NSM-026

状態空間 S と確率過程 X(t) — $P_{ij}(t)$ が意味を持つための前提

作成日: 2026-05-28 / 連続時間マルコフ連鎖 / Mathematics in Neuroscience プレゼン準備

【本ノートでの用語規約】

状態空間 S: チャネルが取りうる状態の有限ラベル集合。確率値ではない。
確率過程 X(t): 各時刻 $t$ に対して状態 $X(t) \in S$ を返す確率変数族。本ノートでは連続時間。
推移確率 $P_{ij}(t)$: $X(t)$ と $S$ を前提として初めて定義できる $[0,1]$ 値の確率。S 自体とは別物。

1. 問題提起 — スライド 13 の「いきなり感」の正体

🟢 確認済み

プレゼン「Mathematics in Neuroscience」スライド 13 には次の定義が登場する。

$$P_{ij}(t) := P\!\left(X(t) = j \;\middle|\; X(0) = i\right)$$

しかしこの式を初めて見た聴衆には、右辺を読むために必要な要素が全て未定義のまま現れる。

$S$ とは何か — $i$ や $j$ はどの集合の要素か？
$X(t)$ とは何か — どんな数学的対象で、値域はどこか？
「チャネルの状態」とは何か — Closed / Open / Inactivated という言葉はラベルか数値か？

「いきなり感」の正体は、$P_{ij}(t)$ を読むための土台（$S$ と $X(t)$）がスライド上に存在しないことである。$P_{ij}(t)$ は $S$ と $X(t)$ を前提とした二次的な定義であり、それらなしには式の読み方が確定しない。

Fig. 1: $P_{ij}(t)$ の論理的依存関係。スライド 13 はこの連鎖の途中から始まっている。

2. 状態空間 S — ラベルの集合

🟢 確認済み（Norris 1997 §2.1; Colquhoun & Hawkes 1977 §2）

定義

状態空間 $S$ は、チャネルが取りうる状態の有限集合（ラベルの集合）である。

$$S = \{1, 2, \ldots, k\} \quad \text{（有限集合、} k \text{ は状態の数）}$$

重要なのは、$S$ は確率ではないという点である。$S$ の要素は「Closed」「Open」「Inactivated」といった物理的な状態を区別するための番号（ラベル）であり、0 と 1 の間の実数値ではない。

3 状態イオンチャネルモデルの例

Hodgkin-Huxley 型のナトリウムチャネルを 3 状態で記述する場合：

番号	物理的状態	意味
1	Closed (C)	チャネルが閉じている（不活性化なし）
2	Open (O)	チャネルが開いてイオンが通過できる
3	Inactivated (I)	活動電位後に閉じてすぐには開かない

したがって $S = \{1, 2, 3\}$ であり、$k = 3$ である。

Fig. 2: 3 状態イオンチャネルモデルの状態遷移図。箱がラベル（$S$ の要素）、矢印が遷移レート（$Q$ の成分）。

よくある誤解への注意: 「$S = \{1, 2, 3\}$ なので各状態の確率は $1/3$」ではない。$S$ はラベルの集合にすぎず、各状態に対応する確率は $P_{ij}(t)$ や定常分布 $\pi_i$ として別途定義される。

3. 確率過程 X(t) — 時刻 t の状態を表す確率変数

🟢 確認済み（Norris 1997 §2.1; Karlin & Taylor 1975 §4.1）

定義

確率過程 $X(t)$ は、各時刻 $t \geq 0$ に対してチャネルがどの状態にいるかを返す確率変数である。

$$X(t) : \Omega \to S \quad \text{すなわち} \quad X(t) \in S$$

ここで $\Omega$ は確率空間の標本空間、$S$ は状態空間。

「確率変数」と聞くと実数値を連想しやすいが、ここでは値域が $S = \{1, 2, 3, \ldots, k\}$ という有限集合である点が特徴的である。$X(t)$ が「実数ではなくラベル番号を返す確率変数」という理解が重要。

具体例（3 状態モデル）

$X(0) = 1$: 時刻 $0$ ms にチャネルは Closed 状態
$X(3) = 2$: 時刻 $3$ ms にチャネルは Open 状態
$X(7) = 3$: 時刻 $7$ ms にチャネルは Inactivated 状態

アナロジー: 「時刻 t に振るサイコロ」

サイコロを時刻 $t$ に振るとき、「出た目」は確率変数である。値域は $\{1, 2, 3, 4, 5, 6\}$ という有限集合。$X(t)$ はこれと同じ構造で、値域が $S$ になっている。ただし時刻ごとに独立に振るのでなく、直前の状態に依存して次の状態に遷移する（マルコフ性）点が異なる。

Fig. 3: $X(t)$ のサンプルパスの一例。横軸が時刻 (ms)、縦軸が状態番号。チャネルは離散状態間を飛び移る（階段状）。

4. S と X(t) があって初めて $P_{ij}(t)$ が読める

🟢 確認済み（Norris 1997 §2.1; Colquhoun & Hawkes 1977）

$S$ と $X(t)$ を定義したあとで初めて、推移確率 $P_{ij}(t)$ の定義式が意味を持つ。論理的な順序は以下のとおりである。

$S = \{1, 2, \ldots, k\}$ を定義 — チャネルの取りうる状態のラベル集合。
$X(t) \in S$ を確率過程として定義 — 時刻 $t$ にチャネルがいる状態を表す確率変数族。マルコフ性・正則性（右連続左極限）も仮定。
$P_{ij}(t) := P(X(t) = j \mid X(0) = i)$ を定義 — 上記二つがあって初めて読める。$i, j \in S$。
行列 $P(t) = (P_{ij}(t))_{i,j \in S}$ を定義 — すべての推移確率を $k \times k$ 行列にまとめたもの。
Chapman-Kolmogorov 関係式: $P(t+s) = P(t)\,P(s)$ — マルコフ性から導かれる。NSM-014 参照。

Fig. 4: $P_{ij}(t)$ の定義に至る論理的ステップ。スライド 13 の定義式は Step 3 に相当し、Step 1–2 が前提として必要。

スライドの聴衆が「いきなり感」を覚えるのは、Step 3 の定義式が Step 1–2 を省いて提示されているためである。Step 1–2 を 1 スライドで示すと、理解の道筋が格段に明確になる。

5. FAQ — 「S は確率？」という誤解

🟢 確認済み

Q: $S = \{1, 2, \ldots, k\}$ の各数字は確率ですか？

A: いいえ。$S$ の要素はラベル（識別番号）であり、確率ではありません。確率は $P_{ij}(t)$ や定常分布 $\pi_i$ として別途定義されます。$S$ を「確率のリスト」と解釈すると、後続の定義が全て崩れます。

Q: $S$ の要素を 1, 2, 3 と書く必然性はありますか？別の書き方はできますか？

A: 任意のラベルで構いません。文献によっては $S = \{\text{C}, \text{O}, \text{I}\}$ や $S = \{C_1, O_1, I_1\}$ と書くことがあります。整数 $\{1, 2, \ldots, k\}$ にしておくと行列添字として扱いやすいため慣例的に用いられます。

記号の対比表

記号	数学的性質	値の例	確率？
$S$	有限集合（ラベル集合）	{Closed, Open, Inactivated}	いいえ
$X(t)$	確率変数（値域 $S$）	1, 2, 3 のいずれか	いいえ（確率変数であって確率値ではない）
$P_{ij}(t)$	確率（推移確率）	$0.3$（など $[0,1]$ の実数）	はい
$\pi_i$	確率（定常分布）	$0.2$（など $[0,1]$ の実数）	はい

Fig. 5: 記号の役割対比図。$S$ と $X(t)$ は確率ではなく、$P_{ij}(t)$ と $\pi_i$ が確率値を持つ。

6. プレゼンスライドへの示唆

🟡 推奨案（発表者の判断による）

案 A: スライド 12 と 13 の間に 1 枚挿入

挿入スライド案（タイトル: 「準備: 状態と確率過程の表記」）

内容:

$S = \{1, 2, \ldots, k\}$: チャネルの状態ラベルの集合（例: $S = \{C, O, I\}$）
$X(t) \in S$: 時刻 $t$ にチャネルがいる状態（確率変数）
図: 3 状態チャネルの状態ボックス（Fig. 2 相当）

このスライドがあれば、次の「$P_{ij}(t) := P(X(t)=j \mid X(0)=i)$」が自然に読める。

案 B: スライド 13 冒頭に 2 行追加

追加テキスト案

スライド 13 の $P_{ij}$ 定義の直前に以下を追加するだけでも改善する:

状態空間 $S = \{1, \ldots, k\}$ を固定し、$X(t) \in S$ をチャネルの状態を表す確率過程とする。このとき: $$P_{ij}(t) := P\!\left(X(t) = j \;\middle|\; X(0) = i\right), \quad i, j \in S$$

案 A は理解の明瞭さを優先した場合、案 B は発表時間が限られている場合に向いている。いずれにせよ、$S$ と $X(t)$ への参照を入れることが核心であり、数式の見かけはほぼ変わらない。

7. 発展への橋渡し

🟡 標準的だが手元未確認の発展内容を含む

隠れマルコフモデル（HMM）との接続

実験では、パッチクランプ記録から「チャネルが Open か Closed か」しか観測できないことが多い。つまり観測できるのは $X(t)$ の一部（Open/Closed の区別）であり、Inactivated 状態は Closed と区別できないケースがある。このとき $X(t)$ は隠れた確率過程となり、隠れマルコフモデル（HMM）の枠組みが必要になる。

HMM でも状態空間 $S$ と確率過程 $X(t)$ の概念は同じである。ただし「観測される状態」と「内部状態 $X(t)$」が一対一に対応しない点が異なる。

Q 行列との接続

Chapman-Kolmogorov 関係式 $P(t+s) = P(t)P(s)$ と正則性（右連続）から、生成行列（Q 行列）が定義できる:

$$Q := \lim_{t \downarrow 0} \frac{P(t) - I}{t}$$

Q 行列の定義式は $P_{ij}(t)$ を前提とするため、本ノートで整理した $S \to X(t) \to P_{ij}(t)$ の順序がここでも活きる。詳細は NSM-008 — P(t)=exp(Qt) に至る論理順序および NSM-020 — Q の定義式を一文字ずつ読み解くを参照。

次回ノート予定

Q 行列の成分 $q_{ij}$ がなぜ「状態 $i$ から $j$ への遷移レート」を表すのか、および $q_{ii} = -\sum_{j \neq i} q_{ij}$ の確率保存の意味については、別ノートで扱う予定（リンク予約: q-matrix-transition-rates.html）。