin del importante mtodo numrico de este
paper (dada en la seccin 3) es basado en una discretizacin de esta representacin in nito
dimensional. La discretizacin es diferente de otras discretizaciones tradicionales viables en la
literaatura porque la matriz discretizada puede ser expresada con una matriz tipo compaera
y una matriz tipo bloque triangular. La discretizacin y las manipulaciones asociadas son dadas
en la Seccin 2.2 y la seccin 2.3.
2.1 Forma in nito dimensional de primer orden.X := C([m , 0], Cn ) un espacio de Banach de funciones continuas mapeando
m y equipado con la norma del supremo. Considere el operador
tervalo [m , 0] en C
A : D(A) X X de nido por
Sea
el inlineal
D(A) := { X := A0 (0) +
Ak (k )} (A() :=, [m , 0]
(3)
k=1
La ecuacin (1) puede ser reformulada como una ecuacin diferencial ordinaria abstracta
alrededor de X
= Az t .
Vea [HV93] para una descripcin detallada de
(4)
A.
zt () = x(t + ), [m , 0]
(A) de nidas como el espectro
Las soluciones correspondientes de(1) y
de (4) son dados por
Las propiedades de
del operador
son descritas en detalle
en [MN07, Capitulo 1]. El operador solo caracteriza un espectro puntual y este espectro es
determinado por el problema de valor propio
Az = z, z X, z = 0
(5)
Las conexiones con las races caractersticas son como sigue. Las races caractersticas son
los valores propios del operador
A.
Ms an si
(A),
entonces las funciones propias corres-
pondientes toman la forma
z() = ve , [m , 0],
()v = 0.
donde v
Cn \ {0}
(7)
satisface
Recprocamente, si el par
de
(6)
(v, )
satisface (2.5) y
correspondiente al valor propio
v = 0,
entonces (6) es un funcin propia
Tenemos sumarizada ? la siguiente relacin importante. Las races caractersticas aparecen como
soluciones de ambos problemas: de valor propio lineal in nito dimensional (5) y problema de
valor propio no lineal nito dimensional (7). Esta conexin juega un rol importante en muchos
mtodos para el clculo de races caractersticas y en el anlisis de su sensibilidad [MN07].
2.2.- Discretizacion [Link] manera comn para analizar numricamente el espectro de un operador in nito dimensional es discretizndolo. Aqu tomaremos un aporte basado en la aproximacin de
matriz usando un
mtodo de discretizacion espectral
Dado un entero positivo N, consideremos una malla
intervalo
en una
(Vea, [Link]. [Tre00, BMV05]).
de N+1 puntos distintos en el
[m , 0]:
N = {N,i , i = 1, ..., N + 1},
donde
m N,1 < ... < N,N < N,N +1 = 0
Consideramos el problema discretizado donde reemplazamos
N ,
ciones discretas de nidas alrededor de la malla
discretizado dentro de un bloque vector
(N )
xi
Sea
PN x(N )
(N )T
x(N ) = (x1
por el espacio
(N )
T
...xN +1 )T XN
XN de fun X es
con componentes
= (N,i ) CN , i = 1, ..., N + 1.
Cn
el nico polinomio interpolador en
(N )
(PN x(N ) )N,i = xi
de grado menor o igual a N, que satiface
, i = 1, ..., N + 1
De esta manera podemos aproximar el operador
XN XN
es decir, cualquier funcin
de nido por (2) con la matriz
AN :
de nido como
(AN x(N ) )i = (PN x(N ) ) N,i ,
i = 1, ..., N,
m
(AN x
(N )
)N +1 = A0 (PN x
(N )
Ai (PN x(N ) )(i ).
)(0) +
i=1
Usando la representacin de Lagrange
N +1
PN x
(N )
(N )
lN,k xk ,
k=1
donde los polinomios de Lagrange son tales que, lN,k (N,i )
i = k,
daremos una forma explcita para la matriz
AN ,
=1
si
i=k
y lN,k (N,i )
=0
si
d1,1
...
d1,N +1
.
.
.
.
AN = .
R(N +1)nx(N +1)n ,
dN,1 ... dN,N +1
a1 ... aN +1
(8)
donde
di,k = lN,k (N,i )In ,
i = 1, .., N, k = 1, ..., N + 1
m
ak = A0 lN,k (0) +
Ai lN,k (i ),
k = 1, ..., N + 1
i=1
Los mtodos numricos para el clculo de races caractersticas, descritas en [BMV05,
BMV06, BMV09a], son similarmente basados en la solucin de un eigenproblema lineal discretizado
AN x(N ) = x(N ) , C, x(N ) C(N +1)n , x(N ) = 0
construyendo la matriz
AN
y calculando todos sus valores propios con el mtodo QR
Con una apropiada eleccin de la malla
valores propios individuales de
(9)
AN
en la discretizacin, la convergencia de los
A es rpida. EN
O(N N )) es obtenida con una
para correspondientes valores propios de
[BMV05] se prueba que la precisin espectral (error aproximado
malla consistente de (desplazada y escalada) puntos extremos de Chebyshev.
2.3.- Una reformulacin tipo compa [Link] matriz
AN
en la ecuacin (8) no tiene una aparente estructura simple de matriz. Ahora
veremos que los valores propios de
AN
son idnticos a los valores propios de un problema de
valor propio generalizado donde una de las matrices es un bloque matriz triangular y el otro es
una matriz tipo compana, si elegimos los puntos de malla apropiadamente. La estructura de
la matriz ser explotada en la Seccin 3.
Empezaremos con la observain que el problema de valores propios discretizados (9) puede ser
directamente obtenida requeriendo que existe una matriz de grado N,
N
(N )
PN x(N ) (t) =
lN,k (t)xk ,
k=0
satisfaciendo las condiciones
(PN x(N ) ) (N,i ) = (PN x(N ) )(N,i ), i = 1, ..., N,
(10)
A0 (PN x(N ) )(0) +
Ai (PN x(N ) )(i ) = (PN x(N ) )(0).
(11)
i=1
Sin embargo un problema de valor propio equivalente a (9) puede ser obtenida expresando
PN x(N )
en funcin de una base de polinomios de Chebyshev.
(PN x
(N )
(t) =
ci Ti (2
i=0
7
t
+ 1),
m
donde
Ti
es el polinomio de Chebyshev de primer tipo y orden i, y
ci CN
Con ello, este polinomio satisface las condiciones (10) y (11) y tomando en
iUi1 (t), i 1
donde
Ui
i = 0, ..., N.
cuenta que Ti (t) =
for
es el polinomio de Chebyshev del segundo tipo y orden i , nosotros
obtenemos el siguiente problema de valor propio equivalente quivalente a (9)
()
(12)
donde las submatrices son de nidas como
1 T1 (1 ) ... TN 1 (1 )
TN (1 )
.
.
.
.
.
1 = .
, 2 =
,
.
.
.
1 T1 (N ) ... TN 1 (N )
TN (N )
U=
U0 (1 )
2U1 (1 )
N UN 1 (1 )
.
.
.
.
.
.
,
N UN 1 (N )
U0 (N ) 2U1 (N )
m
Ri = A0 Ti (1) +
Ak Ti (2
k=1
(13)
k
+ 1), i = 0, ..., N,
m
i = 2
i
+ 1, i = 1, ..., N + 1,
m
son los puntos de malla normalizados, esto es, escalados y desplazados al intervalo [-1,1].
Para simpli car (12), usamos la propiedad
1
1
1
T1 (t) = U1 (t), Ti (t) = Ui (t) Ui2 (t), i 2.
2
2
2
(14)
1 = U LN ,
(15)
Esto implica que
donde
LN
es una banda matriz de nida como
LN
2 0 1
1
1
0 2
1
0
m
3
1
4
4
Si los puntos mallas son tales que
..
..
..
.
1
N 2
(16)
1
N
es no singular entonces podemos usar la relacin (15)
para transformar (12) al problema de valor propio
(17)
Una propiedad importante del problema de valor propio (17) es que toda informacion de
la malla
es
concentrada
en la columna
U 1 2 .
eleccin de la malla tipo Chebyshev, la estructura de
Ahora mostramos que con una apropiada
LN
es continua en esta columna. Por esto,
la eleccin de puntos malla no nulos como ceros escalados y desplazados de
i = cos
UN ,
dar
i
, i = 1, ..., N.
N +1
(18)
Primero, la eleccin implica que la matriz (13) es invertible. Segundo, de (14) puede verse
que los nmeros (18) satisfacen
1
TN (i ) = UN 2 (i ), i = 1, ..., N, N 2
2
Lo cual implica a su vez que,
U 1 2 = 0
0 4(Nm
1)
Combinando los resultados anteriores llegamos al siguiente teorema
Teorema 0.1.
Si los puntos malla en la discretizacin espectral del operador (3) son escogidos
como
i =
i
m
(i 1), i = cos
, i = 1, ..., N + 1.
2
N +1
(19)
entonces el problema de valor propio discretizado es equivalente a
(N N )c = 0, C, c C(N +1)n , c = 0,
donde
4
m
4
m
1
2
4
m
1
1
0 2
1
3
0
1
4
..
..
..
N1
2
4
m
1
N
N1
1
0
(20)
(21)
R0 R1
In
=
..
RN
(22)
In
con
Ri = A0 +
Ak Ti (2
k=1
k
+ 1), i = 0, ..., N,
m
Notacin 0.0.1. (La eleccin de los puntos de discretizacin)
Una malla consistente de los puntos
como en (19) es muy similar a una malla consistente de
puntos extremos de Chebyshev como en [BMV05] donde lo ltimo es de nido como
cos
(i 1)
, i = 1, ..., N + 1.
N
(23)
Note que la teora de convergencia de discretizaciones espectrales es tpicamente mostrada
usando herramientas con una funcin potencial de nida desde un lmite de la distribucin
malla. Vea, por ejemplo, [Tre00, Teorema 5]. Desde que la discretizacion aaqu (19) y la malla en
[BMV05], es decir (23) tiene la misma distribucin asinttica, esperamos que las propiedades de
cnvergencia sean las mismas. Por ello, los valores propios de
para valores propios de
AN
. Ms an, la parte del espectro de
correspondendientes a valores propios de
exhiben convergencia espectral
AN
que no tiene convergencia
, es tpicamente localizado a la
izquierda
de los
valores propios convergidos. sta es una propiedad importante cuando evaluamos Estabilidad.
Tenemos elegido una nueva malla como la malla que nos permite construir matrices con
una estructura particularmente usada. La estructura la cual ser usada en la siguiente seccin
es que las matrices (21) y (22) son tales que
N1
N1
son submatrices de
N2
N2
donde
N2 N1 .
0.0.3.
Mtodo de Krylov para la DEP
LA discretizacin en la seccin previa puede ser usado para encontrar aproximaciones de
los valores propios de (1) calculando los valores propios de GEP(20) ,
(N N )x = 0
con el
propsito general de solucionar el valor propio. El mtodo de Arnoldi primero introducido en
[Arn51] es un solucionador general de valores propios popular. En un enfoque tradicional para
la DEP, es comn jar
y aplicar el mtodo de Arnoldi al problema de valor propio, aqu la
GEP(20). Otro inconveniente es que
La eleccin de
20,5
20,80
20,26
Al nivel de signi cacin de
dera es
0,2
tiene que ser jado antes de que empiece la iteracin.
es un intercambio entre el clculo del tiempo y
20,72
0,05.
20,69
20,37
20,70
20,32
20,96
20,40
se justi ca la a rmacin que la desviacin estndar verda-
milmetros?
Procedimiento de la Prueba de Hiptesis
Previamente debe formularse el problema estadstico ,determinar la variable es estudio y
el mtodo estadstico adecuado para la solucin del problema. El procedimiento general de la
prueba de una hiptesis de parmetro general
1. Formular la hiptesis nula
,H0
: < 0 , H0 : > 0
H0 : = 0
se resume en los siguientes pasos:
y la hiptesis alternativa adecuada
10
H0 : = 0
2. Especi car el tamao
del nivel de signi cacin.
3. Seleccionar la estadstica apropiada a usar la prueba.
4. Establecer la regla de decisin ,determinando la regin crtica de la prueba.
5. Calcular el valor del estadstico de la prueba a partir de los datos de la muestra.
6. Tomar la decisin de rechazar la hiptesis
H0
si el valor de la estadstica de la prueba
est en la regin [Link] caso contrario , no rechazar
Pruebas de hiptesis acerca de una varianza
Sea
normal
X1 , X2 , . . . , Xn una muestra aleatoria de
2
con varianza , parmetro desconocido Y
H0
tamao
, seleccionada de una poblacin
sea la varianza muestral:
n
i=1 (Xi
X)2
n1
S2 =
Entonces , la variable aleatoria :
(n 1)S 2
2
n 1 grados de
X=
tiene una distribucin chi-cuadrado con
[Link] estdistca se utiliza para
probar hiptesis acerca de una varianza
Si se supone verdader la hiptesis nula
X=
Su valor
xk =
2
H0 : 2 = 0
, la estadstica es :
(n 1)S 2
2 (n 1)
2
0
(n1)S 2
que resulta de la muestra aleatoria ,se utiliza para la prueba de
2
0
H0
,contra una alternativa unilateral o bilateral.
[Link] bilateral o de dos colas
2
2
H0 : 2 = 0 contra H1 : 2 = 0 ,dado una nivel de signi cacin en la
2 (n 1) se hallan los valores crticos 2
2
distribucin
,n1 y 1 ,n1 ,tales que la probabilidad
Si se prueba
de rechazar la hiptesis nula
H0
P (X < 2 ,n1 ) =
2
La regin crtica o de rechazo de
H0
La Regla de decisin es : Rechazar
2
.No rechazar
H0
P (X > 2 ,n1 ) =
1
2
es entonces,el intervalo
R.C. = {X < 2 ,n1
[2 ,n1 , 2 ,n1 ])
cuando es supuesta verdadera ,es igual a :
H0
X > 2 ,n1 }
1
con un riesgo
, si
xk R.C.
(o si
xk R.A. =
en caso contrario.
[Link] unilateral cola a la derecha
2
Si se prueba
2
2
H0 : 2 = 0 contra H1 : 2 > 0 ,dado un nivel de signi cacin , en
2
1) se determina el valor 1,n1 tal que la probabilidad de rechazar
2
distribucin (n
hiptesis nula
H0
cuando realmente es verdadera es igual a :
11
la
la
P [X > 2
1,n1 ] =
Luego ,la regin crtica o de rechazo de
H0
es el intervalo:
R.C. = {X > 2
1,n1 }
H0
La Regla de decisin es : Rechazar
2
1,n1 }
.No rechazar
H0
al nivel
, si
xk R.C.
(o si
xk R.A. = {X
/
en caso contrario.
[Link] unilateral cola a la izquierda
2
H1 : 2 < 0 ,dado un nivel de signi cacin ,
2
valor ,n1 tal que la probabilidad de rechazar la
Si la prueba es de contra
2 (n 1) se determina el
en la distribucin
hiptesis nula
H0
cuando realmente es verdadera es igual a :
P [X < 2
,n1 ] =
Luego ,la regin crtica o de rechazo de
H0
es el intervalo:
R.C. = {X < 2
,n1 }
H0
La Regla de decisin es : Rechazar
2
1,n1 } .No rechazar
H0
al nivel
, si
xk R.C.
(o si
xk R.A. = {X
/
en caso contrario.
Solucin del Problema
1. Hiptesis:
H0 : 2 = (0,2)2
[Link] de signi cacin
contra
= 0,05
[Link]: Poblacin normal con
2 = (0,2)2
H1 : 2 = (0,2)2
n = 10
y suponiendo verdadera la hiptesis nula
H0 :
, la estadistca es:
X=
(n 1)S 2
2
(0,2)
que se distribuye como chi-cuadradi con 9 grados de libertad
[Link] crtica: Para
= 0,05
y para un contraste bilateral ,en la tabla chi-cuadrado se
encuentran los siguientes valores crticos:
Lado izquierdo:
2 ,n1 = 2
0,025,9 = 2,70
2
2 ,n1 = 2
0,975,9 = 19,02
1 2
regin crtica es:R.C. = {X < 2,70
Lado derecho:
Luego , la
X > 19,02}
[Link]: De los datos de la muestra resulta:
S 2 = 0,05457
entonces,
12
xk =
[Link] : Como
(n 1)S 2
= 12,278
2
(0,2)
xk = 12,278 R.C.
/
0,2mm
no se debera rechazar
desviacin estndar es igual a
NOTA
La probabilidad
P = P [2 (9)) > 12,278] = 0,1981
13
H0
y concluimos que la
