scipy.stats.Normal.

iccdf#

Normal.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”),表示为 \(G^{-1}(p)\),是使得互补累积分布函数 \(G(x)\) 的值为 \(p\) 的参数 \(x\)

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

iccdf 接受 p,其中 \(p \in [0, 1]\)

参数:
parray_like

逆CCDF的参数。

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之间进行选择,按优先级顺序列出。

  • 'formula':使用逆CCDF本身的公式

  • 'complement':在 p 的补数处评估逆CDF

  • 'inversion':数值求解CCDF等于 p 的参数

并非所有分布都提供所有 method 选项。如果所选的 method 不可用,则会引发 NotImplementedError

返回:
outarray

在提供的参数处评估的逆CCDF。

另请参阅

icdf
ilogccdf

注释

假设连续概率分布具有支撑 \([l, r]\)。逆CCDF 在 \(p = 1\) 时返回其最小值 \(l\),在 \(p = 0\) 时返回其最大值 \(r\)。由于CCDF的范围为 \([0, 1]\),因此逆CCDF 仅在域 \([0, 1]\) 上定义;对于 \(p < 0\)\(p > 1\)iccdf 返回 nan

示例

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)

在所需的参数处评估逆CCDF

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

当参数超出域时,此函数返回 NaN。

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