この問題では、連続時間マルコフ連鎖の理論と行列指数の計算について理解を深めます。連続時間マルコフ連鎖は、離散時間マルコフ連鎖を連続時間に拡張した理論で、待ち行列理論、信頼性工学、化学反応論など幅広い分野で現実的なモデリングツールとして活用されています。
連続時間マルコフ連鎖：連続的状態遷移の数学的記述
連続時間マルコフ連鎖（Continuous-Time Markov Chain, CTMC）は、「連続時間でのマルコフ性」を持つ確率過程で、各状態での滞在時間が指数分布に従うという特徴的性質を持ちます。この性質により、複雑な確率的システムを解析的に扱うことが可能になります。
Step 1: 生成行列の理論的基礎
生成行列（generator matrix）$Q$：
$Q = \begin{pmatrix} -2 & 2 \\ 1 & -1 \end{pmatrix}$
生成行列の構造と意味
| 要素 | 値 | 解釈 |
|---|
| $Q_{00} = -2$ | 状態0からの離脱率 | 平均滞在時間 $\frac{1}{2}$ 時間単位 |
| $Q_{01} = 2$ | 状態0→1の遷移率 | 単位時間あたり2回の遷移 |
| $Q_{10} = 1$ | 状態1→0の遷移率 | 単位時間あたり1回の遷移 |
| $Q_{11} = -1$ | 状態1からの離脱率 | 平均滞在時間 1 時間単位 |
生成行列の基本条件：
- 行和が0：$\sum_j Q_{ij} = 0$ for all $i$（確率保存）
- 非対角要素非負：$Q_{ij} \geq 0$ for $i \neq j$（遷移率の非負性）
- 対角要素非正：$Q_{ii} \leq 0$（離脱率の非正性）
Step 2: 行列指数による遷移確率行列
連続時間マルコフ連鎖の基本方程式：
$\frac{d}{dt}P(t) = P(t)Q = QP(t)$
初期条件$P(0) = I$とともに、解は：
$P(t) = e^{Qt}$
ここで$e^{Qt}$は行列指数（matrix exponential）で、以下で定義されます：
$e^{Qt} = \sum_{n=0}^{\infty} \frac{(Qt)^n}{n!} = I + Qt + \frac{(Qt)^2}{2!} + \frac{(Qt)^3}{3!} + \cdots$
Step 3: 固有値分解による対角化
特性方程式の導出：
\begin{align}\det(Q - \lambda I) &= \det\begin{pmatrix} -2-\lambda & 2 \\ 1 & -1-\lambda \end{pmatrix} \\&= (-2-\lambda)(-1-\lambda) - 2 \\ &= (2+\lambda)(1+\lambda) - 2 \\&= 2 + 2\lambda + \lambda + \lambda^2 - 2 \\&= \lambda^2 + 3\lambda \\&= \lambda(\lambda + 3)\end{align}
固有値：
- $\lambda_1 = 0$（定常状態に対応）
- $\lambda_2 = -3$（過渡的減衰に対応）
Step 4: 固有ベクトルの詳細計算
$\lambda_1 = 0$に対する固有ベクトル：
$Q\mathbf{v}_1 = \mathbf{0} \Rightarrow \begin{pmatrix} -2 & 2 \\ 1 & -1 \end{pmatrix}\begin{pmatrix} x \\ y \end{pmatrix} = \begin{pmatrix} 0 \\ 0 \end{pmatrix}$
これから$-2x + 2y = 0$、すなわち$y = x$なので：
$\mathbf{v}_1 = \begin{pmatrix} 1 \\ 1 \end{pmatrix} \text{ または正規化して } \begin{pmatrix} 2 \\ 1 \end{pmatrix}$
$\lambda_2 = -3$に対する固有ベクトル：
$(Q + 3I)\mathbf{v}_2 = \mathbf{0} \Rightarrow \begin{pmatrix} 1 & 2 \\ 1 & 2 \end{pmatrix}\begin{pmatrix} x \\ y \end{pmatrix} = \begin{pmatrix} 0 \\ 0 \end{pmatrix}$
これから$x + 2y = 0$、すなわち$x = -2y$なので：
$\mathbf{v}_2 = \begin{pmatrix} 2 \\ -1 \end{pmatrix}$
Step 5: 対角化と行列指数の計算
固有ベクトル行列：
$P = \begin{pmatrix} 2 & 2 \\ 1 & -1 \end{pmatrix}, \quad P^{-1} = \frac{1}{-4} \begin{pmatrix} -1 & -2 \\ -1 & 2 \end{pmatrix} = \begin{pmatrix} \frac{1}{4} & \frac{1}{2} \\ \frac{1}{4} & -\frac{1}{2} \end{pmatrix}$
対角行列：
$D = \begin{pmatrix} 0 & 0 \\ 0 & -3 \end{pmatrix}$
行列指数の計算：
$e^{Qt} = Pe^{Dt}P^{-1} = P\begin{pmatrix} 1 & 0 \\ 0 & e^{-3t} \end{pmatrix}P^{-1}$
\begin{align}e^{Qt} &= \begin{pmatrix} 2 & 2 \\ 1 & -1 \end{pmatrix} \begin{pmatrix} 1 & 0 \\ 0 & e^{-3t} \end{pmatrix} \begin{pmatrix} \frac{1}{4} & \frac{1}{2} \\ \frac{1}{4} & -\frac{1}{2} \end{pmatrix} \\&= \begin{pmatrix} 2 & 2e^{-3t} \\ 1 & -e^{-3t} \end{pmatrix} \begin{pmatrix} \frac{1}{4} & \frac{1}{2} \\ \frac{1}{4} & -\frac{1}{2} \end{pmatrix}\end{align}
Step 6: 最終的な遷移確率行列
行列の積を計算すると：
\begin{align}P(t) &= \begin{pmatrix} \frac{2}{4} + \frac{2e^{-3t}}{4} & \frac{2}{2} - \frac{2e^{-3t}}{2} \\ \frac{1}{4} - \frac{e^{-3t}}{4} & \frac{1}{2} + \frac{e^{-3t}}{2} \end{pmatrix} \\&= \begin{pmatrix} \frac{1}{2} + \frac{1}{2}e^{-3t} & 1 - e^{-3t} \\ \frac{1}{4} - \frac{1}{4}e^{-3t} & \frac{1}{2} + \frac{1}{2}e^{-3t} \end{pmatrix}\end{align}
計算を再確認すると：
$P(t) = \begin{pmatrix} \frac{1}{3} + \frac{2}{3}e^{-3t} & \frac{2}{3}(1-e^{-3t}) \\ \frac{1}{3}(1-e^{-3t}) & \frac{2}{3} + \frac{1}{3}e^{-3t} \end{pmatrix}$
したがって：
$P_{01}(t) = \frac{2}{3}(1 - e^{-3t})$
結果の時間発展解析
| 時刻 | $P_{01}(t)$ | 物理的意味 |
|---|
| $t = 0$ | $0$ | 初期状態0から開始 |
| $t \to \infty$ | $\frac{2}{3}$ | 定常分布の値 |
| $t = \frac{\ln 2}{3}$ | $\frac{1}{3}$ | 半減期での値 |
連続時間マルコフ連鎖の性質
Step 7: 指数分布による滞在時間
各状態での滞在時間は指数分布に従います：
- 状態0での滞在時間：$T_0 \sim \text{Exp}(2)$、期待値 $\frac{1}{2}$
- 状態1での滞在時間：$T_1 \sim \text{Exp}(1)$、期待値 $1$
無記憶性（memoryless property）：
$P(T > s + t | T > s) = P(T > t)$
これにより、「いつから観測を始めても同じ確率的性質」を持ちます。
Step 8: 定常分布の導出
定常分布$\pi = (\pi_0, \pi_1)$は$\pi Q = 0$を満たします：
$\begin{pmatrix} \pi_0 & \pi_1 \end{pmatrix} \begin{pmatrix} -2 & 2 \\ 1 & -1 \end{pmatrix} = \begin{pmatrix} 0 & 0 \end{pmatrix}$
これから：
- $-2\pi_0 + \pi_1 = 0 \Rightarrow \pi_1 = 2\pi_0$
- $\pi_0 + \pi_1 = 1 \Rightarrow \pi_0 + 2\pi_0 = 1 \Rightarrow \pi_0 = \frac{1}{3}$
したがって：$\pi = \left(\frac{1}{3}, \frac{2}{3}\right)$
これは$P_{01}(\infty) = \frac{2}{3}$と一致します。
Step 10: 理論的拡張
可逆性（reversibility）：
詳細釣り合い条件：$\pi_i Q_{ij} = \pi_j Q_{ji}$
検証：$\frac{1}{3} \cdot 2 = \frac{2}{3} \cdot 1$なので可逆です。
無限状態空間への拡張：
生死過程、分岐過程など、無限個の状態を持つマルコフ連鎖への一般化も重要な研究分野です。
数学的美しさ：
連続時間マルコフ連鎖における指数減衰項$e^{-3t}$は、システムが平衡状態に向かう「緩和過程」を表しています。固有値$-3$の絶対値が大きいほど平衡到達が速く、この「緩和時間$\tau = \frac{1}{3}$」はシステムの基本的時間スケールを決定します。行列指数$e^{Qt}$による解の表現は、線形微分方程式系の解法と確率論が美しく融合した例で、現代の数学物理学においても中心的役割を果たしています。