scipy.stats.Uniform.

iccdf#

Uniform.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”），表示為 \(G^{-1}(p)\)，是自變數 \(x\)，對於此自變數，互補累積分布函數 \(G(x)\) 的值等於 \(p\)。

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

iccdf 接受 p 的值範圍為 \(p \in [0, 1]\)。

參數:

parray_like

反 CCDF 的自變數。

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

用於評估反 CCDF 的策略。預設 (None) 情況下，基礎架構會從以下選項中選擇，優先順序如下列出。

'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 時的自變數

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

返回:

outarray: 在提供的自變數下評估的反 CCDF。

另請參閱

icdf
ilogccdf

Notes

假設一個連續機率分佈的支持集為 \([l, r]\)。反 CCDF 在 \(p = 1\) 時返回其最小值 \(l\)，在 \(p = 0\) 時返回其最大值 \(r\)。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 返回 nan。

範例

實例化具有所需參數的分佈

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

在所需的自變數下評估反 CCDF

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

當自變數超出域時，此函數返回 NaN。

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