第一種変形ベッセル関数が方向統計学に登場する理由
📂確率分布論 第一種変形ベッセル関数が方向統計学に登場する理由 ビルドアップ 変形ベッセル関数 J ν ( x ) = ∑ n = 0 ∞ ( − 1 ) n Γ ( n + 1 ) Γ ( n + ν + 1 ) ( x 2 ) 2 n + ν
J_{\nu}(x) = \sum \limits_{n=0}^{\infty} \frac{(-1)^{n} }{\Gamma (n+1) \Gamma (n+\nu+1)} \left(\frac{x}{2} \right)^{2n+\nu}
J ν ( x ) = n = 0 ∑ ∞ Γ ( n + 1 ) Γ ( n + ν + 1 ) ( − 1 ) n ( 2 x ) 2 n + ν
第一種ベッセル関数 J ν J_{\nu} J ν に対して次のように定義される I ν I_{\nu} I ν を変形第一種ベッセル関数 という 。
I ν ( z ) : = i − ν J ν ( i z ) = ( z 2 ) ν ∑ k = 0 ∞ z 2 2 k k ! Γ ( ν + k + 1 ) = ( z 2 ) ν π Γ ( ν + 1 2 ) ∫ − 1 1 e z t ( 1 − t 2 ) ν − 1 2 d t
\begin{align*}
I_{\nu} (z) :=& i^{-\nu} J_{\nu} \left( iz \right)
\\ =& \left( {{ z } \over { 2 }} \right)^{\nu} \sum_{k=0}^{\infty} {{ {{ z } \over { 2 }}^{2k} } \over { k! \Gamma \left( \nu + k + 1 \right) }}
\\ =& {{ \left( {{ z } \over { 2 }} \right)^{\nu} } \over { \sqrt{\pi} \Gamma \left( \nu + {{ 1 } \over { 2 }} \right) }} \int_{-1}^{1} e^{zt} \left( 1 - t^{2} \right)^{\nu - {{ 1 } \over { 2 }}} dt
\end{align*}
I ν ( z ) := = = i − ν J ν ( i z ) ( 2 z ) ν k = 0 ∑ ∞ k ! Γ ( ν + k + 1 ) 2 z 2 k π Γ ( ν + 2 1 ) ( 2 z ) ν ∫ − 1 1 e z t ( 1 − t 2 ) ν − 2 1 d t
方向統計 一方、方向統計学 statistical とは、通常のユークリッド空間 ではなく、ある多様体 上の確率分布や統計的推測などを研究する分野だ。たとえば地球のような球体を代表するスフィア や、2 π 2 \pi 2 π -モジュラスで表されるトーラス などに置かれたデータ を扱うが、すぐに空間情報統計学(球面)や分⾚間の角度(トーラス)に応用できるなど、その未来は明るい部門だ。だが、ここに登場する分布は、次のような奇妙な確率密度関数を持っている。
f p ( x ; μ , κ ) : = ( κ 2 ) p / 2 − 1 1 Γ ( p / 2 ) I p / 2 − 1 ( κ ) exp ( κ μ T x ) , x ∈ S p − 1
f_{p} \left( \mathbf{x} ; \mu , \kappa \right) := \left( {{ \kappa } \over { 2 }} \right)^{p/2 - 1} {{ 1 } \over { \Gamma \left( p/2 \right) I_{p/2 - 1} \left( \kappa \right) }} \exp \left( \kappa \mu^{T} \mathbf{x} \right) \qquad , \mathbf{x} \in S^{p-1}
f p ( x ; μ , κ ) := ( 2 κ ) p /2 − 1 Γ ( p /2 ) I p /2 − 1 ( κ ) 1 exp ( κ μ T x ) , x ∈ S p − 1
ここで最初の複雑な因子は、修正第一種ベッセル関数 I ν I_{\nu} I ν を含むが、∫ S p − 1 f d x = 1 \int_{S^{p-1}} f d \mathbf{x} = 1 ∫ S p − 1 fd x = 1 になるように定数 で正規化normalize してくれるものだ。このように複雑な関数が使用される理由は単純だ。
解答 第一種ベッセル関数の導出 : ν ∈ R \nu \in \mathbb{R} ν ∈ R に対して、下のような形の微分方程式をν \nu ν 次ベッセル方程式 という。
x 2 y ′ ′ + x y ′ + ( x 2 − ν 2 ) y = 0 or y ′ ′ + 1 x y ′ + ( 1 − ν 2 x 2 ) y = 0
\begin{align*}
&& x^{2} y^{\prime \prime} +xy^{\prime}+(x^{2}-\nu^{2})y &= 0
\\ \text{or} && y^{\prime \prime}+\frac{1}{x} y^{\prime} + \left( 1-\frac{\nu^{2}}{x^{2}} \right)y &= 0
\end{align*}
or x 2 y ′′ + x y ′ + ( x 2 − ν 2 ) y y ′′ + x 1 y ′ + ( 1 − x 2 ν 2 ) y = 0 = 0
ベッセル方程式は、球面座標系で波動方程式を解く時に登場する微分方程式だ。 係数は定数ではなく、独立変数 x x x に依存する。フロベニウスの方法 で解を求めることができ、級数解 は次のようになる。
J ν ( x ) = ∑ n = 0 ∞ ( − 1 ) n Γ ( n + 1 ) Γ ( n + ν + 1 ) ( x 2 ) 2 n + ν J − ν ( x ) = ∑ n = 0 ∞ ( − 1 ) n Γ ( n + 1 ) Γ ( n − ν + 1 ) ( x 2 ) 2 n − ν
\begin{align*}
J_{\nu}(x) &= \sum \limits_{n=0}^{\infty} \frac{(-1)^{n} }{\Gamma (n+1) \Gamma (n+\nu+1)} \left(\frac{x}{2} \right)^{2n+\nu}
\\ J_{-\nu}(x) & =\sum \limits_{n=0}^{\infty}\frac{(-1)^{n}}{\Gamma (n+1)\Gamma (n-\nu+1)} \left( \frac{x}{2} \right)^{2n-\nu}
\end{align*}
J ν ( x ) J − ν ( x ) = n = 0 ∑ ∞ Γ ( n + 1 ) Γ ( n + ν + 1 ) ( − 1 ) n ( 2 x ) 2 n + ν = n = 0 ∑ ∞ Γ ( n + 1 ) Γ ( n − ν + 1 ) ( − 1 ) n ( 2 x ) 2 n − ν
ベッセル関数の導出を考えると、ベッセル方程式 という微分方程式の一つやその解など、難しい表現が登場する。しかし、方向統計学に関する上記の引用で重要な文はただ一つだ。
“ベッセル方程式は、球面座標系で波動方程式を解く時に登場する微分方程式だ。”
数理物理学 で波動方程式について語るかもしれないが、我々に必要なのは∫ S p − 1 f d x = 1 \int_{S^{p-1}} f d \mathbf{x} = 1 ∫ S p − 1 fd x = 1 だけだ。問題は、通常のユークリッド空間と違って球面 上の確率密度関数の値が「中心から離れて0 0 0 に近づく」という現象がないため、積分自体が簡単ではないことだ。正規分布 の確率密度関数が円S 1 S^{1} S 1 を包む形を想像してみてほしい。
上の図でτ = 1 \tau = 1 τ = 1 の時を見ると、正規分布の果てしない尻尾は、無限にS 1 S^{1} S 1 を回りながら、無限に0 0 0 ではない厚さを加えている。 これは円周率 の二倍である2 π 2 \pi 2 π を周期として繰り返し、これがまさに「球面上の波」と同じ形を持つ理由であり、ベッセル関数が使用できる理由だ。