スマートフォンの地図アプリで「あと15分で到着」と表示されるとき、アプリは現在地から目的地までの距離、道路の混雑状況、平均速度などを数式で処理し、到着時刻を予測している。
天気予報も同様だ。大気の温度、湿度、気圧、風速などの膨大なデータを、流体力学や熱力学の方程式に当てはめ、スーパーコンピュータで計算することで、明日の天気を予測している。
私たちの身の回りには、複雑な現象があふれている。これらをそのまま理解し、予測し、制御することは容易ではない。そこで、ある具体的な対象や現象を、重要な要素だけに注目して抽象化・簡略化し、数式や図、関数などの数学で表現する。この作られた表現を数学的モデルと呼び、対象の理解、要因分析、将来予測、さらには制御や最適化に役立てることができる。
実物をそのまま再現するのではなく、目的に応じて”本質だけを抜き出した点が重要である。
パターン認識とモデル化
数学的モデル化の第一歩は、現象の中にパターン（規則性）を見つけることである。たとえば、
- 気温が時間とともに上がったり下がったりする（周期的パターン）
- 売上が曜日によって似た動きをする（曜日効果）
- 身長と体重の間に一定の傾向がある（相関関係）
といった関係は、数値を並べたりグラフにしたりすることで見えてくる。パターンを見つけることで、「この現象はどのような数式で表せそうか」というモデル化の方向性が定まる。
人類が最初にモデル化に成功した現象の一つが、天体の運動である。古代の人々は、太陽や月、惑星の動きに周期的なパターンを見出し暦を作った。ケプラーは惑星の軌道が楕円であることを発見し、ニュートンはそれを万有引力の法則という数式で説明した。
このように、観察→パターン発見→数式化→検証という流れは、科学の基本的な方法論である。複雑な現象を理解するには、パターンを見つけて単純な法則に還元することが有効である。
モデル化の基本プロセス
数学的モデル化は、次のような流れで進められる。
1. 現象の観察・問題設定
何を理解したいのか、何を予測したいのかを明確にする。たとえば「この商品の売上をどう予測するか」「交通渋滞をどう緩和するか」といった具体的な問いを立てる。
2. 重要な要素の抽出と仮定
影響が大きい要因に絞り、無視できる要素は省く。すべてを考慮しようとすると複雑になりすぎて計算できなくなるため、適切な単純化が重要である。
たとえば、振り子の運動をモデル化する際、空気抵抗や糸の伸縮は無視することが多い。これは「影響が小さい」という判断に基づく仮定である。
3. 数学的表現
数式、関数、グラフ、表などで関係を表す。この段階で、抽象的だった問題が「計算可能な形」に変換される。
4. 解析・計算・予測
モデルを使って振る舞いを調べる。方程式を解く、グラフを描く、シミュレーションを行うなど、様々な手法がある。
5. 検証と改善
実データと比べ、必要に応じてモデルを修正する。予測が外れた場合、無視した要素を追加したり、別の数式を試したりする。
このように、数学的モデルは一度作って終わりではなく、現実との往復によって洗練されていく。科学・技術・社会はどう結びつき世界を動かすかで述べたように、科学的知識は社会と相互作用しながら発展する。
比例・反比例
最初に学ぶ重要なモデルが、比例と反比例である。
一方が2倍になると、もう一方も2倍になる関係。数式で表すと y = ax（aは比例定数）。
例：
- 商品の個数と合計金額（1個100円なら、10個で1000円）
- 一定速度で動くときの時間と距離（時速60kmなら、2時間で120km）
- 電流と電圧の関係（オームの法則：V = IR）
反比例
一方が2倍になると、もう一方は1/2になる関係。数式で表すと y = a/x。
例：
- 一定の仕事量を複数人で分担するときの人数と作業時間（10時間の仕事を2人でやれば5時間）
- 一定速度での移動距離と時間（100kmの道のりを時速50kmで走れば2時間、時速100kmなら1時間）
- 圧力と体積の関係（ボイルの法則：PV = 一定）
これらは現実を完全に表すわけではないが、条件を限定すれば非常によい近似となる。モデル化では、「どこまでが比例（反比例）で成り立つか」を考えることが重要である。比例のモデルには必ず適用限界がある。たとえば、「走る速度と心拍数は比例する」というモデルは、ある程度までは正しいが、最大心拍数を超えると破綻する。このように、数理モデルには必ず前提条件があり、その範囲内でのみ有効である。
関数とグラフによる表現
比例・反比例を一般化したものが関数である。関数を用いることで、
- 入力（原因）と出力（結果）の関係
- 変化の速さや増え方・減り方
を一目で理解できる。特にグラフは、モデルの理解に欠かせない道具である。
たとえば、距離と時間の関係をグラフにすると、
- グラフの傾きは速度を意味する
- グラフが曲線なら、速度が変化している（加速または減速）
- グラフが水平なら、停止している
このように、グラフを読むことで現象を直感的に理解することにつながる。
様々な関数とその応用
現実の現象は、単純な比例だけでは表せないことが多い。そこで登場するのが、
- 二次関数（y = ax²）：放物運動、面積の計算
- 三角関数（y = sin x）：波動、振動、周期現象
- 指数関数（y = aˣ）：増殖、減衰、複利計算
- 対数関数（y = log x）：桁の大きさ、感覚量
これらの関数は、それぞれ特定の現象をうまく表現できる。
たとえば、音は三角関数で、細菌の増殖は指数関数で、地震の規模は対数関数で表される。
指数関数とは
現実の多くの現象は、比例ではなく指数関数的成長で表される。指数関数では、最初はゆっくりでも、途中から急激に増加する。これが「指数関数的」という言葉が「爆発的」という意味で使われる理由である。
細菌やウイルスの増殖：1つの細菌が2つに分裂し、それぞれがまた2つに分裂する。1→2→4→8→16…と増える。
逆に、指数関数的減衰もある。放射性物質の崩壊は一定時間ごとに半分に減る（半減期）。
COVID-19の流行で数人だからと油断していると、あっという間に数千人、数万人になることをしった。数学的モデル化によって、この急激な変化の理由を説明し、将来のリスクを予測できる。
対数スケール（pH・dBなど）
値の幅が非常に大きい量を扱うことが多く、そのままでは比較しにくい。
対数は「何乗すればその数になるか」を表す。たとえば、
- log₁₀(100) = 2（10を2乗すると100）
- log₁₀(1000) = 3（10を3乗すると1000）
対数を使うと「10倍」「100倍」といった違いを加減算として扱えるようになる。
- pH：水素イオン濃度を対数で表す。pH7の中性からpH6の弱酸性は、水素イオンが10倍増えたことを意味する。
- デシベル（dB）：音の強さを対数で表す。音圧が10倍になると、音の大きさは20dB増える。静かな図書館が40dB、普通の会話が60dBなら、会話は図書館の100倍の音圧である。
- 地震のマグニチュード：揺れのエネルギーを対数で表す。マグニチュードが1増えると、エネルギーは約32倍になる。M7の地震はM5の地震の約1000倍のエネルギーを持つ。
- 天体の明るさ（等級）：明るさを対数で表す。1等星は6等星の約100倍明るい。
人間の感覚（音の大きさ、明るさ、重さなど）は、刺激の強さに対して対数的に反応する（ウェーバー・フェヒナーの法則）。対数スケールは、この人間の感覚に合った表現方法でもある。
モデルの限界と改善
数学的モデル化の価値は、計算ができることだけではない。数式にすることで、「何が何に影響しているのか」が明確になる。
たとえば、「売上 = 価格 × 販売数」という単純なモデルでも、「売上を増やすには価格を上げるか、販売数を増やすかのどちらかが必要」という構造が見える。
「気温が1度上がると売上が何%変わるか」「広告費を2倍にすると来客数がどう変わるか」といった定量的な分析ができる。これにより、根拠のある意思決定が可能になる。
「このまま行けば1年後にどうなるか」「対策を打てばどう変わるか」をシミュレーションできる。気候変動、経済政策、都市計画など、長期的な判断には数理モデルが不可欠である。
どんなに優れた数理モデルも、必ず限界がある。
モデルは現実を単純化したものである以上、無視された要素が結果に影響を与えることがある。たとえば、
- 天気予報のモデルは「初期条件のわずかな誤差が大きく影響する」（カオス理論）
- 感染症モデルは「人々の行動変化や変異株の出現を予測しきれない」
モデルの精度を上げるには、
- より多くのデータを集める
- 無視していた要素を追加する
- より複雑な数式を使う
- 機械学習やAIを活用する
といった方法がある。しかし、複雑にしすぎると「計算が重くなる」「解釈が難しくなる」というトレードオフが生じる。
良い数理モデルとは、
- 単純で理解しやすい（説明力）
- 予測精度が高い（実用性）
- 適用範囲が明確（信頼性）
の3つのバランスが取れたものである。データを正しく解釈し、モデルの限界を認識することが重要である。
複雑な関数を簡単な式で近似する
現実の現象は、しばしば複雑な関数で表される。しかし、複雑な関数のままでは計算が難しい。そこで登場するのがテーラー展開である。
テーラー展開は、どんなに複雑な関数でも「多項式の和」で近似する技術である。たとえば、
sin(x) ≈ x – x³/6 + x⁵/120 – …
xが小さいとき、最初の1項だけ取れば「sin(x) ≈ x」という非常に単純な近似が得られる。実際、角度が小さいとき、「sin(角度) ≈ 角度（ラジアン）」はよく使われる。
- 振り子の運動：振れ角が小さいとき、sin(θ) ≈ θ として単純な運動方程式が得られる
- 光学：レンズの近軸近似、光線が光軸に近いときの簡略化
- 統計学：確率分布の近似計算
- 工学：制御理論、信号処理での線形近似
テーラー展開の本質は「複雑なものを単純なものの組み合わせで理解する」という数学的モデル化の精神そのものである。
周期的な現象を分解する：フーリエ変換
音楽、電波、振動、画像など、周期的に変化する現象は身の回りに溢れている。これらを理解する道具がフーリエ変換である。
フーリエ変換は、複雑な波形を「単純な波（正弦波）の重ね合わせ」として分解する技術である。
たとえば、ピアノの「ド」の音は、基音（ド）だけでなく、その2倍、3倍、4倍…の周波数の音（倍音）が混ざっている。フーリエ変換を使えば、「この音にはどの周波数の成分がどれだけ含まれているか」が分かる。
- 音楽配信（MP3）：人間が聞き取りにくい周波数成分をカットして圧縮
- 画像圧縮（JPEG）：画像をフーリエ変換し、重要でない成分を削除
- 地震波の解析：揺れの周波数成分から地震の性質を推定
- MRI（磁気共鳴画像）：体内の水素原子が出す信号をフーリエ変換して画像化
- 携帯電話の通信：電波を複数の周波数に分けて同時に通信（OFDM）
スマートフォンで音楽を聴くとき、私たちは知らず知らずフーリエ変換の恩恵を受けている。
複雑な波形も、単純な波の重ね合わせと考えれば、それぞれの波を個別に処理できる。ノイズ除去、信号の強調、特徴の抽出など、様々な操作が可能になる。
科学で使われる重要な関数
数学的モデルでは、現象に応じた「道具箱」を持つことが重要である。科学の各分野で頻繁に使われる関数を紹介しよう。
ガウス関数（正規分布）
形：f(x) = exp(-x²)
自然界で最も頻繁に現れる形状。誤差、測定値のばらつき、身長や体重の分布など、多くの現象が正規分布に従う。「中心極限定理」により、多数の独立な要因が重なると正規分布に近づくためである。
- 統計学の基礎
- 量子力学の波動関数
- 画像処理のぼかし（ガウシアンフィルタ）
- 機械学習の確率モデル
統計とデータ分析で扱う多くの手法は、正規分布を前提としている。
ロジスティック関数（シグモイド関数）
形：f(x) = 1 / (1 + e⁻ˣ)
指数関数的に増加するが、ある上限に近づくと成長が鈍化する。現実の成長は無限には続かないため、指数関数より現実的なモデルとなる。
- 人口成長（資源の制約）
- 感染症の流行曲線（感受性者の減少）
- 市場の普及率（携帯電話、インターネット）
- 機械学習（ニューラルネットワークの活性化関数）
べき乗則（パレートの法則、ジップの法則）
形：f(x) = x⁻ᵅ
「上位20%が全体の80%を占める」というパレートの法則は、べき乗則の一例である。
- 都市の人口分布
- 地震の規模と頻度（大きな地震ほど稀）
- 所得の分布
- インターネットのリンク構造
- 言葉の出現頻度
双曲線関数（sinh, cosh, tanh）
形：sinh(x) = (eˣ – e⁻ˣ)/2, cosh(x) = (eˣ + e⁻ˣ)/2
指数関数の組み合わせで作られる関数で、懸垂線（ロープや電線のたるみ）
微分方程式：変化の法則を表す
「変化率がどう決まるか」を表す式が微分方程式である。多くの物理法則は微分方程式で表される。
- ニュートンの運動方程式：F = ma（加速度は力に比例）
- 熱伝導方程式：熱の移動
- 波動方程式：音波、光波、地震波
- シュレーディンガー方程式：量子力学の基礎
微分方程式を解くことは、「初期状態から未来を予測する」ことに等しい。天気予報、ロケットの軌道計算、株価の変動モデルなど、すべて微分方程式に基づいている。
モデルの「解像度」を変える：離散化と連続化
数理モデルには、離散的（とびとびの値）と連続的（滑らかにつながる値）の2種類がある。
離散モデル：デジタルの世界
コンピュータは離散的な値しか扱えない。画像はピクセルの集まり、音楽はサンプリングされた数値の列である。
- 差分方程式：連続的な微分方程式を離散化したもの
- セルオートマトン：ライフゲームなど、離散的なルールで複雑なパターンを生成
- グラフ理論：ネットワーク、SNS、交通網のモデル化
自然現象の多くは連続的に変化する。微分積分はこの連続性を扱う数学である。
- 微分方程式：物理法則の多くがこの形
- 流体力学：水や空気の流れ
- 場の理論：電磁場、重力場
現代の科学計算では、連続的な方程式を離散化してコンピュータで解く。これを数値解析という。逆に、離散的なデータから連続的な関数を推定する補間や回帰分析も重要である。
次元を変えて考える：次元削減と主成分分析
データが高次元（変数が多い）だと、人間には理解しにくい。そこで、重要な情報を保ちながら次元を減らす技術が使われる。
主成分分析（PCA）
たとえば、100種類の検査項目があっても、実際には「健康度」「代謝能力」など、少数の要因で説明できることが多い。主成分分析は、多次元データを2〜3次元に圧縮し、可視化や分析を容易にする。
- 遺伝子発現データの解析
- 画像の圧縮
- 市場調査データの要約
- 顔認識技術
確率モデル：不確実性を数式で扱う
現実の現象には常に不確実性がある。完全に予測できないからといって諦めるのではなく、「確率的にどうなりそうか」をモデル化する。
ランダムウォーク（酔歩）
ランダムに動く粒子のモデル。株価の変動、分子の拡散、検索エンジンのPageRankアルゴリズムなど、幅広く応用される。
モンテカルロ法
確率的シミュレーションを大量に行い、結果を統計的に評価する手法。複雑すぎて解析的に解けない問題でも、コンピュータで「何度も試してみる」ことで答えを得る。
- 金融工学（オプション価格の計算）
- 放射線治療の線量計算
- 気候変動シミュレーション
- 原子炉の中性子の動き
同じ現象を違う「言葉」で表す：座標系と表現の多様性
数理モデルには「唯一の正解」があるわけではない。同じ現象でも、見方を変えれば違う数式で表現できる。これは数学の柔軟性であり、強みでもある。
極座標：円や回転を扱うなら
通常、位置を表すには「横にどれだけ、縦にどれだけ」というデカルト座標（x, y）を使う。しかし、円運動や回転を扱う場合、極座標（r, θ）の方が遥かに便利である。
極座標では、原点からの距離rと角度θで位置を表す。たとえば、
- 円の方程式：デカルト座標では「x² + y² = r²」だが、極座標なら単に「r = 一定」
- 渦巻き：極座標で「r = aθ」と書けば、美しい渦巻き模様が描ける
台風の進路予測、天体の軌道計算、レーダーの探知範囲など、中心からの距離と方向が重要な現象では、極座標が自然な表現となる。
球座標：宇宙や地球を扱うなら
地球上の位置を表すには、緯度と経度という球座標を使う。これも極座標を3次元に拡張したものだ。GPS、気象衛星、天文観測など、球面上の現象を扱う場合は球座標が必須である。
「どの座標系を選ぶか」は、問題の性質によって決まる。適切な座標系を選ぶことで、複雑な問題が驚くほど単純になることがある。
まとめ
私たちの社会は、無数の数理モデルに支えられている。気象予報、交通システム、医療診断、経済予測、インターネットの通信、スマートフォンのアプリ――すべてに数理モデルが使われている。
重要なのは、同じ現象でも複数の見方があり、それぞれに適した数学的表現があるということだ。円を扱うなら極座標、波を扱うならフーリエ変換、複雑な関数なら多項式近似――問題に応じて道具を使い分ける柔軟性が、数学的モデル化の真髄である。
これからの時代、数理モデルを「作る人」だけでなく、「使う人」「評価する人」もまた、その仕組みを理解することが求められる。数学的モデル化の考え方を身につけることは、現代社会を生き抜くための重要なリテラシーなのである。
数学は抽象的な学問ではなく、現実を理解し、未来を予測し、より良い意思決定をするための「実用的な言語」である。 その言葉を学ぶことで、世界はより豊かに、より深く見えてくるはずだ。
関連記事
要素還元アプローチとシステム科学 ― モデル化の基礎となる科学的思考法
統計とデータ分析―数字にだまされず、世界を「確からしく」読む技術 ― 数理モデルの次は、データをどう読み解くかを学ぶ
科学・技術・社会はどう結びつき世界を動かすか ― 数理モデルが社会でどう使われるかを理解する
医療は不確実性の中で失敗を減らす技術 ― 医療における数理モデルの役割
生活の化学―洗う・消す・守る・作るを支配する分子のふるまい ― 化学反応の数理モデル
環境化学―汚れる理由と、戻せる仕組みを化学で読む ― 環境問題を数理モデルで考える
コメント