NSM-013

指数の和 (mixture) vs 畳み込み (Erlang/hypoexponential) — 全確率の公式とスペクトル分解の対称性

作成日: 2026-05-23 / §3–§5 補足ノート / Mathematics in Neuroscience プレゼン準備

この記事の主題:
イオンチャネルの滞在時間ヒストグラムに現れる「指数の本数 = 状態の数」という命題を、 二通りの経路から数学的に正当化する。

畳み込み (Erlang/hypoexp) ラプラス変換の積（畳み込み定理）で到達 — 確率変数 $T_1 + T_2$ の和
指数の和 (mixture) 全確率の公式（条件付き確率の線形結合）で到達 — 密度 $\sum a_j e^{-\lambda_j t}$

この二つは、CTMC の $Q$ 行列の対角化という共通の根を持ち、 ラプラス変換での「積 vs 線形和」という美しい対称性を形成する。

1. 並列状態 → 指数の和 (mixture)

1.1 状態遷移図と確率的機構

イオンチャネルが閉じるとき、複数の閉鎖状態 $C_1, C_2, \ldots$ のどれかへ遷移する。 どの閉鎖状態に入るかは確率的に決まり、一度入ったら独立した指数クロックで次の遷移を待つ。 この構造が並列である。

Open C₁ C₂ 確率 a λ₁ 確率 1−a λ₂ 並列構造 (分岐) mixture 分布 f(t) = a λ₁e⁻λ₁ᵗ + (1−a)λ₂e⁻λ₂ᵗ t f(t) a λ₁e⁻λ₁ᵗ (1−a)λ₂e⁻λ₂ᵗ f(t) 合計 単調減少 — peak なし
図1. 並列構造の状態遷移図（左）と生成される mixture 分布（右）。どの閉鎖状態に入るかを確率 a で選ぶ。合計は単調減少で peak を持たない。

1.2 全確率の公式による導出

カテゴリカル変数 $J \in \{1, 2, \ldots, k\}$ を「どの閉鎖状態に入ったか」とする。 $P(J=j) = p_j$（和が 1）。状態 $C_j$ に入ったとき、滞在時間は指数分布 $\mathrm{Exp}(\lambda_j)$ に従う。

全確率の公式 (law of total probability) を密度関数に適用する:

$$f(t) = \sum_{j=1}^{k} P(J=j)\, f_{T \mid J=j}(t) = \sum_{j=1}^{k} p_j \cdot \lambda_j e^{-\lambda_j t}$$

これが mixture 分布の正体である。係数 $p_j$ は必ず全正 ($p_j > 0$, $\sum p_j = 1$) であり、 各成分は独立した指数密度を重みで足したものに過ぎない。

ポイント: 確率変数の「値」を条件で分岐させる操作が全確率の公式。 指数の和 (mixture) はこの分岐を「どの指数クロックを使うか」に当てた特殊ケース。 対して畳み込み (Erlang/hypoexp) は「複数の指数クロックを順番に使い切る」操作 (= 確率変数の和 $T_1+T_2$)。

2. 直列状態 → 畳み込み (Erlang / hypoexponential)

2.1 状態遷移図と確率的機構

チャネルが Open になるために、複数の閉鎖状態を順番に通過しなければならない構造。 全通過時間 $T = T_1 + T_2$ は独立な指数確率変数の和であり、その分布は畳み込み $f_1 * f_2$ で得られる。i.i.d.（同レート）なら厳密な Erlang 分布、異レートなら hypoexponential 分布になる。

C₁ C₂ Open α β 時間 → T = T₁ + T₂ 直列構造 (順通過) 畳み込み (hypoexp) f(t) = αβ/(α−β)(e⁻βᵗ − e⁻αᵗ) t f(t) peak t* ≈ ln(α/β)/(α−β) 山型 — peak あり
図2. 直列構造の状態遷移図（左）と畳み込みから生成される Erlang/hypoexponential 型分布（右）。複数の閉鎖状態を順番に通過するため、合計時間にピークが現れる。（注: 上図に逆向き矢印を描いているが、Erlang 近似は逆遷移を無視した純直列の場合）

3. ラプラス変換でみる「積 vs 線形和」の対称性

ラプラス変換 $f^*(s) = \mathcal{L}[f](s) = \int_0^\infty e^{-st} f(t)\, dt$ を両方に適用すると、 鮮明な対称性が現れる。

畳み込み (Erlang/hypoexp) $T = T_1 + T_2$

確率変数の和は密度の畳み込み:
$$f = f_1 * f_2$$
ラプラス変換の畳み込み定理: $$\boxed{f^*(s) = \frac{\alpha}{s+\alpha} \cdot \frac{\beta}{s+\beta}}$$
「積」になる。指数因子が掛け算で並ぶ。
指数の和 (mixture)

確率変数の「条件付き選択」は密度の線形結合:
$$f = p_1 f_1 + p_2 f_2$$
ラプラス変換は線形なので: $$\boxed{f^*(s) = p_1 \frac{\lambda_1}{s+\lambda_1} + p_2 \frac{\lambda_2}{s+\lambda_2}}$$
「線形和」になる。指数因子が重みで足される。
畳み込み (Erlang/hypoexp) → 積 指数の和 (mixture) → 線形和 f₁*(s) f₂*(s) × = α/(s+α) · β/(s+β) 逆変換 = c₁e⁻αᵗ + c₂e⁻βᵗ 係数の符号: 混在 (正・負) 部分分数: 積 → 和に変換 αβ/[(s+α)(s+β)] = A/(s+α) + B/(s+β) 係数 A,B は符号が逆 → 差の形 → peak p₁ · λ₁/(s+λ₁) p₂ · λ₂/(s+λ₂) + = Σ pᵢ λᵢ/(s+λᵢ) 部分分数分解済み 逆変換 = Σ pᵢ e⁻λᵢᵗ 係数はすべて正 → 単調減少 ラプラス変換の線形性をそのまま利用 既に部分分数形 — 追加分解は不要 係数はすべて正 → 差が出ない → peak なし
図3. ラプラス変換域での対称性。畳み込み (Erlang/hypoexp) は積 → 部分分数分解が必要、係数の符号が混在してピーク付き分布になる。指数の和 (mixture) は線形和 → 最初から部分分数形、係数は全正で単調減少。

4. CTMC の Q 行列 — スペクトル分解が指数成分の重ね合わせを生む

4.1 遷移確率行列の固有値展開

連続時間マルコフ連鎖 (CTMC) の遷移確率行列は $P(t) = e^{Qt}$ で与えられる。 $Q$ が対角化可能なら:

$$Q = V \Lambda V^{-1}, \quad \Lambda = \mathrm{diag}(\mu_1, \mu_2, \ldots, \mu_k)$$ $$\Rightarrow P(t) = e^{Qt} = V e^{\Lambda t} V^{-1} = \sum_{j=1}^{k} e^{\mu_j t} \, \mathbf{v}_j \mathbf{u}_j^\top$$

ここで $\mu_j \leq 0$ ($Q$ の固有値) が各指数成分の減衰率となる。 特定の状態 $i$ から出発して状態 $j$ に到達するまでの滞在時間分布の密度は $P_{ij}(t)$ の微分から得られ、形は

$$f_{ij}(t) = \sum_{\ell} c_\ell^{(ij)} \cdot |\mu_\ell| \, e^{\mu_\ell t}$$

係数 $c_\ell^{(ij)}$ の正負が重要: $c_\ell^{(ij)} \geq 0$ for all $\ell$ → 並列 mixture 型 (各 $c$ が正、単調減少) vs. 一部が負（符号混在）→ 直列 Erlang/hypoexp 型 (peak あり)。 純粋な並列 mixture では係数はすべて正、直列構造では係数に符号混在が現れる。

Q 行列 q_ij ≥ 0 (i≠j) q_ii ≤ 0 行和 = 0 生成作用素 対角化 Q=VΛV⁻¹ 固有値 μⱼ ≤ 0 μ₁ ≤ μ₂ ≤ … ≤ 0 各 μⱼ が指数の 減衰率に対応 スペクトル e^{Qt} 行列指数関数 P(t) の展開 P(t) = Σ eᵘʲᵗ · vⱼuⱼᵀ 各成分が e^{μⱼt} の時間依存性を持つ スペクトル分解 微分 密度取得 dwell time 密度 f(t) = Σ cⱼ |μⱼ| e^{μⱼt} 係数 cⱼ の符号で peak 有無を判定 観測量 遷移速度定数 実験で推定 固有値の本数 = 状態の数 各固有モード の時間発展 ヒストグラム で直接観測 固有値の本数 = 指数成分の本数 = 隠れ状態の数
図4. Q 行列から dwell time 密度 $\sum_k c_k e^{\lambda_k t}$ が生まれるまでの流れ。対角化によって固有値が指数成分の減衰率となり、固有値の本数が直接「状態の数」に対応する。係数 $c_k$ の符号で mixture/Erlang を判定。

4.2 ラプラス変換と Q 行列の接続

Kolmogorov の前進方程式 $\dot{P}(t) = P(t) Q$ をラプラス変換すると:

$$s \mathcal{L}[P](s) - I = \mathcal{L}[P](s) \cdot Q \quad \Rightarrow \quad \mathcal{L}[P](s) = (sI - Q)^{-1}$$

$(sI - Q)^{-1}$ を固有値展開すると、各 $\mu_j$ が $s$ の極として現れる。 部分分数分解の後に逆ラプラス変換すれば、$e^{\mu_j t}$ の線形結合が得られる。 これが指数の重ね合わせ表現 $\sum_k c_k e^{\lambda_k t}$ の CTMC 的な根拠である。

5. 部分分数分解 — 係数の符号が peak の有無を決める

どちらの場合も $f^*(s)$ を部分分数分解すれば形式的に $\sum c_i/(s+\mu_i)$ となり、 逆変換で $\sum c_i e^{-\mu_i t}$ が得られる。両者の違いは係数 $c_i$ の符号だけである。

畳み込み (Erlang/hypoexp): 係数の符号が混在 指数の和 (mixture): 係数がすべて正 +c₁ μ₁ (速い) −c₂ μ₂ (遅い) 0 c₁e⁻μ₁ᵗ − c₂e⁻μ₂ᵗ = t=0 でゼロ → peak あり +p₁ λ₁ (速い) +p₂ λ₂ (遅い) 0 p₁e⁻λ₁ᵗ + p₂e⁻λ₂ᵗ = t=0 で最大 → peak なし f(0)=0 かつ f'(0)>0 のとき (各成分の相殺) → peak 発生 f(0) = Σ pⱼλⱼ > 0 (全正) → 単調減少
図5. 部分分数分解の係数の符号が peak の有無を決める。畳み込み (Erlang/hypoexp) では係数の符号が混在して差が生じ、t=0 でゼロになることで山型になる。指数の和 (mixture) では係数が全正なので t=0 が最大値となり単調減少。

6. まとめ — 4 列比較表

問い 指数の和 (mixture) 畳み込み (Erlang/hypoexponential)
何を得たいか 各指数成分の「混合比」を決める分布 独立な指数時間の「合計」の分布
確率論的根拠 全確率の公式
$f(t)=\sum_j p_j \lambda_j e^{-\lambda_j t}$		 畳み込み（確率変数の和）
$f = f_1 * f_2 * \cdots$
解析の主役 ラプラス変換の線形性
（積分を各成分に配分）		 ラプラス変換の畳み込み定理
（畳み込みを積に変換）
ラプラス変換形 $\displaystyle\sum_j p_j \frac{\lambda_j}{s+\lambda_j}$ （線形和） $\displaystyle\prod_j \frac{\lambda_j}{s+\lambda_j}$ （積）
係数の符号 全正 ($p_j > 0$, $\sum p_j = 1$) 符号混在（正・負の両方）
$t=0$ での密度 最大値（単調減少） $f(0)=0$（山型、peak あり）
CTMC での機構 $Q$ のスペクトル分解
固有値が各指数成分の速度		 直列状態を順番に通過
各ステップが独立指数時間
状態構造 並列（分岐） — 複数の閉状態から一つを選ぶ 直列（連鎖） — 複数の閉状態を順番に経由
プレゼン § §3 / §5 （核心メッセージ） §3 / §4 （比較対象）

7. 対称性の核心 — 一文まとめ

数学的対称性:

「確率変数の和 $T = T_1 + T_2$」は密度の畳み込み $f_1 * f_2$ で表され、ラプラス変換で積になる（畳み込み定理）。
「確率変数の条件付き混合」は密度の線形和 $\sum a_j f_j$ で表され、ラプラス変換でも線形和のまま（全確率の公式 + 線形性）。

この二つは、$Q$ 行列の固有値分解という共通の根を持ち、 どちらも「指数成分の本数 = 固有値の本数 = 状態の数」というメッセージを担う。
違いは係数 $c_j$ の符号だけ — 全正なら指数の和 (mixture)（peak なし）、符号混在なら畳み込み (Erlang/hypoexp)（peak あり）。
プレゼンでの使い方 (§3→§5 の橋渡し):
§3 で「peak の有無」を示した後、§5 で $Q = V\Lambda V^{-1}$ を提示すれば、 聴衆（数学者）は「ああ、固有値の符号と係数の符号が対応している」と即座に理解できる。 この補足ノートはその接続を式レベルで提供する。

参考文献

  1. Colquhoun, D. & Hawkes, A. G. (1995). The principles of the stochastic interpretation of ion channel mechanisms. In: Sakmann, B. & Neher, E. (eds.) Single-Channel Recording, 2nd edition, pp. 397–482. Plenum Press, New York. → プロジェクト全体の主要典拠：mixture と畳み込みの比較・全確率の公式の応用
  2. Colquhoun, D. & Hawkes, A. G. (1981). On the stochastic properties of single ion channels. Proceedings of the Royal Society of London B, 211, 205–235. → 指数の和 (mixture) の確率論的根拠：全確率の公式からの導出
  3. Colquhoun, D. & Hawkes, A. G. (1982). On the stochastic properties of bursts of single ion channel openings and of clusters of bursts. Philosophical Transactions of the Royal Society of London B, 300, 1–59. → スペクトル分解の対称性：mixture とラプラス変換の「積 vs 線形和」の関係の詳細

関連項目

作成日: 2026-05-23 / §3–§5 補足ノート / Mathematics in Neuroscience プレゼン準備