说明：本文是 ghj1222 的野鸡学校的《概率论与数理统计》课程的课程作业，题目要求不限
由于 ghj1222 经过了系统化的微积分/概率知识学习，写出来东西会更严谨一些其实也没那么严谨。
引入
在《高等数学》中，我们学习了常数项级数和函数项级数的内容。对于其中的“幂级数”，我们可以发现，\(x=0\) 的每个幂级数可以与无穷数列一一对应。如果我们不关心自变量 \(x\) 的取值，可以称这个幂级数为该数列的生成函数。
在《概率论》中，我们学习了离散型随机变量，指的是取值在有限个或可数无穷的随机变量。根据概率的公理化定义，对于离散型随机变量 \(X\) 的每个取值 \(X=k\) ，都有一个实数 \(P(X=k)\) 与之对应，我们把这个实数称为概率，所有概率组成分布列。如果离散型随机变量取值是自然数，概率的分布列也可以组成一个无穷数列。
本文将随机变量取不同值的概率作为统计量，将生成函数与概率结合在一起，引入概率生成函数的概念，并探讨它的一些性质。
定义
定义1. 只能取有限个值或可列无穷多个值的随机变量 \(X\) 为离散型随机变量。
定义离散型随机变量的分布列为 \(P(X=x_k)=p_k(k=1,2,\cdots)\) ，即取得所有可能值的概率的列表。本文讨论的所有离散型随机变量的取值均为自然数，即 \(x_k\in \mathbb{N}\) 。
在组合数学的计数问题中，我们常用生成函数表示数列以进行元素的运算。
定义2. 定义生成函数是以数列 \(\{a_i\}\) 中元素为系数的形式幂级数，即 \(\sum_i a_iz^i\) 。为避免与随机变量 \(X\) 的取值混淆，我们下面都将 \(z\) 设为变量。
定义3. 取值在自然数上的离散型随机变量 \(X\) 的概率生成函数\(^{[1]}\)为
\(G(z)=\operatorname{E}(z^X)=\sum_{x}p_xz^x\) 。其中 \(p_x=P(X=x)\) ，下同。
由定义，我们可以得到最基本的性质：
性质1. \(G(1)=1\) 。由 \(\sum_xp_x=1\) 得到。而由概率的性质，\(\forall x,p_x\ge 0, \sum_xp_x=1\) ，可以得到，概率生成函数在所有取值为自然数的离散型随机变量 \(X\) 和所有系数非负且满足 \(G(1)=1\) 的幂级数 \(G(z)\) 建立了一一对应的关系。
性质2. \(p_x=\dfrac{G^{(k)}(0)}{k!}\) 。由定义和幂函数导数的性质不难得到。
数字特征的性质
在组合数学中，生成函数是为了方便计数而发明的。因此，概率生成函数的一大优点是可以简化数学期望和方差的计算。下面我们通过概率生成函数求出随机变量的数学期望和方差。
性质3. \(\operatorname E(X)=G'(1)\) 。
证明： \(G'(1)=(\sum_x xp_xz^{x-1})|_{z=1}=\sum_xxp_x=\operatorname{E}(x)\) 。
性质4. \(\operatorname{Var}(X)=G''(1)+G'(1)-G'^2(1)\)
证明：先求二阶原点矩 \(\operatorname E(X^2)=\sum_xx^2p_x\)
\(=\sum_xx(x-1)p_x+\sum_xxp_x\)
\(=\sum_xx(x-1)p_xz^{x-2}+\sum_xxp_xz^{x-1}\)
\(=\sum_xp_x(z^x)''+\sum_xp_x(z^x)'\)
\(=(\sum_xp_xz^x)''+(\sum_xp_xz^x)'=G''(1)+G'(1)\) 。
故 \(\operatorname{Var}(X)=\operatorname E(X^2)-\operatorname E^2(X)=G''(1)+G'(1)-G'^2(1)\) 。
由以上两个数字特征，我们可以发现， \(G^{(k)}(1)\) 为 \(X\) 的 \(k\) 阶 “下降幂”矩，即 \(\sum_x x^{\underline k} p_x\) 。其中， \(x^{\underline k}=\dfrac{x!}{(x-k)!}\) 。根据第二类斯特林数\(^{[2]}\) 的性质，有\(x^k=\sum_{i=0}^k\begin{Bmatrix}k\\i\end{Bmatrix}x^{\underline i}\) 。其中，第二类斯特林数 \(\begin{Bmatrix}n\\m\end{Bmatrix}\) 代表 \(n\) 个不同元素可以组成的 \(m\) 个相同集合的个数，有递推式 \(\begin{Bmatrix}n\\m\end{Bmatrix} = m\begin{Bmatrix}n-1\\m\end{Bmatrix} + \begin{Bmatrix}n-1\\m-1\end{Bmatrix}\) 。由此我们可以推出下面的性质。
性质5. \(X\) 的 \(k\) 阶原点矩为 \(\operatorname E(X^k)=\sum_{i=0}^k\begin{Bmatrix}k\\i\end{Bmatrix}G^{(i)}(1)\) 。
如果我们不使用第二类斯特林数，也可以写为 \(\operatorname E(X^k)=\left.\left(z\dfrac{\part}{\part z}\right)^kG(z)\right|_{z=1}\) 。
注意，有时，概率生成函数以及其各阶导数在 \(z=1\) 处不是连续的。这时候需要使用其在 \(z=1\) 处的左极限代替 \(z=1\) 处的值，例如下面的例1。
函数的性质
在组合数学中，生成函数之间的乘法，以及指数、对数等操作都具有组合意义。这一点也可以用在概率生成函数上。
性质6. 若 \(X\) 和 \(Y\) 独立且概率生成函数分别为 \(G_X(z), G_Y(z)\) ，则 \(Z=X+Y\) 的概率生成函数为 \(G_X(z)G_Y(z)\) 。
性质7. 若 \(X\) 的概率生成函数为 \(G(z)\) ，则 \(kX\) （\(k\) 为正整数） 的概率生成函数为 \(G(z^k)\) 。
推广 若 \(X_i\) 的概率生成函数为 \(G_{X_i}(z)\) 且相互独立，且 \(S_N=\sum_{i=1}^N a_iX_i\) ，正整数 \(a_i\ge 1\) ，则 \(S_N\) 的概率生成函数为 \(\prod_{i=1}^N G_{X_i}(z^{a_i})\) 。
推广 若 \(X_i\) 的概率生成函数为 \(G_{X_i}(z)\) 且相互独立，且 \(S_N=\sum_{i=1}^N X_i\) ，其中 \(N\) 也是取值在自然数上的离散型随机变量，则 \(S_N\) 的概率生成函数为 \(\sum_{n\ge 0}P(N=n)\prod _{i=1}^n G_{X_i}(z)\) 。
例
例1. \(X\) 服从 \([a,b]\) 上的离散型均匀分布。
\(G(z)=\sum_{i=a}^b\dfrac{1}{b-a+1}z^i=\dfrac{z^a}{b-a+1}\dfrac{1-z^{b-a+1}}{1-z}\) 。
注意这里的 \(G(1)\) 写成封闭形式后是不存在的，因此我们用 \(z=1\) 处的左极限代替之。因此我们有 \(\lim_{z\to1^-}G(z)=1\) 。
而 \(G'(z)=\dfrac{(az^{a-1}-(b+1)z^b)(1-z)+(z^a-z^{b+1})}{(b-a+1)(1-z)^2}\) ，
此时有 \(\operatorname E(X)=\lim_{z\to 1^-}G'(z)=\dfrac{a+b}{2}\) 。
例2. \(X\sim B(1,p)\) 。\(G(z)=1-p+pz\)。
例3. \(X\sim B(n,p)\) 。此时根据二项分布的分布列，不难推出其生成函数为 \(G(z)=\sum_{i=0}^n\binom{n}{i}p^i(1-p)^{n-i}z^i\) 。我们根据和的性质，以二项分布的组成——01分布推导二项分布的概率生成函数。
根据性质 6 和 7，我们可以设独立同分布的 \(X_i\sim B(1,p)\) ，\(X=\sum_{i=1}^nX_i\) 。
这样就有 \(G(z)=(1-p+pz)^{n}\) ，即其封闭形式。我们可以通过其导数值求数学期望和方差，如下。
\(G'(z)=np(1-p+pz)^{n-1}\)
\(G''(z)=n(n-1)p^2(1-p+pz)^{n-2}, G''(1)=n^2p^2-np^2\)
\(\operatorname{E}(X)=G'(1)=np\)
\(\operatorname{Var}(X)=G''(1)+G'(1)-G'^2(1)\)
\(=n^2p^2-np^2+np-n^2p^2=np-np^2=np(1-p)\) 。
例4. \(X\sim \operatorname{Pois}(\lambda)\) ，即参数为 \(\lambda\) 的泊松分布。
\(G(z)=\sum_x \dfrac{\lambda^xe^{-\lambda}}{x!}z^x=\mathrm e^{-\lambda}\sum_x\dfrac{(\lambda z)^x}{x!}\)。
由泰勒级数可以得到 \(G\) 的封闭形式，为 \(G(z)=\mathrm e^{\lambda(z-1)}\) 。
因此 \(G'(z)=\lambda, G''(z)=\lambda^2\) ，因此 \(\operatorname E(X)=\operatorname{Var}(X)=\lambda\) 。
另外，注意到生成函数的部分和满足 \([x^n]\dfrac{F(x)}{1-x}=\sum_{i=0}^n[x^i]F(x)\) ，其中 \([x^n]f(x)\) 代表多项式 \(f(x)\) 的 \(n\) 次项系数。因此我们可以通过这条性质，利用概率生成函数求出泊松分布的累积概率值的精确值，即将 \(S(z)=\dfrac{\mathrm e^{\lambda(z-1)}}{1-z}\) 写成关于 \(z\) 的幂级数的形式，即通过泰勒级数，求出 \(S(z)\) 的第 \(n\) 项系数，即为 \(\sum_{i=0}^n\dfrac{\lambda^i}{i!}e^{-\lambda}\) 。\(S(z)\) 的 \(n\) 阶导可以通过线性递推方式求出，这里不再阐述了。
歌唱王国
这是 CTSC（国家队选拔）2006 的一道题\(^{[3]}\)。
给定一个长度为 \(L\) 的序列 \(A\) 。你有一个空的序列 \(B\) ，每次从 \([1,m]\) 中等概率随机选择一个整数，加入到序列 \(B\) 的末尾。若 \(A\) 作为 \(B\) 的连续子序列（也可称为“子串”），则停止加入元素，否则继续加入元素。求停止加入元素时， \(B\) 长度的期望。
我们设 \(f_i\) 表示序列长度为 \(i\) 时匹配成功的概率。设 \(f_i\) 的生成函数为 \(F(x)=\sum_{i}f_ix^i\) ，其中 \(F\) 是概率生成函数。由概率生成函数的随机变量期望的性质，不难知道， \(F'(1)\) 就是我们想要的答案。
我们使用常用的技巧，将“恰好”转化为“至少/至多“。因此，可定义 \(g_i\) 表示长度为 \(i\) 没有成功匹配，即长度超过 \(i\) 时成功匹配的概率。设 \(g_i\) 的生成函数为 \(G(x)=\sum_ig_ix^i\) 。
首先我们有 \(f_0=0,g_0=1\) 。有关系式 \(f_{i}=g_{i-1}-g_{i}\) 。将这个关系式写成函数形式，可以得到生成函数之间的关系式 \(xG(x)=F(x)+G(x)-1\) 。
对这个式子求导，可得 \(G(x)+xG'(x)=F'(x)+G'(x)\) ，代入 \(x=1\) 得到 \(G(1)=F'(1)\) 。因此我们可以将问题转化为求 \(G(1)\) 。
另外我们发现， \(\dfrac{g_x}{m^L}=\sum_{i=1}^L a_i\left(\dfrac 1m\right)^{L-i}f_{x+i}\) 。其中，\(a_i\) 表示 \(i\) 是否为 “border”，即序列 \(A\) 的前 \(i\) 个元素与后 \(i\) 个元素是否对应相同，若相同 \(a_i=1\) ， 否则 \(a_i=0\) 。 这个式子左边代表长度为 \(x\) 的序列 \(B\) 没有完成匹配，但暴力往后接入长度为 \(L\) 的序列 \(A\) 所构造的序列匹配的概率。右式表示枚举一个长度为 \(i\) 的 border ，用这个长度为 \(i\) 的 border 匹配的概率并暴力插入剩下不在 border 中的元素，以构成一个长度为 \(L+x\) 且最后长度 \(L\) 匹配的序列 \(B\) 概率。因此式子两边是相等的。
由这个式子，可以写成函数关系式为：\(\left(\dfrac xm\right)^LG(x)=F(x)\sum_{i=1}^La_i\left(\dfrac xm\right)^{L-i}\)。
注意原式后面为一个带权区间和，也就是一个卷积形式。
将 \(x=1\) 代入，可以发现 \(\left(\dfrac 1m\right)^LG(1)=F(1)\sum_{i=1}^La_i\left(\dfrac 1m\right)^{L-i}\)。
由概率生成函数 \(F(x)\) 的性质： \(F(1)=1\) ，可得到答案 \(G(1)=\sum_{i=1}^La_im^i\) 。
因此序列 \(B\) 长度期望为 \(\sum_{i=1}^La_im^i\) ，其中 \(a_i\) 代表序列 \(A\) 是否存在长度为 \(i\) 的 border。使用 KMP 等匹配算法可以求出 \(a_i\) ，因此算法时间复杂度为 \(O(n)\) 。
总结
本文介绍了概率生成函数的概念，以及其关于数字特征和函数几个性质，列举了一些离散型随机变量的分布，最后通过一个例题介绍了概率生成函数在 OI 中的应用，为我们处理离散型随机变量提供了一个新的思路。
参考资料
[1] https://en.wikipedia.org/wiki/Probability-generating_function