使用scipy的Python中的多变量普通CDF
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了使用scipy的Python中的多变量普通CDF,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含905字,纯文字阅读大概需要2分钟。
内容图文
![使用scipy的Python中的多变量普通CDF](/upload/InfoBanner/zyjiaocheng/709/ca4c59fc38e74af588ee4138ee4723a1.jpg)
为了计算多元法线的CDF,我遵循this示例(对于单变量情况)但不能解释由scipy产生的输出:
from scipy.stats import norm
import numpy as np
mean = np.array([1,5])
covariance = np.matrix([[1, 0.3 ],[0.3, 1]])
distribution = norm(loc=mean,scale = covariance)
print distribution.cdf(np.array([2,4]))
产生的输出是:
[[ 8.41344746e-01 4.29060333e-04]
[ 9.99570940e-01 1.58655254e-01]]
如果联合CDF定义为:
P (X1 ≤ x1, . . . ,Xn ≤ xn)
那么预期的输出应该是0到1之间的实数.
解决方法:
在经过大量搜索后,我认为Noah H. Silbert撰写的this博客文章描述了标准库中唯一可用于计算Python中多变量法线的cdf的现成代码. Scipy有办法做到这一点,但正如博客中所提到的,很难找到.该方法基于Alan Genz的论文.
在博客中,这是它的工作原理.
from scipy.stats import mvn
import numpy as np
low = np.array([-10, -10])
upp = np.array([.1, -.2])
mu = np.array([-.3, .17])
S = np.array([[1.2,.35],[.35,2.1]])
p,i = mvn.mvnun(low,upp,mu,S)
print p
0.2881578675080012
内容总结
以上是互联网集市为您收集整理的使用scipy的Python中的多变量普通CDF全部内容,希望文章能够帮你解决使用scipy的Python中的多变量普通CDF所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。