{
  "id": "probability-generating-function",
  "title": "概率生成函数",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "概率生成函数以幂级数编码非负整数值随机变量的分布，可用于计算概率、矩及随机变量之和的分布。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "概率母函数"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/probability-generating-function/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/probability-generating-function/",
      "json": "https://aiwiki.page/en/probability-generating-function.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "概率生成函数（PGF）是一种生成函数，其系数为非负整数值随机变量取各个值的概率。它用一个函数表示整个概率分布。其代数性质和解析性质使其特别适合研究计数、独立随机变量之和、随机项数的和以及种群模型。"
    },
    {
      "heading": "定义与定义域",
      "text": "设 \\(X\\) 的取值范围为 \\(\\{0,1,2,\\ldots\\}\\)，其概率质量函数为\n\n\\[p_n=\\Pr(X=n).\\]\n\n\\(X\\) 的概率生成函数定义为\n\n\\[G_X(s)=\\mathbb E[s^X] =\\sum_{n=0}^{\\infty}p_n s^n,\\]\n\n其中，\\(\\mathbb E\\) 表示期望值。当 \\(s=0\\) 时，规定 \\(X=0\\) 对应的项为 \\(1\\)，因此 \\(G_X(0)=p_0\\)。\n\n尽管在许多概率论应用中，只需考虑实数自变量 \\(0\\le s\\le1\\)，但也可以将概率生成函数视为以复数为自变量的函数。定义它的幂级数对所有 \\(|s|\\le1\\) 都绝对收敛，因为\n\n\\[\\sum_{n=0}^{\\infty}|p_ns^n| \\le \\sum_{n=0}^{\\infty}p_n=1.\\]\n\n因此，它的收敛半径至少为 \\(1\\)。它在开单位圆盘内是解析函数，并且在闭单位圆盘上连续。\n\n收敛半径可能大于 \\(1\\)，但并不一定如此。有限支撑分布的概率生成函数是多项式，而尾部足够重的分布，其概率生成函数的收敛半径可能恰好为 \\(1\\)。\n\n幂级数\n\n\\[G(s)=\\sum_{n=0}^{\\infty}a_ns^n\\]\n\n是概率生成函数，当且仅当其各项系数非负且总和为 \\(1\\)。"
    },
    {
      "heading": "还原概率",
      "text": "概率生成函数的系数恰好就是它所编码的概率。具体而言，\n\n\\[\\Pr(X=n)=\\frac{G_X^{(n)}(0)}{n!}, \\qquad n=0,1,2,\\ldots,\\]\n\n其中 \\(G_X^{(0)}=G_X\\)。因此，概率生成函数唯一确定其对应的分布。\n\n采用系数提取记号，可写为\n\n\\[[s^n]G_X(s)=\\Pr(X=n).\\]\n\n例如，若\n\n\\[G_X(s)=\\frac14+\\frac12s+\\frac14s^2,\\]\n\n则 \\(X\\) 分别以概率 \\(1/4,1/2,1/4\\) 取值 \\(0,1,2\\)。\n\n累积概率也可以从生成函数中提取。对于 \\(|s|<1\\)，有\n\n\\[\\frac{G_X(s)}{1-s} = \\sum_{n=0}^{\\infty}\\Pr(X\\le n)s^n.\\]\n\n类似地，\n\n\\[\\frac{1-G_X(s)}{1-s} = \\sum_{n=0}^{\\infty}\\Pr(X>n)s^n.\\]\n\n第二个恒等式给出尾和公式\n\n\\[\\mathbb E[X]=\\sum_{n=0}^{\\infty}\\Pr(X>n),\\]\n\n其中两边都允许为无穷大。"
    },
    {
      "heading": "基本性质",
      "text": "每个概率生成函数都满足\n\n\\[G_X(0)=\\Pr(X=0), \\qquad G_X(1)=1.\\]\n\n在区间 \\([0,1]\\) 上，概率生成函数单调不减且为凸函数。在 \\(0<s<1\\) 内，其各阶导数均非负，因为逐项求导可得\n\n\\[G_X^{(k)}(s) = \\sum_{n=k}^{\\infty} n(n-1)\\cdots(n-k+1)p_ns^{n-k}.\\]\n\n概率生成函数在某些特定复数处的取值可以揭示分布的算术特征。例如，\n\n\\[G_X(-1) = \\Pr(X\\text{ is even})-\\Pr(X\\text{ is odd}),\\]\n\n因此\n\n\\[\\Pr(X\\text{ is even})=\\frac{1+G_X(-1)}2.\\]\n\n更一般地，概率生成函数在单位根处的取值可以确定各剩余类的概率。若 \\(\\omega=e^{2\\pi i/m}\\)，则\n\n\\[\\Pr(X\\equiv r\\pmod m) = \\frac1m\\sum_{j=0}^{m-1} \\omega^{-jr}G_X(\\omega^j).\\]\n\n这是一个有限的离散傅里叶变换反演恒等式。"
    },
    {
      "heading": "阶乘矩、均值与方差",
      "text": "在 \\(s=1\\) 处求导可得到阶乘矩。将下降阶乘定义为\n\n\\[(X)_k=X(X-1)\\cdots(X-k+1).\\]\n\n则\n\n\\[G_X^{(k)}(1-)=\\mathbb E[(X)_k].\\]\n\n记号 \\(1-\\) 表示 \\(s\\) 从下方递增趋于 \\(1\\) 时的极限。即使相关的矩不有限，这些恒等式仍然成立，此时取值为 \\(+\\infty\\)。\n\n特别地，\n\n\\[\\mathbb E[X]=G_X'(1-)\\]\n\n且\n\n\\[\\mathbb E[X(X-1)]=G_X''(1-).\\]\n\n当二阶矩有限时，方差为\n\n\\[\\operatorname{Var}(X) = G_X''(1-)+G_X'(1-) -\\bigl(G_X'(1-)\\bigr)^2.\\]\n\n这可由 \\(X^2=X(X-1)+X\\) 得出。\n\n普通矩也可以通过微分算子\n\n\\[D=s\\frac{d}{ds}\\]\n\n求得。由于 \\(D(s^n)=ns^n\\)，有\n\n\\[\\mathbb E[X^k] = \\lim_{s\\uparrow1}D^kG_X(s).\\]\n\n因此，即使随机变量的均值或更高阶矩为无穷大，其概率生成函数也总是在 \\([0,1]\\) 上存在。"
    },
    {
      "heading": "典型示例",
      "text": "伯努利分布\n\n对于成功概率为 \\(p\\) 的伯努利分布随机变量，\n\n\\[\\Pr(X=0)=1-p,\\qquad \\Pr(X=1)=p,\\]\n\n且\n\n\\[G_X(s)=1-p+ps.\\]\n\n二项分布\n\n若 \\(X\\) 服从参数为 \\(n\\) 和 \\(p\\) 的二项分布，则\n\n\\[G_X(s)=(1-p+ps)^n.\\]\n\n各项系数可由二项式定理求出。求导可得\n\n\\[\\mathbb E[X]=np, \\qquad \\operatorname{Var}(X)=np(1-p).\\]\n\n泊松分布\n\n对于参数为 \\(\\lambda\\ge0\\) 的泊松分布，\n\n\\[G_X(s) = \\sum_{n=0}^{\\infty} e^{-\\lambda}\\frac{\\lambda^n}{n!}s^n = e^{\\lambda(s-1)}.\\]\n\n因此，\n\n\\[\\mathbb E[X]=\\operatorname{Var}(X)=\\lambda.\\]\n\n几何分布\n\n假设每次独立试验的成功概率为 \\(p\\)，其中 \\(0<p\\le1\\)，而 \\(X\\) 表示首次成功之前的失败次数。则\n\n\\[\\Pr(X=n)=p(1-p)^n,\\qquad n\\ge0,\\]\n\n利用等比级数可得\n\n\\[G_X(s)=\\frac{p}{1-(1-p)s}.\\]\n\n如果随机变量表示直到首次成功为止的试验次数，且包括首次成功的那次试验，那么其概率生成函数为\n\n\\[\\frac{ps}{1-(1-p)s}.\\]\n\n这一区别对应于几何分布的两种常见约定。"
    },
    {
      "heading": "独立随机变量之和与卷积",
      "text": "若 \\(X\\) 与 \\(Y\\) 满足统计独立性，则\n\n\\[G_{X+Y}(s) = \\mathbb E[s^{X+Y}] = \\mathbb E[s^X]\\mathbb E[s^Y] = G_X(s)G_Y(s).\\]\n\n概率生成函数的乘法对应于概率质量函数的卷积：\n\n\\[\\Pr(X+Y=n) = \\sum_{k=0}^{n}\\Pr(X=k)\\Pr(Y=n-k).\\]\n\n对于相互独立的 \\(X_1,\\ldots,X_m\\)，有\n\n\\[G_{X_1+\\cdots+X_m}(s) = \\prod_{j=1}^{m}G_{X_j}(s).\\]\n\n如果它们同分布，且概率生成函数均为 \\(G\\)，则上式变为 \\(G(s)^m\\)。\n\n例如，参数分别为 \\(\\lambda_1,\\ldots,\\lambda_m\\) 的独立泊松随机变量，其和的概率生成函数为\n\n\\[\\prod_{j=1}^{m}e^{\\lambda_j(s-1)} = e^{(\\lambda_1+\\cdots+\\lambda_m)(s-1)},\\]\n\n由此可知，该和服从参数为 \\(\\lambda_1+\\cdots+\\lambda_m\\) 的泊松分布。\n\n若不具备独立性，上述乘法法则一般不成立。"
    },
    {
      "heading": "随机和与稀疏化",
      "text": "随机和\n\n设 \\(N\\) 为非负整数值随机变量，\\(X_1,X_2,\\ldots\\) 为独立同分布的非负整数值随机变量，且整个序列与 \\(N\\) 独立。定义\n\n\\[S=\\sum_{j=1}^{N}X_j,\\]\n\n并约定当 \\(N=0\\) 时，\\(S=0\\)。\n\n以 \\(N\\) 为条件计算可得\n\n\\[G_S(s) = \\mathbb E[G_X(s)^N] = G_N(G_X(s)).\\]\n\n因此，随机和对应于概率生成函数的函数复合。\n\n当相关的矩有限时，\n\n\\[\\mathbb E[S]=\\mathbb E[N]\\mathbb E[X_1]\\]\n\n且\n\n\\[\\operatorname{Var}(S) = \\mathbb E[N]\\operatorname{Var}(X_1) + \\operatorname{Var}(N)\\bigl(\\mathbb E[X_1]\\bigr)^2.\\]\n\n若 \\(N\\) 服从参数为 \\(\\lambda\\) 的泊松分布，则所得的复合泊松分布具有概率生成函数\n\n\\[G_S(s)=\\exp\\!\\left(\\lambda(G_X(s)-1)\\right).\\]\n\n独立稀疏化\n\n假设有 \\(X\\) 个对象，每个对象都以概率 \\(p\\) 独立地被保留。若 \\(Y\\) 为保留下来的对象数，则给定 \\(X=n\\) 时，\\(Y\\) 的条件分布为二项分布：\n\n\\[Y\\mid X=n\\sim\\operatorname{Binomial}(n,p).\\]\n\n因此，\n\n\\[G_Y(s)=G_X(1-p+ps).\\]\n\n特别地，对均值为 \\(\\lambda\\) 的泊松计数进行稀疏化，所得计数仍服从泊松分布，均值为 \\(p\\lambda\\)。"
    },
    {
      "heading": "分枝过程",
      "text": "概率生成函数在分枝过程中起着核心作用。在 Galton–Watson 过程中，每个个体独立地产生随机数量的子代，且子代数量具有相同的概率生成函数 \\(f\\)。设 \\(Z_n\\) 为第 \\(n\\) 代的种群数量，初始数量为 \\(Z_0=1\\)。\n\n给定 \\(Z_n\\) 后，下一代的种群数量是 \\(Z_n\\) 个独立子代数量之和。因此，\n\n\\[G_{Z_{n+1}}(s)=G_{Z_n}(f(s)),\\]\n\n且\n\n\\[G_{Z_n}(s)=f^{\\circ n}(s),\\]\n\n其中，\\(f^{\\circ n}\\) 表示 \\(n\\) 次复合，而非普通乘方。\n\n截至第 \\(n\\) 代已经灭绝的概率为\n\n\\[\\Pr(Z_n=0)=f^{\\circ n}(0).\\]\n\n最终灭绝概率 \\(q\\) 是不动点方程\n\n\\[q=f(q).\\]\n\n在 \\([0,1]\\) 内的最小解。\n\n记平均子代数为 \\(m=f'(1-)\\)，则：\n\n- 若 \\(m<1\\)，灭绝概率为 \\(1\\)。\n- 若 \\(m=1\\)，灭绝概率为 \\(1\\)，但每个个体都恰好产生一个子代的情形除外。\n- 若 \\(m>1\\)，灭绝概率小于 \\(1\\)。"
    },
    {
      "heading": "多元概率生成函数",
      "text": "对于非负整数值随机变量 \\(X_1,\\ldots,X_d\\)，联合概率生成函数为\n\n\\[G(s_1,\\ldots,s_d) = \\mathbb E\\!\\left[\\prod_{j=1}^{d}s_j^{X_j}\\right].\\]\n\n其系数编码了这些变量的联合概率分布。\n\n将除 \\(s_i\\) 之外的所有自变量设为 \\(1\\)，即可得到 \\(X_i\\) 的边缘概率生成函数。将所有自变量都设为 \\(s\\)，即可得到 \\(X_1+\\cdots+X_d\\) 的概率生成函数，无论这些随机变量是否独立。\n\n混合偏导数给出混合阶乘矩。对于不同的 \\(i\\) 和 \\(j\\)，若二阶矩有限，则\n\n\\[\\operatorname{Cov}(X_i,X_j) = \\frac{\\partial^2G}{\\partial s_i\\partial s_j}(\\mathbf1) - \\frac{\\partial G}{\\partial s_i}(\\mathbf1) \\frac{\\partial G}{\\partial s_j}(\\mathbf1),\\]\n\n其中，边界处的导数理解为从定义域内部趋近边界时的极限。\n\n这些随机变量相互独立，当且仅当联合概率生成函数可分解为各边缘概率生成函数的乘积。"
    },
    {
      "heading": "相关变换与局限性",
      "text": "矩生成函数\n\n\\[M_X(t)=\\mathbb E[e^{tX}]\\]\n\n与概率生成函数的关系为\n\n\\[M_X(t)=G_X(e^t)\\]\n\n其中要求相应的期望值有限。概率生成函数在 \\([0,1]\\) 上总是有限的，而 \\(M_X(t)\\) 对任何正的 \\(t\\) 都可能不有限。\n\n特征函数（概率论）满足\n\n\\[\\varphi_X(t)=G_X(e^{it}),\\]\n\n而拉普拉斯变换满足\n\n\\[\\mathbb E[e^{-tX}]=G_X(e^{-t}), \\qquad t\\ge0.\\]\n\n普通概率生成函数专门适用于非负整数值随机变量。对于可以取负整数值的随机变量，通常需要使用含负幂的级数；对于非整数值随机变量，则使用其他变换更为自然。\n\n虽然概率生成函数能够确定每个取值的概率，但提取高阶系数在计算上可能很困难。反复进行数值微分可能不稳定；根据函数的表示形式，采用系数递推、符号展开或基于傅里叶变换的方法可能更合适。将函数解析延拓到原收敛圆盘之外时也须谨慎：延拓后的函数值未必等于有限的期望值 \\(\\mathbb E[s^X]\\)。"
    }
  ],
  "links": [
    "generating-function",
    "random-variable",
    "probability-distribution",
    "probability-mass-function",
    "expected-value",
    "complex-number",
    "power-series",
    "analytic-function",
    "discrete-fourier-transform",
    "variance",
    "bernoulli-distribution",
    "binomial-distribution",
    "binomial-theorem",
    "poisson-distribution",
    "geometric-series",
    "statistical-independence",
    "convolution",
    "function-composition",
    "conditional-probability",
    "fixed-point",
    "joint-probability-distribution",
    "laplace-transform"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}