Documente Academic
Documente Profesional
Documente Cultură
RESUMEN
Se presenta una metodología basada en la teoría de productos Kronecker que facilita la construcción de
la matriz de varianzas y covarianzas cuando se trabaja en diseños con estructura balanceada de datos. El
método propuesto puede ser aplicado a modelos mixtos con efectos fijos o aleatorios con cualquier
número de factores. La matriz de varianzas y covarianzas se construye bajo los supuestos usuales para
modelos finitos o infinitos.
Palabras clave: Productos Kronecker, matriz de varianzas y covarianzas, diseños balanceados, modelos
lineales.
ABSTRACT
We present a method for constructing variance and covariance matrices for balanced design using the
Kronecker product. The method can be applied to fixed, random, or mixed models with any number of
factors. The covariance matrices are constructed under the usual infinite and finite model assumptions.
Key words: Kronecker product, variance and covariance matrices, balanced designs, linear models.
39
Entonces:
s
y = X β + ∑ ZiU i +e
i =1
3 AT es la transpuesta de una matriz, es decir las
filas se intercambian por las columnas.
y la varianza de y se define como:
2 2
s 4 τ ≈ N (0, σ 2 ) tiene distribución normal con me-
τ
Var ( y ) = ∑ Z i Z σ + σ I
i
T
i
2 2
e N dia cero y varianza σ 22
i =1 τ
40
a11B ⋅ ⋅ a1q B
⋅ ⋅
7. λ ( A ⊗ B ) = ( λ A) ⊗ B = A ⊗ ( λ B ) para
⋅ ⋅
Apxq ⊗ Bmxn =
todo escalar λ .
⋅ ⋅ ⋅ ⋅
a B 8. A ⊗ ( B ⊗ C ) = ( A ⊗ B ) ⊗ C
p1 ⋅ ⋅ a pq B
9. ( A ⊗ B )( F ⊗ G ) = ( AF ) ⊗ ( BG )
Ejemplo: Sea 10. ( A + B ) ⊗ C = A ⊗ C + B ⊗ C
11. A ⊗ ( B + C ) = A ⊗ B + A ⊗ C
1 0
2 1
A= y B=2 1 el producto
0 −1 MATERIALES Y MÉTODOS
0 −1
Los modelos de componentes de varianza
Kronecker es:
son modelos lineales que incorporan tér-
1 0 1 0 2 0 1 0 minos aleatorios, lo cual genera una matriz
2 2 1 1 2 1
4 2 2 1 de varianzas y covarianzas.
0 −1 0 −1 0 −2 0 −1
A⊗ B = =
1 0 1 0 0 0 −1 0 Esta matriz V como lo vimos en los mode-
0 2 1 −1 2 1 0 0 −2 −1 los mixtos tiene la estructura
0 −1 0 −1 0 0 0 1 s
V= ∑Z Z
i =1
i
T
i σ i2 donde Z Z T puede ser escri-
i i
41
I n ⊗ I n ⊗ L ⊗ I nn
T
se puede rescribir (3) como
1 2
I n ⊗ I n ⊗ L ⊗ J nn
1 2 ∆ = [00 K 0;00 K1;K ;111K 0;111K1]
∆ P =
0
M
1×2
J ⊗ J ⊗L J ⊗ J
n1 n2 nn−1 nn
J ⊗ J ⊗L ⊗ J Para el ejemplo anterior
n1 n2 nn
∆ = [000;001;010;100;110;101;011;111]
Para ejemplizar el algoritmo tomamos un
diseño factorial a dos vías jerárquico, cuyo
modelo tiene la forma: Caracterizado el vector ∆ se construye el
yi1i2i3 = µ + τ + τ + (τ τ ) vector asociado con las componentes de
1
i1
2
i2
1 2
+ ei1i2i3
i1i2 varianza θ 0 , según el siguiente criterio:
i1 = 1,2,K , n1 , i2 = 1,2,K , n2 , i3 = 1, 2,K , n3
Las componentes del vector fila θ 0 son σ a
2
En este modelo P=3 corresponde a la canti- θ0 = σe2 στ21τ2 0 0 0 στ22 στ21 0 (4)
dad de subíndices presentes en el modelo,
y por lo tanto ∆ 0 es:
( )
T
Con esto tenemos V como V = ∆ 0 θ 0 ,
I n1n2n3
T remplazando ∆ 0 , θ 0 , y multiplicando ob-
I ⊗J tenemos:
n1n2 n3
I n1 ⊗ J n2 ⊗ I n3 V = I n1n2n3σ e2 + I n1n2 ⊗ J n3σ τ21τ 2 + J n1 ⊗ I n2 ⊗ J n3σ τ22 + I n1 ⊗ J n2 n3σ τ21
J n1 ⊗ I n2 n3
∆0 = (3)
J n1 n2 ⊗ I n3 Teniendo en cuenta el procedimiento ante-
J n1 ⊗ I n2 ⊗ J n3 rior podemos deducir la fórmula general de
I n1 ⊗ J n2 n3 V para diseños jerárquicos balanceados.
J n1 n2 n3
42
TABLA 1
donde Planta, i1 Hoja, i1 i2 Determinaciones
yi1i2i3 yi1i2 . yi1 .. y...
i1 = 1, 2 , K , n 1 , i 2 = 1, 2 , K , n 2 , K ; i n −1 = 1, 2, K , n n −1 ; i n = 1, 2 , K , n n
i1 =1,...,4 i2 =1,2,3
τ i11 ≈ N (0, σ τ21 ), τ i22 ≈ N (0, σ τ22 ), K, (τ 1τ 2 ) ≈ N (0, σ τ21τ 2 ), K, 1 1 3.28 3.09 6.37
i1i 2
2 3.52 3.48 7.00
(τ τ
1 2
Kτ n −1 )
i1i 2Ki n−1
≈ N (0, σ τ21τ 2Kτ n−1 ), e ≈ N (0, σ e2 ) 3 2.88 2.80 5.68 19.05
θ 0 = σ e2 ;σ τ21τ 2Kτ n−1 ;0;σ τ21τ 3 ;σ τ21τ 2Kτ n− 2 ;0;στ21τ 2Kτ n− 3 ;K;στ2n−1 ;0;σ τ2n ;0;0
de la i1 -ésima planta, τ 2 es el efecto de la i2
-ésima hoja en la i1 -ésima planta y la e es el
Sustituyendo en V = ∆ 0 (θ 0 ) , obtenemos la
T
43
0
V = 4 3 2
σ 22 indicadora podemos caracterizar ∆ , para
J 4 ⊗ J3 ⊗ I2
τ poder construir el vector asociado con
J 4 ⊗ I3 ⊗ J 2 σ 22
I4 ⊗ J 3 ⊗ J 2 τ las componentes de varianza θ 0 , con
0
J4 ⊗ J3 ⊗ J2 0 esto tenemos V como V = ∆ 0 (θ 0 )T , y
= I 24σ e2 + σ τ21 I 4 ⊗ J 3 ⊗ J 2 + σ τ22 J 4 ⊗ I 3 ⊗ J 2 . remplazando ∆ 0 , θ 0 obtenemos la ma-
triz de varianzas y covarianzas para mo-
Para predecir el valor promedio utilizamos delos balanceados con n vías de clasifi-
el mejor predictor lineal insesgado: cación.
BLUP ( x β ) = DZ TV −1 ( y − (x (x V T −1
x ) x TV −1 y
−1
))
LITERATURA CITADA
Donde D es una matriz diagonal de tamaño
16x 16 que contiene todas las varianzas GRAYBILL, F.A. ON QUADRATIC ESTIMATES OF
VARIANCE COMPONENTS, ANN. MATH. STAT.
σ τ2 , σ τ2 del modelo en su diagonal princi-
1 2
1954, 25: 367-372.
pal y los elementos por fuera de la diago-
nal son ceros. LÓPEZ, L.A, & IEMMA, A. ON THE ESTIMATION OF
VARIANCE COMPONENTS, BIOMETRICS. 1973,
Efectuando los productos y hallando la in- 29: 311-330.
versa de V se obtiene que:
LÓPEZ, L.A. CÁLCULO DE LA MATRIZ INVERSA DE
BLUP ( x β ) = 3,0120833 COMPONENTES DE VARIANZAS EN ESTRUCTURAS
BALANCEADAS Y DESBALANCEADAS, REVISTA
el valor promedio que se predice es de
3,0120833 calcio en las hojas de nabo. COLOMBIANA DE ESTADÍSTICA, SANTA FE DE
BOGOTÁ, 19-20, 1989, 113-124.
CONCLUSIONES
SEARLE, S.R, ANOTHER LOOK AT HENDERSON’S
METHODS OF ESTIMATING VARIANCE COMPONENTS,
1. Esta metodología sirve para agilizar el
desarrollo y solución de algunos pro- BIOMETRICS, 1968, 24: 749-789.
blemas de aplicación en la determina-
SEARLE, S.R, LINEAR MODELS, JOHN. WILEY AND
ción de parámetros genéticos e índices
SONS. NEW YORK, N.Y. 1971.
de selección de especies animales y / o
vegetales que requieren de la matriz de SEARLE, S.R, CASELLA, G. & MCCULLOCH, C.E,
varianzas y covarianzas. VARIANCE COMPONENTS, JOHN. WILEY AND
2. Facilita la inferencia puntual donde se SONS. NEW YORK, N.Y. 1992.
necesita la matriz de varianzas y cova-
rianzas.
Recibido: 20-05-2003
3. El algoritmo para la obtención de la ma- Aceptado: 6-08-2003
triz de varianzas y covarianzas requiere
44