考虑以下任务:对于任意值x和正数S,计算正态分布随机变量落在以x为中心的长度S区间内的概率。p>
原则上这很容易做到:
def normal_inverval_prob(y, s, mean, sd):
return norm.cdf(x=y+s/2.0, loc=mean, scale=sd) - norm.cdf(x=y-s/2.0, loc=mean, scale=sd)
normal_inverval_prob(-3, .2, 1, 1)#2.7438837105055897e-05
normal_inverval_prob(-3, .2, 1, .1)# 0.0
我的问题是最后一行:对于一些值,我得到的概率是零,尽管实际概率是一些大于零的小数字。这会在代码的后面部分导致被零除的问题
事实证明,我可以处理日志概率,因此我修改了该函数,仅使用日志cdf为我提供日志概率:
def normal_inverval_logprob(y, s, mean, sd):
p1 = norm.logcdf(x=y+s/2.0, loc=mean, scale=sd)
p0 = norm.logcdf(x=y-s/2.0, loc=mean, scale=sd)
return p1 + np.log1p(-np.exp(p0 - p1))
np.exp(normal_inverval_logprob(-3, .2, 1, 1))#2.7438837105055897e-05
normal_inverval_logprob(-3, .2, 1, .1)#-765.0831565643776
对于其他值,此对数概率函数遇到问题:
normal_inverval_logprob(3, .2, 1, .1)
/home/keith/.local/lib/python3.6/site-packages/ipykernel_launcher.py:4: RuntimeWarning: divide by zero encountered in log1p
after removing the cwd from sys.path.
-inf
正如您所料,问题在于,尽管对数CDF不相等,但此时对数CDF差异的exp计算为1(另一种数值下溢问题):
np.exp(norm.logcdf(2.9, 1, .1) - norm.logcdf(3.1, 1, .1))#1.0
norm.logcdf(3.1, 1, .1) > norm.logcdf(2.9, 1, .1)#True
np.allclose(norm.logcdf(3.1, 1, .1), norm.logcdf(2.9, 1, .1))#True
我不知道如何解决这个问题(或者是否有完全不同的方法来实现我的目标)
一种简单的方法是使用
expm1
而不是log1p
:如果该方法失败,您可以使用黎曼和(此处仅为一项)进行近似计算:
这将低估尾部;您可以对间隔端点处的值求平均值,以获得上限。当然,exp(-x2)最终甚至会下溢:PDF对于z=&;下午;三十九,
相关问题 更多 >
编程相关推荐