8.23 로그 정규 분포와 와이불 분포

1. 로그 정규 분포(Log-Normal Distribution)

1.1 정의

확률 변수 $X$ 의 자연 로그 $\ln X$ 가 정규 분포를 따르면, $X$ 는 로그 정규 분포를 따른다.

$Y = \ln X \sim \mathcal{N}(\mu, \sigma^2) \quad \Rightarrow \quad X = e^Y \sim \text{LogNormal}(\mu, \sigma^2)$

PDF:

$f_X(x) = \frac{1}{x\sigma\sqrt{2\pi}}\exp\left(-\frac{(\ln x - \mu)^2}{2\sigma^2}\right), \quad x > 0$

1.2 기본 통계량

$\mathbb{E}[X] = e^{\mu + \sigma^2/2}, \quad \text{Var}(X) = (e^{\sigma^2} - 1)e^{2\mu + \sigma^2}$

중앙값(median): $e^\mu$ . 최빈값(mode): $e^{\mu - \sigma^2}$ . 평균 > 중앙값 > 최빈값으로, 오른쪽으로 치우친(right-skewed) 분포이다.

1.3 곱의 분포

독립 로그 정규 확률 변수의 곱도 로그 정규이다. $X_i \sim \text{LogNormal}(\mu_i, \sigma_i^2)$ 가 독립이면 $\prod X_i \sim \text{LogNormal}(\sum \mu_i, \sum \sigma_i^2)$ .

1.4 로봇 공학에서의 응용

양의 물리량의 불확실성: 거리, 시간, 에너지 등 항상 양수인 물리량의 불확실성이 로그 정규로 모델링된다. 가우시안 모델은 음수값을 허용하지만, 로그 정규는 양수 영역에 국한된다.

곱적 잡음(multiplicative noise): 센서의 스케일 팩터 오차와 같이 곱적으로 작용하는 잡음이 로그 정규를 따른다. 측정값 $Z = X \cdot \epsilon$ 에서 $\epsilon$ 이 로그 정규이면 $Z$ 도 로그 정규이다.

수명 데이터: 구성 요소의 피로 수명(fatigue life)이 로그 정규로 모델링되는 경우가 있다.

2. 와이불 분포(Weibull Distribution)

2.1 정의

와이불 분포는 형상 매개변수 $k > 0$ 과 스케일 매개변수 $\lambda > 0$ 로 매개변수화된다.

$f_X(x) = \frac{k}{\lambda}\left(\frac{x}{\lambda}\right)^{k-1}\exp\left(-\left(\frac{x}{\lambda}\right)^k\right), \quad x \geq 0$

CDF: $F_X(x) = 1 - \exp(-(x/\lambda)^k)$

2.2 기본 통계량

$\mathbb{E}[X] = \lambda\Gamma(1 + 1/k), \quad \text{Var}(X) = \lambda^2\left[\Gamma(1 + 2/k) - \Gamma^2(1 + 1/k)\right]$

2.3 고장률 함수(Hazard Function)

와이불 분포의 고장률(hazard rate)은 다음과 같다.

$h(x) = \frac{f_X(x)}{1 - F_X(x)} = \frac{k}{\lambda}\left(\frac{x}{\lambda}\right)^{k-1}$

형상 매개변수 $k$ 에 의해 고장률의 시간 의존성이 결정된다.

$k < 1$ : 고장률 감소 (초기 고장, infant mortality)
$k = 1$ : 고장률 일정 (지수 분포, 무작위 고장)
$k > 1$ : 고장률 증가 (마모 고장, wear-out)

이 유연성이 와이불 분포의 가장 중요한 특성이다.

2.4 지수 분포와의 관계

$k = 1$ 이면 $\text{Weibull}(1, \lambda) = \text{Exp}(1/\lambda)$ 로 지수 분포와 동치이다.

2.5 로봇 공학에서의 응용

구성 요소 수명 분석: 모터, 감속기, 베어링 등의 기계 부품 수명이 와이불 분포로 모델링된다. 형상 매개변수 $k$ 가 고장 메커니즘(초기 고장, 마모, 피로)을 반영한다.

배터리 수명: 배터리의 잔여 수명(remaining useful life)이 와이불 분포로 모델링되며, 예지 정비(predictive maintenance)에 활용된다.

욕조 곡선(Bathtub Curve): 로봇 시스템의 전체 수명 주기 고장률은 욕조 형태를 갖는다. 초기( $k < 1$ ), 안정기( $k = 1$ ), 마모기( $k > 1$ )를 와이불 분포의 혼합으로 모델링한다.

극값 이론(Extreme Value Theory): 와이불 분포는 극값 분포(extreme value distribution)의 한 형태이며, 최소값의 분포를 모델링하는 데 사용된다. 로봇 시스템에서 가장 약한 구성 요소에 의해 전체 고장이 결정되는 직렬 시스템의 수명이 이에 해당한다.

3. 분포 선택의 지침

분포	적합 상황	핵심 특성
로그 정규	곱적 효과, 양의 비대칭 데이터	로그 공간에서 정규
와이불	수명/고장 데이터, 가변 고장률	형상 매개변수로 고장 유형 구분
지수	무기억 대기 시간	일정 고장률, 와이불의 특수 경우
감마	대기 시간의 합, 분산의 사전	지수의 합, 스케일 유연

4. 참고 문헌

Papoulis, A., & Pillai, S. U. (2002). Probability, Random Variables, and Stochastic Processes (4th ed.). McGraw-Hill.
Ross, S. M. (2014). A First Course in Probability (9th ed.). Pearson.
Johnson, N. L., Kotz, S., & Balakrishnan, N. (1994). Continuous Univariate Distributions (2nd ed., Vols. 1–2). Wiley.
Barlow, R. E., & Proschan, F. (1975). Statistical Theory of Reliability and Life Testing. Holt, Rinehart and Winston.

version: 1.0