Distribución log-normal

Log-normal

Función de densidad de probabilidad

Función de distribución de probabilidad
Parámetros μ∈ℝ,
σ>0
Dominio x∈(0,∞)
Función de densidad (pdf) 1xσ2πexp⁡(−(ln⁡x−μ)22σ2)
Función de distribución (cdf) Φ(ln⁡(x)−μσ)
Media exp⁡(μ+σ22)
Mediana exp⁡(μ)
Moda exp⁡(μ−σ2)
Varianza e2μ+σ2(eσ2−1)
Coeficiente de simetría (eσ2+2)eσ2−1
Entropía log2(σeμ+122π)

En probabilidad y estadística, la distribución normal logarítmica es una distribución de probabilidad continua de una variable aleatoria cuyo logaritmo está normalmente distribuido. Es decir, si X es una variable aleatoria con una distribución normal, entonces exp⁡(X) tiene una distribución log-normal, es decir eX∼Lognormal⁡(μx,σx2).

Log-normal también se escribe log normal o lognormal.

Una variable puede ser modelada como log-normal si puede ser considerada como un producto multiplicativo de muchos pequeños factores independientes. Un ejemplo típico es un retorno a largo plazo de una inversión: puede considerarse como un producto de muchos retornos diarios.

Definición

Función de Densidad

Una variable aleatoria positiva X tiene una distribución lognormal con parámetros μ y σ y escribimos X∼Lognormal⁡(μ,σ2), si el logaritmo natural de X sigue una distribución normal con media μ y varianza σ2, esto es

ln⁡(X)∼N(μ,σ2)

Sean Φ y ϕ las funciones de distribución acumulada y de densidad de una normal estándar N(0,1), entonces la función de densidad de probabilidad de la distribución log-normal está dada por:

fX(x)=ddxP⁡[X≤x]=ddxP⁡[ln⁡(X)≤ln⁡(x)]=ddxΦ(ln⁡x−μσ)=ϕ(ln⁡x−μσ)ddx(ln⁡x−μσ)=ϕ(ln⁡x−μσ)1σx=1σx2πexp⁡(−(ln⁡x−μ)22σ2)

Función de Distribución

La función de distribución acumulada es

FX(x)=Φ(ln⁡x−μσ)

donde Φ es la función de distribución acumulada de una normal estándar N(0,1).

La expresión anterior también puede ser escrita como

12[1+erf⁡(ln⁡x−μσ2)]=12erfc⁡(−ln⁡x−μσ2)

Log-normal Multivariada

Si𝑿∼N(𝝁,𝜮) es una distribución normal multivariada entonces 𝒀=exp⁡(𝑿) tiene una distribución lognormal multivariante con media

E⁡[𝒀]i=eμi+12Σii

y matriz de covarianza

Var⁡(𝒀)ij=eμi+μj+12(Σii+Σjj)(eΣij−1)

Propiedades

Si X∼Lognormal⁡(μ,σ2) entonces la variable aleatoria X cumple algunas propiedades.

La media de X es

E[X]=eμ+σ22

La varianza de X es

Var⁡(X)=(eσ2−1)e2μ+σ2.

Relación con media y la desviación estándar geométrica

La distribución log-normal, la media geométrica, y la desviación estándar geométrica están relacionadas. En este caso, la media geométrica es igual a exp⁡(μ) y la desviación estándar geométrica es igual a exp⁡(σ).

Si una muestra de datos determina que proviene de una población distribuida siguiendo una distribución log-normal, la media geométrica de la desviación estándar geométrica puede utilizarse para estimar los intervalos de confianza tal como la media aritmética y la desviación estándar se usan para estimar los intervalos de confianza para un dato distribuido normalmente.

Límite de intervalo de confianza log geométrica
3σ límite inferior μ−3σ μgeo/σgeo3
2σ límite inferior μ−2σ μgeo/σgeo2
1σ límite inferior μ−σ μgeo/σgeo
1σ límite superior μ+σ μgeoσgeo
2σ límite superior μ+2σ μgeoσgeo2
3σ límite superior μ+3σ μgeoσgeo3

Donde la media geométrica μgeo=exp⁡(μ) y la desviación estándar geométrica σgeo=exp⁡(σ)

Momentos

Los primeros momentos son:

μ1=eμ+σ2/2
μ2=e2μ+4σ2/2
μ3=e3μ+9σ2/2
μ4=e4μ+16σ2/2

o de forma general:

μk=ekμ+k2σ2/2.

Inferencia Estadística

Estimación de parámetros

Para determinar los estimadores por máxima verosimilitud de la distribución lognormal con parámetros μ y σ2, podemos utilizar el mismo método que se utilizó para estimar los parámetros de una distribución normal. Notemos que

L(μ,σ)=∏i=1n1xiφμ,σ(ln⁡xi)

donde φ denota la función de densidad de la distribución normal N(μ,σ2) entonces la función logarítmica de verosimilitud es

ℒ(x1,x2,...,xn;μ,σ)=−∑iln⁡xi+ℒN(ln⁡x1,ln⁡x2,...,ln⁡xn;μ,σ)

Dado que el primer término es constante respecto a μ y σ, ambas funciones logarítmicas de verosimilitud, ℒ y ℒN, obtienen su máximo con el mismo μ y σ, por lo tanto, utilizando los estimadores por máxima verosimilitud son idénticos a los de la distribución normal para observaciones ln⁡x1,ln⁡x2,…,ln⁡xn

μ^=∑kln⁡xkn,σ2^=∑k(ln⁡xk−μ^)2n.

Para una n finita, estos estimadores son in sesgados.

Distribución log-normal ajustada a datos de lluvias máximas diarias por año.

Aplicación


La imagen azul ilustra un ejemplo del ajuste de la distribución log-normal a lluvias máximas diarias ordenadas, mostrando también la franja de 90% de confianza, basada en la distribución binomial. Las observaciones presentan los marcadores de posición, como parte del análisis de frecuencia acumulada.

Distribución relacionada

Véase también

Software

Se puede usar software o programa de computadora para el ajuste de una distribución de probabilidad, incluyendo la lognormal, a una serie de datos: