लॉगनॉर्मल वितरण: परिभाषा, गुण, और अनुप्रयोग

आय के आँकड़ों के बारे में सोचिए। कुछ लोग लाखों कमाते हैं, अधिकांश बीच के दायरे में कमाते हैं, और वितरण का दायाँ सिरा लंबी पूंछ की तरह फैला रहता है। इसे मानक घंटीनुमा वक्र पर प्लॉट करें तो कुछ मेल नहीं खाता क्योंकि नॉर्मल वितरण यहाँ ठीक से फिट नहीं बैठता।

लॉगनॉर्मल वितरण उन चरों के लिए बनाया गया है जो सख्ती से धनात्मक होते हैं और दाईं ओर झुके होते हैं, जहाँ मान जितना बड़ा होता है, फैलाव उतना बढ़ता है। गृहस्थी की आय, शेयर कीमतें, फ़ाइल आकार, और जैविक माप—सभी ऐसा ही व्यवहार करते हैं।

हम देखेंगे कि लॉगनॉर्मल वितरण क्या है, यह नॉर्मल वितरण से कैसे तुलना करता है, इसके प्रमुख गुण और सूत्र क्या हैं, इसे कब उपयोग करना चाहिए, और वास्तविक डाटा में इसे कैसे पहचाना जाए—साथ ही कुछ आम गलतियाँ भी।

लॉगनॉर्मल वितरण क्या है?

यदि किसी यादृच्छिक चर का प्राकृतिक लघुगणक नॉर्मल रूप से वितरित हो, तो वह चर लॉगनॉर्मल वितरण का अनुसरण करता है।

यदि X लॉगनॉर्मल रूप से वितरित है, तो ln(X) नॉर्मल होता है। नाम भी यहीं से आता है: लॉग-नॉर्मल—वह वितरण जिसका लॉग नॉर्मल है।

दो बातें तुरंत निकलकर आती हैं। पहली, मान हमेशा धनात्मक होंगे। लघुगणक केवल धनात्मक संख्याओं के लिए परिभाषित है, इसलिए लॉगनॉर्मल चर कभी शून्य या ऋणात्मक नहीं हो सकते। दूसरी, वितरण दाईं ओर झुका होगा। शून्य पर भौतिक निचली सीमा है पर ऊपरी सीमा नहीं, यानी दाईं पूंछ बाएँ की तुलना में बहुत आगे तक फैलेगी।

लघुगणक रूपांतरण दोनों वितरणों को जोड़ने वाली कुंजी है। किसी लॉगनॉर्मल वितरित चर के प्रत्येक अवलोकन पर प्राकृतिक लॉग लगाएँ, तो परिणाम नॉर्मल रूप से वितरित डाटा मिलता है। यह केवल गणितीय जिज्ञासा नहीं है—यही लॉगनॉर्मल को ग्राह्य बनाता है। एक बार डाटा को रूपांतरित कर दें, तो नॉर्मल वितरण के लिए बनी सारी सांख्यिकीय तकनीकें उपलब्ध हो जाती हैं।

लॉगनॉर्मल वितरण बनाम नॉर्मल वितरण

सबसे तुरंत दिखने वाला अंतर आकार का है। नॉर्मल वितरण सममित होता है, जिसमें औसत, माध्यक और बहुलक एक ही केंद्र बिंदु पर होते हैं। लॉगनॉर्मल वितरण असममित होता है, दाईं ओर झुका होता है, और इसकी दाईं पूंछ लंबी होती है। औसत, माध्यक और बहुलक तीनों अलग-अलग होते हैं—क्यों, यह अगले भाग में देखेंगे।

संभावित मानों की सीमा भी अलग है। नॉर्मल वितरण ऋणात्मक अनंत से धनात्मक अनंत तक फैला होता है। लॉगनॉर्मल वितरण नीचे से शून्य द्वारा सीमाबद्ध है और ऊपर की ओर असीमित है। जब आपका चर भौतिक रूप से ऋणात्मक नहीं हो सकता, तब यह सही मॉडल होता है।

अंतिम पंक्ति व्यवहार में सबसे अधिक मायने रखती है। लॉगनॉर्मल चर का लघुगणक लेना नॉर्मल वितरण देता है। यही रूपांतरण लॉगनॉर्मल को उपयोगी बनाता है। यह केवल तिरछे डाटा का वर्णन नहीं, बल्कि एक ऐसा मॉडल है जो सीधे नॉर्मल दुनिया से जुड़ता है।

लॉगनॉर्मल वितरण के गुण

कुछ प्रमुख गुण हैं जो लॉगनॉर्मल वितरण को खास बनाते हैं। 

हमेशा धनात्मक, दाईं ओर लंबी पूंछ के साथ

लॉगनॉर्मल वितरण केवल धनात्मक मान उत्पन्न करता है। यदि ln(X) नॉर्मल है, तो X = e^(ln(X)) हमेशा धनात्मक होगा, क्योंकि घातांक सदैव धनात्मक होते हैं। शून्य पर फ़्लोर है, पर छत नहीं। दाएँ झुकाव के साथ मिलकर यह वितरण का विशिष्ट आकार देता है: शून्य से तीव्र बढ़त, औसत के बाएँ कहीं शिखर, फिर लंबी पतली होती पूंछ।

औसत, माध्यक और बहुलक—तीनों अलग

केंद्र के ये तीन माप अलग कहानी बताते हैं। बहुलक (सबसे आम मान) सबसे बाएँ होता है। माध्यक उससे ऊँचा। औसत और भी ऊँचा, जिसे दाईं पूंछ ऊपर की ओर खींचती है। आय के डाटा में औसत गृहस्थी आय, माध्यक से काफी अधिक होती है। कुछ बहुत अधिक कमाने वाले औसत को ऊपर ले जाते हैं, जबकि वितरण के मध्य को नहीं छेड़ते। इसलिए अर्थशास्त्री सामान्य गृहस्थियों का वर्णन करते समय अक्सर माध्यक आय रिपोर्ट करते हैं। यहाँ गलत केंद्र माप चुनना केवल लापरवाह सांख्यिकी नहीं; यह भ्रामक है।

इसे सूत्र पर पहुँचने पर याद रखें: μ और σ ln(X) के अंतर्निहित नॉर्मल वितरण का वर्णन करते हैं, X के औसत और मानक विचलन का नहीं। यह अंतर कई लोगों को चकित करता है।

लॉगनॉर्मल वितरण का सूत्र

लॉगनॉर्मल वितरण का प्रायिकता घनत्व फलन (PDF) है:

x > 0 के लिए, जहाँ:

• x यादृच्छिक चर का मान है (धनात्मक होना अनिवार्य)
• μ (म्यू) ln(X) का औसत है। यह वितरण के स्थान को नियंत्रित करता है—μ बढ़ाने से शिखर दाईं ओर खिसकता है।
• σ (सिग्मा) ln(X) का मानक विचलन है। यह फैलाव और झुकाव की डिग्री को नियंत्रित करता है। बड़ा σ दाईं ओर भारी पूंछ उत्पन्न करता है।

μ और σ X के औसत और मानक विचलन नहीं हैं। ये ln(X) के पैरामीटर हैं। X का वास्तविक औसत e^{(μ + σ²/2)} होता है, इसी वजह से वह माध्यक के दाईं ओर बैठता है। यदि आप Python या R में डाटा पर लॉगनॉर्मल फिट कर रहे हैं, तो लाइब्रेरी फ़ंक्शंस यह रूपांतरण सँभाल लेते हैं, पर यह जानना उपयोगी है कि पैरामीटर वास्तव में क्या दर्शाते हैं।

लॉगनॉर्मल वितरण कब उपयोग करना चाहिए?

व्यावहारिक कसौटी: यदि आपका चर सख्ती से धनात्मक है और वृद्धि प्रक्रिया योगात्मक के बजाय गुणात्मक (multiplicative) है, तो लॉगनॉर्मल संभवतः उपयुक्त है।

योगात्मक प्रक्रियाएँ प्रायः नॉर्मल वितरण देती हैं। केंद्रीय सीमा प्रमेय के अनुसार, कई छोटे यादृच्छिक प्रभावों के योग नॉर्मल की ओर अभिसरित होते हैं। गुणात्मक प्रक्रियाएँ अलग होती हैं। जब हर अवधि का मान पिछली अवधि के मान से किसी यादृच्छिक गुणक से गुणित होता है (चक्रवृद्धि ब्याज, बैक्टीरिया का दोगुना होना), तो कई अवधियों में परिणाम लॉगनॉर्मल होता है। इसलिए वित्त और जीवविज्ञान में लॉगनॉर्मल इतना आम दिखता है।

लॉगनॉर्मल इन चरों पर अच्छी तरह फिट बैठता है:

• लंबी अवधि के वित्तीय रिटर्न—दैनिक लॉग रिटर्न गुणात्मक रूप से कंपाउंड होते हैं
• बीमा दावे—अधिकांश छोटे; कुछ बहुत बड़े
• आय वितरण—नीचे से शून्य द्वारा सीमाबद्ध, व्यवहार में दाईं ओर झुका
• जैविक वृद्धि—जीव का आकार, कोशिका गणना, सांद्रता माप
• प्रतीक्षा समय—मरम्मत समय और सेवा अवधि जिनमें कभी-कभार अपवादात्मक मान होते हैं
• पर्यावरणीय माप—जल या वायु में प्रदूषक सांद्रता

यदि आप अनिश्चित हैं कि लॉगनॉर्मल उपयुक्त है या नहीं, तो हमारा Feature Engineering for Machine Learning in Python पाठ्यक्रम लॉग रूपांतरणों को विस्तार से कवर करता है, जिसमें यह भी शामिल है कि कोई रूपांतरण आपके डाटा के लिए उपयुक्त है या नहीं, इसका आकलन कैसे करें।

लॉगनॉर्मल वितरण के वास्तविक उदाहरण

लॉगनॉर्मल वितरण कई वास्तविक परिस्थितियों में दिखाई देता है, जिनमें से कुछ नीचे रेखांकित हैं। 

आय और संपत्ति

आय के डाटा लॉगनॉर्मल का पाठ्यपुस्तक उदाहरण हैं। अधिकांश लोग मध्यम दायरे में सटे हुए आय कमाते हैं, लेकिन ऊपर की ओर कोई सीमा नहीं—थोड़े से लोग माध्यक से कई गुना अधिक कमाते हैं। कच्ची गृहस्थी आय को प्लॉट करें तो तीव्र दायाँ-झुकाव दिखता है; लॉग लें, तो वह लगभग नॉर्मल लगता है। संपत्ति के डाटा में भी यही पैटर्न होता है, अक्सर और अधिक स्पष्ट झुकाव के साथ।

शेयर कीमतें

दैनिक शेयर मूल्य परिवर्तन लॉग शर्तों में लगभग नॉर्मल रूप से वितरित होते हैं, जिसका अर्थ है कि समय के साथ स्वयं मूल्य स्तर लॉगनॉर्मल वितरण का पालन करता है। यह धारणा Black-Scholes ऑप्शन प्राइसिंग मॉडल के आधार में है। शेयर कीमतें शून्य से नीचे नहीं जा सकतीं, वे गुणात्मक रूप से कंपाउंड होती हैं, और विशिष्ट दाईं पूंछ पैदा करती हैं।

इंटरनेट फ़ाइल आकार

फ़ाइल आकारों का दायरा बहुत बड़ा होता है—कुछ किलोबाइट से कई गीगाबाइट तक—और वितरण गहरे दायाँ-झुका होता है। यहाँ लॉगनॉर्मल अच्छा फिट बैठता है क्योंकि फ़ाइल आकार नीचे से शून्य द्वारा सीमाबद्ध है और गुणात्मक रूप से बढ़ता है। वेब ट्रैफ़िक विश्लेषण और नेटवर्क इंजीनियरिंग में यह महत्वपूर्ण है।

जैविक माप

जैविक पदार्थों की सांद्रताएँ (हार्मोन स्तर, ऊतक में प्रदूषक सांद्रताएँ, सूक्ष्मजीव गणना) प्रायः लॉगनॉर्मल वितरण का अनुसरण करती हैं। जैविक प्रक्रियाएँ अक्सर योगात्मक वृद्धियों के बजाय अनुपातों और वृद्धि दरों से जुड़ी होती हैं। चिकित्सकीय अध्ययनों में विलंबता समय भी यही पैटर्न दिखाते हैं।

इन सभी क्षेत्रों में तर्क एक जैसा है: प्रकृति में गुणात्मक, शून्य से सीमाबद्ध, और विरल अतिवादी मान उत्पन्न करने में सक्षम प्रक्रिया—लॉगनॉर्मल मॉडलिंग की स्वाभाविक उम्मीदवार होती है।

मशीन लर्निंग और डाटा साइंस में लॉगनॉर्मल वितरण

लॉगनॉर्मल वितरण मशीन लर्निंग में कई अलग-अलग तरीकों से आता है, जिनमें प्रत्येक के लिए थोड़ा अलग हैंडलिंग की ज़रूरत होती है।

धनात्मक सतत चरों का मॉडलिंग

जब लक्ष्य चर सख्ती से धनात्मक और दाईं ओर झुका हो—जैसे मकान कीमतें, राजस्व, उपयोगकर्ता जीवनकाल मूल्य—तो मॉडलिंग से पहले लॉग रूपांतरण लगाना परिणामों को काफी बेहतर कर देता है। लीनियर रिग्रेशन नॉर्मल रूप से वितरित अवशेष मानता है; कच्चे लॉगनॉर्मल डाटा पर इसे फिट करना उस धारणा का उल्लंघन है। समाधान: लक्ष्य का लॉग लें, मॉडल फिट करें, फिर पूर्वानुमानों को मूल पैमाने पर वापस एक्सपोनेंशिएट करें। एक सावधानी: लॉग-स्थान में गुणांक की व्याख्या करते समय ध्यान रखें कि पूर्वसूचक में एक इकाई वृद्धि अब मूल पैमाने पर गुणात्मक परिवर्तन के अनुरूप होती है।

लॉग रूपांतरण के साथ फीचर इंजीनियरिंग

स्केल-संवेदी मॉडलों (लीनियर रिग्रेशन, लॉजिस्टिक रिग्रेशन, k-means) में भेजने से पहले तिरछी विशेषताओं पर लॉग रूपांतरण लगाने से अतिवादी मानों का प्रभाव घटता है और संबंध अधिक रैखिक हो जाते हैं। यह दाईं ओर झुकी सतत विशेषताओं के लिए मानक पूर्व-प्रसंस्करण है। रूपांतरण अपवादात्मक मानों को परोक्ष रूप से संभालता भी है: कच्चे स्थान में जो मान माध्यक का 100 गुना है, वह लॉग-स्थान में लगभग 4.6 इकाइयाँ ऊपर हो जाता है।

प्रायिकता मॉडलिंग और सिमुलेशन

कुछ प्रायिकता मॉडल लॉगनॉर्मल वितरण का स्पष्ट रूप से उपयोग करते हैं। Bayesian मॉडलिंग में, यह उन पैरामीटरों के लिए सामान्य पूर्व (prior) है जिन्हें धनात्मक होना आवश्यक है। सिमुलेशन में, यह मरम्मत समय, बीमा दावे के आकार, और नेटवर्क विलंब जैसी मात्राओं को मॉडल करता है, जहाँ गुणात्मक संरचना वास्तविक प्रक्रियाओं से मेल खाती है। ये अनुप्रयुक्त कार्यों में नियमित रूप से दिखते हैं।

लॉगनॉर्मल वितरण की पहचान कैसे करें

सिर्फ हिस्टोग्राम देखकर काम नहीं चलता। यहाँ कुछ तरीके हैं जो वास्तव में कारगर हैं, लगभग बढ़ती कड़ाई के क्रम में।

हिस्टोग्राम और लॉग-रूपांतरित हिस्टोग्राम

कच्चे डाटा का हिस्टोग्राम बनाकर शुरू करें। यदि यह दाईं ओर झुका है, लंबी दाईं पूंछ है और शून्य के पास निचली सीमा दिखती है, तो यह संकेतक है। फिर लॉग-रूपांतरित मानों का हिस्टोग्राम प्लॉट करें। यदि वह हिस्टोग्राम लगभग सममित और घंटीनुमा दिखता है, तो लॉगनॉर्मल एक संभाव्य मॉडल है। यह दो-ग्राफ़ तुलना तेज़ है, पर यहीं न रुकें।

Q-Q प्लॉट्स

एक क्वांटाइल-क्वांटाइल (Q-Q) प्लॉट आपके डाटा के क्वांटाइल्स की किसी सैद्धांतिक वितरण के क्वांटाइल्स से तुलना करता है। लॉगनॉर्मल डाटा के लिए, ln(X) के क्वांटाइल्स को मानक नॉर्मल के क्वांटाइल्स के विरुद्ध प्लॉट करें। यदि बिंदु लगभग सीधी रेखा पर आते हैं, तो फिट अच्छा है। क्रमबद्ध वक्रता, खासकर पूंछों में, संकेत देती है कि लॉगनॉर्मल पूरी तरह सही नहीं। हमारे Q-Q प्लॉट ट्यूटोरियल में Python और R दोनों में इन्हें पढ़ने-समझने का तरीका कवर है।

गुडनेस-ऑफ़-फिट परीक्षण

औपचारिक जाँच के लिए, लॉग-रूपांतरित डाटा पर नॉर्मैलिटी टेस्ट (Shapiro-Wilk, Kolmogorov-Smirnov, Anderson-Darling) लगाएँ। यदि ln(X) पास हो जाए, तो आपके पास लॉगनॉर्मल मॉडल के समर्थन में सांख्यिकीय साक्ष्य है। हालाँकि बहुत बड़े डाटा सेटों में ये टेस्ट इतनी संवेदनशील हो जाते हैं कि तुच्छ विचलनों पर भी लॉगनॉर्मैलिटी को अस्वीकार कर दें। हमेशा औपचारिक जाँच को दृश्य परीक्षण के साथ जोड़ें।

इन तीनों तरीकों को साथ उपयोग करने से किसी एक तरीके की तुलना में कहीं अधिक भरोसेमंद तस्वीर मिलती है।

लॉगनॉर्मल डाटा के साथ काम करते समय आम गलतियाँ

कुछ आम त्रुटियाँ जो कई प्रैक्टिशनर करते हैं, यहाँ रेखांकित हैं। 

मान लेना कि डाटा नॉर्मल रूप से वितरित है

यह सबसे आम गलती है। लॉगनॉर्मल डाटा पर नॉर्मल वितरण फिट करने से अतिवादी मानों की प्रायिकता कम आंकी जाती है, औसत के अनुमान पूर्वाग्रहित हो सकते हैं, और सांख्यिकीय परीक्षण अविश्वसनीय हो सकते हैं। यदि आपका डाटा धनात्मक और दाईं ओर झुका है, तो नॉर्मल वितरण अपनाने से पहले जाँच लें।

अंकगणितीय औसत की गलत व्याख्या

लॉगनॉर्मल डाटा में अंकगणितीय औसत दाईं पूंछ द्वारा काफी ऊपर खींचा जाता है, जो माध्यक से बड़ा होता है। औसत को “टिपिकल” बताना भ्रामक है। आम तौर पर किसी विशिष्ट अवलोकन का प्रतिनिधित्व करने के लिए माध्यक बेहतर माप है। आप कौन-सा माप रिपोर्ट कर रहे हैं और क्यों—इसे स्पष्ट रखें।

यह भूल जाना कि मान धनात्मक होने चाहिए

लॉगनॉर्मल वितरण शून्य या ऋणात्मक मानों के लिए परिभाषित नहीं है। यदि आपके डाटा सेट में शून्य हैं—गणना डाटा या निष्क्रिय अवधि वाले बिक्री डाटा में आम—तो लॉगनॉर्मल सीधे लागू नहीं होता। सामान्य वर्कअराउंड में लॉग लेने से पहले छोटा स्थिरांक जोड़ना (सांख्यिकीय रूप से आदर्श नहीं) या शून्यों को अलग से संभालने वाला जीरो-इन्फ्लेटेड मॉडल उपयोग करना शामिल है।

अनुचित सांख्यिकीय परीक्षण लागू करना

नॉर्मल रूप से वितरित डाटा के लिए बने परीक्षण (t-टेस्ट, मानक विश्वसनीयता अंतराल, ANOVA) लॉगनॉर्मल डाटा पर सीधे लागू नहीं होते। आपके पास दो विकल्प हैं: डाटा का लॉग लें और नॉर्मल-आधारित विधियाँ लागू करें, या ऐसी नॉन-पैरामीट्रिक विधियाँ उपयोग करें जो आकार के बारे में कोई धारणा न बनाएँ। गलत परीक्षण हमेशा नाटकीय रूप से गलत उत्तर नहीं देगा, पर सूक्ष्म पक्षपात ला सकता है जो पकड़ना कठिन हो।

निष्कर्ष

लॉगनॉर्मल वितरण धनात्मक, दाईं ओर झुके चरों का मॉडल बनाता है, उन्हें लघुगणक रूपांतरण के माध्यम से नॉर्मल वितरण से जोड़कर। एक बार समझ लें कि जब भी X लॉगनॉर्मल हो, ln(X) नॉर्मल होता है—तो आगे का काम आसान हो जाता है। आप लॉग-स्थान में मानक नॉर्मल औज़ारों से काम कर सकते हैं, और फिर परिणाम मूल पैमाने पर लौटा सकते हैं।

हमने वितरण के प्रमुख गुणों को कवर किया, उन्हें उस रूपांतरण से जोड़ा, और देखा कि व्यवहार में यह कहाँ-कहाँ दिखता है। व्यावहारिक निष्कर्ष सीधा है: धनात्मक, दाईं ओर झुके डाटा को मॉडल करने से पहले लॉगनॉर्मैलिटी जाँचें। लॉग-रूपांतरित डाटा प्लॉट करें, उस पर नॉर्मैलिटी टेस्ट चलाएँ, और Q-Q प्लॉट देखें। हमारा Introduction to Statistics in Python पाठ्यक्रम और Probability Distributions in Python ट्यूटोरियल—यदि आप इन विचारों को वास्तविक डाटा सेट्स पर लागू होते देखना चाहते हैं—अगले अच्छे कदम हैं।