scipy.stats.Normal.

ilogcdf#

Normal.ilogcdf(logp, /, *, method=None)[源代码]#

累积分布函数对数的反函数。

累积分布函数对数的反函数（“反 log-CDF”）是自变量 \(x\)，对于该自变量，累积分布函数的对数 \(\log(F(x))\) 的计算结果为 \(\log(p)\)。

从数学上讲，它等价于 \(F^{-1}(\exp(y))\)，其中 \(y = \log(p)\)，但与朴素实现（计算 \(p = \exp(y)\)，然后 \(F^{-1}(p)\)）相比，它可能在数值上更有利。

ilogcdf 接受 logp 作为 \(\log(p) ≤ 0\)。

参数:
logparray_like

反 log-CDF 的自变量。

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

用于评估反 log-CDF 的策略。默认情况下（None），基础架构在以下选项之间进行选择，并按优先级顺序列出。

  • 'formula'：使用反 log-CDF 本身的公式

  • 'complement'：在 logp 的对数补码处评估反 log-CCDF（参见注释）

  • 'inversion'：数值求解 log-CDF 等于 logp 的自变量

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

返回值:
outarray

在提供的自变量处评估的反 log-CDF。

另请参阅

icdf
logcdf

注释

假设概率分布支持 \([l, r]\)。反 log-CDF 在 \(\log(p) = \log(0) = -\infty\) 时返回其最小值 \(l\)，在 \(\log(p) = \log(1) = 0\) 时返回其最大值 \(r\)。由于 log-CDF 的范围为 \([-\infty, 0]\)，因此反 log-CDF 仅在负实数上定义；对于 \(\log(p) > 0\)，ilogcdf 返回 nan。

有时，需要找到 CDF 的自变量，使得生成的概率非常接近 0 或 1 - 太接近而无法用浮点算术精确表示。但在许多情况下，此生成的概率的对数可以用浮点算术表示，在这种情况下，可以使用此函数找到 CDF 的自变量，该自变量对应的生成概率的对数为 \(y = \log(p)\)。

数字 \(z\) 的“对数补码”在数学上等价于 \(\log(1-\exp(z))\)，但它的计算是为了避免在 \(\exp(z)\) 接近 \(0\) 或 \(1\) 时精度损失。

示例

实例化具有所需参数的分布

>>> 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反 log-CDF

>>> X.ilogcdf(-0.25)
0.2788007830714034
>>> np.allclose(X.ilogcdf(-0.25), X.icdf(np.exp(-0.25)))
True
在此页面上