均值定理公式推导-均值定理公式推导详解：从直观理解到严格证明的完整路径

均值定理，即Jensen不等式，是微积分领域中一个看似基础却蕴含深意的经典结论。在中学数学课堂中，它常常被简化为一个“常识性公式”——当学生看到 $frac{a+b}{2}$ 便心领神会，看到 $f(frac{a+b}{2})$ 便点头称是，仿佛这是数学世界里最天经地义的安排。然而，真正将其从“经验公式”提升为“定理”，需要跨越从具体到抽象、从直觉到严格的思维鸿沟。

许多学习者存在一个认知误区：认为均值定理仅适用于连续函数或实数域。实际上，该定理的适用性远超这一认知——关键在于函数的凸性（convexity）而非定义域的连续性。只要函数满足凸性条件，无论输入变量是实数、整数还是更一般的测度空间中的点，Jensen不等式均成立。这正是其被誉为“数学界最大公心力量”的原因：它揭示了平均值与函数值之间普适的不等关系。

让我们通过一个简单例子直观感受均值定理的威力。设 $f(x) = x^2$（典型的凸函数），取 $a=1$, $b=3$。此时算术平均值为 $frac{1+3}{2} = 2$，函数值为 $f(2) = 4$；而函数值的平均为 $frac{f(1)+f(3)}{2} = frac{1+9}{2} = 5$。显然 $4 le 5$，即 $f(frac{a+b}{2}) le frac{f(a)+f(b)}{2}$，均值定理成立。若将函数改为 $f(x) = -x^2$（凹函数），则不等式方向反转：$f(frac{a+b}{2}) = -4$，$frac{f(a)+f(b)}{2} = -5$，此时 $-4 > -5$，定理不再适用——这进一步印证了凸性是均值定理成立的充要条件。

值得注意的是，均值定理在整数集上的表现常被误解。由于整数集是离散的，部分学习者误以为定理仅适用于连续域。事实上，只要函数在整数集上保持凸性（即满足 $f(frac{x+y}{2}) le frac{f(x)+f(y)}{2}$ 对所有整数 $x,y$ 成立），定理依然有效。例如 $f(x)=x^2$ 在整数集上是凸的，因为其二阶差分 $Delta^2 f(x) = f(x+1) - 2f(x) + f(x-1) = 2 > 0$ 恒成立，这等价于连续情形下的 $f''(x) ge 0$。

均值定理（Jensen's Inequality）的严格数学表述如下：

当 $n=2$ 且 $lambda_1 = lambda_2 = frac{1}{2}$ 时，即为最常用的二元形式：

此处“凸函数”的定义需严格区分：在数学分析中，凸函数指满足 $f(lambda x + (1-lambda)y) le lambda f(x) + (1-lambda)f(y)$ 的函数（图像向下凸起，如 $x^2$），而中文语境常称其为“下凸函数”；与之对应，“凹函数”指不等式反向的函数（如 $-x^2$）。为避免混淆，本文统一采用国际通用的凸函数定义。

均值定理的等号成立条件同样重要：当且仅当 $x_1 = x_2 = dots = x_n$ 或 $f$ 在区间 $[x_1, x_n]$ 上为线性函数时，等号成立。例如对 $f(x)=x^2$，等号仅当 $x_1=x_2$ 时成立；而对 $f(x)=2x+3$（线性函数），对任意 $x_1,x_2$ 等号恒成立。这一特性在优化问题中常被用于判断最优解的唯一性。

在概率论中，均值定理有更普适的表述：若 $X$ 是随机变量，$f$ 是凸函数，且期望 $E[|X|]$ 和 $E[|f(X)|]$ 存在，则 $f(E[X]) le E[f(X)]$。例如设 $X$ 服从伯努利分布 $P(X=0)=P(X=1)=0.5$，$f(x)=x^2$，则 $E[X]=0.5$，$f(E[X])=0.25$；$E[f(X)]=E[X^2]=0.5$，显然 $0.25 le 0.5$。此形式将均值定理与期望的线性性质紧密结合，是马尔可夫不等式、切比雪夫不等式等概率论基石的理论源头。

均值定理的证明有多种路径，本文从最基础的二元情形开始，逐步推广至一般情形，帮助学习者建立清晰的逻辑链条。

元情形的几何证明

设 $f$ 在区间 $I$ 上可导且凸，则其图像任一点的切线均位于图像下方（切线判别法）。取 $x_1 < x_2$，令 $x = frac{x_1+x_2}{2}$，由切线不等式：

两式相加并除以2，注意到 $x = frac{x_1+x_2}{2}$，故 $(x_1 - x) + (x_2 - x) = 0$，得：

此即二元均值定理。若 $f$ 不可导，可通过凸函数的次梯度（subgradient）理论推广，但中学阶段无需涉及。

数学归纳法证明（有限情形）

对 $n$ 进行归纳。当 $n=2$ 时已证。假设对 $n=k$ 成立，即 $fleft(sum_{i=1}^k lambda_i x_iright) le sum_{i=1}^k lambda_i f(x_i)$。考虑 $n=k+1$，令 $Lambda = sum_{i=1}^k lambda_i$，则 $lambda_{k+1} = 1 - Lambda$。由归纳假设：

令 $y = sum_{i=1}^k frac{lambda_i}{Lambda} x_i$，则原式 $= f(Lambda y + (1-Lambda)x_{k+1}) le Lambda f(y) + (1-Lambda)f(x_{k+1})$（二元情形）

$le Lambda sum_{i=1}^k frac{lambda_i}{Lambda} f(x_i) + (1-Lambda)f(x_{k+1}) = sum_{i=1}^{k+1} lambda_i f(x_i)$

归纳完成。

概率论视角下的推广

设 $(Omega, mathcal{F}, P)$ 为概率空间，$X: Omega to I$ 为可测函数，$f$ 为凸函数。对简单函数 $X = sum_{i=1}^n a_i mathbf{1}_{A_i}$（其中 $bigcup A_i = Omega$，$A_i$ 互斥），有 $E[X] = sum a_i P(A_i)$。由有限情形：

对一般可积随机变量，通过简单函数列逼近并应用控制收敛定理即可完成证明。此形式在金融数学中用于证明风险度量的次可加性，在机器学习中支撑着期望风险最小化理论。

均值定理不仅是理论工具，更是解决实际问题的利器。以下通过典型例题展示其在不同场景的应用逻辑。

值得注意的是，均值定理在整数集上的应用需谨慎验证凸性。例如对 $f(x) = x^2$，其二阶差分 $Delta^2 f(x) = 2 > 0$ 恒成立，故在整数集上凸；但 $f(x) = ln x$ 在实数域凹，在正整数集上仍凹（因 $Delta^2 ln x = ln(x+1) + ln(x-1) - 2ln x = ln(1 - frac{1}{x^2}) < 0$），此时均值定理不等式反向。