矩母函数

指数函数是一台"矩打包机"：把 $e^{tX}=\sum _n{t}^n{X}^n/n!$ 逐项取期望，所有整数阶矩就按 Taylor 系数的位置装进同一个函数，逐阶求导即可取出。参数 $t$ 同时是一只倾斜旋钮：$t>0$ 时 $e^{tX}$ 按指数放大大值样本的权重，所以 $M_X(t)$ 是否有限直接检验右尾轻重——尾部重到一定程度（如幂律尾），任何 $t>0$ 都让期望爆炸。第三重身份来自独立性：MGF 本质上是分布的双边 Laplace 变换，把卷积变成乘法，独立和的分析交由函数乘法接管；取对数后，累积量母函数把乘法进一步化为加法，各阶累积量对独立和直接相加。矩的生成、尾部的度量、卷积的对角化——这三重身份解释了它在概率论各处反复出现的原因。

正态分布公理库正态分布Normal distribution · Gaussian distribution · 高斯分布具有指数平方密度、在仿射变换与独立求和下封闭的概率分布族。 $N(\mu ,{\sigma }^2)$ 的 MGF 为 $M(t)=\exp (\mu t+{\sigma }^2{t}^2/2)$，对一切 $t$ 有限；标准正态情形从 $e^{t^2/2}=1+t^2/2+\cdots$ 逐项读出 $\mathbb{E}[X]=0$、$\mathbb{E}[X^2]=1$，方差公理库方差Variance随机变量相对其均值的平方偏差期望，也是最佳常数平方预测的剩余误差。为 $1$。速率为 $\lambda$ 的指数分布公理库指数分布Exponential distribution具有恒定失效率和连续无记忆性的非负等待时间分布。给出 $M(t)=\lambda /(\lambda -t)$，仅在 $t<\lambda$ 时有限——定义域是真区间，但仍含 $0$ 的邻域，矩展开与唯一性照常适用。

反例划出适用边界。Cauchy 分布连 $\mathbb{E}|X|$ 都不存在，$M(t)$ 在一切 $t\ne 0$ 处发散，MGF 完全失效。更精细的是对数正态分布：它的所有正整数阶矩都有限，但对每个 $t>0$ 都有 $M(t)=\mathrm{\infty }$——"各阶矩全部存在"推不出"MGF 在零邻域有限"；而且对数正态的矩序列并不唯一确定分布，存在与它各阶矩完全相同的其他分布。这说明唯一性定理中"在零的邻域内有限"的假设是实质性的。相比之下，特征函数公理库特征函数（概率）Characteristic function of a distribution随机变量的复指数矩，也就是概率分布的 Fourier 变换。 $\mathbb{E}[e^{\mathrm{i}tX}]$ 对任何分布都有定义且总能唯一确定分布，因此极限定理的严格证明多用特征函数；MGF 的价值在于其有限时提供更初等的通道。

Poisson 分布公理库Poisson 分布Poisson distribution · 泊松分布以强度参数描述固定窗口内稀有事件计数的离散分布。把乘法性质展示得最直接：$X\sim \mathrm{Pois}(\lambda )$ 时 $M_X(t)=\exp (\lambda (e^t-1))$，因此两个独立 Poisson 变量的和仍为 Poisson，参数相加。这里只保留 MGF 的识别作用；分布的参数、矩与稀有事件解释由 Poisson 页面统一给出。若只知道两个边缘分布都是 Poisson 而没有独立性，乘法步骤便不成立。

MGF 的第一用途是计算与识别：逐阶求导取矩，或从函数形状直接认出分布——独立正态和的 MGF 仍是正态型、独立 Poisson 和仍是 Poisson 型。第二用途是为Chernoff 方法公理库Chernoff 方法与 Chernoff 界Chernoff method · Chernoff bounds对随机变量施加指数变换并优化参数，以获得指数级尾概率上界。提供指数矩接口；从指数 Markov 模板到参数优化与 Bernoulli 和的闭式界，都由该页统一陈述。对独立坐标的低敏感函数，有界差分不等式公理库有界差分不等式McDiarmid inequality · 有界差异不等式独立输入的函数若对单个坐标不敏感，其输出便以次高斯速度集中在期望附近。沿 Doob 鞅逐步控制条件指数矩，延续的是同一“指数矩换尾界”思路，而不是假定目标函数本身有一个普通单变量 MGF。

在正则指数族中，log-partition 函数本质上是自然统计量的对数 MGF，其梯度和 Hessian 给均值与协方差；标准 ${\chi }^2$ 等抽样分布公理库卡方分布Chi-square distribution · Chi-squared distribution · χ² distribution若干独立标准正态变量平方和的分布，以自由度记录独立平方方向的数量。也可由 MGF 识别与相加。若 MGF 在零附近不存在，矩或特征函数方法仍可能工作，不能因此断言分布或估计极限不存在。

第三用途是极限定理：当各 MGF 在公共邻域内有限时，逐点收敛到某分布的 MGF 蕴含依分布收敛公理库依分布收敛Convergence in distribution · Weak convergence分布函数在极限分布连续点处收敛的随机变量收敛概念。，中心极限定理公理库中心极限定理Central limit theorem适当归一化的独立随机变量和在分布上趋于正态分布。的初等证明正是对标准化和的矩母函数做 Taylor 展开取极限。Hedge公理库指数权重与 HedgeHedge algorithm · exponential weights在全信息有界损失下按累计损失指数加权，并取得平方根级专家 regret。也使用指数和与 log-sum-exp 势函数，但其中对专家索引的加权和是算法势能，不是某个随机变量的矩母函数；两者共享指数凸性技巧，不共享定义。