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。
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