scipy.stats.Uniform.

logcdf#

Uniform.logcdf(x, y=None, /, *, method=None)[source]#

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 \(X\) 假设一个小于或等于 \(x\) 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 \(X\) 假设一个介于 \(x\)\(y\) 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选择,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':数值上 log-积分 log-PDF(或者,在离散情况下,log-求和 log-PMF)

代替 'complement',双参数形式接受

  • 'subtraction':计算每个参数的 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。 如果选择的 method 不可用,则会引发 NotImplementedError

返回值:
out数组

在提供的参数处评估的 log-CDF。

参见

cdf
logccdf

注释

假设连续概率分布具有支持 \([l, r]\)。 log-CDF 对于 \(x ≤ l\) 评估为其最小值 \(\log(0) = -\infty\),对于 \(x ≥ r\) 评估为其最大值 \(\log(1) = 0\)。 可以对离散分布进行类似的陈述,但控制最小值的公式是严格的。

对于具有无限支持的分布,当参数在理论上在支持范围内时,cdf 通常会返回值 0; 这可能是因为 CDF 的真实值太小,无法用所选的 dtype 表示。 然而,logcdf 通常会在更大的域上返回有限的(不是 -inf)结果。 类似地,logcdf 可能会提供严格的负结果,其参数为 cdf 将返回 1.0。 因此,可能更喜欢使用概率的对数来避免下溢和浮点数的限制。

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”在这里用于表示 \(\log(\exp(w)-\exp(z))\)

如果 y < x,则 CDF 为负数,因此 log-CCDF 是具有虚部 \(\pi\) 的复数。 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

[1]

累积分布函数,维基百科https://en.wikipedia.org/wiki/Cumulative_distribution_function

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)

在所需的参数处评估 log-CDF

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