На этот вопрос можно дать два ответа.
Первый строгий, краткий и неутешительный.
Поскольку нормально распределённая величина принимает отрицательные значения с ненулевой вероятностью, логарифм от неё считать, тем более интересоваться его распределением бессмысленно.
Второй нестрогий, но, возможно, полезный.
Состоит он в том, что в практических задачах закон распределения мы обычно выбираем сами, исходя из доступных данных. И нормальное распределение лишь "препарат выбора", хотя и популярный. Вот если у нас была величина, которую мы принимали нормально распределённой (мономодальна, хвосты быстро спадают, правило трёх сигм работает, и вообще гистограмма как колокол, только выщербленный), и описывали матожиданием и дисперсией, параметрами, для нормального распределения исчерпывающими, а потом вдруг обнаружилось, что нам-то нужен логарифм, которого у нормального распределения быть не может - то нужно брать другое распределение. Пожалуй, простейшим для данного случая будет логарифмически нормальное распределение. Другие распределения существенно положительных величин либо имеют больше параметров (гамма-распределение), и оценить их, зная только матожидание и дисперсию, невозможно, либо слишком мало (экспоненциальное), хотя в последнем случае можно добавить, например, сдвиг, либо непохожи на нормальное.
Разумеется, выбор по критерию простоты это от лени и ограниченности вычислительных средств, а также от отчаяния из-за недостатка информации. Будь у нас доступна вся выборка исследуемой величины - мы бы могли подобрать лучшее распределение по известным критериям согласия. Ну и любая априорная информация об исследуемой величине пригодилась бы.
Но если нет ничего, кроме матожидания и дисперсии исходной величины - попробуем приблизить логнормальным. Видимо, единственный способ оценить его параметры - метод моментов.
Известно, что для логнормального распределения с параметрами

матожидание равно

, а дисперсия

Приравняв эти величины наблюдаемым по выборке, получим оценки для параметров логнормального распределения.

и

Собственно, это и будут искомые характеристики логарифма наблюдаемой величины.
Подход, повторю, не вполне строг в том смысле, что вид распределения мы выбрали волевым решением, и желательно его дополнительно обосновать, или хотя бы не забывать о возможности ошибки этого выбора. Кроме того,
(Оффтоп)
(с меня фуражка прапорщика Ясненько не слетает?)
это не "распределение логарифма нормально распределённой величины", а "распределение логарифма величины, которую ранее приближали нормальной, а потом поняли, что она неотрицательна".