切比雪夫不等式计算器

切比雪夫不等式是统计学的「保底承诺」：无论数据服从什么分布（正态、偏态、双峰都行），落在均值 k 个标准差内的比例至少为 1 − 1/k²。k=2 时至少 75%，k=3 时至少 88.9%。

与经验法则（68-95-99.7）对比可见它的保守：正态分布的 95% 对应切比雪夫只保证 75%。代价换来的是普适性——不知道分布形态时，这是唯一能下的结论。

切比雪夫不等式（1867 年发表，其弟子马尔可夫不等式是它的雏形）是概率论中最朴素也最强韧的结论：只要知道均值和标准差，不做任何分布假设，就能给出数据集中程度的硬性保证——P(|X−μ| ≥ kσ) ≤ 1/k²。它不要求正态、不要求对称、甚至不要求分布连续。证明只需一步：用示性函数放大偏差超过 kσ 的部分，马尔可夫不等式立得。这种"以最少信息换最硬保证"的思想，是分布鲁棒统计（distributionally robust）的老祖宗。

为什么实际中它显得"保守"？因为它必须对所有可能的分布成立，包括那些专门为攻击它而设计的极端分布——两点分布在 kσ 处集中放置概率质量，恰好达到 1/k² 上界。也就是说切比雪夫界是不可改进的最优通用界。真实世界的数据大多温和得多：单峰对称分布可用 Vysochanskij–Petunin 不等式加强到 1 − 4/(9k²)，正态分布下就是经验法则计算器的 68-95-99.7。

实战中最有价值的场景是"分布未知的合规论证"：食品厂只要报告每袋净含量的均值与标准差，就能用 k=4 向监管方保证至少 93.75% 的产品在 ±4σ 内——无需证明正态性。金融领域则常用单侧版本（Cantelli 不等式）：P(X − μ ≥ kσ) ≤ 1/(1+k²)，它只用一半概率质量就给出下行风险界，是风险价值（VaR）在无分布假设下的兜底方案。想深入偏离度度量可配合标准差计算器使用。