如何由条件中位数推导无条件中位数？含条件中位数示例分析

云上老周

2026-5-19

关于条件中位数与无条件中位数的推导及关系解答

咱们先一步步拆解你的两个问题，都是统计里中位数相关的核心知识点：

问题1：如何由条件中位数推导中位数？

首先得明确两个核心定义：

条件中位数 $m_{Y|X}(x)$：给定 $X=x$ 时，$Y$ 的中位数，满足 $P(Y \leq m_{Y|X}(x) \mid X=x) \geq \frac{1}{2}$ 且 $P(Y \geq m_{Y|X}(x) \mid X=x) \geq \frac{1}{2}$。
无条件中位数 $m_Y$：$Y$ 的整体中位数，满足 $P(Y \leq m_Y) \geq \frac{1}{2}$ 且 $P(Y \geq m_Y) \geq \frac{1}{2}$。

从条件中位数推导无条件中位数的核心思路是利用全概率公式，将无条件概率转化为条件概率的期望，具体步骤如下：

把无条件概率用全概率展开：
- 若 $X$ 是离散型变量，取值为 $x_1, x_2, ...$，对应概率 $p_1, p_2, ...$，则 $P(Y \leq t) = \sum_{i} p_i \cdot P(Y \leq t \mid X=x_i)$。
- 若 $X$ 是连续型变量，概率密度为 $f_X(x)$，则 $P(Y \leq t) = \int_{-\infty}^{+\infty} P(Y \leq t \mid X=x) \cdot f_X(x) dx$。
寻找满足中位数条件的 $t$：
我们需要找到 $t=m_Y$，使得上述求和/积分结果 $\geq \frac{1}{2}$，同时 $P(Y \geq m_Y) = E\left[ P(Y \geq m_Y \mid X) \right] \geq \frac{1}{2}$。

这里要注意一个常见误区：无条件中位数不是条件中位数的期望（即 $m_Y \neq E\left[ m_{Y|X}(X) \right]$），除非存在特殊情况（比如 $Y|X=x$ 的分布对称，且 $E[Y|X=x] = m_{Y|X}(x)$，同时 $Y$ 的整体分布也对称）。

已知对任意 $x$，$e^x$ 是 $Y|X=x$ 的中位数，即 $P(Y \leq e^x \mid X=x) \geq \frac{1}{2}$ 且 $P(Y \geq e^x \mid X=x) \geq \frac{1}{2}$。要推导 $m_Y$，依然围绕全概率公式展开：

写出无条件概率表达式：$P(Y \leq m_Y) = E\left[ P(Y \leq m_Y \mid X) \right]$。
结合条件中位数的性质分析：
- 当 $m_Y \geq e^x$ 时，$P(Y \leq m_Y \mid X=x) \geq P(Y \leq e^x \mid X=x) \geq \frac{1}{2}$；
- 当 $m_Y < e^x$ 时，$P(Y \leq m_Y \mid X=x) \leq P(Y < e^x \mid X=x) \leq \frac{1}{2}$（因为 $P(Y \geq e^x \mid X=x) \geq \frac{1}{2}$，所以 $P(Y < e^x \mid X=x) = 1 - P(Y \geq e^x \mid X=x) \leq \frac{1}{2}$）。
结合 $X$ 的分布求解：
要得到具体的 $m_Y$，必须知道 $X$ 的分布（比如 $X$ 是正态分布、均匀分布等）。举个例子，如果 $X \sim N(\mu, \sigma^2)$，我们可以将 $P(Y \leq m_Y)$ 展开为 $\int_{-\infty}^{+\infty} P(Y \leq m_Y \mid X=x) \cdot \phi(x; \mu, \sigma^2) dx$，再找到满足该积分 $\geq \frac{1}{2}$ 且对应 $P(Y \geq m_Y) \geq \frac{1}{2}$ 的 $m_Y$。

局部 vs 全局：条件中位数 $e^x$ 是针对 $X$ 取特定值 $x$ 时 $Y$ 的“局部中位数”，而无条件中位数 $m_Y$ 是对 $X$ 所有可能取值的局部中位数进行概率加权后得到的“全局中位数”。
无直接线性/期望等价关系：如前所述，$m_Y$ 不等于 $E[e^X]$，除非有特殊分布假设（比如 $Y|X=x$ 对称，且 $Y$ 整体对称）。
全概率是核心桥梁：两者的关联完全通过全概率公式建立，无条件中位数的求解必须依赖条件概率的期望计算。

内容的提问来源于stack exchange，提问作者Vincent