マルコフ性とは？意味・仕組み・活用例を初心者向けに解説

マルコフ性とは？意味・仕組み・活用例を初心者向けに解説

マルコフ性とは何か

マルコフ性をひと言でいうと、「次にどうなるかは、今どうなっているかで決まる」という考え方です。たとえば、今日の状態が「晴れ」なら、明日の天気の確率は今日の晴れという情報から決める、と考えます。昨日や一週間前の天気は、明日の予測に直接は使いません。

ここで大切なのは、過去をまったく無意味だと切り捨てているわけではない点です。マルコフ性では、過去の影響は現在の状態に十分反映されているとみなします。つまり、今の状態を適切に定義できていれば、過去の長い履歴をすべて持ち歩かなくても予測できる、という仮定です。

この仮定を置くと、計算が大きく単純になります。天気、株価、人口の推移、文章の単語列、ユーザーの行動履歴などは、そのまま扱うと要因が多すぎます。しかし状態を決め、状態から状態への移り変わりを確率で表せば、現象を整理して分析しやすくなります。

名前はロシアの数学者アンドレイ・マルコフに由来します。マルコフ性を持つ確率的な変化のモデルは、マルコフ過程やマルコフ連鎖と呼ばれ、現在でも機械学習やデータ分析の基礎として使われています。

数式で見るマルコフ性

\(
P(X_{t+1}=x \mid X_t, X_{t-1}, \ldots, X_0) = P(X_{t+1}=x \mid X_t)
\)

数式で表すと、マルコフ性は上のように書けます。左辺は「これまでの状態をすべて知っているとき、次の状態が x になる確率」です。右辺は「現在の状態だけを知っているとき、次の状態が x になる確率」です。この2つが同じだとみなせるとき、その過程はマルコフ性を持つといえます。

記号が難しく見えても、意味は単純です。次の状態を予測するために必要な情報は、現在の状態にまとまっているということです。たとえば、サイコロを振る場合、前回に3が出ても6が出ても、次にそれぞれの目が出る確率は基本的に同じです。前回の結果が次回の確率を変えないため、独立なサイコロの試行はマルコフ性を理解しやすい例です。

一方で、すべての現象がこの式にきれいに当てはまるわけではありません。病気の進行、植物の成長、景気の変化のように、過去の治療歴、気候、政策、社会情勢が長く影響する場合は、現在の状態だけでは情報が足りないことがあります。

天気予報で考えるマルコフ性

天気予報は、マルコフ性を直感的に理解しやすい例です。もし天気がマルコフ性を持つと仮定するなら、明日の天気を予測するときに重視するのは今日の天気です。今日が晴れなら、明日も晴れやすいのか、雨に変わりやすいのかを、今日の状態から確率として考えます。

このとき、一昨日や一週間前の天気は直接使いません。なぜなら、過去の天気の影響は気温、湿度、雲の様子、気圧配置などを通じて、今日の状態に反映されているとみなすからです。これにより、過去の履歴をすべて調べるよりも、モデルを簡潔にできます。

ただし、実際の天気予報は今日の天気だけで決まるほど単純ではありません。上空の風、海面水温、周辺地域の気圧、遠くの低気圧なども影響します。そのため、天気そのものが完全なマルコフ性を持つというより、予測を扱いやすくする近似としてマルコフ性を利用すると理解すると現実に近くなります。

自然言語処理での使われ方

自然言語処理でも、マルコフ性は重要な考え方です。文章では、次に来る単語が直前の単語や直近の文脈に強く影響されます。たとえば「青い」の次には「空」「海」「鳥」などが来やすく、「走る」の次には助詞や目的語が続くかもしれません。

古典的な言語モデルでは、「直前の1語」や「直前の数語」から次の単語の確率を推定していました。このように、長い履歴をすべて使うのではなく、一定範囲の直近情報だけで予測する考え方は、マルコフ性の応用として理解できます。

スマートフォンの予測変換も、身近な例です。「こんにちは」と入力した後に「ございます」や「今日は」などの候補が出るのは、単語の並びや入力履歴から次に来やすい語を推定しているためです。現在の大規模言語モデルはより長い文脈を扱いますが、状態から次を予測するという見方は、言語処理を学ぶ入口として役立ちます。

マルコフ過程とマルコフ連鎖の違い

マルコフ性を持つ確率的な変化を広くマルコフ過程と呼びます。状態が時間とともに変わり、その変化が確率で表されるモデルです。天気のように「晴れ、曇り、雨」と状態が移る例もあれば、待ち行列や故障率のように連続的な時間で変化する例もあります。

マルコフ連鎖は、マルコフ過程の中でも、状態が離散的で、段階的に移り変わるものを指すことが多い言葉です。たとえば「晴れ」「曇り」「雨」の3状態を用意し、今日が晴れなら明日は晴れ70%、曇り20%、雨10%のように遷移確率を決めるモデルは、マルコフ連鎖として説明しやすい例です。

初心者は、まず「マルコフ性」が性質、「マルコフ過程」がその性質を持つ確率モデル、「マルコフ連鎖」が離散的な状態遷移を扱う代表的なモデル、と整理すると理解しやすくなります。

離散時間と連続時間の違い

マルコフ過程は、時間の扱い方によって大きく分けられます。1つ目は離散時間マルコフ過程です。これは、時間を1日ごと、1回の操作ごと、1ステップごとのように区切って扱います。毎日の天気、毎時点の株価、ゲーム内のターンごとの状態などが例です。

2つ目は連続時間マルコフ過程です。こちらは、時間が切れ目なく流れる中で状態が変わると考えます。放射性物質の崩壊、機械の故障、コールセンターに電話がかかってくるタイミングなどは、いつ変化が起こるかを連続的に扱うほうが自然です。

どちらを使うかは、観測したい現象に合わせて決めます。日単位で十分なら離散時間、発生タイミングそのものが重要なら連続時間が向いています。いずれの場合も、基本には「現在の状態から次を考える」というマルコフ性があります。

マルコフ性が成り立たない場合

マルコフ性は便利ですが、万能ではありません。現実には、過去の履歴が未来に強く影響する現象も多くあります。植物の成長なら、昨日だけでなく過去の水やり、日照、土の状態が効きます。病気の進行なら、過去の治療歴や生活習慣、既往歴が重要です。

経済や株価の予測でも、今日の価格だけでは不十分なことがあります。過去の政策、企業の業績、国際情勢、投資家心理など、多くの要因が積み重なって現在の状態を作っています。現在の値だけを見て未来を予測すると、重要な背景を取りこぼす可能性があります。

そのため実務では、マルコフ性を「正しいか間違いか」だけで見るのではなく、どの程度まで近似として使えるかを考えます。短期予測や状態がうまく設計されている場合には有効ですが、長期依存や隠れた要因が大きい場合は、より複雑なモデルや追加情報が必要になります。

マルコフ性を学ぶときの注意点

まず、「現在だけを見る」という表現を文字通りに受け取りすぎないことが大切です。現在の状態が雑に定義されていると、過去の情報が十分に含まれません。たとえば天気を「晴れか雨か」だけで表すより、気温、湿度、気圧、風向きも含めたほうが、未来の予測に必要な情報を状態へ集約しやすくなります。

次に、マルコフ性はモデル化のための仮定であると理解しましょう。現実の現象そのものが完全にマルコフ性を持つとは限りません。それでも、仮定を置くことで計算量を減らし、分析の見通しをよくできます。

最後に、関連用語を混同しないようにしましょう。マルコフ性は性質、遷移確率は状態が移る確率、マルコフ過程は確率的に状態が変化するモデル、マルコフ連鎖は離散的な状態遷移を扱う代表的なモデルです。この順で押さえると、AIや統計の説明を読みやすくなります。

まとめ

マルコフ性とは、未来の状態が現在の状態だけに依存し、過去の状態には直接依存しないという性質です。過去を完全に否定する考え方ではなく、過去の影響が現在の状態に集約されているとみなす点が重要です。

天気予報、サイコロ、自然言語処理、予測変換、マルコフ連鎖などを通じて見ると、マルコフ性は複雑な現象を状態遷移として整理するための便利な道具だと分かります。一方で、病気、植物の成長、経済のように履歴が重要な現象では、現在だけでは不十分な場合もあります。

AIや機械学習を学ぶうえでは、マルコフ性を「計算を単純にするための仮定」として理解すると役立ちます。どの情報を現在の状態に含めるか、どこまで過去を省略してよいかを考えることが、モデルを適切に使う第一歩になります。

更新履歴