numpy.random.RandomState.logistic

метод

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

Генерировать выборки из лог-нормального распределения.

Выборки генерируются из лог-нормального распределения со заданными параметрами, loc (позиция или среднее значение, также медиана) и scale (>0).

Примечание

Новый код должен использовать метод logistic экземпляра default_rng(); см. Быстрый старт.

Параметры

locfloat или array_like из float, необязательно

Параметр распределения. По умолчанию 0.

scalefloat или array_like из float, необязательно

Параметр распределения. Должен быть неотрицательным. По умолчанию 1.

sizeint или кортеж из int, необязательно

Форма выходных данных. Если заданная форма, например, (m, n, k), то m * n * k выборок генерируется. Если size None (по умолчанию), то возвращается одно значение, если loc и scale оба являются скалярами. В противном случае np.broadcast(loc, scale).size выборок генерируется.

Возвращает

outndarray или скаляр

Сгенерированные выборки из заданного распределения.

См. также

scipy.stats.logistic

функция плотности вероятности, распределение или функция кумулятивного распределения и т. д.

Generator.logistic

который следует использовать для нового кода.

Примечания

Плотность вероятности для лог-нормального распределения

\[P(x) = P(x) = \frac{e^{-(x-\mu)/s}}{s(1+e^{-(x-\mu)/s})^2},\]

где \(\mu\) = позиция и \(s\) = масштаб.

Лог-нормальное распределение используется в задачах экстремальных значений, где оно может действовать как смесь распределений Гумбеля, в эпидемиологии и в системе рейтингов Эло Всемирной шахматной федерации (ФИДЕ), где предполагается, что производительность каждого игрока является случайной величиной, распределенной по лог-нормальному закону.

Ссылки

1

Reiss, R.-D. and Thomas M. (2001), “Statistical Analysis of Extreme Values, from Insurance, Finance, Hydrology and Other Fields,” Birkhauser Verlag, Basel, pp 132-133.

2

Weisstein, Eric W. “Logistic Distribution.” From MathWorld–A Wolfram Web Resource. http://mathworld.wolfram.com/LogisticDistribution.html

3

Wikipedia, “Logistic-distribution”, https://en.wikipedia.org/wiki/Logistic_distribution

Примеры

Генерировать выборки из распределения:

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

# Построение графика против распределения

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