Логистическое нормальное распределение

Логистическое нормальное распределение (также известное как лог-логистическое распределение) — это непрерывное распределение вероятностей для положительной случайной величины, логарифм которой подчиняется логистическому распределению. Оно является аналогом логнормального распределения, но с более «тяжёлыми» хвостами, что делает его пригодным для моделирования процессов с высокой изменчивостью, таких как доходы, сроки службы устройств или времена восстановления систем.

Определение и функция плотности

Пусть \( X \) — положительная случайная величина. Если \( Y = \ln X \) имеет логистическое распределение с параметрами \( \mu \) (сдвиг) и \( s \) (масштаб), то \( X \) имеет логистическое нормальное распределение. Функция плотности вероятности (PDF) для \( x > 0 \) задаётся формулой:

\[ f(x; \mu, s) = \frac{1}{s x} \cdot \frac{e^{(\ln x - \mu)/s}}{\left(1 + e^{(\ln x - \mu)/s}\right)^2} \]

Здесь:

• \( \mu \) — параметр сдвига (логарифмическое среднее), определяющий медиану распределения: \( \text{Med}(X) = e^{\mu} \).
• \( s > 0 \) — параметр масштаба (логарифмический масштаб), влияющий на форму хвостов.

Функция распределения (CDF) имеет вид:

\[ F(x; \mu, s) = \frac{1}{1 + e^{-(\ln x - \mu)/s}} = \frac{e^{(\ln x - \mu)/s}}{1 + e^{(\ln x - \mu)/s}} \]

Свойства

Моменты

Среднее значение и дисперсия существуют только при определённых условиях. Для \( s < 1 \) математическое ожидание конечно:

\[ E[X] = e^{\mu} \cdot \frac{\pi s}{\sin(\pi s)}, \quad 0 < s < 1 \]

Если \( s \ge 1 \), среднее не определено (расходится). Дисперсия существует при \( s < 0.5 \):

\[ \text{Var}[X] = e^{2\mu} \left( \frac{2\pi s}{\sin(2\pi s)} - \left( \frac{\pi s}{\sin(\pi s)} \right)^2 \right), \quad 0 < s < 0.5 \]

Медиана всегда равна \( e^{\mu} \), мода — \( e^{\mu} \cdot \left( \frac{1-s}{1+s} \right)^{1/s} \) при \( s < 1 \).

Связь с другими распределениями

• Если \( X \) имеет логистическое нормальное распределение, то \( \ln X \) — логистическое.
• При \( s \to 0 \) распределение вырождается в точку \( e^{\mu} \).
• Логистическое нормальное распределение является частным случаем обобщённого бета-распределения второго рода (GB2) при определённых параметрах.

Применение

Анализ выживаемости и надёжность

Логистическое нормальное распределение используется для моделирования времени до отказа (сроков службы) в технике и биологии. Оно хорошо описывает процессы, где интенсивность отказов сначала возрастает, а затем убывает, что характерно для многих механических систем. В отличие от логнормального распределения, его хвосты тяжелее, что позволяет учитывать редкие, но экстремальные события.

Экономика и финансы

В экономике распределение применяется для моделирования доходов населения, размеров фирм и цен на активы. Например, распределение доходов в некоторых странах лучше описывается логистическим нормальным законом, чем логнормальным, из-за большего числа наблюдений в верхнем хвосте (сверхбогатые). В финансах оно используется для оценки рисков, связанных с экстремальными колебаниями цен.

Гидрология и климатология

Логистическое нормальное распределение применяется для анализа максимальных осадков, расходов воды в реках и других гидрологических величин, где важны редкие, но значительные события. Оно входит в семейство обобщённых распределений экстремальных значений.

Медицина и эпидемиология

В эпидемиологии распределение используется для моделирования инкубационных периодов инфекционных заболеваний, длительности госпитализации или времени до выздоровления. Его гибкость позволяет учитывать как короткие, так и длительные периоды.

Оценка параметров

Параметры \( \mu \) и \( s \) оцениваются методом максимального правдоподобия (ММП). Для выборки \( x_1, x_2, \dots, x_n \) логарифмическая функция правдоподобия имеет вид:

\[ \ell(\mu, s) = -n \ln s - \sum_{i=1}^n \ln x_i - 2 \sum_{i=1}^n \ln\left(1 + e^{(\ln x_i - \mu)/s}\right) + \sum_{i=1}^n \frac{\ln x_i - \mu}{s} \]

ММП-оценки не имеют аналитического выражения и находятся численно, например, методом Ньютона-Рафсона. Альтернативно, можно использовать метод моментов, но он менее эффективен при малых выборках.

Примеры

• Срок службы подшипников: Время до износа подшипников в промышленном оборудовании часто моделируется логистическим нормальным распределением с параметрами \( \mu = 4.5 \) (медиана около 90 дней) и \( s = 0.3 \), что даёт среднее время около 100 дней.
• Доходы населения: Распределение годовых доходов в некоторых регионах России (например, в Москве) может быть аппроксимировано логистическим нормальным законом с \( \mu = 12.5 \) (медианный доход около 270 тыс. руб.) и \( s = 0.8 \), что указывает на значительное неравенство.

Интересные факты

• Логистическое нормальное распределение впервые было описано в 1940-х годах в контексте анализа выживаемости, но широкое применение получило лишь в 1970-е с развитием вычислительной техники.
• В отличие от логнормального распределения, которое является предельным для произведения многих независимых случайных величин, логистическое нормальное распределение возникает как предельное для суммы логарифмов логистических величин.
• Распределение используется в теории надёжности для описания времени восстановления систем после отказов, где характерны длительные периоды ремонта.

Критика

Основной недостаток логистического нормального распределения — отсутствие конечных моментов при \( s \ge 1 \), что ограничивает его применение в задачах, где требуется расчёт среднего или дисперсии. Кроме того, оценка параметров методом максимального правдоподобия может быть неустойчивой при малых выборках или при значениях \( s \), близких к 1. В некоторых областях, например в гидрологии, предпочтение отдаётся распределению Вейбулла или обобщённому распределению Парето, которые имеют более простую интерпретацию параметров.

Источники

• Johnson, N. L., Kotz, S., & Balakrishnan, N. (1994). Continuous Univariate Distributions, Vol. 2. Wiley.
• Lawless, J. F. (2003). Statistical Models and Methods for Lifetime Data. Wiley.
• Kleiber, C., & Kotz, S. (2003). Statistical Size Distributions in Economics and Actuarial Sciences. Wiley.
• Hosking, J. R. M., & Wallis, J. R. (1997). Regional Frequency Analysis: An Approach Based on L-Moments. Cambridge University Press.