Monte Carlo Simulation中Lognormal distribution参数配置相关问题

1 核心前提说明 #

对数正态分布与正态分布的参数定义完全不同：如果随机变量$X$服从对数正态分布，那么它的自然对数$\ln(X)$服从正态分布$N(\mu, \sigma^2)$。对数正态分布的均值、标准差计算逻辑和正态分布完全不一致。

2 MC模拟中的参数设置方法 #

根据你已知的条件可以分为两种设置场景：

2.1 已知对数域的正态分布参数 #

如果你已经确定了$\ln(X)$对应的正态分布均值$\mu$（对数均值）和标准差$\sigma$（对数标准差），直接按照以下逻辑生成样本即可：

1. 先生成服从标准正态分布$N(0,1)$的随机数$Z$
2. 按照公式X = exp(μ + σ * Z)转换得到符合要求的对数正态分布样本

2.2 已知真实参数$X$的期望均值和标准差 #

如果你明确的是待调整参数$X$本身需要满足的均值$\mu_X$、标准差$\sigma_X$，需要先反推对应的对数域参数，再生成样本：

• 首先计算对数域方差：$\sigma^2 = \ln(1 + \frac{\sigma_X^2}{\mu_X2})$
• 再计算对数域均值：$\mu = \ln(\mu_X) - \frac{\sigma^2}{2}$
• 最终对数域标准差为$\sigma = \sqrt{\sigma^2}$，代入2.1的生成逻辑即可

3 对数正态分布的均值与标准差计算方式 #

和正态分布参数直接对应本身均值、标准差的逻辑不同，对数正态分布的统计量需要从对数域参数转换得到：

• 分布均值：$\mu_X = \exp(\mu + \frac{\sigma^2}{2})$
• 分布方差：$\sigma_X^2 = \exp(2\mu + \sigma^2) * (\exp(\sigma^2) - 1)$
• 分布标准差为上述方差的算术平方根

4 快速实现示例（Python） #

import numpy as np

# 设定待生成参数的目标均值、标准差
target_mean = 10
target_std = 2

# 反推对数域参数
log_var = np.log(1 + (target_std ** 2) / (target_mean ** 2))
log_mean = np.log(target_mean) - log_var / 2
log_std = np.sqrt(log_var)

# 生成10000个MC模拟样本
mc_samples = np.random.lognormal(mean=log_mean, sigma=log_std, size=10000)

# 验证生成结果
print("样本实际均值：", np.mean(mc_samples))
print("样本实际标准差：", np.std(mc_samples))

注意：对数正态分布所有取值均为正数，非常适合用于物理意义上不能为负的参数模拟，避免MC过程中出现无意义的负参数值。

内容的提问来源于stack exchange，提问作者Assia Chadly