실험적으로 관찰 된 분포가 감마 또는 대수 정규 분포와 매우 유사 해 보입니다. 로그 정규 분포 는 의 평균과 분산 이 고정 되는 임의의 변형 대한 최대 엔트로피 확률 분포 라는 것을 읽었습니다 . 감마 분포에 비슷한 특성이 있습니까?
실험적으로 관찰 된 분포가 감마 또는 대수 정규 분포와 매우 유사 해 보입니다. 로그 정규 분포 는 의 평균과 분산 이 고정 되는 임의의 변형 대한 최대 엔트로피 확률 분포 라는 것을 읽었습니다 . 감마 분포에 비슷한 특성이 있습니까?
답변:
질적 차이에 관해서는, 로그 노멀과 감마는 매우 비슷합니다.
실제로 실제로는 종종 동일한 현상을 모델링하는 데 사용됩니다 (일부 사람들은 감마를 사용하고 다른 사람들은 대수를 사용합니다). 그것들은 예를 들어 변이 계수-변동 모형이다 (대수 정규의 CV는 , 감마의 경우1/√ ).
[매개 변수에 의존하면 어떻게 일정 할 수 있습니까? 스케일을 모델링 할 때 적용됩니다 (로그 스케일의 위치). 로그 정규의 경우 는 스케일 파라미터로 작용하지만 감마의 경우 스케일은 형상 파라미터가 아닌 파라미터입니다 (또는 형상 속도 파라미터를 사용하는 경우 역수). 감마 분포 β에 대한 스케일 파라미터를 호출합니다 . 감마 GLM은 α를 일정하게 유지하면서 평균 ( μ = α β )을 모델링합니다 . 이 경우 μ 도 척도 모수입니다. μ 와 상수 α 또는 σ가 각각 다른 모델 은 일정한 CV를 갖습니다.]
로그 의 밀도를 살펴 보는 것이 도움이 될 수 있는데, 이는 종종 매우 명확한 차이를 보여줍니다.
로그 정규 확률 변수의 로그는 ... 정상입니다. 대칭입니다.
감마 랜덤 변수의 로그는 왼쪽으로 치우칩니다. 모양 매개 변수의 값에 따라 기울어 지거나 거의 대칭 일 수 있습니다.
다음은 로그 정규와 감마 모두 평균 1과 분산 1/4을 갖는 예입니다. 상단 그림은 밀도 (녹색 감마, 파란색 로그 정규 파란색)를 나타내고 하단 그림은 로그의 밀도를 보여줍니다.
(로그 밀도의 로그를 플로팅하는 것도 유용합니다. 즉, 위의 y 축에서 로그 스케일을 취하는 것)
이 차이는 감마가 왼쪽에 꼬리가 많고 오른쪽에 꼬리가 적다는 것을 의미합니다. 로그 정규의 가장 오른쪽 꼬리는 무겁고 왼쪽 꼬리는 더 가볍습니다. 당신은 왜도를 보면 그리고 실제로, 로그 정규 및 감마의, 변화의 주어진 계수를 들어, 로그 정규 더 잘 기울입니다 ( 감마 (보다) 2 CV에게 ).
이러한 분포를 생성하는 물리적 프로세스에 대한 질문에 대답하려면 : 로그 정규 분포는 X의 로그가 정규 분포 일 때 발생합니다 (예 : X가 매우 작은 요소의 곱인 경우). X가 감마 분포 인 경우 이는 지수로 분산 된 여러 변형의 합입니다. 예를 들어, 포아송 프로세스의 많은 이벤트에 대한 대기 시간입니다.