1.5.1指数族分布基本定义

指数族分布 深度系统讲解

各位同学，今天我们用60余年数理统计研究与教学的沉淀，把指数族分布这个统计学、机器学习、贝叶斯推断的核心基石，从定义本质、符号拆解、实例推导、判定规则到核心性质，讲得透彻、严谨、可落地。

一、先搞懂：我们为什么要学指数族分布？

在概率论中，我们学过正态分布、二项分布、泊松分布、伽马分布、贝塔分布等几十种常见分布，它们的概率公式形式各异，推导期望、方差、充分统计量时，往往要每个分布单独计算，非常繁琐。

而统计学家发现：绝大多数常用的概率分布，都可以被纳入一个统一的数学框架中，这个框架就是指数族分布。
它的核心价值在于：

1. 统一化：把零散的分布用一套标准形式表达，一次性推导整类分布的通用性质，无需逐个重复计算；
2. 简化推断：直接给出参数的充分统计量，大幅降低统计估计的复杂度；
3. 模型基石：是广义线性模型（GLM）、贝叶斯统计、概率机器学习、变分推断的核心理论支撑。

一句话总结：指数族分布不是一个单一分布，而是一大类具有共同数学结构的分布的统称，是统计建模的“通用语言”。

---

二、基本定义：逐符号、逐部分拆解本质

2.1 标准定义

若随机变量\(X\)的概率质量函数（离散型）或概率密度函数（连续型）\(f(x,\theta)\)，可以写成如下标准指数族形式，则称\(X\)服从指数族分布：

\[f(x,\theta) = h(x) \exp\left\{ Q^\text{T}(\theta) T(x) - b(\theta) \right\} = \exp\left\{ Q^\text{T}(\theta) T(x) - b(\theta) - c(x) \right\} \]

两种形式完全等价：因为\(h(x) = e^{-c(x)}\)，把\(h(x)\)纳入指数项，就得到第二种形式，无需困惑。

2.2 核心组成部分：逐个讲透含义、要求与作用

指数族的核心精髓，是把参数和样本完全分离，我们逐个拆解每个部分的本质：

1. 参数与参数空间：\(\theta \in \Theta\)

• \(\theta\)是分布的未知参数向量，可以是一维（如二项分布的成功概率\(\theta\)、泊松分布的强度\(\lambda\)），也可以是多维（如正态分布的\(\theta=(\mu,\sigma^2)\)、伽马分布的\(\theta=(\lambda,\nu)\)）；
• \(\Theta\)是参数空间，即参数\(\theta\)所有合法取值的集合（如二项分布\(\theta \in (0,1)\)，正态分布\(\mu \in \mathbb{R}, \sigma^2>0\)）。

2. 自然参数（典则参数）：\(Q(\theta) = (Q_1(\theta), Q_2(\theta), \dots, Q_k(\theta))^\text{T}\)

• 它是对原始参数\(\theta\)的函数变换，是指数族的核心参数，维度为\(k\)（\(k\)是指数族的阶数，单参数指数族\(k=1\)，双参数\(k=2\)）；
• 核心要求：\(1, Q_1(\theta), \dots, Q_k(\theta)\) 必须线性无关，即不存在不全为0的常数，使得它们的线性组合恒等于0。若线性相关，可合并项降维，得到“极小、满秩”的形式；
• 作用：把原始参数转化为指数族的标准参数形式，实现参数与样本的乘积分离。

3. 充分统计量：\(T(x) = (T_1(x), T_2(x), \dots, T_k(x))^\text{T}\)

• 这是仅关于样本\(x\)的函数，与参数\(\theta\)完全无关，这是铁律！维度与\(Q(\theta)\)完全一致，二者做内积\(Q^\text{T}(\theta)T(x) = \sum_{i=1}^k Q_i(\theta)T_i(x)\)；
• 核心要求：\(1, T_1(x), \dots, T_k(x)\) 必须线性无关，否则可合并降维；
• 本质意义：根据因子分解定理，\(T(x)\)就是参数\(\theta\)的充分统计量——它包含了样本中所有关于未知参数\(\theta\)的信息，是统计推断的核心。

4. 势函数（对数配分函数）：\(b(\theta)\)

• 仅关于参数\(\theta\)的函数，与样本\(x\)完全无关；
• 核心作用：概率归一化。概率密度/质量函数必须满足“积分/求和等于1”，代入指数族形式可得：
  \[\int h(x) \exp\left\{ Q^\text{T}(\theta) T(x) - b(\theta) \right\} dx = e^{-b(\theta)} \int h(x) \exp\left\{ Q^\text{T}(\theta) T(x) \right\} dx = 1 \]
  两边取对数，得到\(b(\theta)\)的本质：
  \[b(\theta) = \log \left( \int h(x) \exp\left\{ Q^\text{T}(\theta) T(x) \right\} dx \right) \]
  其中积分项称为“配分函数”，因此\(b(\theta)\)也叫对数配分函数；
• 关键价值：分布的期望、方差、各阶矩，都可以通过对\(b(\theta)\)求导直接得到，无需计算复杂积分。

5. 基底函数：\(h(x)\)（对应\(c(x) = -\log h(x)\)）

• 仅关于样本\(x\)的非负可测函数，与参数\(\theta\)完全无关，满足\(h(x) \geq 0\)；
• 核心作用1：定义分布的支撑集（即\(f(x,\theta)>0\)的\(x\)的集合）。因为指数项恒正，所以\(f(x,\theta)>0\)当且仅当\(h(x)>0\)，支撑集与参数\(\theta\)无关；
• 核心作用2：承担样本的基础权重，比如泊松分布的\(h(x)=1/x!\)、二项分布的\(h(x)=\binom{n}{x}\)，都是仅与样本有关的项。

2.3 极小、满秩的指数族

教材中提到的“极小、满秩”，本质是指数族的最简无冗余表示：
当\(1,Q_1(\theta),\dots,Q_k(\theta)\)和\(1,T_1(x),\dots,T_k(x)\)分别线性无关时，我们无法再合并项、降低\(k\)的维度，此时的指数族就是极小、满秩的。
举个例子：若\(Q_2=2Q_1\)，则\(Q_1T_1 + Q_2T_2 = Q_1(T_1+2T_2)\)，可将二维项合并为一维，说明原表示存在冗余，不是极小的。
我们后续研究的指数族，均默认是极小、满秩的。

---

三、手把手实例推导：把常见分布化为指数族标准形式

掌握“把分布化为指数族形式”，是检验你是否理解的核心标准。这里给大家一个通用四步转化法：

1. 写出分布的概率密度/质量函数，明确支撑集；
2. 利用\(a^b = \exp(b\log a)\)，把所有乘法项转化为指数形式；
3. 拆分指数内的项，分离出「参数×样本函数」项、「仅参数项」、「仅样本项」；
4. 对应标准形式，匹配\(Q(\theta), T(x), b(\theta), h(x)\)。

下面我们逐个拆解教材中的经典例子，每一步都清晰可追溯。

例1：正态分布 \(X \sim N(\mu, \sigma^2)\)，\(\theta=(\mu, \sigma^2)\)

1. 写出密度函数：
   \[f(x,\theta) = \frac{1}{\sqrt{2\pi \sigma^2}} \exp\left\{ -\frac{(x-\mu)^2}{2\sigma^2} \right\}, \quad x \in \mathbb{R} \]

2. 展开平方项，全部纳入指数：
   \[f(x,\theta) = \exp\left\{ -\log\sqrt{2\pi \sigma^2} + \frac{-x^2 + 2\mu x - \mu^2}{2\sigma^2} \right\} \]

3. 拆分指数内的项：
   \[\underbrace{-\frac{1}{2\sigma^2} \cdot x^2 + \frac{\mu}{\sigma^2} \cdot x}_{参数×样本项} \underbrace{- \frac{\mu^2}{2\sigma^2} - \log\sqrt{2\pi \sigma^2}}_{仅参数项} \]

4. 匹配标准形式：
   • 自然参数：\(Q_1(\theta) = -\frac{1}{2\sigma^2}\)，\(Q_2(\theta) = \frac{\mu}{\sigma^2}\)
   • 充分统计量：\(T_1(x) = x^2\)，\(T_2(x) = x\)
   • 势函数：\(b(\theta) = \frac{\mu^2}{2\sigma^2} + \log\sqrt{2\pi \sigma^2}\)
   • 基底函数：\(h(x)=1\)（无仅样本项）

拓展：\(n\)个独立同分布的正态样本\(X_1,\dots,X_n\)，联合密度的充分统计量为\(T(x)=(\sum_{i=1}^n x_i^2, \sum_{i=1}^n x_i)\)，与因子分解定理的结论完全一致。

例2：二项分布 \(X \sim b(n,\theta)\)（\(n\)已知，未知参数为\(\theta\)）

1. 写出概率质量函数：
   \[f(x,\theta) = \binom{n}{x} \theta^x (1-\theta)^{n-x}, \quad x=0,1,\dots,n \]

2. 转化为指数形式：
   \[f(x,\theta) = \exp\left\{ \log\binom{n}{x} + x\log\theta + (n-x)\log(1-\theta) \right\} \]

3. 拆分项：
   \[\underbrace{\log\left( \frac{\theta}{1-\theta} \right) \cdot x}_{参数×样本项} + \underbrace{n\log(1-\theta)}_{仅参数项} + \underbrace{\log\binom{n}{x}}_{仅样本项} \]

4. 匹配标准形式：
   • 自然参数：\(Q_1(\theta) = \log\left( \frac{\theta}{1-\theta} \right)\)（即logit函数，逻辑回归的核心）
   • 充分统计量：\(T_1(x) = x\)
   • 势函数：\(b(\theta) = -n\log(1-\theta)\)
   • 基底函数：\(h(x) = \binom{n}{x}\)

例3：泊松分布 \(X \sim P(\lambda)\)，参数\(\lambda>0\)

1. 写出概率质量函数：
   \[f(x,\lambda) = \frac{\lambda^x e^{-\lambda}}{x!}, \quad x=0,1,2,\dots \]

2. 转化为指数形式：
   \[f(x,\lambda) = \frac{1}{x!} \exp\left\{ x\log\lambda - \lambda \right\} \]

3. 匹配标准形式：
   • 自然参数：\(Q_1(\lambda) = \log\lambda\)
   • 充分统计量：\(T_1(x) = x\)
   • 势函数：\(b(\lambda) = \lambda\)
   • 基底函数：\(h(x) = \frac{1}{x!}\)

例4：伽马分布 \(X \sim \Gamma(\lambda,\nu)\)，\(\theta=(\lambda,\nu)\)

1. 写出密度函数：
   \[f(x,\theta) = \frac{\lambda^\nu}{\Gamma(\nu)} x^{\nu-1} e^{-\lambda x} I\{x>0\} \]
   其中\(I\{x>0\}\)为指示函数，\(x>0\)时取1，否则为0。
2. 转化为指数形式：
   \[f(x,\theta) = I\{x>0\} \cdot \exp\left\{ -\lambda x + (\nu-1)\log x + \nu\log\lambda - \log\Gamma(\nu) \right\} \]

3. 匹配标准形式：
   • 自然参数：\(Q_1(\theta) = -\lambda\)，\(Q_2(\theta) = \nu-1\)
   • 充分统计量：\(T_1(x) = x\)，\(T_2(x) = \log x\)
   • 势函数：\(b(\theta) = \log\Gamma(\nu) - \nu\log\lambda\)
   • 基底函数：\(h(x) = I\{x>0\}\)

关键反例：带位置参数的指数分布，为什么不是指数族？

带位置参数的指数分布\(E(\lambda,\mu)\)，密度函数为：

\[f(x,\theta) = \lambda e^{-\lambda(x-\mu)} I\{x\geq\mu\}, \quad \theta=(\lambda,\mu) \]

转化为指数形式后为：

\[f(x,\theta) = \exp\left\{ -\lambda x + \lambda\mu + \log\lambda \right\} I\{x\geq\mu\} \]

核心问题出在指示函数\(I\{x\geq\mu\}\)：它同时包含样本\(x\)和参数\(\mu\)，无法写成仅与\(x\)有关的\(h(x)\)，因此不符合指数族的定义。这就引出了指数族的核心判定规则。

---

四、指数族的判定：共同支撑集的必要条件

4.1 支撑集的定义

分布的支撑集\(S_\theta = \{x: f(x,\theta) > 0\}\)，即密度/质量函数大于0的样本\(x\)的取值集合。

4.2 核心推论

从指数族的定义可知，\(f(x,\theta)>0\)当且仅当\(h(x)>0\)，而\(h(x)\)与参数\(\theta\)完全无关，因此：

指数族分布必有共同的支撑集，即支撑集\(S_\theta\)与参数\(\theta\)无关。
这是一个分布族属于指数族的必要条件（非充分条件）。

4.3 快速判定应用

这个推论可以让我们瞬间排除非指数族分布：

1. 均匀分布\(R(0,\theta)\)：支撑集为\([0,\theta]\)，与参数\(\theta\)有关，不是指数族；
2. 带位置参数的指数分布\(E(\lambda,\mu)\)：支撑集为\([\mu,+\infty)\)，与参数\(\mu\)有关，不是指数族；
3. 双参数Pareto分布：支撑集与位置参数有关，不是指数族；
4. 柯西分布：支撑集为\(\mathbb{R}\)（与参数无关），但无法写成指数族标准形式，因此共同支撑集是必要非充分条件。

---

五、指数族分布的核心性质（统一框架的核心价值）

我们费这么大劲把分布统一为指数族，核心就是这些通用性质，无需逐个分布重复推导。

1. 充分性：直接给出参数的充分统计量

对于\(n\)个独立同分布的指数族样本\(X_1,\dots,X_n\)，联合密度为：

\[f(x,\theta) = \left( \prod_{i=1}^n h(x_i) \right) \exp\left\{ Q^\text{T}(\theta) \sum_{i=1}^n T(x_i) - n b(\theta) \right\} \]

根据因子分解定理，参数\(\theta\)的充分统计量为\(T(X) = \sum_{i=1}^n T(x_i)\)。
这意味着：我们只需要统计\(T(X)\)，就包含了所有样本中关于参数的信息，极大简化了统计推断。

2. 矩计算：求导即可得到期望与方差

指数族的矩可以通过对势函数\(b(\theta)\)求导直接得到，无需计算复杂积分：

• 一阶导数（梯度）：\(\mathbb{E}[T(X)] = \nabla b(\theta)\)，即\(T(X)\)的期望等于\(b(\theta)\)的一阶导数；
• 二阶导数（海森矩阵）：\(\text{Cov}(T(X)) = \nabla^2 b(\theta)\)，即\(T(X)\)的协方差矩阵等于\(b(\theta)\)的二阶导数。

举个例子：泊松分布的\(b(\lambda)=\lambda\)，\(Q(\lambda)=\log\lambda\)，求导得\(\mathbb{E}[X]=\lambda\)，\(\text{Var}(X)=\lambda\)，与泊松分布的性质完全一致。

3. 凸性：对数配分函数是凸函数

\(b(\theta)\)的海森矩阵是协方差矩阵，而协方差矩阵必为半正定矩阵，因此\(b(\theta)\)是关于自然参数\(Q(\theta)\)的凸函数。
这个性质是机器学习优化的核心：凸函数的优化问题存在全局最优解，广义线性模型的参数估计能收敛到全局最优，正是源于这个凸性。

4. 共轭先验：指数族的共轭先验也是指数族

贝叶斯统计中，共轭先验指先验分布与后验分布属于同一分布族。指数族分布的共轭先验，必然也是指数族分布，这大幅简化了贝叶斯推断的计算。
比如：二项分布的共轭先验是贝塔分布，泊松分布的共轭先验是伽马分布，正态分布的共轭先验是正态-逆伽马分布，均为指数族成员。

5. 广义线性模型的核心支撑

广义线性模型（GLM）是线性回归的推广，它的核心假设之一就是响应变量服从指数族分布。线性回归的正态分布、逻辑回归的二项分布、泊松回归的泊松分布，都属于指数族，因此可以用统一的迭代加权最小二乘法估计参数，实现了线性模型的通用化拓展。

---

六、总结与常见误区

6.1 分布分类总结

常见指数族分布	常见非指数族分布
正态分布、二项分布、泊松分布	均匀分布、带位置参数的指数分布
伽马分布、贝塔分布、指数分布	双参数Pareto分布、柯西分布
瑞利分布、多项分布、负二项分布	拉普拉斯分布、威布尔分布、超几何分布

6.2 常见误区澄清

1. 指数族≠指数分布：指数分布只是指数族的一个成员，指数族是一大类分布的统称，切勿混淆；
2. 共同支撑集是必要非充分条件：支撑集与参数无关的分布，不一定是指数族（如柯西分布）；
3. 指数族的表示不唯一：可对\(Q(\theta)\)和\(T(x)\)做可逆线性变换，核心结构不变；
4. 极小满秩是无冗余的要求：线性相关的项必须合并，否则会出现参数冗余。

指数族分布是从基础概率论到高级统计建模的关键桥梁，理解了它的本质，你就掌握了数理统计和机器学习中一大类模型的通用底层逻辑。

以下为指数族分布全维度核心内容的表格化系统总结，严格匹配教材定义、推导逻辑与核心知识点，覆盖定义拆解、经典实例、核心性质、判定规则、分布分类五大核心模块：

---

表1 指数族分布核心定义与组成部分详解表

组成项名称	数学表达式	核心约束要求	本质作用与核心意义
未知参数向量	\(\theta = (\theta_1,\theta_2,\dots,\theta_p)^\text{T}\)，参数空间\(\theta \in \Theta\)	为分布的待估参数，可为一维/多维，参数空间为参数合法取值的集合	描述分布的不确定性，是统计推断的目标对象
自然参数（典则参数）向量	\(Q(\theta) = (Q_1(\theta),Q_2(\theta),\dots,Q_k(\theta))^\text{T}\)	仅与参数\(\theta\)有关，与样本\(x\)无关；\(1,Q_1(\theta),\dots,Q_k(\theta)\)线性无关（极小满秩要求）	对原始参数做函数变换，实现「参数-样本」的乘积分离，是指数族的核心参数
充分统计量向量	\(T(x) = (T_1(x),T_2(x),\dots,T_k(x))^\text{T}\)	仅与样本\(x\)有关，与参数\(\theta\)完全无关；\(1,T_1(x),\dots,T_k(x)\)线性无关（极小满秩要求）；维度与\(Q(\theta)\)严格一致	包含样本中所有关于未知参数\(\theta\)的信息，是统计推断的核心载体，直接决定参数估计的效率
势函数（对数配分函数）	\(b(\theta)\)	仅与参数\(\theta\)有关，与样本\(x\)完全无关	实现概率的归一化（保证密度/质量函数积分/求和为1）；分布的各阶矩、期望、方差均可通过对其求导直接得到
基底函数	\(h(x) = e^{-c(x)}\)	仅与样本\(x\)有关，与参数\(\theta\)完全无关；非负可测，满足\(h(x) \geq 0\)	定义分布的支撑集（\(f(x,\theta)>0\)当且仅当\(h(x)>0\)）；承担样本的基础权重项
支撑集	\(S_\theta = \{x: f(x,\theta) > 0\}\)	指数族分布的支撑集必与参数\(\theta\)无关，仅由\(h(x)\)决定	指数族分布的核心判定依据之一，支撑集与参数相关的分布必不属于指数族

---

表2 经典概率分布的指数族标准形式拆解对照表

（严格匹配教材示例，所有拆解均为极小满秩形式）

分布名称	分布记号	未知参数\(\theta\)	自然参数\(Q(\theta)\)	充分统计量\(T(x)\)	势函数\(b(\theta)\)	基底函数\(h(x)\)
一维正态分布	\(X \sim N(\mu,\sigma^2)\)	\(\theta=(\mu,\sigma^2)\)	\(Q_1(\theta)=-\frac{1}{2\sigma^2}\) \(Q_2(\theta)=\frac{\mu}{\sigma^2}\)	\(T_1(x)=x^2\) \(T_2(x)=x\)	\(\frac{\mu^2}{2\sigma^2} + \log\sqrt{2\pi\sigma^2}\)	\(1\)
二项分布（n已知）	\(X \sim b(n,\theta)\)	成功概率\(\theta\)	\(Q_1(\theta)=\log\left(\frac{\theta}{1-\theta}\right)\)（logit函数）	\(T_1(x)=x\)	\(-n\log(1-\theta)\)	\(\binom{n}{x}\)
泊松分布	\(X \sim P(\lambda)\)	强度参数\(\lambda>0\)	\(Q_1(\lambda)=\log\lambda\)	\(T_1(x)=x\)	\(\lambda\)	\(\frac{1}{x!}\)
伽马分布	\(X \sim \Gamma(\lambda,\nu)\)	\(\theta=(\lambda,\nu)\)（率参数、形状参数）	\(Q_1(\theta)=-\lambda\) \(Q_2(\theta)=\nu-1\)	\(T_1(x)=x\) \(T_2(x)=\log x\)	\(\log\Gamma(\nu) - \nu\log\lambda\)	\(I\{x>0\}\)（指示函数）
贝塔分布	\(X \sim BE(p,q)\)	\(\theta=(p,q)\)	\(Q_1(\theta)=p\) \(Q_2(\theta)=q\)	\(T_1(x)=\log x\) \(T_2(x)=\log(1-x)\)	\(\log\beta(p,q)\)	\(\frac{1}{x(1-x)}I\{0\leq x\leq1\}\)
单参数指数分布	\(X \sim E(\lambda)\)	率参数\(\lambda>0\)	\(Q_1(\lambda)=-\lambda\)	\(T_1(x)=x\)	\(-\log\lambda\)	\(I\{x\geq0\}\)
瑞利分布	\(X \sim \text{Rayleigh}(\lambda)\)	参数\(\lambda>0\)	\(Q_1(\lambda)=-\lambda\)	\(T_1(x)=x^2\)	\(-\log\lambda\)	\(2xI\{x\geq0\}\)

---

表3 指数族分布核心性质与应用价值汇总表

性质名称	数学表达与核心结论	应用价值与说明
充分统计量性质	对\(n\)个独立同分布的指数族样本，参数\(\theta\)的充分统计量为\(T(X)=\sum_{i=1}^n T(x_i)\)	无需使用全量样本，仅通过\(T(X)\)即可完成参数的无偏、有效估计，大幅降低统计推断的计算复杂度
矩快速计算性质	1. 期望：\(\mathbb{E}[T(X)] = \nabla b(\theta)\)（\(b(\theta)\)的一阶梯度） 2. 方差/协方差：\(\text{Cov}(T(X)) = \nabla^2 b(\theta)\)（\(b(\theta)\)的二阶海森矩阵）	无需计算复杂的积分/求和，仅通过对势函数求导即可得到分布的期望、方差，实现整类分布矩的统一计算
凸性性质	势函数\(b(\theta)\)是关于自然参数\(Q(\theta)\)的严格凸函数，其二阶海森矩阵半正定	是机器学习、广义线性模型参数优化的核心支撑：凸优化问题存在唯一全局最优解，保证参数估计的收敛性与唯一性
共轭先验性质	指数族分布的共轭先验必然也属于指数族分布	大幅简化贝叶斯推断的计算，先验与后验同分布族，无需复杂的数值积分即可完成后验概率的计算
支撑集不变性质	分布的支撑集\(S_\theta\)与未知参数\(\theta\)完全无关，仅由\(h(x)\)决定	提供了指数族分布的快速必要判定规则，可瞬间排除不符合该规则的非指数族分布
广义线性模型适配性	指数族分布天然满足广义线性模型（GLM）的响应变量分布假设	是线性回归、逻辑回归、泊松回归、生存分析等模型的统一理论基础，实现了线性模型的通用化拓展

---

表4 指数族分布判定规则与正反例对照表

判定规则	规则类型	核心判定逻辑	符合规则的正例	不符合规则的反例及排除原因
共同支撑集规则	必要条件（非充分）	分布的支撑集与参数\(\theta\)无关，才有可能属于指数族；若支撑集与参数有关，必不属于指数族	正态分布、泊松分布、二项分布、伽马分布（支撑集均与参数无关）	1. 均匀分布\(R(0,\theta)\)：支撑集\([0,\theta]\)与参数\(\theta\)直接相关，排除 2. 带位置参数的指数分布\(E(\lambda,\mu)\)：支撑集\([\mu,+\infty)\)与位置参数\(\mu\)相关，排除 3. 双参数Pareto分布：支撑集与位置参数相关，排除
标准形式可表性规则	充要条件	分布的密度/质量函数可严格表示为\(f(x,\theta) = h(x)\exp\{Q^\text{T}(\theta)T(x)-b(\theta)\}\)的形式，且满足各组成项的约束要求	表2中所有经典分布，均可严格匹配标准形式	1. 柯西分布：支撑集与参数无关，但无法表示为指数族标准形式，排除 2. 拉普拉斯分布：无法拆分为指数族标准的参数-样本分离形式，排除 3. 威布尔分布：无法匹配指数族标准形式，排除
极小满秩规则	最简表示要求	自然参数组、充分统计量组分别与常数1线性无关，无冗余项	表2中所有分布的拆解均为极小满秩形式	存在线性相关项的冗余指数族表示（如\(Q_2=2Q_1\)的二维表示），需合并降维为极小满秩形式

---

表5 常用概率分布的指数族归属分类表

常用指数族分布	常用非指数族分布
正态分布（一维/多维）、二项分布、多项分布	均匀分布、带位置参数的指数分布
泊松分布、负二项分布、Pascal分布	双参数Pareto分布、幂函数分布
伽马分布、逆伽马分布、贝塔分布	柯西分布、拉普拉斯分布、极值分布
单参数指数分布、瑞利分布、对数正态分布	威布尔分布、超几何分布
逆高斯分布	多参数带位置/尺度的非正则分布