把组合问题装进口袋：母函数与掷骰子

想象一下你正坐在桌前，手里握着一枚均匀的六面骰子。你一次次地掷出它，并随手记下当前所有点数的总和：第一掷是 ，总和是 ；第二掷是 ，总和变成了 ……

随着投掷次数的增加，这个“点数和序列”在你的笔记本上不断延伸。我们把这个直观的物理过程，提炼为一个正式的数学挑战：

整数分拆：问题的本质

根据题意，点数和序列显然是递增的。因为骰子最小的点数也是 ，所以数字 最多只能出现在序列的前 位中（如果前 次全是 ）。

如果数字 恰好出现在第 位，这意味着前 次掷骰子每次的点数都必须是 。根据独立事件积的概率公式，这个概率是 。

如果数字 出现在第 位，这说明前 次投掷的点数和恰好是 。这在数学中被称为整数分拆问题——即将一个正整数表示为若干个正整数的和.

在不考虑骰子面值限制的情况下，我们可以用“隔板法”轻松搞定：把 个球分成 份，每份至少 个，方案数是 。

但问题在于，骰子只有 到 点。如果拆分中出现了 （比如 这种 拆分），传统的隔板法就开始变得捉襟见肘了。

没错，正是“多项式乘法”。

在概率论发展的早期，像雅各布·伯努利这样的先驱，凭借着惊人的脑力和严密的逻辑，通过纯粹的组合推理解释了掷骰子中的复杂概率。然而，面对几百次投掷的规模，组合计算量是人力难以承受的。

直到后来，棣莫弗和欧拉引入了一种极其优雅的新视角：为什么不让“代数”来帮我们分担“组合”的压力呢？ 让我们来看看，这个精妙的代数思维是如何运作的。

母函数：把组合变成代数

为了处理这种“受限”的拆分，让我们从最简单的情况看起：假设我们只投掷两次骰子，点数和为 4 的情况有多少种？

直觉告诉我们有 3 种：。

现在，让我们把骰子的点数“实体化”为 的幂次：点数 对应 ，点数 对应 ……以此类推。那么一次投掷的所有可能可以用多项式表示为：

两次投掷的结果，就隐藏在 的展开式中：

当你展开这个乘积式时，为了得到 项，你必须从第一个括号选一项 ，从第二个括号选一项 ，使得它们的乘积 。

观察这个过程，你会发现一个惊人的等价性：

• 代数层面的幂指数相加 ()；
• 正好对应了物理层面的点数求和 ()。

在展开过程中，所有能凑成 的方式都会被加在一起：

• （对应点数 1 和 3）
• （对应点数 2 和 2）
• （对应点数 3 和 1）

这意味着， 前面的系数就是这 3 种情况的总和。多项式的乘法运算，在指数位置上自动完成了所有可能的组合枚举，并在系数位置上帮我们做好了加法。

这就是大名鼎鼎的母函数（Generating Function）。 这种把复杂的“数数”问题，降维转化成代数多项式的魔法，其正式的数学面貌是形式幂级数 。在这个式子里， 就是存放数字的容器， 就是我们在乎的点数，而前面的系数 就是最终的方案数。

如果你觉得“形式幂级数”这个词听起来太冷冰冰，不妨把它想象成一个袋子：

母函数是一种类似于袋子的工具。携带许多零散的小物体可能会令人尴尬，我们将它们全部放入一个袋子中，然后我们只需携带一个对象，那就是这个袋子。 — 乔治·波利亚 (George Pólya), 《数学与合理推理》(1954)

以此类推，将一枚骰子投掷 次，所有可能的点数和分布都被“打包”在了母函数的 次幂中：

展开后 项的系数，就是掷骰子 次后点数和为 的所有可能方案数。不论是限制点数在 1-6 之间，还是要求点数必须是偶数，我们只需要调整括号内多项式的项，母函数就能自动帮我们处理这些复杂的约束条件。

最终的概率计算

现在，我们将概率引入这个“袋子”。掷一次骰子，每个点数出现的概率都是 ，其概率母函数为：

因为每一次投掷都是相互独立的，所以投掷 次的概率分布就由 给出。

回到最初的问题：数字 出现在序列中的总概率是多少？它可能出现在第 位、第 位……直到第 位。因此，我们只需要计算下面这个多项式之和：

找到展开式中 项的系数。经过计算，这个概率约为 。

延伸与思考

母函数的威力远不止于此。如果我们绘制出前 个数字出现在序列中的概率图：

你会发现一个有趣的现象：出现次数最多的竟然是数字6，概率约为。随着数字变大，概率逐渐趋于稳定（约 ）。

如果这是一枚“作弊”骰子，掷出 的概率特别大，那么上述概率分布图会发生怎样的偏移？数字 出现的概率会增加还是减少？

参考文献：

[1] Eureka Issue 62 | A Journal of the Archimedeans