概率质量函数 (probability mass function)

概率质量函数 (Probability Mass Function)

概率质量函数 (Probability Mass Function，简称 PMF) 是概率论与统计学中描述离散随机变量概率分布的核心工具。对于任何一个离散随机变量，PMF 将变量的每一个可能取值映射到该取值出现的精确概率。与连续随机变量所使用的概率密度函数 (Probability Density Function, PDF) 不同，PMF 给出的函数值本身就是概率——即随机变量恰好等于某个特定值的可能性大小。

形式化定义

设 $X$ 为定义在样本空间 $\Omega$ 上的离散随机变量，其所有可能取值的集合（称为支撑集，Support）为可数集 $S_X = \{x_1, x_2, x_3, \dots\}$ 。则 $X$ 的概率质量函数是一个映射 $p_X: \mathbb{R} \to [0, 1]$ ，定义为：

p_X(x) = P(X = x), \quad x \in \mathbb{R}

此式表明：对于任意实数 $x$ ，函数值 $p_X(x)$ 等于事件 $\{X = x\}$ 的概率。若 $x \in S_X$ （即 $x$ 是 $X$ 的可能取值），则 $p_X(x) > 0$ ；若 $x \notin S_X$ ，则 $p_X(x) = 0$ 。

习惯上，当随机变量在上下文中无歧义时，常省略下标，简记为 $p(x)$ 。

基本性质：两条公理

一个实值函数能够充当合法的概率质量函数，必须同时满足以下两条基本性质。这两条性质直接来源于概率的公理化定义（Kolmogorov公理），是所有离散分布的充要条件。

非负性 (Non-negativity)。对一切 $x \in \mathbb{R}$ ，有 $p_X(x) \geq 0$ 。概率不可能为负数，这是概率作为测度的基本要求。
归一性 (Normalization)。遍历支撑集中所有可能的取值，概率之和必须等于 1： \[ \sum_{x \in S_X} p_X(x) = 1 \] 该条件保证了"所有可能结果中必有一个发生"这一必然事件的概率为 1。由于 $p_X(x)$ 仅在支撑集上取正值，此求和等价于对全体实数求和： $\sum_{x \in \mathbb{R}} p_X(x) = 1$ 。

任意一个同时满足非负性和归一性的函数，都对应着某个离散随机变量的概率分布——这是数学上构造新分布的基本方法之一。

与累积分布函数的关系

概率质量函数与累积分布函数 (Cumulative Distribution Function, CDF) 构成离散分布的两种等价刻画，二者可相互转换。

CDF 定义为 $F_X(x) = P(X \leq x)$ ，即随机变量取值不超过 $x$ 的累积概率。由 PMF 计算 CDF，只需将不超过 $x$ 的所有可能取值对应的概率质量累加：

F_X(x) = P(X \leq x) = \sum_{k \leq x,\, k \in S_X} p_X(k)

离散随机变量的 CDF 呈现为右连续的阶梯函数：在每一个可能取值 $x_k$ 处发生跳跃，跳跃高度恰好等于该点的概率质量 $p_X(x_k)$ 。在各可能取值之间的区间上，CDF 保持常数。

反之，从 CDF 恢复 PMF 只需提取跳跃量：

p_X(x) = F_X(x) - \lim_{y \to x^-} F_X(y)

这种等价性意味着学者可以依据分析便利性，在 PMF 和 CDF 之间自由切换——PMF 适合讨论单点概率，CDF 适合计算区间概率和分位数。

经典示例

示例一：公平骰子。投掷一枚标准的六面公平骰子，令 $X$ 为朝上的点数。支撑集 $S_X = \{1, 2, 3, 4, 5, 6\}$ ，PMF 为：

p_X(k) = \begin{cases} 1/6, & k = 1, 2, \dots, 6 \\ 0, & \text{otherwise} \end{cases}

易验证 $\sum_{k=1}^6 p_X(k) = 6 \times \frac{1}{6} = 1$ 。

示例二：伯努利分布。伯努利分布是仅含"成功"（编码为 1）与"失败"（编码为 0）两种结果的单次试验模型。设成功概率为 $p \in [0, 1]$ ，则 PMF 可紧凑地写为：

p_X(k) = p^k (1-p)^{1-k}, \quad k \in \{0, 1\}

代入 $k=1$ 得 $P(X=1)=p$ ，代入 $k=0$ 得 $P(X=0)=1-p$ 。

示例三：二项分布。二项分布是 $n$ 次独立伯努利试验中成功总次数的分布。PMF 为：

p_X(k) = \binom{n}{k} p^k (1-p)^{n-k}, \quad k = 0, 1, \dots, n

其中二项系数 $\binom{n}{k} = \frac{n!}{k!(n-k)!}$ 计数了在 $n$ 次试验中恰好出现 $k$ 次成功的不同排列方式。概率质量被分配在有限支撑集 $\{0, 1, \dots, n\}$ 上。

示例四：泊松分布。泊松分布描述单位时间（或空间、面积）内稀有事件发生次数的概率规律，支撑集为可数无限集 $\{0, 1, 2, \dots\}$ 。若平均发生率（强度参数）为 $\lambda > 0$ ，PMF 为：

p_X(k) = \frac{\lambda^k e^{-\lambda}}{k!}, \quad k = 0, 1, 2, \dots

归一性由指数函数的 Taylor 展开保证： $\sum_{k=0}^\infty \frac{\lambda^k}{k!} = e^{\lambda}$ ，乘以 $e^{-\lambda}$ 后和为 1。

PMF 的应用：期望与方差的计算

概率质量函数一旦确定，随机变量的所有数值特征均可由其导出。两个最重要的矩为期望（Expectation）和方差（Variance）。

期望值（一阶原点矩）定义为取值以概率为权的加权平均：

E[X] = \sum_{x \in S_X} x \cdot p_X(x)

方差（二阶中心矩）度量取值围绕期望的离散程度：

\operatorname{Var}(X) = E\left[(X - E[X])^2\right] = \sum_{x \in S_X} (x - E[X])^2 \cdot p_X(x)

更一般地，对于任意函数 $g(X)$ ，其期望为 $E[g(X)] = \sum_{x \in S_X} g(x) \, p_X(x)$ 。这一框架使得 PMF 成为计算一切概率特征的出发点。

此外，PMF 可直接用于计算任意事件的概率。设 $A \subseteq \mathbb{R}$ 为任一（可测）集合，则：

P(X \in A) = \sum_{x \in A \cap S_X} p_X(x)

简而言之，将事件涉及的取值对应的概率质量逐一相加即可。

PMF 与 PDF 的关键对比

初学者极易混淆概率质量函数 (PMF) 与概率密度函数 (PDF)。以下从四个维度加以区分。

适用变量类型：PMF 仅适用于离散随机变量——取值可逐一列举；PDF 适用于连续随机变量——取值充满某个区间，不可逐个计数。
函数值含义：PMF 的值 $p_X(x)$ 就是概率，始终介于 0 与 1 之间。PDF 的值 $f_X(x)$ 是概率密度而非概率本身，其数值可以超过 1（只要积分面积不超过 1）。
单点概率：对离散变量， $P(X = x) = p_X(x) > 0$ 是可能的。对连续变量，任何单点的概率恒为零（ $P(X = x) = 0$ ），只有区间才具有非零概率。
概率计算方式：离散情形使用求和 $\sum$ 累加概率质量；连续情形使用积分 $\int$ 计算密度曲线下的面积。

这一区别的根源在于测度论：PMF 是关于计数测度 (Counting Measure) 的 Radon-Nikodym 导数，而 PDF 是关于 Lebesgue 测度的导数。两者统一于概率分布的一般理论框架之中。

在统计学与计量经济学中的地位

概率质量函数是连接概率理论与统计推断的桥梁。

1. 似然函数的构造。在参数估计中，极大似然估计 (MLE) 以 PMF（或 PDF）为基础构造似然函数。对于独立同分布样本 $x_1, \dots, x_n$ ，似然函数为各观测点 PMF 的乘积： $L(\theta) = \prod_{i=1}^n p_X(x_i; \theta)$ ，最大化该函数即得参数的 MLE。

2. 充分统计量与指数族。许多常用离散分布（伯努利、二项、泊松、几何）均属于指数族分布，其 PMF 可写为统一形式 $p(x \mid \theta) = h(x) \exp\{\eta(\theta)^\top T(x) - A(\theta)\}$ 。此结构直接揭示了充分统计量 $T(x)$ 和费雪-奈曼分解定理的代数本质。

3. 拟合优度与列联表。在应用计量中，卡方拟合优度检验将被观测类别频数与由 PMF 导出的理论期望频数进行对比，从而判断数据是否符合某个假定的离散分布。列联表分析中，单元格概率的乘积结构（独立性假设）与边际 PMF 的关系则是卡方独立性检验的理论基础。

4. 离散选择模型。Logit、Probit 等二元选择模型的核心输出——选择概率 $P(Y=1 \mid X)$ ——本质上就是给定协变量条件下响应变量的条件 PMF。整个离散选择分析的预测、边际效应和政策模拟，均植根于 PMF 的概念框架。

常见误区与注意事项

混淆 PMF 与 PDF。最常见的错误是将离散变量的 PMF 类比为连续变量的 PDF，并误以为 PDF 在某点的值等于概率。须牢记：连续情形下概率由积分面积给出，密度值可以大于 1。
忽视支撑集。PMF 的定义域是全体实数，而不仅仅是其正值区域。在数学推导中（例如卷积公式、变量变换），必须明确区分"可能取值"与"其他值"，否则容易遗漏零概率项或错误扩展求和范围。
将 PMF 等同于频率。虽然频率学派的概率解释以大量重复试验中的相对频率为直觉基础，但 PMF 是一个数学函数，描述的是理论上的概率模型，而非有限次实验的经验频率——后者只是前者的近似估计。
忽视独立性假设。二项分布、泊松分布的推导依赖于独立性假设。在现实应用中，若事件之间不独立而仍强行套用标准 PMF，将导致严重的推断偏误。

概率质量函数是理解离散随机现象的起点，也是构造更复杂概率模型（如联合概率质量函数、条件概率分布、混合分布）的基本构件。掌握 PMF 的定义、性质及其与 CDF、PDF 的关系，是深入学习数理统计、计量经济学和机器学习中概率建模的必备基础。

返回百科索引