coffeshot 429
Postad: 19 maj 16:07 Redigerad: 19 maj 16:08

fx(lnx)/y <=> phi(lnx-mu/sigma)/y?

Hej! Jag sitter med följande uppgift, och jag har nästan rätt. Först uppgiften och facit:

(bilden blev lite avklippt, det ska stå fX(lny)·1yf_X(\ln y) \cdot \frac 1 y)

Jag tänkte - borde det inte gälla att

fX(x)=φ(x-μσ)f_X(x) = \varphi (\frac{x-\mu}{\sigma}) där φ\varphi är täthetsfunktionen för en N(0,1)N(0,1)-fördelad stokastisk variabel.

Därav, eftersom fX(lny)y-1f_X(\ln y) y^{-1} är täthetsfunktionen för Y:

fX(lny)=φ(lny-μσ)f_X(\ln y) = \varphi(\frac{\ln y-\mu}{\sigma})

Grejen är dock att φ\varphi är definierad enligt följande

Så jag skulle då få  att fördelningen för Y är

fY(y)=fX(lny)y-1=12πyexp(-12[lny-μσ]2)f_Y(y)=f_X(\ln y) y^{-1} =\frac {1}{\sqrt{2\pi}y}\exp(-\frac{1}{2} [\frac{\ln y- \mu}\sigma]^2)

men grejen är, eftersom jag använde mig av φ\varphi så finns inget σ\sigma i nämnaren till fYf_Y, vilket jag skulle fått om jag inte gjorde om till N(0,1)N(0,1). Jag är ute efter att hitta vad för "förbjudet antagande" jag gjort, så att jag inte gör om samma misstag igen.

Trevlig måndag och tack för svar!

LuMa07 495
Postad: 19 maj 18:10 Redigerad: 19 maj 18:13
coffeshot skrev:

...

Jag tänkte - borde det inte gälla att

fX(x)=φ(x-μσ)f_X(x) = \varphi (\frac{x-\mu}{\sigma}) där φ\varphi är täthetsfunktionen för en N(0,1)N(0,1)-fördelad stokastisk variabel.

...

Nej. Däremot gäller det att FXx=Φ(x-μσ)F_X\left(x\right) = \Phi( \dfrac{x-\mu}{\sigma} ), där  Φ\Phi är fördelningsfunktionen till N(0,1)N(0,1).

Detta medför att fXx=1σφ(x-μσ)f_X\left(x\right) = \dfrac{1}{\sigma} \, \varphi ( \dfrac{x-\mu}{\sigma} ), där faktorn 1/σ1/\sigma är inre derivatan från kedjeregeln.

Således blir fYy=1σyφ(lny-μσ)f_Y\left(y\right) = \dfrac{1}{\sigma\,y} \,\varphi ( \dfrac{\ln y-\mu}{\sigma} )y>0y > 0 och  fY(y)=0f_Y(y)=0 då  y0y\le 0.

Svara
Close