[Differential Equation] Bessel function

ti_esti·2025년 3월 29일

Bessel 함수는 원형 또는 구면 좌표계에서 나타나는 미분방정식의 해로 자주 등장하는 특수 함수이다. 물리학, 공학, 통계학, 특히 파동방정식, 열전달, 양자역학, 베이지안 통계 등의 분야에서 널리 사용된다.


1. 역사

프리드리히 베셀(Friedrich Wilhelm Bessel): 1817년, 천체 운동 계산을 위해 이 함수를 연구했다. 이후 물리학의 다양한 파동 및 진동 문제에 자주 등장하면서, 수학적으로 일반화되었다. 특히 원형/구면 대칭 문제를 푸는 데 유용하여, Cylindrical harmonics(원기둥 조화 함수)의 해로 사용된다.

2. Bessel 방정식

다음과 같은 2차 선형 미분방정식의 해를 Bessel 함수라 부른다:

x2d2ydx2+xdydx+(x2ν2)y=0x^2 \frac{d^2 y}{dx^2} + x \frac{dy}{dx} + (x^2 - \nu^2) y = 0

이 방정식을 만족하는 함수들은 다음 두 가지 주요 해로 나뉜다:

  • 제1종 베셀 함수: Jν(x)J_\nu(x)
  • 제2종 베셀 함수: Yν(x)Y_\nu(x)

3. 주요 종류

3.1 제1종 베셀 함수 (Bessel function of the first kind)

기호: Jν(x)J_\nu(x)

이 함수는 원점을 포함하는 해로, 다음과 같이 멱급수로 정의된다:

Jν(x)=m=0(1)mm!Γ(m+ν+1)(x2)2m+νJ_\nu(x) = \sum_{m=0}^{\infty} \frac{(-1)^m}{m! \, \Gamma(m + \nu + 1)} \left( \frac{x}{2} \right)^{2m + \nu}
  • 여기서 Γ\Gamma는 감마 함수
  • 정수 차수일 경우 ν=nZ\nu = n \in \mathbb{Z}

3.2 제2종 베셀 함수 (Bessel function of the second kind)

기호: Yν(x)Y_\nu(x)

Jν(x)J_\nu(x) 하나만으로는 일반해를 표현할 수 없기 때문에, 또 다른 독립해인 Yν(x)Y_\nu(x)를 정의한다. Yν(x)Y_\nu(x)Jν(x)J_\nu(x)를 사용하여 다음과 같이 정의된다:

Yν(x)=Jν(x)cos(νπ)Jν(x)sin(νπ)Y_\nu(x) = \frac{J_\nu(x) \cos(\nu \pi) - J_{-\nu}(x)}{\sin(\nu \pi)}
  • ν\nu가 정수일 경우 극한을 취해서 정의해야 함 (왜냐하면 분모가 0이 되므로)

3.3 수정 베셀 함수 (Modified Bessel Functions)

  • 제1종 수정 베셀 함수: Iν(x)I_\nu(x)
  • 제2종 수정 베셀 함수: Kν(x)K_\nu(x)

이는 방정식의 x2ν2x^2 - \nu^2 항이 x2+ν2x^2 + \nu^2로 바뀐 형태의 해이다. 이 방정식은 주로 지수적 증가/감소를 포함하는 문제(예: 열전달, 통계 정규화 상수 등)에서 나타난다.

x2d2ydx2+xdydx(x2+ν2)y=0x^2 \frac{d^2 y}{dx^2} + x \frac{dy}{dx} - (x^2 + \nu^2) y = 0

특히 von Mises 분포에서는 I0(κ)I_0(\kappa)가 정규화 상수로 사용됨.

4. (기타) 제0종 수정 베셀 함수 I0(x)I_0(x)

I0(x)I_0(x)는 일반적인 J0(x)J_0(x)와 달리 진동하지 않고, xx가 증가할수록 지수적으로 증가한다. 지수 함수와 유사한 곡선을 가지며, 원형 분포나 라플라스 연산에서 자주 등장한다.

I0(x)=m=01(m!)2(x2)2mI_0(x) = \sum_{m=0}^{\infty} \frac{1}{(m!)^2} \left( \frac{x}{2} \right)^{2m}

또는 다음과 같은 적분 형태로도 정의된다:

I0(x)=1π0πexp(xcosθ)dθI_0(x) = \frac{1}{\pi} \int_0^\pi \exp(x \cos \theta) \, d\theta

다음과 같은 성질을 가진다.

  • I0(x)I_0(x)는 실수 xx에 대해 항상 양수이다.
  • x0x \to 0일 때: I0(0)=1I_0(0) = 1
  • xx \to \infty일 때: I0(x)ex2πxI_0(x) \sim \frac{e^x}{\sqrt{2\pi x}} (지수적으로 증가)
  • I0(x)I_0(x)는 미분 가능하며, 매끄럽고 단조 증가한다.
  • ddxI0(x)=I1(x)\frac{d}{dx} I_0(x) = I_1(x)

von Mises 분포와의 관계는 다음과 같다. 구체적으로 정규화 상수로 I0(κ)I_0(\kappa)가 등장한다:

f(θμ,κ)=12πI0(κ)exp(κcos(θμ))f(\theta \mid \mu, \kappa) = \frac{1}{2\pi I_0(\kappa)} \exp\left( \kappa \cos(\theta - \mu) \right)

여기서 I0(κ)I_0(\kappa)이 제0종 수정 베셀 함수로, 정규화 상수를 보장하는 역할을 한다.

  • κ=0\kappa = 0일 때 I0(0)=1I_0(0) = 1이므로 f(θ)=12πf(\theta) = \frac{1}{2\pi}로 균일 분포가 된다.
  • κ\kappa \to \infty일수록 I0(κ)I_0(\kappa)도 증가하여, 밀도 함수는 점점 μ\mu에 집중된다.

5. 요약표

이름기호설명
제1종 베셀 함수Jν(x)J_\nu(x)원점을 포함하는 진동 해
제2종 베셀 함수Yν(x)Y_\nu(x)Jν(x)J_\nu(x)와 독립인 해, x=0x=0에서 발산
제1종 수정 베셀 함수Iν(x)I_\nu(x)지수적으로 증가, 주기성 없음
제0종 수정 베셀 함수I0(x)I_0(x)von Mises 분포에서 사용, 지수 증가형 함수
제2종 수정 베셀 함수Kν(x)K_\nu(x)Iν(x)I_\nu(x)와 독립인 감소 해

profile
KAIST Computational Neuroscience

0개의 댓글