Funkcja logistyczna

Funkcja logistyczna lub krzywa logistyczna – wykorzystywana do modelowania wielu zjawisk krzywa w kształcie litery S (krzywa sigmoidalna) opisana równaniem[1]

,

gdzie L to parametr wyznaczający kres górny zbioru wartości funkcji, w określonych kontekstach nazywany pojemnością środowiska, k to logistyczna stopa wzrostu wyznaczająca tempo przyrostu krzywej, zaś to wartość wyznaczająca środek krzywej (punkt przegięcia, w którym funkcja przyjmuje wartość ).

Spotyka się też zapis[2][3]

.

Oba zapisy są równoważne: , , zaś ().

Dziedziną funkcji logistycznej są liczby rzeczywiste, granica dla wynosi 0, a granica dla to .

Standardowa funkcja logistyczna.

Standardowa funkcja logistyczna to funkcja logistyczna z parametrami () opisana równaniem

i niekiedy nazywana po prostu sigmoidem (ang. the sigmoid)[4]. Innym stosowanym określeniem jest expit, co nawiązuje do faktu, że funkcja jest odwrotnością logitu[5][6].

Funkcja logistyczna znajduje zastosowanie w wielu dziedzinach, w tym w biologii (zwłaszcza ekologii), biomatematyce[7], chemii[8], demografii[9], ekonomii (np. modelowanie dyfuzji innowacji[10]), teorii prawdopodobieństwa i statystyce (np. regresja logistyczna), socjologii, językoznawstwie[11], sztucznych sieciach neuronowych.

Przypisy

edytuj
  1. Logistic functions [online], xaktly.com [dostęp 2024-06-14].
  2. Jan Purczyński, Kamila Bednarz-Okrzyńska, Wybrane metody estymacji parametrów funkcji logistycznej, „Studia i Prace WNEiZ”, 45, 2016, s. 71–82, DOI10.18276/sip.2016.45/2-06, ISSN 2080-4881 [dostęp 2024-06-14].
  3. Marek Brzeziński, Zdolności organizacyjne przedsiębiorstwa – ujęcie procesowe, Sylwester Gregorczyk, Grzegorz Urbanek (red.), Wydawnictwo Uniwersytetu Łódzkiego, 2020, DOI10.18778/8220-335-6.22, ISBN 978-83-8220-335-6 [dostęp 2024-06-14].
  4. Sigmoid — PyTorch 2.3 documentation [online], pytorch.org [dostęp 2024-06-14].
  5. expit: Inverse logistic link function in locfit: Local Regression, Likelihood and Density Estimation [online], rdrr.io [dostęp 2024-06-14] (ang.).
  6. scipy.special.expit — SciPy v1.13.1 Manual [online], docs.scipy.org [dostęp 2024-06-14].
  7. Mario Villalobos-Arias, Using generalized logistics regression to forecast population infected by Covid-19, [w:] arXiv, 2020, DOI10.48550/ARXIV.2004.02406, arXiv:2004.02406 [dostęp 2024-06-15].
  8. Xi Yin, Piotr Zelenay, (Invited) Kinetic Models for the Degradation Mechanisms of PGM-Free ORR Catalysts, „ECS Transactions”, 85 (13), 2018, s. 1239–1250, DOI10.1149/08513.1239ecst, ISSN 1938-6737 [dostęp 2024-06-15] (ang.).
  9. Raymond Pearl, Lowell J. Reed, On the Rate of Growth of the Population of the United States since 1790 and Its Mathematical Representation, „Proceedings of the National Academy of Sciences of the United States of America”, 6 (6), 1920, s. 275–288, DOI10.1073/pnas.6.6.275, ISSN 0027-8424, PMID16576496, PMCIDPMC1084522 [dostęp 2024-06-15] (ang.).
  10. Leno S. Rocha, Frederico S.A. Rocha, Thársis T.P. Souza, Is the public sector of your country a diffusion borrower? Empirical evidence from Brazil, Benjamin M. Blau (red.), „PLOS One”, 12 (10), 2017, e0185257, DOI10.1371/journal.pone.0185257, ISSN 1932-6203, PMID28981532, PMCIDPMC5628819 [dostęp 2024-06-15] (ang.).
  11. Rens Bod, Linguistic Society of America (red.), Probabilistic linguistics: originated as a Symposium on "Probability Theory in Linguistics" held in Washington, DC as part of the Linguistic Society of America meeting in January 2001, A Bradford book, Cambridge, Mass.: MIT Press, 2003, s. 147-156, ISBN 978-0-262-52338-7 [dostęp 2024-06-15].