{
  "id": "quantile-function",
  "title": "分位数函数",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "分位数函数将累积概率映射为分布中的数值，是累积分布函数的广义反函数。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "逆分布函数",
    "广义逆分布函数",
    "百分位点函数"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/quantile-function/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/quantile-function/",
      "json": "https://aiwiki.page/en/quantile-function.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "分位数函数通过为每个累积概率水平指定一个数值来描述概率分布。若 \\(F\\) 是该分布的累积分布函数（CDF），其分位数函数通常定义为\n\n\\[Q(p)=\\inf\\{x\\in\\mathbb{R}:F(x)\\ge p\\}, \\qquad 0<p<1.\\]\n\n因此，\\(Q(p)\\) 是累积概率达到或超过 \\(p\\) 时的最小阈值。即使分布是离散的，或者其累积分布函数存在平坦区间，这一定义也能以一致的方式选取分位数。分位数函数用于统计描述、模拟、分布比较以及尾部行为分析。"
    },
    {
      "heading": "定义与解释",
      "text": "对于实值随机变量 \\(X\\)，\n\n\\[F(x)=\\Pr(X\\le x).\\]\n\n累积分布函数将阈值 \\(x\\) 映射为累积概率；分位数函数则反过来，将概率水平 \\(p\\) 映射为阈值。\n\n例如：\n\n- \\(Q(0.5)\\) 是一个中位数，按上述约定，具体为下中位数。\n- \\(Q(0.25)\\) 和 \\(Q(0.75)\\) 分别是下四分位数和上四分位数。\n- \\(Q(0.95)\\) 是第 95 百分位数。\n\n记\n\n\\[F(x-)=\\lim_{t\\uparrow x}F(t),\\]\n\n则 \\(q=Q(p)\\) 满足\n\n\\[F(q-)\\le p\\le F(q).\\]\n\n等价地，\n\n\\[\\Pr(X<q)\\le p \\quad\\text{and}\\quad \\Pr(X\\le q)\\ge p.\\]\n\n这些不等式比方程 \\(F(q)=p\\) 更具一般性，因为对于离散分布，该方程可能无解。\n\n更广义地说，任何满足这些不等式的数值都可以称为 \\(p\\) 分位数。这样的数值不一定唯一。通常采用的分位数函数选取符合条件的最小值。\n\n端点约定\n\n在 \\(0<p<1\\) 上，这一定义最为直接，此时实值随机变量的 \\(Q(p)\\) 为有限值。一种常见的扩展方式是\n\n\\[Q(0)=\\lim_{p\\downarrow0}Q(p), \\qquad Q(1)=\\lim_{p\\uparrow1}Q(p).\\]\n\n它们分别是分布的本质下端点和本质上端点，可能为无穷。\n\n端点约定需要明确说明。若直接将 \\(p=0\\) 代入下确界定义，则对任意累积分布函数都会得到 \\(-\\infty\\)，而不是有界分布的下端点。"
    },
    {
      "heading": "广义求逆",
      "text": "当 \\(F\\) 在与 \\((0,1)\\) 内的概率相对应的取值范围上连续且严格递增时，分位数函数就是通常意义上的反函数：\n\n\\[F(Q(p))=p.\\]\n\n一般而言，累积分布函数不一定可逆：\n\n- \\(F\\) 的跳跃表示某个值处集中着正的概率。\n- \\(F\\) 的常值区间表示某个区间内没有概率质量。\n- 有界分布的累积分布函数在其支撑集之外的两端均为常值。\n\n下确界定义能够处理所有这些情况。它的基本求逆性质为\n\n\\[Q(p)\\le x \\quad\\Longleftrightarrow\\quad p\\le F(x), \\qquad 0<p<1.\\]\n\n这一等价关系源于累积分布函数的单调性和右连续性。\n\n分位数函数是单调不减的单调函数，并且在 \\((0,1)\\) 上左连续。其他广义逆约定可能在某些概率水平上给出不同的值，因此，当分布存在间隙或原子时，定义中的不等式十分重要。\n\n\\(F\\) 在 \\(x\\) 处的跳跃会使 \\(Q\\) 出现一个常值区间：\n\n\\[F(x-)<p\\le F(x) \\quad\\Longrightarrow\\quad Q(p)=x.\\]\n\n反过来，分布支撑集中的间隙可能使 \\(Q\\) 出现跳跃。这些特征使分位数函数有别于光滑的反函数曲线。"
    },
    {
      "heading": "示例",
      "text": "均匀分布\n\n对于 \\([a,b]\\) 上的均匀分布，其中 \\(a<b\\)，\n\n\\[Q(p)=a+(b-a)p.\\]\n\n累积概率的相等增量对应于数值的相等增量。\n\n指数分布\n\n对于速率参数为 \\(\\lambda>0\\) 的指数分布，\n\n\\[F(x)=1-e^{-\\lambda x},\\qquad x\\ge0.\\]\n\n解出 \\(x\\)，得到\n\n\\[Q(p)=-\\frac{\\ln(1-p)}{\\lambda}.\\]\n\n当 \\(p\\) 趋近于 \\(1\\) 时，分位数无限增大。\n\n正态分布\n\n若 \\(X\\) 服从均值为 \\(\\mu\\)、标准差为 \\(\\sigma>0\\) 的正态分布，则\n\n\\[Q(p)=\\mu+\\sigma\\Phi^{-1}(p),\\]\n\n其中 \\(\\Phi\\) 是标准正态累积分布函数。\n\n标准正态分位数函数没有初等闭式表达式，通常使用数值近似或专门的库函数计算。\n\n离散分布\n\n假设\n\n\\[\\Pr(X=0)=0.2,\\qquad \\Pr(X=1)=0.5,\\qquad \\Pr(X=3)=0.3.\\]\n\n则\n\n\\[Q(p)= \\begin{cases} 0,&0<p\\le0.2,\\\\ 1,&0.2<p\\le0.7,\\\\ 3,&0.7<p<1. \\end{cases}\\]\n\n特别地，\\(Q(0.7)=1\\)，而不是 \\(3\\)。在这一概率水平上，\\([1,3]\\) 中的每个值都满足广义的分位数不等式，但广义逆约定选取的是 \\(1\\)。"
    },
    {
      "heading": "解析性质",
      "text": "导数与密度\n\n假设 \\(F\\) 在 \\(Q(p)\\) 附近具有连续且为正的概率密度函数 \\(f\\)。对 \\(F(Q(p))=p\\) 求导，得到\n\n\\[Q'(p)=\\frac{1}{f(Q(p))}.\\]\n\n导数 \\(Q'(p)\\) 有时称为分位数密度或稀疏度函数。\n\n在密度较小的地方，概率水平的微小变化可能对应于分位数的较大变化。这有助于解释许多分布中极端分位数的敏感性。上述导数公式不适用于原子处、分位数函数的跳跃处，或不满足所需光滑性与正值条件的地方。\n\n若 \\(f\\) 还可微，则\n\n\\[Q''(p) = -\\frac{f'(Q(p))}{f(Q(p))^3}.\\]\n\n位置与尺度\n\n对于 \\(Y=a+bX\\)，其中 \\(b>0\\)，\n\n\\[Q_Y(p)=a+bQ_X(p).\\]\n\n因此，尺度系数为正的位置—尺度变换保持分位数的顺序。\n\n更一般地，若 \\(g\\) 连续且严格递增，\n\n\\[Q_{g(X)}(p)=g(Q_X(p)).\\]\n\n对于连续且严格递减的变换，概率顺序会反转。对于存在跳跃的分布，使用涉及 \\(Q_X(1-p)\\) 的公式时，需要留意单侧极限与分位数约定。\n\n期望与矩\n\n分位数函数也包含了期望值的信息。若 \\(X\\) 可积，\n\n\\[\\operatorname{E}[X]=\\int_0^1Q(p)\\,dp.\\]\n\n更一般地，对于可测函数 \\(h\\)，只要期望有定义，就有\n\n\\[\\operatorname{E}[h(X)] = \\int_0^1 h(Q(p))\\,dp\\]\n\n。这些表达式可以解释为勒贝格积分。\n\n若二阶矩有限，\n\n\\[\\operatorname{Var}(X) = \\int_0^1Q(p)^2\\,dp - \\left(\\int_0^1Q(p)\\,dp\\right)^2.\\]\n\n因此，分位数函数不仅确定各个百分位数，还确定整个分布及其所有存在的矩。"
    },
    {
      "heading": "随机变量的生成",
      "text": "分位数函数是逆变换采样的基础。若\n\n\\[U\\sim\\operatorname{Uniform}(0,1),\\]\n\n则\n\n\\[X=Q(U)\\]\n\n的累积分布函数为 \\(F\\)。事实上，\n\n\\[\\Pr(Q(U)\\le x) = \\Pr(U\\le F(x)) = F(x).\\]\n\n与通常的求逆不同，这一结果对离散分布和混合分布仍然成立。\n\n例如，可以通过下式生成指数随机变量：\n\n\\[X=-\\frac{\\ln(1-U)}{\\lambda}.\\]\n\n这种构造广泛应用于蒙特卡洛方法。其计算效率取决于分位数函数是否易于求值；对于某些特定分布，其他模拟方法可能更合适。\n\n反向的结论需要额外的假设。若 \\(F\\) 连续，则 \\(F(X)\\) 在 \\((0,1)\\) 上服从均匀分布，这一结果称为概率积分变换。对于不连续的累积分布函数，\\(F(X)\\) 通常不服从均匀分布。"
    },
    {
      "heading": "经验分位数函数",
      "text": "给定观测值 \\(x_1,\\ldots,x_n\\)，经验分布函数为\n\n\\[F_n(x)=\\frac{1}{n}\\sum_{i=1}^{n}\\mathbf{1}_{\\{x_i\\le x\\}}.\\]\n\n设排序后的观测值为\n\n\\[x_{(1)}\\le x_{(2)}\\le\\cdots\\le x_{(n)}.\\]\n\n\\(F_n\\) 的广义逆为\n\n\\[Q_n(p)=x_{(\\lceil np\\rceil)}, \\qquad 0<p<1.\\]\n\n它是一个取值为样本观测值的阶梯函数。\n\n统计软件也使用其他样本分位数定义，往往涉及在相邻的有序观测值之间进行插值。这些定义不一定是 \\(F_n\\) 的严格广义逆。因此，对于同一个小样本，不同软件包可能给出不同的四分位数或百分位数。\n\n抽样不确定性\n\n在独立同分布抽样下，若 \\(F\\) 在 \\(q=Q(p)\\) 附近可微，且具有满足 \\(f(q)>0\\) 的连续密度，则\n\n\\[\\sqrt n\\bigl(Q_n(p)-Q(p)\\bigr) \\xrightarrow{d} N\\!\\left(0,\\frac{p(1-p)}{f(Q(p))^2}\\right).\\]\n\n相应的近似标准误为\n\n\\[\\sqrt{\\frac{p(1-p)}{n\\,f(Q(p))^2}}.\\]\n\n这一结果针对的是样本量增大时保持固定的概率水平 \\(p\\)。对于概率水平随样本量趋近于 \\(0\\) 或 \\(1\\)、因而越来越极端的分位数，它并不自动适用。在目标分位数处存在原子或密度为零的分布，也需要另作分析。"
    },
    {
      "heading": "作为优化问题解的分位数",
      "text": "分位数可以通过损失函数来刻画。对于 \\(0<p<1\\)，定义检验损失（check loss），又称弹球损失（pinball loss），为\n\n\\[\\rho_p(u)=u\\bigl(p-\\mathbf{1}_{\\{u<0\\}}\\bigr).\\]\n\n等价地，\n\n\\[\\rho_p(u)= \\begin{cases} pu,&u\\ge0,\\\\ (1-p)(-u),&u<0. \\end{cases}\\]\n\n对于可积随机变量 \\(X\\)，使\n\n\\[\\operatorname{E}[\\rho_p(X-a)]\\]\n\n在所有实数 \\(a\\) 上达到最小值的，恰好是满足下式的那些值：\n\n\\[F(a-)\\le p\\le F(a).\\]\n\n通常采用的 \\(Q(p)\\) 是其中最小的最小化解。\n\n当 \\(p=0.5\\) 时，这一损失与绝对误差成正比，这解释了为什么中位数能够使期望绝对偏差最小。其他概率水平则对预测偏高和预测偏低施加不同的惩罚。\n\n这一刻画构成了分位数回归的基础；分位数回归建模的是条件分位数，而不是条件均值。"
    },
    {
      "heading": "应用与计算",
      "text": "分位数函数支持多种分布分析：\n\n- 分布比较：分位数图用于比较两个分布的分位数。近似线性的关系可能表明二者存在位置—尺度关系。\n- **尾部概括：**高分位数或低分位数描述了以指定概率被超过的阈值。仅凭一个分位数，无法描述超出该阈值的观测值有多大。\n- **预测：**在概率覆盖率得到适当确认的情况下，可以用条件分位数定义预测区间。\n- **敏感性分析：**分位数的导数衡量数值阈值随累积概率变化的快慢。\n\n没有闭式表达式时，可以通过求解下式来计算连续分布的分位数：\n\n\\[F(x)-p=0.\\]\n\n如果能够找到合适的根所在区间，带区间保护的求根方法就较为可靠。牛顿法采用以下迭代公式：\n\n\\[x_{k+1} = x_k-\\frac{F(x_k)-p}{f(x_k)},\\]\n\n但当密度很小或初始近似较差时，可能不稳定。\n\n对于离散分布，求解 \\(F(x)=p\\) 通常并不合适，因为该方程可能无解。计算时应寻找累积概率至少为 \\(p\\) 的最小值。\n\n极端尾部计算需要特别注意浮点运算。当 \\(p\\) 接近 \\(1\\) 时，从 \\(1\\) 中减去 \\(p\\) 可能损失精度，累积分布函数值也可能被舍入为 \\(1\\)。因此，数值库可能提供逆生存函数，或者接受以对数形式表示的概率。这些接口能够保留原本在分位数求值开始之前就会丢失的信息。"
    }
  ],
  "links": [
    "probability-distribution",
    "cumulative-distribution-function",
    "quantile",
    "random-variable",
    "median",
    "inverse-function",
    "monotonic-function",
    "uniform-distribution",
    "exponential-distribution",
    "normal-distribution",
    "probability-density-function",
    "derivative",
    "expected-value",
    "lebesgue-integral",
    "inverse-transform-sampling",
    "monte-carlo-method",
    "empirical-distribution-function",
    "interpolation",
    "standard-error",
    "loss-function",
    "prediction-interval",
    "newtons-method",
    "floating-point-arithmetic"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}