これまでの章では、主に積分の厳密な値を求める方法を学んできた。
例えば、Gamma関数やBeta関数を用いれば、特定の広義積分を特殊関数の値へ帰着できる。
また、Fourier変換や留数定理を利用すれば、直接計算しにくい振動積分を評価できる場合がある。
しかし、実際の問題では、積分の厳密な値よりも、あるパラメータが大きくなったときの振る舞いを知りたい場合がある。
例えば、
$$
I(N)=\int_0^1e^{-Nx^2}\,dx
$$
を考えよう。
ここで、
$$
N\to\infty
$$
とする。
この積分は誤差関数を用いて厳密に表せる。
しかし、大きなパラメータに対する振る舞いを調べるだけなら、誤差関数を直接扱う必要はない。
パラメータが大きくなると、指数関数は原点から離れた領域で急速に減衰する。
したがって、積分の主要な寄与は原点付近から生じる。
その付近だけを適切に近似すれば、積分全体の主要な振る舞いを求められる。
このような考え方を漸近解析(asymptotic analysis)という。
漸近解析では、関数や積分の値を完全に求める代わりに、ある極限で支配的になる項を調べる。
さらに、必要に応じて高次の補正項を求めることで、近似の精度を改善できる。
本章では、漸近記法の基本から出発し、Laplace法、Watsonの補題、停留位相法、最急降下法を学ぶ。
その後、Gamma関数、Bessel関数、Airy関数などとの関係を考え、積分の構造に応じた漸近解析の使い分けを整理する。
大きなパラメータを含む積分
まず、次の積分を考える。
$$
I(N)=\int_a^b e^{-Nf(x)}g(x)\,dx
$$
ここで、
$$
N>0
$$
とし、パラメータを無限大へ近づける。
指数関数の内部に、
$$
-Nf(x)
$$
が現れている。
パラメータが大きくなると、
$$
f(x)
$$
の値が少し異なるだけでも、指数関数の大きさは大きく変化する。
例えば、
$$
f(x_1)< f(x_2)
$$
ならば、
$$
\frac{e^{-Nf(x_2)}}{e^{-Nf(x_1)}}
=
e^{-N(f(x_2)-f(x_1))}
$$
である。
したがって、
$$
\boxed{
\lim_{N\to\infty}
\frac{e^{-Nf(x_2)}}{e^{-Nf(x_1)}}=0
}
$$
となる。
つまり、パラメータが大きくなると、指数関数は小さい値を取る領域に集中する。
この性質から、積分の主要な寄与は、
$$
f(x)
$$
が最小になる点の近くで生じることが分かる。
局所的な情報から積分全体を評価する
例えば、
$$
f(x)=x^2
$$
ならば、最小値を取る点は原点である。
そのため、
$$
\int_0^1e^{-Nx^2}\,dx
$$
では、原点付近が主要な寄与を持つ。
一方、
$$
f(x)=(x-1)^2
$$
ならば、最小値を取る点は1である。
したがって、
$$
\int_0^2e^{-N(x-1)^2}\,dx
$$
では、1の近くが主要な寄与を持つ。
このように、漸近解析では、積分区間全体を一様に近似する必要がない場合がある。
主要な寄与が集中する場所を特定し、その近傍の情報を利用することが基本となる。
ただし、この考え方は主に指数的な減衰を持つ積分で直接利用できる。
振動積分では、寄与が集中する点の性質が異なる。
その違いについては、後に停留位相法で学ぶ。
漸近解析を厳密に記述するために、まず基本的な記法を確認する。
主要項の一致
二つの関数について、
$$
f(x)\sim g(x)
\qquad(x\to\infty)
$$
と書く場合、
$$
\boxed{
\lim_{x\to\infty}\frac{f(x)}{g(x)}=1
}
$$
を意味する。
ここでは、十分大きいところで分母が0にならないことを仮定する。
例えば、
$$
x^2+x\sim x^2
$$
である。
なぜなら、
$$
\lim_{x\to\infty}
\frac{x^2+x}{x^2}=1
$$
だからである。
この記号は、二つの関数が完全に等しいことを意味しない。
主要な増大や減衰が一致することを表している。
大きさの評価
次に、
$$
f(x)=O(g(x))
$$
という記法を考える。
これは、十分大きいところで、ある定数を用いて、
$$
|f(x)|\le C|g(x)|
$$
と評価できることを意味する。
一方、
$$
f(x)=o(g(x))
$$
は、
$$
\boxed{
\lim_{x\to\infty}\frac{f(x)}{g(x)}=0
}
$$
を意味する。
したがって、
$$
o(g(x))
$$
の方が、
$$
O(g(x))
$$
より強い条件である。
漸近展開
次に、関数を複数の項によって近似することを考える。
例えば、
$$
f(x)\sim
a_0+\frac{a_1}{x}
+\frac{a_2}{x^2}+\cdots
$$
という表記を用いる。
これは、通常の無限級数として右辺が収束することを意味しない。
正確には、任意の固定された非負整数について、
$$
\boxed{
f(x)
-
\sum_{k=0}^{M}a_kx^{-k}
=
o(x^{-M})
}
$$
が成り立つことを意味する。
これをPoincaré(ポアンカレ)型の漸近展開という。
収束級数との違い
通常のTaylor級数では、級数を無限に足し合わせることで関数を復元できる場合がある。
しかし、漸近展開では、項数を増やし続けても級数が収束するとは限らない。
実際、漸近展開の係数が階乗的に増大し、無限級数としては発散する場合も多い。
その場合でも、有限個の項で打ち切れば、パラメータが大きいときの有効な近似になる。
したがって、漸近展開では、どこまで展開するかと、その後の誤差がどの程度かを区別して考えることが重要である。
漸近解析の代表的な方法がLaplace(ラプラス)法である。
内部に最小点を持つ場合
次の積分を考える。
$$
I(N)=
\int_a^b e^{-Nf(x)}g(x)\,dx
$$
ここでは、積分区間を有限とし、関数が十分滑らかであるとする。
また、
$$
f(x)
$$
が区間内部のただ一つの点で厳密な大域的最小値を取ると仮定する。
その点を、
$$
x_0
$$
とする。
さらに、
$$
f'(x_0)=0
$$
$$
f''(x_0)>0
$$
および、
$$
g(x_0)\ne0
$$
を仮定する。
このとき、積分の主要な寄与は最小点の近傍から生じる。
最小点付近のTaylor展開
最小点では一次の項が消えるため、
$$
f(x)
=
f(x_0)
+\frac{f''(x_0)}{2}(x-x_0)^2
+O((x-x_0)^3)
$$
となる。
また、
$$
g(x)=g(x_0)+O(x-x_0)
$$
である。
したがって、最小点の近傍では、
$$
\begin{aligned}
e^{-Nf(x)}g(x)
\approx{}&
g(x_0)e^{-Nf(x_0)}\\
&\times
e^{-\frac{Nf''(x_0)}{2}(x-x_0)^2}
\end{aligned}
$$
となる。
ここにGaussian関数が現れている。
局所変数による拡大
次の変数変換を考える。
$$
u=\sqrt{Nf''(x_0)}(x-x_0)
$$
すると、
$$
dx=\frac{du}{\sqrt{Nf''(x_0)}}
$$
である。
パラメータが大きくなると、最小点から少し離れた領域の寄与は指数的に小さくなる。
したがって、主要項を求める段階では、変換後の積分区間を実数全体へ拡張できる。
すると、
$$
\begin{aligned}
I(N)
\sim{}&
\frac{g(x_0)e^{-Nf(x_0)}}{\sqrt{Nf''(x_0)}}\\
&\times
\int_{-\infty}^{\infty}e^{-\frac{u^2}{2}}\,du
\end{aligned}
$$
となる。
Gaussian積分から、
$$
\int_{-\infty}^{\infty}e^{-\frac{u^2}{2}}\,du
=
\sqrt{2\pi}
$$
である。
したがって、
$$
\boxed{
I(N)\sim
g(x_0)e^{-Nf(x_0)}
\sqrt{\frac{2\pi}{Nf''(x_0)}}
}
$$
を得る。
これが、内部に非退化な最小点を持つ場合のLaplace法の基本公式である。
主要項が決まる要素
この公式には、次の三つの情報が現れている。
第一に、最小値そのものが指数的な大きさを決める。
第二に、最小点での二階微分係数が、主要な寄与の広がりを決める。
第三に、振幅関数の最小点での値が、全体の係数を決める。
したがって、主要項の評価には、積分区間全体の複雑な情報が必要とは限らない。
ただし、最小点が複数ある場合や、二階微分係数が0になる場合には、別の扱いが必要になる。
Laplace法では、主要項だけでなく、高次の補正項も求められる。
指数関数の展開
前節の条件のもとで、
$$
A=f''(x_0)>0
$$
とおく。
また、最小点の近くで、
$$
\begin{aligned}
f(x)
={}&
f(x_0)
+\frac{A}{2}(x-x_0)^2\\
&+\frac{f^{(3)}(x_0)}{6}(x-x_0)^3\\
&+\frac{f^{(4)}(x_0)}{24}(x-x_0)^4
+\cdots
\end{aligned}
$$
と展開する。
一方、
$$
\begin{aligned}
g(x)
={}&
g(x_0)
+g'(x_0)(x-x_0)\\
&+\frac{g''(x_0)}{2}(x-x_0)^2
+\cdots
\end{aligned}
$$
である。
ここで、
$$
x-x_0=\frac{u}{\sqrt N}
$$
と置換し、指数関数と振幅を展開する。
奇数次のGaussian積分は0になるため、最初の補正項は通常、パラメータの逆数の次数で現れる。
補正項の公式
関数が十分滑らかで、最小点以外の寄与が適切に抑えられる場合、
$$
\boxed{
\begin{aligned}
I(N)
={}&
e^{-Nf(x_0)}
\sqrt{\frac{2\pi}{NA}}\\
&\times
\left(
g(x_0)+\frac{C_1}{N}
+O\left(\frac{1}{N^2}\right)
\right)
\end{aligned}
}
$$
となる。
ここで、
$$
\boxed{
\begin{aligned}
C_1
={}&
\frac{g''(x_0)}{2A}
-\frac{g'(x_0)f^{(3)}(x_0)}{2A^2}\\
&-\frac{g(x_0)f^{(4)}(x_0)}{8A^2}\\
&+\frac{5g(x_0)\bigl(f^{(3)}(x_0)\bigr)^2}{24A^3}
\end{aligned}
}
$$
である。
この式は、最小点付近のTaylor展開とGaussian積分の高次のモーメントから導ける。
指数が正の場合
指数関数が、
$$
e^{N\phi(x)}
$$
という形であり、内部の点で最大値を取る場合にも、同じ方法を利用できる。
この場合には、
$$
f(x)=-\phi(x)
$$
と考えればよい。
したがって、最大点では、
$$
\phi''(x_0)<0
$$
となる。
この符号の違いを正しく反映させる必要がある。
具体例
次の積分を考える。
$$
I(N)=
\int_{-\pi}^{\pi}e^{N\cos x}\,dx
$$
ここでは、
$$
N>0
$$
とする。
指数関数の内部では、
$$
\cos x
$$
が原点で最大値1を取る。
したがって、
$$
f(x)=-\cos x
$$
とおけば、
$$
f(0)=-1
$$
$$
f''(0)=1
$$
$$
f^{(3)}(0)=0
$$
$$
f^{(4)}(0)=-1
$$
である。
また、
$$
g(x)=1
$$
だから、
$$
C_1=\frac18
$$
となる。
したがって、
$$
\boxed{
\int_{-\pi}^{\pi}e^{N\cos x}\,dx
=
e^N\sqrt{\frac{2\pi}{N}}
\left(
1+\frac{1}{8N}
+O\left(\frac{1}{N^2}\right)
\right)
}
$$
を得る。
この積分は、第9章で学んだ第一種変形Bessel関数によって、
$$
\int_{-\pi}^{\pi}e^{N\cos x}\,dx
=
2\pi I_0(N)
$$
と表せる。
したがって、
$$
\boxed{
I_0(N)
=
\frac{e^N}{\sqrt{2\pi N}}
\left(
1+\frac{1}{8N}
+O\left(\frac{1}{N^2}\right)
\right)
}
$$
となる。
この結果は、変形Bessel関数の既知の漸近展開と一致する。
前節までは、主要な寄与が積分区間の内部に集中する場合を考えた。
しかし、最小点が端点にある場合もある。
その場合、漸近展開の形は変化する。
端点で一次の増加を持つ場合
次の積分を考える。
$$
I(N)=
\int_a^b e^{-Nf(x)}g(x)\,dx
$$
ここで、左端で唯一の最小値を取り、
$$
f'(a)>0
$$
とする。
また、振幅関数が連続で、
$$
g(a)\ne0
$$
とする。
端点付近で、
$$
f(x)
=
f(a)+f'(a)(x-a)+O((x-a)^2)
$$
である。
したがって、主要な寄与は、
$$
\begin{aligned}
I(N)
\approx{}&
g(a)e^{-Nf(a)}\\
&\times
\int_a^b e^{-Nf'(a)(x-a)}\,dx
\end{aligned}
$$
となる。
この積分の主要項を求めると、
$$
\boxed{
I(N)\sim
\frac{g(a)e^{-Nf(a)}}{Nf'(a)}
}
$$
を得る。
内部の最小点との違い
内部の非退化な最小点では、主要項に平方根が現れた。
一方、端点で一次の増加を持つ場合には、パラメータの逆数が現れる。
これは、主要な寄与が集中する幅の違いによる。
内部の二次型では、幅は平方根の逆数程度であった。
端点の一次型では、幅はパラメータの逆数程度になる。
端点で二階微分が初めて現れる場合
次に、左端で、
$$
f'(a)=0
$$
$$
f''(a)>0
$$
となる場合を考える。
このとき、
$$
f(x)=
f(a)+\frac{f''(a)}{2}(x-a)^2+\cdots
$$
である。
主要な寄与はGaussian型になるが、積分区間は最小点の片側だけに存在する。
したがって、内部の最小点の場合と比較して係数が半分になる。
結果は、
$$
\boxed{
I(N)\sim
g(a)e^{-Nf(a)}
\sqrt{\frac{\pi}{2Nf''(a)}}
}
$$
である。
ここでも、端点以外の寄与が十分小さくなることを仮定する。
具体例
次の積分を考える。
$$
I(N)=\int_0^1e^{-Nx^2}\,dx
$$
原点は左端の最小点であり、
$$
f'(0)=0
$$
$$
f''(0)=2
$$
である。
したがって、
$$
\boxed{
\int_0^1e^{-Nx^2}\,dx
\sim
\frac{\sqrt{\pi}}{2\sqrt N}
}
$$
を得る。
一方、変数変換によって、
$$
\int_0^1e^{-Nx^2}\,dx
=
\frac{\sqrt{\pi}}{2\sqrt N}
\operatorname{erf}(\sqrt N)
$$
と表せる。
誤差関数は正の無限大で1へ近づくため、同じ結果が得られる。
最小点付近の関数が、必ずしも一次式や二次式で近似できるとは限らない。
そこで、より一般的な場合を考える。
高次の局所構造
左端の最小点について、
$$
f(x)
=
f(a)+c(x-a)^p+o((x-a)^p)
$$
とする。
ここでは、
$$
c>0,\qquad p>0
$$
とする。
また、振幅関数が、
$$
g(x)\sim g_0(x-a)^{\alpha-1}
$$
を満たすとする。
ここでは、
$$
\alpha>0,\qquad g_0\ne0
$$
である。
このとき、端点付近の主要な積分は、
$$
g_0e^{-Nf(a)}
\int_0^\infty
u^{\alpha-1}e^{-Ncu^p}\,du
$$
となる。
ここで、
$$
t=Ncu^p
$$
と置換する。
すると、
$$
\begin{aligned}
&\int_0^\infty
u^{\alpha-1}e^{-Ncu^p}\,du\\
&\qquad=
\frac{1}{p}
(Nc)^{-\frac{\alpha}{p}}
\int_0^\infty
t^{\frac{\alpha}{p}-1}e^{-t}\,dt
\end{aligned}
$$
となる。
右辺の積分はGamma関数である。
したがって、
$$
\boxed{
\begin{aligned}
I(N)\sim{}&
\frac{g_0}{p}
\Gamma\left(\frac{\alpha}{p}\right)\\
&\times
(Nc)^{-\frac{\alpha}{p}}
e^{-Nf(a)}
\end{aligned}
}
$$
を得る。
ただし、最小点が一意であり、端点から離れた部分が主要項に比べて十分小さくなることを仮定する。
この公式は、Laplace法の端点型の一般化である。
具体例
正の実数について、
$$
p>0
$$
とし、
$$
I(N)=
\int_0^\infty e^{-Nx^p}\,dx
$$
を考える。
ここでは、
$$
f(x)=x^p,\qquad g(x)=1
$$
だから、
$$
\boxed{
I(N)=
\frac{1}{p}
\Gamma\left(\frac{1}{p}\right)
N^{-\frac{1}{p}}
}
$$
となる。
この例では、漸近的な等式ではなく、すべての正のパラメータについて厳密な等式が成立する。
特に、
$$
p=4
$$
とすると、
$$
\boxed{
\int_0^\infty e^{-Nx^4}\,dx
=
\frac{\Gamma\left(\frac14\right)}
{4N^{\frac14}}
}
$$
である。
このように、最小点付近で最初に現れるべき乗の次数が、漸近的な減衰の速さを決定する。
Laplace法をさらに体系化するために、Watson(ワトソン)の補題を学ぶ。
Laplace型の積分
次の積分を考える。
$$
I(N)=
\int_0^\infty e^{-Nt}q(t)\,dt
$$
ここでは、
$$
N\to\infty
$$
とする。
パラメータが大きくなると、指数関数の減衰によって、原点付近が主要な寄与を持つ。
したがって、原点付近の関数を展開することが有効になる。
原点付近の展開
例えば、
$$
q(t)
=
t^{\alpha-1}
\left(
a_0+a_1t+\cdots+a_{M-1}t^{M-1}
+O(t^M)
\right)
$$
とする。
ここでは、
$$
\alpha>0
$$
とする。
この展開を積分へ代入すると、各項は、
$$
\int_0^\infty
e^{-Nt}t^{\alpha+k-1}\,dt
$$
という形になる。
Gamma関数の積分表示から、
$$
\boxed{
\int_0^\infty
e^{-Nt}t^{\alpha+k-1}\,dt
=
\frac{\Gamma(\alpha+k)}{N^{\alpha+k}}
}
$$
である。
したがって、適切な収束条件のもとで、
$$
\boxed{
\begin{aligned}
I(N)
={}&
\sum_{k=0}^{M-1}
\frac{a_k\Gamma(\alpha+k)}
{N^{\alpha+k}}\\
&+
O\left(\frac{1}{N^{\alpha+M}}\right)
\end{aligned}
}
$$
を得る。
これがWatsonの補題の基本的な形である。
補題の意味
Watsonの補題は、被積分関数の原点付近の局所展開から、積分全体の漸近展開を求める方法である。
ただし、原点付近で展開できるだけでは十分ではない。
原点から離れた部分の積分が、指数的な減衰などによって適切に抑えられる必要がある。
また、漸近展開を導くときには、無限級数を無条件に項別積分しているわけではない。
有限個の項で打ち切り、残りの項を評価することで正当化する。
Watsonの補題の具体例として、第6章で学んだ指数積分を考える。
基本となる積分
次の積分を定義する。
$$
I(N)=
\int_0^\infty\frac{e^{-Nt}}{1+t}\,dt
$$
ここでは、
$$
N>0
$$
とする。
変数変換によって、
$$
\boxed{
I(N)=e^NE_1(N)
}
$$
となる。
ここで、
$$
E_1(N)
$$
は第一指数積分である。
原点付近の展開
次の恒等式を利用する。
$$
\frac{1}{1+t}
=
1-t+t^2-t^3+\cdots
$$
これは原点付近で収束する級数である。
Watsonの補題を利用すると、
$$
\boxed{
I(N)
\sim
\frac{1}{N}
-\frac{1}{N^2}
+\frac{2!}{N^3}
-\frac{3!}{N^4}
+\cdots
}
$$
となる。
したがって、
$$
\boxed{
E_1(N)
\sim
\frac{e^{-N}}{N}
\left(
1-\frac{1}{N}
+\frac{2!}{N^2}
-\frac{3!}{N^3}
+\cdots
\right)
}
$$
を得る。
誤差を厳密に評価する
ここでは、有限の等比級数の公式を利用する。
任意の正整数について、
$$
\boxed{
\frac{1}{1+t}
=
\sum_{k=0}^{M-1}(-1)^kt^k
+
\frac{(-1)^Mt^M}{1+t}
}
$$
が成り立つ。
これを積分へ代入すると、
$$
I(N)
=
\sum_{k=0}^{M-1}
\frac{(-1)^kk!}{N^{k+1}}
+
R_M(N)
$$
となる。
ここで、
$$
\boxed{
R_M(N)=
(-1)^M
\int_0^\infty
\frac{t^Me^{-Nt}}{1+t}\,dt
}
$$
である。
したがって、
$$
|R_M(N)|
\le
\int_0^\infty t^Me^{-Nt}\,dt
$$
となる。
Gamma関数の積分表示から、
$$
\boxed{
|R_M(N)|
\le
\frac{M!}{N^{M+1}}
}
$$
を得る。
この例では、漸近展開の誤差を具体的に評価できた。
発散する漸近級数
上の漸近展開の係数には階乗が現れている。
そのため、固定されたパラメータに対して無限に足し合わせると、一般には発散する。
しかし、有限個の項で打ち切れば、誤差を評価できる。
したがって、発散する漸近級数であっても、適切に打ち切ることで高精度の近似が得られる。
この性質は、漸近解析の重要な特徴の一つである。
Laplace法の代表的な応用として、Stirling(スターリング)公式を導いてみよう。
Gamma関数の積分表示
正整数について、
$$
N!=\Gamma(N+1)
$$
である。
Gamma関数の積分表示から、
$$
\boxed{
N!=
\int_0^\infty t^Ne^{-t}\,dt
}
$$
となる。
ここで、
$$
t=Nu
$$
と置換する。
すると、
$$
\begin{aligned}
N!
&=
N^{N+1}
\int_0^\infty u^Ne^{-Nu}\,du\\
&=
N^{N+1}
\int_0^\infty
e^{N(\ln u-u)}\,du
\end{aligned}
$$
となる。
最大点を求める
次の関数を考える。
$$
\phi(u)=\ln u-u
$$
微分すると、
$$
\phi'(u)=\frac{1}{u}-1
$$
である。
したがって、
$$
u=1
$$
で最大値を取る。
さらに、
$$
\phi(1)=-1
$$
$$
\phi''(1)=-1
$$
である。
したがって、Laplace法を適用すると、
$$
\int_0^\infty
e^{N(\ln u-u)}\,du
\sim
e^{-N}\sqrt{\frac{2\pi}{N}}
$$
となる。
ここでは積分区間が無限であるが、最大点から離れた領域の寄与が十分小さくなることを確認できる。
したがって、
$$
\begin{aligned}
N!
&\sim
N^{N+1}e^{-N}
\sqrt{\frac{2\pi}{N}}\\
&=
\sqrt{2\pi N}
\left(\frac{N}{e}\right)^N
\end{aligned}
$$
となる。
よって、
$$
\boxed{
N!\sim
\sqrt{2\pi N}
\left(\frac{N}{e}\right)^N
}
$$
を得る。
これがStirling公式である。
高次補正との関係
第11章で学んだEuler–Maclaurin公式を利用すると、Stirling公式の高次の漸近展開も得られる。
例えば、
$$
\boxed{
N!
=
\sqrt{2\pi N}
\left(\frac{N}{e}\right)^N
\left(
1+\frac{1}{12N}
+O\left(\frac{1}{N^2}\right)
\right)
}
$$
となる。
この結果は、Laplace法によってさらに高次のTaylor展開を行うことでも得られる。
したがって、Stirling公式は、Euler–Maclaurin公式とLaplace法という異なる方法から理解できる。
次に、Beta関数を含む積分を考える。
基本となる積分
実数のパラメータについて、
$$
\beta>-1
$$
とし、
$$
I(N)=
\int_0^1x^N(1-x)^\beta\,dx
$$
を考える。
この積分はBeta関数によって、
$$
\boxed{
I(N)=
\mathrm{B}(N+1,\beta+1)
}
$$
と表せる。
したがって、
$$
I(N)=
\frac{\Gamma(N+1)\Gamma(\beta+1)}
{\Gamma(N+\beta+2)}
$$
である。
主要な寄与の位置
パラメータが大きくなると、
$$
x^N
$$
は、1より小さい固定された点では急速に0へ近づく。
したがって、積分の主要な寄与は右端付近から生じる。
そこで、
$$
x=1-u
$$
と置換する。
すると、
$$
I(N)=
\int_0^1(1-u)^Nu^\beta\,du
$$
となる。
原点付近では、
$$
\ln(1-u)=-u+O(u^2)
$$
であるから、
$$
(1-u)^N
=
e^{N\ln(1-u)}
$$
は、主要な寄与を持つ領域で、
$$
e^{-Nu}
$$
に近い振る舞いを示す。
したがって、端点型のLaplace法から、
$$
I(N)\sim
\int_0^\infty e^{-Nu}u^\beta\,du
$$
となる。
Gamma関数によって、
$$
\boxed{
I(N)\sim
\frac{\Gamma(\beta+1)}{N^{\beta+1}}
}
$$
を得る。
Gamma関数による検算
一方、Gamma関数の比の漸近公式から、
$$
\frac{\Gamma(N+1)}
{\Gamma(N+\beta+2)}
\sim
N^{-\beta-1}
$$
である。
したがって、
$$
I(N)\sim
\Gamma(\beta+1)N^{-\beta-1}
$$
となる。
これはLaplace法による結果と一致する。
この例は、Beta関数の厳密表示とLaplace法による局所解析が、同じ漸近評価を与えることを示している。
ここまでは、指数的な減衰を持つ積分を考えてきた。
次に、振動する指数関数を含む積分を考える。
振動積分
次の積分を考える。
$$
I(N)=
\int_a^b
g(x)e^{\mathrm{i}N\phi(x)}\,dx
$$
ここでは、
$$
N\to\infty
$$
とし、位相関数は実数値とする。
この積分では、指数関数の絶対値は常に1である。
したがって、Laplace法のように、指数関数の絶対値が小さくなる領域を直接利用することはできない。
代わりに、振動による打ち消し合いを考える。
停留点
位相関数の導関数が0になる点を停留点という。
$$
\boxed{
\phi'(x_0)=0
}
$$
停留点から離れた領域では、位相が比較的速く変化する。
そのため、パラメータが大きくなると、正負や複素位相の異なる寄与が打ち消し合う。
一方、停留点の近くでは、位相の変化が遅くなる。
そのため、打ち消し合いが弱まり、主要な寄与が生じる場合がある。
これが停留位相法(method of stationary phase)の基本思想である。
停留点が存在しない場合
まず、
$$
\phi'(x)\ne0
$$
が積分区間全体で成り立つ場合を考える。
次の関係を利用する。
$$
\frac{d}{dx}
e^{\mathrm{i}N\phi(x)}
=
\mathrm{i}N\phi'(x)
e^{\mathrm{i}N\phi(x)}
$$
したがって、
$$
e^{\mathrm{i}N\phi(x)}
=
\frac{1}{\mathrm{i}N\phi'(x)}
\frac{d}{dx}e^{\mathrm{i}N\phi(x)}
$$
である。
これを積分へ代入して部分積分すると、
$$
\boxed{
\begin{aligned}
I(N)
={}&
\left[
\frac{g(x)e^{\mathrm{i}N\phi(x)}}
{\mathrm{i}N\phi'(x)}
\right]_a^b\\
&-
\frac{1}{\mathrm{i}N}
\int_a^b
e^{\mathrm{i}N\phi(x)}
\frac{d}{dx}
\left(
\frac{g(x)}{\phi'(x)}
\right)dx
\end{aligned}
}
$$
となる。
十分な滑らかさがあり、導関数が0から離れていれば、部分積分を繰り返せる。
その結果、
$$
\boxed{
I(N)
=
\left[
\frac{g(x)e^{\mathrm{i}N\phi(x)}}
{\mathrm{i}N\phi'(x)}
\right]_a^b
+
O\left(\frac{1}{N^2}\right)
}
$$
を得る。
ここでは、関数が十分滑らかで、積分区間を有限とする。
つまり、停留点が存在しない場合には、端点の寄与が主要項になることがある。
次に、積分区間の内部に停留点が存在する場合を考える。
非退化な停留点
次の積分を考える。
$$
I(N)=
\int_a^b
g(x)e^{\mathrm{i}N\phi(x)}\,dx
$$
ここで、位相関数が区間内部のただ一つの点で停留すると仮定する。
その点を、
$$
x_0
$$
とする。
また、
$$
\phi'(x_0)=0
$$
$$
\phi''(x_0)\ne0
$$
および、
$$
g(x_0)\ne0
$$
を仮定する。
このような停留点を非退化な停留点という。
停留点付近の展開
停留点の近くでは、
$$
\phi(x)
=
\phi(x_0)
+\frac{\phi''(x_0)}{2}(x-x_0)^2
+O((x-x_0)^3)
$$
となる。
したがって、主要な寄与は、
$$
\begin{aligned}
I(N)\approx{}&
g(x_0)e^{\mathrm{i}N\phi(x_0)}\\
&\times
\int
e^{\frac{\mathrm{i}N\phi''(x_0)}{2}(x-x_0)^2}\,dx
\end{aligned}
$$
となる。
ここでも二次式が現れている。
ただし、Laplace法とは異なり、指数関数は振動している。
Fresnel型の積分
次の積分を考える。
$$
\int_{-\infty}^{\infty}
e^{\frac{\mathrm{i}\sigma u^2}{2}}\,du
$$
ここで、
$$
\sigma\in\{-1,1\}
$$
とする。
この積分は、振動積分として、
$$
\boxed{
\int_{-\infty}^{\infty}
e^{\frac{\mathrm{i}\sigma u^2}{2}}\,du
=
\sqrt{2\pi}\,
e^{\frac{\sigma\pi\mathrm{i}}{4}}
}
$$
と評価できる。
この結果は、Gaussian積分へ正の減衰因子を導入し、適切な極限を取ることでも得られる。
停留位相法の公式
以上から、
$$
\boxed{
\begin{aligned}
I(N)\sim{}&
g(x_0)
e^{\mathrm{i}N\phi(x_0)}\\
&\times
e^{\frac{\pi\mathrm{i}}{4}
\operatorname{sgn}(\phi''(x_0))}
\sqrt{\frac{2\pi}
{N|\phi''(x_0)|}}
\end{aligned}
}
$$
を得る。
ここで、
$$
\operatorname{sgn}(u)
=
\begin{cases}
1 &(u>0)\\
-1 &(u<0)
\end{cases}
$$
とする。
この公式が停留位相法の基本形である。
Laplace法との比較
Laplace法では、最小点付近のGaussian積分が現れた。
一方、停留位相法では、停留点付近のFresnel型積分が現れる。
どちらも二次の局所構造を利用している。
しかし、指数関数の減衰と振動では、最終的な係数が異なる。
特に、停留位相法では、
$$
e^{\frac{\pi\mathrm{i}}{4}
\operatorname{sgn}(\phi''(x_0))}
$$
という複素位相が現れる。
これを落とすと、漸近公式の符号や位相が誤る。
停留点が積分区間の端点にある場合には、内部の停留点とは係数が異なる。
基本となる積分
次の積分を考える。
$$
I(N)=
\int_0^1\cos(Nx^2)\,dx
$$
ここでは、
$$
N>0
$$
とする。
位相関数は、
$$
\phi(x)=x^2
$$
である。
その導関数は、
$$
\phi'(x)=2x
$$
だから、停留点は左端の原点に存在する。
この場合、主要な寄与は原点付近から生じる。
変数変換による導出
まず、
$$
u=\sqrt N x
$$
と置換する。
すると、
$$
I(N)=
\frac{1}{\sqrt N}
\int_0^{\sqrt N}\cos(u^2)\,du
$$
となる。
ここで、Fresnel型の積分から、
$$
\boxed{
\int_0^\infty\cos(u^2)\,du
=
\sqrt{\frac{\pi}{8}}
}
$$
である。
したがって、
$$
\boxed{
\int_0^1\cos(Nx^2)\,dx
\sim
\sqrt{\frac{\pi}{8N}}
}
$$
を得る。
端点からの補正
さらに、上端を無限大へ拡張した際の余りを部分積分によって評価すると、
$$
\boxed{
\begin{aligned}
\int_0^1\cos(Nx^2)\,dx
={}&
\sqrt{\frac{\pi}{8N}}\\
&+\frac{\sin N}{2N}
+O\left(\frac{1}{N^2}\right)
\end{aligned}
}
$$
を得る。
ここで、最初の項は原点の停留点から生じる。
一方、二番目の項は右端から生じる。
したがって、振動積分の漸近展開では、停留点だけでなく端点の寄与も考える必要がある。
内部の停留点との違い
内部の非退化な停留点では、その左右の両方が主要な寄与に含まれる。
一方、端点の停留点では、片側からの寄与だけを考える。
そのため、二次の停留点では、対応するGaussian型の積分の係数が半分になる。
ただし、積分区間の反対側の端点からも、より小さい次数の補正が生じる場合がある。
停留点で二階微分まで0になる場合には、通常の停留位相法をそのまま適用できない。
退化した停留点
例えば、
$$
\phi(x)=x^3
$$
を考える。
このとき、
$$
\phi'(0)=0
$$
$$
\phi''(0)=0
$$
である。
しかし、
$$
\phi^{(3)}(0)\ne0
$$
となる。
このような点を退化した停留点という。
通常の停留位相法では、二階微分係数が分母に現れる。
したがって、二階微分係数が0になる場合には利用できない。
三次の位相
次の積分を考える。
$$
I(N)=
\int_0^\infty\cos(Nx^3)\,dx
$$
ここでは、
$$
N>0
$$
とする。
この積分は振動によって条件収束する。
変数変換、
$$
t=Nx^3
$$
を用いる。
すると、
$$
dx=
\frac{1}{3N^{\frac13}}
t^{-\frac23}\,dt
$$
となる。
したがって、
$$
I(N)=
\frac{1}{3N^{\frac13}}
\int_0^\infty t^{-\frac23}\cos t\,dt
$$
である。
ここで、Gamma関数に関する振動積分の公式、
$$
\int_0^\infty t^{\alpha-1}\cos t\,dt
=
\Gamma(\alpha)
\cos\left(\frac{\pi\alpha}{2}\right)
$$
を利用する。
この公式は、
$$
0<\alpha<1
$$
で通常の広義積分として成立する。
したがって、
$$
\boxed{
\int_0^\infty\cos(Nx^3)\,dx
=
\frac{\Gamma\left(\frac13\right)}
{3N^{\frac13}}
\cos\left(\frac{\pi}{6}\right)
}
$$
を得る。
減衰の次数
この積分では、パラメータの減衰は、
$$
N^{-\frac13}
$$
である。
一方、二次の停留点では、
$$
N^{-\frac12}
$$
が現れた。
つまり、停留点の次数によって、積分の漸近的な減衰の速さが変化する。
一般的な局所構造
例えば、左端の近くで、
$$
\phi(x)=\phi(0)+cx^p+o(x^p)
$$
とする。
ここで、
$$
c>0,\qquad p>1
$$
とする。
また、振幅が、
$$
g(x)\sim g_0x^{\alpha-1}
$$
を満たすとする。
このとき、十分な滑らかさや振動積分の収束条件のもとで、端点からの主要な寄与は、
$$
\boxed{
\begin{aligned}
I(N)\sim{}&
\frac{g_0}{p}
\Gamma\left(\frac{\alpha}{p}\right)\\
&\times
(Nc)^{-\frac{\alpha}{p}}
e^{\mathrm{i}N\phi(0)}
e^{\frac{\pi\alpha\mathrm{i}}{2p}}
\end{aligned}
}
$$
となる。
ここでは、主要な寄与を持つ端点近傍に適切に局所化して考える。
この公式は、振動型の積分に対するWatsonの補題の類似形として理解できる。
ただし、位相関数が複雑な場合や他にも停留点が存在する場合には、それらの寄与を別途考える必要がある。
これまでのLaplace法と停留位相法では、主に実数上の積分を考えた。
次に、複素平面上の積分路を変形する方法を考える。
これを最急降下法(method of steepest descents)という。
複素積分の形
次の積分を考える。
$$
I(N)=
\int_C e^{Nf(z)}g(z)\,dz
$$
ここでは、
$$
N\to\infty
$$
とし、関数は考えている領域で正則であるとする。
複素指数関数の絶対値は、
$$
\boxed{
|e^{Nf(z)}|
=
e^{N\operatorname{Re}f(z)}
}
$$
である。
したがって、積分の大きさには、
$$
\operatorname{Re}f(z)
$$
が重要な役割を果たす。
鞍点
次の条件を満たす点を考える。
$$
\boxed{
f'(z_0)=0
}
$$
このような点を鞍点(saddle point)という。
さらに、
$$
f''(z_0)\ne0
$$
であれば、非退化な鞍点である。
鞍点の近くでは、
$$
f(z)
=
f(z_0)
+\frac{f''(z_0)}{2}(z-z_0)^2
+\cdots
$$
となる。
したがって、積分の主要な寄与をGaussian型の積分へ帰着できる可能性がある。
積分路の変形
複素平面では、Cauchyの積分定理を利用して積分路を変形できる場合がある。
その際、鞍点を通り、
$$
\operatorname{Im}f(z)
$$
が一定となる経路を選ぶことが有効である。
この経路上では、指数関数の位相が一定に保たれ、
$$
\operatorname{Re}f(z)
$$
の減少によって積分の大きさが急速に小さくなる。
これが最急降下法の基本思想である。
ただし、積分路の変形が正当化されるためには、特異点を横切らないことや、無限遠点で追加した経路の積分が消えることなどを確認する必要がある。
Gaussian型の局所積分
鞍点付近の二次近似を利用すると、
$$
\int_C e^{Nf(z)}g(z)\,dz
$$
は、局所的に、
$$
e^{Nf(z_0)}g(z_0)
\int
e^{\frac{Nf''(z_0)}{2}(z-z_0)^2}\,dz
$$
という形になる。
適切な最急降下経路が存在し、その鞍点が主要な寄与を持つ場合には、
$$
\boxed{
I(N)\sim
e^{Nf(z_0)}g(z_0)
\sqrt{\frac{2\pi}{-Nf''(z_0)}}
}
$$
という形の公式が得られる。
ただし、複素平方根の分枝と積分路の向きによって位相が変化する。
したがって、この表示を無条件に利用してはいけない。
最急降下方向、積分路の向き、平方根の分枝を一組として決定することが必要である。
また、複数の鞍点が寄与する場合には、それぞれの寄与を加え合わせる必要がある。
最急降下法の基本的な考え方を、Gaussian型の複素積分で確認する。
振動因子を持つGaussian積分
次の積分を考える。
$$
I(N,b)=
\int_{-\infty}^{\infty}
e^{-Nx^2+\mathrm{i}Nbx}\,dx
$$
ここでは、
$$
N>0,\qquad b\in\mathbb{R}
$$
とする。
指数関数の肩を、
$$
f(z)=-z^2+\mathrm{i}bz
$$
とおく。
この関数を微分すると、
$$
f'(z)=-2z+\mathrm{i}b
$$
である。
したがって、鞍点は、
$$
\boxed{
z_0=\frac{\mathrm{i}b}{2}
}
$$
となる。
この鞍点は、一般には実軸上に存在しない。
平方完成
指数関数の肩を平方完成すると、
$$
\boxed{
-z^2+\mathrm{i}bz
=
-\left(z-\frac{\mathrm{i}b}{2}\right)^2
-\frac{b^2}{4}
}
$$
となる。
したがって、
$$
\begin{aligned}
I(N,b)
={}&
e^{-\frac{Nb^2}{4}}\\
&\times
\int_{-\infty}^{\infty}
e^{-N\left(x-\frac{\mathrm{i}b}{2}\right)^2}\,dx
\end{aligned}
$$
である。
ここで、積分路を虚数方向へ平行移動する。
被積分関数は整関数であり、積分路を結ぶ縦の辺の寄与はGaussian型の減衰によって0へ近づく。
したがって、積分路を鞍点を通る水平線へ移せる。
その結果、
$$
\int_{-\infty}^{\infty}
e^{-N\left(x-\frac{\mathrm{i}b}{2}\right)^2}\,dx
=
\sqrt{\frac{\pi}{N}}
$$
となる。
よって、
$$
\boxed{
\int_{-\infty}^{\infty}
e^{-Nx^2+\mathrm{i}Nbx}\,dx
=
\sqrt{\frac{\pi}{N}}
e^{-\frac{Nb^2}{4}}
}
$$
を得る。
この例では、最急降下法による近似ではなく、厳密な等式が得られた。
この例の重要性
元の積分路は実軸であった。
しかし、主要な鞍点は複素平面上に存在した。
積分路を適切に変形することで、その鞍点を通るGaussian積分へ帰着できた。
したがって、複素積分の漸近評価では、元の積分路上に停留点が見えなくても、複素平面上の鞍点が重要になる場合がある。
最急降下法では、複数の鞍点が存在する場合がある。
また、パラメータを変化させると、二つの鞍点が接近して一致する場合がある。
そのような状況では、通常の二次近似だけでは十分ではない。
二つの停留点
次の位相関数を考える。
$$
\phi(t)=\frac{t^3}{3}-at
$$
ここでは、
$$
a\in\mathbb{R}
$$
とする。
微分すると、
$$
\phi'(t)=t^2-a
$$
である。
したがって、
$$
a>0
$$
の場合には、
$$
\boxed{
t=\pm\sqrt a
}
$$
という二つの停留点が存在する。
一方、
$$
a=0
$$
では、二つの停留点が原点で一致する。
また、
$$
a<0
$$
の場合には、実数上の停留点が存在しない。
Airy関数の登場
次の振動積分を考える。
$$
I(N,a)=
\int_{-\infty}^{\infty}
e^{\mathrm{i}N\left(\frac{t^3}{3}-at\right)}\,dt
$$
ここでは、
$$
N>0
$$
とする。
この積分は振動積分として解釈する。
ここで、
$$
u=N^{\frac13}t
$$
と置換すると、
$$
\begin{aligned}
I(N,a)
={}&
N^{-\frac13}
\int_{-\infty}^{\infty}\\
&\times
e^{\mathrm{i}\left(\frac{u^3}{3}-aN^{\frac23}u\right)}\,du
\end{aligned}
$$
となる。
第9章で学んだAiry関数の積分表示から、
$$
\operatorname{Ai}(x)
=
\frac{1}{2\pi}
\int_{-\infty}^{\infty}
e^{\mathrm{i}\left(\frac{u^3}{3}+xu\right)}\,du
$$
である。
したがって、
$$
\boxed{
I(N,a)
=
\frac{2\pi}{N^{\frac13}}
\operatorname{Ai}\left(-aN^{\frac23}\right)
}
$$
を得る。
なぜAiry関数が重要なのか
二つの停留点が十分離れている場合には、それぞれに通常の停留位相法を適用できる。
しかし、停留点が接近すると、それぞれの二次近似による評価は一様に有効とは限らない。
特に、二つの停留点が一致する点では、二階微分係数が0になる。
そのため、通常の停留位相法では分母が発散する形になってしまう。
一方、Airy関数を利用した表示では、停留点が合流する場合も一つの関数によって扱える。
このように、複数の鞍点が接近・合流する問題では、Airy関数が自然な標準形として現れる。
この理論は、Chester–Friedman–Ursell(チェスター・フリードマン・アーセル)の方法などへ発展する。
停留位相法の応用として、第9章で学んだBessel関数を考える。
Bessel関数の積分表示
零次Bessel関数は、
$$
\boxed{
J_0(x)
=
\frac{1}{\pi}
\int_0^\pi\cos(x\sin\theta)\,d\theta
}
$$
と表せる。
ここでは、
$$
x>0
$$
とする。
パラメータを大きくすると、三角関数の内部に大きな振動が現れる。
停留点
位相関数を、
$$
\phi(\theta)=\sin\theta
$$
とおく。
すると、
$$
\phi'(\theta)=\cos\theta
$$
である。
したがって、停留点は、
$$
\boxed{
\theta_0=\frac{\pi}{2}
}
$$
となる。
さらに、
$$
\phi\left(\frac{\pi}{2}\right)=1
$$
$$
\phi''\left(\frac{\pi}{2}\right)=-1
$$
である。
したがって、停留位相法を適用すると、
$$
\int_0^\pi
e^{\mathrm{i}x\sin\theta}\,d\theta
\sim
\sqrt{\frac{2\pi}{x}}
e^{\mathrm{i}\left(x-\frac{\pi}{4}\right)}
$$
となる。
実部を取ると、
$$
\int_0^\pi
\cos(x\sin\theta)\,d\theta
=
\sqrt{\frac{2\pi}{x}}
\cos\left(x-\frac{\pi}{4}\right)
+
O\left(\frac{1}{x}\right)
$$
である。
したがって、
$$
\boxed{
J_0(x)
=
\sqrt{\frac{2}{\pi x}}
\cos\left(x-\frac{\pi}{4}\right)
+
O\left(\frac{1}{x}\right)
}
$$
を得る。
実際には、より詳しい漸近展開によって誤差を改善できる。
一般の次数
固定された実数の次数について、正の無限大では、
$$
\boxed{
\begin{aligned}
J_\nu(x)
={}&
\sqrt{\frac{2}{\pi x}}\\
&\times
\left(
\cos\left(
x-\frac{\nu\pi}{2}-\frac{\pi}{4}
\right)
+O\left(\frac{1}{x}\right)
\right)
\end{aligned}
}
$$
という漸近公式が成り立つ。
この結果は、Bessel関数が無限遠点で減衰しながら振動することを示している。
また、位相には次数によるずれが現れる。
このように、停留位相法を利用すると、特殊関数の複雑な定義式から、その主要な振る舞いを導ける場合がある。
漸近解析を利用する際には、いくつかの重要な注意点がある。
主要な寄与を持つ点が複数ある場合
Laplace法では、最小点が複数存在する場合がある。
例えば、二つの異なる点が同じ最小値を持つとする。
その場合、両方の近傍が主要な寄与を持つ可能性がある。
したがって、一つの最小点だけを調べて積分全体の漸近評価を決めてはいけない。
同様に、停留位相法では、複数の停留点の寄与を加え合わせる必要がある。
振幅が0になる場合
通常のLaplace法や停留位相法では、
$$
g(x_0)\ne0
$$
を仮定した。
しかし、最小点や停留点で振幅が0になる場合、通常の主要項が消える。
その場合には、振幅関数の高次のTaylor展開を考える必要がある。
また、偶奇性によって局所的な寄与が打ち消される場合もある。
したがって、振幅関数を定数で近似する前に、最小点や停留点での値を確認しなければならない。
端点からの寄与
停留位相法では、停留点以外の領域が部分積分によって小さくなる。
しかし、端点からの寄与が完全に消えるとは限らない。
実際、先ほどのFresnel型の例では、停留点による主要項の次に、端点からの補正項が現れた。
高精度の漸近展開を求める際には、両方を評価する必要がある。
漸近展開と収束級数の混同
漸近展開は、通常の無限級数として収束するとは限らない。
そのため、無限に足し合わせる操作を無条件に行ってはいけない。
有限個の項で打ち切ったときの誤差を確認する必要がある。
一様性
パラメータが複数存在する場合には、ある一つのパラメータについて正しい漸近展開が、別のパラメータについて一様に正しいとは限らない。
例えば、二つの停留点が接近する場合には、通常の停留位相法の近似精度が悪化する。
そのような場合には、Airy関数などを利用した一様漸近展開が必要になる。
Stokes現象
複素平面上の漸近解析では、パラメータの偏角によって、主要な寄与を持つ鞍点が変化する場合がある。
このような現象は、Stokes(ストークス)現象と呼ばれる。
そのため、複素変数の漸近展開を利用する際には、偏角の範囲や分枝の条件を確認する必要がある。
特に、実軸上で成立した漸近公式を、複素平面全体へ無条件に拡張してはいけない。
最後に、実際の積分をどのように分析するかを整理する。
第一に、大きなパラメータがどこに現れるかを見る
指数関数の肩に大きな実数のパラメータが現れ、指数的な減衰や増大が支配的になる場合には、Laplace法を考える。
一方、虚数単位を伴う指数関数に大きなパラメータが現れる場合には、停留位相法を考える。
また、積分路を複素平面上で変形できる場合には、最急降下法が有効になることがある。
第二に、主要な寄与を持つ場所を探す
Laplace法では、指数関数の肩に現れる実数値関数の最小点を探す。
停留位相法では、位相関数の導関数が0になる点を探す。
最急降下法では、複素位相関数の鞍点を探す。
このとき、積分区間の内部だけでなく、端点も調べる必要がある。
第三に、最初に現れる非零の微分係数を調べる
最小点や停留点が見つかったら、その近くで関数を展開する。
二次の項が最初に現れる場合には、Gaussian型またはFresnel型の積分が現れる。
一方、三次以上の項が最初に現れる場合には、異なる次数の漸近評価が必要になる。
第四に、振幅関数を調べる
主要な寄与を持つ点で振幅が0でない場合には、通常の基本公式を利用できる。
しかし、その点で振幅が0になる場合には、高次の展開が必要になる。
また、振幅にべき関数や対数関数が含まれる場合には、Watsonの補題やGamma関数の導関数を利用できることがある。
第五に、誤差を評価する
漸近公式の主要項が得られても、その近似が正当化されたとは限らない。
最小点や停留点から離れた部分の寄与を評価する。
また、有限個の項で打ち切った場合の余剰項を確認する。
特に、パラメータを含む漸近展開では、近似がどの範囲で有効であるかを明確にする必要がある。
第六に、既知の特殊関数と比較する
積分がGamma関数、Beta関数、Bessel関数、Airy関数などによって厳密に表せる場合には、その既知の漸近展開と比較できる。
この比較によって、主要項だけでなく高次補正項の検算も可能になる。
また、逆に積分の漸近解析から、特殊関数の新しい漸近公式を導ける場合もある。
したがって、漸近解析は、積分と特殊関数の理論を結びつける重要な道具である。
本章では、積分の漸近解析について学んだ。
特に重要な点を整理しておこう。
積分全体を直接計算するのではなく、どこから主要な寄与が生じるかを調べ、その局所構造から全体の振る舞いを求めるのである。
次章では、さらに一般的なパラメータ積分と特殊関数の関係を学ぶ。
特に、Feynmanのパラメータ微分法、積分表示の変形、積分方程式などを扱い、複数の技法を組み合わせて積分を評価する方法を考える。