scipy.stats.Mixture.
cdf#
- Mixture.cdf(x, y=None, /, *, method=None)[源代码]#
累积分布函数
累积分布函数（“CDF”），表示为 \(F(x)\)，是随机变量 \(X\) 取值小于或等于 \(x\) 的概率。
\[F(x) = P(X ≤ x)\]此函数的双参数变体也被定义为随机变量 \(X\) 取值在 \(x\) 和 \(y\) 之间的概率。
\[F(x, y) = P(x ≤ X ≤ y)\]cdf接受 x 作为 \(x\)，y 作为 \(y\)。- 参数:
- x, yarray_like
CDF 的参数。x 是必需的；y 是可选的。
- method{None, ‘formula’, ‘logexp’, ‘complement’, ‘quadrature’, ‘subtraction’}
用于评估 CDF 的策略。默认情况下（
None），函数的单参数形式在以下选项中选择，按优先级排序。'formula'：使用 CDF 本身的公式'logexp'：计算对数 CDF 并取指数'complement'：计算互补 CDF 并取补'quadrature'：数值积分 PDF
代替
'complement'，双参数形式接受'subtraction'：计算每个参数的 CDF 并取差值。
并非所有分布都可用所有 method 选项。如果所选的 method 不可用，将引发
NotImplementedError。
- 返回:
- outarray
在提供的参数处计算的 CDF。
备注
假设一个连续概率分布的支持度为 \([l, r]\)。CDF \(F(x)\) 与概率密度函数 \(f(x)\) 的关系为
\[F(x) = \int_l^x f(u) du\]双参数版本为
\[F(x, y) = \int_x^y f(u) du = F(y) - F(x)\]对于 \(x ≤ l\)，CDF 的最小值为 \(0\)，对于 \(x ≥ r\)，其最大值为 \(1\)。
CDF 也简称为“分布函数”。
参考文献
[1]累积分布函数，维基百科，https://en.wikipedia.org/wiki/Cumulative_distribution_function
示例
用所需的参数实例化一个分布
>>> from scipy import stats >>> X = stats.Uniform(a=-0.5, b=0.5)
在所需的参数处评估 CDF
>>> X.cdf(0.25) 0.75
评估两个参数之间的累积概率
>>> X.cdf(-0.25, 0.25) == X.cdf(0.25) - X.cdf(-0.25) True