KNOWECON WIKI

ARTICLE

概率生成函数

概率生成函数 概率生成函数 (Probability Generating Function, PGF) 是研究取非负整数值的离散随机变量的核心工具。它将一个随机变量的全部概率质量编码进一个单一的幂级数中，使得分布的性质——特别是各阶矩和独立随机变量之和的分布——可以通过函数的解析性质优雅地推导出来。通常记作 G_X(t) 或 _X(t)。 定义 设 X 是

浏览 0 更新 2025-10-26

概率生成函数

概率生成函数 (Probability Generating Function, PGF) 是研究取非负整数值的离散随机变量的核心工具。它将一个随机变量的全部概率质量编码进一个单一的幂级数中，使得分布的性质——特别是各阶矩和独立随机变量之和的分布——可以通过函数的解析性质优雅地推导出来。通常记作 GX(t)G_X(t) 或 ΠX(t)\Pi_X(t)。

定义

设 XX 是一个取非负整数值的随机变量，其概率质量函数为 pk=P(X=k),  k=0,1,2,…p_k = P(X = k),\; k = 0, 1, 2, \ldots。则 XX 的概率生成函数定义为：

GX(t)=E[tX]=∑k=0∞pk⋅tkG_X(t) = E[t^X] = \sum_{k=0}^{\infty} p_k \cdot t^k

其中 tt 是一个实变量。该幂级数至少在 ∣t∣≤1|t| \le 1 上绝对收敛，因为 ∑k=0∞pk=1\sum_{k=0}^\infty p_k = 1。当 ∣t∣≤1|t| \le 1 时，∣GX(t)∣≤∑pk∣t∣k≤∑pk=1|G_X(t)| \le \sum p_k |t|^k \le \sum p_k = 1。

从另一个角度看，GX(t)G_X(t) 中 tkt^k 的系数就是 pk=P(X=k)p_k = P(X = k)，因此 PGF 本质上是对概率分布的一种编码——给定 PGF，分布就被唯一确定。

收敛半径与解析性质

概率生成函数 GX(t)=∑k=0∞pktkG_X(t) = \sum_{k=0}^\infty p_k t^k 是一个以 t=0t=0 为中心的幂级数。因为系数 pkp_k 非负且 ∑pk=1\sum p_k = 1，该幂级数的收敛半径至少为 1。事实上，由Cauchy-Hadamard 定理，收敛半径 R=1/lim sup⁡pkkR = 1 / \limsup \sqrt[k]{p_k}。由于 pk≤1p_k \le 1，必有 R≥1R \ge 1。

当 R>1R > 1 时，GX(t)G_X(t) 在包含 [−1,1][-1, 1] 的更宽区间上解析，所有阶导数均存在，意味着 XX 的所有阶乘矩均为有限。典型的例子是 Poisson 分布，其 PGF eλ(t−1)e^{\lambda(t-1)} 在整个复平面上解析。当 R=1R = 1 时，GX(t)G_X(t) 在 (−1,1)(-1, 1) 内解析，但在 t=1t = 1 处仅左连续且可求各阶左导数（作为 t↑1t \uparrow 1 的极限），这使得即使某些高阶矩不存在，低阶矩仍可通过上述极限提取。

这一收敛保证是 PGF 相比 MGF 的一大优势：PGF 总是在 ∣t∣<1|t| < 1 内良好定义，而 MGF 在某些参数值下可能对任何 s>0s > 0 都发散。

基本性质

边界值与概率提取： GX(1)=∑k=0∞pk=1G_X(1) = \sum_{k=0}^\infty p_k = 1，这是全概率公理的直接体现。GX(0)=p0G_X(0) = p_0，即随机变量取零值的概率。更一般地，单个概率 pkp_k 可以通过反复求导并取 t=0t=0 提取：

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

这与泰勒级数的系数公式一致，意味着 PGF 完全编码了分布。

阶乘矩的提取： PGF 的核心优势在于可以通过求导提取阶乘矩。对 GX(t)G_X(t) 逐项求导并令 t↑1t \uparrow 1：

GX′(1)=lim⁡t↑1∑k=1∞kpktk−1=∑k=1∞kpk=E[X]G_X'(1) = \lim_{t \uparrow 1} \sum_{k=1}^\infty k p_k t^{k-1} = \sum_{k=1}^\infty k p_k = E[X]
GX′′(1)=∑k=2∞k(k−1)pk=E[X(X−1)]G_X''(1) = \sum_{k=2}^\infty k(k-1) p_k = E[X(X-1)]

一般地，rr 阶阶乘矩 E[X(X−1)⋯(X−r+1)]=GX(r)(1)E[X(X-1)\cdots(X-r+1)] = G_X^{(r)}(1)。由此可以恢复任意阶的原始矩：E[X]=GX′(1)E[X] = G_X'(1)，E[X2]=GX′′(1)+GX′(1)E[X^2] = G_X''(1) + G_X'(1)，进而 Var(X)=GX′′(1)+GX′(1)−[GX′(1)]2\text{Var}(X) = G_X''(1) + G_X'(1) - [G_X'(1)]^2。

唯一性定理： 若两个取非负整数值的随机变量具有相同的 PGF（在某个包含 0 的开区间上），则它们具有相同的分布。这一结论的证明思路简洁而有力：幂级数的系数由其各阶导数在 t=0t = 0 处的值唯一确定，因此 GX(t)G_X(t) 决定了所有 pkp_k。这意味着 PGF 为分布提供了完全表征——在理论推导中，我们只需要讨论 PGF 而无需直接处理概率质量函数。

独立随机变量之和

PGF 最优雅的应用体现在处理独立随机变量之和上。设 XX 和 YY 相互独立，则：

GX+Y(t)=E[tX+Y]=E[tX⋅tY]=E[tX]⋅E[tY]=GX(t)⋅GY(t)G_{X+Y}(t) = E[t^{X+Y}] = E[t^X \cdot t^Y] = E[t^X] \cdot E[t^Y] = G_X(t) \cdot G_Y(t)

两个独立随机变量之和的 PGF 是各自 PGF 的乘积。这一性质可以推广到 nn 个独立随机变量：若 X1,…,XnX_1, \ldots, X_n 独立，则 GX1+⋯+Xn(t)=∏i=1nGXi(t)G_{X_1 + \cdots + X_n}(t) = \prod_{i=1}^n G_{X_i}(t)。这与卷积运算形成对照——PGF 将卷积转化为普通乘法，极大简化了分析。

常见分布的 PGF

分布概率质量函数PGF GX(t)定义域\wiki伯努利分布 Bern(p)p1=p,  p0=qq+ptR\wiki二项分布 Bin(n,p)(nk)pkqn−k(q+pt)nR\wiki泊松分布 Pois(λ)e−λλk/k!eλ(t−1)R\wiki几何分布 Geo(p)pqk−1pt1−qt∣t∣<1/q\wiki负二项分布 NB(r,p)(k−1r−1)prqk−r(pt1−qt)r∣t∣<1/q\begin{array}{l|l|l|l} \text{分布} & \text{概率质量函数} & \text{PGF } G_X(t) & \text{定义域} \\ \hline \wiki{伯努利分布} \text{ Bern}(p) & p_1=p,\; p_0=q & q + pt & \mathbb{R} \\ \wiki{二项分布} \text{ Bin}(n, p) & \binom{n}{k}p^k q^{n-k} & (q + pt)^n & \mathbb{R} \\ \wiki{泊松分布} \text{ Pois}(\lambda) & e^{-\lambda}\lambda^k/k! & e^{\lambda(t-1)} & \mathbb{R} \\ \wiki{几何分布} \text{ Geo}(p) & pq^{k-1} & \dfrac{pt}{1-qt} & |t|<1/q \\ \wiki{负二项分布} \text{ NB}(r, p) & \binom{k-1}{r-1}p^r q^{k-r} & \left(\dfrac{pt}{1-qt}\right)^r & |t|<1/q \end{array}

注意负二项分布 NB(r,p)\text{NB}(r, p) 的 PGF 是 rr 个独立几何分布 PGF 的乘积，呼应了负二项随机变量是 rr 次独立几何试验总次数的直观理解。同样，二项分布 Bin(n,p)\text{Bin}(n, p) 的 PGF 恰好是 nn 个独立 Bernoulli(pp) PGF 的乘积 (q+pt)n(q + pt)^n，这与"二项随机变量是 nn 个独立 Bernoulli 之和"的结构完全吻合。类似地，若 X∼Pois(λ)X \sim \text{Pois}(\lambda) 和 Y∼Pois(μ)Y \sim \text{Pois}(\mu) 独立，则 GX+Y(t)=eλ(t−1)⋅eμ(t−1)=e(λ+μ)(t−1)G_{X+Y}(t) = e^{\lambda(t-1)} \cdot e^{\mu(t-1)} = e^{(\lambda+\mu)(t-1)}，直接得出 X+Y∼Pois(λ+μ)X + Y \sim \text{Pois}(\lambda + \mu)——这一结论通过卷积计算将繁琐得多。

与矩生成函数的关系

概率生成函数与矩生成函数 (Moment Generating Function, MGF) 有密切联系：GX(es)=E[esX]=MX(s)G_X(e^s) = E[e^{sX}] = M_X(s)，即令 t=est = e^s 即可得到 MGF。PGF 专为离散非负整数值设计，其提取的是阶乘矩而非原始矩，但在处理独立和与分支过程等问题中更为自然。与 MGF 相比，PGF 的幂级数结构使它在小范围内始终存在（∣t∣≤1|t| \le 1），不受 MGF 可能在某些点发散的限制。

复合分布与随机和

PGF 的另一大威力体现在处理随机和上。设 NN 是非负整数值随机变量，X1,X2,…X_1, X_2, \ldots 是一列独立同分布的非负整数值随机变量，且与 NN 独立。考虑随机和：

SN=X1+X2+⋯+XNS_N = X_1 + X_2 + \cdots + X_N

（当 N=0N = 0 时 SN=0S_N = 0）。SNS_N 的 PGF 可通过全期望公式求得：

GSN(t)=E[tSN]=E[E[tX1+⋯+XN∣N]]=E[(GX(t))N]=GN(GX(t))G_{S_N}(t) = E[t^{S_N}] = E\left[E[t^{X_1 + \cdots + X_N} \mid N]\right] = E\left[(G_X(t))^N\right] = G_N(G_X(t))

其中 GX(t)G_X(t) 是 XiX_i 的公共 PGF，GN(t)G_N(t) 是计数变量 NN 的 PGF。结果极为简洁——随机和的 PGF 是 GNG_N 与 GXG_X 的函数复合。这一公式是Wald 等式在 PGF 层面的对应物，在保险精算（理赔总额）、排队论（批量到达）和生态学（种群增长）中有大量应用。

核心应用

1. Galton-Watson 分支过程： Galton-Watson 分支过程是 PGF 的经典应用场景，也是复合分布公式的直接产物。设第 nn 代个体数为 ZnZ_n（Z0=1Z_0 = 1），每个个体独立产生后代数服从 PGF G(t)G(t)，第 n+1n+1 代个体数即为 ZnZ_n 个独立同分布后代数之和。由复合分布公式：

GZn+1(t)=GZn(G(t))G_{Z_{n+1}}(t) = G_{Z_n}(G(t))

迭代得出 GZn(t)=G(n)(t)G_{Z_n}(t) = G^{(n)}(t)，即 GG 的 nn 次函数复合。灭绝概率 π=lim⁡n→∞P(Zn=0)\pi = \lim_{n\to\infty} P(Z_n = 0) 满足不动点方程 π=G(π)\pi = G(\pi)，且是 [0,1][0, 1] 上的最小非负根。当平均后代数 μ=G′(1)≤1\mu = G'(1) \le 1 时 π=1\pi = 1（必然灭绝），当 μ>1\mu > 1 时 π<1\pi < 1（正概率永存）。这一优雅的结论完全依赖于 PGF 的解析性质。

2. 分布识别与再生性： 利用唯一性定理，若一个随机变量的 PGF 具有特定函数形式，可直接判定其分布。例如，若 GX(t)=eλ(t−1)G_X(t) = e^{\lambda(t-1)}，则 X∼Pois(λ)X \sim \text{Pois}(\lambda)。多个分布的再生性（即独立同分布之和仍属同一分布族）通过 PGF 乘积一目了然：Poisson、二项（固定 pp）、负二项（固定 pp）均具有再生性。

3. 概率极限定理： PGF 为离散场景下的极限定理提供了最自然的证明工具。泊松极限定理的经典证明即利用二项 PGF 的极限：若 n→∞n \to \infty 且 np→λnp \to \lambda，则 (q+pt)n=[1+p(t−1)]n→eλ(t−1)(q + pt)^n = [1 + p(t-1)]^n \to e^{\lambda(t-1)}。更一般地，PGF 的逐点收敛等价于分布的依分布收敛，这一事实构成了离散分布极限理论的连续映射基础。

总结

概率生成函数是处理非负整数值离散随机变量的瑞士军刀：它将概率分布编码为幂级数，将加法转化为乘法，将矩的计算转化为求导，将分布的迭代转化为函数复合。它与矩生成函数、特征函数、累积量生成函数共同构成了分析随机变量性质的函数论工具箱，各有适用场景，而 PGF 在离散结构中的简洁性无可替代。