İki id lognormal rastgele değişkenin farkı


23

Let ve 2 iidrv küçük olduğu yerde . dağılımını bilmek istiyorum .X 2 log ( X 1 ) , log ( X 2 ) N ( μ , σ ) X 1 - X 2X1X2log(X1),log(X2)N(μ,σ)X1X2

Yapabileceğimin en iyisi, her ikisinin de Taylor serisini alıp farkın, diğer terimler arasındaki farkın kalanına ek olarak iki normal rv ve iki chi-kare rv arasındaki farkın toplamı olmasıdır. İki günlük log-normal rv'ler arasındaki farkın dağılımını elde etmenin daha basit bir yolu var mı?


İşte ilgili bir makale. Google tarafından daha fazla makale bulacaksınız! papers.ssrn.com/sol3/papers.cfm?abstract_id=2064829
kjetil b halvorsen

1
Bu makaleye bir göz attığım için sorumu tatmin edici bir şekilde cevaplamıyor gibi görünüyor. İlişkili lognormal rv'ler arasındaki toplam / fark dağılımını bulma zor problemine sayısal yaklaşımlarla ilgileniyor gibi görünüyorlar . Bağımsız dava için daha basit bir cevap olacağını umuyordum.
frayedchef

2
Bağımsız durumda daha basit bir cevap olabilir, ama basit bir cevap değil! Lognormal durum, meşhur bilinen bir zor durumdur - lognormal dağılımın moment üreten işlevi yoktur --- yani sıfır içeren açık bir aralıkta birleşmez. Yani kolay bir çözüm bulamayacaksınız.
kjetil b halvorsen

Anladım ... Öyleyse yukarıda ana hatlarıyla anlattığım yaklaşım makul olur mu? (yani, eğer , Daha yüksek dereceli terimler hakkında bir şey biliyor muyuz, veya onları sınırlamak nasıl?X, 1 - X 2( Y 1 - Y, 2 ) + ( Y 2 1 - Y, 2 2 ) / 2 +Yi=log(Xi)X1X2(Y1Y2)+(Y12Y22)/2+...
frayedchef

1
Zorluğu göstermek için --- lognormal mgf sadece . Fark dağılımını saddepoint yöntemleri ile hesaplamak için, ihtiyacımız olan (K = kümülatif gf) , .. ve bu toplamı tek bir noktadan tanımlanır, sıfır Yani, çalışmıyor sum görünüyor veya ortalama basit olurdu!K ( s ) + K ( - s )(,0]K(s)+K(s)
Halvorsen Kjetil b

Yanıtlar:


15

Bu zor bir problem. İlk önce lognormal dağılımın moment oluşturucu fonksiyonunu kullanma (bazılarına yaklaşımlar) hakkında düşündüm. Açıklayacağım gibi, bu işe yaramıyor. Ama önce bazı notasyonlar:

Let standart normal yoğunluğu ve gelen kümülatif dağılım fonksiyonu. Yalnızca yoğunluk işlevine sahip lognormal dağılım durumunu analiz ve kümülatif dağılım fonksiyonu ve yukarıdaki lognormal dağılım ile bağımsız rastgele değişkenler olduğunu varsayalım . Ortalama sıfıra sahip simetrik bir dağılım olan dağılımı ile ilgileniyoruz . Let olması ve moment kavramıcp l N , N ( 0 , 1 ) f ( x ) = 1ϕΦlnN(0,1)F(x)=Φ(lnx)X,Y,D=X-Y,M(t)=EEtXXt(-,0]DMD(t)=E, et(X-Y)=EetX

f(x)=12πxe12(lnx)2
F(x)=Φ(lnx)
XYD=XYM(t)=EetXX. Sadece için tanımlandığı . Çok açık bir aralık sıfır ihtiva tanımlanmayan, moment üreten fonksiyonu olan Yani, için moment oluşturma işlevi sadece için tanımlanmıştır , bu nedenle çok kullanışlı değildir.t(,0]DMD(t)=Eet(XY)=EetXEetY=M(t)M(t)Dt=0

Bu, nin dağılımı için yaklaşıkları bulmak için daha doğrudan bir yaklaşıma ihtiyacımız olacağı anlamına gelir . Diyelim ki , hesapla (ve ise simetri ile çözülürse ) elde edilir. Dt0 t<

P(Dt)=P(XYt)=0P(Xyt|Y=y)f(y)dy=0P(Xt+y)f(y)dy=0F(t+y)f(y)dy
t<0P(Dt)=1P(D|t|)

Bu ifade, sayısal entegrasyon için veya simülasyon için bir temel olarak kullanılabilir. İlk önce bir test:

 integrate(function(y) plnorm(y)*dlnorm(y), lower=0,  upper=+Inf)
  0.5 with absolute error < 2.3e-06

hangi açıkça doğrudur. Bunu bir fonksiyonun içine saralım:

pDIFF  <-  function(t) {
    d  <-  t
    for (tt in seq(along=t)) {
        if (t[tt] >= 0.0) d[tt] <- integrate(function(y) plnorm(y+t[tt])*dlnorm(y),
                                         lower=0.0,  upper=+Inf)$value else
                          d[tt] <- 1-integrate(function(y) plnorm(y+abs(t[tt]))*dlnorm(y),
                                         lower=0.0, upper=+Inf)$value
    }
    return(d)
}

> plot(pDIFF,  from=-5,  to=5)

hangi verir:

sayısal entegrasyon tarafından bulunan kümülatif dağılım fonksiyonu

Daha sonra integral işareti altında farklılaşarak yoğunluk işlevini bulabiliriz,

dDIFF  <-  function(t) {
       d  <- t; t<- abs(t)
       for (tt in seq(along=t)) {
           d[tt]  <-  integrate(function(y) dlnorm(y+t[tt])*dlnorm(y),
                                lower=0.0,  upper=+Inf)$value
       }
       return(d)
}

hangi test edebiliriz:

> integrate(dDIFF,  lower=-Inf,  upper=+Inf)
0.9999999 with absolute error < 1.3e-05

Ve aldığımız yoğunluğu çizeriz:

plot(dDIFF,  from=-5,  to=5)

sayısal entegrasyon tarafından bulunan yoğunluk fonksiyonu

Ayrıca bazı analitik yaklaşımlar elde etmeye çalıştım, ancak şu ana kadar başarılı olamadım, kolay bir problem değil. Ancak, R'de programlanan yukarıdaki gibi sayısal entegrasyon modern donanımda çok hızlıdır, bu yüzden muhtemelen daha fazla kullanılması gereken iyi bir alternatif.


1

Bu kesinlikle sorunuzu yanıtlamıyor, ancak ve oranlarına bakmak daha kolay olmaz mıydı ? Daha sonra sadece varmakXY

Pr(XYt)=Pr(log(XY)log(t))=Pr(log(X)log(Y)log(t))N(0,2σ2)

Başvurunuza bağlı olarak bu ihtiyaçlarınızı karşılayabilir.


3
Fakat log (X) - log (Y) yerine XY'ye bakmıyor muyuz?
Sextus Empiricus,

Evet tabi ki. Bu, birisinin iki lognormal değişkenin birbirinden ne kadar farklı olduğunu bilmek zorunda kalmayacağını, mutlaka bir fark yaratmaya ihtiyaç duymadığını söyler. Bu yüzden de sorunun cevabı olmadığını söylüyorum.
Vincent Traag,
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.