Ctrl+K

scipy.stats.logistic#

scipy.stats.logistic = <scipy.stats._continuous_distns.logistic_gen object>[原始碼]#

Logistic（或 Sech 平方）連續隨機變數。

作為 rv_continuous 類別的實例，logistic 物件繼承了它的一組通用方法（完整列表請參閱下文），並以針對此特定分佈的詳細資訊加以完善。

筆記

logistic 的機率密度函數為

\[f(x) = \frac{\exp(-x)} {(1+\exp(-x))^2}\]

logistic 是 genlogistic 在 c=1 時的特例。

請注意，生存函數 (logistic.sf) 等於描述費米子統計的費米-狄拉克分佈。

上面的機率密度是以「標準化」形式定義的。若要平移及/或縮放分佈，請使用 loc 和 scale 參數。具體來說，logistic.pdf(x, loc, scale) 與 logistic.pdf(y) / scale 完全等效，其中 y = (x - loc) / scale。請注意，平移分佈的位置並不會使其成為「非中心」分佈；某些分佈的非中心推廣形式可在單獨的類別中使用。

範例

>>> import numpy as np
>>> from scipy.stats import logistic
>>> import matplotlib.pyplot as plt
>>> fig, ax = plt.subplots(1, 1)

計算前四個動差

>>> mean, var, skew, kurt = logistic.stats(moments='mvsk')

顯示機率密度函數 (pdf)

>>> x = np.linspace(logistic.ppf(0.01),
...                 logistic.ppf(0.99), 100)
>>> ax.plot(x, logistic.pdf(x),
...        'r-', lw=5, alpha=0.6, label='logistic pdf')

或者，可以呼叫分佈物件（作為函數）來固定形狀、位置和尺度參數。這會傳回一個「凍結」的 RV 物件，其中保存著給定的固定參數。

凍結分佈並顯示凍結的 pdf

>>> rv = logistic()
>>> ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf')

檢查 cdf 和 ppf 的準確性

>>> vals = logistic.ppf([0.001, 0.5, 0.999])
>>> np.allclose([0.001, 0.5, 0.999], logistic.cdf(vals))
True

產生隨機數

>>> r = logistic.rvs(size=1000)

並比較直方圖

>>> ax.hist(r, density=True, bins='auto', histtype='stepfilled', alpha=0.2)
>>> ax.set_xlim([x[0], x[-1]])
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()
../../_images/scipy-stats-logistic-1.png

方法

rvs(loc=0, scale=1, size=1, random_state=None)

隨機變量。

pdf(x, loc=0, scale=1)

機率密度函數。

logpdf(x, loc=0, scale=1)

機率密度函數的對數。

cdf(x, loc=0, scale=1)

累積分布函數。

logcdf(x, loc=0, scale=1)

累積分布函數的對數。

sf(x, loc=0, scale=1)

生存函數（也定義為 1 - cdf，但 sf 有時更準確）。

logsf(x, loc=0, scale=1)

生存函數的對數。

ppf(q, loc=0, scale=1)

百分點函數（cdf 的反函數 — 百分位數）。

isf(q, loc=0, scale=1)

反生存函數（sf 的反函數）。

moment(order, loc=0, scale=1)

指定階數的非中心動差。

stats(loc=0, scale=1, moments=’mv’)

平均值 ('m')、變異數 ('v')、偏度 ('s') 和/或峰度 ('k')。

entropy(loc=0, scale=1)

RV 的（微分）熵。

fit(data)

通用資料的參數估計。 有關關鍵字引數的詳細文件，請參閱 scipy.stats.rv_continuous.fit。

expect(func, args=(), loc=0, scale=1, lb=None, ub=None, conditional=False, **kwds)

函數（一個引數）相對於分佈的期望值。

median(loc=0, scale=1)

分佈的中位數。

mean(loc=0, scale=1)

分佈的平均值。

var(loc=0, scale=1)

分佈的變異數。

std(loc=0, scale=1)

分佈的標準差。

interval(confidence, loc=0, scale=1)

中位數周圍面積相等的信賴區間。
本頁面