はじめに：ランダム性を理解する

確率過程（Stochastic Processes）の学習の旅へようこそ！名前を聞くと少し難しそうに感じるかもしれませんが、心配はいりません。皆さんはすでに、直感的にその概念を理解しています。アクチュアリー科学の世界では、次に何が起こるかを正確に予測することはほとんどできません。保険金請求がいつ発生するか、あるいは明日の株価がいくらになるかを正確に当てることはできないのです。 確率過程とは、確率変数が時間の経過とともにどのように変化するかをモデル化するための数学的な手法です。これを「ランダムなスナップショット（静止画）」ではなく、「ランダムな映画」のように捉えてみてください。この章を終える頃には、さまざまなプロセスの種類を分類し、それらを動かす基本的な性質を理解できるようになっているはずです。

1. 確率過程とは？

簡単に言うと、確率過程とは時間によってインデックス（添え字）付けられた確率変数の集まりのことです。通常、これは \( \{X_t : t \in T\} \) と表記されます。 構成要素： 1. 状態空間（State Space, \(S\)）： 確率変数が取り得るすべての値の集合です。例えば、行列に並んでいる人数を数える場合、状態空間は \( \{0, 1, 2, ...\} \) となります。 2. 指標集合（Index Set, \(T\)）： 時間を表します。これは離散的（例：毎日正午）な場合もあれば、連続的（例：あらゆる瞬間）な場合もあります。 実生活での例え： 潮位の変化を追いかけていると想像してください。「状態空間」は潮位として考え得るすべての値（例：0メートルから10メートルまで）です。「指標集合」は一日の時刻です。潮位はどの微小な時間でも測定できるため、これは連続時間過程となります。

2. 確率過程の分類

試験でよくある課題の一つが、プロセスの種類の特定です。これは時間と状態空間がそれぞれ離散的か連続的かによって分類します。

A. 離散時間、離散状態空間

例： 保険会社が毎日受け取る請求件数。 時間は段階的に進み（1日目、2日目）、請求件数は整数となります。

B. 連続時間、離散状態空間

例： 年初から時刻 \(t\) までの累積請求件数。 請求はどの瞬間にも発生し得ますが（連続時間）、累積件数は常に整数です（離散状態）。

C. 離散時間、連続状態空間

例： 各日の終値株価。 時間は離散的（日次）ですが、株価は小数点以下の値を取り得ます（連続）。

D. 連続時間、連続状態空間

例： 一日中絶えず測定される国債の利回り。 時間も値も、範囲内のあらゆる数値を取り得ます。
クイックレビュー：2x2のグリッド
- 離散時間： 時間は点列： \( t = 0, 1, 2... \) - 連続時間： 時間は区間： \( [0, \infty) \) - 離散状態： 値は数えられる（0, 1, 2...）。 - 連続状態： 値は範囲内のあらゆる実数。

3. 確率過程の重要な性質

これらのプロセスを扱いやすくするために、特定の「振る舞い」や性質に注目します。

マルコフ性（Markov Property）

これはCS2において最も重要な概念と言っても過言ではありません。プロセスがマルコフ性を持つとは、未来の状態が現在の状態のみに依存し、そこに至るまでの経路には依存しないことを指します。 金魚の例え： 水槽の中の金魚を想像してください。10秒後に金魚がどこにいるかを予測するには、「今」どこにいるかを知るだけで十分です。5分前にどこにいたかという情報は、予測には役立ちません。このプロセスの「記憶」は、たった一歩分しかないのです。 数式では： \( P(X_{t+n} = y | X_t = x, X_{t-1} = x_{t-1}, ..., X_0 = x_0) = P(X_{t+n} = y | X_t = x) \)

定常性（Stationarity）

時間が経過しても統計的性質が変化しないプロセスを「定常」と呼びます。知っておくべき主な種類は2つあります。 1. 強定常性（Strict Stationarity）： 時間をずらしても、同時分布全体が変わらないこと。これは非常に制限が強く、現実の世界では稀です。 2. 弱定常性（Weak or Second-Order Stationarity）： 最初の2つの「モーメント」のみに着目します。 - 平均 \( E[X_t] \) が一定であること（\(t\) に依存しない）。 - 二つの時点間の共分散 \( Cov(X_t, X_{t+k}) \) が、実際の時刻（\(t\)）ではなく、二点間のラグ（時間差 \(k\)）のみに依存すること。
難しく感じても大丈夫です…
定常プロセスを噴水に例えてみてください。個々の水滴は動いていますが（ランダム性）、噴水全体の「形」や「高さ」は時間の経過とともに変わらず一定に見えますよね。

4. 増分：時間の経過に伴う変化

プロセスを研究する際、一定期間の変化量である増分（Increments）をよく調べます： \( X_{t+s} - X_t \)。 独立増分： 重なり合わない時間区間におけるプロセスの変化が独立していること。例えば、午前9時から10時までの請求件数は、午後2時から3時までの請求件数に影響を与えません。 定常増分： 変化量の分布が、開始時刻ではなく、時間間隔の長さのみに依存すること。月曜の朝であっても金曜の夜であっても、どの1時間という時間枠においても、請求件数は同じ分布に従います。

5. 覚えておくべき代表的な例

ランダムウォーク（Random Walk）

直線上に人が立っていると想像してください。1秒ごとにコインを投げます。表なら右にステップ（+1）、裏なら左にステップ（-1）します。 - これは離散時間、離散状態過程です。 - マルコフ過程の典型例です。

ポアソン過程（Poisson Process）

イベント（保険金請求や電話の着信など）の到着をモデル化するために使用されます。 - 独立増分を持ちます。 - 連続時間、離散状態過程です。

6. よくある間違い

- 状態と時間の混同： 常に自分に問いかけてください。「今、何を測定しているのか？」（状態）と「いつ測定しているのか？」（時間）。 - すべてのプロセスをマルコフと仮定する： 過去10ステップが影響を与えるような「長い記憶」を持つプロセスもあります。これらはマルコフ的ではありません。 - 増分の混同： 独立増分は時間区間同士の関係性を指し、定常増分は変化量そのものの分布を指すことを思い出してください。

まとめと重要なポイント

- 確率過程とは、時間に沿った確率変数の列です。 - プロセスは時間（離散/連続）と状態空間（離散/連続）で分類されます。 - マルコフ性とは、現在が与えられれば、未来は過去から独立であるということです。 - 弱定常性には、一定の平均と、タイムラグのみに依存する共分散が必要です。 - 独立増分とは、ある時間枠で何が起きても、他の時間枠には影響しないことを意味します。 学習のヒント： 新しいプロセスに出会ったら、必ずグラフを描いてみてください。横軸（時間）が点々なら離散時間、縦軸（値）が点々なら離散状態空間です！