切比雪夫不等式：不知道分布时的"保底承诺"
我的掌握程度：
先掌握这个答案
P(|X−μ|≥kσ) ≤ 1/k²。直觉：不管分布多歪——3σ以外不超过11.1%（正态说0.3%——保守37倍）。什么时候用：①不知道分布形态；②分布极端偏离正态——正态严重低估时兜底；③教学价值——σ在不假设分布时也有含义。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
本阶段实战方法 · 每个统计量都要带单位和假设
计算收益、波动、回归、显著性或相关性时，先明确样本和推断条件。
- 写清收益频率、样本数、缺失处理、是否含费用；百分数与小数不可混用。
- 手算一组小样本，再用代码复算；区分算术均值年化、复合年化和年化波动。
- 解释假设不成立会发生什么：自相关、肥尾、非平稳与多次试验都会影响结论。
使用边界
- p值不是原假设为真的概率，也不是策略未来盈利概率。
- 日波动×√252依赖时间聚合假设；252是教学常用交易日数，实际市场与口径可能不同。
打开术语词典，随时查阅基础概念。
背景 · 从一个困惑说起
q-226讲了正态的68-95-99.7——只在正态假设下成立。切比雪夫说：不管什么分布，偏离均值kσ以上的概率不超过1/k²——不需要任何分布假设的保守界。
由此产生的问题
切比雪夫不等式的形式？它比正态法则「弱」多少？什么时候用它？
核心概念
P(|X−μ|≥kσ) ≤ 1/k²。直觉：不管分布多歪——3σ以外不超过11.1%（正态说0.3%——保守37倍）。什么时候用：①不知道分布形态；②分布极端偏离正态——正态严重低估时兜底；③教学价值——σ在不假设分布时也有含义。
为什么需要它
①风险度量的「最差保证」：正态的VaR依赖假设——切比雪夫给无条件底线；②正态假设的解毒剂；③稳健性意识——知道哪些结论依赖假设、哪些不依赖。
实际应用场景
P(>3σ)≤11.1%、P(>5σ)≤4%——不管什么分布的保底。
与之前知识的联系
q-226（正态法则）的无假设版——两者是「乐观vs保守」的极端；q-227（肥尾）的现实教育。
⚠ 常见误解
- 切比雪夫太保守没用：它是底线不是估计——无知时唯一可靠的承诺
- 有它就不需要正态了：正态下能算精确概率——能用正态就别用切比雪夫
- 切比雪夫只适用于对称分布：对任意分布成立——这正是它的价值
🛠 本题实践任务
你的组合实际|偏离|>2σ和>3σ的频率——对照正态和切比雪夫——处于哪个区间？说明分布肥尾程度。
💡 提示（先自己想5分钟再看）
np.abs(r-r.mean())>2*r.std()的mean()即频率。
✅ 验收标准
两个实际频率+三方对照。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（正态覆盖法则），再用案例、公式和代码帮助理解。此功能需要先启用服务。