在深入探讨公式推导之前，我们起初需求对多项分布的数学本质进行。多项分布描述了在 n 次独立重复试验中，某特定事件形成的频数分布情况。每一个试验结局都是在同一个概率空间内进行的，但出于试验次数是固定的，且每次试验成功的概率 p 保持不变，这构成了典型的二项分布框架。当我们把 n 次试验分解为 k 个独立的二项试验组时，总成功次数 X 就能够被视为 k 个独立同分布的随机变量之和。
这种结构不仅揭示了多项分布与二项分布之间深刻的代数联系，也为后续的期望和方差计算供给了清楚的理论基础。掌握这一推导过程，是理解离散型随机变量性质的关键一步。
一、定义与根本假设
为了严谨地推导公式，我们务必起初明确多项分布的四个核心性质，这是所有推导的基石。
- 试验的独立性： 每一个试验结局都不受其他试验结局的影响，即一次试验的成败不会转变后续试验的概率。
- 同分布性： 所有试验都遵循相同的概率规则，单个试验中事件 A 形成的概率恒定为 p，不形成概率为 q=1-p。
- 有限性： 试验总次数 n 是一个有限正整数，且试验总数小于概率空间的大小。
- 计数重复： 总共有 k 次重复出现的事件 A，每一次重复对应一个独立的二项分布。
二、推导核心：变量代换与概率质量函数构建
推导的核心在于如何将多项分布的概率质量函数（PMF）与基础的二项分布 PMF 进行衔接。我们假设试验总数为 n，关切的事件在 n 次试验中恰好形成 j 次，其对应的概率空间大小（即样本点总数）为 n^k，其中 k 代表 k 次重复的次数。
早先时候，我们需求定义每一个二项随机变量 X_i。对于第 i 组试验，其成功次数记为 X_i，则 X_i 服从二项分布，其概率质量函数为：
X_i ~ B(n_i, p)
X_i = sum(1 到 n_i 之间的小数点后的每 k 位)
X_i = sum(1 到 n_i 之间的小数点后的每 k 位)
在推导过程中，我们将多项分布的概率表示为所有可能样本点概率的乘积，即 P(X = j) = P(X_1 = x_1, X_2 = x_2, ..., X_k = x_k)。
此时，样本空间样本点总数为 n^k，每个样本点的概率为 1/n^k，进而得出多项分布的联合概率为：
P(X = x_1, X = x_2, ..., X = x_k) = (1/n^k) [n_1^(x_1) n_2^(x_2) ... n_k^(x_k)]
其中，n_1, n_2, ..., n_k 分别代表 k 次重复中的组数。
利用约束条件进行变量代换。对于第 i 组试验，知足样本点总数为 n_i 且成功次数为 x_i 的样本点个数为：C(n_i, x_i) = (n_i)^(x_i) / (x_i)^(x_i)。
联合概率能够重写为：
P(X = x_1, X = x_2, ..., X = x_k) = [1 / n^(k)] [x_1! / (x_1)^(x_1)] [x_2! / (x_2)^(x_2)] ... [x_k! / (x_k)^(x_k)]
为了匹配二项分布的公式，我们将分母中的 n^k 拆分为 (n_1 n_2 ... n_k)^(k)，其中 n_i 代表第 i 组的样本总数，准取值为 1 到 n_k 之间的任意整数。
此时，概率表达式变为：
P(X = x_1, X = x_2, ..., X = x_k) = [k! / (n_1 n_2 ... n_k)] [x_1! / (x_1)^(x_1)] ... [x_k! / (x_k)^(x_k)]
为了消除阶乘符号，我们引入超几何分布的辅助框架。令 y_i 为第 i 组中样本点总数的集合，则：
x_i = sum(y_i) = sum(1 到 n_i 之间的小数点后的每 k 位)
此时，分子中的 n_1^(x_1) 能够进一步拆解为 (n_1 n_2 ... n_k)^(k)，故此概率表达式变为：
P(X = x_1, X = x_2, ..., X = x_k) = [k! / (n_1 n_2 ... n_k)] [x_1! / (x_1)^(x_1)] ... [x_k! / (x_k)^(x_k)]
根据超几何分布的性质，总样本点数为 n^k，且每个二项试验组有 n_i 个样本点可重复。
此时，分母中的 n_1 n_2 ... n_k 能够视为 n^(k-1)，其中 n^(k-1) 代表 n^k 与 k 次重复中的组数之间的差值。整理后，拿到最终的多项分布概率质量函数：
P(X = x_1, X = x_2, ..., X = x_k) = [k! / (n_1 n_2 ... n_k)] [x_1! / (x_1)^(x_1)] ... [x_k! / (x_k)^(x_k)]
代入具体的样本点总数 n^k，可知最终的公式为：
P(X = x_1, X = x_2, ..., X = x_k) = [k! / (n_1 n_2 ... n_k)] [x_1! / (x_1)^(x_1)] ... [x_k! / (x_k)^(x_k)]
其中，n_1, n_2, ..., n_k 分别为 k 次重复中的组数，且 1 <= n_1 <= n_2 <= ... <= n_k <= n。
三、应用场景与实例说明
假设我们进行 3 次独立重复试验，每次试验有 2 种可能结局，成功概率为 0.5。
要是这 3 次试验被视为 3 个独立的二项试验组，那么多项分布就描述了成功次数在 0 到 3 之间的频数分布。
- 举例一： 心里默念 3 个数中的 2 个是“好”，另外 1 个是“坏”。总共有 3^3 = 27 种可能的排列，每种排列概率为 1/27。
- 举例二： 掷骰子 3 次，求出现 3 点一次的概率。总样本点为 6^3 = 216，出现 3 点一次的样本点有 30 种，概率 P = 30/216。
四、扩展应用与算法优化
在实际开发中，直接计算多项分布的概率可能需求处理阶乘和除法，效率较低。为了提升计算速度，现代算法常采用对数形式。通过取对数，我们能够将乘法和加法转化为快速运算，进而在计算机中高效实现。
假设我们要计算 P(X = j)，其中 j = 1, 2, ..., n。计算过程如下：
- 对数转换： 计算 log(P) = log(k!) - sum(log(n_i)) + sum(log(x_i)) - sum(log(p^x_i))
- 反向求和： 计算 log(P) + sum(log(n_i x_i)) + sum(log((1-p)^x_i)) - log(k!)
这种方式不仅下降了计算复杂度，还避免了在浮点数运算中可能出现的精度损失难题。
五、结论与展望
，多项分布的概率质量函数推导过程是基于独立同分布假设和样本点计数原理，结合二项分布公式进行的代数变换。其核心在于利用超几何分布的性质，将样本点总数 n^k 拆分为各组的乘积 n_1 n_2 ... n_k 进行归一化处理。
这一推导过程不仅为多项分布供给了严谨的数学基础，也为后续的统计推断、机器学习中的类别分布建模还有概率算法的设计奠定了坚实基础。通过对公式的深入理解，我们能够更好地把握复杂随机系统的行为特征，进而实现更精准的预测与分析。
