指數測度變換（exponential change of measure）

指數測度變換——又稱指數傾斜、Cramer 變換或 Esscher 變換——是大偏差中最重要的單一技術，是大偏差原理下界與罕見事件機率實際計算背後的引擎。其想法簡單得驚人：罕見事件難以研究，因為在真實分布下它幾乎從不發生，那就改換機率分布到一個傾斜分布，使該罕見事件在其下變得典型，在那裡做一個簡單的大數法則計算，再以一個明確的 Radon-Nikodym 因子為測度變換付費。

給定分布 mu 與參數 theta，傾斜（指數變換）測度為 dmu_theta 正比於 e^(theta X) dmu，歸一化常數為動差母函數：dmu_theta/dmu = e^(theta X) / M(theta)，M(theta) = E[e^(theta X)]。在 mu_theta 下 X 的平均移至導數 (log M)'(theta)，因此選 theta 解 (log M)'(theta) = x，便使所欲偏差 x 成為新的典型值。傾斜分布相對於 mu 的相對熵恰為 Cramer 速率函數：H(mu_theta | mu) = I(x)，故速率函數字面上就是最佳測度變換的成本。對大偏差原理下界，你把罕見集的機率寫成 mu_theta 下逆似然比的期望，似然比貢獻 e^(-n I(x)) 因子，而 mu_theta 下的普通大數法則供給其餘部分。

在證明之外，指數傾斜是罕見事件模擬之重要性抽樣的基礎：天真地用蒙地卡羅估計 P(罕見) 需要指數多的樣本，但在最佳傾斜分布下抽樣並重新加權，可給出具有有界相對誤差的無偏估計量。同一構造在連續時間中即吉爾薩諾夫定理（隨機指數是路徑空間的傾斜）、在統計力學中即 Gibbs／Boltzmann 測度（在逆溫 beta 下按能量傾斜）、在精算與金融定價中即 Esscher 變換。告誡是：最佳傾斜僅在動差母函數有限且陡峭之處存在；對重尾，沒有有限的 theta 能使偏差變得典型，傾斜失敗，罕見事件改由單一大跳躍實現。