scipy.stats.Normal.

logcdf#

Normal.logcdf(x, y=None, /, *, method=None)[源代码]#

累积分布函数的对数

累积分布函数(“CDF”),表示为 \(F(x)\),是随机变量 \(X\) 取小于或等于 \(x\) 的值的概率。

\[F(x) = P(X ≤ x)\]

此函数的双参数变体也被定义为随机变量 \(X\)\(x\)\(y\) 之间的值的概率。

\[F(x, y) = P(x ≤ X ≤ y)\]

logcdf 计算累积分布函数的对数(“log-CDF”),\(\log(F(x))\)/\(\log(F(x, y))\),但与朴素实现(计算 CDF 并取对数)相比,它可能在数值上更有利。

logcdf 接受 x 作为 \(x\)y 作为 \(y\)

参数:
x, yarray_like

log-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 log-CDF 的策略。 默认情况下 (None),函数的单参数形式在以下选项中进行选择,并按优先级顺序列出。

  • 'formula':使用 log-CDF 本身的公式

  • 'logexp':评估 CDF 并取对数

  • 'complement':评估 log-CCDF 并取对数补码(参见注释)

  • 'quadrature':数值积分 log-PDF(或者,在离散情况下,对 log-PMF 求对数和)

代替 'complement',双参数形式接受

  • 'subtraction':计算每个参数处的 log-CDF 并取对数差(参见注释)

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

在提供的参数处评估的 log-CDF。

另请参见

cdf
logccdf

注释

假设连续概率分布具有支撑 \([l, r]\)。 对于 \(x ≤ l\),log-CDF 的最小值为 \(\log(0) = -\infty\),对于 \(x ≥ r\),log-CDF 的最大值为 \(\log(1) = 0\)。 可以对离散分布做出类似的声明,但控制最小值的不等式是严格的。

对于具有无限支撑的分布,通常 cdf 在参数理论上在支撑范围内时返回 0 的值; 发生这种情况是因为 CDF 的真实值太小而无法由所选的 dtype 表示。 然而,logcdf 通常会在更大的域中返回有限的(不是 -inf)结果。 类似地,logcdf 可以提供严格的负结果,其参数为 cdf 将返回 1.0。 因此,可能首选使用概率的对数来避免浮点数的下溢和相关限制。

数字 \(z\) 的“对数补码”在数学上等价于 \(\log(1-\exp(z))\),但计算它是为了避免当 \(\exp(z)\) 接近 \(0\)\(1\) 时精度损失。 类似地,\(w\)\(z\) 的术语“对数差”在此处用于表示 \(\log(\exp(w)-\exp(z))\)

如果 y < x,则 CDF 为负,因此 log-CCDF 是复数,虚部为 \(\pi\)。 为了保持一致性,无论虚部的值如何,此函数的结果始终具有复数 dtype(当提供 y 时)。

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

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)

在所需参数处评估 log-CDF

>>> X.logcdf(0.25)
-0.287682072451781
>>> np.allclose(X.logcdf(0.), np.log(X.cdf(0.)))
True