Ctrl+K
scipy.stats.Mixture.

iccdf#

Mixture.iccdf(p, /, *, method=None)[source]#

反互補累積分布函數。

反互補累積分布函數（“反 CCDF”），記為 \(G^{-1}(p)\)，是使互補累積分布函數 \(G(x)\) 的值等於 \(p\) 的引數 \(x\)。

\[G^{-1}(p) = x \quad \text{s.t.} \quad G(x) = p\]

iccdf 接受 p 值，範圍為 \(p \in [0, 1]\)。

參數:
parray_like

反 CCDF 的引數。

method{None, ‘formula’, ‘complement’, ‘inversion’}

用於評估反 CCDF 的策略。預設值（None）會在以下選項之間選擇，依優先順序排列。

  • 'formula'：使用反 CCDF 本身的公式

  • 'complement'：在 p 的補數處評估反 CDF

  • 'inversion'：數值求解 CCDF 等於 p 的引數

並非所有分布都提供所有 method 選項。如果選定的 method 不可用，將會引發 NotImplementedError。

返回:
outarray

在提供的引數下評估的反 CCDF。

另請參閱

icdf
ilogccdf

Notes

假設連續機率分布的支撐集為 \([l, r]\)。反 CCDF 在 \(p = 1\) 時傳回其最小值 \(l\)，在 \(p = 0\) 時傳回其最大值 \(r\)。由於 CCDF 的範圍為 \([0, 1]\)，因此反 CCDF 僅在域 \([0, 1]\) 上定義；對於 \(p < 0\) 和 \(p > 1\)，iccdf 傳回 nan。

範例

實例化具有所需參數的分布

>>> import numpy as np
>>> from scipy import stats
>>> X = stats.Uniform(a=-0.5, b=0.5)

在所需的引數下評估反 CCDF

>>> X.iccdf(0.25)
0.25
>>> np.allclose(X.iccdf(0.25), X.icdf(1-0.25))
True

當引數超出域時，此函數會傳回 NaN。

>>> X.iccdf([-0.1, 0, 1, 1.1])
array([ nan,  0.5, -0.5,  nan])
在本頁中