我试图用scipy计算一个二重积分。被积函数有点复杂,因为它包含一些概率分布,以加权x和y的每个值的可能性(就像一个混合模型)。以下代码的计算结果为负数,但它应被[0,1]绑定。另外,计算大约需要半个小时。在
我有两个问题。在
1)有没有更好的方法来计算这个积分?在
2)这个负值从何而来?对我来说,最大的问题是如何加快计算速度,因为我可以在我的代码中找到导致我以后自己负的错误。在
from scipy import stats
from scipy.integrate import dblquad
import itertools
p= [list whose entries are each different stats.beta(a,b) distributions]
def integrand(x,y):
delta=x-y
marg=0
for distA,distB in itertools.permutations(p,2):
first=distA.pdf(x)
second=distB.pdf(y)
weight1=0
weight2=0
for distC in p:
if distC == distA:
continue
w1=distC.cdf(x)-distC.cdf(y)
if weight1 == 0:
weight1=w1
else:
weight1=weight1*w1
marg+=(first*weight1*second)
I=delta*marg
return I
expect=dblquad(integrand,0,1,lambda x: 0, lambda x: x)
这本质上是问两点之间的最大距离在分布向量中的期望值是多少。积分的极限是y∊[0,x]和x∊[0,1]。这给了我-.49,估计的积分误差在10e-10级,所以它不应该是由于积分方法。在
我已经和这件事斗争了一段时间了,感谢你的帮助。谢谢。在
编辑:更正了打字错误
积分法给出的误差只是一个数字,告诉你收敛性有多好。你试过计算被积函数的显式值吗?在
顺便问一下:你在整合pdf吗?如果是:您确定您的集成限制吗?在
有几种方法可以提高计算速度。在
您可以使用
epsabs
和epsrel
参数来dblquad
来增加集成的可靠性。当然,您的结果会不太准确,但对于调试来说,这是可以的。您可以通过重新排序代码(警告,未测试代码)来显著减少
integrand
中函数求值的数量但是请注意,Python在函数调用方面有相当大的开销,因此用纯Python编写这篇文章不会让您走得太远(在这个问题上使用Cython之类的方法可能会有所帮助)。
我不知道为什么积分变为负。也许我可以告诉你,如果你能给出一个
p
的例子,这将使我们能够真正地尝试你的代码。在相关问题 更多 >
编程相关推荐