目录
前言
学习 Steven Brunton 讲授的概率与统计入门概述视频，本篇文章记录第四十讲：矩母函数的可加性质，记录下个人学习笔记，和大家一起分享交流😄
video ：https://www.youtube.com/playlist?list=PLMrJAkhIeNNR3sNYvfgiKgcStwuPSts9V
1. 引言
OK，我们讨论的矩生成函数其实就是概率密度函数的拉普拉斯变换，这个函数非常实用，可以用来计算分布的期望、方差以及更高阶的矩，同时，矩生成函数在证明中心极限定理时也起着关键作用。
该定理是概率论与统计学中奠基性的核心结论：当若干个独立同分布的随机变量相加时，它们的和会逐渐趋近于正态分布，这一结论具有深远意义，而其证明过程正是建立在矩生成函数的基础之上。
接下来我要介绍一个基于拉普拉斯变换知识的特性，这个特性既直观又实用，能帮助我们理解矩生成函数的本质。
2. 定义 MGF 的可加性
假设存在两个相互独立的随机变量 X X X 和 Y Y Y ，这两个随机变量可以来自不同的概率分布，唯一的要求是它们彼此独立。这两个随机变量分布对应着各自的矩生成函数 m X m_X mX 和 m Y m_Y mY ，现在定义一个新变量 Z = X + Y Z = X + Y Z=X+Y ，今天要介绍的性质是： Z Z Z 的矩生成函数等于 X X X 与 Y Y Y 的矩生成函数之积：
m Z ( t ) = m X ( t ) m Y ( t ) m_Z(t) = m_X(t) \, m_Y(t) mZ(t)=mX(t)mY(t)
这真是太精妙了，若有两个随机变量，将它们相加后，其和的矩生成函数等于各自矩生成函数的乘积。
这自然会让人联想到微分方程的情形：当处理两个信号的拉普拉斯变换时，原本需要对它们进行卷积运算，但现在经过拉普拉斯变换后，得到的是它们的乘积，这与微分方程和控制理论中的传递函数概念非常相似，在微分方程中，若将多个模块串联，其整体传递函数等于各模块传递函数的乘积，若你熟悉微分方程的话，这其实是个旁证思路，若你未曾接触过微分方程，不妨将此视为统计学中一个实用的新特性。
接下来我要阐述它与中心极限定理的关联，这也正是我介绍这些内容的根本目的。
假设有若干随机变量 X 1 , X 2 , ... , X n X_1,X_2, \ldots,X_n X1,X2,...,Xn ，定义新变量 S n S_n Sn 为这些随机变量之和：
S n = ∑ i = 1 n X i S_n = \sum_{i=1}^n X_i Sn=i=1∑nXi
那么这个新随机变量（即所有变量之和）的矩生成函数恰好等于各变量矩生成函数的乘积：
m S ( t ) = m X ( t ) n m_S(t) = m_X(t)^n mS(t)=mX(t)n
注意，这里 m X n ( t ) m_X^n(t) mXn(t) 表示 m X ( t ) m_X(t) mX(t) 的 n n n 次幂。在证明中心极限定理时，这个性质将变得极其重要，因为我们将明确论证这个求和项会收敛于正态分布，这意味着我们需要证明该矩母函数正是正态分布的矩母函数。这就是我们证明概率论与统计学中最重要的成果之一 --- 中心极限定理的方法。
3. 简要证明
以上就是中心极限定理的表述与性质，接下来我将简要说明其证明思路，证明过程其实相当简单。
随机变量 Z Z Z 的矩生成函数被明确定义为：
m Z ( t ) = E ( e t Z ) = E ( e t ( X + Y ) ) m_Z(t) = \mathbb{E}(e^{tZ})= \mathbb{E}(e^{t(X+Y)}) mZ(t)=E(etZ)=E(et(X+Y))
这里提供几种推导思路，此时可以直接代入期望值公式进行计算，现在要计算的是：对 X X X 和 Y Y Y 进行双重积分，被积函数为 e t ( x + y ) e^{t(x+y)} et(x+y) 乘以概率密度函数，通过这种推导方式，最终能够得出我们所需的结果。
或者可以直接写成：
m Z ( t ) = E ( e t Z ) = E ( e t ( X + Y ) ) = E ( e t x e t y ) = E ( e t x ) E ( e t y ) = m X ( t ) m Y ( t ) \begin{align*} m_Z(t) &= \mathbb{E}(e^{tZ})= \mathbb{E}(e^{t(X+Y)}) \\ &= \mathbb{E}(e^{tx} e^{ty}) \\ &= \mathbb{E}(e^{tx}) \, \mathbb{E}(e^{ty}) \\ &= m_X(t) \, m_Y(t) \end{align*} mZ(t)=E(etZ)=E(et(X+Y))=E(etxety)=E(etx)E(ety)=mX(t)mY(t)
e t x e^{tx} etx 与 e t y e^{ty} ety 的期望乘积，因为指数乘法正是这样运算的，由于 X X X 与 Y Y Y 相互独立， e t X e^{tX} etX 和 e t Y e^{tY} etY（作为随机变量）也相互独立，因此它们乘积的期望等于各自期望的乘积。最终得到的就是 X X X 的矩生成函数与 Y Y Y 的矩生成函数的乘积。
这里我省略了一些中间步骤，如果非要严格推导的话，我会从期望值的完整积分式出发，证明该关于 X X X 和 Y Y Y 的二重积分可拆分为两个独立积分，最终结果正是这两个矩生成函数的乘积，上面只是一个简略的推导框架。
4. 结语
这个极其重要的性质表明：对于两个相互独立的随机变量（必须满足独立性条件），其和的矩生成函数等于两个随机变量各自矩生成函数的乘积，这个性质非常实用，稍后我们在证明中心极限定理时会具体运用它。
结语
本讲揭示的 MGF 加法性质--- m X + Y ( t ) = m X ( t ) m Y ( t ) m_{X+Y}(t) = m_X(t) \, m_Y(t) mX+Y(t)=mX(t)mY(t)（ X , Y X,Y X,Y 独立）---堪称独立随机变量求和运算的 "代数化翻译器"：加法在随机变量空间是线性堆积（ Z = X + Y Z=X+Y Z=X+Y），映射到 MGF 空间后变为乘法分解（ m Z = m X ⋅ m Y m_Z = m_X \cdot m_Y mZ=mX⋅mY）。这一转换的证明仅需两步极度简单的操作：(1) e t ( X + Y ) = e t X e t Y e^{t(X+Y)} = e^{tX} e^{tY} et(X+Y)=etXetY---指数的基本运算性质将加法转为乘法；(2) E ( e t X e t Y ) = E ( e t X ) E ( e t Y ) \mathbb{E}(e^{tX}e^{tY}) = \mathbb{E}(e^{tX})\mathbb{E}(e^{tY}) E(etXetY)=E(etX)E(etY)---独立性确保乘积的期望等于期望的乘积（L29 第二条性质）。两项合一，得证。
推广至 n n n 个 i.i.d. 变量后，求和 S n = ∑ X i S_n = \sum X_i Sn=∑Xi 的 MGF 呈现极简的幂形式： m S n ( t ) = m X ( t ) n m_{S_n}(t) = m_X(t)^n mSn(t)=mX(t)n 。这为 CLT 证明铺设了核心高速公路：标准化的样本均值 S n − n μ σ n \frac{S_n - n\mu}{\sigma\sqrt{n}} σn Sn−nμ 的 MGF 可表示为 m ( t σ n ) n ⋅ e − t n μ / σ m(\\frac{t}{\\sigma\\sqrt{n}})^n \cdot e^{-t\sqrt{n}\mu/\sigma} m(σn t)n⋅e−tn μ/σ，当 n → ∞ n\to\infty n→∞ 时对该式取对数并利用泰勒展开，即可证明其收敛于 e t 2 / 2 e^{t^2/2} et2/2---标准正态的 MGF。MGF 的逐点收敛等价于分布收敛（L37 的唯一性定理），CLT 由此得证。
Brunton 提及的拉普拉斯变换视角为此增添了更宽阔的数学视野：在微分方程和控制理论中，串联系统的传递函数等于各子模块传递函数之积---卷积在频域退化为乘法。独立随机变量之和的分布恰是各分布密度的 卷积 ，而 MGF（作为拉普拉斯变换）将这种卷积关系对角化为 乘积。这不仅是计算上的简化，更是结构上的揭示：独立性将概率世界中最复杂的运算（卷积）转化为最简单的运算（乘法）---所有关于 CLT 的后续论证都将建立在这一代数简化之上 🤗。