numpy.random.RandomState.logistic¶

RandomState.logistic(loc=0.0, scale=1.0, size=None)¶

从逻辑分布绘制样本。

样本从具有指定参数loc（位置或平均值，也是中值）和比例（> 0）的逻辑分布中绘制。

参数：	loc：float scale：float> 0。 size：int或tuple的整数，可选输出形状。如果给定形状是例如`（m， n， k）`，则 `m * n * k`默认值为None，在这种情况下返回单个值。
返回：	samples：ndarray或scalar 其中值是[0，n]中的所有整数。

参数：

loc：float

scale：float> 0。

size：int或tuple的整数，可选

输出形状。如果给定形状是例如（m， n， k），则 m * n * k默认值为None，在这种情况下返回单个值。

samples：ndarray或scalar

其中值是[0，n]中的所有整数。

也可以看看

scipy.stats.distributions.logistic: 概率密度函数，分布或累积密度函数等。

笔记

Logistic分布的概率密度为

其中 $\mu$ =位置和 $s$ =刻度。

Logistic分布用于极端值问题，其中它可以作为Gumbel分布，流行病学和世界象棋联合会（FIDE）的混合，在Elo排名系统中使用，假设每个玩家的性能是逻辑分布随机变量。

参考文献

[R161]

Reiss，R.-D.和Thomas M.（2001），“来自保险，金融，水文和其他领域的极端价值的统计分析”，Birkhauser Verlag，Basel，pp 132-133。

[R162]

Weisstein，Eric W.“Logistic Distribution。”来自MathWorld-Wolfram Web资源。http://mathworld.wolfram.com/LogisticDistribution.html

[R163]

维基百科，“物流配送”，http://en.wikipedia.org/wiki/Logistic_distribution

例子

从分布绘制样本：

>>> loc, scale = 10, 1
>>> s = np.random.logistic(loc, scale, 10000)
>>> count, bins, ignored = plt.hist(s, bins=50)

＃图与分布

>>> def logist(x, loc, scale):
...     return exp((loc-x)/scale)/(scale*(1+exp((loc-x)/scale))**2)
>>> plt.plot(bins, logist(bins, loc, scale)*count.max()/\
... logist(bins, loc, scale).max())
>>> plt.show()