2 svar
74 visningar
tomast80 är nöjd med hjälpen
tomast80 4211
Postad: 16 maj 2021 11:11 Redigerad: 16 maj 2021 11:13

Momentgenererande funktion för sammansatt stokastisk variabel

Hej!

Jag har att XkBe(1/2)X_k\sim Be(1/2), alltså Benoulli-fördelade med parameter 1/2 (oberoende).

Det gäller vidare att NFs(1/6)N\sim Fs(1/6), d.v.s. First sucess  = för första gången-fördelad med parameter 1/6.

Om vi då sätter: Y=k=1NXkY=\sum_{k=1}^N X_k så gäller att MGF (momentgenererande funktionen):

ψY(t)=ψN(ψX(t))=1/6·e1/2+1/2·et1-5/6·e1/2+1/2·et\displaystyle\psi_Y(t)=\psi_N(\psi_X(t))=\frac{1/6\cdot e^{1/2+1/2\cdot e^t}}{1-5/6\cdot e^{1/2+1/2\cdot e^t}}
Om man MacLaurin-utvecklar uttrycket ovan ska man få fram momenten för YY enligt nedan:
ψY(t)=1+k=1tkk!·E(Yk)\displaystyle\psi_Y(t)=1+\sum_{k=1}^{\infty}\frac{t^k}{k!}\cdot E(Y^k), men det verkar ej fungera.
Nämligen ska E(Y)=3E(Y)=3 så de första termerna borde bli: 1+3t+...1+3t+..., men det blir något helt annat:
Vi vet nämligen att E(Y)=E(N)·E(X1)=6·12=3E(Y)=E(N)\cdot E(X_1)=6\cdot \frac{1}{2}=3.

Har jag räknat fel eller gjort någon tankevurpa?

DrNej 19 – Fd. Medlem
Postad: 17 maj 2021 21:34

Samansättningsregeln du är ute efter gäller för sannolikhets genererande funktioner. Alltså P_Y(s)=P_N(P_X(s)), om vi låter s=e^t så får vi något liknande för MGF: M_Y(t)=P_N(M_X(t)).

 

Vi får alltså inte M_Y(t)=M_N(M_X(t))...

tomast80 4211
Postad: 17 maj 2021 22:34

Tack DrNej! Nu fick jag ihop det! 👍

Svara Avbryt
Close