scipy.stats.logistic#

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

一个逻辑的（或 sech 平方的）连续随机变量。

作为 rv_continuous 的一个实例，logistic 对象从这个类继承一系列通用的方法（请看以下全部列表），并且可以完成适合该具体分布的细节。

备注

logistic 的概率密度函数是

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

logistic 是具有 c=1 的的一个 genlogistic 特例。

请注意，生存函数 (logistic.sf) 等于费米-狄拉克分布，该分布描述了费米子统计。

上述概率密度以“标准化”形式定义。要偏移和/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 中的 y = (x - loc) / scale 完全等效。请注意，偏移分布所在的位置不会使其成为“非中心”分布；可以在其他类型中获取一些分布的非中心概括形式。

实例

>>> 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、位置和比例参数。此操作返回一个将指定参数固定的“冻结”RV 对象。

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 的准确度

>>> 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)

然后比较直方图

>>> 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)

sf 的反函数（生存函数的反函数）。

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

特定阶的非中心矩。

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)

针对泛型数据的参数估计。有关关键字参数的详细说明，请参见scipy.stats.rv_continuous.fit。

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

相对于分布的一个函数（一种自变量）的期望值。

median(loc=0, scale=1)

分布的中位数。

mean(loc=0, scale=1)

分布的平均值。

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。
在本页