1 定義と基本概念
ランダムウォークは、各時点での移動方向や状態遷移が確率により決まる過程であり、偶然の変化が時間とともに積み重なる様子を表す。最も単純な形では、各段階の変化は互いに独立で、同じ規則に従って繰り返される。こうした性質により、確率論の入門例であると同時に、さまざまな自然現象や計算手法の基礎モデルにもなっている。
1.1 ランダムウォークの定義
典型的には、位置や状態を整数値などで表し、次の一歩が上向きか下向きか、あるいは複数の候補のいずれかに選ばれる。各選択に確率を割り当てることで、個々の軌跡は予測しにくいが、全体としての振る舞いは統計的に記述できる。一般化された形では、移動先が固定されない場合や、状態空間が有限・無限のいずれにもなる場合がある。
1.2 離散時間と連続時間
離散時間のモデルでは、歩みは1回、2回というように段階的に進む。これに対して連続時間モデルでは、移動の起こる時刻自体が確率的に定まり、観測の仕方に応じて軌跡が滑らかに扱われることもある。前者は計算しやすく、後者は物理現象や待ち時間を含む過程の表現に向いている。
1.2.1 一次元ランダムウォーク
一次元では、点は直線上を左右に移動する。もっとも基本的な対称モデルでは、各 քայլで右へ進む確率と左へ進む確率が等しい。単純な設定であっても、長い時間では位置のばらつきが大きくなり、局所的には不規則でも、統計的には拡散的な広がりが現れる。
1.2.2 多次元ランダムウォーク
多次元では、平面や空間内を点が移動する。歩行方向の選択肢が増えるため、軌跡の形はより複雑になり、戻ってくる可能性や広がり方も次元に左右される。高次元では、同じ規則でも「元の位置へ再び到達するかどうか」という性質が、一次元の場合と異なる振る舞いを示す。
1.3 代表的な確率モデル
代表例としては、各段階で一定確率に従って左右へ進む対称ランダムウォーク、進む向きに偏りのある非対称型、待ち時間を含む連続時間型などがある。また、格子上だけでなく、グラフや連続空間上に拡張されたモデルも重要である。これらは、同じ「偶然の累積」という枠組みの中で、異なる現象を表現するために用いられる。
2 数学的性質
ランダムウォークの数学的研究では、個々の一歩の規則だけでなく、長期的な分布や極限挙動が中心となる。短期的には不規則でも、平均や分散を通じて全体像を捉えられることが多い。また、次元や移動規則によって、同じ出発点へ戻るか、あるいは無限に離れていくかといった根本的な差が生じる。
2.1 期待値と分散
期待値は平均的な位置の指標であり、分散はどれだけ散らばるかを示す。対称なモデルでは期待値が原点付近に保たれる一方、分散は時間とともに増大することが多い。これにより、軌跡の中心は動かなくても、ばらつきだけが拡大していく現象を説明できる。
2.1.1 平均的な広がり
平均的な広がりは、位置の分布がどの程度大きくなっていくかを表す。単純な一次元モデルでは、広がりの典型尺度は歩数の平方根に比例する形で現れることが多い。このため、時間が2倍になっても距離は2倍にはならず、緩やかな拡散として観察される。
2.1.2 変動の尺度
変動の大きさは、標準偏差や分散によって定量化される。ランダムウォークでは、各歩の寄与が積み重なるため、変動は独立な揺らぎの合成として扱える。結果として、個々の経路は大きく異なっていても、統計的な尺度を用いることで比較可能になる。
2.2 再帰性と非再帰性
再帰性とは、初期位置にいつか戻る可能性が十分に高い性質を指す。非再帰性では、戻らないまま遠ざかる経路が無視できなくなる。これはランダムウォークの重要な特徴の一つであり、次元や遷移構造によって決まる。
2.2.1 一次元の場合
一次元の対称ランダムウォークは、原点へ戻る性質が強く、長い時間を見れば再訪の可能性が高い。単純な左右移動でも、往復を繰り返しながら近傍を何度も通過する傾向がある。このため、直線上のモデルは再帰性を理解するうえで基本例とされる。
2.2.2 高次元の場合
次元が上がると、到達可能な方向が増え、空間全体に広がりやすくなる。その結果、同じ規則でも原点への復帰が起こりにくくなる場合がある。高次元の挙動は、空間の広がりと戻りやすさの関係を示す典型的な例となっている。
2.3 極限定理との関係
ランダムウォークは、極限定理の具体例としても扱われる。多数の独立な小変動の和として見たとき、全体の分布は一定の極限法則に近づく。こうした観点は、離散的な歩みから連続的な確率過程へ橋をかける役割を持つ。
2.3.1 中心極限定理
中心極限定理により、多数の独立な微小変化の和は、適切に標準化すると正規分布へ近づく。ランダムウォークでは、この性質が位置分布の近似に直接結びつく。単純な歩行規則でも、長期的には滑らかな分布形が現れる理由を説明できる。
2.3.2 大数の法則との関連
大数の法則は、平均的な傾向が試行回数の増加とともに安定することを述べる。ランダムウォークでは、偏りのある場合に平均速度のような量が一定値へ近づく理解につながる。ただし、個々の経路は依然として大きく揺れるため、法則は全体の傾向を述べるものと考えられる。
3 主要な応用
ランダムウォークは、偶然性を含む変化を簡潔に表せるため、多くの分野で応用されている。物理現象の記述だけでなく、金融市場の近似、乱択的な計算手順、ネットワーク上の探索などにも利用される。共通する利点は、複雑な系を少ない仮定でモデル化できる点にある。
3.1 物理学における拡散
物理学では、粒子や熱の広がりを表す近似モデルとして使われる。微視的には不規則な運動でも、集団として見ると拡散方程式に似た振る舞いを示す。これにより、見かけ上のランダムな移動を、巨視的な法則へつなげられる。
3.1.1 ブラウン運動との関係
ブラウン運動は、微粒子が流体中で不規則に揺らぐ現象であり、ランダムウォークの連続極限として理解されることが多い。離散的な歩みを細かくすると、軌跡はより滑らかな確率過程へ近づく。両者は、偶然の積み重ねが連続的な拡散へ移る例として密接に結びつく。
3.1.2 統計力学での利用
統計力学では、多数粒子の集団挙動を扱う際に、個々の運動を確率的に近似する。ランダムウォークは、粒子の散乱や輸送、平衡への接近を記述する簡潔な道具となる。これにより、複雑な相互作用を持つ系でも、平均的な性質を解析しやすくなる。
3.2 金融工学での利用
金融工学では、価格変動や資産の推移を不確実性を伴う過程として扱う。ランダムウォークは、短期的な変化を予測不能な揺らぎとして近似するための基本的な枠組みとなる。実際の市場を完全に表すわけではないが、理論モデルの出発点として広く参照される。
3.2.1 株価変動のモデル
株価の変化をランダムウォーク的にみなすと、上昇と下落がある程度偶然に左右されるという見方を与えられる。基本形では、価格そのものよりも対数変化が扱われることが多い。これは、相対的な変動を記述しやすくし、長期的な分析にも適している。
3.2.2 リスク評価への応用
リスク評価では、将来の値動きの分布や極端な変化の可能性を見積もる必要がある。ランダムウォーク型のモデルは、シナリオ生成や確率的な損失見積もりに使われることがある。単純化は含むものの、不確実性を数量化するための基盤として有用である。
3.3 計算機科学とアルゴリズム
計算機科学では、ランダムウォークは探索、近似、サンプリングなどの方法に組み込まれる。確率的な選択を導入することで、決定的手法では扱いにくい問題へ柔軟に対応できる。特に大規模データや複雑な構造をもつ対象で効果を発揮する。
3.3.1 乱択アルゴリズム
乱択アルゴリズムでは、途中の選択を確率的に行い、平均的な計算効率や実用上の安定性を高める。ランダムウォークは、候補を順次たどりながら解を近似的に探す仕組みの一部として使われる。最悪ケースの回避や、単純な実装での性能確保に寄与することがある。
3.3.2 グラフ探索への応用
グラフ上のランダムウォークは、頂点間を辺に沿って無作為に移動する方法である。これは、ネットワークの構造を把握するためのサンプリングや、到達性の評価に役立つ。大規模なグラフでは、全探索の代替として近似的な情報を得る手段となる。
4 関連理論と発展
ランダムウォークは単独の概念ではなく、確率過程の広い理論体系と結びついている。マルコフ性、拡散方程式、連続極限などの考え方は、モデルをより一般的かつ洗練された形へ拡張する。これらの理論は、離散的な歩行と連続的な変化を一つの枠組みで理解する助けとなる。
4.1 マルコフ連鎖
マルコフ連鎖は、現在の状態だけが次の状態の分布を決める確率過程である。ランダムウォークの多くはこの性質を持ち、過去全体ではなく直前の位置が遷移を支配する。したがって、ランダムウォークはマルコフ連鎖の代表的な例として位置づけられる。
4.2 拡散方程式
拡散方程式は、時間とともに密度が広がる様子を表す偏微分方程式である。ランダムウォークの多数回の平均挙動を連続化すると、この方程式に対応することが多い。個別の軌跡は不規則でも、集団の分布は滑らかな法則に従うという点で、両者は補完的である。
4.3 連続極限
連続極限では、歩幅と時間間隔を適切に小さくしながら、離散モデルを連続過程へ移す。これにより、単純な格子上の運動が、より一般的な確率モデルへと接続される。理論的には、近似の精度や収束の条件を明確にすることが重要となる。
4.3.1 ブラウン運動への収束
適切なスケーリングのもとでは、離散ランダムウォークはブラウン運動に収束する。これは、微小な独立変動の積み重ねが連続的な揺らぎへ変わることを示す基本的結果である。確率過程の理論では、離散と連続の架け橋として中心的な位置を占める。
4.3.2 スケーリング極限
スケーリング極限は、時間・空間の尺度を同時に調整したときに現れる極限挙動を指す。ランダムウォークでは、歩幅の縮小と観測時間の拡大を組み合わせることで、新しい連続モデルが得られる。こうした手法は、臨界現象や普遍的な振る舞いを調べる際にも用いられる。
</INTERNAL_LINK_CANDIDATES> マルコフ連鎖（現在の状態だけで次の遷移が決まる確率過程） ブラウン運動（連続時間の拡散的な確率過程） 拡散方程式（密度の広がりを表す偏微分方程式） 中心極限定理（多数の独立変数の和が正規分布へ近づく定理） 大数の法則（試行回数の増加で平均が安定する法則） 期待値（確率変数の平均的な値） 分散（値の散らばりを表す尺度） 再帰性（元の状態へ戻る性質） 非再帰性（元の状態へ戻らない性質） 統計力学（多数粒子系を統計的に扱う理論） 乱択アルゴリズム（確率を利用して動くアルゴリズム） グラフ探索（頂点や辺をたどって構造を調べる手法） 連続極限（離散モデルを連続モデルへ移す考え方） スケーリング極限（尺度調整後に現れる極限挙動）