Это распределение показано на рис. 14.7, б. Два распределения внешне выглядят одинаковыми, но фактически логит-распределения имеют более длинные "хвосты". Пробит-распределения часто лучше подходят в реальных ситуациях, а логит-распределения иногда проще поддаются математической обработке. Последние широко используются в нейронных сетях (глава 20). И пробит- и логит-распределения могут быть обобщены для учета многочисленных непрерывных родительских значений путем применения линейной комбинации родительских значений. Расширения для случая многомерных дискретных дочерних значений рассматриваются.

Рис. 14.7. Примеры других распределений: пробит-распределение для вероятности события Buys, если дано значение Cost, которое характеризуется значениями μ = 6.0 и σ = 1.0 (а); логит-распределение с такими же параметрами (б)