逆CDF

逆CDF / 分位数函数 (Inverse CDF / Quantile Function)

逆CDF，即逆累积分布函数（Inverse Cumulative Distribution Function），在统计学中也称为分位数函数（Quantile Function），是一维随机变量累积分布函数（CDF）的广义逆映射。给定随机变量 $X$ 的CDF $F_X(x) = P(X \le x)$，其逆CDF定义为：

采用下确界而非普通反函数的原因在于CDF可能并非严格单调：当CDF存在平坦段（即概率密度为零的区间）时，多个 $x$ 对应同一概率值，下确界定义确保分位数函数的唯一性。当 $F_X$ 连续且严格递增时，$Q(p)$ 就是 $F_X$ 的普通反函数，满足 $F_X(Q(p)) = p$。

核心性质

逆CDF具有三个基本性质。第一，单调性：$Q(p)$ 在 $(0,1)$ 上非递减，即 $p_1 < p_2 \Rightarrow Q(p_1) \le Q(p_2)$，这是CDF单调性的直接推论。第二，左连续性：$Q(p)$ 在每一点 $p \in (0,1)$ 处左连续，这与CDF的右连续形成对偶关系。第三，分位数刻画：$Q(p)$ 给出了分布的第 $100p$ 百分位数——例如 $Q(0.5)$ 是中位数，$Q(0.25)$ 和 $Q(0.75)$ 分别是第一和第三四分位数。这些分位数在描述性统计和稳健统计推断中具有核心地位，因为它们对异常值不敏感。

一个关键恒等式是 $F_X(x) \ge p \iff x \ge Q(p)$，该等价关系在涉及分位数约束的优化问题中频繁使用。

概率积分变换

概率积分变换（Probability Integral Transform）是逆CDF最重要的理论应用之一。该定理断言：若 $X$ 是连续随机变量且CDF为 $F_X$，则 $U = F_X(X) \sim \text{Uniform}(0,1)$。反之，若 $U \sim \text{Uniform}(0,1)$，则 $X = Q(U)$ 的分布函数正是 $F_X$。后一方向构成了逆变换采样（Inverse Transform Sampling）的理论基础：通过生成均匀随机数并施加逆CDF，即可从任意指定分布中抽样。这一方法在蒙特卡洛模拟、贝叶斯统计中的后验采样以及计算金融中具有广泛应用。

常见分布的逆CDF

不同分布的逆CDF形式各异。指数分布 $X \sim \text{Exp}(\lambda)$ 的CDF为 $F(x) = 1 - e^{-\lambda x}$，其逆CDF在 $(0,1)$ 上具有闭式表达：$Q(p) = -\frac{1}{\lambda}\ln(1-p)$，这一简洁形式使其在离散事件模拟中极为便捷。正态分布的逆CDF $\Phi^{-1}(p)$ 没有闭式解析表达式，但作为probit函数在计量经济学中广泛应用：probit模型正是通过 $\Phi^{-1}(p)$ 将概率映射回线性预测子。柯西分布的逆CDF $Q(p) = \tan(\pi(p - 1/2))$ 在重尾建模中具有角色。对于离散分布，逆CDF定义为广义逆，在bootstrap重抽样中起着关键作用。

经济学和金融学应用

在风险管理中，在险价值（Value at Risk, VaR）直接通过逆CDF定义：给定置信水平 $\alpha$，$\text{VaR}_\alpha = -Q(1-\alpha)$，即收益率分布下尾分位数的负值。监管机构（如巴塞尔协议框架）要求金融机构报告特定置信水平下的VaR以评估市场风险。在收入不平等测度中，洛伦兹曲线的逆函数与分位数函数紧密相关，基尼系数可通过分位数函数的积分表达。在分位数回归（Quantile Regression）中，Koenker和Bassett（1978）的框架不对条件均值建模而是直接对条件分位数函数建模，从而刻画解释变量对响应变量整个分布的影响，而不仅仅是中心趋势。逆CDF还在随机占优检验和copula建模中发挥基础性作用，是实现从均匀边际到任意联合分布转换的关键组件。