기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[data analysis]로그-노말 분포(Log-normal distribution)

로그-노말 분포(Log-normal distribution)

랜덤변수의 자연로그가 정규분포를 따른다면 랜덤변수 자체는 로그노말(log-normal) 분포를 따른다고 할 수 있습니다.

X (log-normal) ⇒ Y=ln(x) (normal)
Y(normal) ⇒ X=exp(Y) (log-normal)

양수인 연속 랜덤변수 X를 식 1과 같이 나타낼 수 있다고 가정합니다.

$$R_x = \mathbb{R_{++}} \tag{식 1}$$

랜덤 변수 X의 확률밀도함수가 식 2와 같다면 그 변수는 매개변수 $\mu$와 $\sigma^2$를 가지는 로그노말 분포(log-normal distribution)를 따릅니다.

$$\tag{식 2} f_x(X)= \begin{cases} \frac{1}{x\sqrt{2\pi}\sigma}\exp\left(-\frac{1}{2}\frac{(\ln x -\mu)^2}{\sigma^2}\right)& \text{if}\; x \in R_x\\ 0& \text{if}\; x \notin R_x \end{cases}$$

다음 코드는 식 2를 함수로 작성한 것입니다.

def logNormPdf(x, mu, sigma):
    c1=1/(x*np.sqrt(2*np.pi)*sigma)
    c2=np.exp(-1/2*(np.log(x)-mu)**2/sigma**2)
    return c1*c2

양수인 랜덤변수 x에 대해 모수 중의 σ의 변화에 따른 위 로그-노말 확률밀도 함수를 적용한 행태를 나타냅니다.

x=np.linspace(0.01, 10, 1000)
para=[(0,0.5, 'g'), (0, 1, 'b'), (0, 2, 'r')]
plt.figure(figsize=(3,2))
for i , j, z in para:
    p=logNormPdf(x, i, j)
    plt.plot(x, p, color=z, label=f"$\mu$={i}, $\sigma$={j}")
plt.xlabel("x")
plt.ylabel('PDF')
plt.legend(loc="best")
plt.show()

위 코드의 변수는 로그-노말 분포에 부합합니다. 이 변수에 자연로그를 취한 변형된 랜덤 변수는 정규분포에 부합니다.

y=np.log(x)
pn=stats.norm.pdf(y,scale=0.5/2)
plt.figure(figsize=(3,2))
plt.plot(y, pn)
plt.show()

Y~N(μ, σ2) 즉, 랜덤변수 Y는 μ와 σ2를 모수로 하는 정규분포를 따릅니다. 이 변수에 식 3이 성립하면 랜덤변수 X는 μ와 σ2를 모수로 하는 로그-노말 분포를 따르며 그 확률밀도 함수는 식 4와 같습니다.

$$\tag{식3} X=\exp(Y) \Leftrightarrow \ln X=Y$$

위 식 3에 부합하는 X의 확률밀도 함수는 식 4와 같습니다.

$$\begin{align}\tag{식 4} f_y(y)&=\frac{1}{\sqrt{2\pi} \sigma} \exp\left(-\frac{(y-\mu)^2}{2\sigma^2}\right)\\& x=g(Y)=\exp(Y) \\ f_x(x)& =f_y(g^{-1}(x))\frac{dg^{-1}(x)}{dx}\\ &g^{-1}(x)=\ln x \\\ &\frac{dg^{-1}(x)}{dx}=\frac{1}{x}\\ f(x) & =f_y(g^{-1}(x))\frac{dg^{-1}(x)}{dx} \\ & =\frac{1}{\sqrt{2\pi} \sigma} \exp\left(-\frac{(\ln x-\mu)^2}{2\sigma^2}\right)\frac{1}{x}\end{align}$$

식 4는 랜덤변수의 Y와 X의 역함수 관계를 적용한 것입니다(증가 확률함수의 역함수 참조).

기대값

로그 노말 분포를 따르는 랜덤변수 X에 대한 기대값은 식 4와 같습니다.

$$\tag{식 5}E(X) = \exp\left(\mu + \frac{1}{2} \sigma^2\right)$$

위 식 5는 다음과정으로 유도 됩니다(식 6).

\begin{align}\tag{식 6} E(X)&=\int^\infty_{-\infty} xf(x)\, dx \\ &=\int^\infty_0 x \frac{1}{\sqrt{2\pi} \sigma} \exp\left(-\frac{(\ln x-\mu)^2}{2\sigma^2}\right)\frac{1}{x}\, dx\end{align}

식 6에서 랜덤변수 X는 로그-노말 분포를 따르므로 범위는 x < 0 이 됩니다. 또한 위 식을 식 7과 같이 치환하여 계산합니다.

\begin{align}\tag{식 7}t&=\frac{\ln(x)-\mu}{\sigma} \Rightarrow x=\exp\left(\sigma t +\mu \right)\\ \frac{dt}{dx}&=\frac{d\left(\frac{1}{\sigma}(\ln(x)-\mu) \right)}{dx} \\&=\frac{1}{\sigma x}\\ dt &=\frac{1}{\sigma x} dx \Rightarrow dx=\sigma x dt=\sigma \exp\left(\sigma t +\mu \right)dt\\ & x \rightarrow 0 \Rightarrow t \rightarrow -\infty \\ & x \rightarrow \infty \Rightarrow t \rightarrow \infty \end{align}

식 7을 식 6에 대입하여 정리하면 식 8과 같습니다.

\begin{align}\tag{식 8} E(X)&= \int^\infty_0 \frac{1}{\sqrt{2\pi} \sigma} \exp\left(-\frac{(\ln x-\mu)^2}{2\sigma^2}\right)\\ &=\int^\infty_{\infty} \frac{1}{\sqrt{2\pi} \sigma} \exp\left(-\frac{t^2}{2}\right)\sigma\exp\left(\sigma t +\mu \right)dt \\ \Rightarrow & -\frac{1}{2}t^2+\sigma t+\mu = -\frac{1}{2}(t+\sigma)^2+\left(\frac{\sigma^2}{2}+\mu\right)\,dt\\ & = \frac{1}{\sqrt{2\pi}}\int^\infty_{\infty} \exp\left( -\frac{1}{2}(t+\sigma)^2\right)\exp\left(\frac{\sigma^2}{2}+\mu\right)\, dt\\ &=\exp\left(\frac{\sigma^2}{2}+\mu\right)\int^\infty_{\infty} \frac{1}{\sqrt{2\pi}}\exp\left( -\frac{1}{2}(t+\sigma)^2\right)\, dt\\ \Rightarrow &\text{위 항의 적분은 표준편차 1, 평균이}\, \sigma\,\text{인 정규분포로서 적분 결과는 1입니다.}\\&=\exp\left(\frac{\sigma^2}{2}+\mu\right)\end{align}

분산

로그 노말 분포를 따르는 랜덤변수 X에 대한 분산은 식 9와 같습니다.

$$\tag{식 9}\text{Var}(X) = \exp\left(\frac{2\mu + 2 \sigma^2}{2\mu + \sigma^2}\right)$$

분산은 $E(X^2)-E(x)^2$으로 계산됩니다. 먼저 $ E(X^2)$는 식 10과 같이 결정할 수 있습니다. 이 과정에서 식 7을 치환적분을 실행합니다.

\begin{align}\tag{식 10} E(X^2)&=\int^\infty_{-\infty} x^2f(x)\, dx \\ &=\int^\infty_0 x^2 \frac{1}{\sqrt{2\pi} \sigma} \exp\left(-\frac{(\ln x-\mu)^2}{2\sigma^2}\right)\frac{1}{x}\, dx\\&=\frac{1}{\sqrt{2\pi} \sigma} \int^\infty_0 x \exp\left(-\frac{(\ln x-\mu)^2}{2\sigma^2}\right)\, dx\\ &=\exp\left(2\sigma^2+2\mu\right) \end{align}

그러므로 분산은 식 11과 같습니다.

\begin{align}\tag{식 11}\text{Var}(X)&=E(X^2)-E(x)^2\\&= \exp\left(2\sigma^2+2\mu\right) - \left(\exp\left(\frac{\sigma^2}{2}+\mu\right)\right)^2\\&= \exp\left(2\sigma^2+2\mu\right)-\exp 2\left(\frac{\sigma^2}{2}+\mu\right)\\ &= \exp\left(2\sigma^2+2\mu\right)-\exp\left(2\mu+\sigma^2\right)\\& \because\; [\ln(z)]^2 = \ln(2z)\end{align}

높은 차수의 모멘트

n차 모멘트는 식 12와 같이 계산됩니다.

\begin{align}\tag{식 12}E(X^n)&=\int^\infty_{-\infty}x^nF_x(x)\, dx\\ &=\int^\infty_0 x^n \frac{1}{\sqrt{2\pi} \sigma} \exp\left(-\frac{(\ln x-\mu)^2}{2\sigma^2}\right)\frac{1}{x}\, dx\\&=\exp \left(\frac{1}{2}n^2\sigma^2+n\mu\right) \end{align}

식 12는 식 7을 적용하여 증명할 수 있습니다.

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...