Ctrl+K

scipy.stats.logistic#

scipy.stats.logistic = <scipy.stats._continuous_distns.logistic_gen object>[源代码]#

逻辑（或 Sech 平方）连续随机变量。

作为 rv_continuous 类的实例，logistic 对象继承了该类的一组通用方法（详见下文完整列表），并使用此特定分布的详细信息对其进行补充。

说明

logistic 的概率密度函数为

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

logistic 是 genlogistic 的一个特例，其中 c=1。

请注意，生存函数 (logistic.sf) 等于描述费米子统计的费米-狄拉克分布。

上面的概率密度以“标准化”形式定义。要移动和/或缩放分布，请使用 loc 和 scale 参数。具体而言，logistic.pdf(x, loc, scale) 与 logistic.pdf(y) / scale 完全等效，其中 y = (x - loc) / scale。 请注意，移动分布的位置不会使其成为“非中心”分布；某些分布的非中心推广在单独的类中提供。

示例

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

计算前四个矩

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

显示概率密度函数 (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，可以调用分布对象（作为函数）来固定形状、位置和缩放参数。这将返回一个“冻结”的 RV 对象，该对象保持给定的参数固定。

冻结分布并显示冻结的 pdf

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

检查 cdf 和 ppf 的准确性

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

生成随机数

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

并比较直方图

>>> 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)

随机变量。

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

概率密度函数。

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

概率密度函数的对数。

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

累积分布函数。

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

累积分布函数的对数。

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

生存函数（也定义为 1 - cdf，但 sf 有时更准确）。

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

生存函数的对数。

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

百分点函数（cdf 的反函数——百分位数）。

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

逆生存函数（sf 的反函数）。

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

指定阶的非中心矩。

stats(loc=0, scale=1, moments='mv')

均值('m')、方差('v')、偏度('s') 和/或峰度('k')。

entropy(loc=0, scale=1)

RV 的（微分）熵。

fit(data)

通用数据的参数估计。有关关键字参数的详细文档，请参阅 scipy.stats.rv_continuous.fit。

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

函数（一个参数）相对于分布的期望值。

median(loc=0, scale=1)

分布的中位数。

mean(loc=0, scale=1)

分布的均值。

var(loc=0, scale=1)

分布的方差。

std(loc=0, scale=1)

分布的标准差。

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

中位数周围面积相等的置信区间。
在此页面