scipy.stats.sampling.FastGeneratorInversion.

evaluate_error#

FastGeneratorInversion.evaluate_error(size=100000, random_state=None, x_error=False)[源代码][源代码]#

评估反演的数值精度（u-误差和x-误差）。

参数:
大小int, 可选

用于估计误差的随机点数量。默认值为 100000。

random_state{None, int,}

NumPy 随机数生成器或用于生成均匀随机数流的底层 NumPy 随机数生成器的种子。如果 random_state 为 None，则使用 self.random_state。如果 random_state 是一个整数，则使用 np.random.default_rng(random_state)。如果 random_state 已经是 Generator 或 RandomState 实例，则使用该实例。

返回:
u_error, x_error浮点数元组

一个随机变量的NumPy数组。

注释

逆CDF ppf 的数值精度由u-误差控制。其计算方式如下：max |u - CDF(PPF(u))|，其中最大值取自区间 [0,1] 内的 size 个随机点。random_state 决定了随机样本。注意，如果 ppf 是精确的，u-误差将为零。

x-error 测量精确 PPF 和 ppf 之间的直接距离。如果 x_error 设置为 True，它将计算为相对和绝对 x-error 的最小值的最大值：max(min(x_error_abs[i], x_error_rel[i]))，其中 x_error_abs[i] = |PPF(u[i]) - PPF_fast(u[i])|，x_error_rel[i] = max |(PPF(u[i]) - PPF_fast(u[i])) / PPF(u[i])|。需要注意的是，在 PPF(u) 接近零或非常大的情况下，考虑相对 x-error 是非常重要的。

默认情况下，仅评估 u-error，并将 x-error 设置为 np.nan。请注意，如果 PPF 的实现速度较慢，x-error 的评估将会非常慢。

关于这些错误测量的更多信息可以在 [1] 中找到。

参考文献

[1]

Derflinger, Gerhard, Wolfgang Hörmann, 和 Josef Leydold. “仅知密度时的数值反演随机变量生成.” ACM 建模与计算机模拟交易 (TOMACS) 20.4 (2010): 1-25.

示例

>>> import numpy as np
>>> from scipy import stats
>>> from scipy.stats.sampling import FastGeneratorInversion

创建一个正态分布的对象：

>>> d_norm_frozen = stats.norm()
>>> d_norm = FastGeneratorInversion(d_norm_frozen)

为了确认数值反演的准确性，我们评估近似误差（u-误差和x-误差）。

>>> u_error, x_error = d_norm.evaluate_error(x_error=True)

u-error 应低于 1e-10：

>>> u_error
8.785783212061915e-11  # may vary

将 PPF 与近似值 ppf 进行比较：

>>> q = [0.001, 0.2, 0.4, 0.6, 0.8, 0.999]
>>> diff = np.abs(d_norm_frozen.ppf(q) - d_norm.ppf(q))
>>> x_error_abs = np.max(diff)
>>> x_error_abs
1.2937954707581412e-08

这是在点 q 处评估的绝对 x 误差。相对误差由以下公式给出：

>>> x_error_rel = np.max(diff / np.abs(d_norm_frozen.ppf(q)))
>>> x_error_rel
4.186725600453555e-09

上面计算的 x_error 是通过对一组更大的随机值 q 进行非常相似的方式得出的。在每个值 q[i] 处，取相对误差和绝对误差的最小值。最终值则通过这些值的最大值得出。在我们的例子中，我们得到以下值：

>>> x_error
4.507068014335139e-07  # may vary
On this page