Ctrl+K
scipy.stats.Mixture.

ilogccdf#

Mixture.ilogccdf(p, /, *, method=None)[原始碼]#

互補累積分布函數之對數的反函數。

互補累積分布函數之對數的反函數（“反向對數-CCDF”）是引數 \(x\)，對於此引數，互補累積分布函數 \(\log(G(x))\) 的對數值會評估為 \(\log(p)\)。

在數學上，它等效於 \(G^{-1}(\exp(y))\)，其中 \(y = \log(p)\)，但與直接實作（計算 \(p = \exp(y)\)，然後 \(G^{-1}(p)\)）相比，它在數值上可能更佳。

ilogccdf 接受 logp 用於 \(\log(p) ≤ 0\)。

參數:
xarray_like

反向對數-CCDF 的引數。

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

用於評估反向對數-CCDF 的策略。預設 (None) 情況下，基礎結構會從以下選項中選擇，選項依優先順序排列。

  • 'formula'：使用反向對數-CCDF 本身的公式

  • 'complement'：在 x 的對數互補處評估反向對數-CDF（請參閱「註解」）

  • 'inversion'：數值求解對數-CCDF 等於 x 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，則會引發 NotImplementedError。

返回:
outarray

在提供的引數下評估的反向對數-CCDF。

另請參閱

iccdf
ilogccdf

註解

假設連續機率分布具有支援度 \([l, r]\)。反向對數-CCDF 在 \(\log(p) = \log(1) = 0\) 時傳回其最小值 \(l\)，在 \(\log(p) = \log(0) = -\infty\) 時傳回其最大值 \(r\)。由於對數-CCDF 的範圍為 \([-\infty, 0]\)，因此反向對數-CDF 僅在負實數上定義；對於 \(\log(p) > 0\)，ilogccdf 會傳回 nan。

有時，需要找到 CCDF 的引數，以使產生的機率非常接近 0 或 1 - 太過接近而無法以浮點算術精確表示。然而，在許多情況下，此產生機率的對數可以用浮點算術表示，在這種情況下，可以使用此函數來找到 CCDF 的引數，以使產生機率的對數為 y = log(p)。

數字 \(z\) 的「對數互補」在數學上等效於 \(\log(1-\exp(z))\)，但其計算目的是為了避免當 \(\exp(z)\) 接近 \(0\) 或 \(1\) 時的精確度損失。

範例

使用所需的參數實例化分布

>>> 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向對數-CCDF

>>> X.ilogccdf(-0.25)
-0.2788007830714034
>>> np.allclose(X.ilogccdf(-0.25), X.iccdf(np.exp(-0.25)))
True
在本頁中