scipy.stats.Uniform.
cdf#
- Uniform.cdf(x, y=None, /, *, method=None)[源代码]#
累积分布函数
累积分布函数（“CDF”），记为\(F(x)\)，是随机变量\(X\)取值小于或等于\(x\)的概率。
\[F(x) = P(X ≤ x)\]此函数的双参数变体也定义为随机变量\(X\)取值在\(x\)和\(y\)之间的概率。
\[F(x, y) = P(x ≤ X ≤ y)\]cdf接受 x 作为 \(x\)，y 作为 \(y\)。- 参数:
- x, yarray_like
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 CDF 的策略。默认情况下 (
None)，函数的单参数形式在以下选项中选择，按优先级顺序列出。'formula'：使用 CDF 本身的公式'logexp'：评估对数 CDF 并求指数'complement'：评估互补 CDF 并取补'quadrature'：数值积分 PDF
代替
'complement'，双参数形式接受'subtraction'：计算每个参数的 CDF 并取差值。
并非所有分布都提供所有 method 选项。如果选定的 method 不可用，则会引发
NotImplementedError。
- 返回:
- outarray
在提供的参数处评估的 CDF。
说明
假设连续概率分布的支持为 \([l, r]\)。CDF \(F(x)\) 与概率密度函数 \(f(x)\) 的关系为
\[F(x) = \int_l^x f(u) du\]双参数版本是
\[F(x, y) = \int_x^y f(u) du = F(y) - F(x)\]对于 \(x ≤ l\)，CDF 的最小值为 \(0\)；对于 \(x ≥ r\)，最大值为 \(1\)。
CDF 也被称为“分布函数”。
参考资料
[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
>>> from scipy import stats >>> X = stats.Uniform(a=-0.5, b=0.5)
在所需的参数处评估 CDF
>>> X.cdf(0.25) 0.75
评估两个参数之间的累积概率
>>> X.cdf(-0.25, 0.25) == X.cdf(0.25) - X.cdf(-0.25) True