対数正規分布の定義と概要(確率密度関数の導出付き)

公開日: 更新日:

【2023年3月5週】 【B000】数理統計学 【B040】連続型の確率分布

この記事をシェアする
  • B!
サムネイル画像

本稿では、対数正規分布の定義と概要についてまとめています。確率密度関数であることの証明、確率密度関数の導出、期待値・分散の紹介が含まれます。

なお、閲覧にあたっては、以下の点にご注意ください。

  • スマートフォンやタブレット端末でご覧の際、数式が見切れている場合は、横にスクロールすることができます。

対数正規分布

定義・意味

確率変数 $Y=\log{X}$ が正規分布 \begin{align} Y \sim \mathrm{N} \left(\mu,\sigma^2\right) \end{align} に従うとき、 確率変数 $X$ が従う連続型確率分布 対数正規分布 log-normal distribution という。

確率密度関数

確率密度関数 $f(x)$ は、 \begin{align} f \left(x\right)= \left\{\begin{matrix}\displaystyle\frac{1}{\sqrt{2\pi}\sigma x}e^{-\frac{ \left(\log{x}-\mu\right)^2}{2\sigma^2}}&0 \lt x\\0&\mathrm{other}\\\end{matrix}\right. \end{align} で与えられる。

略記法

また、対数正規分布は、 \begin{align} \mathrm{LN} \left(\mu,\sigma^2\right) \end{align} と略記されることがある。

確率密度関数であることの証明

証明

(i)すべての $x$ に関して、$f \left(x\right) \geq 0$
\begin{gather} 0 \lt \sigma\Rightarrow0 \lt \frac{1}{\sqrt{2\pi}\sigma}\\ 0 \lt e^a\Rightarrow0 \lt e^{-\frac{ \left(\log{x}-\mu\right)^2}{2\sigma^2}}\\ 0 \lt x\Rightarrow0 \lt \frac{1}{x} \end{gather} したがって、 \begin{align} f \left(x\right)=\frac{1}{\sqrt{2\pi}\sigma x}e^{-\frac{ \left(\log{x}-\mu\right)^2}{2\sigma^2}} \geq 0 \end{align} (ii)すべての確率の和が1 \begin{align} \int_{-\infty}^{\infty}f \left(x\right)dx=\int_{-\infty}^{\infty}{\frac{1}{\sqrt{2\pi}\sigma x}e^{-\frac{ \left(\log{x}-\mu\right)^2}{2\sigma^2}}dx} \end{align} ここで、以下のように変数変換すると、 \begin{gather} t=\log{x}\Leftrightarrow x=e^t\\ x:0\rightarrow\infty \quad \Rightarrow \quad t:0\rightarrow\infty\\ \frac{dx}{dt}=e^t\Rightarrow dx=e^tdt \end{gather} となるので、 置換積分法により、 \begin{align} \int_{-\infty}^{\infty}f \left(x\right)dx&=\frac{1}{\sqrt{2\pi}\sigma}\int_{-\infty}^{\infty}{e^{-t} \cdot e^{-\frac{ \left(t-\mu\right)^2}{2\sigma^2}} \cdot e^tdt}\\ &=\frac{1}{\sqrt{2\pi}\sigma}\int_{-\infty}^{\infty}{e^{-\frac{ \left(t-\mu\right)^2}{2\sigma^2}}dt} \end{align} ガウス積分の公式 $\int_{-\infty}^{\infty}{e^{-au^2}du}=\sqrt{\frac{\pi}{a}}$ より、$a=\frac{1}{2\sigma^2},u=t-\mu$ とすると、 \begin{align} \int_{-\infty}^{\infty}f \left(x\right)dx=\frac{1}{\sqrt{2\pi}\sigma} \cdot \sqrt{2\pi}\sigma=1 \end{align} よって、確率密度関数の定義を満たしているため、確率密度関数である。 $\blacksquare$

確率密度関数の導出

導出

正規分布 $\mathrm{N} \left(\mu,\sigma^2\right)$ の確率密度関数は、 \begin{align} f \left(y\right)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{ \left(y-\mu\right)^2}{2\sigma^2}} \end{align} $X=e^Y$ の取り得る値の範囲は、 \begin{align} y:-\infty\rightarrow\infty \quad \Rightarrow \quad x:0\rightarrow\infty \end{align} 指数変換の公式 $g \left(x\right)=f \left(\log{x}\right) \cdot \frac{1}{x}$ より、 \begin{align} g \left(x\right)=\frac{1}{\sqrt{2\pi}\sigma x}e^{-\frac{ \left(\log{x}-\mu\right)^2}{2\sigma^2}} \end{align} $\blacksquare$

重要事項のまとめ

略記法

\begin{align} \mathrm{LN} \left(\mu,\sigma^2\right) \end{align}

パラメータ

\begin{gather} -\infty \lt \mu \lt \infty\\ 0 \lt \sigma \end{gather}

確率密度関数

\begin{align} f \left(x\right)= \left\{\begin{matrix}\displaystyle\frac{1}{\sqrt{2\pi}\sigma x}e^{-\frac{ \left(\log{x}-\mu\right)^2}{2\sigma^2}}&0 \lt x\\0&\mathrm{other}\\\end{matrix}\right. \end{align}

期待値

\begin{align} E \left(X\right)=e^{\mu+\frac{\sigma^2}{2}} \end{align}

分散

\begin{align} V \left(X\right)=e^{2\mu+\sigma^2} \left(e^{\sigma^2}-1\right) \end{align}

関連記事

自己紹介

自分の写真

yama

大学時代に読書の面白さに気づいて以来、読書や勉強を通じて、興味をもったことや新しいことを学ぶことが生きる原動力。そんな人間が、その時々に学んだことを備忘録兼人生の軌跡として記録しているブログです。

このブログを検索

ブログ アーカイブ

QooQ