【概率分布】多项分布详解

多项分布与分类模型推导详解 本博客深入探讨了多项分布的数学性质,包括其和为1的证明以及均值、方差和协方差的推导。同时,扩展了逻辑回归至多类分类的softmax函数形式,讨论了岭回归、LASSO与线性回归的实验比较,并推导了马尔可夫链的MLE估计及前向-后向算法在对数域中的实现。此外,还涉及高斯过程多分类、RBM条件独立性、EM算法在多项混合模型中的应用,以及多个变量间的边际与条件独立性分析。 阅读详情

概率分布之多项分布详解

多项分布是概率论与统计学中核心的离散概率分布之一,是二项分布的自然推广,专门用于描述多结果、固定次数、独立重复试验中各结果出现频率的概率规律,本科阶段的概率论、数理统计课程,以及研究生阶段的机器学习、数据分析相关研究中都会频繁用到这一分布。

一、多项分布的通俗理解

简单来说,当一次试验有3个及以上可能的结果,且每个结果的发生概率固定、试验之间相互独立、总试验次数确定时,想要知道各结果分别出现多少次的概率,就可以用多项分布来描述。

经典例子

  1. 掷骰子实验:骰子有6个面(6个结果),每个面出现的概率都是1/6,投掷10次,想知道1-6每个数字分别出现多少次,这是典型的多项分布应用场景。
  2. 抽球实验:袋中有红、蓝、绿三种球,抽到红球概率0.5、蓝球0.3、绿球0.2,重复抽10次且每次抽完放回,想知道红、蓝、绿球分别抽到多少次,也符合多项分布的条件。

对比二项分布(仅2个结果,如掷硬币:正面/反面)就能快速理解:多项分布是二项分布在「结果数量」上的推广,二项分布能解决的是“两种结果出现次数的概率”,多项分布则能解决“多种结果同时出现对应次数的概率”。

二、多项分布的核心特点

多项分布的适用场景必须满足以下5个核心条件,缺一不可,也是判断一个试验是否能用多项分布分析的关键:

  1. 多结果:单次试验有k个(k≥3) 互斥的可能结果;
  2. 独立试验:每次试验的结果互不影响,前一次试验的结果不会改变后一次各结果的发生概率;
  3. 固定次数:总试验次数n是预先确定的常数;
  4. 概率固定且和为1:每个结果在单次试验中的发生概率pip_ipi​固定不变,且所有结果的概率之和为1,即p1+p2+...+pk=1p_1+p_2+...+p_k=1p1​+p2​+...+pk​=1;
  5. 计数型:研究的核心是“各结果在n次试验中出现的次数”,而非其他指标。

三、多项分布的数学定义与概率计算

1. 符号与分布表示

假设进行n次独立重复试验,单次试验有k个结果,各结果的发生概率为p1,p2,...,pkp_1,p_2,...,p_kp1​,p2​,...,pk​(满足∑i=1kpi=1\sum_{i=1}^k p_i=1∑i=1k​pi​=1)。

用X1,X2,...,XkX_1,X_2,...,X_kX1​,X2​,...,Xk​分别表示k个结果在n次试验中出现的次数(满足∑i=1kXi=n\sum_{i=1}^k X_i=n∑i=1k​Xi​=n,且Xi≥0X_i≥0Xi​≥0为整数),则称随机向量(X1,X2,...,Xk)(X_1,X_2,...,X_k)(X1​,X2​,...,Xk​)服从参数为n和p=(p1,p2,...,pk)p=(p_1,p_2,...,p_k)p=(p1​,p2​,...,pk​)的多项分布,记为:
(X1,X2,...,Xk)∼Multinomial(n,p=(p1,p2,...,pk))(X_1,X_2,...,X_k) \sim Multinomial(n, p=(p_1,p_2,...,p_k))(X1​,X2​,...,Xk​)∼Multinomial(n,p=(p1​,p2​,...,pk​))

示例表示:上述抽球实验(n=10,红0.5、蓝0.3、绿0.2),记XRX_RXR​为红球出现次数、XBX_BXB​为蓝球次数、XGX_GXG​为绿球次数,则:
(XR,XB,XG)∼Multinomial(n=10,p=[0.5,0.3,0.2])(X_R,X_B,X_G) \sim Multinomial(n=10, p=[0.5,0.3,0.2])(XR​,XB​,XG​)∼Multinomial(n=10,p=[0.5,0.3,0.2])

2. 概率质量函数(PMF)

多项分布的概率质量函数用于计算“n次试验中,第1个结果出现x1x_1x1​次、第2个结果出现x2x_2x2​次、…、第k个结果出现xkx_kxk​次”的具体概率,公式为:
P(X1=x1,X2=x2,...,Xk=xk)=(nx1,x2,...,xk)⋅p1x1⋅p2x2⋅...⋅pkxkP\left(X_1=x_1, X_2=x_2, ..., X_k=x_k\right)=\binom{n}{x_1, x_2, ..., x_k} \cdot p_1^{x_1} \cdot p_2^{x_2} \cdot ... \cdot p_k^{x_k}P(X1​=x1​,X2​=x2​,...,Xk​=xk​)=(x1​,x2​,...,xk​n​)⋅p1x1​​⋅p2x2​​⋅...⋅pkxk​​

其中包含两个核心部分:

(1)多项式系数

(nx1,x2,...,xk)\binom{n}{x_1, x_2, ..., x_k}(x1​,x2​,...,xk​n​) 表示“n次试验中,分配各结果出现次数的方式数”,计算公式为:
(nx1,x2,...,xk)=n!x1!⋅x2!⋅...⋅xk!\binom{n}{x_1, x_2, ..., x_k} = \frac{n!}{x_1! \cdot x_2! \cdot ... \cdot x_k!}(x1​,x2​,...,xk​n​)=x1​!⋅x2​!⋅...⋅xk​!n!​
(!为阶乘,如5!=5×4×3×2×1,0!=1)

(2)概率乘积项

p1x1⋅p2x2⋅...⋅pkxkp_1^{x_1} \cdot p_2^{x_2} \cdot ... \cdot p_k^{x_k}p1x1​​⋅p2x2​​⋅...⋅pkxk​​ 表示“第1个结果出现x1x_1x1​次、第2个结果出现x2x_2x2​次……”的概率乘积,是单次试验概率的多次幂。

3. 实际计算示例

仍以抽球实验为例,计算10次试验中红球出现5次、蓝球3次、绿球2次的概率:
已知n=10,xR=5,xB=3,xG=2x_R=5, x_B=3, x_G=2xR​=5,xB​=3,xG​=2,pR=0.5,pB=0.3,pG=0.2p_R=0.5, p_B=0.3, p_G=0.2pR​=0.5,pB​=0.3,pG​=0.2,代入公式:
P(XR=5,XB=3,XG=2)=10!5!⋅3!⋅2!⋅0.55⋅0.33⋅0.22P\left(X_R=5, X_B=3, X_G=2\right)=\frac{10!}{5! \cdot 3! \cdot 2!} \cdot 0.5^5 \cdot 0.3^3 \cdot 0.2^2P(XR​=5,XB​=3,XG​=2)=5!⋅3!⋅2!10!​⋅0.55⋅0.33⋅0.22

分步计算:

  • 多项式系数:10!5!⋅3!⋅2!=3628800120×6×2=2520\frac{10!}{5! \cdot 3! \cdot 2!}=\frac{3628800}{120 \times 6 \times 2}=25205!⋅3!⋅2!10!​=120×6×23628800​=2520
  • 概率乘积:0.55×0.33×0.22=0.03125×0.027×0.04=0.000033750.5^5 \times 0.3^3 \times 0.2^2=0.03125 \times 0.027 \times 0.04=0.000033750.55×0.33×0.22=0.03125×0.027×0.04=0.00003375
  • 最终概率:2520×0.00003375=0.085052520 \times 0.00003375=0.085052520×0.00003375=0.08505

即10次抽球中,红球5次、蓝球3次、绿球2次的概率为8.505%。

四、多项分布的公式推导逻辑

多项分布的公式并非凭空推导,核心基于二项分布的推广和组合计数原理,理解推导逻辑能更灵活地应用该分布:

  1. 从二项分布推广:当k=2(仅两个结果)时,多项分布会直接退化为二项分布。例如将“蓝球+绿球”视为一个结果,抽球实验就变成“红球(0.5)、非红球(0.5)”的二项分布,符合二项分布的概率计算规则;
  2. 组合计数:多项式系数解决了“n次试验中,如何分配k个结果的出现次数”的问题,本质是对n次试验进行分组,每组对应一个结果的出现次数;
  3. 概率乘积:由于试验相互独立,多个结果分别出现对应次数的概率,等于各结果单次概率的多次幂的乘积。

简单来说,多项分布的概率公式 = 分配次数的方式数 × 各结果出现对应次数的概率乘积。

五、Python实现多项分布的模拟与可视化

本科/研究生在做实验、数据分析时,常需要用代码模拟多项分布并可视化结果,以下基于Python的numpy(生成多项分布数据)和matplotlib(可视化)实现,代码注释清晰,可直接运行,以**红、蓝、绿球抽球实验(n=1000,p=[0.5,0.3,0.2])**为例:

完整代码

import numpy as np
import matplotlib.pyplot as plt

# 设置多项分布参数
n = 1000  # 总试验次数
p = [0.5, 0.3, 0.2]  # 各结果的概率(红、蓝、绿)
k = len(p)  # 结果的种类数

# 生成多项分布随机数据:size=1表示生成1组数据,[0]取结果数组
data = np.random.multinomial(n, p, size=1)[0]

# 可视化结果:条形图展示各结果的出现频率
labels = ['Red', 'Blue', 'Green']  # 坐标轴标签
plt.bar(labels, data, color=['red', 'blue', 'green'])  # 绘制条形图
plt.title(f'Multinomial Distribution (n={n}, p={p})')  # 图表标题
plt.xlabel('Outcomes')  # x轴标签:试验结果
plt.ylabel('Frequency')  # y轴标签:出现次数
plt.show()  # 显示图表

# 输出各结果的具体出现次数
print(f'实验中红球出现次数:{data[0]}')
print(f'实验中蓝球出现次数:{data[1]}')
print(f'实验中绿球出现次数:{data[2]}')

运行结果说明

  1. 数值输出:运行后会打印红、蓝、绿球的具体出现次数,示例结果为:红球490次、蓝球313次、绿球197次(因随机生成,结果会在理论值附近波动,符合大数定律);
  2. 可视化输出:会生成一个条形图,横轴为试验结果(Red/Blue/Green),纵轴为出现次数,能直观看到各结果的频率分布,且频率会接近预设的概率(0.5、0.3、0.2)。

代码拓展

若需要生成多组多项分布数据(如模拟10次1000抽球实验),只需将size=1改为size=10即可,后续可对多组数据做统计分析(如求均值、方差)。

六、总结

  1. 多项分布是二项分布的推广,适用于k≥3个结果的独立重复试验,核心研究“各结果在固定次数试验中出现次数的概率”;
  2. 适用条件为:多结果、独立试验、固定次数、概率固定且和为1、计数型研究目标;
  3. 概率计算的核心是多项式系数和概率乘积项的乘积,即多项分布的概率质量函数;
  4. 借助Python的numpy和matplotlib可快速模拟多项分布并可视化,是本科/研究生进行数据模拟、实验分析的常用方法。

多项分布在实际应用中十分广泛,比如机器学习中的分类问题概率建模、统计学中的列联表分析、经济学中的市场份额预测等,掌握该分布的定义、计算和代码实现,是后续进阶学习的重要基础。

概率分布 概率在机器学习中起着重要的作用,概率表示的是事件发生的频率。偏频派认为,事情发生的概率是固定的,给与的样本越多,求得的概率的正确率越高。而贝叶斯派则认为,事情发生的概率是服从一定分布的,是不确定的。 阅读详情

相关推荐

多项分布(一种离散分布)

多项式分布 多项式分布是二项分布的扩展,进行nnn次独立重复试验 ,每次试验都有 kkk 种可能结果 假设我们进行 nnn 次试验,每次试验有 kkk 种互不相容的结果,每种结果出现的概率分别是 p1,p2,p3,⋯,pkp_1,p_2,p_3,\cdots,p_kp1​,p2​,p3​,⋯,pk​ 我们用 f(x1,x2,⋯ ,xk)f(x_1,x_2,\cdots,x_k)f(x1​,x2​,⋯,xk​) 表示在这 nnn 次试验中,第 iii 种可能的结果出现了 xix_ixi​ 次的概率,其中

一个搬运知识的笨小孩 1万+

多项分布-概率分布函数公式推导

是n次试验中,子事件【k】发生的次数,那么在n次试验中,这样的组合共出现了多少次?也就是该通项的系数了,系数怎么求呢?你会觉得很突兀,这是个什么东西!看到了这,我们不经会问,这个叫【二项分布】,那么【多项分布】会不会与这个高度相似呢?即n个因子相乘,此时我们将每一个乘积项看作是一次独立的试验,那么整个表达式就是表达n重独立的试验。除此之外,它为什么叫【二项分布】,其实是因为它的形式,高度相像于二项式展开的【通项】那么到此,我相信你不会再觉得【多项分布】公式的出现是很突兀的了。上述公共项中,其中【

qq_46396470的博客 2723

基于python的排课表系统,用python编写排课系统

实现一个具体的课程管理系统。(5) 学生可以查看自己选上的课的成绩,以及各个课程的得分、绩点,并给出其平均绩点,但不允许查看年级其他人的成绩。(2) 学生定制专属课表,可以查看整个学期本人的课程安排,包括课程名称、上课时间、上课地点、任课老师、学分等等。(13) 系主任可以查看整个系的全部学生以及他们的平均绩点,可以对每个班进行排名,或者也可以对整个系进行排名。(15) 系主任可以查看整个学期所开设的所有课程,包括这些课程的全部详细信息。(1) 学生基本信息的查询,学生可以对本人的系统登陆密码进行修改。

yang0728y的博客 2000

多项分布 Multinomial Distribution

多项分布

DreamABCDEF的博客 2011

STC15W204S最小系统开发指南:从串口通讯到自动热加载全流程

本文详细介绍了STC15W204S最小系统的完整开发流程。从芯片资源解析、最小系统搭建、串口通讯驱动编写(使用Timer2生成波特率),到实现基于魔术值触发的自动热加载功能,并最终集成Keil与STC-ISP软件,构建高效的自动化开发工作流,显著提升嵌入式调试效率。

a1b2c的博客 397

Python+Seaborn可视化:双因素方差分析结果这样呈现更专业

本文详细介绍了如何利用Python中的Seaborn和statsmodels库,专业地执行并可视化双因素方差分析结果。通过模拟实验数据,演示了从模型构建、统计检验(包括交互作用分析)到诊断验证的全流程。重点展示了如何使用Seaborn绘制交互效应图、组合分布图及热图,将复杂的统计结果转化为直观、富有洞察力的可视化图表,助力科研论文与商业报告的专业呈现。

weixin_29274969的博客 137

概率统计13——二项分布与多项分布

原文 |https://mp.weixin.qq.com/s/bOchsmHTINKKlyabCQKMSg 相关阅读 最大似然估计(概率10) 寻找“最好”(3)函数和泛函的拉格朗日乘数法 伯努利分布   如果随机试验仅有两个可能的结果,那么这两个结果可以用0和1表示,此时随机变量X将是一个0/1的变量,其分布是单个二值随机变量的分布,称为伯努利分布。注意伯努利分布关注的是结果只有0和...

我是8位的 1万+

用C++手把手教你连接SimNow期货模拟盘:从CTP API封装到第一个订单(附完整代码)

本文详细介绍了如何使用C++连接SimNow期货模拟盘,从CTP API的基础架构解析到实现第一个订单的完整流程。内容涵盖CTP API的封装、SimNow环境配置、交易通道实现、行情接收与处理等核心环节,并提供完整代码示例,帮助开发者快速掌握量化交易中的期货模拟盘连接技术。

weixin_27215337的博客 333

多项分布

多项分布的概念 多项分布是最重要的离散型多维分布,假设A1,A2,...,An是某一试验下的完备事件群,即事件两两互斥,且其和为必然事件(即每次试验有且仅有一个事件Ai发生),分别以p1,p2,...,pn记为事件A1,A2,...,An发生的概率,pi>0,p1+p2+...+pn=1。现将试验独立重复N次,以Xi记为在N次试验中事件Ai出现的次数,X=(X1,X2,...,Xn)为n维随机向

tbinjiayou 9166

【KITTI数据集中Raw_Data数据标定文件中的参数关系解读】

上一节本人将KITTI Odometry数据集中的参数文件进行了解释。本节主要针对一些做融合slam的人,将Raw_Data数据标定文件中的参数按照自己的理解做如下阐述。其中,所讲之处如有错误,欢迎各位批评指正。

weixin_43389152的博客 1527

PCL 建筑物点云立面和平面分割提取【2025最新版】

在建筑物点云中,立面点和平面点的法向量存在明显的差异,根据法向量在Z方向的分量设置相应得阈值即可实现立面点与平面点的分割。

点云侠的博客 1963

伯努利分布和多项分布

参考资料:《深度学习》3.9.1-3.9.2 伯努利分布 伯努利分布(Bernoulli distribution):是单个二值随机变量的分布。 性质: P(x=1)=ϕP(x=0)=1−ϕp(x=n)=ϕn(1−ϕ)1−nE(x)=ϕVar(x)=ϕ(1−ϕ) P(x=1)=\phi\\ P(x=0)=1-\phi\\ p(x=n)=\phi ^n(1-\phi )^{1-n}\\ E(x)=\phi\\ Var(x)=\phi (1-\phi) P(x=1)=ϕP(x=0)=1−ϕp(x=n)=ϕ.

weixin_46744571的博客 930

手把手教你使用ConvNeXt训练自己数据集和推理,ConvNeXt模型训练(CVPR 2022),一个能挑战 Vision Transformer 的卷积神经网络,含完整代码和数据集

手把手教你使用ConvNeXt训练自己数据集和推理,ConvNeXt模型训练(CVPR 2022),一个能挑战 Vision Transformer 的卷积神经网络,含完整代码和数据集

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 1460

概率分布:Bernoulli分布,二项分布,multinoulli分布和多项分布

Bernoulli分布 在现实生活中,许多事件的结果往往只有两个,例如:抛硬币结果只有正面朝上或反面朝上,这类事件被称为伯努利试验。其概率分布称为Bernoulli分布,也称为两点分布、0-1分布,是最简单的离散型概率分布。 假设某个试验是伯努利试验,x∈{0,1}x\in \{0,1\}x∈{0,1},xxx取0概率为p,取1的概率为1-p。则其概率质量函数为: P(x)=px(1−p)(1−x...

weixin_37990186的博客 4578

智慧社区:安防系统解决方案

智慧社区:安防系统解决方案

s13166803785的博客 434

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

概率分布之二项分布与多项分布

1. 伯努利分布(Bernoulli distribution)  伯努利分布又称二点分布或0-1分布,即一次试验只有正例和反例两种可能,以随机变量表示就是X只能取0或1,伯努利试验是只有两种可能结果的单次随机试验

jteng的专栏 3万+

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

Python生成多项分布随机数

二项分布最常见的案例就是投硬币,那么投掷硬币可能有两个结果产生,所以谓之二项;如果把硬币改成骰子,由于骰子有6个面,相当于每次对应六个可能发生的结果,从而可以谓之六项分布。总而言之,把一个总体按照某种属性分成有限个类的时候,就会涉及到多项分布。

微小冷的学习笔记 2329

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

概率与常见的概率分布

概率是数据分析、机器学习中最基础的知识。也是在生活中最实用的一门学科,学了很多大道理不一定能过好一生,学好概率则有一定概率会变得更好。

五只鸭子的专栏 2628

伯努利分布、二项分布、多项分布、Beta分布、Dirichlet分布

1. 伯努利分布 伯努利分布(Bernoulli distribution)又名两点分布或0-1分布,介绍伯努利分布前首先需要引入伯努利试验(Bernoulli trial)。 伯努利试验是只有两种可能结果的单次随机试验,即对于一个随机变量X而言: 伯努利试验都可以表达为“是或否”的问题。例如,抛一次硬币是正面向上吗?刚出生的小孩是个女孩吗?等等 如果试验E是一个伯努

灵感屋的专栏 10万+

多项分布模拟及 Seaborn 可视化教程

多项分布是二项分布的推广,它描述了在 n 次独立试验中,k 种不同事件分别出现次数的离散概率分布。与二项分布只能有两种结果(例如成功/失败)不同,多项分布可以有 k 种(k ≥ 2)及以上的不同结果。为了方便其他设备和平台的小伙伴观看往期文章:,关注后即可获取最新文章推送。

小万哥的博客 580

PyTorch中多项分布中随机采样(multinomial)和张量范数(norm)函数使用详解

参数说明input输入张量(Tensor)p范数类型,常见如'fro'、1、2、float(‘inf’) 等dim指定在哪个维度上计算范数(可为 int 或 tuple)keepdim是否保留计算后的维度(True/False)dtype设置返回的精度,如out可选,输出结果张量(in-place 操作)用法示例含义L2 范数每行 L1 范数向量最大值(∞ 范数)L2 范数 + 保留维度。

qq_36812406的博客 1807

内容范围:正态分布,泊松分布,多项分布,二项分布,伯努利分布

也许,机遇不会出现在前进的路上,但返回不是我们的方向。作者:泛音公众号:知识交点内容范围:正态分布,泊松分布,多项分布,二项分布,伯努利分布简述:正态分布是上述分布趋于极限的分布,属于连...

zenRRan的博客 1399

多项分布 (Multinomial Distribution)

假设一次试验有KKK种可能的结果,每种结果发生的概率分别为p1p2⋯pkp1​p2​⋯pk​。∑k1Kpk1且pk⩾0k12⋯K\sum\limits_{k=1}^K p_k = 1, \quad 且 \quad p_k \geqslant 0 \ (k=1,2,\cdots,K)k1∑K​pk​1且pk​⩾0k12⋯K现在进行nnn次独立的试验,用随机变量X1X2⋯。

u013600306的博客 1769

伯努利分布、二项分布和多项分布

1 伯努利分布 (Bernouli Distribution) 伯努利分布(Bernoulli distribution)又名 两点分布 或 0-1分布,在讲伯努利分布前首先需要介绍伯努利试验(Bernoulli Trial)。 1.1 伯努利试验 伯努利试验是只有两种可能结果的单词随机试验,即对于一个随机变量 XXX: P[X=1]=pP[X=0]=1−p \begin{aligned} P[X=1]&=p\\ P[X=0]&=1-p \end{aligned} P[X=1]P[X=0]​

coffee_cream的博客 7770

多项分布与范畴分布

1. 伯努利分布(Bernoulli distribution)   伯努利分布又称二点分布或0-1分布,即一次试验只有正例和反例两种可能,以随机变量表示就是X只能取0或1,伯努利试验是只有两种可能结果的单次随机试验,假设一次试验出现正例的概率为p(0<p<1),那么P(X=1)=pP(X=1)=p,P(X=0)=1−pP(X=0)=1−p,可以统一表达为P(X=k)=pk(1−p)1−k,k=0,1P(X=k)=pk(1−p)1−k,k=0,1,则称X服从参数为p的伯努利分布,记为X∼Ber

michellechouu的专栏 1226
上一篇: 【概率分布】伯努利分布详解
下一篇: 【概率分布】二项分布超详细解析
「已注销」
博客等级 码龄1年 312粉丝 132原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

「已注销」

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值