首先，你说得没错——中心极限定理（CLT）在这里确实帮不上什么忙，因为我们要估算的是百分位数，而非均值的置信区间，CLT的核心是样本均值的渐近正态性，和百分位数的小样本估计不沾边。下面分两部分说清楚怎么做，以及需要的假设：

一、具体估算步骤 #

因为你面对的是小样本（n<30）+ 总体标准差σ未知的情况，且目标是正态分布的90th百分位数，我们可以这样操作：

1. 点估计 #

正态分布的90th百分位数的理论公式是：
p₉₀ = μ + z₀.₉σ
其中z₀.₉是标准正态分布的90th分位数（约为1.282）。

用样本统计量替代总体参数，得到点估计：
p̂₉₀ = x̄ + 1.282*s
这里：

• x̄是样本均值
• s是样本标准差（注意用无偏估计，即除以n-1的那个版本）

2. 置信区间估算（更严谨的做法） #

如果需要给出百分位数的置信区间，因为σ未知且样本量小，我们有两种实用选择：

• 参数法置信区间：利用正态总体下(x̄ - μ)/(s/√n) ~ t(n-1)和(n-1)s²/σ² ~ χ²(n-1)的性质，推导得到p₉₀的置信区间（公式稍复杂，实际中可以用统计软件如R的quantileCI包直接计算）。
• 非参数bootstrap：如果对总体正态性的把握没那么大，bootstrap是更灵活的方案：重复从样本中抽取有放回的子样本，计算每个子样本的90th百分位数，然后取这些值的2.5th和97.5th分位数作为95%置信区间的上下限。

二、必须做出的样本/总体假设 #

因为是小样本，没有CLT的渐近性兜底，你必须做出以下关键假设：

• 总体服从正态分布：这是核心前提。只有总体正态时，样本均值x̄和样本标准差s的联合分布才有明确的形式（t分布、卡方分布），我们的估计方法才有效。如果总体不服从正态，小样本下百分位数的估计会有很大偏差，且无法用传统方法构建可靠的置信区间。
• 样本是简单随机样本（SRS）：即样本中的每个个体都是独立且同分布于总体的，没有抽样偏差——比如没有分层、整群抽样带来的结构，也没有未处理的异常值（异常值会严重影响均值和标准差的估计，进而干扰百分位数结果）。

关于CLT的补充 #

你提到CLT不适用是完全正确的。CLT解决的是“当样本量足够大时，不管总体分布如何，样本均值近似正态”的问题，但我们这里要估算的是百分位数——它依赖于总体的位置（μ）和散布（σ），且小样本下必须依赖总体本身的正态性，CLT的渐近性帮不上忙。哪怕你要估算的是百分位数的置信区间，本质上也是在估计μ和σ的组合，而非均值的分布，所以CLT在这里确实没用武之地。

内容的提问来源于stack exchange，提问作者MaPy