numpy.random.Generator.logistic#
方法
- random.Generator.logistic(loc=0.0, scale=1.0, size=None)#
从 Logistic 分布中抽取样本。
从具有指定参数（loc（位置或均值，也为中位数）和 scale (>0)）的逻辑分布中抽取样本。
- 参数:
- locfloat 或 array_like of floats, optional
分布的参数。默认为 0。
- scalefloat 或 array_like of floats, optional
分布的参数。必须是非负数。默认为 1。
- sizeint 或 int 的元组，可选
输出形状。如果给定的形状是，例如，
(m, n, k)，则绘制m * n * k个样本。如果 size 为None（默认），则当loc和scale均为标量时，将返回单个值。否则，将绘制np.broadcast(loc, scale).size个样本。
- 返回:
- outndarray 或标量
从参数化逻辑分布中抽取的样本。
另请参阅
scipy.stats.logistic概率密度函数、分布或累积密度函数等。
备注
逻辑分布的概率密度为
\[P(x) = \frac{e^{-(x-\mu)/s}}{s(1+e^{-(x-\mu)/s})^2},\]其中 \(\mu\) = 位置，\(s\) = 尺度。
逻辑分布用于极端值问题，它可以作为 Gumbel 分布的混合，用于流行病学，也用于世界国际象棋联合会 (FIDE)，其中它被用于 Elo 等级分系统，假设每个玩家的表现是逻辑分布的随机变量。
参考
[1]Reiss, R.-D. and Thomas M. (2001), “Statistical Analysis of Extreme Values, from Insurance, Finance, Hydrology and Other Fields,” Birkhauser Verlag, Basel, pp 132-133。
[2]Weisstein, Eric W. “Logistic Distribution.” From MathWorld–A Wolfram Web Resource. https://mathworld.net.cn/LogisticDistribution.html
[3]Wikipedia, “Logistic-distribution”, https://en.wikipedia.org/wiki/Logistic_distribution
示例
从分布中绘制样本
>>> loc, scale = 10, 1 >>> rng = np.random.default_rng() >>> s = rng.logistic(loc, scale, 10000) >>> import matplotlib.pyplot as plt >>> count, bins, _ = plt.hist(s, bins=50, label='Sampled data')
# 绘制采样数据与精确分布的对比
>>> def logistic(x, loc, scale): ... return np.exp((loc-x)/scale)/(scale*(1+np.exp((loc-x)/scale))**2) >>> logistic_values = logistic(bins, loc, scale) >>> bin_spacing = np.mean(np.diff(bins)) >>> plt.plot(bins, logistic_values * bin_spacing * s.size, label='Logistic PDF') >>> plt.legend() >>> plt.show()
