什麼是羅吉斯分布？
羅吉斯分布（Logistic distribution）是一種連續型機率分布，外形和常態分布很相似，但兩側的尾部更厚（重尾）。它由兩個參數決定：位置參數 \mu（即平均數）以及一個必須為正值的尺度參數 s。它的累積分布函數正是大家熟悉的羅吉斯 S 型曲線（sigmoid），也正因為如此，這個分布廣泛出現在統計學、機器學習（邏輯斯迴歸）以及成長模型之中。這款計算機純粹是數學運算，在任何國家、任何情境下的結果都完全一致。
使用方式
請輸入想要評估的數值 x、位置參數 \mu（即平均數，同時也是對稱中心），以及尺度參數 s（必須嚴格大於 0）。計算機會回傳三個數值：機率密度 f(x)、下尾累積機率 P(X ≤ x)，以及上尾累積機率 P(X > x)。其中兩個累積機率相加必定等於 1。
公式解析
首先計算標準化數值 z = (x - \mu) / s。下尾累積分布函數為
F(x) = ((1) ÷ (1 + e^{-z}))
機率密度為 f(x) = ((e^{-z}) ÷ (s≤ft(1 + e^{-z}\right)^{2}))
這也等於 F(x)(1 - F(x)) / s。上尾（存活）機率則為 S(x) = 1 - F(x)。為了在 |z| 很大時仍保持數值穩定，sigmoid 會依 z 為正或為負採用不同寫法，確保 \exp() 不會溢位（overflow）。
實例演算
假設 x = 2、\mu = 1、s = 2。則
z = ((2 - 1) ÷ (2)) = 0.5
且 e^{-0.5} = 0.606531。下尾累積機率為 F = ((1) ÷ (1 + 0.606531)) = 0.622459
上尾累積機率為 1 - 0.622459 = 0.377541
機率密度為 f = ((0.622459 × 0.377541) ÷ (2)) = 0.117493
使用注意事項與精準校對原則（6 大核心守則）
📐 1. 嚴格對齊輸入量綱與單位
輸入各項數值時請務必確認量綱（例如小時、天數、金額、百分比），避免單位不匹配引發推算偏差。
🔒 2. 純前端本機毫秒級隱私保障
所有計算邏輯 100% 在您的終端瀏覽器內完成，資料絕不上傳伺服器，嚴格守護商業與個人隱私。
📊 3. 符合公認學術與產業計算模型
演算法嚴格遵循國際通用數學公式與標準計算模型，經多重情境交叉核對，數值嚴密精確。
📋 4. 一鍵複製與免登入 PDF 匯出
支援一鍵複製推算結果字串至剪貼簿，亦可直接點擊列印按鈕輸出純淨 PDF 工作報表。
🔄 5. 多情景敏感度動態對比
建議針對極端值與多組預期情景分別試算，觀察輸出數據的波動區間，輔助做出更穩健的決策。
🛡️ 6. 專業諮詢與日常參考免責聲明
本工具運算結果供日常排程、學業研習與事前參考之用，如涉及重大法規或投資決策請諮詢持證專家。
常見問題 (FAQ)
尺度參數有什麼作用？
\(s\) 越大，分布越分散，峰值越低；\(s\) 越小，分布越尖銳集中。在 \(x = \mu\) 處的峰值密度等於 \(1 / (4s)\)。
mu 或 x 可以是負數嗎？
可以。\(x\) 與 \(\mu\) 都可以是任意實數，只有 \(s\) 必須為正值。
它和標準羅吉斯分布有什麼關係？
當 \(\mu = 0\) 且 \(s = 1\) 時，就得到標準羅吉斯分布；此時在 \(x = 0\) 處的密度為 0.25，上下兩側的累積機率皆為 0.5。