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 \(X\) 取 \(x\) 和 \(y\) 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。
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 \(0\) 或 \(1\) 时精度损失。 类似地,\(w\) 和 \(z\) 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