马尔可夫与切比雪夫不等式：概率的兜底保险
本文基于模型知识整理（生成时未联网核对），集中不等式谱系建议对照 Boucheron 等《Concentration Inequalities》复核。
一句话定义
马尔可夫不等式 $P(X\ge a)\le E[X]/a$（X≥0）只用期望兜住右尾；切比雪夫 $P(|X-\mu|\ge a)\le\sigma^2/a^2$（对 X−μ 用马尔可夫）加上方差信息把双侧尾巴也兜住——它们不需要分布形状，是"信息最少时仍能说的结论"，也是大数定律（kp-014）与机器学习泛化界（kp-033 延伸）的证明工具。
为什么重要
现实中最常见的处境恰恰是"不知道分布，只估了均值（也许还有方差）"——集中不等式是这种贫信息场景下的唯一理论输出：算法界的样本复杂度界、置信区间的分布无关版本（Chebyshev 区间）、收敛性证明（kp-014）都靠它们兜底。CLT（kp-015）给的是"精确但需要条件"，本条给的是"粗糙但无条件"。
前置知识
kp-007（期望方差）。
核心概念
- 马尔可夫不等式：X≥0 时 $P(X\ge a)\le\frac{E[X]}a$（a>0）——证明一行：$E[X]\ge a\cdot P(X\ge a)$（在事件上 X≥a、其余非负）。
- 切比雪夫不等式：对 X−μ 施马尔可夫（a² 档）得 $P(|X-\mu|\ge a)\le\frac{\sigma^2}{a^2}$。
- 单侧版（Cantelli）：$P(X-\mu\ge a)\le\frac{\sigma^2}{\sigma^2+a^2}$——比切比雪夫的双侧版紧一倍（双侧界对半分给了单侧尾巴）。
- 强度谱系：切比雪夫是"分布无关"的粗界；若已知分布（或独立和），可用更锐利的 Chernoff 界（MGF 方法，kp-013 的指数级改善）与 Hoeffding 界（有界变量 $P(|\bar X-\mu|\ge\varepsilon)\le2e^{-2n\varepsilon^2/(b-a)^2}$——指数级 vs 切比雪夫的 1/n 级）。
- 应用模板：样本量公式（kp-014：$n\ge\frac{\sigma^2}{\delta\varepsilon^2}$）、Chebyshev 区间（μ±kσ 覆盖 ≥1−1/k²，k=2→75%、k=3→88.9%——比正态的 95/99.7 保守得多）。
原理与机制
为什么"只用期望"也能兜尾：非负变量被 a 截断后的期望下界恰好是 a·P(X≥a)——尾部每单位概率至少贡献 a 的期望；期望总量有限则尾部概率必有限。期望是尾部概率的硬约束货币。
切比雪夫的"方差换概率"：把"偏离 μ"转换为非负变量 $(X-\mu)^2$、用马尔可夫：期望（=方差）有限 ⇒ 大偏离概率受 σ²/a² 约束。方差信息把界从一阶收紧到二阶——信息越多界越紧的示范。
为什么有更锐利的界还学粗界：① 无条件成立（Chernoff/Hoeffding 需要独立+有界/MGF 存在）；② 证明一行可携带（kp-014 的 LLN 证明用切比雪夫三行完成）；③ 它定义了"分布无关保证"的下限——更锐的界都是"付出假设买精度"的 spectrum 入口（kp-031/泛化界的理论词汇）。
图示
马尔可夫(X≥0): P(X≥a) ≤ E[X]/a
切比雪夫: P(|X−μ|≥a) ≤ σ²/a²
单侧(Cantelli): P(X−μ≥a) ≤ σ²/(σ²+a²)
谱系(假设↑→界锐): Chebyshev(1/n) → Hoeffding(e^{−nε²}) → Chernoff
应用: Chebyshev区间 μ±2σ 覆盖≥75% ; μ±3σ ≥88.9% (vs 正态95/99.7)直观类比
马尔可夫像"预算审计"：一个公司平均月薪 1 万，那么月薪超过 10 万的人占比不会超过 10%——不管薪酬结构多离谱（只要不欠薪）。切比雪夫像"再查一下波动"：知道薪资波动小，极端高薪占比被进一步压低。
实例或案例
- 无分布质量监控：只知道均值方差的产线，Chebyshev 区间给出"保守合格率承诺"——不知道分布时的合规话术。
- 随机算法界：随机化算法（如蒙特卡洛 kp-026）的失败率上界推导——集中不等式是理论计算机的日常词汇。
- 机器学习泛化界：训练误差与测试误差差距的分布无关上界（VC/统一收敛的初等形式）——Hoeffding 的 ML 落地。
常见误区
- 误区一："切比雪夫界很紧所以直接报区间"。它通常严重保守（正态下 2σ 真实覆盖 95% 而界只保 75%）——保守界的定位是"兜底"不是"估计"。
- 误区二："马尔可夫可用于任意 X"。前提 X≥0（或对 X−μ 施加后转正）；直接对可负变量套用是无效推理。
- 误区三："a 取小让界变大凑结论"。a 越小界越松（趋 1）；界的意义恰在大 a（尾概率）处——小 a 区间的"界"毫无信息。
与其他知识点的关系
自测题
- X≥0、E[X]=5：P(X≥20) 的上界？
答：马尔可夫 ≤5/20=0.25。
- μ=10、σ²=4：P(|X−10|≥3) 的切比雪夫上界？
答：4/9≈0.444。
- 为什么 Hoeffding 界比切比雪夫锐利？付出了什么？
答：利用独立+有界的指数集中（MGF 方法）得到 e^{−nε²} 级；代价是需要独立性与有界（或 MGF）假设——假设换精度。
延伸阅读
- Blitzstein & Hwang 第 10 章（不等式三连章）。
- Boucheron, Lugosi & Massart. *Concentration Inequalities*. Oxford, 2013.（集中不等式专著）
- Wasserman《All of Statistics》§4（不等式与收敛的桥）。