本文介绍如何正确绘制离散随机变量（如二项分布）的概率质量函数（PMF）条形图，指出常见误区（误用 plt.hist），并提供基于 plt.bar 的简洁、准确实现方案。
本文介绍如何正确绘制离散随机变量（如二项分布）的概率质量函数（pmf）条形图，指出常见误区（误用 `plt.hist`），并提供基于 `plt.bar` 的简洁、准确实现方案。
在可视化离散分布（如二项分布、泊松分布或超几何分布）时，必须使用条形图（bar chart）而非直方图（histogram）。这是因为直方图默认将数据分组到连续区间（bins）中，并统计频数或密度，适用于连续变量；而离散分布的 PMF 是定义在孤立整数点上的精确概率值，每个 x 值对应唯一确定的概率 $ P(X = x) $，需用独立、等宽、不重叠的竖直条清晰表达。
原代码中的主要错误在于：
- 错误调用
plt.hist(x=x, y=prob)——plt.hist()不接受y参数，且其设计初衷是接收原始样本数据（如plt.hist(data)），而非预计算的概率值； - 循环中对每个
x单独调用plt.hist和plt.show()，导致生成 11 个独立窗口，既低效又无法呈现整体分布形态。
✅ 正确做法是：
- 预先生成所有支持点（如
x = [0, 1, ..., 10]）； - 批量计算对应 PMF 值（
binom.pmf(x, n=10, p=0.5)）； - 使用
plt.bar(x, prob)绘制条形图，确保横轴为离散取值、纵轴为精确概率。
以下是完整、可复用的示例代码：
import matplotlib.pyplot as plt
from scipy.stats import binom
# 定义二项分布参数：n=10 次试验，成功概率 p=0.5
n, p = 10, 0.5
x = list(range(n + 1)) # 支持集：0 到 10（含）
prob = binom.pmf(x, n, p) # 批量计算 PMF
# 绘制 PMF 条形图
plt.figure(figsize=(8, 5))
plt.bar(x, prob, color='steelblue', alpha=0.7, edgecolor='black', linewidth=0.5)
plt.xlabel('Number of Successes ($x$)', fontsize=12)
plt.ylabel('Probability $P(X = x)$', fontsize=12)
plt.title('PMF of Binomial Distribution: $X \sim \text{Binom}(n=10, p=0.5)$', fontsize=14)
plt.xticks(x) # 确保 x 轴只显示整数刻度
plt.grid(axis='y', alpha=0.3)
plt.tight_layout()
plt.show()? 关键注意事项：
- ✅ 始终使用
plt.bar()（非plt.hist()或plt.plot()）表示离散 PMF； - ✅
x必须为数值列表（如range(11)），不可为单个标量； - ✅ 若需多分布对比，可用
plt.bar(..., width=0.4, align='edge')并调整偏移实现并排条形图； - ⚠️ 避免在循环内反复调用
plt.show()，应在全部绘图逻辑完成后统一展示； - ? 可通过
sum(prob)验证概率总和是否 ≈ 1.0（浮点精度范围内），作为计算正确性的快速检查。
掌握这一方法后，您可轻松扩展至任意离散分布（如 poisson.pmf、hypergeom.pmf），只需替换分布对象与参数即可。条形图不仅是视觉上最直观的表达方式，更是统计意义上最严谨的 PMF 展示形式。
