Francisco Tajonar Sanabria

Hugo Cruz Surez

Hortensia Reyes Cervantes
Jos Zacaras Flores
Aportaciones y Aplicaciones de la Probabilidad y la Estadstica
2010
BENEMRITA UNIVERSIDAD AUTNOMA DE PUEBLA
Direccin General de Fomento Editorial
2010
BENEMRITA UNIVERSIDAD AUTNOMA DE PUEBLA
Enrique Agera Ibez
Rector
Jos Ramn Eguibar Cuenca
Secretario General
Lilia Cedillo Ramrez
Vicerectora de Extensin y Difusin de la Cultura
Carlos Contreras Cruz
Director Editorial
Primera Edicin, 2010
ISBN: 978-607-487-233-0
Benemrita Universidad Autnoma de Puebla
Direccin de Fomento Editorial
2 Norte 1404, CP 72000,
Puebla, Pue.
Telfono y Fax 01 222 2468559
Impreso y Hecho en Mxico
Printed and made in Mexico

Editores:




Francisco S. Tajonar Sanabria
Hugo A. Cruz Surez
Hortensia Reyes Cervantes
Jos D. Zacaras Flores
Facultad de Ciencias Fsico Matemticas
Benemrita Universidad Autnoma de Puebla




Revisores:



H. Daniel Cruz Surez
Divisin Acadmica de Ciencias Bsicas
Universidad Jurez Autnoma de Tabasco
Francisco J. Ariza Hernndez
Unidad Acadmica de Matemticas
Universidad Autnoma de Guerrero
Flix Almendra Arao
Departamento de Ciencias Bsicas
UPIITA del Instituto Politcnico Nacional
Hortensia Reyes Cervantes
Facultad de Ciencias Fsico Matemticas
Benemrita Universidad Autnoma de Puebla








PREFACIO
En los ltimos aos la matemtica ha tenido un auge importante en la construccin y
la modelacin de problemas que surgen en las diferentes disciplinas de investigacin,
aplicacin y enseanza. Adems, se ha tenido la necesidad de interactuar y de
colaborar con otros investigadores y expertos que manejan los conceptos y
herramientas apropiadas de la matemtica dando como resultado un trabajo
multidisciplinario.

En especial, en Probabilidad y Estadstica es notable la necesidad de realizar trabajo
conjunto entre cientficos y expertos que manejan estas reas. En este contexto, la
importancia de formar una cultura general a travs de distintos medios de
comunicacin, como el material didctico, realizacin de eventos de difusin y foros de
discusin, que permitan a estudiantes, profesionistas, investigadores y pblico en
general, conocer, plantear y resolver problemas relacionados con la identificacin de
algunas caractersticas relevantes en problemas de Probabilidad y Estadstica, para
poder realizar una adecuada toma de decisiones.

En esta edicin de Aportaciones y Aplicaciones de la Probabilidad y la Estadstica
2010, contiene las experiencias de investigadores de gran prestigio Nacional e
Internacional, quienes son lderes en el desarrollo y /o aplicacin de la Estadstica y la
Probabilidad.

La presente edicin se pudo realizar a travs de la invitacin hecha por el Cuerpo
Acadmico de Probabilidad de la Facultad de Ciencias Fsico Matemticas de la
Benemrita Universidad Autnoma de Puebla, a investigadores y expertos en estas
reas.

La estructura del libro est conformada en dos partes: la primera contiene los trabajos
de investigacin relacionados con la Estadstica y la segunda los relacionados con la
Probabilidad.

Los trabajos sometidos fueron arbitrados por un Comit revisor conformado por
investigadores de la Universidad Autnoma de Guerreo, de la Universidad Autnoma
de Tabasco, del Instituto Politcnico Nacional y por miembros del Cuerpo Acadmico,
los cuales fueron reproducidos siguiendo las recomendaciones hechas por los rbitros.
Se debe sealar que los trabajos forman parte intelectual de cada uno de los autores.
Agradecemos la participacin de los revisores que permitieron tener una mejor
estructura de los artculos para la edicin de este libro.

Finalmente, agradecemos al director de la Facultad de Ciencias Fsico Matemticas, Dr.
Cupatitzio Ramrez Romero, por su colaboracin y su apoyo para la publicacin de este
libro.
Atentamente
Comit Editorial


NDICE

Estadstica

Jos del Carmen Jimnez Hernndez, Mara Asuncin Gonzlez Sierra, Williams Gmez Lpez
Anlisis de la Demanda de Energa Elctrica 1
Flaviano Godnez Jaimes, Francisco ArizaHernndez, Ramn Reyes Carreto Abraham, Ramn Herrero
Estimacin bayesiana en el modelo de supervivencia exponencial loglineal con problemas de
colinealidad y censura 17
Mara Consuelo Escamilla Nez, Marlene Cortez Lugo, Leticia Hernndez Cadena, Albino Barraza
Villarreal, Isabelle Romieu
Identificacin de fuentes de partculas finas en dos localidades de la ciudad de Mxico 29
Miguel ngel, Lpez Daz, Romn Aguirre Prez, Pablo Mndez Villalobos
Estimacin Bayesiana de tasas de mortalidad en regiones pequeas
con dependencia espacial 43
Sara Rodrguez Rodrguez, Hortensia Reyes Cervantes, Gladys Linares Fleites, Humberto Vaquera Huerta,
Paulino Prez Rodrguez
Eleccin de covariables meteorolgicas que influyen en las concentraciones de ozono 60
Marcos Gonzlez Flores, Marco A. Gonzlez Coronel, Albino Moreno Rodrguez, Salvador Rosas Castilla,
Hugo Lpez vila
Aplicacin de los estadsticos T2 y F en la caracterizacin de dispersiones slidas de
metronidazolpolietilenglicol 6000 para mejorar la velocidad de dispersin del frmaco 70
Flix Almendra Arao
Acerca del desempeo de la prueba clsica asinttica de
no inferioridad para dos proporciones 88
Carmen Viada Gonzlez, Patricia Lorenzo Luaces, Martha Fors Lpez, et. al.
Metaanlisis para evaluar la seguridad del anticuerpo monoclonal humanizado CIMAher
(nimotuzumab) en pacientes con cncer avanzado de cabeza y cuello 104
Olga V. Serrano Snchez, Carlota Guzmn Gmez
Las oportunidades de ingreso a la licenciatura de la UNAM: Un anlisis de regresin
Logstica multivariado 117
Sylvia Beatriz Guillermo Pen
Construccin de un ndice de Competitividad Municipal mediante la utilizacin
de anlisis factorial 131
Gladys Linares Fleites, Lourdes Sandoval Sols, Abner Quiroz Clemente, Guadalupe Romero Vzquez
Tabla nica versus tabla mltiple: una aplicacin en estudios de satisfaccin de usuarios en
bibliotecas de la Benemrita Universidad Autnoma de Puebla 144
Fernando Velasco Luna, Mario Miguel Ojeda Ramrez
Caracterizacin del BLUP del efecto mixto XE+ Zu 153



Probabilidad

Vctor Hugo Vzquez Guevara
Modelos ARXd(p; q) y el problema del seguimiento de trayectorias 173
Mara del Roco Ilhuicatzi Roldn, Hugo Cruz Surez
Procesos de Decisin de Markov con Incertidumbre en el Horizonte 191
Carlos Palomino Jimnez, Francisco S. Tajonar Sanabria, Oscar Palmeros Rojas
Valuacin de una Opcin supershare con una barrera de tipo knockout 201
Jos Omar Lpez Lira, Sara Meja Prez
Modelos para la Valoracin de una opcin de compra Europea 211



Caracterizacion del BLUP del efecto mixto
X + Zu
Fernando, Velasco-Luna
Mario Miguel, Ojeda-Ramrez
Facultad de Estadstica e Inform atica,
Universidad Veracruzana,
Av. Xalapa Esq. Avila Camacho s/n,
Xalapa, Veracruz. C odigo Postal 91020, Mexico,
fvelasco@uv.mx, mojeda@uv.mx
Resumen. El modelo lineal general mixto (MLGM) engloba una clase amplia
de modelos que permiten la modelacion en una gran variedad de situaciones con
datos de estructura jer arquica. La teora del algebra lineal relacionada con la teora
de estimacion y prueba de hip otesis en el modelo lineal general (MLG) no satisface
totalmente los requerimientos de la teora de predicci on en el MLGM. En el criterio
de mnimos cuadrados para denir el mejor ajuste, el estimador de mnimos cuadra-
dos ordinarios del vector de coecientes en el MLG se puede expresar en terminos
del operador proyector ortogonal; as mismo el estimador de mnimos cuadrados
generalizados se puede expresar en terminos del operador proyector oblicuo. En
este trabajo se considera la caracterizacion del Mejor Predictor Lineal Insesgado
(BLUP) de un efecto mixto, en el contexto del MLGM, en terminos del operador
proyector ortogonal y del operador proyector oblicuo denidos sobre los espacios
generados por las matrices de dise no. Se presenta la condici on que debe cumplir
una matriz de dise no del modelo bajo la cual el BLUP de un efecto mixto se puede
expresar en terminos de los operadores. Se consideran casos particulares del MLGM
con dos componentes de la varianza.
Abstract. The general linear mixed model (GLMM) encompasses a wide class
of models useful for a large variety of data with hierarchical structure. However,
the linear algebra related to the theory of estimation and testing for the general
linear model (GLM) does not satisfy the requirements of the prediction theory
of the GLMM. For the least squares criterion of goodness of t, the ordinary least
squares estimator in the GLM can be expressed in terms of an orthogonal projection
operator; while the generalized least squares estimator can be expressed in terms
of an oblique projection operator. In this work we characterize the Best Linear
Unbiased Predictor (BLUP) of a mixed eect in the context of the GLMM in terms
of the orthogonal projection operator and the oblique projection operator dened on
spaces spanned by the design matrices. It is presented the condition that a design
matrix has to satisfy so that the BLUP of the mixed eect can be expressed in
terms of the operators. We consider the unbalanced case and particular cases of the
GLMM with two variance components.
154
Palabras claves: Componentes de la varianza, mejor predictor lineal insesgado,
modelo lineal jer arquico.
1. Introducci on
Los modelos lineales jerarquicos forman una clase general que permiten la mod-
elacion en una gran variedad de situaciones con datos que presentan una estructura
jer arquica. Estos modelos tienen una gran variedad de aplicaciones, tales como:
investigaci on educativa (efectividad de escuela, logro escolar), biologa (curvas de
crecimiento, estudios geneticos), investigaci on social (an alisis de encuestas, estu-
dios de mercado), psicologa (an alisis de conducta), medicina (ajuste de datos de
medidas repetidas y estudios de centros hospitalarios), entre otras. Los modelos
lineales jer arquicos tienen una larga historia, pero han recibido especial atenci on en
los ultimos a nos y sus areas de aplicacion se han multiplicado considerablemente
(Longford, 1995; Goldstein, 1995; Raudenbush y Bryk, 2002). Recientes desarrollos
en computo han permitido que se incremente el uso de estos modelos, que son tam-
bien conocidos como modelos multinivel (Goldstein, 1995), modelos de coecientes
aleatorios (Longford, 1995), modelos de componentes de la varianza y covarianza
(Searle et al., 2006), o como modelos de efectos mixtos (Laird y Ware, 1982). Un
tratamiento y abundantes referencias acerca de estos modelos se puede encontrar
en (Goldstein, 1995; Longford, 1995; Raudenbush y Bryk, 2002). En la actualidad
existe software para analizar datos con estructura jer arquica: MLwiN, (Rasbash et
al., 2009), S-PLUS (Pinheiro y Bates, 2000), SAS (Littell, et al., 2006), Stata (Rabe
and Srondal, 2008).
La teora de espacios vectoriales de dimension nita proporciona un marco para
trabajar conceptos de inferencia en el modelo lineal general. Conceptos como sube-
spacio columna, operador proyector ortogonal u oblicuo, matriz inversa generaliza-
da, entre otros, juegan un papel de suma importancia en el estudio del modelo
lineal general. El teorema de Gauss-Markov se puede formular en lenguaje de espa-
cio vectorial. La caracterizacion de estimadores de coecientes de regresion y de la
varianza
2
en el modelo lineal general por medio del operador proyector, ortogonal
P
X
= X(X
t
X)

X
t
u oblicuo P
XV
= X
_
X
t
V
1
X
_

X
t
V
1
, permite una mejor
comprension de las propiedades, ya que est a basada en los principios del operador
proyector y del subespacio generado por las columnas de las matrices involucradas.
Los proyectores asociados con un estimador en particular en el modelo lineal general
juegan un papel importante en la caracterizaci on de las propiedades estadsticas del
estimador. En el criterio de mnimos cuadrados para denir el mejor ajuste, el esti-
mador de mnimos cuadrados ordinarios del vector de coecientes en el modelo lineal
general se puede expresar en terminos del operador proyector ortogonal P
X
sobre
el espacio S (X); as mismo el estimador de mnimos cuadrados generalizados se
puede expresar en terminos del operador proyector oblicuo P
XV
. Para una revisi on
de la aplicaci on del operador proyector en modelos lineales ver Christensen (2002).
Kala y Pordzik, 2006 presentan propiedades de operadores lineales y su relaci on con
el Mejor Estimador Lineal Insesgado (BLUE). Peng et al., 2005 presentan algunas
propiedades del operador oblicuo. Para un estudio del operador oblicuo y de sus
propiedades ver Takane y Yanai (1999).
Aunque en la literatura se conocen sucientes resultados acerca de la teora del
155
algebra lineal relacionada con la teora de estimacion y prueba de hip otesis en el
modelo lineal general (MLG), en particular en la caracterizaci on de los par ametros
en terminos del operador proyector ortogonal u oblicuo, no existen resultados que
caracterizen al BLUP de efectos mixtos en el contexto del MLGM en terminos de
operadores.
En este trabajo primero se presenta la condici on que debe cumplir una matriz
de dise no para que la matriz de varianzas y covarianzas V de la variable respuesta,
as como su inversa V
1
, y el BLUP del efecto mixto X + Zu se expresen en
terminos de los operadores proyector denidos sobre los subespacios generados por
las matrices de dise no del modelo bajo estudio. As mismo se obtiene la caracteri-
zacion del BLUP del efecto mixto X+Zu en terminos de los operadores. Ademas
se presentan modelos que cumplen la condicion enunciada en la matriz de dise no y
por lo cual se les pueden aplicar los resultados obtenidos.
2. Operador proyector en el MLG
En esta seccion se presenta la teora relacionada con el operador proyector y la
manera en la cual los estimadores de los parametros que intervienen en el MLG se
caracterizan por medio de este. En el apartado 2.1 se presenta la teora relacionada
con el operador proyector, as como sus propiedades. En el apartado 2.2 se presen-
tan algunas de las aplicaciones del operador proyector, ortogonal u oblicuo en la
caracterizacion de los estimadores de los par ametros y
2
en el MLG.
2.1. Teora de proyectores
Sean V
1
y W
1
subespacios de R
n
, tales que su suma directa es R
n
, es decir,
V
1

W
1
= R
n
. Cualquier elemento R
n
, tiene descomposicion unica =

1
+
2
, donde
1
V
1
y
2
W
1
. Denotemos por P el mapeo de R
n
a V
1
dado
por P() =
1
. P es un operador lineal sobre R
n
.
Denicion 2.1 Al operador P se le denomina el operador proyector sobre V
1
a
lo largo de W
1
.
A continuaci on presentamos algunas propiedades del operador proyector.
Teorema 2.2 Un operador P sobre R
n
es un operador proyector sobre alg un sube-
spacio V
1
si, y solo si, es idempotente, es decir, si PP = P.
Demostracion. Sea P el operador proyector sobre V
1
a lo largo de W
1
. Si

1
V
1
, la proyecci on de
1
sobre V
1
a lo largo de W
1
es
1
. Para cualquier
R
n
, se tiene =
1
+
2
, donde
1
V
1
y
2
W
1
. Tenemos
PP() = P(
1
) =
1
= P() (1)
por lo que P es un operador idempotente. Inversamente, sea P un operador idem-
potente. Denamos V
1
como el conjunto de todos los vectores R
n
, tales que
P() = y sea W
1
el conjunto de todos los vectores R
n
tales que P() = 0;
es decir,
V
1
= { R
n
|P() = } (2)
156
y
W
1
= { R
n
|P() = 0} . (3)
Ahora sup ongase V
1
W
1
, entonces = 0, as V
1
W
1
= {0}, ademas para
cualquier R
n
se tiene que = P() + (I P). Denamos
1
= P() y

2
= (I P), entonces =
1
+
2
, y se tiene
P
1
= PP() = P() =
1
por lo que
1
V
1
, y
P(
2
) = 0,
lo cual implica que
2
W
1
. As V
1
+ W
1
= R
n
. As se tiene V
1

W
1
= R
n
.
Ademas como =
1
+
2
, esto implica que
P() = P(
1
) +P(
2
) =
1
+0 =
1
. (4)
Entonces por la denici on 2.1 de operador proyector se tiene de (4) que P es el
operador proyector sobre V
1
a lo largo de W
1
Teorema 2.3 Sean V
1
y W
1
dos subespacios de R
n
, tales que V
1

W
1
= R
n
, y
sea P un operador lineal sobre R
n
. Tenemos que P es el operador proyector sobre
V
1
a lo largo de W
1
, si, y solo si, P satisface
P() =
_
si V
1
0 si W
1
.
(5)
Demostracion. Sup ongase se cumple (5) y denotemos con P
V.W
al operador
proyector sobre V
1
a lo largo de W
1
y con P
W.V
al operador proyector sobre W
1
a lo largo de V
1
. Para cualquier R
n
, se tiene =
1
+
2
, donde
1
V
1
y
W
1
. Ahora =
1
+
2
= P
V.W

1
+P
W.V

2
, de lo cual obtenemos
P() = PP
V.W
(
1
) +PP
W.V
(
2
).
Ademas tenemos que P
V.W
(
1
) V
1
y P
W.V
(
2
) W
1
, as por la condici on (5)
tenemos
P = P
V.W
(
1
) =
1
,
as P() =
1
, con lo que se tiene por denici on de operador proyector, que P es
el operador proyector sobre V
1
a lo largo de W
1
. Inversamente, sea P el operador
proyector sobre V
1
a lo largo de W
1
, y sean los vectores
1
V
1
y
2
W
1
, as se
tiene que
P(
1
) = P(
1
+0) =
1
y P(
2
) = P(0 +
2
) = 0.
Entonces P satisface
P() =
_
si V
1
0 si W
1
Notacion 2.4 Se denotara por I el operador identidad sobre el espacio vectorial
R
n
.
157
Observaci on 2.5 Si P es el operador proyector sobre V
1
a lo largo de W
1
, entonces
por el teorema 2.3, tenemos que (I P) es el operador proyector sobre W
1
a lo largo
de V
1
. Adem as P(I P) = (I P)P = 0.
Denicion 2.6 Sea V un subespacio del espacio R
n
, y sea V

su complemento
ortogonal. Entonces el operador proyector sobre V a lo largo de V

, se denomina
proyector ortogonal sobre V .
Notacion 2.7 Sea X una matrix de orden nm, se denotara por S (X) al espacio
generado por los vectores columna de la matrix X.
Teorema 2.8 P es el operador proyector ortogonal sobre S (X) s y s olo s
a) P()= para cualquier S (X) y
b) P()=0 para cualquier S (X)

Demostracion. Se tiene que S (X) S (X)

= R
n
, as por la denici on 2.6 de
proyector ortogonal y por el teorema 2.3, se cumple el resultado
Denicion 2.9 Dada una matriz A, una matriz inversa generalizada de la matriz
A es cualquier matriz G la cual satisface AGA = A.
Notacion 2.10 Se denotara por A

una inversa generalizada de la matriz A.

Teorema 2.11 Si G es una matriz inversa generalizada de X
t
X, entonces GX
t
es una matriz inversa generalizada de X, es decir, se cumple XGX
t
X = X.
Demostracion. Sea R
n
, este tiene descomposicion unica =
1
+
2
,
donde
1
S (X) y
2
S (X)

. As
1
= X
1
para alg un
1
. Entonces

t
XGX
t
X =
t
1
XGX
t
X
=
t
1
_
X
t
X
_
G
_
X
t
X
_
=
t
1
_
X
t
X
_
=
t
X.
As se cumple XGX
t
X = X
Teorema 2.12 Sea (X
t
X)

una inversa generalizada de la matrix (X

t
X), entonces
X(X
t
X)

X
t
es el operador proyector ortogonal sobre S (X).
Demostracion. Si S (X) entonces = X y por el teorema 2.11, se tiene
X
_
X
t
X
_

X
t
() = X
_
X
t
X
_

X
t
X
= X = .
Ahora si S (X)

se tiene que X(X

t
X)

X
t
()=0. As se cumple que
a) X(X
t
X)

X
t
()= para cualquier S (X) y
b) X(X
t
X)

X
t
()=0 para cualquier S (X)

158
y por el teorema 2.8, se tiene el resultado
Sea V una matrix denida positiva. As existe una matriz no singular R para la
cual se cumple V = RR
t
. Es de interes el operador proyector ortogonal P
R
sobre
S
_
R
1
X
_
, el cual, por el teorema 2.12, est a dado por medio de
_
R
1
X
_ _
(R
1
X)
t
(R
1
X)

_
R
1
X
_
t
.
Teorema 2.13 Sea V una matrix denida positiva, entonces
X
_
X
t
V
1
X
_

X
t
V
1
es un operador proyector sobre S (X).
Demostracion. Denotaremos por P
XV
al operador X
_
X
t
V
1
X
_

X
t
V
1
. En
primer lugar veamos que efectivamente es un operador proyector. Se tiene
P
XV
2
=
_
X
_
X
t
V
1
X
_

X
t
V
1
_ _
X
_
X
t
V
1
X
_

X
t
V
1
_
=
_
X
_
X
t
V
1
X
_

_
X
t
V
1
X
_ _
X
t
V
1
X
_

X
t
V
1
_
= X
_
X
t
V
1
X
_

X
t
V
1
= P
XV
,
se tiene que se cumple la idempotencia, as por el teorema 2.2, P
XV
es un operador
proyector. Ahora veamos que es un proyector sobre S (X). Se tiene que el operador
proyector ortogonal P
R
sobre S
_
R
1
X
_
, cumple la relaci on
_
R
1
X
_ _
(R
1
X)
t
(R
1
X)

_
R
1
X
_
t
_
R
1
X
_
=
_
R
1
X
_
,
lo cual puede ser escrito como:
R
1
X
_
X
t
V
1
X
_

X
t
V
1
X = R
1
X,
de lo que se obtiene
X
_
X
t
V
1
X
_

X
t
V
1
X = X. (6)
Si S (X) entonces = X. Entonces
P
XV
() = X
_
X
t
V
1
X
_

X
t
V
1

= X
_
X
t
V
1
X
_

X
t
V
1
X
= X = .
As se cumple P
XV
() = para S (X)
2.2. Aplicaciones del operador proyector en el MLG
En est a seccion se presentan las principales aplicaciones del operador proyector
en el MLG. Tanto en la estimacion del par ametro , como en la estimacion de la
varianza
2
.
159
2.2.1. Estimacion por mnimos cuadrados
Considerese el modelo
Y = X +e, E(e) = 0, Cov(e) =
2
I, (7)
donde Y R
n
, X es una matrix de constantes de orden n p, R
p
es un
vector de par ametros desconocidos, y e R
n
es un vector de errores aleatorios no
observables.
El interes es la estimacion del valor esperado de la variable respuesta, E(Y). Se
tiene que E(Y) = X, pero es desconocido, lo que se sabe es que E(Y) S(X).
Para la estimaci on de E(Y) se toma el vector perteneciente a S(X) que este mas
cercano a Y. La distancia est a dada en terminos de (YX)
t
(YX).
Denicion 2.14 Una estimacion

se denomina una estimacion por mnimos cuadra-
dos de , si X

es el vector perteneciente a S(X) que esta m as cercano a Y. En

otras palabras,

es una estimaci on mnimos cuadrados si
_
YX

_
t
_
YX

_
= min

(YX)
t
(YX) . (8)
Teorema 2.15 Sea P
X
el operador proyector ortogonal sobre S(X), entonces
(YX)
t
(YX) = (YP
X
Y)
t
(YP
X
Y) + (P
X
YX)
t
(P
X
YX) .
Demostracion. Lo anterior se demuestra en base a las propiedades del operador
proyector ortogonal, (I P
X
) P
X
= 0 y (I P
X
) X = 0
Teorema 2.16

es un estimador por mnimos cuadrados de s y s olo s se
cumple X

= P
X
Y, donde P
X
es el operador proyector ortogonal sobre S(X), es
decir si y s olo si X

= X(X
t
X)

X
t
Y.
Demostracion. Por el teorema 2.15, se cumple la relacion
(YX)
t
(YX) = (YP
X
Y)
t
(YP
X
Y)
+ (P
X
YX)
t
(P
X
YX) .
Ambos terminos de la derecha son no negativos, y el primer termino no depende de
. (YX)
t
(YX) es minimizado cuando se minimiza
(P
X
YX)
t
(P
X
YX) .
la cual es mnima s y solo s P
X
Y = X, lo cual prueba el teorema
Teorema 2.17

dado por medio de

= (X
t
X)

X
t
Y es un estimador mnimos
cuadrados de .
160
Demostracion. Por el teorema 2.16, se tiene que

es un estimador por mni-

mos cuadrados de s y s olo s X

= P
X
Y, donde P
X
es el operador proyector
ortogonal sobre S(X). En este caso se tiene
X

= X
_
_
X
t
X
_

X
t
Y
_
=
_
X
_
X
t
X
_

X
t
_
Y = P
X
Y.
Por lo que

= (X
t
X)

X
t
Y es un estimador mnimos cuadrados de
Otro par ametro de interes en el modelo lineal general es la varianza
2
.
Teorema 2.18 Sea el modelo
Y = X +e, E(e) = 0, Cov(e) =
2
I, (9)
Denotese por r (X) el rango de la matriz X. Entonces
Y
t
(I P
X
)Y
n r (X)
(10)
es un estimador insesgado de
2
, respecto al modelo (7).
Demostracion. Para la funci on cuadr atica Y
t
BY se cumple la siguiente relacion
E[Y
t
BY] = tr(B[Cov(Y)]) + [E(Y)]
t
B[E(Y)].
En el caso de interes se tiene B = I P
X
, E(Y) = X y Cov(Y) =
2
, as se tiene
E
_
Y
t
(I P
X
)Y

= tr(
2
(I P
X
)) +
t
X
t
(I P
X
)X.
Ademas se cumple
tr(
2
(I P
X
)) =
2
[tr(I P
X
)] =
2
(n r (X))
y
(I P
X
)X = 0,
as
t
X
t
(I P
X
)X = 0. De lo anterior
E[Y
t
(I P
X
)Y] =
2
(n r (X)).
As
E
_
Y
t
(I P
X
)Y
n r (X)
_
=
2
Y
t
(I P
X
)Y se denomina la suma de cuadrados para el error (SCE). Al rango
de (I P
X
) se le denomina los grados de libertad para el error (gl ). De lo anterior
se tiene que una estimacion insesgada de
2
esta dada por la raz on de la suma de
cuadrados para el error dividida entre los grados de libertad para el error.
161
2.2.2. Mnimos cuadrados generalizados
Ahora considerese el modelo
Y = X +e, E(e) = 0, Cov(e) =
2
V, (11)
donde V es alguna matriz denida positiva. As existe una matriz no singular R
para la cual se cumple V = RR
t
. Del modelo (11), se obtiene el modelo
R
1
Y = R
1
X +R
1
e, E
_
R
1
e
_
= 0, Cov
_
R
1
e
_
=
2
I (12)
Para el modelo (12) las estimaciones de mnimos cuadrados minimizan
_
R
1
YR
1
X
_
t
_
R
1
YR
1
X
_
= (YX)
t
V
1
(YX) (13)
Est a distancia es una generalizaci on de la distancia (YX)
t
(YX), por lo
que los estimadores del parametro que minimizan tal distancia se conocen como
estimadores por mnimoscuadradosgeneralizados.
Teorema 2.19 Bajo el modelo (12),

es un estimador de mnimos cuadrados de
si y s olo si
X

= X
_
X
t
V
1
X
_

X
t
V
1
Y. (14)
En terminos del operador proyector P
XV
del teorema 2.16, el teorema 2.19, se
expresa como: Bajo el modelo (12),

es un estimador por mnimos cuadrados de
s y solo s X

= P
XV
Y donde
P
XV
= X
_
X
t
V
1
X
_

X
t
V
1
(15)
es un proyector sobre S (X).
En la secci on correspondiente a mnimos cuadrados y estimacion de
2
se vio que
una estimacion insesgagada de
2
esta dada por la raz on de SCE dividida entre los
grados de libertad. Lo anterior bajo el modelo propuesto. Bajo el modelo (7) la
SCE estaba dada en terminos del operador proyector ortogonal P
X
sobre S (X)
por medio de Y
t
(I P
X
)Y.
En este caso el modelo de interes es el modelo (12) por lo cual se tiene que la
SCE esta dada en terminos del operador proyector ortogonal P
R
sobre S
_
R
1
X
_
.
El operador proyector ortogonal P
R
sobre S
_
R
1
X
_
esta dado por medio de
_
R
1
X
_ _
(R
1
X)
t
(R
1
X)

_
R
1
X
_
t
.
As la SCE esta dada por
_
R
1
Y
_
t
(I P
R
)
_
R
1
Y
_
.
SCE =
_
R
1
Y
_
t
_
I R
1
X
_
(R
1
X)
t
(R
1
X)

_
R
1
X
_
t
_
(R
1
Y).
Teorema 2.20 Bajo el modelo (12), la SCE se puede exprersar como
Y
t
(I P
XV
)
t
V
1
(I P
XV
) Y.
162
Demostracion.
SCE =
_
R
1
Y
_
t
_
I R
1
X
_
(R
1
X)
t
(R
1
X)

_
R
1
X
_
t
_
(R
1
Y)
= Y
t
V
1
YY
t
V
1
X
_
X
t
V
1
X
_

X
t
V
1
Y
= Y
t
(I P
XV
)
t
V
1
(I P
XV
) Y
R es una matriz no singular, as se cumple r
_
R
1
X
_
= r (X) y los gl para el
error bajo el modelo (12) est an dados por medio de n r (X). De lo anterior se
tiene que bajo el modelo (12) una estimaci on insesgada para
2
esta dada por
Y
t
(I P
XV
)
t
V
1
(I P
XV
) Y
n r (X)
. (16)
3. Teora de la predicci on en el MLGM
Sea MLGM el cual esta dado por medio de:
Y = X +Zu +e,
E (e) = 0, V ar (e) = R, (17)
E (u) = 0, V ar (u) = G y Cov
_
e, u
t
_
= 0,
donde Y R
n
, X es una matriz conocida de orden n p, R
p
, Z es una
matriz conocida de orden nq, y e y u estan distribuidos independientemente con
media cero y matriz de varianza y covarianza G y R respectivamente, tales matrices
dependen de par ametros desconocidos llamados los componentes de la varianza, los
cuales seran denotados por .
El MLGM se dividen en dos partes; la parte ja y la parte aleatoria. La parte
ja est a compuesta por los coecientes de regresion, los cuales forman el par ametro
, mientras que la parte aleatoria est a compuesta por los efectos aleatorios u.
Respecto a la estimacion de los efectos jos, de los supuestos del MLGM dado
por la ecuaci on (17) se tiene
E (Y) = X y V = V ar (Y) = ZGZ
t
+R.
Bajo el supuesto de que las varianzas son conocidas se puede obtener el estimador
de mnimos cuadrados generalizados del par ametro el cual esta dado por:

=
_
X
t
V
1
X
_
1
X
t
V
1
Y.
Uno de los objetivos en el an alisis del MLGM es la estimacion de los coe-
cientes de la parte ja y la estimacion (predicci on) de los efectos aleatorios. Los
estimadores para efectos aletorios son conocidos como predictores. La prediccion de
efectos aleatorios tiene una larga historia la cual data desde los primeros trabajos
de Henderson sobre genetica animal (Henderson 1984).
Henderson et al. (1959), desarrollaron un conjunto de ecuaciones que simult anea-
mente proporcionan el BLUE de X y el BLUP de u. Estas ecuaciones son derivadas
163
por la maximizaci on de la densidad conjunta de Y y u, la cual esta dada para,
V ar (e) = R y V ar (u) = G, por medio de:
f (Y, u) =
exp
_

1
2
_
(YX Zu)
t
R
1
(YX Zu) +u
t
G
1
u
__
(2)
N+q.
2
|R|
1
2
|R|
1
2
.
Igualando a cero las derivadas parciales de f (Y, u) con respecto a los elementos de
y de u, se obtienen las ecuaciones
X
t
R
1
X +X
t
R
1
Zu = X
t
R
1
Y,
Z
t
R
1
X +
_
Z
t
R
1
Z +R
1
_
u = Z
t
R
1
Y.
Las cuales se pueden expresar de la siguiente manera:
_
X
t
R
1
X X
t
R
1
Z
Z
t
R
1
X Z
t
R
1
Z +G
1
_ _

u
_
=
_
X
t
R
1
Y
Z
t
R
1
Y
_
.

Estas se denominan Ecuaciones del Modelo Mixto.

Para obtener estimaciones de y u, el metodo estandar es resolver las ecuaciones
del modelo mixto (Henderson 1984). Las estimaciones pueden ser escritas como:

=
_
X
t
V
1
X
_
1
X
t
V
1
Y,

u = GZ
t
V
1
_
YX

_
.
Ademas de la estimacion del par ametro y de la predicc on de u, es necesaria
la estimacion de combinaciones lineales de estos, es decir, funciones de la forma
k
t
+ m
t
u, para vectores especcos de constantes k y m, estas funciones se de-
nominan efectos mixtos ya que son combinaciones de efectos jos y efectos aleatorios.
Henderson (1975) obtiene el BLUP del efecto mixto k
t
+m
t
u bajo el MLGM, el
BLUP de este efecto mixto esta dado por medio de:
k
t

+m
t

u. (18)
4. Caracterizaci on del BLUP del efecto X +Zu
Se presenta la caracterizacion del BLUP del efecto mixto X+Zu en terminos de
los operadores proyector denidos sobre los subespacios generados por las matrices
de dise no X y Z. En el apartado 4.1 se presenta la caracterizaci on considerando el
caso balanceado y en el apartado 4.2 el caso desbalanceado.
Se considera el modelo dado por:
Y = X +Zu +e,
u N
_
0,
2
u
I
q
_
, e N
_
0,
2
e
I
n
_
, (19)
Cov
_
e, u
t
_
= 0,
164
donde Y R
n
, X es una matriz conocida de orden n p, R
p
es un vector de
efectos jos, Z es una matriz conocida de orden n q, y u es un vector de efectos
aleatorios. En este caso la matriz de varianzas y covarianzas de Y esta dada por
V = V ar (Y) =
2
u
ZZ
t
+
2
e
I
n
.
De la seccion 3 el BLUP del efecto mixto k
t
+m
t
u bajo el MLGM esta dado
por:
k
t

+m
t

u. (20)
4.1. Caso balanceado
El siguiente resultado presenta la condici on que debe de cumplir la matriz de
dise no Z para que la matriz de varianzas y covarianzas V se exprese en terminos
del operador proyector ortogonal P
Z
y de su complemento ortogonal Q
Z
.
Teorema 4.1 Bajo el modelo (19), si se cumple ZZ
t
= dP
Z
, d R, entonces
la matriz de varianzas y covarianzas de Y se expresa en terminos del operador
proyector ortogonal P
Z
y de su complemento ortogonal Q
Z
por:
V =
_
d
2
u
+
2
e
_
P
Z
+
2
e
Q
Z
.
Demostracion. Bajo el modelo (19), si se cumple ZZ
t
= dP
Z
, entonces
V =
2
u
ZZ
t
+
2
e
I
n
= d
2
u
P
Z
+
2
e
(P
Z
+Q
Z
)
= d
2
u
P
Z
+
2
e
P
Z
+
2
e
Q
Z
=
_
d
2
u
+
2
e
_
P
Z
+
2
e
Q
Z
El siguiente resultado presenta la caracterizaci on de la matriz inversa V
1
de
la matriz de varianzas y covarianzas en terminos del operador proyector ortogonal
P
Z
y de su complemento ortogonal Q
Z
.
Teorema 4.2 Bajo el modelo (19), si se cumple ZZ
t
= dP
Z
, d R, entonces la
inversa V
1
de la matriz de varianzas y covarianzas de Y se expresa en terminos
del operador proyector ortogonal P
Z
y de su complemento ortogonal Q
Z
por:
V
1
=
P
Z
(d
2
u
+
2
e
)
+
Q
Z

2
e
.
Demostracion. Por el teorema 4.1, bajo el modelo (19), si se cumple ZZ
t
=
dP
Z
, entonces
V =
_
d
2
u
+
2
e
_
P
Z
+
2
e
Q
Z
.
As la inversa V
1
se expresa por medio de:
V
1
=
P
Z
(d
2
u
+
2
e
)
+
Q
Z

2
e
El siguiente resultado presenta la caracterizaci on de la matriz V en terminos de
los proyectores mencionados.
165
Teorema 4.3 Bajo el modelo (19), si se cumple ZZ
t
= dP
Z
, d R, entonces el
BLUP del efecto mixto X +Zu se expresa en terminos de los operadores P
XV
y
P
Z
por:
P
XV
Y + cP
Z
(I P
XV
) Y,
donde c = d
2
u
/
_
d
2
u
+
2
e
_
.
Demostracion. Por (20), el BLUP del efecto mixto X + Zu esta dado por
medio de X

+ Z u. Por el teorema 2.19, el estimador de mnimos cuadrados gen-

eralizado

esta caracterizado por el operador proyector oblicuo P
XV
por medio
de X

= P
XV
Y, ademas u = GZ
t
V
1
Q
XV
Y. Por el teorema 4.2, bajo el modelo
(19), si se cumple ZZ
t
= dP
Z
, entonces
V
1
=
P
Z
(d
2
u
+
2
e
)
+
Q
Z

2
e
.
As
BLUP (X +Zu) = X

+Z u
= P
XV
Y + ZGZ
t
V
1
Q
XV
Y
= P
XV
Y +
2
u
ZZ
t
V
1
Q
XV
Y
= P
XV
Y +
2
u
ZZ
t
_
P
Z
(d
2
u
+
2
e
)
+
Q
Z

2
e
_
Q
XV
Y
= P
XV
Y + d
2
u
P
Z
_
P
Z
(d
2
u
+
2
e
)
+
Q
Z

2
e
_
Q
XV
Y
= P
XV
Y +
d
2
u
(d
2
u
+
2
e
)
P
Z
Q
XV
Y
= P
XV
Y + cP
Z
(I P
XV
) Y,
donde c = d
2
u
/
_
d
2
u
+
2
e
_
. Ademas se tiene que el BLUP del efecto mixto X+Zu
es la suma de un elemento en S (X) y un elemento de S (Z), por lo que
BLUP (X +Zu) S (X) +S (Z) (21)
Corolario 4.4 Bajo el modelo (19), si se cumple ZZ
t
= dP
Z
, d R, entonces el
BLUP del efecto aletaorio Zu se expresa en terminos de P
XV
y P
Z
por:
cP
Z
(I P
XV
) Y,
donde c = d
2
u
/
_
d
2
u
+
2
e
_
.
4.2. Caso desbalanceado
En el siguiente resultado se presenta la condici on que debe de cumplir la matriz
de dise no Z
j
para que la matriz V se exprese en terminos de los operadores P
Zj
y
Q
Zj
,
Teorema 4.5 Bajo el modelo (19), si se cumple n
j
P
Zj
= Z
j
Z
t
j
, n
j
R, entonces
la matriz de varianzas y covarianzas V de Y se expresa en terminos de los oper-
adores proyector P
Zj
y Q
Zj
por V =
J
j=1
__
n
j

2
u
+
2
e
_
P
Zj
+
2
e
Q
Zj

.
166
Demostracion. Bajo el modelo (19), si se cumple n
j
P
Zj
= Z
j
Z
t
j
, entonces
V =
2
u
_

J
j=1
Z
j
_ _

J
j=1
Z
j
_
t
+
2
e
I
n
=
2
u
_

J
j=1
Z
j
_ _

J
j=1
Z
t
j
_
+
2
e
I
n
=
2
u
_

J
j=1
Z
j
Z
t
j
_
+
2
e
I
n
=
2
u
_

J
j=1
n
j
P
Zj
_
+
2
e
I
n
=
J
j=1
_
n
j

2
u
P
Zj
+
2
e
I
nj
+
2
e
P
Zj

2
e
P
Zj

=
J
j=1
__
n
j

2
u
+
2
e
_
P
Zj
+
2
e
I
nj

2
e
P
Zj

=
J
j=1
__
n
j

2
u
+
2
e
_
P
Zj
+
2
e
Q
Zj

Teorema 4.6 Bajo el modelo (19), si se cumple n

j
P
Zj
= Z
j
Z
t
j
, n
j
R, entonces
la inversa de la matriz de varianzas y covarianzas V de Y se expresa en terminos
de los operadores proyector P
Zj
y Q
Zj
por:
V
1
=
J
j=1
_
P
Zj
(n
j

2
u
+
2
e
)
+
Q
Zj

2
e
_
.
Demostracion. Por el teorema 4.5, la matriz de varianzas y covarianzas de Y
se expresa por V =
J
j=1
__
n
j

2
u
+
2
e
_
P
Zj
+
2
e
Q
Zj

. As
V
1
=
_

J
j=1
__
n
j

2
u
+
2
e
_
P
Zj
+
2
e
Q
Zj
_
1
=
_

J
j=1
__
n
j

2
u
+
2
e
_
P
Zj
+
2
e
Q
Zj

1
_
=
J
j=1
_
P
Zj
(n
j

2
u
+
2
e
)
+
Q
Zj

2
e
_
Lema 4.7 Bajo el modelo (19), si se cumple n
j
P
Zj
= Z
j
Z
t
j
, n
j
R, entonces

2
u
ZZ
t
V
1
=
J
j=1
_
n
j

2
u
P
Zj
(n
j

2
u
+
2
e
)
_
.
Demostracion. Por el teorema 4.6, si se cumple n
j
P
Zj
= Z
j
Z
t
j
, entonces la
inversa de la matriz de varianzas y covarianzas de Y se expresa en terminos de los
operadores proyector P
Zj
y Q
Zj
por
V
1
=
J
j=1
_
P
Zj
(n
j

2
u
+
2
e
)
+
Q
Zj

2
e
_
.
As

2
u
ZZ
t
V
1
=
2
u
ZZ
t
_

J
j=1
_
P
Zj
(n
j

2
u
+
2
e
)
+
Q
Zj

2
e
__
=
2
u
_

J
j=1
Z
j
Z
t
j
_
_

J
j=1
_
P
Zj
(n
j

2
u
+
2
e
)
+
Q
Zj

2
e
__
=
2
u
_

J
j=1
n
j
P
Zj
_
_

J
j=1
_
P
Zj
(n
j

2
u
+
2
e
)
+
Q
Zj

2
e
__
=
J
j=1
_
n
j

2
u
P
Zj
(n
j

2
u
+
2
e
)
_
167
En el siguiente resultado se presenta la caracterizaci on del BLUP del efecto mix-
to X+Zu en terminos de los operadores proyector denidos sobre los subespacios
S (X) y S (Z), considerando el caso desbalanceado.
Teorema 4.8 Bajo el modelo (19), si se cumple n
j
P
Zj
= Z
j
Z
t
j
, n
j
R, entonces
el BLUP del efecto mixto X + Zu se expresa en terminos del operador proyector
oblicuo P
XV
sobre S (X) y del operador proyector ortogonal P
Z
sobre S (Z), por
medio de:
[P
XV
+P
Z
BQ
XV
] Y,
donde B =
J
j=1
_
b
j
I
nj
_
y b
j
= n
j

2
u
/
_
n
j

2
u
+
2
e
_
.
Demostracion. Por el lema 4.7, si se cumple n
j
P
Zj
= Z
j
Z
t
j
, entonces

2
u
ZZ
t
V
1
=
J
j=1
_
n
j

2
u
P
Zj
(n
j

2
u
+
2
e
)
_
.
De lo cual se tiene
BLUP (X +Zu) = X

+Z

u
= P
XV
Y +ZGZ
t
V
1
_
YX

_
= P
XV
Y +
2
u
ZZ
t
V
1
_
YX

_
= P
XV
Y +
_

J
j=1
_
n
j

2
u
P
Zj
(n
j

2
u
+
2
e
)
___
YX

_
= P
XV
Y +P
Z
_

J
j=1
_
n
j

2
u
(n
j

2
u
+
2
e
)
___
YX

_
= [P
XV
+P
Z
BQ
XV
] Y,
donde B =
J
j=1
_
b
j
I
nj
_
y b
j
= n
j

2
u
/
_
n
j

2
u
+
2
e
_
. Ademas el BLUP del efecto
mixto X + Zu es la suma de un elemento en S (X) y un elemento de S (Z), por
lo que
BLUP (X +Zu) S (X) +S (Z) (22)
Corolario 4.9 Bajo el modelo (19), si n
j
P
Zj
= Z
j
Z
t
j
, n
j
R, entonces el BLUP
del efecto aleatorio Zu se expresa terminos del operador proyector oblicuo P
XV
sobre S (X) y del operador proyector ortogonal P
Z
sobre S (Z), por medio de:
P
Z
BQ
XV
Y,
donde B =
J
j=1
_
b
j
I
nj
_
y b
j
= n
j

2
u
/
_
n
j

2
u
+
2
e
_
.
5. Modelos
En est a seccion se presentan dos modelos, casos particulares del MLGM, los
cuales satisfacen la condicion ZZ
t
= dP
Z
o la condici on n
j
P
Zj
= Z
j
Z
t
j
. Para los
dos modelos se presenta el caso balanceado y el caso desbalanceado.
168
5.1. Caso balanceado
Casos particulares del modelo (19), que cumplen la condici on ZZ
t
= dP
Z
son:
(i ) Modelo intercepto aleatorio sin variables explicatorias. Este es el caso m as
simple de un modelo lineal jer arquico; el modelo para la i-esima unidad de nivel 1
en la j-esima unidad de nivel 2 est a dado por:
Y
ij
= +u
j
+e
ij
, i = 1, ..., d, j = 1, ..., k, (23)
donde es un par ametro jo; u
j
es el efecto aleatorio; u
j
y e
ij
son independientes,
con u
j
N
_
0,
2
u0
_
y e
ij
N
_
0,
2
e
_
. El modelo para la j-esima unidad de nivel 2
tiene la forma:
Y
j
= 1
d
+1
d
u
j
+e
j
, j = 1, ..., k, (24)
tomando = , X = 1
k
1
d
, Z = I
k
1
d
y u = (u
1
, ..., , u
k
)
t
, el modelo (24) es
de la forma Y = X +Zu +e. En este caso se tiene:
ZZ
t
= (I
k
1
d
) (I
k
1
d
)
t
= (I
k
1
d
)
_
I
t
k
1
t
d
_
=
_
I
k
I
t
k
1
d
1
t
d
_
=
_
I
k
1
d
1
t
d
_
.
As:
P
Z
= Z
_
Z
t
Z
_
1
Z
t
= (I
k
1
d
)
_
(I
k
1
d
)
t
(I
k
1
d
)
_

(I
k
1
d
)
t
= (I
k
1
d
)
__
I
t
k
1
t
d
_
(I
k
1
d
)

(I
k
1
d
)
t
= (I
k
1
d
)
__
I
t
k
I
k
1
t
d
1
d
_

(I
k
1
d
)
t
= (I
k
1
d
) [(I
k
1/d)] (I
k
1
d
)
t
= (I
k
1
d
/d) (I
k
1
d
)
t
= I
k

1
d
1
t
d
d
=
1
d
_
I
k
1
d
1
t
d
_
=
1
d
ZZ
t
.
(ii ) Modelo intercepto aleatorio con variables explicatorias. Considerese el mod-
elo:
Y
ij
=
0
+
1
X
1ij
+
2
X
2ij
+u
j
+e
ij
, i = 1, ..., d, j = 1, ..., k, (25)
donde
0
,
1
, y
2
son par ametros jos; u
j
es el efecto aleatorio; u
j
y e
ij
son
independientes, con u
j
N
_
0,
2
u0
_
y e
ij
N
_
0,
2
e
_
. El modelo para la j-esima
unidad de nivel 2 tiene la forma:
Y
j
= 1
d

0
+X
1j

1
+X
2j

2
+1
d
u
j
+e
j
, j = 1, ..., k, (26)
tomando = (
0
,
1
,
2
)
t
, X
j
= (1
d
: X
1j
: X
2j
), y Z
j
= 1
d
, el modelo (26) toma
la forma:
Y
j
= X
j
+Z
j
u
j
+e
j
. (27)
Ademas, deniendo a X
1
y X
2
como las matrices de las variables explicatorias de
nivel 1, X = (1
k
1
d
: X
1
: X
2
), Z = I
k
1
d
y u = (u
1
, . . . , u
k
)
t
, el modelo (27)
es de la forma Y = X + Zu + e. En este caso tambien se cumple la condicion
dP
Z
= ZZ
t
.
169
5.2. Caso desbalanceado
Casos particulares del MLGM (19), para los cuales se cumple la condicion
n
j
P
Zj
= Z
j
Z
t
j
, son:
(iii ) Modelo intercepto aleatorio sin variables explicatorias. El modelo para la
i-esima unidad de nivel 1 en la j-esima unidad de nivel 2 est a dado por:
Y
ij
= +u
j
+e
ij
, i = 1, ..., n
j
, j = 1, ..., k, (28)
donde es un par ametro jo; u
j
es el efecto aleatorio; u
j
y e
ij
son independientes,
con u
j
N
_
0,
2
u0
_
y e
ij
N
_
0,
2
e
_
. El modelo para la j-esima unidad de nivel 2
tiene la forma:
Y
j
= 1
nj
+1
nj
u
j
+e
j
, j = 1, ..., k, (29)
tomando = , X = 1
k
1
nj
, Z = I
k
1
nj
y u = (u
1
, ..., , u
k
)
t
, el modelo (29) es
de la forma Y = X +Zu +e. En este caso se tiene:
P
Zj
= Z
j
_
Z
t
j
Z
j
_
1
Z
t
j
= 1
nj
_
1
t
nj
1
nj
_
1
1
t
nj
= 1
nj
(n
j
)
1
1
t
nj
=
1
n
j
_
1
nj
1
t
nj
_
=
1
n
j
Z
j
Z
t
j
,
de lo cual se cumple n
j
P
Zj
= Z
j
Z
t
j
.
(iv) Modelo intercepto aleatorio con variables explicatorias. Considerese el mod-
elo:
Y
ij
=
0
+
1
X
1ij
+
2
X
2ij
+u
j
+e
ij
, i = 1, ..., n
j
, j = 1, ..., k, (30)
donde
0
,
1
, y
2
son par ametros jos; u
j
es el efecto aleatorio; u
j
y e
ij
son
independientes, con u
j
N
_
0,
2
u0
_
y e
ij
N
_
0,
2
e
_
. El modelo para la j-esima
unidad de nivel 2 tiene la forma:
Y
j
= 1
nj

0
+X
1j

1
+X
2j

2
+1
nj
u
j
+e
j
, j = 1, ..., k, (31)
tomando = (
0
,
1
,
2
)
t
, X
j
=
_
1
nj
: X
1j
: X
2j
_
, Z
j
= 1
nj
el modelo (31) toma
la forma
Y
j
= X
j
+Z
j
u
j
+e
j
. (32)
Ademas deniendo a X
1
y X
2
como las matrices de las variables explicatorias de
nivel 1, y X =
_
1
k
1
nj
: X
1
: X
2
_
, Z = I
k
1
nj
y u = (u
1
, . . . , u
k
)
t
, el modelo
(32) es de la forma Y = X+Zu+e. En este caso tambien se cumple la condicion
n
j
P
Zj
= Z
j
Z
t
j
.
170
6. Modelo intercepto aleatorio
En esta seccion se presenta el desarrollo de la caracterizacion del BLUP del efecto
mixto X +Zu bajo el modelo intercepto aleatorio sin variables explicatorias (23),
considerando el caso balanceado.
Lema 6.1 Para el modelo intercepto aleatorio sin variables explicatorias (23), con-
siderando el caso balanceado, el operador proyector oblicuo est a dado por:
P
XV
=
1
kd
1
t
kd
kd
. (33)
Demostracion. Bajo el modelo
Y
ij
= +u
j
+e
ij
, i = 1, ..., d, j = 1, ..., k, (34)
con u
j
N
_
0,
2
u0
_
y e
ij
N
_
0,
2
e
_
, se tiene Z = I
k
1
d
, de lo cual se cumple
P
Z
=
ZZ
t
d
=
(I
k
1
d
1
t
d
)
d
. (35)
Del teorema 4.2, la matriz V
1
esta dada por:
V
1
=
(I
k
1
d
1
t
d
)
d (d
2
u0
+
2
e
)
+
(dI
kd
(I
k
1
d
1
t
d
))
d
2
e
(36)
en este caso X = 1
k
1
d
= 1
kd
, as de (36)
X
t
V
1
= 1
t
kd
_
(I
k
1
d
1
t
d
)
d (d
2
u0
+
2
e
)
+
(dI
kd
(I
k
1
d
1
t
d
))
d
2
e
_
= 1
t
kd
(I
k
1
d
1
t
d
)
d (d
2
u0
+
2
e
)
+1
t
kd
(dI
kd
(I
k
1
d
1
t
d
))
d
2
e
,
desarrollando cada uno de los terminos involucrados en X
t
V
1
1
t
kd
(I
k
1
d
1
t
d
)
d (d
2
u0
+
2
e
)
=
d1
t
kd
d (d
2
u0
+
2
e
)
=
1
t
kd
(d
2
u0
+
2
e
)
(37)
y
1
t
kd
(dI
kd
(I
k
1
d
1
t
d
))
d
2
e
= 1
t
kd
(dI
kd
)
d
2
e
1
t
kd
((I
k
1
d
1
t
d
))
d
2
e
= 0 (38)
As de (37) y (38), se tiene
X
t
V
1
=
1
t
kd
(d
2
u0
+
2
e
)
(39)
Considerando (39), el producto X
t
V
1
X esta dado por:
X
t
V
1
X =
1
t
kd
1
kd
(d
2
u0
+
2
e
)
=
kd
(d
2
u0
+
2
e
)
y su g-inversa por:
_
X
t
V
1
X
_

=
d
2
u0
+
2
e
kd
. (40)
171
De (39) y (40), se tiene
_
X
t
V
1
X
_

X
t
V
1
=
d
2
u0
+
2
e
kd
1
t
kd
(d
2
u0
+
2
e
)
=
1
t
kd
kd
(41)
Por lo que el operador proyector oblicuo P
XV
, bajo el modelo intercepto aleatorio
sin variables explicatorias (23), considerando el caso balanceado, est a dado por:
P
XV
=
1
kd
1
t
kd
kd
Lema 6.2 Bajo el modelo intercepto aleatorio sin variables explicatorias (23), se
cumple P
Z
P
XV
= P
XV
.
Demostracion. De (33) y (35), se tiene
P
Z
P
XV
=
(I
k
1
d
1
t
d
)
d
1
kd
1
t
kd
kd
=
d1
kd
1
t
kd
dkd
= P
XV
El siguiente resultado presenta en forma explicita la caracterizaci on del BLUP
del efecto mixto X +Zu para el modelo intercepto aleatorio sin variables explica-
torias (23).
Teorema 6.3 El BLUP del efecto mixto X+Zu bajo el modelo intercepto aleato-
rio sin variables explicatorias (23), est a dado por
(1 c)
1
kd
1
t
kd
kd
Y +c
(I
k
1
d
1
t
d
)
d
Y,
donde c = d
2
u0
/
_
d
2
u0
+
2
e
_
.
Demostracion. Por el teorema 4.3, la caracterizaci on del BLUP del efecto
mixto X +Zu esta dada por
P
XV
Y + cP
Z
(I P
XV
) Y,
donde c = d
2
u0
/
_
d
2
u0
+
2
e
_
. As por los lemas 6.1 y 6.2, se tiene
BLUP (X +Zu) = P
XV
Y +cP
Z
YcP
Z
P
XV
Y
= P
XV
Y +cP
Z
YcP
XV
Y
= (1 c) P
XV
+cP
Z
Y
= (1 c)
1
kd
1
t
kd
kd
Y +c
(I
k
1
d
1
t
d
)
d
Y
donde c = d
2
u0
/
_
d
2
u0
+
2
e
_
7. Conclusiones
En este trabajo se present o la condici on bajo la cual se puede dar la carac-
terizacion del BLUP del efecto mixto X + Zu. Para poder obtener la caracteri-
zacion, la matriz de dise no Z, del modelo considerado, debe de cumplir la condici on
dP
Z
= ZZ
t
. La caracterizacion del BLUP del efecto mixto permite ver que este es
un elemento de la suma lineal de S (X) y de S (Z), donde esta suma no necesaria-
mente es directa ya que depende de la estructura de las matrices X y Z.
172
Referencias
[1] Christensen, R., Plane Answers to Complex Questions. The Theory of Linear
Models, 3rd Ed Springer, New York, USA, 473 p., 2002.
[2] Goldstein, H., Multilevel Statistical Models, Third Edition, Halsted Press, New
York, 1995.
[3] Henderson, C.R., Best Linear Unbiased Estimation and Prediction under a
Selection Model, Biometrics, 31, 423-447, 1975.
[4] Henderson, C.R., Applications of Linear Models in Animal Breeding, University
of Guelph, Guelph, Ontario, 1984.
[5] Henderson, C.R., Kempthorne, O., Searle, S.R. and von Krosigk, C.N., Esti-
mation of Environmental and Genetic Trends from Records Subject to Culling,
Biometrics, 15, 192-218, 1959.
[6] Kala, R. and Pordzik, Two local operators and the BLUE, Linear Algebra and
its Applications, 417, 134-139, 2006.
[7] Laird, N. and Ware, J., Random Eects Models for Longitudinal Data, Bio-
metrics, 38, 963-974, 1982.
[8] Littell, R.C., Milliken, G.A., Stroup, W.W., Wolnger, R.D. and Schabenberg-
er, O., SAS for Mixed Models. Cary, NC: SAS Institute, Inc., 2006.
[9] Longford, N.T., (eds. Arminger, G., Clogg, C.C. and Sobel, M.E.), Random
Coecient Models. In: Handbook of Statistical Models for the Social and Be-
havioral Sciences, pp. 519-577, Plenum Press, New York, USA, 1995.
[10] Peng, C. and Zhang, X., On Recursive Oblique Projectors, IEEE Signal Pro-
cessing Letters, 12, 433-436, 2005.
[11] Pinheiro J.C. and Bates, D.M., Mixed Eects Models in S and S-PLUS,
Springer, New York, USA, 2000.
[12] Rabe-Hesketh, S. and Srondal, A. Multilevel and Longitudinal Modeling Using
Stata, Second Edition, Stata Press. 562 p., 2008.
[13] Rasbash, J., Steele, F., Browne, W.J., and Goldstein, H., A users guide to ML-
wiN version 2.10. Center for multilevel modeling. University of Bristol, London,
England, 2009.
[14] Raudenbush, S.W. and Bryk, A.S, Hierarchical Linear Models Applications and
Data Analysis Methods, 2nd. Ed., Sage Publications, Thousand Oaks, USA,
2002.
[15] Searle, S.R., Casella, G. and McCulloch, C.E., Variance Component, 2nd Ed.,
John Wiley, New York, USA, 2006.
[16] Takane, Y. and Yanai, H., On Oblique Projectors, Linear Algebra and its Ap-
plications, 289, 297-310, 1999.