KNOWECON WIKI

ARTICLE

累积量

累积量（cumulant）是概率论与数理统计中的一组重要特征量，与矩（moment）密切相关但具有许多优良的代数性质。累积量通过矩生成函数的对数来定义，因而也被称为半不变量（semi-invariant）。在概率分布的分析中，累积量提供了一种比矩更为简洁和结构化的方式来描述分布的性质，尤其在独立随机变量求和的问题中具有不可替代的地位。累积量理论的发展可追溯到

浏览 5 更新 2025-10-26

累积量（cumulant）是概率论与数理统计中的一组重要特征量，与矩（moment）密切相关但具有许多优良的代数性质。累积量通过矩生成函数的对数来定义，因而也被称为半不变量（semi-invariant）。在概率分布的分析中，累积量提供了一种比矩更为简洁和结构化的方式来描述分布的性质，尤其在独立随机变量求和的问题中具有不可替代的地位。累积量理论的发展可追溯到丹麦数学家桑德（Thiele）在十九世纪末的开创性工作，后经费希尔（Fisher）和克拉默（Cramér）等统计学家的系统发展，成为现代统计学的重要基石之一。

定义

设随机变量 X X 的矩生成函数为 M(t)=E[etX] M(t) = \mathbb{E}[e^{tX}] ，则累积量生成函数（cumulant generating function）定义为矩生成函数的自然对数：

K(t)=log⁡M(t)=log⁡E[etX]K(t) = \log M(t) = \log \mathbb{E}[e^{tX}]

将 K(t) K(t) 在 t=0 t=0 处展开为麦克劳林级数：

K(t)=∑n=1∞κntnn!K(t) = \sum_{n=1}^{\infty} \kappa_n \frac{t^n}{n!}

其中 κn \kappa_n 即为第 n n 阶累积量。值得注意的是，累积量生成函数的定义要求矩生成函数在零点的某个邻域内存在，这一条件在某些重尾分布中并不满足。对于此类情况，通常转而使用特征函数 φ(t)=E[eitX] \varphi(t) = \mathbb{E}[e^{itX}] 的对数来定义累积量，因为特征函数始终存在。前几阶累积量的具体形式为：κ1 \kappa_1 等于均值 μ \mu ，κ2 \kappa_2 等于方差 σ2 \sigma^2 ，κ3 \kappa_3 等于三阶中心矩（衡量分布的不对称性，即偏度），κ4 \kappa_4 等于四阶中心矩减去三倍方差的平方（衡量分布的尾部厚度，即超出正态分布的峰度部分）。

累积量与矩的关系

累积量与矩之间可以通过多项式关系相互转换，这一转换关系由组合数学中的贝尔多项式（Bell polynomial）给出统一表达式。设 mn=E[Xn] m_n = \mathbb{E}[X^n] 为第 n n 阶原点矩，则前几阶累积量与矩的关系如下：

κ1=m1\kappa_1 = m_1
κ2=m2−m12\kappa_2 = m_2 - m_1^2
κ3=m3−3m1m2+2m13\kappa_3 = m_3 - 3m_1 m_2 + 2m_1^3
κ4=m4−4m1m3−3m22+12m12m2−6m14\kappa_4 = m_4 - 4m_1 m_3 - 3m_2^2 + 12m_1^2 m_2 - 6m_1^4

这些关系可以通过矩生成函数与累积量生成函数之间的对数关系严格推导得出。从累积量到矩的转换则通过指数函数展开实现，即 M(t)=exp⁡(K(t)) M(t) = \exp(K(t)) ，展开后利用指数函数的级数表达式将各阶矩表达为累积量的多项式组合。这一转换关系在数值计算中具有实用价值：当已知分布的累积量时，可以高效计算各阶矩，反之亦然。在组合学中，累积量与矩之间的转换系数恰好对应于集合划分的组合计数，这一深刻的数学联系进一步揭示了累积量的内在结构。

基本性质

累积量具有三条核心性质，使其在理论分析和实际应用中极具价值。首先是齐次性：对于任意常数 a a ，随机变量 aX aX 的第 n n 阶累积量为 anκn a^n \kappa_n 。这一性质与矩的齐次性一致，反映了缩放变换对分布特征量的影响模式。其次是平移不变性：除一阶累积量外，给随机变量加上常数 c c 不影响高阶累积量，即 κn(X+c)=κn(X) \kappa_n(X+c) = \kappa_n(X) 对 n≥2 n \geq 2 成立。这一性质使得高阶累积量完全由分布的形状决定，不受位置参数干扰，在信号处理中常用于去除直流分量的影响。

第三条也是最关键的性质是独立性下的可加性：若 X X 与 Y Y 相互独立，则有 κn(X+Y)=κn(X)+κn(Y) \kappa_n(X+Y) = \kappa_n(X) + \kappa_n(Y) 对所有 n n 成立。这一性质远优于矩的可加性——矩在独立求和时会出现交叉项，而累积量则完全不受影响。正是这一性质使累积量成为处理独立随机变量求和问题的核心工具。例如，在推导中心极限定理时，利用累积量的可加性可以直观地看到：标准化和的高阶累积量随样本量的增加而趋于零，从而逼近正态分布。特征函数的累积量展开在大数定律和中心极限定理的严格推导中起到了关键作用。

常见分布的累积量

不同概率分布的累积量具有不同的特征形式，这些特征形式往往可以作为分布识别和分类的依据。正态分布具有最为特殊的累积量结构：其一阶累积量为均值 μ \mu ，二阶累积量为方差 σ2 \sigma^2 ，而所有三阶及以上累积量均为零。这一性质实际上是正态分布的本质特征——一个分布是正态分布当且仅当其三阶及以上累积量全部为零。这从累积量的角度深刻解释了中心极限定理的深层内涵：大量独立随机变量之和的分布趋近于正态，正是因为高阶累积量在求和过程中被逐渐抵消至零。这一性质也使得累积量成为检验正态性的有效统计工具。

泊松分布的累积量则呈现出完全不同的模式：其所有阶数的累积量均相等，等于分布的参数 λ \lambda ，即 κn=λ \kappa_n = \lambda 对所有 n≥1 n \geq 1 成立。这一简洁性质在分析泊松过程的叠加时极为便利。伯努利分布的累积量则与其矩一样呈现周期性模式，其累积量生成函数为 K(t)=log⁡(1−p+pet) K(t) = \log(1-p+pe^t) 。指数分布的累积量具有阶乘形式：κn=(n−1)!θn \kappa_n = (n-1)! \theta^n ，其中 θ \theta 为尺度参数，这一形式反映指数分布的无记忆性在累积量空间的对应表现。伽马分布的累积量则可通过其形状参数和尺度参数简洁表达，在保险精算和可靠性分析中有广泛应用。

应用

累积量在多个统计学和机器学习领域有重要应用。在独立成分分析（ICA）中，通过最大化非正态性——通常由四阶累积量（峰度）衡量——来分离独立信号源，这一方法在脑电图（EEG）信号处理和语音分离中取得了显著效果。在时间序列分析中，高阶累积量谱用于检测和识别非线性系统中的高斯偏离，三阶累积量谱（双谱）可以揭示时间序列中的非线性相位耦合现象。在信号处理领域，累积量对高斯噪声的天然不敏感性使其成为检测非高斯信号的有效工具，雷达和通信系统中的信号检测算法常利用这一特性。

在统计推断中，累积量的可加性极大简化了充分统计量和指数族分布的理论分析。艾奇沃斯展开（Edgeworth expansion）利用累积量对分布密度进行高阶逼近，在小样本推断中显著优于中心极限定理的正态近似，为构造更精确的置信区间提供了理论基础。在金融风险管理中，累积量方法被用于计算投资组合的风险价值（VaR）和预期亏损，通过累积量生成函数的鞍点逼近（saddlepoint approximation）实现对尾部概率的高精度估计。此外，在量子光学和统计物理中，累积量展开被用于研究光子计数的统计特性和相变现象的临界行为，展现了该理论跨越学科的广泛影响力。