scipy.stats.Binomial.

iccdf#

Binomial.iccdf(p, /, *, method=None)[源代码]#

逆互补累积分布函数。

逆互补累积分布函数（“逆 CCDF”），记为 \(G^{-1}(p)\)，是互补累积分布函数 \(G(x)\) 评估为 \(p\) 的自变量 \(x\)。

\[G^{-1}(p) = x \quad \text{s.t.} \quad G(x) = p\]

当不存在互补累积分布函数的严格“逆”（例如，离散随机变量）时，“逆 CCDF”按照惯例定义为支持范围 \(\chi\) 内的最小值，在该值处 \(G(x)\) 不大于 \(p\)。

\[G^{-1}(p) = \min_\chi \quad \text{s.t.} \quad G(x) ≤ p\]

iccdf 接受 p 用于 \(p \in [0, 1]\)。

参数:
parray_like

逆 CCDF 的自变量。

method{None, ‘formula’, ‘complement’, ‘inversion’}

用于评估逆 CCDF 的策略。默认情况下 (None)，基础设施在以下选项中进行选择，按优先级顺序列出。

  • 'formula': 使用逆 CCDF 本身的公式

  • 'complement': 在 p 的补集处评估逆 CDF

  • 'inversion': 数值求解 CCDF 等于 p 时的自变量

并非所有 method 选项都适用于所有分布。如果所选的 method 不可用，则会引发 NotImplementedError。

返回值:
outarray

在提供的自变量处评估的逆 CCDF。

另请参阅

icdf
ilogccdf

注释

假设概率分布具有支持 \([l, r]\)。逆 CCDF 在 \(p = 1\) 时返回其最小值 \(l\)，在 \(p = 0\) 时返回其最大值 \(r\)。因为 CCDF 的范围是 \([0, 1]\)，所以逆 CCDF 仅在域 \([0, 1]\) 上定义；对于 \(p < 0\) 和 \(p > 1\)，iccdf 返回 nan。

示例

使用所需的参数实例化分布

>>> import numpy as np
>>> from scipy import stats
>>> X = stats.Uniform(a=-0.5, b=0.5)

在所需的自变量处评估逆 CCDF

>>> X.iccdf(0.25)
0.25
>>> np.allclose(X.iccdf(0.25), X.icdf(1-0.25))
True

当自变量超出域时，此函数返回 NaN。

>>> X.iccdf([-0.1, 0, 1, 1.1])
array([ nan,  0.5, -0.5,  nan])
在此页