本文档《A Review of Representative Points of Statistical Distributions and Their Applications》发表在Mathematics期刊，其卷期号为2023, 11, 2930，于2023年6月29日正式发布。作者是来自北京师范大学-香港浸会大学联合国际学院、中国科学院复杂系统与数据科学重点实验室及北京师范大学珠海校区数学研究中心的研究人员Fang, Kai-Tai和Pan, Jianxin。这是一篇综述性论文，旨在系统回顾和介绍统计分布中代表点（Representative Points, RPs）的理论、构建方法及其应用。
本文的主题是统计建模中的分布近似问题，属于统计学与计算数学交叉领域。作者之所以开展此项综述工作，是因为在传统统计学中，经常使用从总体分布中抽取的随机样本所构建的经验分布来近似未知的连续分布。然而，当样本量不足时，经验分布的近似精度可能不佳，导致统计推断（如参数估计、密度估计、假设检验）存在误差。为了提高近似精度，学者们提出了使用离散分布来逼近连续分布的各种方法，其中，支撑点（即代表点）的选择至关重要。本文的核心目标，就是向统计与数学界系统介绍构建代表点的三种主要方法：基于蒙特卡洛方法、数论方法（或称拟蒙特卡洛方法）以及均方误差方法，并探讨它们的性质、算法和应用价值。
一、 代表点的定义与主要构建方法
论文首先明确定义了“代表点”的概念。对于一个连续分布F(x)，目标是构造一个离散分布F_y(y)，使其在某种意义下最佳地逼近F(x)。这个离散分布的支撑点y1, …, yk及其对应的概率p1, …, pk就构成了该分布的k个代表点。评估逼近优劣的标准是预先定义的距离度量。文中重点回顾了基于三种不同距离或思想构建的代表点：
蒙特卡洛代表点：这是最传统的方法，即直接从目标分布F(x)中随机抽取k个独立同分布的样本点。这些随机样本点及其等概率(1/k)构成的离散分布（经验分布）就是MC-RPs。其优点是原理简单、通用性强，且经验分布在样本量趋近无穷时依分布收敛于原分布。但主要缺点是收敛速度较慢，为O_p(1/√k)，这意味着要达到高精度需要很大的样本量，效率不高。
数论方法/拟蒙特卡洛代表点：该方法旨在克服MC方法收敛慢的缺点，尤其在高维数值积分中应用广泛。其核心思想不是随机撒点，而是通过确定的数论方法（如Halton序列、Sobol序列等）在单位超立方体[0,1]^d上生成一组“均匀散布”的点集。然后通过适当的变换（如逆概率积分变换），将这些均匀点转换为目标分布F(x)的支撑点。这样生成的序列称为拟随机数或数论网，其对应的离散分布即为QMC-RPs。QMC方法的优势在于，它在高维积分中的误差收敛速率可以达到O(k^{-1}(log k)^d)，通常比MC方法更快。衡量点集均匀性的指标包括星偏差（star discrepancy）和L_p-偏差等。
均方误差代表点：这是本文回顾的重点，也称为最优量化点或主点。其定义直接面向最小化逼近误差：对于随机向量X ~ F(x)，寻找一组点ξ = {ξ_1, …, ξ_k}，使其最小化均方误差。MSE-RPs的构造是一个优化问题，其解满足自洽性条件：每个代表点ξ_j是其对应Voronoi区域S_j（即空间中所有离ξ_j最近的点构成的区域）内X的条件期望。对于一元分布，MSE-RPs的求解可以转化为一个非线性方程组系统或通过改进的k-均值聚类算法（参数化k-均值算法）来迭代求解。论文详细列举了MSE-RPs的一系列重要性质，例如：MSE-RPs的均值等于原分布的均值；MSE-RPs的方差等于原分布方差减去MSE损失；随着代表点数量k的增加，MSE损失单调递减至0，代表点分布收敛于原分布。此外，论文还探讨了MSE-RPs的存在性、唯一性（与概率密度函数的对数凹性有关）以及对于对称分布、位置-尺度族分布的特殊性质。
二、 代表点的生成算法
论文用专门章节详细阐述了，特别是MSE-RPs的生成算法，这体现了该综述的实用价值。 对于单变量分布，生成MSE-RPs主要有三种途径： * 理论结合计算法：仅适用于极少数分布（如均匀分布）。 * k-均值算法：这是一种通用性强的迭代算法。从一组初始点出发，交替执行“分配”步骤（将整个空间按最近邻原则划分成Voronoi区域）和“更新”步骤（将每个区域的中心更新为该区域内随机变量的条件均值）。当点集不再变化时，得到的即为一组自洽点，通常是MSE-RPs的近似。算法可分为参数化（已知总体分布，直接计算条件期望）和非参数化（基于训练样本估计）两种。 * 求解非线性方程组法：通过最小化MSE目标函数，对变量求导得到一组确定性的非线性方程，直接求解该方程组可获得精确的MSE-RPs。Fang和He最早将此方法应用于正态分布，后续学者将其推广到伽马分布、t分布、混合分布等。这种方法精度高，但计算量大，且对初值敏感。
对于多元分布，尤其是椭圆对称分布（包括多元正态、t分布等），生成代表点的算法更为复杂。论文介绍了基于随机表示和条件分解的QMC-RPs生成方法。对于MSE-RPs，则介绍了改进的LBG算法，该算法使用QMC方法生成高质量的训练序列和初始点集，再结合k-均值迭代，形成所谓NTLBG算法，能更高效、稳定地找到多元分布的MSE-RPs近似解。文中还特别指出，对于球形分布，任何正交变换都不改变其MSE-RPs的集合，因此解不唯一。
三、 代表点在统计推断与模拟中的应用
本文综述的另一大重点是代表点的应用价值，并通过理论分析和数值实例展示了其相对于传统随机抽样的优势。 * 随机模拟与再抽样：在估计分布的均值、方差、偏度和峰度等矩量时，使用MSE-RPs或QMC-RPs构造的近似分布进行抽样，其估计精度通常显著高于基于MC-RPs（即普通随机样本）的估计。论文以两个正态分布的混合为例，通过图示和L2距离数据对比，直观显示了MSE > QMC > RMC（排序后的随机样本） > MC 的性能排序。 * 一致性理论：论文从理论上证明了基于MSE-RPs的再抽样方法具有一致性。具体而言，当使用MSE-RPs的分布F_mse,k来替代真实分布F进行再抽样时，由此得到的统计量（如样本均值）的抽样分布，会随着代表点数量k和再抽样样本量n的增加，在Kolmogorov距离和Mallows-Wasserstein距离意义下收敛到基于真实分布F的抽样分布。这为MSE-RPs在Bootstrap等再抽样技术中的应用奠定了理论基础。 * 置信区间估计：初步的数值研究表明，基于MSE-RPs的再抽样方法在构建置信区间时，可能比传统的Bootstrap方法具有更高的精度。 * 参数估计：在矩估计和极大似然估计中，传统的优化算法容易陷入局部最优。论文介绍了利用数论方法进行全局优化的“序贯数论优化法”（SNTO），其中QMC-RPs起到了关键作用。此外，还提出了一种基于Harrell-Davis分位数估计器的“QMC-数据”构造方法，用拟随机分位数点替代原始随机样本的顺序统计量，可以改善矩估计的效果。 * 几何概率：论文列举了两个经典案例：计算固定圆与多个随机圆相交区域的面积分布，以及计算固定宽度随机皮带覆盖单位球面的面积分布。这类问题没有解析解，且对点集在区域上的均匀性要求极高。传统的蒙特卡洛模拟因其随机性可能导致估计不稳定，而使用在单位圆或球面上均匀散布的QMC-RPs（数论网）进行模拟，则能提供更稳定、高效的数值解。
四、 论文的意义与价值
本文的学术价值和意义主要体现在以下几个方面： 1. 系统性整合：首次将来自统计学、信息论（量化）、数值分析（QMC）和优化理论等不同领域的“代表点”概念与方法进行了系统的梳理和整合，明确了MC-RPs、QMC-RPs和MSE-RPs这三条主线及其内在联系与区别。 2. 理论桥梁作用：详细阐述了MSE-RPs的数学性质（如自洽性、矩匹配、收敛性）以及其与主成分分析、聚类分析等统计概念的关联，加深了读者对这类最优离散化方法的理论理解。 3. 算法与实践导向：不仅回顾理论，更用大量篇幅介绍各类代表点的生成算法，特别是针对单变量和多元分布的实用算法，并指出了不同算法的优缺点和适用场景，具有很强的指导意义。 4. 凸显应用潜力：通过多个领域的应用实例（统计推断、金融计算、几何概率、实验设计等），有力地论证了采用QMC-RPs和MSE-RPs这类“确定性”或“优化”的代表点，能够在许多场合超越传统的随机抽样，提高计算效率和统计推断的精度，为“智能抽样”提供了新的思路。 5. 指明未来方向：文章在结论中指出了该领域尚存的开放性问题，例如其他准则（如基于L1误差、能量距离、KL散度）下代表点的构建理论尚不完善，新方法的理论证明和实际应用有待探索。同时，作者团队正在建立相关网站和软件工具，旨在推动该领域的知识传播和实际应用，显示出将综述转化为持续研究平台和未来专著的努力。
这篇综述为统计学家、计算数学家和相关应用领域的研究人员提供了一份关于分布近似与代表点方法的权威“地图”和“工具箱”，不仅总结了历史成果，也展望了未来的研究方向，对于推动高精度统计计算与模拟的发展具有重要意义。