机器学习小组知识点17：对数正态分布（Logarithmic Normal Distribution）

这块儿我是真的没听说过，所以直接抄了维基百科，维基万岁！

概率密度函数

在概率论与统计学中，对数正态分布是对数为正态分布的任意随机变量的概率分布。如果 $X$ 是正态分布的随机变量，则 $exp(X)$为对数正态分布；同样，如果$Y$是对数正态分布，则 $ln(Y)$为正态分布。 如果一个变量可以看作是许多很小独立因子的乘积，则这个变量可以看作是对数正态分布。一个典型的例子是股票投资的长期收益率，它可以看作是每天收益率的乘积。 对于 ${\displaystyle x>0}$，对数正态分布的概率密度函数为:

$${\displaystyle f(x;\mu ,\sigma )={\frac {1}{x\sigma {\sqrt {2\pi }}}}e^{-(\ln x-\mu )^{2}/2\sigma ^{2}}}$$
其中 ${\displaystyle \mu }$ 与 ${\displaystyle \sigma }$分别是变量对数的平均值与标准差。
推导过程：概率微分不变性。
一个正的随机变量 ${\displaystyle x}$是对数正态分布，当且仅当 ${\displaystyle x}$是正态分布。那么：

N(lnx;μ,σ)=1σ2π−−