切比雪夫不等式：尾概率上界、样本量估算与异常检测实践

做数据这行久了，被同事追问最多的一类问题，其实跟模型调参没什么关系，而是——“样本就这么点，你凭什么敢说总体的均值落在这个范围里？”每次碰到这种场面，如果对方只肯给我均值和方差两个数字，又要求一个对分布形状不作任何假设的结论，我拿出来的东西基本只有一个：切比雪夫不等式。它不讲情面，给出的界往往松得让人皱眉，但它有一个别的工具替代不了的优点——不管数据是正态、偏态、双峰还是压根不知道长什么样，只要方差存在，这个界就成立。

这篇笔记想做的事情很具体：把切比雪夫不等式从“为什么需要它”一路拆到“怎么用它算出一个能写进文档的数字”，中间包括马尔可夫不等式这个前身的完整推导、切比雪夫本身的三条不同推导路线、上界到底有多松的量化对照、可以直接跑起来的验证代码，以及我在实际项目里踩过的那些坑。适合刚学概率论、被这个不等式绕晕的同学，也适合工作几年但一直把它当“考试专用公式”、从没在真实场景里用过一次的同行。整个过程不需要测度论，会求导、会一点积分、能看懂 Python 就行。

1. 先搞清楚这个不等式到底在解决什么问题

1.1 一句话定位：不知道分布时的保底牌

概率论里的大多数结论都建立在一个前提上——你知道分布。知道是正态分布，就能查表算出落在 2 倍标准差之外的概率是 4.55%；知道是泊松分布，就能用公式直接求尾概率。但现实工作中，这个前提十有八九不成立。你拿到一批用户停留时长数据，画个直方图，它既不像正态也不像伽马，尾部还拖得老长；你想对它的极端值概率做个判断，却连该拟合什么分布都没把握。

切比雪夫不等式解决的正是这个尴尬局面。它说的是：只要一个随机变量的期望 $\mu$ 和方差 $\sigma^2$ 存在且有限，那么对任意 $\varepsilon > 0$，都有

$$P(|X - \mu| \ge \varepsilon) \le \frac{\sigma^2}{\varepsilon^2}$$

换成倍数写法，令 $\varepsilon = k\sigma$，就得到那个更常见的形式：

$$P(|X - \mu| \ge k\sigma) \le \frac{1}{k^2}, \quad k > 0$$

这个式子的信息量在于：它把“偏离均值很远”这件事的概率，用两个极其廉价的统计量给框住了。你不需要知道分布的形状，不需要知道偏度峰度，甚至不需要独立性（它只涉及单个随机变量），只要均值方差在手，就能对一个尾概率给出一个绝对不会被突破的上界。这个上界可能很松，但它是硬的——这是它和一切基于分布假设的方法最本质的区别。

1.2 它在不等式家族里的位置

很多人学的时候会把切比雪夫当成一个孤立的公式背下来，其实它在一个很清晰的谱系里。往上追，它的直接来源是马尔可夫不等式；往旁边看，它有一堆更紧但条件更苛刻的亲戚；往下走，它是弱大数定律证明里最关键的那一块砖。

我用一张表把这个家族的关系摆清楚，方便你判断什么场合该掏哪个工具：

这张表最值得注意的不是切比雪夫那一行，而是它和下面几行的对比。同样一批数据，如果你知道它落在 $[0,1]$ 区间内，霍夫丁给出的界会比切比雪夫紧上好几个数量级。那为什么还要学切比雪夫？因为“有界”这个条件在真实数据里经常不成立，而“方差存在”这个条件几乎总能想办法满足。条件的强弱和结论的强弱是严格绑定的，选工具的时候，先看手里有什么牌，再看需要多紧的结论，这个顺序不能反。

1.3 什么场景下它会真的被用上

我自己实际用到它的场合，大致有三类，都不是教材上的例题。

第一类是样本量的粗估。做 A/B 实验之前要回答“每组需要多少样本”，如果指标分布完全未知，又不想拍脑袋，切比雪夫能给出一个绝对安全（但偏大）的下限。具体算法后面第 5 节会给出完整推导和数值。

第二类是阈值的兜底论证。比如给某个监控指标设 3 倍标准差的告警线，老板会问“这条线多久误报一次”。如果是正态分布，答案是万分之二十七；但你没法证明它是正态的，这时候可以退一步说“不管什么分布，误报率不会超过 11.1%”。这个数字听起来不怎么样，但它是无条件的，能顶住质疑。

第三类是理论证明里的中间步骤。弱大数定律、蒙特卡洛方法的收敛性、某些学习理论里的泛化界，证明链条里都会出现“用切比雪夫把概率转成方差”这一步。看懂这一步，很多看起来玄乎的“依概率收敛”就落地了。

顺带提一句，如果你在做的是一次性的数据分析、只需要一个大致判断，那么切比雪夫通常不是最佳选择，画个 QQ 图、看看分布形状往往更实用。它的价值集中在“必须给出无假设保证”的场合，用错了地方会显得又笨又保守。

2. 动手推导前必须打牢的四个前置概念

2.1 期望与方差：两个数字能承载多少信息

期望和方差这两个量，很多人算得很熟，但没想过它们到底压缩掉了多少信息。均值告诉你分布的重心在哪，方差告诉你分布的分散程度，仅此而已。两个完全不同的分布可以有完全相同的均值和方差——一个是双峰，一个是单峰，一个是厚尾，一个是截尾，只要这两个数字对得上，切比雪夫就分辨不出来。

这既是它的局限，也是它的力量来源。局限在于，它给出的结论必然要对所有可能的分布同时成立，所以必须迁就其中最坏的那个；力量在于，你对分布一无所知这件事，反过来不构成任何障碍。理解这一点，后面看到“上界比真值大十倍”就不会觉得奇怪——那不是公式算错了，而是它在为那些你还没见到的糟糕分布留出余地。

推导中会反复用到两个性质：期望的线性性 $E[aX+b] = aE[X]+b$，以及方差的定义 $\mathrm{Var}(X) = E[(X-E[X])^2] = E[X^2] - (E[X])^2$。后者在做数值计算时更常用，但做推导时前一种写法更顺手，因为 $(X-\mu)^2$ 恰好就是切比雪夫里那个偏差平方。

2.2 非负性这个条件不是装饰

马尔可夫不等式的条件里有一条“$X \ge 0$ 几乎必然成立”，很多人推的时候直接跳过，结果在负值分布上套用出错。这个条件之所以不能省，看几何直观就很清楚：$E[X]$ 是把整条分布“质量”按位置加权求和的结果，如果 $X$ 能取负值，负的那部分会把期望往下拉，而我们要放缩的是右尾的面积，左边的负值一掺和，$E[X] \ge a \cdot P(X \ge a)$ 这个不等式就可能不成立了。

举个极端例子：$X$ 以 0.5 概率取 $-100$，以 0.5 概率取 $1$。此时 $E[X] = -49.5$，取 $a = 1$，马尔可夫给出的上界是 $-49.5$，一个负数概率，显然荒唐。所以这条前提不是形式主义，而是推导链条真正依赖的地方。

切比雪夫的聪明之处就在这：它没有直接对 $X$ 用马尔可夫，而是对 $(X-\mu)^2$ 用。平方之后必然非负，那个限制条件自动满足，于是整个推导就畅通了。这个“先构造非负量再套马尔可夫”的套路，在后面很多不等式里会反复出现，值得单独记一笔。

2.3 指示变量：把概率翻译成期望的翻译器

指示变量是我认为概率论里性价比最高的一个小技巧。对任意事件 $A$，定义

$$I_A = \begin{cases} 1, & A \text{ 发生} \ 0, & A \text{ 不发生} \end{cases}$$

它只有一个性质需要记住：$E[I_A] = P(A)$。原因很朴素，$I_A$ 是个两点分布，取 1 的概率是 $P(A)$，取 0 的概率是 $1-P(A)$，期望就是 $1 \cdot P(A) + 0 \cdot (1-P(A)) = P(A)$。

这个等式把“求概率”这个动作翻译成了“求期望”，而期望有一整套现成的工具可用：线性性、单调性（$X \le Y$ 处处成立则 $E[X] \le E[Y]$）、不等式放缩。很多概率不等式的证明，本质上就是构造一个合适的指示变量，然后用期望的单调性做一次比较。第 4 节我会用它给出切比雪夫的第二条推导路线，那个写法比常见的更短，也更能看出不等式的本质。

2.4 尾概率：我们真正关心的东西

统计里绝大多数让人睡不着觉的问题，追根到底都是尾概率。“这个用户是不是异常”“这批货的次品率会不会超标”“模型上线后准确率会不会掉到及格线以下”，问的都是分布尾部那一小块面积，而不是中间的主体部分。

尾概率的麻烦在于它天然难以估计。你手上有十万条数据，想估计“偏离超过 5 倍标准差”的概率，理论上需要千万级的样本才能看到几次实际发生，靠经验频率根本估不准。切比雪夫在这里提供的是一条完全不同的路径：不去数发生了多少次，而是用方差这个全局量去约束尾部面积。这条路给的数字经常大得离谱，但它不依赖“恰好观测到了极端值”这个运气成分。

理解了这个动机，就能明白为什么这个不等式的证明里到处是“丢弃一部分、只保留一块”的操作——它压根没打算精确计算尾部，它只是要一个能站得住脚的上界，越省事越好。

3. 从马尔可夫不等式起步：一次“只保留一块区域”的放缩

3.1 几何直观：为什么是 $E[X]/a$

先把结论摆出来：若 $X \ge 0$ 且 $E[X]$ 存在，则对任意 $a > 0$，

$$P(X \ge a) \le \frac{E[X]}{a}$$

理解这个式子最好的方式是想像一堆质量分布在数轴上。总质量是 1，重心位置是 $E[X]$。现在用一把刀在 $a$ 处切下去，右边那一小段的质量就是 $P(X \ge a)$，而它到原点的距离至少是 $a$。所以右边这部分对整体重心的贡献至少是 $a \cdot P(X \ge a)$。

左边那部分的质量对重心的贡献是非负的（因为 $X \ge 0$，位置都不小于 0）。既然总重心是两部分贡献之和，而右半部分的贡献又不会超过总和，立刻就有 $a \cdot P(X \ge a) \le E[X]$，两边同除 $a$ 就是结论。

这个论证只有一句话的信息量，但它精确地解释了为什么会出现 $E[X]/a$ 这个形状：分子是全局的重心位置，分母是切点的位置，比值就是右侧质量能占的最大比例。切点越往右，能容纳的质量越少；重心越靠右，右侧能堆的质量越多。所有后续的变形，本质上都是在这个比例上做文章。

3.2 离散情形的严格推导

把上面的直观写成式子。设 $X$ 是离散型随机变量，取值 $x_1, x_2, \ldots$，对应概率 $p_1, p_2, \ldots$，且所有 $x_i \ge 0$。

$$E[X] = \sum_{i} x_i p_i$$

按 $x_i$ 是否达到 $a$ 把求和拆成两段：

$$E[X] = \sum_{x_i < a} x_i p_i + \sum_{x_i \ge a} x_i p_i$$

第一段里每一项都非负（因为 $x_i \ge 0$），所以整段 $\ge 0$，可以丢掉。第二段里每一项的 $x_i$ 都 $\ge a$，把 $x_i$ 换成 $a$ 只会让和变小：

$$E[X] \ge \sum_{x_i \ge a} x_i p_i \ge \sum_{x_i \ge a} a , p_i = a \sum_{x_i \ge a} p_i = a \cdot P(X \ge a)$$

两边除以 $a$ 就完事。这个证明里有两个动作值得单独拎出来：一是丢弃非负项，二是把变量替换成它的下界。这两个动作是所有尾概率放缩的基本功，切比雪夫的证明里会以“先平方、再用同样的动作”的形式再来一遍。

3.3 连续情形的积分证明

连续情形一模一样，只是求和换成积分。设 $X$ 有密度 $f(x)$，支撑在 $[0, \infty)$ 上：

$$E[X] = \int_0^{\infty} x f(x), dx = \int_0^{a} x f(x), dx + \int_a^{\infty} x f(x), dx$$

第一个积分被积函数非负，整项 $\ge 0$，丢掉。第二个积分里 $x \ge a$，所以

$$\int_a^{\infty} x f(x), dx \ge \int_a^{\infty} a f(x), dx = a \int_a^{\infty} f(x), dx = a \cdot P(X \ge a)$$

合并即得 $E[X] \ge a P(X \ge a)$。注意这里要求 $E[X]$ 存在，也就是 $\int_0^\infty x f(x) dx < \infty$，否则不等式两边都是无穷，虽然形式上还成立，但没有实际意义。这个细节在第 7 节的坑里还会提到。

3.4 等号什么时候成立

知道一个不等式什么时候取等，比知道它成立更有用，因为这直接决定了它的紧性。

回看离散证明，两处放缩要同时取等，必须满足：第一，所有 $x_i < a$ 的项贡献为 0，也就是这些点的概率全为 0 或者 $x_i = 0$；第二，所有 $x_i \ge a$ 的点上，$x_i$ 必须恰好等于 $a$。合起来就是：$X$ 只能取 0 和 $a$ 两个值。

设 $P(X = a) = p$，$P(X = 0) = 1-p$，则 $E[X] = ap$，上界 $E[X]/a = p$，而真实概率 $P(X \ge a) = p$，确实取等。所以马尔可夫不等式的紧情形是一个两点分布，这也解释了为什么它在别的分布上总是偏松——除了这种极端的“要么是 0 要么刚好卡在 $a$”的结构，其他分布都会浪费掉一些放缩余地。

这个结论在后面第 5 节构造切比雪夫的紧例子时会直接用到，先记住“两点（或三点）分布是让不等式取等的典型结构”就够了。

4. 切比雪夫不等式的三条推导路线

4.1 路线一：把马尔可夫套到平方偏差上

这是教材标准写法，也是考试要写的那个。思路只有一步：既然马尔可夫要求非负，那就造一个非负的随机变量出来。

令 $Y = (X - \mu)^2$。因为平方非负，$Y \ge 0$ 自动满足。它的期望就是方差：$E[Y] = E[(X-\mu)^2] = \sigma^2$。

现在对 $Y$ 用马尔可夫不等式，取阈值 $a = \varepsilon^2$（这里 $\varepsilon > 0$，所以 $\varepsilon^2 > 0$ 合法）：

$$P(Y \ge \varepsilon^2) \le \frac{E[Y]}{\varepsilon^2} = \frac{\sigma^2}{\varepsilon^2}$$

最后一步是把事件翻译回去。$(X-\mu)^2 \ge \varepsilon^2$ 这个不等式，两边开方取绝对值，恰好等价于 $|X - \mu| \ge \varepsilon$。所以

$$P(|X - \mu| \ge \varepsilon) \le \frac{\sigma^2}{\varepsilon^2}$$

推导到此结束。

这条路线值得停下来体会的是那个“等价翻译”的步骤。平方和绝对值之间的来回转换看着是技术细节，实际上决定了不等式的形式——如果当初构造的是 $|X-\mu|$ 而不是 $(X-\mu)^2$，那 $E[|X-\mu|]$ 是一阶绝对中心矩，而不是方差，得到的就是另一个不等式了。之所以选平方，正是因为平方之后的期望刚好是方差这个我们最熟悉的量。这里面没有什么深意，纯粹是“选一个既非负、期望又好算的变换”的工程考量。

另外要强调一个容易忽略的前提：$\sigma^2 < \infty$。如果方差不存在，整个链条从 $E[Y] = \sigma^2$ 这一步就断了。柯西分布就是典型，它的期望都不存在，切比雪夫对它完全无能为力，这时候任何声称“用切比雪夫可以证明”的论证都是错的。

4.2 路线二：指示变量写法，三行搞定

这条路线更短，也更能暴露不等式的本质。设事件 $A = {|X - \mu| \ge \varepsilon}$，它的指示变量是 $I_A$。

在事件 $A$ 上，$|X-\mu| \ge \varepsilon$，两边平方再除以 $\varepsilon^2$ 得到 $(X-\mu)^2/\varepsilon^2 \ge 1$。而在 $A$ 不发生时，$I_A = 0$，不等式 $I_A \le (X-\mu)^2/\varepsilon^2$ 显然成立（右边非负）。所以这个不等式在整个样本空间上处处成立：

$$I_A \le \frac{(X-\mu)^2}{\varepsilon^2}$$

两边取期望。左边是 $E[I_A] = P(A)$，右边是 $\frac{1}{\varepsilon^2}E[(X-\mu)^2] = \frac{\sigma^2}{\varepsilon^2}$。由期望的单调性直接得到 $P(A) \le \sigma^2/\varepsilon^2$。

这个写法好在哪？它把“为什么要平方”这个问题回答清楚了：因为要在事件 $A$ 上找到一个处处不小于 1 的量，而 $(X-\mu)^2/\varepsilon^2$ 恰好满足这个要求，同时它的期望又是现成的。换句话说，切比雪夫不等式的全部内容，就是“找一个期望可算的控制函数，让它在你关心的区域里至少是 1”这一句话。理解了这一层，后面看到各种形式的不等式变形（单边版本、指数版本、多项式版本）就不会觉得是各背各的了，它们只是在换不同的控制函数。

4.3 路线三：柯西-施瓦茨的降维打击

第三条路用柯西-施瓦茨不等式，思路更“几何”一些。仍然设 $A = {|X - \mu| \ge \varepsilon}$。

先做一个等式变形：

$$\varepsilon \cdot P(A) = E[\varepsilon \cdot I_A]$$

这一步用的是指示变量的期望等于概率。接下来在事件 $A$ 上，$\varepsilon \le |X-\mu|$，所以 $\varepsilon I_A \le |X-\mu| I_A$；在 $A$ 之外两边都是 0。于是

$$E[\varepsilon I_A] \le E[|X-\mu| I_A]$$

对右边用柯西-施瓦茨（把 $|X-\mu|$ 和 $I_A$ 看成两个随机变量）：

$$E[|X-\mu| \cdot I_A] \le \sqrt{E[(X-\mu)^2]} \cdot \sqrt{E[I_A^2]} = \sigma \sqrt{P(A)}$$

注意 $I_A^2 = I_A$，所以 $E[I_A^2] = P(A)$。把整条链串起来：

$$\varepsilon P(A) \le \sigma \sqrt{P(A)}$$

若 $P(A) > 0$，两边同除 $\sqrt{P(A)}$ 再除 $\varepsilon$，得 $\sqrt{P(A)} \le \sigma/\varepsilon$，即 $P(A) \le \sigma^2/\varepsilon^2$。若 $P(A) = 0$，结论平凡成立。

这条路线的推导比前两条长，但它顺便给出了一个额外信息：$\varepsilon \sqrt{P(A)} \le \sigma$，也就是 $P(A) \le \sigma^2/\varepsilon^2$ 这个界的平方根形式。这个中间形式在某些证明里比最终形式更好用，因为它把 $\varepsilon$ 和标准差的量纲对齐了，做不等式链的时候不容易出错。

4.4 三条路线怎么选，以及那个更好用的单边版本

三条路线结论一样，实际用的时候选哪条？我的习惯是：写给别人看的推导用路线一，因为它最好懂，每一步都有明确的动机；自己做快速验证用路线二，三行写完不容易出错；需要和别的界做比较时用路线三，因为它的中间量（那个 $\sigma/\sqrt{P(A)}$）常常能直接接上后续推导。

真正值得单独记一笔的是单边版本，正式名字叫坎泰利不等式。切比雪夫的界是对称的，它管的是“往左偏或者往右偏”的总概率。但实际场景里我们经常只关心一侧——“响应时间超过阈值”不会关心“响应时间过快”，“坏账率超标”不会关心“坏账率过低”。这时候对称的界就浪费了一半的余量。

坎泰利不等式给出：设 $E[X] = \mu$，$\mathrm{Var}(X) = \sigma^2$，则对任意 $\varepsilon > 0$，

$$P(X - \mu \ge \varepsilon) \le \frac{\sigma^2}{\sigma^2 + \varepsilon^2}$$

令 $\varepsilon = k\sigma$，就变成那个特别好记的形式：

$$P(X - \mu \ge k\sigma) \le \frac{1}{1 + k^2}$$

推导思路是对路线二的控制函数做一个偏移：对任意 $b > 0$，考虑 $(X - \mu + b)^2$。在事件 ${X-\mu \ge \varepsilon}$ 上，$X-\mu+b \ge \varepsilon + b > 0$，平方后不小于 $(\varepsilon+b)^2$，所以

$$P(X-\mu \ge \varepsilon) \le \frac{E[(X-\mu+b)^2]}{(\varepsilon+b)^2} = \frac{\sigma^2 + b^2}{(\varepsilon+b)^2}$$

这里用了 $E[(X-\mu+b)^2] = \sigma^2 + 2bE[X-\mu] + b^2 = \sigma^2 + b^2$。然后对 $b$ 求这个上界的最小值，令 $b = \sigma^2/\varepsilon$，代入化简就得到 $\sigma^2/(\sigma^2+\varepsilon^2)$。

数值上差多少？取 $k = 3$，切比雪夫给 $1/9 \approx 11.1%$，坎泰利给 $1/10 = 10%$；取 $k=2$，分别是 25% 和 20%。差距不算大，但在阈值卡得紧的场景里，白白多留 5 个百分点有时候就是能不能通过验收的区别。既然推导只多两行，能单边就单边。

5. 参数实感：上界到底有多松

5.1 三种典型分布的真实对照

光看公式没有体感，我把几个分布的实际情况算出来摆在一起。这张表我建议你抄在笔记第一页，因为它能一次性回答“为什么大家说切比雪夫很松”这个问题。

表格里的指数分布是标准指数，$\mu = \sigma = 1$，超出 $k\sigma$ 的概率就是 $P(X \ge 1+k) = e^{-(1+k)}$，这个是可以手算的，你自己验一遍就能对上。三点紧例子那一列，构造方法是让 $X$ 以 $1/(2k^2)$ 的概率取 $\pm k$，以 $1-1/k^2$ 的概率取 0，此时 $\mathrm{Var}(X) = 1$，而 $P(|X| \ge k) = 1/k^2$，正好取等。

看 $k=3$ 这一行：切比雪夫说最多 11.1%，正态实际是 0.27%，差了四十倍。$k=4$ 更夸张，差了一千倍。这就是“松”的具体含义。但反过来看，如果你对分布一无所知，那 11.1% 这个数字就是你能拿出的最好的无条件保证——不能因为正态更紧，就假设手里这批数据是正态的。

5.2 松的根源在哪

松的根源在第 3.4 节已经埋下伏笔了：切比雪夫要对所有方差为 $\sigma^2$ 的分布同时成立，所以它必须迁就其中最坏的那个，也就是那个三点分布。你可以把切比雪夫理解成一个“最坏情况”的保证——就像保险公司的报价必然比你的期望损失高，因为它要覆盖所有保单同时出险的极端场景。

这个特性决定了它的使用姿势：切比雪夫的结论只能用来做兜底，不能用来做决策依据。比如你说“这批货的次品率不会超过 11.1%”，这句话在逻辑上是站得住的；但你不能据此推断“所以我有 88.9% 的把握认为这批货是好的”，因为真实的把握可能是 99.97%，你把一个几乎确定的事情说成了没把握，这也是误导。

实际工作中我的做法是：先看分布，能用更紧的界就用更紧的；只有在分布形状实在没法判断、又必须给个数字的时候，才退到切比雪夫，并且明确标注“这是无条件上界，实际值大概率远小于此”。把话讲清楚，比追求一个漂亮的数字重要得多。

5.3 两种写法的换算，以及 $\varepsilon$ 与 $k$ 的常见混淆

切比雪夫有两个写法，$\varepsilon$ 形式和 $k$ 倍标准差形式，换算关系是 $\varepsilon = k\sigma$，等价地 $k = \varepsilon/\sigma$。看着简单，但这是我最常看到别人出错的地方。

错误一：把 $\sigma^2$ 当成 $\sigma$ 代进去。比如算 $P(|X-\mu| \ge 2)$，方差是 9，标准差是 3，正确上界是 $9/4 = 2.25$，然后要意识到 2.25 大于 1，所以这个界没有信息量——因为 $\varepsilon = 2 < \sigma = 3$。很多人算出来 2.25 就慌了，以为自己算错了，其实是阈值取得太小。

错误二：把 $k$ 直接当 $\varepsilon$ 用。写代码时尤其容易，因为 $k$ 通常是无量纲的倍数，而 $\varepsilon$ 带量纲。我习惯在代码里显式写成eps = k * sigma，不给自己留犯错空间。

错误三：忘了检查 $\varepsilon$ 是否大于 $\sigma$。因为 $P \le \sigma^2/\varepsilon^2$ 这个界只有在 $\varepsilon > \sigma$ 时才小于 1，才有信息量。$\varepsilon \le \sigma$ 时上界大于等于 1，虽然不等式形式上还成立，但一句废话。

正确使用前先做这个检查：$\varepsilon$ 必须大于 $\sigma$，越大越有意义。这条不是公式要求的，是实用性要求的。

5.4 用它反推样本量和阈值

这是切比雪夫最有实际价值的用法，值得把推导写全。

设 $X_1, \ldots, X_n$ 是来自某个总体的样本，均值 $\mu$，方差 $\sigma^2$。样本均值 $\bar{X}$ 的期望是 $\mu$，方差是 $\sigma^2/n$（这一步需要样本之间两两不相关，不是独立，不相关就够了）。对 $\bar{X}$ 用切比雪夫：

$$P(|\bar{X} - \mu| \ge \varepsilon) \le \frac{\sigma^2}{n\varepsilon^2}$$

现在要求这个概率不超过 $\delta$，即

$$\frac{\sigma^2}{n\varepsilon^2} \le \delta \quad\Longrightarrow\quad n \ge \frac{\sigma^2}{\delta \varepsilon^2}$$

举个具体数字感受一下：某指标的 $\sigma \approx 20$，希望误差不超过 2，置信度 90%（即 $\delta = 0.1$）。代入得 $n \ge 400 / (0.1 \times 4) = 1000$。

同样的需求，如果用正态近似，$n = (z_{0.95}\sigma/\varepsilon)^2 = (1.96 \times 10)^2 \approx 385$。切比雪夫要 1000，多出 2.6 倍。

这个差距很说明问题：切比雪夫大概是“不管什么情况都够用”的方案，代价是样本量按系数膨胀。做预算评审的时候，我会把两个数字都摆出来，说明“如果假设近似正态，385 够；如果要无条件保证，1000 起”。让决策者自己选，而不是替他假设分布。

反过来，如果样本量已经定死，想知道精度能做到多少，就把公式解出 $\varepsilon$：

$$\varepsilon \ge \frac{\sigma}{\sqrt{n\delta}}$$

这个式子在评估一份已有数据的可信度时特别好用——数据都已经收集完了，样本量改不了，那么最小可报告误差就能算出来。

6. 代码跑一遍：从纸面结论到可验证的数字

6.1 蒙特卡洛验证的完整脚本

纸上推完，我习惯再用代码验一遍，因为公式推导里那种“符号对符号”的操作很容易出隐蔽错误，跑一遍数字能立刻暴露问题。下面这段脚本可以直接复制执行，依赖只有 numpy。

import numpy as np rng = np.random.default_rng(20240607) n = 2_000_000 def tail_prob(samples, mu, sigma, k): """经验尾概率：偏离均值超过 k 倍标准差的样本占比""" return np.mean(np.abs(samples - mu) >= k * sigma) cases = { "标准正态": (rng.normal(0.0, 1.0, n), 0.0, 1.0), "标准指数": (rng.exponential(1.0, n), 1.0, 1.0), "均匀U(0,1)": (rng.uniform(0.0, 1.0, n), 0.5, 1.0 / np.sqrt(12.0)), "三点紧例子k=2": ( rng.choice([-2.0, 0.0, 2.0], size=n, p=[0.125, 0.75, 0.125]), 0.0, 1.0 ), } ks = [1.5, 2.0, 3.0, 4.0] header = f"{'分布':<14}" + "".join(f"{'k=' + str(k):>12}" for k in ks) print(header) print("-" * len(header)) for name, (smp, mu, sigma) in cases.items(): row = f"{name:<14}" for k in ks: row += f"{tail_prob(smp, mu, sigma, k):>12.6f}" print(row) print("\n切比雪夫上界：", {k: round(1 / k**2, 6) for k in ks})

跑出来的结果应该和下面这张表基本一致（受随机性影响，小数位会有抖动）：

6.2 结果解读：三个值得注意的现象

第一，三点例子在 $k=2$ 处精确等于 1/4。这是唯一一个贴上界的分布，其他所有分布都在上界下面留了大片空白。你如果只测一个正态分布，会误以为切比雪夫松得离谱；多跑几个分布就会发现，它其实是给最坏情况留的位。

第二，均匀分布在 $k \ge 1.5$ 时尾概率是 0。原因很简单，均匀分布的最大偏离只有 $\sqrt{3}/2 \approx 0.866$ 个标准差，压根到不了 1.5 倍。这提醒我们，切比雪夫对有界分布来说是个非常糟糕的工具，用霍夫丁或者直接按支撑集算，能得到紧得多的结论。

第三，指数分布在 $k=1.5$ 时尾概率高达 0.777，比正态高得多，说明偏态分布的尾部确实厚。但到了 $k=3$ 就降到 0.0183 了，因为指数衰减很快。这个例子告诉我，判断一个界松不松，不能只跟正态比，得看数据本身的形状。

注意：跑蒙特卡洛的时候样本量要够大，否则 $k=4$ 这一档可能一个极端值都抽不到，经验概率变成 0，你会误以为实际概率就是 0。我的经验是至少 100 万条，$k$ 上到 4 就要 1000 万起步。

6.3 一个能直接用的三倍标准差异常检测

基于切比雪夫的思路，写一个带解释性输出的异常检测函数。它的价值不在于算法多先进，而在于每个被标出来的点，你都能清楚地说出“为什么它算异常”。

import numpy as np def zscore_flag(x, k=3.0, ddof=1): """ 基于切比雪夫思路的异常标记。 k: 倍数阈值，k>1 才有意义 返回: (标记布尔数组, 上界, 实际阈值) """ x = np.asarray(x, dtype=float) mu = x.mean() sd = x.std(ddof=ddof) if sd == 0: raise ValueError("标准差为 0，切比雪夫界失效，先检查数据是否退化") upper = 1.0 / (k ** 2) # 无条件上界 eps = k * sd # 换算成原始量纲 flags = np.abs(x - mu) >= eps print(f"均值={mu:.4f} 标准差={sd:.4f}") print(f"阈值区间=({mu - eps:.4f}, {mu + eps:.4f})") print(f"按切比雪夫，异常比例必然 <= {upper:.4%}") print(f"本次实际检出 {flags.sum()} 条，占比 {flags.mean():.4%}") return flags, upper, eps # 用法示例 data = np.concatenate([ np.random.default_rng(7).normal(100, 8, 5000), np.array([250.0, -60.0, 300.0]) # 三条明显异常 ]) zscore_flag(data, k=3.0)

注意函数里那个sd == 0的检查。如果一批数据全都一样，方差是 0，切比雪夫说 $P(|X-\mu| \ge \varepsilon) \le 0$，意思是永远不会有偏离——这个结论本身是对的（常数随机变量确实不偏离均值），但作为异常检测它毫无用处，因为任何一点点扰动都会被判成异常。这个边界条件在真实数据里出现得比想象中频繁，比如某个字段在某段时间内恒定不变。

7. 踩坑记录与常见问题速查

7.1 六个我亲身踩过的错误

错误一：对方差不存在的数据用切比雪夫。最典型的是重尾分布，比如帕累托分布形状参数小于等于 2 的情况，方差是无穷大。这时候公式右边是 $\infty/\varepsilon^2 = \infty$，上界失去意义。我见过有人拿它去分析用户消费金额，那批数据尾部重到几千倍中位数，方差压根不存在，算出来的“上界”是 1，等于什么都没说。养成习惯：用之前先画个尾部分位数表，看看最大值和 99 分位差多少，差得离谱就先怀疑方差。

错误二：把上界当成真实概率。曾经在一次评审会上，有人说“根据切比雪夫，我们有 75% 的把握认为结果在 2 倍标准差内”。这句话是错的。切比雪夫只说了“超出 2 倍标准差的概率不超过 25%”，反过来就是“在 2 倍标准差内的概率至少 75%”。是“至少”，不是“等于”。这个区别在需要精确结论的场合是致命的。

错误三：需要独立性。切比雪夫本身对单个随机变量成立，不需要任何独立性假设。但用它去估计样本均值的偏差时，$\mathrm{Var}(\bar{X}) = \sigma^2/n$ 这一步需要样本两两不相关。如果样本之间正相关（比如时间序列数据），真实方差会大得多，此时用 $\sigma^2/n$ 会低估，整个界就不成立了。时间序列场景下我会额外乘一个膨胀因子，或者干脆用分块 bootstrap。

错误四：$k$ 取小于 1 的值。$k=0.5$ 时上界是 4，一个大于 1 的“概率上界”，形式上不算错但没法用。代码里应该加个断言assert k > 1。

错误五：单边场景用了对称界。前面说过，只关心一侧的时候用坎泰利，能省下几个百分点。这个错误不算严重，只是浪费，但在阈值卡得比较死的验收场景里，省下的可能就是通过与否。

错误六：和中心极限定理搞混。有个很常见的误解是“样本量大了切比雪夫的界会变紧”。实际上切比雪夫的界始终是 $1/k^2$，不会因为样本量变化。变紧的是你对 $\bar{X}$ 用的那个版本，因为 $\mathrm{Var}(\bar{X})$ 随 $n$ 减小。这两个层面要分清楚：切比雪夫管的是“单个变量偏离多少”，大数定律管的是“样本均值收敛到期望”，后者是前者推出来的结论，不是前者的性质。

7.2 问题速查表

这张表里最有价值的是第二行。方差不存在这件事，从代码上很难自动发现——np.var会给你一个有限的大数，不会报错。只能靠人工看分位数：如果 99.9 分位是中位数的几十倍，就别再信任方差类工具了。

8. 三个值得往下挖的延展方向

8.1 弱大数定律的证明骨架

这是切比雪夫最经典的应用，也是它为什么在教材里被反复强调的原因。设 $X_1, \ldots, X_n$ 独立同分布，均值 $\mu$，方差 $\sigma^2 < \infty$。要证的是：对任意 $\varepsilon > 0$，

$$\lim_{n \to \infty} P(|\bar{X}_n - \mu| \ge \varepsilon) = 0$$

证明只有两步。第一步，$\bar{X}_n$ 的期望是 $\mu$，方差是 $\sigma^2/n$（这里用到独立性）。第二步，对 $\bar{X}_n$ 用切比雪夫：

$$P(|\bar{X}_n - \mu| \ge \varepsilon) \le \frac{\sigma^2}{n\varepsilon^2}$$

右边里 $\varepsilon$ 和 $\sigma$ 都是固定常数，只有 $n$ 在变。$n \to \infty$ 时整个式子趋于 0，结论得证。

这个证明只有三行，但它的意义非常大：它给出了一个可计算的收敛速率。式子说的是，要让偏差超过 $\varepsilon$ 的概率小于 $\delta$，取 $n \ge \sigma^2/(\delta\varepsilon^2)$ 就够了，这是一个具体的、可以写进实验设计的数字。中心极限定理能给更精确的渐近分布，但它只告诉你“趋于正态”，不直接给出这种非渐近的保证。做蒙特卡洛方法的时候，前者的价值往往更大，因为你要面对的是有限的 $n$，不是无穷。

顺便说一句，这个证明还暴露了切比雪夫的一个弱点：它要求的收敛速率是 $O(1/n)$，而实际的速率在很多情况下更快。这就是为什么实践中用正态近似估样本量能得到小得多的数字——不是切比雪夫错了，是它太保守。

8.2 泛化误差界的直觉

如果做过一点机器学习理论，你会在泛化误差的推导里见到几乎一样的结构。设模型的真实风险是 $R$，在 $n$ 个样本上的经验风险是 $\hat{R}$，那么用切比雪夫可以得到

$$P(|\hat{R} - R| \ge \varepsilon) \le \frac{\mathrm{Var}(\hat{R})}{\varepsilon^2}$$

$\hat{R}$ 是 $n$ 个独立同分布损失的平均，方差是 $\mathrm{Var}(\text{单样本损失})/n$，于是上界变成 $\sigma^2/(n\varepsilon^2)$。解出 $\varepsilon$ 就得到：以至少 $1-\delta$ 的把握，泛化误差不超过 $\sigma/\sqrt{n\delta}$。

这个结论故意写得很朴素，因为它确实不够紧——现代学习理论用的都是基于有界性或集中不等式的指数级界，收敛快得多。但这个最朴素的版本有个别处没有的好处：它只要求损失函数的方差有限，不要求它落在 $[0,1]$ 区间内。真实业务里的损失函数（比如金额损失、时长损失）经常是无界的，这时候那些漂亮的指数界就套不上了，反而退回切比雪夫最踏实。

我在做模型评估报告的时候，会把这个界写在附录里，标注“保守估计”。主报告用 bootstrap 给区间，附录给一个无假设的兜底，两个数字并列，别人问起来能立刻答上。

8.3 从切比雪夫到更紧的界

如果读到这里你觉得“这个界也太松了，能不能紧一点”，那说明你抓住了它的核心痛点。改进的方向有几条，各有各的代价。

第一条是加更多信息。切比雪夫只用了二阶矩，如果你还知道三阶、四阶矩，可以构造更精细的控制函数，得到类似 $P(|X-\mu|\ge\varepsilon) \le C/\varepsilon^4$ 形式的界。代价是需要估计高阶矩，而高阶矩对极端值极其敏感，很难估准，实践中很少划算。

第二条是加有界假设，换霍夫丁或别尔曼不等式，能得到 $e^{-2n\varepsilon^2}$ 这种指数级衰减，样本量需求立刻降一个数量级。但“有界”这个假设在很多业务指标上不成立，需要先做截断或者变换，一旦截断，结论就只对截断后的变量成立，得额外说明。

第三条是向中心极限定理靠拢，用渐近正态做近似。这条路最实用，但它是渐近的，$n$ 小的时候误差说不清，而且依赖“独立同分布”这个前提，实际数据里经常打折。

我的取舍是：实验设计阶段用切比雪夫，因为它不依赖任何假设，给出的样本量安全；数据分析阶段用 bootstrap 或者渐近方法，因为此时数据已经在手，可以检验假设是否成立。两个阶段用不同的工具，不是因为它俩哪个更好，而是因为它们回答的问题不一样——一个是“我需要多少数据”，一个是“这批数据能说明什么”。

最后分享一个我自己养成的小习惯：每写下一个用切比雪夫得到的结论，就在旁边标一句“此界为无条件上界，实际值可能远低于此”。这句话看起来是废话，但它能防止未来的自己（或者接手文档的同事）把保守估计当成精确结论去用。数学工具的可靠性，一半在公式本身，另一半在使用者有没有把它的适用边界说清楚。