1 定义与基本概念
对数正态分布是一类重要的连续型概率分布，适合描述取值严格为正且分布明显向右偏斜的随机变量。其核心特征在于：如果一个变量经过自然对数变换后呈正态分布，那么原变量就服从对数正态分布。由于这种“先取对数再看正态”的关系，它在分析乘法型波动、比例变化以及跨数量级数据时非常常见。
1.1 对数正态分布的定义
若随机变量 \(X>0\)，并且 \(\ln X\) 服从正态分布 \(N(\mu,\sigma^2)\)，则称 \(X\) 服从对数正态分布，记作 \[ X \sim \operatorname{Lognormal}(\mu,\sigma^2). \] 这里的 \(\mu\) 和 \(\sigma^2\) 是对数尺度下的参数，分别对应 \(\ln X\) 的均值和方差。换言之，对数正态分布本质上是由正态分布通过指数变换得到的分布。
1.2 概率密度函数
若 \(X \sim \operatorname{Lognormal}(\mu,\sigma^2)\)，其概率密度函数为 \[ f(x)=\frac{1}{x\sigma\sqrt{2\pi}}\exp\!\left[-\frac{(\ln x-\mu)^2}{2\sigma^2}\right], \quad x>0. \] 在 \(x\le 0\) 时，密度函数取值为 0。该密度在正半轴上单峰且右侧拖着长尾，因此常呈现“左高右长”的形状。
1.3 累积分布函数
对数正态分布的累积分布函数可写为 \[ F(x)=P(X\le x)=\Phi\!\left(\frac{\ln x-\mu}{\sigma}\right), \quad x>0, \] 其中 \(\Phi(\cdot)\) 是标准正态分布的累积分布函数。由于它直接由正态分布的分布函数表示，因此许多概率计算都可以借助正态表或正态分布的数值函数完成。
1.4 分布函数的取值范围与支持集
对数正态分布的支持集为 \[ (0,\infty). \] 也就是说，它只描述正值随机变量，不覆盖零和负数。其分布函数在 \(x\le 0\) 时恒为 0，在 \(x\to\infty\) 时趋近于 1。由于支持集位于正半轴上，这类分布特别适合表示长度、时间、浓度、价格等非负量。
2 参数与表示方法
对数正态分布在不同学科中存在多种记号和参数化方式。虽然形式略有差别，但本质上都围绕对数变量服从正态分布这一事实展开。
2.1 常见参数化形式
最常见的参数化写作 \(X\sim \operatorname{Lognormal}(\mu,\sigma^2)\)，其中 \(\mu\) 与 \(\sigma\) 分别是对数尺度上的均值和标准差。也有文献将参数写作 \((m,s)\)、\((\mu,\sigma)\) 或用 \(\theta\) 表示尺度参数。不同写法之间通常可以通过对数变换直接对应。
2.2 位置参数与尺度参数
在对数正态分布中，\(\mu\) 常被看作位置参数，因为它决定对数变量的中心位置；\(\sigma\) 则控制离散程度，具有尺度调节作用。若 \(\mu\) 增大，分布整体会向右移动；若 \(\sigma\) 增大，分布会变得更分散，右尾也更明显。
2.3 标准对数正态分布
当 \(\mu=0\)、\(\sigma=1\) 时，称为标准对数正态分布。此时 \[ \ln X \sim N(0,1). \] 标准形式便于理论分析，也常作为仿真和数值计算中的基准模型。
2.4 与正态分布的对应关系
对数正态分布与正态分布之间存在一一对应：若 \(Y=\ln X\)，则 \(Y\) 正态；反过来，若 \(Y\sim N(\mu,\sigma^2)\)，令 \(X=e^Y\)，则 \(X\) 对数正态。这个对应关系使得许多关于对数正态分布的问题都能转化为正态分布问题处理，尤其是在求概率、分位数和参数估计时十分便利。
3 基本性质
对数正态分布的性质与正态分布有所不同，尤其体现在非对称性、尾部行为以及矩的表达形式上。
3.1 非负性与右偏性
对数正态分布只取正值，因此天然满足非负性。其形状通常右偏，左侧靠近零的一端陡峭，右侧则拖着较长的尾巴。这种偏斜在实际数据中非常常见，例如收入、粒径和某些长度数据，常表现为少量较大值把分布拉向右侧。
3.2 均值、中位数与众数
若 \(X\sim \operatorname{Lognormal}(\mu,\sigma^2)\)，则其均值为 \[ E[X]=e^{\mu+\sigma^2/2}, \] 中位数为 \[ \operatorname{Med}(X)=e^\mu, \] 众数为 \[ \operatorname{Mode}(X)=e^{\mu-\sigma^2}. \] 通常有 \[ \operatorname{Mode}(X)<\operatorname{Med}(X)<E[X], \] 这也反映出其右偏特征。均值受右尾影响较大，因此常大于中位数。
3.3 方差与离散程度
对数正态分布的方差为 \[ \operatorname{Var}(X)=\bigl(e^{\sigma^2}-1\bigr)e^{2\mu+\sigma^2}. \] 可以看出，\(\sigma^2\) 增大时，方差会迅速上升。也就是说，对数尺度上的小幅变化，在原尺度上可能对应较大的波动，这也是对数正态模型在描述波动性数据时的重要原因。
3.4 偏度与峰度
对数正态分布的偏度和峰度都可由 \(\sigma\) 给出闭式表达。随着 \(\sigma\) 增大，分布会越来越偏斜，尾部也更厚。相比正态分布，它更容易出现极端大值，因此在风险分析和极值观察中经常被采用。
3.5 矩与矩母函数相关性质
对数正态分布的任意阶正整数矩都存在，并满足 \[ E[X^k]=\exp\!\left(k\mu+\frac{k^2\sigma^2}{2}\right). \] 但它的矩母函数在非零点附近通常不存在有限值，这与正态分布的情形不同。尽管如此，利用对数变换仍可以方便地求出许多乘幂形式的期望与方差。
4 分布推导与生成机制
对数正态分布不仅可以作为一个静态分布来定义，也可以从若干生成机制中自然导出。
4.1 正态变量指数变换
最直接的构造方式是：先令 \(Y\sim N(\mu,\sigma^2)\)，再定义 \(X=e^Y\)。由于指数函数将实数轴映射到正半轴，变换后的变量必为正值，并且自动具有对数正态分布。这一方式是最基本的推导路径。
4.2 乘法随机过程
如果某个量在演化过程中不断受到相对比例变化的影响，例如每一步都乘上一个随机因子，那么经过多次累积后，最终结果常接近对数正态分布。与加法型误差对应正态分布不同，乘法型误差更容易导向对数正态结构。
4.3 中心极限定理与乘积极限定理
中心极限定理说明，许多独立小扰动的和会趋向正态分布。对于乘积过程，取对数后这些乘积会转化为加和，因此在适当条件下，对数变量可近似正态，从而原变量近似对数正态。这个思想常被概括为乘积极限定理或对数域下的极限定理解释。
4.4 相关随机变量构造
在实际建模中，多个对数正态随机变量之间往往存在相关性。常见做法是先构造相关正态向量，再对每个分量取指数，从而得到相关的对数正态变量。由于指数映射是非线性的，原变量之间的相关结构通常比正态情形更复杂。
5 统计特征
对数正态分布在统计分析中的许多特征，都能通过其正态对数变量进行间接表达。
5.1 第一阶矩与高阶矩
第一阶矩即均值，前文已给出。更一般地，任意高阶矩都具有简单形式： \[ E[X^k]=\exp\!\left(k\mu+\frac{k^2\sigma^2}{2}\right). \] 这使得对数正态分布在处理幂次相关量时非常方便，例如体积、表面积或复利增长后的量。
5.2 分位数与四分位距
对数正态分布的 \(p\) 分位数为 \[ Q(p)=\exp\!\left(\mu+\sigma \Phi^{-1}(p)\right), \] 其中 \(\Phi^{-1}\) 是标准正态分布的分位数函数。四分位距则可写为 \[ Q(0.75)-Q(0.25). \] 由于分位数在原尺度上是指数形式，较高分位点会增长较快，体现尾部的拉伸效应。
5.3 危险率函数
危险率函数定义为 \[ h(x)=\frac{f(x)}{1-F(x)}. \] 对数正态分布的危险率通常不呈简单单调形式，常可表现为先升后降或较复杂的变化。这一特点使它适合刻画某些失效过程，即早期失效概率较低，随后升高，而后又趋缓。
5.4 生存函数
生存函数为 \[ S(x)=1-F(x)=1-\Phi\!\left(\frac{\ln x-\mu}{\sigma}\right). \] 在可靠性分析中，生存函数表示系统或个体超过某一阈值的概率。对数正态分布的生存函数右尾衰减较慢，因此较适合描述存在较大延迟或少量长寿命个体的情形。
5.5 尾部行为
对数正态分布具有长右尾，但尾部又不同于幂律分布。它的尾部虽然延伸较长，却仍属于比某些重尾分布更“温和”的类型。实际应用中，这意味着极端大值并不罕见，但其增长速度仍受指数对数结构约束。
6 相关分布与特殊情形
对数正态分布常与其他分布联系在一起，尤其在变换、近似和复合模型中更为明显。
6.1 正态分布
正态分布是对数正态分布的对数对应分布。两者之间通过指数与对数互相转换，因此在理论上具有紧密联系。很多关于对数正态变量的运算，都会先转回正态变量后处理。
6.2 伽马分布
伽马分布同样常用于描述正值数据，且在某些场景下可与对数正态分布形成竞争模型。二者都可用于右偏数据，但伽马分布往往有更灵活的指数衰减尾部，而对数正态分布在乘法型机制下更自然。
6.3 韦伯分布
韦伯分布也常用于可靠性分析。相较之下，对数正态分布在寿命数据中经常用于刻画初期增长较慢、后期差异扩大的情况。二者在应用上有重叠，但适用的失效机制并不完全相同。
6.4 截断正态分布
截断正态分布是将正态分布限制在某一区间内得到的分布，常用于变量本身有边界约束的情形。与对数正态分布相比，它通过截断而非指数变换保证非负性，因此形态和解释都不同。
6.5 复合对数正态模型
复合对数正态模型通常指多个随机因素叠加或混合后形成的模型，例如不同人群、不同批次或不同环境条件下的对数正态成分组合。这类模型可以更好地描述异质性，但参数估计也更复杂。
7 估计与推断
对数正态分布的参数估计通常借助对数变换后转化为正态模型处理，这使得其推断方法相对清晰。
7.1 参数估计
7.1.1 矩估计
矩估计通过样本均值和样本方差来反推 \(\mu\) 与 \(\sigma^2\)。先根据原变量的样本矩建立方程，再解出参数。该方法直观简便，但在样本较小或右尾较重时，精度未必最佳。
7.1.2 极大似然估计
极大似然估计通常先对样本取对数，再把问题转化为正态分布参数估计。若记 \(Y_i=\ln X_i\)，则 \(\mu\) 与 \(\sigma^2\) 的极大似然估计与正态样本均值和方差的估计形式一致。该方法在统计实践中应用广泛。
7.2 置信区间
参数的置信区间可在对数尺度上构造，再映射回原尺度。对于均值、分位数或某些函数型参数，也常利用渐近正态性或Bootstrap方法构造区间，从而获得更稳健的推断结果。
7.3 假设检验
假设检验常用于判断数据是否可视为对数正态，或检验不同样本的对数均值是否存在差异。对数转换后，许多问题可以归结为正态均值检验、方差检验或线性模型分析，因而操作较为方便。
7.4 拟合优度检验
常用的拟合优度检验包括Kolmogorov-Smirnov检验、Anderson-Darling检验以及基于QQ图的图形诊断。对于对数正态分布，先考察对数后的数据是否近似正态，往往比直接在原尺度上判断更有效。
8 应用领域
对数正态分布的应用十分广泛，尤其适用于正值、右偏、乘法波动明显的数据。
8.1 金融学中的资产建模
在金融学中，对数正态分布常用于描述资产价格或价格比率的近似分布。由于价格通常为正，并且短期变化可视作若干随机比例因子的累积，因而对数正态模型具有良好的解释力。
8.2 经济学中的收入分布
收入数据常呈现“少数高收入拉长右尾”的特征，因此对数正态分布常被用来做初步建模。虽然现实收入分布可能更复杂，但对数正态模型在描述中间区间和右偏结构方面具有较强的基础性。
8.3 生命科学中的生长与寿命分析
在生命科学中，生物体尺寸、生长速度、细胞大小和某些寿命指标都可能符合对数正态规律。其原因往往在于生长过程由多个比例性因素共同驱动，累积后形成乘法效应。
8.4 工程学中的可靠性分析
工程系统的失效时间、磨损程度以及部件寿命常具有右偏特征。对数正态分布可用于刻画“多数部件较早失效，少数部件寿命很长”的现象，因此在可靠性工程中相当常见。
8.5 环境科学中的污染物浓度建模
在环境科学中，污染物浓度、颗粒物粒径和某些化学指标常呈正值且偏态分布。对数正态模型有助于描述浓度波动、估计暴露水平以及分析极端污染事件的概率。
9 数值计算与模拟
对数正态分布在数值分析中通常较易处理，但在尾部、极端分位数和参数敏感性方面仍需谨慎。
9.1 随机数生成
生成对数正态随机数通常分两步：先生成正态随机数 \(Y\sim N(\mu,\sigma^2)\)，再取指数得到 \(X=e^Y\)。这种方法简单高效，也是大多数软件包的标准实现方式。
9.2 参数敏感性分析
对数正态分布对 \(\sigma\) 尤其敏感。即使 \(\sigma\) 略有变化，均值、方差和尾部概率也可能显著改变。因此在模型应用中，常需要分析参数误差对结果的影响。
9.3 数值积分与近似计算
涉及尾概率、分位数或复杂函数期望时，往往需要数值积分或近似公式。借助正态分布的成熟数值算法，许多对数正态相关计算都能较稳定地完成。
9.4 蒙特卡罗模拟
蒙特卡罗方法常用于评估对数正态模型下的复杂系统表现，例如组合风险、可靠性指标和随机增长过程。通过重复抽样，可以估计事件概率、期望损失或区间指标，并对理论结果进行验证。
10 历史与发展
对数正态分布的形成与发展，和概率论、统计学以及应用科学的共同演进密切相关。
10.1 早期研究背景
对数正态思想最早源于对乘法过程和偏态数据的观察。研究者发现，某些自然和社会现象并不适合正态模型，但若对数据取对数，往往能得到更接近正态的结果，于是对数正态分布逐渐被系统化。
10.2 统计学中的推广与应用
随着数理统计方法的发展，对数正态分布被更广泛地引入经济、工程、生命科学等领域。特别是在样本分析、参数估计和可靠性研究中，它逐渐成为处理正偏数据的经典模型之一。
10.3 现代研究方向
现代研究主要集中在复杂参数模型、混合对数正态分布、相关结构建模以及高维数据中的应用。与此同时，数值计算、贝叶斯推断和随机模拟技术也不断扩展其适用范围，使对数正态分布在理论与实践中都保持较高活跃度。