概率质量函数：离散分布指南

在概率论与统计学中，离散型随机变量的结果可能性由概率质量函数（PMF）量化，而对连续型变量，则使用概率密度函数（PDF）。

无论是建模抛硬币、设备故障，还是网页上的用户点击，PMF 都有助于我们量化不同结果发生的可能性。

理解概率质量函数

概率质量函数公式

从数学上讲，离散随机变量X的概率质量函数定义为：

其中：

• X 是离散随机变量，
• x 是 X 能取的一个值，
• p(x) 是 X 取到 x 的概率。

有效的 PMF 必须满足两个关键条件：

1. 非负性

2. 总概率等于 1

这些条件确保所有被分配的概率在逻辑和数学上都是合理的。PMF 为 X 的分布提供了完整描述，使得计算期望、方差以及其他统计量成为可能。

定义与关键性质

PMF 具有若干区分于其他函数的性质：

• 离散性：PMF 仅适用于离散随机变量，即取可数值（如 0、1、2，…）的变量。
• 归一化：X 的所有可能取值上的 PMF 之和必须恰为 1。
• 单个概率分配：每个可能的取值 x 被分配一个特定概率 p(x)，用以刻画该具体结果的可能性。

例如，掷一枚公平的六面骰子的 PMF 为：

此处 1 到 6 的每个数值出现的机会相等，且所有概率之和为 1。

概率质量函数 vs. 概率密度函数

下面更详细地理解 PMF 与 PDF 的差异，以及它们分别如何对离散与连续分布进行建模：

PMF 示例

来看一个经典的 PMF 示例：抛一枚公平硬币（伯努利试验）：

让我们用 Python 进行一次伯努利试验来更好地理解这一点。

import matplotlib.pyplot as plt
from scipy.stats import bernoulli
# Parameters
p = 0.5  # Probability of Heads
# PMF for a fair coin
x = [0, 1]  # 0 = Tails, 1 = Heads
pmf_values = bernoulli.pmf(x, p)

# Plotting
plt.bar(x, pmf_values, tick_label=['Tails (0)', 'Heads (1)'])
plt.title('PMF of a Fair Coin Toss (Bernoulli Trial)')
plt.ylabel('Probability')
plt.xlabel('Outcome')
plt.grid(axis='y', linestyle='--')
plt.show()技术支持

PDF 示例

这是一个 PDF 示例：测量一个人的身高（连续变量）。

PDF 可能显示在 170 cm 附近概率密度最高，但任何精确身高取值的概率在技术上都是 0。

同样，我们通过代码示例来理解这一点。

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm

# Parameters
mu = 170   # mean height
sigma = 10  # standard deviation

# Continuous range of heights
x = np.linspace(130, 210, 500)

pdf_values = norm.pdf(x, mu, sigma)

# Plotting
plt.plot(x, pdf_values, label='PDF')
plt.title('PDF of Human Height (Normal Distribution)')
plt.xlabel('Height (cm)')
plt.ylabel('Probability Density')
plt.grid(True)
plt.axvline(mu, color='red', linestyle='--', label='Mean (170 cm)')
plt.legend()
plt.show()技术支持

PMF 为具体结果赋予实际概率，而 PDF 描述的是区间内结果的相对可能性。

使用 PMF 的常见离散分布

常见的离散概率分布包括伯努利分布、二项分布、几何分布和泊松分布。我们分别来看。

伯努利分布的 PMF

伯努利分布对只有两种可能结果的单次试验建模：成功（1）与失败（0）。

其中 p 为成功的概率。

示例：抛公平硬币，成功 = 正面：

二项分布的 PMF

二项分布将伯努利分布推广到多次试验：

其中：

• n 为独立试验的次数，
• p 为每次试验成功的概率，
• x 为成功的次数。

一个示例是统计一批产品中的次品数量。

几何分布的 PMF

几何分布用于刻画在重复的、相互独立的伯努利试验中，首次成功前的失败次数：

常见示例是直到第一次出现正面所需的抛硬币次数。

泊松分布的 PMF

泊松分布用于建模在固定时间或空间区间内发生的事件数量：

其中 λ 为每个区间内事件的期望次数。

示例：每小时到达服务中心的顾客数量。

可视化概率质量函数

PMF 通常使用条形图进行可视化，其中：

• x 轴表示随机变量的可能取值。
• y 轴表示 PMF 分配的概率。

下面的表格展示一个示例：掷公平骰子

此类可视化有助于：

• 直观解读分布，
• 比较相对概率，
• 识别偏态或对称分布。

概率质量函数的应用

PMF 广泛应用于多个领域：

统计学

用于计算期望：

  

以及方差：

。

机器学习

在分类算法（如朴素贝叶斯）中，PMF 用于描述类别型特征的似然。隐马尔可夫模型等概率模型也依赖 PMF 表达状态转移与观测发射。

可靠性工程

PMF 可用于确定系统或部件在特定时间步发生故障的概率。

经济与金融

用于建模市场情景或投资结果，当结果数量有限且彼此区分时尤为适用。

贝叶斯推断

PMF 在离散贝叶斯模型中充当先验分布。观测到新证据后，先验 PMF 会更新为后验 PMF，使得离散问题的贝叶斯更新更易处理。

如果您想了解条件概率如何工作，请查看我们的 条件概率：深入解读 教程。

蒙特卡罗模拟

PMF 在蒙特卡罗模拟中也至关重要，尤其是对于具有离散且具概率性的结果的系统。这类模拟通过从 PMF 进行随机抽样，来估计模型在多次迭代下的行为或性能。

结论

概率质量函数为离散随机变量建模提供了数学结构；与之相对，PDF 处理的是连续变量。PMF 支持跨领域的强大建模能力，从基础的抛硬币到复杂的机器学习系统。

要点回顾：

• PMF 非负，且在所有可能取值上的总和为 1。
• 它们定义了离散概率分布的形状与特征。
• PMF 在各类应用中不可或缺，从传统统计到现代 AI 与金融。
• 在贝叶斯推断与蒙特卡罗方法中，PMF 是更新信念与模拟不确定系统的核心。

如果您希望更深入地学习概率论，继续探索累积分布函数（CDF）与期望值计算，将进一步加深对如何量化不确定性并在决策中加以利用的理解。探索我们的课程：

• Python 中的蒙特卡罗模拟
• Python 概率基础