均值不等式，也就是常说的算术平均数大于等于几何平均数，这东西在那会儿看数学题的时候认定是死记硬背公式，像背了个冷知识，但仔细想想实际上挺有道理的。
实际上它就是个说理工具，用来帮我们在面对一堆非负数的时候，心里有个底：这些数加起来是个数，它们连乘是个数，那个乘积肯定比它们加起来的一半小。 这就好比你去买一堆东西，要是是买苹果、香蕉、橘子这些水果，你肯定认定一共花了多少钱，比买那些水果加上某种特产给个四舍五入的整数要划算一点。
这个“比……小”就是算术平均数大于或等于几何平均数，那个“大于”的符号一般不写等号，要不就那堆数里全是 0，不然就说明它们之间肯定有差距。
有时候我们就连能一眼看出哪个更大，那个更大的就在中间，那个更小的就躲在尾巴上，反正中间那个算出来的数，绝对比直接乘起来的数要大。 举个具体的例子吧，假设我们要算 4 个数的平均数，分别是 2、6、8、12。大家随意往心里想一下，这 4 个数加起来是 30。
那它们连乘起来是多少呢？2 乘 6 是 12，再乘 8 是 96，最终再乘 12 等于 1152。
这时候要是你直接把 1152 除以 4，你会发现结局刚好是 288。而要是我们直接算算术平均数，也就是 1152 除以 4，然后除以 4，也就是 1152 除以 16，结局是 72。
哎哟，这两者差远了，中间差了 456，差不多 100 倍。
这说明要是这 4 个数特别均匀，比如都是 3，那它们加起来是 12，乘起来是 27，平均数是 3，这时候算术平均数才等于几何平均数。但要是这 4 个数特别不均匀，比如前两个小，后两个大，那算术平均数就会大得多。 再换个角度说，平均值不等式有时候还被叫做加权平均数那种推导的源头，别看叫法不一样，但核心逻辑是一样的。
比如你有一袋糖，里面混着不同糖度，比如红糖、白砂糖、黑糖，质量分别是 1、2、3 份，糖度分别是 100、50、30，问平均糖度是多少。
这时候假设具体的单位糖度，比如 1 份红糖贡献 100 度，2 份白砂糖贡献 50 度，3 份黑糖贡献 30 度，那总糖度就是 100+50+30=180，总份数是 6。
这时候要是不加权，直接算 180 除以 6 就等于 30。但这里的逻辑略微有点绕，实际上加权平均数公式里的权重就是各局部的比例，比如红糖占 1/6，白砂糖占 2/6，黑糖占 3/6。
那么加权平均数就是 (1/6)100 + (2/6)50 + (3/6)30 = 100/6 + 100/6 + 90/6 = 290/6 ≈ 48.33。
这时候算术平均数就是 30，而几何平均数说的是如何算乘积再开根号。
不过这里有个小陷阱，要是这 4 个数全是负数要么 0 的话，算术平均数和几何平均数就没有可比性了，出于根号下不能是负数，并且负数开根号在实数范围内没意义。
故此这个公式天生就是针对非负实数设计的。 实际上它那个“大”和“小”的差别挺有意思的，特别是当那堆数特别大要么特别小的时候。
比如那 4 个数都是 100，那算术平均数是 100，几何平均数也是 100，这时候它们相等，说明这 4 个数彻底一样。但要是那 4 个数里有一个是 1，另一个是 100，那算术平均数就是 25，几何平均数就是 10。
这时候“平均数”确实能代表这堆数的中心吗？我认定只能代表一局部。
比如你有一堆数据，其中一个是 1，一个 100，那平均值 25 实际上挺虚的，出于它被那两个极端数据拉得比较高，掩盖了大局部数据的真水平。 有时候人们会把均值不等式当成一个万能公式到处挂，认定只要是非负数，它就一定成立。但仔细一推敲，它更多时候是用来找大约的界限，要么用来判断某些表达式有没有下界。
比如在里面出现了三个数，要么四个数，就连更多，它们加起来不算特别多，但又不能是 0，这时候用均值不等式算出来的那个中间数，总比直接乘开的大。
这就像你估算一个人的钱，他赚了 1000，赔了 100，那他的净赚是 900。但你没法直接算 1000 除以 4 再除以 4，出于那是算平均贡献，而不是算净赚。均值不等式有时候就像个校正器，告诉你直接乘开算出来的那个“最小值”实际上是个下界，真正的“真值”可能比这个小，但绝对比算术平均数那个估摸值要小得多。 有时候我们还会反过来用这个公式，看看能不能把复杂的乘积式拆开。
比如你看到个式子，里面有 3 个变量相乘，想求最大值，这时候均值不等式就派上用场了。
比如 x1 x2 x3，其中 xi 都是正数。
这时候你能够把 x1、x2、x3 加起来，拿到它们的算术平均，然后再跟它们的乘积比，发现乘积肯定小于平均值的立方。
那反过来想，要是要让这个乘积最大，那这 3 个数是不是应当尽量接近？比如 1、1、9，它们的和是 11，乘积是 9。
这时候要是改成 2、2、2.5，和也是 6.5，乘积 12.5，这就更大。
故此均值不等式在讲最大最小值的时候，实际上是暗示了“凑整”、“均衡”要么“极化”这种策略，让变量值越接近越好。 再聊聊一下应用场景，别看题目里没明说，但均值不等式实际上无处不在。在计算机科学的消息传递约束里，要么网络延迟优化里，有时候会用到类似的逻辑，就是各种工夫、带宽、能耗的乘积，最终要经过平均化，这时候用均值不等式来估算一个放大的系数，能帮你快速剪掉一些不必要的计算步骤。
比如在算法竞赛要么数据分析的时候，要是有一堆误差项，它们挺小，但数量大量，直接求和乘积可能会爆炸，这时候用均值不等式估算一下那个“膨胀”因子，就知道结局大约是在某个范围内，要么直接忽略掉那些绝对值挺小的项，出于它们对整体结局的影响微乎其微。 有时候我们会看到有人把均值不等式用在物理要么工程里，比如计算两个力方向反之时的合成，要么计算电阻并联时的总电阻。别看具体数值可能不一样，但背后的直觉是一样的：几个东西拼在一起，总效果肯定比硬挤在一起的效果好，要么说比好办相加的效果好。
比如两根电线，一根电阻是 1 欧姆，另一根是 2 欧姆，并联后的电阻肯定小于 1 欧姆，也大于 1 欧姆。而均值不等式在处理这类正实数运算的时候，给出的那种“中间值”数学模型，实际上就是在描述这种混合效应。 再想想那 4 个数相乘的例子，实际上那个“大”和“小”的差距，有时候能反映出数据的离散程度。
比如那 4 个数是 1、2、8、100，那它们的和是 111，乘积是 1600，平均数是 27.5，几何平均数是 10。
这时候你看，平均数 27.5 离几何平均数 10 挺远的，说明这堆数差别挺大。
要是把这 4 个数改成 3、3、3、3，那平均、几何都还是 3，差距为 0。
故此均值不等式有时候不仅是个公式，还是个统计特征的描述工具，它告诉我们要警惕那些极端值，出于极端值会让算术平均数失真，让乘积结局变得挺“胖”。 实际上它还有个隐藏的逻辑，就是关于“收敛”要么“趋向”。
比如当那堆数越来越多，越来越均匀的时候，算术平均数慢慢逼近几何平均数。
要是它们越来越不均匀，比如越来越有个头挺大的，那算术平均数可能会跑挺远，远大于几何平均数。
这种动态变化的过程，均值不等式作为一个静态的公式，捕捉到了这种极端的敏感度。 最终总结一下，均值不等式别看是个好办的公式，但它承载着的是一种处理非负实数集合时的根本直觉：乘积往往小于（或等于）和的平均值，这意味着在挺难找到的那个“最坏情况”要么“下限”下，算术平均数往往是个挺有用的上界估摸。
只要那堆数是非负实数，也没难题。它不需求你非得懂复杂的推导，有时候只要知道“不准那么高，准那么低”这种大约的等级，就能在脑子里有个数，心里就有数了。
