numpy.random.Generator.logistic#
方法
- random.Generator.logistic(loc=0.0, scale=1.0, size=None)#
从逻辑斯蒂分布中抽取样本。
从具有指定参数的逻辑斯蒂分布中抽取样本,loc(位置或均值,也是中位数)和 scale(>0)。
- 参数:
- locfloat 或 float 型数组,可选
分布的参数。默认为 0。
- scalefloat 或 float 型数组,可选
分布的参数。必须是非负数。默认为 1。
- sizeint 或 int 型元组,可选
输出形状。如果给定的形状为,例如,
(m, n, k)
,则会抽取m * n * k
个样本。如果 size 为None
(默认值),则如果loc
和scale
均为标量,则返回单个值。否则,将抽取np.broadcast(loc, scale).size
个样本。
- 返回值:
- outndarray 或标量
从参数化的逻辑斯蒂分布中抽取的样本。
参见
scipy.stats.logistic
概率密度函数、分布或累积密度函数等。
注释
逻辑斯蒂分布的概率密度为
\[P(x) = \frac{e^{-(x-\mu)/s}}{s(1+e^{-(x-\mu)/s})^2},\]其中 \(\mu\) = 位置,\(s\) = 尺度。
逻辑斯蒂分布用于极值问题,其中它可以充当 Gumbel 分布的混合,在流行病学中,以及世界国际象棋联合会 (FIDE) 中,它用于 Elo 排名系统,假设每个棋手的表现是逻辑斯蒂分布的随机变量。
参考文献
[1]Reiss, R.-D. 和 Thomas M. (2001),“极值统计分析,来自保险、金融、水文和其他领域”,Birkhauser Verlag,巴塞尔,第 132-133 页。
[2]Weisstein,Eric W.“逻辑斯蒂分布”。来自 MathWorld——Wolfram 网络资源。 https://mathworld.wolfram.com/LogisticDistribution.html
[3]维基百科,“逻辑斯蒂分布”,https://en.wikipedia.org/wiki/Logistic_distribution
示例
从分布中抽取样本
>>> 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')
# 将采样数据与精确分布进行对比绘制
>>> 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()