P-value 和 Quantile Function（分位数函数）经常一起出现在假设检验里，但它们不是同一个量。它们读取的是同一条原假设分布，只是方向相反：p-value 把观测到的统计量变成尾部概率；quantile function 把概率水平变成临界值。
如果想先看一眼可拖动的标准正态分布演示，可以打开交互版页面。本文则把它们之间的数学关系完整写下来。
先说结论：一个负责报告，一个负责设线
设检验统计量为 $T$，在原假设 $H_0$ 下的累积分布函数为 $F_0$，观测到的统计量为 $t_{\text{obs}}$。
在右尾检验中，p-value 是：
$$ p = P_0(T \ge t_{\text{obs}}) = 1 - F_0(t_{\text{obs}}) $$
它回答的是：假设 $H_0$ 成立时，出现同样或更极端结果的概率有多大？
而 Quantile Function 是 CDF 的反向操作。定义
$$ Q_0(u) = F_0^{-1}(u) $$
给定一个概率 $u$，它返回原假设分布中对应的分位点。于是，右尾检验在显著性水平 $\alpha$ 下的临界值是：
$$ c_\alpha = Q_0(1 - \alpha) $$
它回答的是：为了让右侧拒绝域只占 $\alpha$ 的面积，统计量要大到哪里？
所以，在连续分布且检验方向一致时，两种判定写法是等价的：
$$ p < \alpha \quad\Longleftrightarrow\quad t_{\text{obs}} > Q_0(1 - \alpha) $$
这不是说“p-value 等于 quantile function”，而是说：它们是同一个拒绝规则的两种坐标。
第一张地图：p-value 从数值走向概率
CDF 先告诉你左侧积了多少面积
累积分布函数 $F_0(t)$ 的含义是：
$$ F_0(t) = P_0(T \le t) $$
它把横轴上的一个数值 $t$，映射成左侧累计概率。
如果备择假设认为统计量应该更大，也就是右尾检验，就看右侧剩余面积：
$$ p_{\text{right}} = 1 - F_0(t_{\text{obs}}) $$
如果备择假设认为统计量应该更小，也就是左尾检验，则直接看左侧面积：
$$ p_{\text{left}} = F_0(t_{\text{obs}}) $$
例如，在标准正态分布下，观测到 $z=1.96$：
- 右尾 p-value 约为 $0.025$；
- 如果做对称的双侧检验，p-value 约为 $2 \times 0.025 = 0.05$。
观测值越远离分布中心，尾部面积越小，p-value 也越小。
第二张地图：Quantile Function 从概率走向边界
Quantile Function 的方向刚好相反：你不再从一个观测值出发，而是先给出一个概率水平，再找对应的横坐标。
对于连续且严格单调的 CDF，可以直观地写成：
$$ Q_0(u) = x \quad\text{when}\quad F_0(x)=u $$
更一般地，分位数使用广义逆函数：
$$ Q_0(u)=\inf{x:F_0(x)\ge u} $$
这一定义也能处理 CDF 不连续或有平台的情况。
在标准正态分布里：
- $Q(0.95) \approx 1.645$，对应右尾 $5%$ 的临界值；
- $Q(0.975) \approx 1.960$，对应双侧总计 $5%$ 时的正侧临界值。
因此，quantile function 并不是在告诉你“这次数据的 p-value 是多少”，而是在帮你提前画出拒绝域的边界。
把三种检验方向放在一张表里
记 $t_{\text{obs}}$ 为观测统计量，$F_0$ 为原假设下的 CDF，$Q_0$ 为其分位数函数。
| 检验方向 | p-value：统计量 → 概率 | 临界值：概率 → 统计量 |
|---|---|---|
| 右尾：$H_1$ 更大 | $P_0(T\ge t_{\text{obs}})=1-F_0(t_{\text{obs}})$ | $c_\alpha=Q_0(1-\alpha)$ |
| 左尾：$H_1$ 更小 | $P_0(T\le t_{\text{obs}})=F_0(t_{\text{obs}})$ | $c_\alpha=Q_0(\alpha)$ |
| 双侧：$H_1$ 不相等 | 对称分布时：$2[1-F_0( | t_{\text{obs}} |
最值得记住的是第三列：显著性水平决定尾部预算，分位数函数把预算换成临界值。
为什么 p-value 小，就等价于越过临界值？
以右尾检验为例。p-value 小于 $\alpha$ 意味着：
$$ 1-F_0(t_{\text{obs}})<\alpha $$
移项得到：
$$ F_0(t_{\text{obs}})>1-\alpha $$
再对 CDF 做反向映射，就得到：
$$ t_{\text{obs}}>Q_0(1-\alpha) $$
左边是“从数据出发算 p-value”，右边是“先用 $\alpha$ 设定拒绝边界”。在连续分布中，它们只是在同一条曲线上从两端描述同一件事。
这也解释了统计软件里经常同时出现的两个函数：
cdf(x)：给定 $x$，返回左侧累计概率；ppf(q)或quantile(q)：给定 $q$，返回对应的分位点。
三个容易踩的坑
1. p-value 不是“原假设为真的概率”
p-value 的条件是 $H_0$ 已经被当作计算前提。它表达的是：
$$ P(\text{数据同样或更极端}\mid H_0\text{成立}) $$
而不是：
$$ P(H_0\text{成立}\mid\text{数据}) $$
这两个条件概率方向相反，不能直接互换。
2. $\alpha$ 不是看完数据后再挑的数字
$\alpha$ 是决策规则的一部分，通常应在观察数据之前设定。p-value 是数据到来后计算出来的证据强度；把“我想要显著”当成标准，再反过来挑一个合适的 $\alpha$，会改变原本的错误率控制。
3. 双侧 p-value 不能机械地永远乘 2
对于对称的 z/t 类统计量，$2[1-F_0(|t_{\text{obs}}|)]$ 是常见写法。但一般情况下，“更极端”可能不是简单地把两侧面积相加：它取决于统计量的分布、对称性以及检验的定义。
如果统计量是离散的，CDF 还会出现跳跃，分位数需要用广义逆函数；这时 p-value 与“恰好等于 $\alpha$”的临界值规则之间，也可能出现不等号或保守性。
最后记成一句话
CDF 把数值映射成概率，Quantile Function 把概率映射回数值。
p-value 是“数据落在尾部的面积”，用于报告观测结果有多极端；quantile function 是“根据尾部预算找出的横坐标”，用于设置拒绝域的临界值。
所以它们不是相等关系，而是一对反向的操作：
$$ \text{观测统计量} \xrightarrow{;F_0\text{ / survival};} \text{尾部概率} $$
$$ \text{概率水平} \xrightarrow{;Q_0=F_0^{-1};} \text{临界值} $$
真正要记住的不是某个软件函数名，而是方向：p-value 负责衡量，quantile function 负责设线。