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