#math #scipy #statistics
Вопрос:
Я пытаюсь вычислить среднее значение усеченного логарифмического нормального распределения. У меня есть случайная величина x
, которая имеет логарифмически нормальное распределение с std a
.
Я хотел бы рассчитать среднее x
значение, когда x < y
Примечание — Если x
он был нормально распространен, его можно рассчитать с помощью этой библиотеки:
from scipy.stats import truncnorm
my_mean = 100
my_std = 20
myclip_a = 0
myclip_b = 95
a, b = (myclip_a - my_mean) / my_std, (myclip_b - my_mean) / my_std
new_mean = truncnorm.mean(a, b, my_mean, my_std)
Я хотел бы преобразовать этот код в предположении, что распределение является логарифмически нормальным и ненормальным.
Ответ №1:
Вполне могут быть и более элегантные способы сделать это, но в итоге я вернулся к интеграции логнормального pdf-файла, умноженного на x в диапазоне между усеченными результатами, чтобы решить эту проблему раньше.
Ниже приведен пример Python — не обращайте внимания на неуклюжий способ, которым я указал среднее значение усеченного логнормального распределения и стандартное отклонение, это просто особенность моей работы.
Он должен работать между любыми усечениями (x1 = нижний предел, x2 = верхний предел), включая от нуля до бесконечности (с использованием np.inf)
import math
from scipy.special import erf
import numpy as np
P10 = 50 # Untruncated P10 (ie 10% outcomes higher than this)
P90 = 10 # Untruncated P90 (ie 90% outcomes higher than this)
u = (np.log(P90) np.log(P10))/2 # Untruncated Mean of the log transformed distribution
s = np.log(P10/P90)/2.562 # Standard Deviation
# Returns integral of the lognormal pdf multiplied by the lognormal outcomes (x)
# Between lower (x1) and upper (x2) truncations
# pdf and cdf equations from https://en.wikipedia.org/wiki/Log-normal_distribution
# Integral evaluated with;
# https://www.wolframalpha.com/input/?i2d=trueamp;i=Integrate[exp(40)-Divide[Power[(40)ln(40)x(41)-u(41),2],(40)2*Power[s,2](41)](41),x]
def ln_trunc_mean(u, s, x1, x2):
if x2 != np.inf:
upper = erf((s**2 u-np.log(x2))/(np.sqrt(2)*s))
upper_cum_prob = 0.5*(1 erf((np.log(x2)-u)/(s*np.sqrt(2)))) # CDF
else:
upper = -1
upper_cum_prob = 1
if x1 != 0:
lower = erf((s**2 u-np.log(x1))/(np.sqrt(2)*s))
lower_cum_prob = 0.5*(1 erf((np.log(x1)-u)/(s*np.sqrt(2))))
else:
lower = 1
lower_cum_prob = 0
integrand = -0.5*np.exp(s**2/2 u)*(upper-lower) # Integral of PDF.x.dx
return integrand / (upper_cum_prob - lower_cum_prob)
Затем вы можете оценить, например, усеченное среднее значение, а также среднее значение с верхним и нижним 1 процентильным отсечением следующим образом
# Untruncated Mean
print(ln_trunc_mean(u, s, 0, np.inf))
27.238164532490508
# Truncated mean between 5.2 and 96.4
print(ln_trunc_mean(u, s, 5.2, 96.4))
26.5089880192863