1 分位点的基本概念
分位点（quantile）用于刻画随机变量取值在分布中的“相对位置”。它将数值轴划分为若干概率段：在某个分位点处，随机变量取值小于等于该分位点的累计概率达到指定水平。例如，令概率水平为 \(p\)，则分位点描述的是“使得累计概率等于 \(p\)”所对应的取值位置。
在实际统计任务中，分位点可同时用于描述集中程度与分散程度。相较于均值对离群值的敏感性，分位点相关量（如中位数、四分位距）常被认为更稳健，尤其在分布偏态或存在极端观测时表现更好。需要注意的是，不同研究或软件对“分位点的定义细节”（如离散情形的插值规则）可能略有差异，因此明确约定对结果可复现很关键。
1.1 概率与累计分布函数的对应关系
设随机变量为 \(X\)，其累计分布函数（CDF）记为 \[ F(x)=P(X\le x). \] 给定概率水平 \(p\in(0,1)\)，分位点与累计概率之间的对应关系可以理解为：找到某个取值 \(x_p\)，使得“累计概率达到 \(p\)”这一条件成立。若分布函数连续且严格递增，则该对应通常是唯一的；若分布存在平台（例如概率质量集中在某些取值上），对应的取值可能不唯一。
该对应关系使得分位点天然与分布的位置结构相连：它不是直接基于样本的几何位置，而是基于概率质量在数轴上的累积方式。
1.2 分位点的定义形式（理论分位点）
理论分位点常用“分布函数的广义逆”来定义。一个常见写法是 \[ x_p = \inf\{x: F(x)\ge p\}, \] 其中 \(\inf\) 表示下确界。该定义即使在 \(F\) 不严格单调、存在跃迁或平台时也能给出一个确定的分位点。
当 \(F\) 在目标区域严格递增且连续时，上述定义与更直观的“解方程 \(F(x)=p\)”是一致的。反之，在离散或具有原子概率的情形中，\(F(x)=p\) 可能无解，此时广义逆的“达到或超过 \(p\)”的思想尤为重要。
1.3 分位点与秩统计量的关系
秩统计量描述样本在排序后的相对位置。若有样本 \(X_1,\dots,X_n\)，可将它们按大小排序得到 \(X_{(1)}\le \cdots \le X_{(n)}\)。在许多分位点估计方法中，分位点的样本对应值本质上是某个秩位置（或其加权插值）处的观测值。
经验上，分位点与秩的连接体现为：选择“前 \(k\) 个观测值所覆盖的比例”来近似目标概率 \(p\)。因此，排序、秩映射与分位点的关系是计算和理论分析的共同基础。
1.4 常见分位点举例（中位数、四分位数等）
常用的分位点包括：
- \(0.5\) 分位点：通常称为中位数。它对应累计概率为一半的取值位置。
- \(0.25\) 与 \(0.75\) 分位点：分别称为第一四分位数与第三四分位数，二者差值称为四分位距（IQR），常用于衡量分布在中间 50% 区间内的离散程度。
- 更广义地，诸如 \(0.1, 0.9\) 分位点用于刻画更靠近分布尾部的水平，常用于风险度量和阈值设置。
这些分位点往往比均值更能反映偏态分布或含异常值数据的典型水平与波动规模。
2 分位点的计算与估计
从理论分位点到样本分位点，关键在于：如何把有限样本的经验分布“映射”到目标概率水平。计算过程通常涉及排序、确定对应的秩位置、以及在离散数据上做插值或采用特定约定。
2.1 经验分布函数下的经验分位点
给定样本 \(X_1,\dots,X_n\)，经验分布函数（EDF）定义为 \[ \hat F_n(x)=\frac{1}{n}\sum_{i=1}^n \mathbf{1}(X_i\le x), \] 其中 \(\mathbf{1}(\cdot)\) 为指示函数。经验分位点常通过“经验分布函数的广义逆”得到： \[ \hat x_p=\inf\{x:\hat F_n(x)\ge p\}. \] 该定义使得样本分位点与理论定义形式一致，只是将真实分布 \(F\) 替换为估计得到的 \(\hat F_n\)。
在数据点有限且可能有重复取值时，经验分位点会以观测值为主，并可能呈现“阶梯状变化”。
2.2 样本分位点的排序与秩映射
计算经验分位点通常按以下思路展开：
- 将样本排序得到 \(X_{(1)}\le\cdots\le X_{(n)}\)。
- 将概率水平 \(p\) 映射到某个“目标秩”。直观地，若希望累计覆盖比例为 \(p\)，则大致对应于前 \(np\) 个观测所处的位置。
- 根据约定决定选取某个秩处的观测值，还是在相邻秩之间进行插值。
秩映射决定了分位点的离散化误差来源：当 \(np\) 不是整数且数据较少时，不同约定可能带来可见差异。
2.3 插值与离散数据处理
当目标分位点落在两个相邻观测之间时，常见做法是在它们之间进行插值。插值的形式可能包括：
对于存在大量重复值（如离散测量、计数数据）的情形，插值与否都会影响分位点是否发生“跳跃”。因此，在描述离散变量时，往往需要与具体业务解释保持一致。
2.4 不同“分位点计算约定”的差异
在统计软件与教材中，分位点估计常采用不同的计算约定（例如对秩位置的偏移、插值端点的选取等）。因此，同一数据集上计算 \(p=0.25\) 的结果，在不同实现中可能出现细微差别。
差异的根源通常包括：
理解这些约定差异有助于跨工具对比与复现。
2.5 数值实现要点（数值稳定性与边界值）
在实现中需要关注：
- 边界值：当 \(p\) 非法或接近 0/1 时，通常应返回最小/最大观测或按约定进行外推限制。
- 重复值：排序后相同观测会导致经验分布出现跳跃，插值时应避免不必要的数值振荡。
- 浮点误差：概率水平 \(p\) 用浮点数表示时，可能导致临界比较出现偏差。实践上应采用合适的容差与稳定比较策略。
- 复杂度：大样本分位点计算通常依赖排序（\(O(n\log n)\)），也可用选择算法减少开销，但实现复杂度更高。
正确的边界与稳定性处理往往比公式本身更容易影响结果一致性。
3 分位点的性质
分位点的理论性质与经验性质共同构成其统计意义。其关键特征包括单调性、连续性条件、以及对极端值的相对稳健性。
3.1 单调性与非唯一性（分布有平台区时）
分位点随概率水平 \(p\) 通常保持非降（单调）特性：概率越高，分位点位置不应向左移动。原因在于累计分布函数 \(F(x)\) 的非降性会传递到广义逆。
然而，当 \(F\) 存在平台或跳跃时，某些 \(p\) 的集合对应的取值可能形成区间，导致“分位点并非唯一”，但用广义逆的下确界定义仍可给出一个确定值。直观上：若某个取值点上堆积了较多概率质量，那么累计概率在短区间内不会继续变化，分位点位置就会“停住”一段。
3.2 连续分布与严格分位数
若分布函数连续且在目标区域严格递增，则分位点与解 \(F(x)=p\) 的结果一致，因而具有更好的可解释性与唯一性。此时分位点随着 \(p\) 的变化更平滑，常用于推导渐近近似与理论性质。
此外，在连续分布下，分位点与概率水平之间的映射更接近“函数关系”，便于在建模时使用微分或局部展开等分析工具。
3.3 对极端值的敏感性与稳健性
分位点不像均值那样对所有观测都同等加权。以中位数与四分位距为代表的分位点相关统计量，主要受排序位置影响：极端值只有在它们足以改变对应秩位置或影响插值区间时才会显著改变分位点。
因此，在重尾分布或存在少量异常观测时，分位点往往比均值更稳健。但需要强调：当极端值足够多，导致对应分位点所处的秩被整体挪动时，分位点也会发生变化，只是其变化机制不同于均值。
3.4 与集中度、离散度的统计意义
分位点能量化分布在不同概率层级上的“尺度”。例如：
- 中位数刻画典型水平（集中度）。
- 四分位距反映中间 50% 的离散程度（稳健离散度）。
- 尾部分位点刻画极端区域的位置，可与风险大小相关联（尾部行为）。
在偏态分布下，不同分位点能够提供比单一集中度指标更丰富的形状信息，例如上尾与下尾是否同等厚重。
4 统计分析中的应用
分位点在描述性统计、风险评估和比较分析中具有广泛用途。应用中常需要结合具体分位点选择（例如选择尾部或中间区域的 \(p\)）。
4.1 描述性统计：箱线图与五数概括
箱线图以中位数和四分位数为核心构造。常用的“五数概括”包括：
- 最小值
- 第一四分位数
- 中位数
- 第三四分位数
- 最大值（或按规则替代的尾部界限）
箱线图能直观展示数据的集中位置（中位数）与分散范围（四分位距），并可在一定程度上提示偏态（上须与下须长度不一致）和潜在异常点。
4.2 风险度量：尾部分位点
在风险分析中，常使用上尾或下尾分位点作为损失阈值或收益门槛。例如：
- 上尾分位点用于描述“极端大值”对应的水平；
- 下尾分位点用于描述“极端小值”对应的下行风险。
由于分位点刻画的是概率层级上的门槛，而非平均意义下的典型值，它更贴近“在某种罕见情形下会有多糟/多好”的需求。不同 \(p\) 的选择反映了对尾部事件概率的关注强度。
4.3 异常检测与稳健阈值设定
异常检测中，分位点可作为稳健阈值的来源：当目标变量的取值落在某个分位点之外（例如低于第 1% 分位点或高于第 99% 分位点）时，通常认为其更可能属于异常或罕见观测。
其优势在于阈值由分布分位位置决定，而非依赖均值与方差的敏感估计。对含离群点的数据，这种基于分位的规则往往更稳定。
4.4 比较分布：分位数曲线
当需要比较两个（或多个）样本来自不同分布的可能性时，可以绘制分位数曲线：对一系列概率水平 \(p\) 计算对应分位点并连接。曲线差异能够揭示：
- 中位附近是否一致；
- 上尾或下尾是否更厚重；
- 整体位置是否平移，还是形状发生变化。
这类比较通常比仅比较均值或方差更具信息量，尤其在分布偏态或存在非对称尾部时。
5 分位点的相关方法与扩展
分位点不仅是描述工具，也可进入建模与推断框架，形成一系列扩展方法，例如分位数回归与条件分位点建模。
5.1 分位数回归（Quantile Regression）
分位数回归旨在建模条件分位点，而非条件期望。其目标通常是：给定协变量 \(Z\)，估计条件分位点 \(Q_X(p\mid Z)\)，即在 \(Z\) 固定时，随机变量 \(X\) 在概率水平 \(p\) 处的取值位置。
与均值回归相比，分位数回归能够分别刻画不同分位层级的响应差异。例如，某因素对上尾风险的影响可能与对中位水平的影响不同，分位数回归可以分别建模这种异质性。
5.2 条件分位点与条件分布
条件分位点是“在给定条件下的分位位置”。形式上，给定协变量 \(Z=z\)，若条件分布的累计函数为 \[ F_{X\mid Z}(x\mid z)=P(X\le x\mid Z=z), \] 则条件分位点可定义为满足 \(F_{X\mid Z}(x\mid z)\ge p\) 的广义逆对应取值。
条件分位点的估计通常依赖于特定的参数化模型或非参数方法，例如使用分位损失函数进行优化，或基于局部加权构建分布估计。
5.3 分位数函数与Q-Q图
分位数函数（quantile function）将概率水平 \(p\) 映射到分位点 \(Q(p)\)。它可以用于理解分布形状：相同的均值并不必然意味着分位数函数一致。
Q-Q图（quantile-quantile plot）通过比较两个分布的分位点来评估形状差异。若点大致落在直线附近，说明两分布在对应概率层级上具有相似的分位结构；弯曲或偏离则提示尾部或中段形状不匹配。
5.4 经验似然/非参数方法中的分位点思想
在非参数或半参数框架中，分位点常作为目标或约束进入方法设计。例如，利用经验分布与广义逆的结构构建估计器，或通过对分位损失的最小化实现稳健拟合。
这类思想的共同点是：不强依赖特定分布形式，而通过分位层级的排序关系与累计概率结构来提取信息，从而提高对分布偏态与异常点的适应能力。
6 评估、误差与不确定性
分位点估计并非精确值，而是对总体分位位置的估计。其误差来自样本抽样波动、插值约定以及数据有限性。
6.1 分位点估计的抽样波动
由于样本是随机抽样，经验分位点 \(\hat x_p\) 会围绕真实分位点 \(x_p\) 波动。波动大小通常受以下因素影响：
- 样本量 \(n\)：样本越大，经验分位点越接近真实值；
- 分布在 \(x_p\) 附近的“变化快慢”：若累计分布在该处变化陡峭，估计更稳定；若变化平缓，则相同概率误差对应的取值误差更大；
- 分位点附近是否存在平台或离散跳跃：非连续情况下估计误差呈现不同结构。
6.2 置信区间与覆盖率直觉
常见目标是构造分位点的置信区间，使其在重复抽样下具有较好的覆盖率。直觉上，区间宽度与抽样波动程度相关：波动越大、分布在该处越平缓，区间往往更宽。
从经验角度看，置信区间可通过重抽样（如自助法）或基于渐近分布的近似方法得到。覆盖率的检查与校准是实践中必须考虑的问题，因为插值约定与离散数据会影响区间性能。
6.3 大样本性质与渐近近似
在连续情形下，经验分位点常满足渐近正态或可近似正态的性质，从而可推导标准误和置信区间。渐近近似通常涉及分布在分位点附近的局部密度或其等价量。
在非连续或存在平台的情形下，渐近行为可能发生改变，导致传统正态近似不完全适用。此时需要更谨慎地选择方法，或采用更稳健的重抽样策略。
7 术语辨析与易混点
分位点相关术语在中文与英文翻译中容易混用。理清概念有助于避免在沟通与实现时出现误差。
7.1 分位点 vs 分位数（语言差异）
“分位点”和“分位数”在一些语境中可能被互换使用，但其侧重点不同：分位点更强调“对应概率水平的取值位置”；分位数有时更泛指“概率水平的数值本身”（例如 0.25、0.5 等）。在严谨写作中，建议明确：一个是 \(p\)，一个是 \(x_p\)，以免混淆。
7.2 分位点 vs 百分位数（标度差异）
百分位数通常是概率水平的百分制表达，如 25% 对应 \(p=0.25\)。两者在数学含义上对应关系明确，但表述方式不同。只要注意标度转换（除以 100），即可避免误用。
7.3 分位点 vs 期望（位置指标的不同）
期望（均值）是平均意义下的中心位置指标，受到全分布的加权影响。分位点则指定概率层级的“位置”，例如中位数由累计概率 0.5 决定。两者在对称、轻尾分布上可能相近，但在偏态或重尾情形下差别显著。
7.4 分位点 vs 均值/中位数在实践中的差异
均值与中位数是分位点的特例：中位数是 \(0.5\) 分位点；均值则不是分位点（除非在特定分布下恰好与某个分位位置一致）。在实践中，将中位数与分位点混为一谈不够准确，因为分位点可以是任意 \(p\) 的函数，从而对应不同风险层级与不同描述目的。选取合适的 \(p\) 往往比死记某个“中心指标”更重要。