对数正态随机变量函数的上侧部分期望计算方法咨询

嘿，这个对数正态分布的部分期望问题我很熟，咱们一步步拆解来解决它～首先得抓住对数正态分布的核心：如果X是对数正态的，那Y = lnX 肯定是正态分布，记为Y ~ N(μ_Y, σ_Y²)，这是咱们转换积分的关键钥匙。

已知X的概率密度函数f_X(x)和Y=lnX的密度转换关系是：
f_X(x) = \frac{f_Y(\ln x)}{x}，其中f_Y是Y的正态密度函数。

咱们要计算的目标积分是：
$$I = \int_k^\infty x^{1-\alpha} f_X(x) dx$$

做变量替换：令x = e^Y，那么dx = e^Y dY；当x=k时，Y=lnk；x→∞时，Y→∞。把这些代入积分里化简：

x^{1-\alpha} f_X(x) dx = (e^Y)^{1-\alpha} \cdot \frac{f_Y(Y)}{e^Y} \cdot e^Y dY = e^{(1-\alpha)Y} f_Y(Y) dY

于是积分就转换成了关于正态变量Y的积分：
$$I = \int_{\ln k}^\infty e^{(1-\alpha)Y} f_Y(Y) dY$$

Y是正态分布N(μ_Y, σ_Y²)，咱们可以对积分里的指数项配方，结合标准正态分布的累积分布函数Φ(·)（也就是P(Z≤z)，其中Z~N(0,1)）来处理。

首先把Y标准化：令Z = \frac{Y - μ_Y}{σ_Y}，则Z~N(0,1)，Y可以表示为Y = μ_Y + σ_Y Z。代入积分后：
$$I = \exp\left((1-\alpha)\mu_Y\right) \int_{z_0}^\infty \exp\left((1-\alpha)\sigma_Y Z\right) \cdot \frac{1}{\sqrt{2\pi}} \exp\left(-\frac{Z^2}{2}\right) dZ$$
这里的z_0 = \frac{\ln k - μ_Y}{σ_Y}，是Y=lnk对应的标准化Z值。

接下来对指数部分配方，把两个指数项合并：
$$(1-\alpha)\sigma_Y Z - \frac{Z^2}{2} = -\frac{1}{2}\left(Z - (1-\alpha)\sigma_Y\right)^2 + \frac{(1-\alpha)^2 \sigma_Y^2}{2}$$

把配方后的结果代入积分，就能拆成两个部分：一个指数常数项，加上一个标准正态的尾部分布积分：
$$I = \exp\left((1-\alpha)\mu_Y + \frac{(1-\alpha)^2 \sigma_Y^2}{2}\right) \cdot \int_{z_0}^\infty \frac{1}{\sqrt{2\pi}} \exp\left(-\frac{(Z - (1-\alpha)\sigma_Y)^2}{2}\right) dZ$$

这个积分其实就是标准正态分布在z_0 - (1-\alpha)\sigma_Y处的右尾概率，也就是：
$$\int_{z_0}^\infty \phi(Z - (1-\alpha)\sigma_Y) dZ = 1 - \Phi\left(z_0 - (1-\alpha)\sigma_Y\right)$$
这里φ(·)是标准正态分布的概率密度函数。

把z_0代入进去，整理后就能得到最终的结果：
$$I = \exp\left((1-\alpha)\mu_Y + \frac{(1-\alpha)^2 \sigma_Y^2}{2}\right) \cdot \left[ 1 - \Phi\left( \frac{\ln k - μ_Y - (1-\alpha)\sigma_Y^2}{\sigma_Y} \right) \right]$$

如果你已知的是X的均值μ=E[X]和方差σ²=Var(X)，而不是Y的参数μ_Y和σ_Y，可以通过对数正态分布的矩关系转换：

• 均值关系：μ = \exp\left(μ_Y + \frac{\sigma_Y^2}{2}\right) → 解出 μ_Y = \ln μ - \frac{\sigma_Y^2}{2}
• 方差关系：σ² = μ^2 \left( \exp(\sigma_Y^2) - 1 \right) → 解出 σ_Y^2 = \ln\left(1 + \frac{\sigma^2}{\mu^2}\right)

把这两个式子代入上面的最终表达式，就能得到完全用μ和σ²表示的结果。

• 当α=0时，积分就是X在k右侧的截断期望E[X·I(X≥k)]，代入α=0后，表达式变为exp(μ_Y + σ_Y²/2) · [1 - Φ( (lnk - μ_Y - σ_Y²)/σ_Y )]，而exp(μ_Y + σ_Y²/2)就是X的均值μ，这和对数正态分布右截断期望的已知公式一致，验证正确。
• 当k→0时，积分变为X的(1-α)阶矩E[X^{1-α}]，此时1 - Φ(...)趋向于1，表达式变为exp( (1-α)μ_Y + (1-α)^2 σ_Y²/2 )，这正是对数正态分布r阶矩的标准公式（r=1-α），验证正确。

内容的提问来源于stack exchange，提问作者kang taesu