矩生成函数 (Moment Generating Function)
矩生成函数 （Moment Generating Function，简称MGF）是概率论 和统计学 中一个基础而强大的分析工具，其核心功能在于通过一个统一的函数形式完整地编码随机变量 的所有矩 （moments）信息。矩生成函数在概率分布的理论分析、参数估计和极限定理证明中扮演着不可或缺的角色。
对于一个给定的随机变量 X X X M X ( t ) M_X(t) M X ( t ) e t X e^{tX} e tX 期望值 ：
M X ( t ) = E [ e t X ] M_X(t) = E[e^{tX}] M X ( t ) = E [ e tX ] 其中 t t t t = 0 t=0 t = 0 离散随机变量 ，若其概率质量函数 为 p ( x ) p(x) p ( x ) M X ( t ) = ∑ x e t x p ( x ) M_X(t) = \sum_x e^{tx} p(x) M X ( t ) = ∑ x e t x p ( x ) 连续随机变量 ，若其概率密度函数 为 f ( x ) f(x) f ( x ) M X ( t ) = ∫ − ∞ ∞ e t x f ( x ) d x M_X(t) = \int_{-\infty}^{\infty} e^{tx} f(x) \, dx M X ( t ) = ∫ − ∞ ∞ e t x f ( x ) d x
矩生成原理与计算
矩生成函数之所以得名，是因为它可以方便地生成随机变量的各阶原点矩 E [ X n ] E[X^n] E [ X n ] 泰勒级数 展开：
e t X = ∑ k = 0 ∞ ( t X ) k k ! = 1 + t X + t 2 X 2 2 ! + t 3 X 3 3 ! + ⋯ e^{tX} = \sum_{k=0}^{\infty} \frac{(tX)^k}{k!} = 1 + tX + \frac{t^2 X^2}{2!} + \frac{t^3 X^3}{3!} + \cdots e tX = k = 0 ∑ ∞ k ! ( tX ) k = 1 + tX + 2 ! t 2 X 2 + 3 ! t 3 X 3 + ⋯ 在适当的正则条件下（期望与求和可交换顺序），对上式两边取期望，得到：
M X ( t ) = E [ e t X ] = ∑ k = 0 ∞ t k E [ X k ] k ! = E [ X 0 ] + t E [ X 1 ] + t 2 2 ! E [ X 2 ] + t 3 3 ! E [ X 3 ] + ⋯ M_X(t) = E[e^{tX}] = \sum_{k=0}^{\infty} \frac{t^k E[X^k]}{k!} = E[X^0] + tE[X^1] + \frac{t^2}{2!}E[X^2] + \frac{t^3}{3!}E[X^3] + \cdots M X ( t ) = E [ e tX ] = k = 0 ∑ ∞ k ! t k E [ X k ] = E [ X 0 ] + tE [ X 1 ] + 2 ! t 2 E [ X 2 ] + 3 ! t 3 E [ X 3 ] + ⋯ 由此可见，M X ( t ) M_X(t) M X ( t ) t t t k k k E [ X k ] E[X^k] E [ X k ] t k / k ! t^k/k! t k / k !
在实践中，更常用的方法是直接对MGF求导。将 M X ( t ) M_X(t) M X ( t ) t t t k k k t = 0 t=0 t = 0 k k k
E [ X k ] = M X ( k ) ( 0 ) = d k d t k M X ( t ) ∣ t = 0 E[X^k] = M_X^{(k)}(0) = \left. \frac{d^k}{dt^k} M_X(t) \right|_{t=0} E [ X k ] = M X ( k ) ( 0 ) = d t k d k M X ( t ) t = 0 具体而言，一阶导数在 t = 0 t=0 t = 0 E [ X ] E[X] E [ X ] E [ X 2 ] E[X^2] E [ X 2 ] 方差 ：Var ( X ) = E [ X 2 ] − ( E [ X ] ) 2 \text{Var}(X) = E[X^2] - (E[X])^2 Var ( X ) = E [ X 2 ] − ( E [ X ] ) 2
三大核心性质
矩生成函数之所以在理论推导中占据重要地位，主要归功于以下三个关键性质。
唯一性定理 ：如果两个随机变量的MGF在 t = 0 t=0 t = 0 概率分布 。这一性质赋予了MGF"分布指纹"的功能——只要计算出某个随机变量的MGF，并将其与已知分布的MGF对比，就可以唯一确定其分布类型。这在推导中心极限定理 等经典结论时发挥了关键作用。
线性变换性质 ：若 Y = a X + b Y = aX + b Y = a X + b a a a b b b Y Y Y M Y ( t ) = e t b M X ( a t ) M_Y(t) = e^{tb} M_X(at) M Y ( t ) = e t b M X ( a t ) Z = ( X − μ ) / σ Z = (X - \mu)/\sigma Z = ( X − μ ) / σ
独立和性质 ：设 X 1 , X 2 , … , X n X_1, X_2, \dots, X_n X 1 , X 2 , … , X n 独立 的随机变量，令 S n = X 1 + X 2 + ⋯ + X n S_n = X_1 + X_2 + \cdots + X_n S n = X 1 + X 2 + ⋯ + X n S n S_n S n
M S n ( t ) = M X 1 ( t ) ⋅ M X 2 ( t ) ⋅ ⋯ ⋅ M X n ( t ) M_{S_n}(t) = M_{X_1}(t) \cdot M_{X_2}(t) \cdot \dots \cdot M_{X_n}(t) M S n ( t ) = M X 1 ( t ) ⋅ M X 2 ( t ) ⋅ ⋯ ⋅ M X n ( t ) 这一性质的证明直接源于独立随机变量乘积的期望等于期望的乘积：E [ e t ( X 1 + ⋯ + X n ) ] = E [ e t X 1 ⋯ e t X n ] = E [ e t X 1 ] ⋯ E [ e t X n ] E[e^{t(X_1+\cdots+X_n)}] = E[e^{tX_1} \cdots e^{tX_n}] = E[e^{tX_1}] \cdots E[e^{tX_n}] E [ e t ( X 1 + ⋯ + X n ) ] = E [ e t X 1 ⋯ e t X n ] = E [ e t X 1 ] ⋯ E [ e t X n ] 正态分布 ，独立泊松变量之和仍服从泊松分布 ，独立伽玛变量之和仍服从伽玛分布 等。这些结论在数理统计和随机过程理论中具有广泛的应用。
示例：指数分布的MGF
下面以指数分布 为例，展示MGF的具体计算与应用。设 X ∼ Exp ( λ ) X \sim \text{Exp}(\lambda) X ∼ Exp ( λ ) f ( x ) = λ e − λ x f(x) = \lambda e^{-\lambda x} f ( x ) = λ e − λ x x ≥ 0 x \geq 0 x ≥ 0 λ > 0 \lambda > 0 λ > 0
首先计算MGF：
M X ( t ) = ∫ 0 ∞ e t x ⋅ λ e − λ x d x = λ ∫ 0 ∞ e − ( λ − t ) x d x M_X(t) = \int_0^{\infty} e^{tx} \cdot \lambda e^{-\lambda x} \, dx = \lambda \int_0^{\infty} e^{-(\lambda - t)x} \, dx M X ( t ) = ∫ 0 ∞ e t x ⋅ λ e − λ x d x = λ ∫ 0 ∞ e − ( λ − t ) x d x 为保证积分收敛，需满足 λ − t > 0 \lambda - t > 0 λ − t > 0 t < λ t < \lambda t < λ
M X ( t ) = λ ⋅ 1 λ − t = λ λ − t M_X(t) = \lambda \cdot \frac{1}{\lambda - t} = \frac{\lambda}{\lambda - t} M X ( t ) = λ ⋅ λ − t 1 = λ − t λ 利用求导法计算矩。一阶导数 M X ′ ( t ) = λ / ( λ − t ) 2 M'_X(t) = \lambda / (\lambda - t)^2 M X ′ ( t ) = λ / ( λ − t ) 2 t = 0 t=0 t = 0 E [ X ] = 1 / λ E[X] = 1/\lambda E [ X ] = 1/ λ M X ′ ′ ( t ) = 2 λ / ( λ − t ) 3 M''_X(t) = 2\lambda / (\lambda - t)^3 M X ′′ ( t ) = 2 λ / ( λ − t ) 3 t = 0 t=0 t = 0 E [ X 2 ] = 2 / λ 2 E[X^2] = 2/\lambda^2 E [ X 2 ] = 2/ λ 2 Var ( X ) = 2 / λ 2 − ( 1 / λ ) 2 = 1 / λ 2 \text{Var}(X) = 2/\lambda^2 - (1/\lambda)^2 = 1/\lambda^2 Var ( X ) = 2/ λ 2 − ( 1/ λ ) 2 = 1/ λ 2
常见分布的矩生成函数
下表汇总了若干常见概率分布的MGF，便于查阅和使用：
分布 参数 M X ( t ) 定义域 伯努利 p 1 − p + p e t R 二项 n , p ( 1 − p + p e t ) n R 泊松 λ e λ ( e t − 1 ) R 正态 μ , σ 2 e μ t + σ 2 t 2 / 2 R 指数 λ λ / ( λ − t ) t < λ 伽玛 α , β ( β / ( β − t ) ) α t < β 均匀 a , b ( e t b − e t a ) / ( t ( b − a ) ) R \begin{array}{c|c|c|c}
\text{分布} & \text{参数} & M_X(t) & \text{定义域} \\ \hline
\text{伯努利} & p & 1 - p + pe^t & \mathbb{R} \\
\text{二项} & n, p & (1 - p + pe^t)^n & \mathbb{R} \\
\text{泊松} & \lambda & e^{\lambda(e^t - 1)} & \mathbb{R} \\
\text{正态} & \mu, \sigma^2 & e^{\mu t + \sigma^2 t^2 / 2} & \mathbb{R} \\
\text{指数} & \lambda & \lambda / (\lambda - t) & t < \lambda \\
\text{伽玛} & \alpha, \beta & (\beta / (\beta - t))^\alpha & t < \beta \\
\text{均匀} & a, b & (e^{tb} - e^{ta}) / (t(b - a)) & \mathbb{R}
\end{array} 分布 伯努利 二项 泊松 正态 指数 伽玛 均匀 参数 p n , p λ μ , σ 2 λ α , β a , b M X ( t ) 1 − p + p e t ( 1 − p + p e t ) n e λ ( e t − 1 ) e μ t + σ 2 t 2 /2 λ / ( λ − t ) ( β / ( β − t ) ) α ( e t b − e t a ) / ( t ( b − a )) 定义域 R R R R t < λ t < β R 通过观察上表可以发现，不同分布的MGF具有截然不同的函数形式，这正是唯一性定理能够有效运作的基础。例如，正态分布的MGF是指数二次型 e μ t + σ 2 t 2 / 2 e^{\mu t + \sigma^2 t^2 / 2} e μ t + σ 2 t 2 /2
累积量生成函数
与MGF密切相关的另一个概念是累积量生成函数 （Cumulant Generating Function，CGF），定义为MGF的自然对数：
K X ( t ) = ln M X ( t ) K_X(t) = \ln M_X(t) K X ( t ) = ln M X ( t ) 将 K X ( t ) K_X(t) K X ( t ) t = 0 t=0 t = 0 累积量 κ 1 , κ 2 , … \kappa_1, \kappa_2, \dots κ 1 , κ 2 , …
K X ( t ) = κ 1 t + κ 2 2 ! t 2 + κ 3 3 ! t 3 + κ 4 4 ! t 4 + ⋯ K_X(t) = \kappa_1 t + \frac{\kappa_2}{2!} t^2 + \frac{\kappa_3}{3!} t^3 + \frac{\kappa_4}{4!} t^4 + \cdots K X ( t ) = κ 1 t + 2 ! κ 2 t 2 + 3 ! κ 3 t 3 + 4 ! κ 4 t 4 + ⋯ 前几个累积量具有明确的统计含义：κ 1 = E [ X ] \kappa_1 = E[X] κ 1 = E [ X ] κ 2 = Var ( X ) \kappa_2 = \text{Var}(X) κ 2 = Var ( X ) κ 3 = E [ ( X − μ ) 3 ] \kappa_3 = E[(X - \mu)^3] κ 3 = E [( X − μ ) 3 ] 偏度 ，κ 4 = E [ ( X − μ ) 4 ] − 3 σ 4 \kappa_4 = E[(X - \mu)^4] - 3\sigma^4 κ 4 = E [( X − μ ) 4 ] − 3 σ 4 峰度 。累积量生成函数相比MGF的一个优势在于：对于独立随机变量之和，其CGF等于各分量CGF之和（加法性质），而MGF则是乘积形式，因此CGF在理论推导中有时更为便利。
局限性与替代方案
尽管矩生成函数功能强大，但它并非适用于所有情况。最主要的限制是存在性问题 ：并非所有随机变量都存在MGF。例如，服从柯西分布 和对数正态分布 的随机变量，由于其尾部较重，定义MGF的积分或求和在任何包含零的开区间内都不收敛，因此MGF不存在。
为了克服这一局限，概率论中引入了特征函数 （Characteristic Function），定义为 ϕ X ( t ) = E [ e i t X ] \phi_X(t) = E[e^{itX}] ϕ X ( t ) = E [ e i tX ] i i i 虚数单位 。由于 ∣ e i t X ∣ = 1 |e^{itX}| = 1 ∣ e i tX ∣ = 1 t t t 复分析 ，在计算上比MGF更为复杂。因此，在矩存在且容易处理的场合，MGF因其形式简洁和计算直观而仍然是教学和基础应用中的首选工具。
关于知经 KNOWECON
知经 KNOWECON 是深圳市卢可教育科技有限公司旗下的教育科技品牌，长期面向北京大学、清华大学、中国人民大学等顶尖院校，提供经济学、金融学、统计学、管理学等相关科目的专业课考研辅导与复试辅导。每年都有数十名同学在我们的帮助下完成系统备考，并成功进入理想院校。
知经主讲人喵喵学长毕业于北京大学汇丰商学院经济学专业和新加坡国立大学金融工程专业，获经济学硕士与金融工程硕士学位。他同时也是软件工程师和教育科技创业者，长期探索用讲义、题库、记忆系统、智能答疑与学习数据工具改善专业课学习体验。
我们相信，好的考研辅导不只是押题和陪跑，更是把复杂知识讲清楚、把复习路径设计清楚，并用技术让学习过程更可追踪、更可反馈、更可坚持。