Ctrl+K
scipy.stats.Normal.

ilogcdf#

Normal.ilogcdf(logp, /, *, method=None)[source]#

累積分布函數對數的反函數。

累積分布函數對數（“inverse log-CDF”）的反函數是引數 \(x\)，對於此引數，累積分布函數 \(\log(F(x))\) 的對數值會等於 \(\log(p)\)。

在數學上，它等價於 \(F^{-1}(\exp(y))\)，其中 \(y = \log(p)\)，但與樸素的實作方式（計算 \(p = \exp(y)\)，然後 \(F^{-1}(p)\)）相比，它在數值上可能更具優勢。

ilogcdf 接受 logp ，其中 \(\log(p) ≤ 0\)。

參數：
logparray_like

inverse log-CDF 的引數。

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

用於評估 inverse log-CDF 的策略。預設情況下 (None)，基礎架構會從以下選項中選擇，並依優先順序排列。

  • 'formula'：使用 inverse log-CDF 本身的公式

  • 'complement'：在 logp 的對數互補處評估 inverse log-CCDF（請參閱「Notes」章節）

  • 'inversion'：以數值方式求解 log-CDF 等於 logp 的引數

並非所有 method 選項都適用於所有分布。如果選定的 method 不可用，則會引發 NotImplementedError。

返回：
outarray

在提供的引數處評估的 inverse log-CDF。

另請參閱

icdf
logcdf

說明

假設連續機率分布具有 support \([l, r]\)。inverse log-CDF 在 \(\log(p) = \log(0) = -\infty\) 時返回其最小值 \(l\)，在 \(\log(p) = \log(1) = 0\) 時返回其最大值 \(r\)。由於 log-CDF 的範圍為 \([-\infty, 0]\)，因此 inverse log-CDF 僅在負實數上定義；對於 \(\log(p) > 0\)，ilogcdf 返回 nan。

有時，需要找到 CDF 的引數，以使結果機率非常接近 0 或 1 - 太接近而無法以浮點算術精確表示。然而，在許多情況下，結果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 CDF 的引數，以使結果機率的對數為 \(y = \log(p)\)。

數字 \(z\) 的「對數互補」在數學上等價於 \(\log(1-\exp(z))\)，但計算它是為了避免在 \(\exp(z)\) 接近 0 或 1 時損失精度。

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)

在所需的引數處評估 inverse log-CDF

>>> X.ilogcdf(-0.25)
0.2788007830714034
>>> np.allclose(X.ilogcdf(-0.25), X.icdf(np.exp(-0.25)))
True
本頁內容