NSM-027
遷移確率行列 $P(t)$ — イオンチャネルマルコフモデルにおける確率の時間発展
作成日: 2026-06-02 / §4 基礎 / 遷移確率行列・P(t) 行列 / Mathematics in Neuroscience プレゼン準備
関連ドキュメント
このノートの中心命題:
【本ノートでの用語規約】 P(t) の行・列の方向: 行 $i$ = 出発点（"from"）、列 $j$ = 到達点（"to"）。
1. $P(t)$ 行列とは何か
イオンチャネルが $k$ 個の状態（例: Open, Closed1, Closed2, …）を持つとき、
遷移確率行列 （推移確率行列、transition probability matrix）$P(t)$ は $k \times k$ の正方行列で、
時間 $t$ を引数に持つ。
$t$ が変わるたびに行列の成分が変わる点が重要で、$P$ は「$t$ の関数」として理解する必要がある。
典型的な 2 状態モデル（Open / Closed）では:
$$P(t) = \begin{pmatrix} P_{11}(t) & P_{12}(t) \\ P_{21}(t) & P_{22}(t) \end{pmatrix}
= \begin{pmatrix} P(\text{Open} \to \text{Open}, t) & P(\text{Open} \to \text{Closed}, t) \\ P(\text{Closed} \to \text{Open}, t) & P(\text{Closed} \to \text{Closed}, t) \end{pmatrix}$$
「行列の中身が $t$ とともに変わっていく」というのが $P(t)$ の核心的特徴である。
状態空間 $S$ と確率過程 $X(t)$ が前提として必要であることは NSM-026 で解説済み。
Open
状態 1
Closed
状態 2
α
(Open→Closed レート)
β
(Closed→Open レート)
図 1. 2 状態イオンチャネルモデルの状態遷移図。Open (状態 1) ⇄ Closed (状態 2) が速度 α, β で相互遷移する。
2. $P_{ij}(t)$ の意味 — 行が出発点、列が到達点
$P(t)$ の $(i,j)$ 成分は:
$$P_{ij}(t) := P\bigl(X(t) = j \mid X(0) = i\bigr)$$
読み方: 「時刻 0 に状態 $i$ にいたとき、$t$ 時間後に状態 $j$ にいる条件付き確率 」。
行 $i$ = 出発点（"from" 状態）列 $j$ = 到達点（"to" 状態）
たとえば 2 状態モデルで:
$P_{11}(t)$: Open から出発して $t$ 後も Open にいる確率
$P_{12}(t)$: Open から出発して $t$ 後に Closed にいる確率
$P_{21}(t)$: Closed から出発して $t$ 後に Open にいる確率
$P_{22}(t)$: Closed から出発して $t$ 後も Closed にいる確率
行和が 1 になる理由: 時刻 0 に状態 $i$ にいれば、時刻 $t$ には必ずどこかの 状態にいる（状態が消滅することはない）。
つまり $\sum_j P_{ij}(t) = 1$ は「確率の全事象網羅性」そのものである。
P(t) 行列のグリッド表示（2 状態の例）
j=1 (Open)
j=2 (Closed)
行和
← 到達点 (列) →
i=1
(Open)
i=2
(Closed)
出発点 (行)
P
11
(t)
Open → Open
P
12
(t)
Open → Closed
= 1
P₁₁+P₁₂=1
P
21
(t)
Closed → Open
P
22
(t)
Closed → Closed
= 1
P₂₁+P₂₂=1
各行の和 = 1（どこかに必ずいる）。列和は一般に 1 にならない。
図 2. P(t) 行列のグリッド表示。行 = 出発点、列 = 到達点。対角成分（青・黄）は「留まる確率」、非対角成分は「遷移する確率」。各行の和が 1 になることを右列で強調。
3. 確率行列としての 4 つの性質
$P(t)$ が確率行列 (stochastic matrix) であることの要件:
非負性: $P_{ij}(t) \geq 0$ — 確率は負にならない行和 1: $\sum_j P_{ij}(t) = 1$ （全 $i, t$ で成立）— 状態が消えない初期条件: $P(0) = I$ （単位行列）— 出発時は必ず同じ状態にいる半群性: $P(t+s) = P(t)\,P(s)$ — Chapman-Kolmogorov 方程式
行和 1 の確認（2 状態モデル, 1 行目）:
半群性（Chapman-Kolmogorov）の直感的意味
$P(t+s) = P(t)\,P(s)$ が言うのは:「まず $t$ だけ発展させ、その後 $s$ だけ発展させたものは、いきなり $t+s$ 発展させたものと同じ」。
言い換えると、マルコフ性（無記憶性） があるから中間時刻の状態をただの「経由点」として足し合わせることができる。
詳細は 遷移半群と Chapman-Kolmogorov 方程式 で扱う。
4. Q 行列との対比（最重要）
$P(t)$ と Q 行列 はしばしば混同される。以下の表で整理する。
比較軸
$P(t)$ — 遷移確率行列
$Q$ — 遷移速度行列（生成作用素）
成分の意味
確率: $P_{ij}(t) = P(X(t)=j \mid X(0)=i)$
レート (速度): $q_{ij}$ = 単位時間あたりの遷移確率密度
単位
無次元（確率, 0〜1）
時間の逆数 (s$^{-1}$, ms$^{-1}$)
時間依存性
$t$ の関数（$t$ ごとに変わる）
定数（チャネル設計として固定）
行和
$\sum_j P_{ij}(t) = 1$（確率行列）
$\sum_j q_{ij} = 0$（保存則）
対角成分
$P_{ii}(t) \in [0,1]$（留まる確率）
$q_{ii} \leq 0$（出ていく速度の負値）
初期値
$P(0) = I$（単位行列）
$Q = \lim_{h \downarrow 0} \dfrac{P(h)-I}{h}$（$P(t)$ の $t=0$ 微分）
$P$ との関係
$P(t) = e^{Qt}$
$Q = \left.\dfrac{dP}{dt}\right|_{t=0}$
ひとこと
Q を時間 $t$ ぶん指数で積み上げた確率
瞬間の速度ルール（時間によらない設計図）
核心的対比: 時間によらない設計図 」（行和 0）。その設計図を時間 $t$ ぶん積み上げた確率の表 」（行和 1）。
Q 行列（生成作用素）
行和 = 0
単位: s⁻¹（速度）
時間依存なし（定数）
対角: 負（出ていく速度）
設計図・速度ルール
e^{Qt}
行列指数関数
dP/dt|₀
P(t) 行列（遷移確率行列）
行和 = 1
単位: 無次元（確率）
t の関数（t で変わる）
対角: 0〜1（留まる確率）
確率の表・観測可能な量
P(0)=I（初期条件） ／ P(t+s)=P(t)P(s)（半群性）
図 3. Q 行列と P(t) 行列の対比。実線矢印は e^{Qt} によるマッピング（Q から P(t) を構成）、破線矢印は P(t) を t=0 で微分して Q を得る逆方向。
補足: 「速度と位置」アナロジーで Q と P(t) を掴む
直感的対応（正しい部分） 🟢
古典力学 マルコフ連鎖
速度 $v$ Q 行列 位置 $x(t)$ P(t) 行列 $v = dx/dt$ $Q = dP/dt\big|_{t=0}$ $x(t) = x(0) + \int_0^t v\,d\tau$（等速なら $x(0)+vt$） $P(t) = e^{Qt}$（速度 Q を時間 $t$ ぶん積み上げ）
重要な注意: 「等速→直線」ではなく「指数的緩和」 🟢
普通の等速運動では $x(t) = x(0) + vt$（直線）。しかし $P(t) = e^{Qt}$ は直線ではなく指数的に平衡へ緩和する。
理由は
変化率が一定ではなく P 自身に比例する からである。前進コルモゴロフ方程式 $dP/dt = P(t)\,Q$ を見ると、変化の速さは現在の P(t) の値に依存している。
スカラーで類推すれば明快だ: $dx/dt = qx$（変化率が現在値に比例）の解は $x(t) = e^{qt}\,x(0)$（指数関数）。これと同じ構造が行列レベルで起きている。
主張 正否
「Q は P の速度（微分）にあたる」 正しい 「Q が一定速度なので P は直線的に進む」 誤り （実際は指数的緩和）
より正確なアナロジー: 速度場（vector field）とフローマップ（propagator） 🟢速度場 （各状態でどちらにどれだけ確率が流れるかの時間によらない一定ルール）、フローマップ （そのルールに時間 $t$ 従った到達先）。次元の整合性も確認: Q は単位 s⁻¹（速度的）、$Qt$ は無次元、$e^{Qt} = P(t)$ も無次元の確率。
「速度 × 時間で状態が決まる」という感覚と一致している。 🟢
5. 具体例 — 2 状態モデルの $P(t)$ の解析解
Open (状態 1) と Closed (状態 2) の 2 状態モデルで $Q$ 行列は:
$$Q = \begin{pmatrix} -\alpha & \alpha \\ \beta & -\beta \end{pmatrix}$$
ただし $\alpha$ = Open→Closed レート、$\beta$ = Closed→Open レート、$\lambda = \alpha + \beta$。
$P(t) = e^{Qt}$ を計算すると:
$$P(t) = \frac{1}{\lambda} \begin{pmatrix} \beta + \alpha e^{-\lambda t} & \alpha - \alpha e^{-\lambda t} \\ \beta - \beta e^{-\lambda t} & \alpha + \beta e^{-\lambda t} \end{pmatrix}$$
行和の確認（1 行目）
$$P_{11}(t) + P_{12}(t) = \frac{\beta + \alpha e^{-\lambda t}}{\lambda} + \frac{\alpha - \alpha e^{-\lambda t}}{\lambda}
= \frac{\beta + \alpha e^{-\lambda t} + \alpha - \alpha e^{-\lambda t}}{\lambda}
= \frac{\alpha + \beta}{\lambda} = \frac{\lambda}{\lambda} = 1 \quad \checkmark$$
初期条件の確認（$t=0$）
$$P(0) = \frac{1}{\lambda} \begin{pmatrix} \beta + \alpha & \alpha - \alpha \\ \beta - \beta & \alpha + \beta \end{pmatrix}
= \frac{1}{\lambda} \begin{pmatrix} \lambda & 0 \\ 0 & \lambda \end{pmatrix} = I \quad \checkmark$$
$t \to \infty$ での収束（平衡分布）
$e^{-\lambda t} \to 0$ なので:
$$P(\infty) = \frac{1}{\lambda} \begin{pmatrix} \beta & \alpha \\ \beta & \alpha \end{pmatrix}$$
両行がともに $(\beta/\lambda,\; \alpha/\lambda)$ に一致する。これが定常分布（平衡分布） であり、
出発状態を「忘れた」状態である。
平衡分布の解釈: 長時間後には $P_{11}(\infty) = P_{21}(\infty) = \beta/\lambda$。
つまり十分長い時間が経てば、最初に Open にいたか Closed にいたかに関係なく、
Open にいる確率は $\beta/(\alpha+\beta)$ に落ち着く。
2 状態 P(t) の時間変化（α=3, β=1, λ=4）
時間 t
確率
0
0.5
1.0
β/λ=0.25
α/λ=0.75
P₁₁(t): Open→Open（初期 1.0 → β/λ=0.25 へ減衰）
P₁₂(t): Open→Closed（初期 0 → α/λ=0.75 へ増加）
t=0: P₁₁=1
t=0: P₁₂=0
図 4. 2 状態モデル（α=3 s⁻¹, β=1 s⁻¹, λ=4 s⁻¹）の P₁₁(t) と P₁₂(t) の時間変化。Open から出発した場合、「留まる確率」P₁₁ は 1 から 0.25 へ指数的に減衰し、「Closed へ移る確率」P₁₂ は 0 から 0.75 へ増加する。t→∞ で行和は常に 1 を維持しながら平衡分布 (0.25, 0.75) に収束する。
6. まとめ — P(t) 性質チェックリスト
性質
数式
直感的意味
確信度
非負性
$P_{ij}(t) \geq 0$
確率は負にならない
行和 1
$\sum_j P_{ij}(t) = 1$
出発点から必ずどこかへ行く
初期条件
$P(0) = I$
時刻 0 は出発状態にいる
半群性
$P(t+s) = P(t)\,P(s)$
Chapman-Kolmogorov（マルコフ性）
Q との関係
$P(t) = e^{Qt}$
Q を指数で積み上げた確率
$t\to\infty$ 収束
全行 → 定常分布 $\boldsymbol{\pi}$
出発点を忘れて平衡へ
参考文献
Colquhoun, D. & Hawkes, A.G. (1977). Relaxation and fluctuations of membrane currents that flow through drug-operated channels. Proc. R. Soc. Lond. B, 199, 231–262.
Norris, J.R. (1997). Markov Chains. Cambridge University Press. Chapter 2.
Anderson, W.J. (1991). Continuous-Time Markov Chains. Springer. — 生成作用素・半群性・Kolmogorov 方程式の標準的教科書
作成: 2026-06-02 / NSM-027 / Mathematics in Neuroscience プレゼン準備