39. 통계학적 2차형식(Quadratic Form)

1. 2차형식이란?
   1) 수학에서 2차형식이란 항이 모두 2차인 동차 다항식을 의미한다.
   ${(1)}$ 예를 들면 아래와 같은 경우이다.
   $$4x^{2} + 2xy - 3y^{2}$$
   -. 위 다항식의 경우, 변수 x와 y에 대하여 2차 형식이다.
   
   2) 구체적으로는, 이차형식은 아래와 같은 형태로 나타낼 수 있는 형태를 의미한다.
   
   ${(1)}$ 선형결합 형식으로 나타낼 때
   

   -. $q_{A}(x_{1}, \dots x_{n}) = \sum_{i=1}^{n}\sum_{j=1}^{n}a_{ij}x_{i}x_{j}$

   
   
   ${(2)}$ 행렬 형식으로 나타낼 때
   

   -. $q_{A}(x_{1}, \dots, x_{n}) = x^{T}Ax$ 

   3) 특히, 행렬형식으로 나타낼 때 행렬 A의 고유 분해 결과에 따라 성질이 달라진다.
   
   -. $A = P^{T} \Lambda P$에서 행렬 $\Lambda$의 대각성분(=고윳값 성분)의 형태에 따라 연산의 성질이 달라진다.
   -. 특히, 고윳값이 모두 0 초과의 양수인 경우 양의 정부호 행렬이라 칭하며 통계학적으로 중요하게 다뤄진다.
   
   
2. 통계학에서의 2차형식
   1) 분산-공분산 행렬
   ${(1)}$ 분산-공분산 행렬은 대표적인 2차형식으로 해석할 수 있다.
   

   -. 선형결합 형식으로 나타낼 경우 $$\sum_{i=1}^{n}(x_{i} - \overline{x})^{2} = \sum_{i=1}^{n}(x_{i} - \frac{\sum_{j=1}^{n} x_{j}}{n})^{2} = \sum_{i=1}^{n}(x_{i}^{2} + 2\overline{x}x_{i} + \overline{x}^{2}) \\ = \sum_{i=1}^{n}x_{i}^{2} - 2\sum_{i=1}^{n}\sum_{j=1}^{n}\frac{x_{j}}{n}x_{i} + n\sum_{i=1}^{n}\frac{\sum_{j=1}^{n}x_{j}^{2}}{n^{2}} \\ = \frac{n-1}{n}\sum_{i=1}^{n}x_{i}^{2} + \frac{2}{n}\sum_{i=1}^{n}\sum_{j=1}^{n}x_{i}x_{j}$$ 모든 항이 2차인 동차 다항식이기 때문에, 정의에 따라 이는 2차형식이 된다. -. 행렬형식으로 나타낼 경우 $X = [x_{i} - \mu]$ 라는 벡터에 대하여 분산-공분산 행렬은  $$\Sigma = X^{T} I X$$로 나타낼 수 있다. 따라서 이는 2차형식이다.

   
   2) 정규분포의 2차형식 확률변수의 선형결합
   ${(1)}$ 정규분포의 2차 형식인 확률변수들의 선형결합은 카이제곱분포의 가법성을 따른다.
   

   $[X_{i}, \dots, X_{n}]$을 $N(\mu_{i}, \sigma^{2})$를 각각 따르는 서로 독립인 확률변수라고 하자. $Q_{i}$를 다음의 실2차형태라고 정의하자. $$ Q_{i} = X_{i}^{T} I X_{i}, (i = 1,\dots,n)$$ 이 2차형태의 선형결합을 다음과 같이 정의하자 $$Q = Q_{1} + Q_{2} + \dots + Q_{k-1} + Q_{k}$$ 이 때, 다음은 참이다. ① $\frac{Q}{\sigma^{2}} \sim X^{2}(r)$ 이다. $\frac{Q_{k}}{\sigma^{2}}$는 $r_{k} = r-(r_{1}+\dots+r_{k-1})$에 대하여  ② $\frac{Q_{k}}{\sigma^{2}} \sim X^{2}(r_{k})$ 이다

   
   3) F분포의 도출
   ${(1)}$ 2차 형식의 정의를 가져와서 F분포를 도출하는데 활용할 수 있다.

   어떤 실현값들의 행렬을 다음과 같이 정의하자. $A = \begin{bmatrix} X_{11} && X_{12} && \dots && X_{1n} \\ \vdots && \ddots && \ddots && \vdots \\ \end{bmatrix}$ 이 때, 각 실현값이 따르는 확률변수 $X_{ij}$는 서로 독립인 확률변수들이다. -. 열 차원의 도출 이 때, 이 데이터 행렬의 열의 평균벡터를 정의하면 다음과 같이 나타낼 수 있다. $$\overline{x}_{cn} = \begin{bmatrix} \overline{x}_{.1} \\ \overline{x}_{.2} \\ \vdots \\ \overline{x}_{.b} \end{bmatrix} = \begin{bmatrix} \frac{x_{11}+x_{21} + \dots + x_{a1}}{a} \\ \frac{x_{12} + x_{22} + \dots + x_{a2}}{a} \\ \vdots \\ \frac{x_{1b}+x_{2b} + \dots + x_{ab}}{a} \end{bmatrix} = \begin{bmatrix}\frac{\sum_{i=1}^{a}x_{i1}}{a} \\ \frac{\sum_{i=1}^{a}x_{i2}}{a} \\ \frac{\sum_{i=1}^{a}x_{ib}}{a}\end{bmatrix}$$ 이 때, 크기 $n = ab$인 확률표본의 분산 $S^{2}$은 다음과 같이 정리할 수 있다. $$S^{2} = \frac{\sum_{i=1}^{a}\sum_{j=1}^{b}(x_{ij}-\overline{x})^{2}}{ab-1}$$ 분모를 좌변으로 이항하면 $$(ab-1)S^{2} = \sum_{i=1}^{a}\sum_{j=1}^{b}(x_{ij}-\overline{x})^{2}$$ $(x_{ij}-\overline{x})^{2} = [(x_{ij} - \overline{x}_{i}) + (\overline{x_{i}} - \overline{x})]^{2}$으로 분리하면 $$\sum_{i=1}^{a}\sum_{j=1}^{b}[(x_{ij} - \overline{x}_{i}) + (\overline{x_{i}} - \overline{x})]^{2} \\ = \sum_{i=1}^{a}\sum_{j=1}^{b}[(x_{ij} - \overline{x}_{i})^{2} + \sum_{i=1}^{a}\sum_{j=1}^{b}(\overline{x_{i}} - \overline{x})]^{2} + 2\sum_{i=1}^{a}\sum_{j=1}^{b}(x_{ij}-\overline{x}_{i})(\overline{x}_{i}-\overline{x})$$ 이 때, 각 항별로 각각 정리하면 ① $\sum_{i=1}^{a}\sum_{j=1}^{b}(x_{ij}-\overline{x}_{i})(\overline{x}_{i}-\overline{x}) = \sum_{i=1}^{a}[(\overline{x}_{i}-\overline{x})\sum_{j=1}^{b}(x_{ij}-\overline{x}_{i})]$ 에서, $\sum_{j=1}^{b}(x_{ij}-\overline{x}_{i}) = 0$ 이므로 이 항은 소거된다. ② $\sum_{i=1}^{a}\sum_{j=1}^{b}(\overline{x_{i}} - \overline{x})^{2} = b\sum_{i=1}^{a}(\overline{x_{i}} - \overline{x})^{2}$ 위 정리 결과를 하나로 합치면 $(ab-1)S^{2} = \sum_{i=1}^{a}\sum_{j=1}^{b}(x_{ij}-\overline{x}_{i}) + b\sum_{i=1}^{a}(\overline{x}_{i}-\overline{x})^{2}$ 이를 2차형식으로 나타내자. 즉 $$Q = Q_{1} + Q_{2}$$ 이제, 여기에 대하여 각각의 항을 $\sigma^{2}$으로 나누자. 즉 $$\frac{Q}{\sigma^{2}} = \frac{Q_{1}}{\sigma^{2}} + \frac{Q_{2}}{\sigma^{2}}$$ 이 때,  ① $\frac{Q}{\sigma^{2}}$는 $\frac{(ab-1)S^{2}}{\sigma^{2}}$인데, 이는 스튜턴트의 정리에 따르면 $X^{2}(ab-1)$의 카이제곱 분포를 따른다. ② $\frac{Q_{1}}{\sigma^{2}}$는 $\sum_{i=1}^{a}[\sum_{j=1}^{b}\frac{(x_{ij}-\overline{x}_{i})^{2}}{\sigma^{2}}]$ 는 $X^{2}(b-1)$의 a개의 선형결합과 같다.  따라서, 카이제곱 분포의 가법성에 따라 $\sum_{i=1}^{a} X^{2}(b-1) \sim X^{2}(a(b-1))$ 위에서 정의한 <정규분포의 2차형식 확률변수의 선형결합>에 따라 $Q_{2}$는 $r_{2} = r - r_{1}$이므로  $$Q_{2} \sim X^{2}(ab - 1 - a(b-1) = a-1)$$ 이다. -. 행차원의 도출 위 전개와 마찬가지로, 행 평균벡터를 다음과 같이 정의한다. $$\overline{x}_{cr} = \begin{bmatrix} \overline{x}_{1.} \\ \overline{x}_{2.} \\ \vdots \\ \overline{x}_{a.} \end{bmatrix} = \begin{bmatrix} \frac{x_{11}+x_{12} + \dots + x_{1b}}{b} \\ \frac{x_{21} + x_{22} + \dots + x_{2b}}{b} \\ \vdots \\ \frac{x_{a1}+x_{a2} + \dots + x_{ab}}{b} \end{bmatrix} = \begin{bmatrix}\frac{\sum_{i=1}^{b}x_{1i}}{b} \\ \frac{\sum_{i=1}^{b}x_{2i}}{b} \\ \dots \\ \frac{\sum_{i=1}^{b}x_{ai}}{b}\end{bmatrix}$$ 열차원에서의 논의를 그대로 따라가서 다음을 도출했다 하자 $(ba-1)S^{2} = \sum_{i=1}^{a}\sum_{j=1}^{b}(x_{ij}-\overline{x}_{j}) + a\sum_{j=1}^{b}(\overline{x}_{j}-\overline{x})^{2}$ 이를 2차형식으로 나타내자. 즉 $$Q = Q_{3} + Q_{4}$$ 마찬가지로 Q는 $X^{2}(ba-1)$을 따르고 $Q_{3} \sim X^{2}(b(a-1))$ $Q_{4} \sim X^{2}(ba - 1 - b(a-1) = b-1)$ 이다. -. 2차형식의 결합 전체평균에 대하여 카이제곱 분포꼴로 표현하면 $$\overline{x} = \frac{X_{11} + X_{12} + \dots + X_{ab}}{ab} = \frac{\sum_{i=1}^{a}\sum_{j=1}^{b}x_{ij}}{ab}$$ 한편, $(ab-1)S^{2}$을 구할 때  반복적으로 도출되었던 $(X_{ij} - \overline{X})$를 각각 행평균과 열평균인 $\overline{x}_{nr}$, $\overline{x}_{cn}$, 그리고 전체평균 $\overline{x}$로 나타내면 $$(X_{ij} - \overline{X}) = (\overline{X}_{nr} - \overline{X}) + (\overline{X}_{cn} - \overline{X}) + (X_{ij} - \overline{X}_{nr} - \overline{X}_{cn} + \overline{X})$$ 따라서 $$(ab-1)S^{2} = b\sum_{i=1}^{a}(\overline{X}_{i.} - \overline{X})^{2} + a\sum_{j=1}^{b}(\overline{X}_{.j} - \overline{X})^{2} + \sum_{i=1}^{a}\sum_{j=1}^{b}(X_{ij} - \overline{X}_{i.} - \overline{X}_{.j} + \overline{X})^{2}$$ 이를 이차형식으로 표현하면 $$Q = Q_{2} + Q_{4} + Q_{5}$$ 이 때, $Q \sim X^{2}(ab-1)$, $Q_{2} \sim X^{2}(a-1)$이고, $Q_{4} \sim X^{2}(b-1)$ 이므로 $Q_{5} \sim X^{2}(ab-1 - a + 1 - b + 1 = (a-1)(b-1))$을 따른다.  한편, $X_{ij}$는 모두 독립임을 가정하였으므로, 그 2차형식도 마찬가지로 서로 독립이다. 다음과 같은 비율을 정리하자 $$\frac{Q_{4}}{Q_{3}} = \frac{Q_{4}/\sigma^{2}(b-1)}{Q_{3}/\sigma^{2}(a-1)} \sim F(b-1, b(a-1))$$ $$\frac{Q_{4}}{Q_{5}} = \frac{Q_{4}/\sigma^{2}(b-1)}{Q_{3}/\sigma^{2}((a-1)(b-1))} \sim F(b-1, (a-1)(b-1))$$ 은 각각의 자유도를 가지는 F-분포를 따른다.