KNOWECON WIKI

ARTICLE

概率母函数

概率母函数 (Probability Generating Function) 概率母函数（Probability Generating Function，简称 PGF）是刻画非负整数值随机变量分布的核心分析工具。对于取值于 N_0 = \0, 1, 2, \ 的离散型随机变量 X，其概率母函数定义为： 其中 s 为实变量，收敛域至少包含闭区间 [-1, 1

浏览 0 更新 2025-11-07

概率母函数 (Probability Generating Function)

概率母函数（Probability Generating Function，简称 PGF）是刻画非负整数值随机变量分布的核心分析工具。对于取值于 N0={0,1,2,…}\mathbb{N}_0 = \{0, 1, 2, \ldots\} 的离散型随机变量 XX，其概率母函数定义为：

GX(s)=E[sX]=∑k=0∞P(X=k) sk,∣s∣≤1G_X(s) = \mathbb{E}[s^X] = \sum_{k=0}^{\infty} \mathbb{P}(X = k) \, s^k, \quad |s| \leq 1

其中 ss 为实变量，收敛域至少包含闭区间 [−1,1][-1, 1]。因为幂级数系数恰为概率质量函数（PMF）{pk}k=0∞\{p_k\}_{k=0}^\infty，概率母函数实质上是对分布序列的生成函数编码，将无穷维的概率分布映射为一个在单位区间上解析的函数。当 ∣s∣<1|s| < 1 时级数绝对收敛；s=1s = 1 时 GX(1)=∑pk=1G_X(1) = \sum p_k = 1。

基本性质

概率母函数具备以下核心代数性质：

  1. 规范性：GX(1)=∑pk=1G_X(1) = \sum p_k = 1。
  2. 矩生成：对 GX(s)G_X(s) 在 s=1s = 1 处逐次求导可得阶乘矩（Factorial Moments）： \[ G_X^{(r)}(1) = \mathbb{E}[X(X-1)\cdots(X-r+1)] \] 特别地，一阶导数给出期望：E[X]=GX′(1)\mathbb{E}[X] = G_X'(1)；方差可通过 Var⁡(X)=GX′′(1)+GX′(1)−[GX′(1)]2\operatorname{Var}(X) = G_X''(1) + G_X'(1) - [G_X'(1)]^2 求得。
  3. 唯一性：若两个非负整数值随机变量的概率母函数在包含 0 的邻域内相等，则两者具有相同的分布。幂级数的系数唯一决定原分布。
  4. 独立和卷积：若 XX 与 YY 相互独立，则 GX+Y(s)=GX(s)⋅GY(s)G_{X+Y}(s) = G_X(s) \cdot G_Y(s)。这一乘性性质是处理独立随机变量之和的强大工具。
  5. 连续性定理：分布列的弱收敛等价于对应概率母函数在 [0,1][0, 1] 上的逐点收敛。

常见分布的概率母函数

  • 伯努利分布 X∼Bernoulli⁡(p)X \sim \operatorname{Bernoulli}(p)：GX(s)=q+psG_X(s) = q + ps，其中 q=1−pq = 1 - p。
  • 二项分布 X∼Binomial⁡(n,p)X \sim \operatorname{Binomial}(n, p)：GX(s)=(q+ps)nG_X(s) = (q + ps)^n，由独立伯努利试验的乘性直接可得。
  • 泊松分布 X∼Poisson⁡(λ)X \sim \operatorname{Poisson}(\lambda)：GX(s)=eλ(s−1)G_X(s) = e^{\lambda(s - 1)}。
  • 几何分布（第一次成功，参数 pp）：GX(s)=ps1−qsG_X(s) = \frac{ps}{1 - qs}，∣s∣<1/q|s| < 1/q。
  • 负二项分布（第 rr 次成功）：由独立几何变量的卷积得 GX(s)=(ps1−qs)rG_X(s) = \left(\frac{ps}{1 - qs}\right)^r。

与其它生成函数的关系

概率母函数与 矩母函数（MGF）和 特征函数 之间存在直接关联。矩母函数定义为 MX(t)=E[etX]M_X(t) = \mathbb{E}[e^{tX}]，令 et=se^t = s 即得 GX(s)=MX(ln⁡s)G_X(s) = M_X(\ln s)。特征函数 φX(t)=E[eitX]\varphi_X(t) = \mathbb{E}[e^{itX}] 则令 s=eits = e^{it} 关联：φX(t)=GX(eit)\varphi_X(t) = G_X(e^{it})。对于非负整数值随机变量，概率母函数通常比矩母函数更简洁——前者是有理函数或指数函数的有理组合，便于代数运算；后者的存在性需 tt 在一定范围内保证积分收敛。在涉及独立和的分布推导、离散 分支过程 灭绝概率计算以及 随机游走 首达时分析中，概率母函数因代数封闭性而优于 MGF。

典型应用

一、独立随机变量和的分布。设 Sn=X1+⋯+XnS_n = X_1 + \cdots + X_n，其中 XiX_i i.i.d. 且 PGF 为 GX(s)G_X(s)，则 GSn(s)=[GX(s)]nG_{S_n}(s) = [G_X(s)]^n。进一步可展开幂级数以直接读出 PMF。

二、随机个数的随机和。设 NN 为非负整数值随机变量，{Xi}\{X_i\} 为 i.i.d. 且与 NN 独立。则随机和 SN=∑i=1NXiS_N = \sum_{i=1}^N X_i 的概率母函数满足：

GSN(s)=GN(GX(s))G_{S_N}(s) = G_N(G_X(s))

这一复合公式在 分支过程、保险精算 中的聚合索赔模型以及排队论中具有核心地位。

三、分支过程中的灭绝概率。在 Galton-Watson 分支过程中，设后代数目分布的 PGF 为 G(s)G(s)，则灭绝概率 qq 是方程 q=G(q)q = G(q) 在 [0,1][0, 1] 内的最小非负根。这一结果将分布演化问题转化为不动点方程求解。

阶乘矩与中心矩的转换

概率母函数直接输出的是阶乘矩而非原始矩，但两者可通过组合恒等式相互转换。设随机变量 XX 的 rr 阶阶乘矩为 μ[r]=E[X(X−1)⋯(X−r+1)]=GX(r)(1)\mu_{[r]} = \mathbb{E}[X(X-1)\cdots(X-r+1)] = G_X^{(r)}(1)。利用斯特林数（Stirling Numbers of the Second Kind），可将原始矩表示为阶乘矩的线性组合：

E[Xr]=∑j=0rS(r,j) μ[j]\mathbb{E}[X^r] = \sum_{j=0}^{r} S(r, j) \, \mu_{[j]}

其中 S(r,j)S(r, j) 为第二类斯特林数，满足递推 S(r+1,j)=jS(r,j)+S(r,j−1)S(r+1, j) = jS(r, j) + S(r, j-1)。这一关系源于恒等式 xr=∑j=0rS(r,j)x(j)x^r = \sum_{j=0}^r S(r, j) x_{(j)}，其中 x(j)=x(x−1)⋯(x−j+1)x_{(j)} = x(x-1)\cdots(x-j+1) 为下降阶乘。反之，阶乘矩也可通过第一类斯特林数 s(r,j)s(r, j) 从原始矩表出：μ[r]=∑j=0rs(r,j)E[Xj]\mu_{[r]} = \sum_{j=0}^r s(r, j) \mathbb{E}[X^j]。这一双向转换在 矩方法 估计和 计数过程 的推断中实用价值显著。

概率母函数的展开与反演

从概率母函数恢复概率质量函数的核心方法是泰勒展开。由于 GX(s)G_X(s) 在 s=0s = 0 处的泰勒级数为 ∑pksk\sum p_k s^k，直接有：

pk=P(X=k)=GX(k)(0)k!p_k = \mathbb{P}(X = k) = \frac{G_X^{(k)}(0)}{k!}

但对复杂 PGF，逐次求导可能繁琐。另一种常用技术是部分分式分解：当 GX(s)G_X(s) 为有理函数时（如几何分布、负二项分布），可分解为 ∑Ai1−ris\sum \frac{A_i}{1 - r_i s} 的形式，再利用几何级数 11−rs=∑k=0∞rksk\frac{1}{1 - rs} = \sum_{k=0}^{\infty} r^k s^k 直接读出系数。对于整函数形式的 PGF（如泊松分布），则利用指数函数的幂级数展开即可。反演技巧在排队论中求解稳态分布的 zz-变换反演中直接对应。

分析层面的注意事项

概率母函数在 ∣s∣≤1|s| \leq 1 上一致收敛，但收敛半径 RR 可能严格大于 1（如泊松分布的收敛半径无穷大）。当 R>1R > 1 时，GX(s)G_X(s) 在更大区间上解析，其导数在 s=1s = 1 处的取值可通过从内部逼近（s↑1s \uparrow 1）由 Abel 连续性定理严格保证。若收敛半径恰好为 1 且存在重尾现象，则高阶矩可能不存在（表现为 GX(r)(1−)=∞G_X^{(r)}(1^-) = \infty），此时需慎用矩公式。

Abel 定理与 Tauber 定理 为概率母函数在边界的行为提供了理论支撑。Abel 定理保证若 ∑pk\sum p_k 收敛，则 lim⁡s↑1GX(s)=GX(1)\lim_{s \uparrow 1} G_X(s) = G_X(1)；反之，Tauber 定理在额外条件（如 pk≥0p_k \geq 0）下允许从边界行为推断级数的可和性。这一对定理构成了概率母函数作为分析桥梁的深层基础。

概率母函数与 Z-变换 有形式上的相似性，但前者定义在实数域上的级数展开，后者则为复分析框架，两者在信号处理与排队论中各有侧重。