逆变换采样：从均匀分布到任意分布随机数的核心方法

在实际写随机模拟和蒙特卡洛代码时，很多人会遇到一个绕不开的问题：numpy.random或者是其他语言标准库里自带的随机数生成器，默认产生的都是[0,1)上的均匀分布随机数。但业务场景哪里会这么凑巧，你总得生成指数分布、正态分布、泊松分布、自定义分布等等。那这些“非均匀”的随机数是怎么来的？总不能每一种分布都去写一套底层算法吧？

这就是逆变换采样（Inverse Transform Sampling）大显身手的时候了。这应该是整个随机模拟领域里最基础、最直观，也最值得亲手实现一遍的采样方法。它的核心思想可以用一句话讲透：既然所有分布的累积概率都落在(0,1)区间，那我们只需从均匀分布里抽一个点，再把它映射回目标分布的分位数上，就完成了采样。

这篇文章我把这套方法的原理推导、适用边界、实际代码、数值稳定性坑位一次讲清楚。不搞数学论文式的冷冰冰，尽量用实际操作中能直接落地的角度来拆解。不管你是做数据分析、算法模型，还是研究仿真系统，这套东西都值得消化透。

1. 逆变换采样的数学原理与直觉理解

1.1 从“累积分布函数”开始聊

在聊逆变换采样之前，得先统一一下认知：什么是累积分布函数（CDF）。

假设随机变量 (X) 服从某个分布（比如指数分布、正态分布），它的累积分布函数 (F(x)) 定义为：

[ F(x) = P(X \le x) ]

也就是说，CDF 描述的是“随机变量的取值小于等于某个特定值 (x) 的概率”。这个函数有几个天然的性质：

• 单调不减：(x) 越大，累积概率只会增加或保持不变，绝不会下降。
• 值域固定：当 (x \to -\infty) 时 (F(x) \to 0)；当 (x \to +\infty) 时 (F(x) \to 1)。任何CDF 的值永远属于 ([0, 1]) 区间。
• 对于连续型随机变量，CDF 就是概率密度函数（PDF）的积分：(F(x) = \int_{-\infty}^{x} f(t) dt)。

这里强调“值域是[0,1]”这个性质，是整个逆变换采样的命门。因为伪随机数生成器（PRNG）最擅长生成的就是 ([0,1)) 上的均匀分布，而所有分布的CDF 值域又都恰好落在 ([0,1]) 上。这一来一回，就成了一个天然的“翻译器”：均匀分布里的一个点，通过CDF 的反函数，可以直接翻译成目标分布里的一个采样点。

1.2 逆变换采样定理：一个被低估的证明

逆变换采样的数学表述非常干净，但背后的证明值得彻底吃透，因为它能帮你理解这个方法的适用范围到底有多宽。

定理描述：

设 (U) 是服从 ([0,1]) 均匀分布的随机变量，(F(x)) 是某个目标分布的累积分布函数，且 (F) 是可逆的（即反函数 (F^{-1}) 存在）。定义：

[ X = F^{-1}(U) ]

则随机变量 (X) 的分布函数正是 (F(x))，也就是说 (X) 服从我们想要的目标分布。

证明：

要证明 (X) 服从目标分布，只需证明 (X) 的CDF 等于 (F(x))。直接写：

[ P(X \le x) = P(F^{-1}(U) \le x) ]

因为 (F) 是单调不减函数，对不等式两边同时作用 (F)，不等号方向保持不变：

[ P(F^{-1}(U) \le x) = P(F(F^{-1}(U)) \le F(x)) = P(U \le F(x)) ]

这里 (F(F^{-1}(U)) = U) 是必须的化简步骤。而 (U) 是均匀分布，所以它小于等于任意常数 (F(x)) 的概率恰好等于 (F(x)) 本身：

[ P(U \le F(x)) = F(x) ]

链起来就是：

[ P(X \le x) = F(x) ]

这正是累计分布函数的定义。于是，(X) 的分布就是目标分布。整个证明就这么干净利落，没有弯弯绕绕。

这个证明里最关键的一步，是“两边同时作用 (F)，不等号方向不变”，这要求 (F) 必须是单调不减的。而“可逆”这个条件，排除了CDF 存在“平台段”的情况——即某个区域内概率不增长的情况。这一点在后面讲适用条件时还会专门展开。

1.3 一张图建立直觉：概率区间长度就是概率本身

数学证明看完了，但光有证明还不够，得在脑子里建立一个可操作的直觉模型。

想象目标分布的概率密度函数画在坐标轴上，曲线下的总面积是1。现在这个面积被一条条竖线切成了无数细条，每个细条的面积就是落在该区间内的概率。CDF 做的事情，就是把从最左边到某一点之间的面积累积起来，映射到 ([0,1]) 这个纵轴上。

逆变换采样做的，是反过来操作：先在 ([0,1]) 的纵轴上均匀地撒一个点出来，比如抽到了 (u = 0.3)，那么就在CDF 曲线上找到纵坐标正好等于 0.3 的那个位置，读取它的横坐标 (x = F^{-1}(0.3))，这个 (x) 就是一次采样结果。

为什么这样采样出来的 (x) 服从目标分布？因为CDF 纵轴上的距离是均匀的，但横轴上“相同概率”对应的区间长度却不一样：概率密度高的地方，CDF 曲线更陡峭，横轴上只需要很小的跨度就能累积相同的概率；概率密度低的地方，CDF 曲线平缓，横轴需要更大的跨度才能累积相同的概率。这样在纵轴上均匀取点，映射回横轴时，天然地就在高密度区域取到更多点，低密度区域取到更少点。这正好就是目标分布想要的效果。

打个生活化的比方：想象一条路旁的路灯密度不一样，人口密集区路灯密、间距小，郊区路灯稀、间距大。现在有一个“概率卷尺”，随便指出一个百分位，然后沿着这条路找“累积到第N盏路灯”的位置。结果自然是密集区走两步就经过一盏灯，郊区走半天才碰到一盏。把灯的分布想象成概率密度，这个位置序列自然就呈现了“密的地方多、稀的地方少”的采样效果。

2. 适用边界与方案选型：为什么不是所有分布都能逆变换

2.1 CDF 可解析求逆：最大的硬门槛

逆变换采样的数学形式很美，但真正落到工程实现上，会遇到一道硬门槛：很多分布的 CDF 根本找不到解析表达式的反函数。

CDF 可逆且能写成初等函数的闭式形式，是逆变换采样最理想的情况。典型代表包括：

这四个分布是逆变换采样最经典的“舒适区”。实现起来代码量少、逻辑清晰、计算速度快。

但现实世界里的分布不可能都这么听话。最反面的教材就是正态分布。正态分布的CDF 是 (\Phi(x) = \frac{1}{2}\left[1 + \text{erf}\left(\frac{x}{\sqrt{2}}\right)\right])，其中 (\text{erf})（误差函数）本身就没有初等原函数的闭式表达，它的反函数 (\Phi^{-1}(u)) 更是只能通过数值逼近来求解。理论上你可以通过数值方式去解 (u = \Phi(x)) 这个方程，但每次都做一次数值求根，效率太低了，而且数值精度和稳定性都是隐患。所以实际工程里生成正态分布随机数，几乎没人用逆变换采样，而是用 Box-Muller 变换法或者 Ziggurat 算法。

2.2 工程选型：逆变换 vs 拒绝采样 vs Box-Muller

既然逆变换有适用门槛，工程上就得根据情况选算法。我根据自己的实际经验，直接给一张决策参考表：

这里特别想强调一个经验：不要把目光局限在逆变换采样“不能用”的地方，它在处理截断分布和混合分布时强大得惊人。所谓的截断分布，就是“我只想从某个分布的某个区间里采样”，比如“从标准正态分布中采落在 ([-2, 2]) 区间内的样本”。如果用拒绝采样，你得反复丢样本直到落到区间内；但用逆变换采样，思路完全不一样——先计算截断区间端点在原分布下的CDF 值 (a = F(L)) 和 (b = F(R))，然后生成一个落在 ((a, b)) 之间的均匀分布样本 (u)，再做 (x = F^{-1}(u))。一个操作直接把问题解决了，既没有拒绝浪费，也不用重新推导分布形式。这种隐形的优势，在实际代码里会给你省下大量时间。

2.3 离散分布：逆变换仍然好用

连续分布讲了很多，但离散分布（泊松、二项式、自定义离散分布）同样可以用逆变换采样的思想。区别在于，离散分布的CDF 是阶梯函数，严格说来“可逆性”是有问题的——同一个累积概率可能对应多个取值点。但工程实现上有一招：按累积概率区间来查找。

举个例子，假设有一个三点的离散分布：(P(X=0)=0.2)、(P(X=1)=0.3)、(P(X=2)=0.5)。累积概率区间分别是：

• (0 \le u < 0.2 \rightarrow X = 0)
• (0.2 \le u < 0.5 \rightarrow X = 1)
• (0.5 \le u < 1.0 \rightarrow X = 2)

算法上就是先生成一个均匀分布样本 (u)，然后遍历查找它落在哪个累积区间里。这个逻辑简单直接，而且理论上没有任何信息损失。离散分布的查找效率问题，后面讲工程实现细节时会专门聊。

3. 实操案例：从理论到代码的完整落地

3.1 案例一：指数分布的逆变换采样

指数分布是逆变换采样最经典的入门案例，因为它的CDF 形式简单到令人感动：(F(x) = 1 - e^{-\lambda x})，其中 (\lambda) 是速率参数，表示单位时间内事件发生的平均次数。反函数的推导过程：

[ u = 1 - e^{-\lambda x} ]

移项得到：

[ 1 - u = e^{-\lambda x} ]

两边取自然对数：

[ \ln(1 - u) = -\lambda x ]

最终写出：

[ x = -\frac{\ln(1-u)}{\lambda} ]

这段推导过程本身很简单，但有个非常关键的工程细节值得停下来单独说：很多教科书上写的逆变换公式是 (x = -\ln(u)/\lambda)，而不是 (-\ln(1-u)/\lambda)。为什么可以这样替换？因为如果 (u) 服从 ([0,1]) 均匀分布，那么 (1-u) 同样服从 ([0,1]) 均匀分布——这是均匀分布关于区间中点的对称性。所以在数学上两者完全等价。但在工程实践上，直接用 (-\ln(u)/\lambda) 有一个隐患：如果某个随机数生成器偶尔返回了 (u=0)，那么 (\ln(0)) 就是负无穷，整个采样结果直接崩溃。而用 (1-u) 虽然也有极小的概率得到 (u=1)，但很多PRNG的取值集合是 ([0,1)) 左闭右开，理论上 (u=1) 不会出现；即使某些生成器可能返回1，概率也要低得多。因此我个人的建议是：写采样代码时优先用 (-\ln(1-u)/\lambda)，配合随机数生成器的值域特征，能少踩一个数值坑。

用 Python 写一个完整的实现，只需要几行：

import numpy as np def inverse_transform_exponential(rate, size=1, seed=None): """ 通过逆变换采样生成指数分布随机数 rate: 速率参数 lambda size: 生成样本数量 """ rng = np.random.default_rng(seed) u = rng.random(size) # 生成 [0,1) 均匀分布样本 x = -np.log(1 - u) / rate return x

验证一下结果，用正态分布因为是随机的所以不做严格拟合检验，简单算一下均值和方差。指数分布的均值理论值是 (1/\lambda)，标准差也是 (1/\lambda)。

samples = inverse_transform_exponential(rate=2.0, size=100000) print(f"样本均值: {samples.mean():.4f}，理论均值: {1/2.0:.4f}") print(f"样本标准差: {samples.std():.4f}，理论标准差: {1/2.0:.4f}")

实测结果一般会落在0.5附近，差距在0.01以内，这就说明采样逻辑没问题。如果你的结果系统性偏差，大概率是 (u) 的生成方式有问题，而不是逆变换公式写错了。

3.2 案例二：柯西分布与厚尾分布采样

柯西分布是检验采样算法鲁棒性的好对象。它的概率密度函数是 (f(x) = \frac{1}{\pi\gamma\left[1+\left(\frac{x-x_0}{\gamma}\right)^2\right]})，图像看起来像正态分布，但尾部衰减极其缓慢，厚尾效应显著，以至于它的均值和方差理论值都是不存在的——这对很多采样算法来说是个噩梦，因为样本里时不时会蹦出个极端值，导致数值计算变得不稳定。

但逆变换采样处理柯西分布非常从容，因为它的CDF 反函数形式依然干净。CDF 是：

[ F(x) = \frac{1}{\pi}\arctan\left(\frac{x-x_0}{\gamma}\right) + \frac{1}{2} ]

反解 (x)：

[ u = \frac{1}{\pi}\arctan\left(\frac{x-x_0}{\gamma}\right) + \frac{1}{2} ]

[ \pi\left(u - \frac{1}{2}\right) = \arctan\left(\frac{x-x_0}{\gamma}\right) ]

[ \tan\left(\pi\left(u - \frac{1}{2}\right)\right) = \frac{x-x_0}{\gamma} ]

最终得到：

[ x = x_0 + \gamma \cdot \tan\left(\pi\left(u - \frac{1}{2}\right)\right) ]

代码实现：

def inverse_transform_cauchy(loc=0.0, scale=1.0, size=1, seed=None): """ 通过逆变换采样生成柯西分布随机数 loc: 位置参数 x0 scale: 尺度参数 gamma """ rng = np.random.default_rng(seed) u = rng.random(size) x = loc + scale * np.tan(np.pi * (u - 0.5)) return x

这里有另一个典型的数值稳定性坑：u如果恰好生成到非常接近0或者非常接近1的值，(\tan) 的参数会接近 (\pm \pi/2)，这时候正切函数会趋向正负无穷大，产生极端值。虽然从统计角度看，这种极端值正是柯西分布厚尾特性的体现，但如果你的业务代码不允许出现无穷大，就得在生成后做截断或重新采样处理。这个问题的处理策略我在第4节会专门讲。

3.3 案例三：离散分布的逆变换采样代码

离散分布的逆变换采样写起来更简单，唯一需要设计的是“查找区间的效率”。直接遍历是最朴素的做法，适合分布取值点不多的场景：

def inverse_transform_discrete(values, probs, size=1, seed=None): """ 通过逆变换采样生成任意离散分布随机数 values: 离散取值列表，例如 [0, 1, 2] probs: 对应的概率列表，例如 [0.2, 0.3, 0.5] """ if not np.isclose(sum(probs), 1.0): raise ValueError("概率之和必须为1") cdf = np.cumsum(probs) # 计算累积分布函数 rng = np.random.default_rng(seed) u = rng.random(size) # 向量化实现：用 searchsorted 查找每个 u 落在哪个区间 indices = np.searchsorted(cdf, u) samples = np.array(values)[indices] return samples

np.searchsorted是这段代码的精髓，它用了折半查找算法，时间复杂度是 (O(\log n))，其中 (n) 是离散取值的数量。如果不用这个函数而是自己写 for 循环遍历，每次采样都要从头到尾扫一遍，当分布有上百个取值点时性能差距会非常明显。

实测一下：

values = [0, 1, 2] probs = [0.2, 0.3, 0.5] samples = inverse_transform_discrete(values, probs, size=100000, seed=42) unique, counts = np.unique(samples, return_counts=True) for val, cnt in zip(unique, counts): print(f"取值 {val}: 实际频率 {cnt/len(samples):.4f}，理论概率 {probs[val]:.4f}")

输出结果一般在千分位的精度上和理论概率吻合。这里再提醒一句：np.cumsum计算出的CDF 最后一个元素理论上精确等于1，但由于浮点数累积误差，它可能是 0.9999999999999999 而不是 1。使用时尽量避免拿它和u=1.0做精确比较，不然边界上会出Bug。

3.4 案例四：自定义“非主流”分布怎么处理

实际工作中遇到最多的情况，不是标准分布，而是那种“说不清名字，但PDF长这样”的分布。比如你拿到了一个扫描出来的直方图，或者一组实验测量数据的频率分布，现在想从里面采样。这时候怎么办？

我的做法是：分两步走。

第一步，把频率分布归一化成离散概率分布或者分段近似的CDF。假设你有一个直方图，每个柱子的高度代表该区间的样本频数。把频数除以总样本量就得到每个区间的概率，逐项累加就得到CDF的离散近似。

第二步，在离散CDF 上做线性插值，把阶梯状的CDF 变成连续的分段线性函数，然后对这个连续函数做逆变换。实现思路如下：

def inverse_transform_from_hist(bin_edges, bin_counts, size=1, seed=None): """ 从直方图定义的任意分布中采样 bin_edges: 直方图区间边界，长度为 n+1 bin_counts: 每个区间的频数，长度为 n """ bin_edges = np.asarray(bin_edges, dtype=float) bin_counts = np.asarray(bin_counts, dtype=float) # 计算每个区间的累积概率 probs = bin_counts / bin_counts.sum() cdf = np.concatenate([[0.0], np.cumsum(probs)]) rng = np.random.default_rng(seed) u = rng.random(size) # 对 u 做线性插值逆变换 x = np.interp(u, cdf, bin_edges) return x

这里np.interp非常关键，它默认做了一个逐段线性插值：当 (u) 落在CDF 的某个区间内时，返回的坐标也是在对应 (x) 区间内线性插值得到的。这样生成的样本不再是直方图里离散的几个中心值，而是整个区间内连续可变的点，近似效果远好于纯离散采样。

这个方法用在蒙特卡洛模拟里尤其好使。比如你在做工装设计的安全分析，手上只有过去两年的故障间隔时间直方图，用这个函数就能在保留原始数据分布特征的前提下补充生成大量合成样本，而且不用假设它服从某个标准分布。

4. 工程实现中的数值稳定性与性能优化

4.1 浮点数边界的“隐形炸弹”

逆变换采样在纸面上完美无瑕，但落到 IEEE 754 浮点数这个现实世界里，有好几个细节非常容易出问题。第一个就是边界值。

很多PRNG 生成的是 ([0,1)) 区间的数，这意味着理论上永远不会生成精确的1，但可能生成非常接近1的数，比如 0.9999999999999999。如果目标分布的CDF 反函数在 (u=1) 附近存在奇异性（比如指数分布的 (-\ln(1-u))、柯西分布的 (\tan) 函数），那么极端接近1的值会直接产生数值爆炸。

处理策略有三种：

一是“夹紧法”：判断生成的样本是否超过合理范围，超过就重新生成。虽然理论上改变了严格的理论分布性质，但在实际操作中，只要阈值取得合理，对统计结果的影响几乎可以忽略。

二是“区间偏移法”：把采样的均匀分布区间从 ([0,1)) 改成 ((0,1))。方法很简单，生成原始 (u) 后做一次变换：(u' = (1 - \epsilon)u + \epsilon/2)，把值域往中间挤一挤。不过这会轻微改变分布形状，需要谨慎使用。

三是“抗奇异变换法”：针对特定分布，找到一种数学上等价、但计算过程中不会出现奇异的公式。比如指数分布，与其担心 (1-u) 接近0导致的 (\ln) 爆炸，不如直接用 (-\ln(u))，但注意前提是你的随机数生成器不会生成精确的0。实际上numpy的random方法返回值域是 ([0,1))，对于大多数应用来说生成0的概率远小于 (2^{-53})，理论上可以不处理。但从绝对安全的角度出发，稳妥代码的样子是：

u = rng.random(size) # 把 u 限制在 (0, 1] 区间，防止 log(0) u = np.clip(u, 1e-12, 1.0) x = -np.log(u) / rate

这个clip操作会引入一个极小的人为截断，但对于绝大多数应用场景来说，这个截断对统计结果的影响完全可以忽略。我的习惯是：如果场景对精度要求极苛刻，我会加这个 clip 并记录触发次数；如果只是常规模拟，直接写1 - u就行。

4.2 为什么有时候直方图对不上理论分布

自己实现完逆变换采样后，很多人喜欢画个直方图做验证。但你可能会发现，样本直方图总是看起来“有点毛糙”，和理论密度曲线有细微出入。这其实不是算法错了，而是“随机样本核密度估计”和“理论密度”之间的固有误差收敛速度问题。

关键认知是：均匀分布样本的独立性，传递到了目标分布样本的独立性上。样本之间互不关联，所以任何局部区域的样本数量都服从二项分布波动。如果你生成的样本量是 (n)，某个区间的理论概率是 (p)，那这个区间的实际样本量标准差大概是 (\sqrt{np(1-p)})。也就是说，直方图和理论曲线之间有正常涨落是数学规律，不是Bug。想验证算法对错，正确的姿势是算样本的累积分布函数并和理论CDF 对比，或者直接用 K-S 检验（Kolmogorov-Smirnov Test）。

哪个更对？K-S 检验比较的是“样本经验CDF”和“理论CDF”的最大垂直距离。在大样本情况下，如果算法正确，这个距离应该趋近于0，且不会系统性偏大。而直方图受分箱方式影响很大——分箱宽度、起点位置稍微一变，图形就大不一样。所以我后来做验证时几乎不看直方图，要么画Q-Q图，要么直接跑K-S检验。

4.3 性能细节：批量向量化与预计算CDF

逆变换采样的性能瓶颈一般不在采样计算本身，而在“查找”和“函数求值”上。很多刚接触这块的人会写成逐样本 for 循环，这在 Python 里简直是灾难，因为 Python 的解释器开销远超浮点计算开销。正确做法是向量化。

numpy的向量化思路是：一次性生成所有 (u)，一次性地计算整个数组的反函数结果，全程无for循环。上面的几个实现示例全部采用了这种写法。如果需要生成100万个指数分布样本，向量化写法耗时大概几十毫秒，而逐样本循环可能要几秒甚至十几秒。

对于离散分布，预计算CDF 数组是一次性成本，之后每次采样都用二分查找。如果你的离散分布非常庞大（比如有十万个取值），还可以考虑用alias table方法替代逆变换采样，它的时间复杂度能降到 (O(1))。但除非你对性能有极致要求，否则没有必要牺牲代码可读性去换常数级别的性能提升。我的经验是：先跑通功能，再考虑性能，而且一定要用性能分析工具确认瓶颈真的在采样这一段，再动手优化。

4.4 一个生产级别的逆变换采样封装

把上面提到的边界处理和批量生成综合起来，可以写一个相对健壮的工具函数，应对大多数场景：

import numpy as np class InverseTransformSampler: """ 逆变换采样通用封装 支持连续分布（传逆CDF函数）和离散分布（传概率列表） """ def __init__(self, inv_cdf=None, values=None, probs=None, lower_bound=None, upper_bound=None): self.inv_cdf = inv_cdf self.values = values self.lower_bound = lower_bound self.upper_bound = upper_bound if probs is not None: probs = np.asarray(probs, dtype=float) if abs(probs.sum() - 1.0) > 1e-12: probs = probs / probs.sum() self.cdf = np.cumsum(probs) def sample(self, size=1, seed=None): rng = np.random.default_rng(seed) u = rng.random(size) if self.inv_cdf is not None: x = self.inv_cdf(u) elif self.cdf is not None: idx = np.searchsorted(self.cdf, u) x = np.asarray(self.values)[idx] else: raise ValueError("必须指定 inv_cdf 或 values/probs") # 截断到指定区间 if self.lower_bound is not None: x = np.maximum(x, self.lower_bound) if self.upper_bound is not None: x = np.minimum(x, self.upper_bound) return x

这个封装解决了我平时90%的采样需求。连续分布就传一个inv_cdf函数，离散分布就传取值和概率列表，还可以直接设置上下界完成截断采样。代码风格偏向“工具库方案”，适合沉淀在你的个人代码库里长期复用。

5. 常见问题与排查技巧实录

5.1 为什么我的样本分布看起来整体偏移

如果生成的样本和理论分布有系统性偏移，也就是均值、分位数整体偏大或偏小，先排查两件事。

第一件事，确认随机数生成器是否真的生成了均匀分布。有些语言内置的rand()函数受种子影响很大，尤其你用了固定种子后恰好序列分布不均匀，这时生成的 (u) 本身就有偏差，后面做任何变换都是错的。排查方法很简单：生成大量均匀样本，做分位数统计，少数几个分的均匀性判断可以跑K-S检验。

第二件事，检查你用的CDF 反函数公式是否正确。最容易搞混的是指数分布：网上有的写 (-\ln(1-u)/\lambda)，有的写 (-\ln(u)/\lambda)，两者理论上等价但必须保证 (u) 的区间是 (0,1)。如果你的随机数生成器返回的是 ([0,1]) 闭区间且可能返回0，那前者有可能爆出正无穷，后者爆出的概率相对低一些。还有更隐蔽的错误是参数位置搞反了——比如把速率参数 (\lambda) 和尺度参数 (\theta=1/\lambda) 弄混，结果就是整个分布被缩放了一个系数，均值系统性偏大或偏小。

5.2 CDF 求不出反函数该怎么办

这可能是被问得最多的问题。遇到CDF 无法解析求逆的情况，有几个备选方案：

• 如果只是想知道分布函数值而不是必须采样，用数值积分逼近CDF 并存入查找表，再用插值求逆。这个方法实现简单，精度可控，缺点是生成大量样本时查找表的分辨率会成为瓶颈。
• 改用拒绝采样。这个方法在CDF 无闭式解但PDF 有闭式解时非常常用。比如你想从标准正态分布中采样，PDF 很简单但CDF 反函数复杂，就可以用一个宽尾的提议分布包住它，然后按接受率筛选。
• 如果分布很特殊，可以考虑基于MCMC（马尔可夫链蒙特卡洛）的采样方法，比如 Metropolis-Hastings。但这些方法引入了样本自相关性，后续统计时要额外处理，不适合对独立性要求高的场景。

我的经验是：先试插值法，因为它最接近逆变换采样的思路，而且代码量不大；拒绝采样作为兜底方案；MCMC 是最后的选择，因为它的调参门槛高，新手很容易陷入混合不好、收敛慢的泥潭。

5.3 生成的样本之间有相关性吗

逆变换采样有一个教科书级别的优点：如果输入均匀样本独立，那么输出样本也独立。因为反函数是一个确定性的映射，不引入任何状态依赖。这一点比MCMC 类采样器强太多——你不需要额外做样本稀释或者去相关处理。

但要注意一个前提：输入均匀样本必须真正独立。有些伪随机数生成器退化比较严重，尤其在生成长周期随机序列时可能出现局部相关性。所以生产环境里我建议用numpy的新版随机API（default_rng），它默认使用的是PCG64算法，在统计性质上比老版本的RandomState里的MT19937算法更稳健。如果你在别的语言里，注意选择经过严格检验的PRNG，避免用那种极简实现——几十行代码写出来的线性同余生成器在高维采样中可能会出问题。

5.4 什么时候逆变换采样不是最优选择

最后把这个问题摊开说清楚。逆变换采样并非万能，下面几种情况我会主动换算法：

• 目标分布的CDF 反函数计算代价极高，比如每次反函数求值都需要跑几十轮牛顿迭代，那整个采样过程的耗时就会被严重拉长。
• 目标分布维度很高时。逆变换采样本质上是逐维度操作的，在高维空间里如果需要生成联合分布的样本，直接用逆变换需要对联合CDF 求多维反函数，维度灾难会让这个方法直接失效。这时候更适合用MCMC 或变分推断。
• 性能要求极其苛刻、样本量上亿时。多维离散分布用 alias table 可以获得更好的常数级性能，而 Box-Muller 或 Ziggurat 在正态分布采样场景下更快。

但在标准分布、自定义一维分布、离散分布、截断分布这些大场景下，逆变换采样凭借它的简洁、可控和可解释性，始终是我最优先尝试的方案。它就像算法工具箱里的那把标准螺丝刀——不是万能的，但真正需要用的时候，你会发现它最顺手也最不容易出错。

搞懂了逆变换采样之后，你会发现很多看起来高深的采样算法其实都从这里演化出来——比如拉丁超立方抽样（LHS）中的分层思想，本质上就是对均匀分布做分层再映射；Copula 模型里采样随机变量也是通过各自的逆变换完成的。这套底层逻辑打通了，读任何采样相关的文献都会顺畅得多。