次高斯隨機變數（sub-Gaussian random variable）

次高斯隨機變數是其尾巴至少和高斯一樣輕的變數。在初階課程中，你藉由界定動差母函數證明了有界變數的 Hoeffding 不等式；高維機率把這個單一技巧提升為一整類變數，即次高斯變數，它們共享相同的指數平方尾衰減，整套集中不等式工具對它們也原封不動地適用。有界變數、高斯變數，以及任何尾巴滿足 P(|X| > t) <= 2 e^(-c t^2) 的變數都屬於這一類；這一類恰好寬到足以涵蓋統計與機器學習中的雜訊模型，卻仍與高斯一樣容易處理。

對於零均值的 X，四個條件在絕對常數的意義下彼此等價，任取其一皆可作為定義。尾界：對所有 t，P(|X| > t) <= 2 e^(-t^2 / K1^2)。動差增長：對所有 p >= 1，(E[|X|^p])^(1/p) <= K2 sqrt(p)。平方的動差母函數：E[exp(X^2 / K3^2)] <= 2。以及當 E[X] = 0 時的動差母函數界 E[exp(lambda X)] <= exp(K4^2 lambda^2)，對所有實 lambda 成立。第四種形式是可操作的那一個：它說對數動差母函數的增長不快於二次式，這正是驅動每一個 Chernoff 型論證的性質。等價性意味著這些常數 K1、…、K4 僅相差普適因子，因此一個變數要嘛是次高斯、要嘛不是，與你從哪個定義出發無關。

次高斯性是乾淨集中的自然假設。有限多個獨立次高斯之和仍為次高斯，且變異數代理相加（旋轉不變性質），這正是一般 Hoeffding 不等式對它們成立的原因。寬廣的代價是對常數要誠實：等價性僅在絕對乘法常數的意義下成立，因此「次高斯」是個定性類別，而精確常數（如對 [a,b] 有界變數的尖銳 Hoeffding 界）需要特定結構。重尾變數——任何具多項式尾的變數，乃至像拉普拉斯分布那樣具指數尾的變數——都不是次高斯；對那些變數，須退到次指數類。