切比雪夫（Chebyshev）不等式

对于任一随机变量X ,若EX与DX均存在,则对任意ε>0,

恒有P{|X-EX|>=ε}<=DX/ε^2 或P{|X-EX|<ε}>=1-DX/ε^2

切比雪夫不等式说明，DX越小，则 P{|X-EX|>=ε}

越小，P{|X-EX|<ε}越大， 也就是说，随机变量X取值基本上集中在EX附近，这进一步说明了方差的意义。

同时当EX和DX已知时，切比雪夫不等式给出了概率P{|X-EX|>=ε}的一个上界，该上界并不涉及随机变量X的具体概率分布，而只与其方差DX和ε有关，因此，切比雪夫不等式在理论和实际中都有相当广泛的应用。需要指出的是，虽然切比雪夫不等式应用广泛，但在一个具体问题中，由它给出的概率上界通常比较保守。

切比雪夫不等式是指在任何数据集中，与平均数超过K倍标准差的数据占的比例至多是1/K^2。

在概率论中，切比雪夫不等式显示了随机变数的「几乎所有」值都会「接近」平均。这个不等式以数量化这方式来描述，究竟「几乎所有」是多少，「接近」又有多接近：

与平均相差2个标准差的值，数目不多于1/4

与平均相差3个标准差的值，数目不多于1/9

与平均相差4个标准差的值，数目不多于1/16

……

与平均相差k个标准差的值，数目不多于1/K^2

举例说，若一班有36个学生，而在一次考试中，平均分是80分，标准差是10分，我们便可得出结论：少于50分（与平均相差3个标准差以上）的人，数目不多于4个（=36*1/9）。

测度论说法

设(X,Σ,μ)为一测度空间，f为定义在X上的广义实值可测函数。对於任意实数t > 0，

一般而言，若g是非负广义实值可测函数，在f的定义域非降，则有

上面的陈述，可透过以|f|取代f，再取如下定义而得：

概率论说法

设X为随机变数，期望值为μ，方差为σ2。对于任何实数k>0，

改进

一般而言，切比雪夫不等式给出的上界已无法改进。考虑下面例子：

这个分布的标准差σ = 1 / k，μ = 0。

当只求其中一边的值的时候，有Cantelli不等式：

[1]

证明

定义，设为集的指标函数，有

又可从马尔可夫不等式直接证明：马氏不等式说明对任意随机变数Y和正数a有\\Pr(|Y| \\le \\opeatorname{E}(|Y|)/a。取Y = (X ? μ)2及a = (kσ)2。

亦可从概率论的原理和定义开始证明：

参见

马尔可夫不等式

弱大数定律

分类: 概率论