numpy.random.logistic

numpy.random.logistic(loc=0.0, scale=1.0, size=None)

从物流配送中抽取样本。

从具有指定参数、loc（位置或平均值，也包括中位数）和scale（>0）的逻辑分布中提取样本。

参数:

loc : 浮点数或类似浮点数的数组，可选

分布的参数。默认值为0。

规模 : 浮点数或类似浮点数的数组，可选

分布的参数。应大于零。默认值为1。

size : int或int的元组，可选

输出形状。如果给定的形状是，例如， (m, n, k) 然后 m * n * k 取样。如果尺寸是 None （默认），如果 loc 和 scale 都是标量。否则， np.broadcast(loc, scale).size 取样。

返回:

out : ndarray或scalar

从参数化物流分布中提取样本。

参见

scipy.stats.logistic

概率密度函数、分布或累积密度函数等。

笔记

逻辑分布的概率密度是

p（x）=p（x）=frac e^-（x-mu）/s s（1+e^-（x-mu）/s）^2，

在哪里？ \mu =位置和 s =比例尺。

在极端值问题中，逻辑分布可以作为Gumbel分布的混合，在流行病学中，以及由国际象棋联合会（FID）使用，在ELO排名系统中，假设每个玩家的表现是一个逻辑分布的随机变量。

工具书类

[1]	Reiss，R.-D.和Thomas M.（2001），“保险、金融、水文和其他领域的极值统计分析”，Birkhauser Verlag，巴塞尔，第132-133页。

[2]	物流配送〉，选自MathWorld——Wolfram网络资源。http://mathworld.wolfram.com/logisticdistribution.html

[3]	维基百科，“物流配送”，https://en.wikipedia.org/wiki/logistic_distribution

实例

从分发中抽取样本：

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

#按分布绘制

>>> 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()