若f(x)为区间I上的下凸(上凸)函数,则对于任意xi∈I和满足∑λi=1的λi>0(i=1,2,...,n),成立:

\[f(\sum ^{n} _{i=1} \lambda _{i}x_{i})\leq \sum ^{n} _{i=1} \lambda _{i} f(x_{i}) \qquad (f(\sum ^{n}_{i=1}\lambda _{i}x_{i})\geq \sum ^{n}_{i=1}\lambda _{i}f(x_{i}))\]

特别地,取λi=1/n  (i=1,2,...,n),就有

\[f(\frac{1}{n}\sum ^{n}_{i=1}x_{i})\leq \frac{1}{n}\sum ^{n}_{i=1} \qquad (f(\frac{1}{n}\sum ^{n}_{n=1})\geq \frac{1}{n}\sum ^{n}_{i=1}f(x_{i}))\]

为了方便说明,以下函数均以下凸函数为例

证明:

在i=1,2时 Jensen不等式 显然成立:

\[f(\lambda _{1}x_{1}+\lambda _{2}x_{2})\leq \lambda _{1}f(x_{1})+\lambda _{2}f(x_{2})\]

\[f(\sum ^{n} _{i=1} \lambda _{i}x_{i})\leq \sum ^{n} _{i=1} \lambda _{i} f(x_{i})\]

利用数学归纳法证明 i≥3 的情况

\[f(\sum ^{n+1}_{i=1}\lambda _{i}x_{i})=f(\lambda _{n+1}x_{n+1}+\sum ^{n}_{i=1}\lambda _{i}x_{i})\]

由题意\[\sum ^{n+1}_{i=1}\lambda _{i}=1\],

设\[\eta _{i}=\frac{\lambda {i}}{1-\lambda _{n+1}}\]

得:

\[f(\sum ^{n+1}_{i=1}\lambda _{i}x_{i})=f[\lambda _{n+1}x_{n+1}+(1-\lambda _{n+1})\sum ^{n}_{i=1}\eta _{i}x_{i}]\]

由i=2时 Jensen不等式 成立,可得

\[f(\sum ^{n+1}_{i=1}\lambda _{i}x_{i})\leq \lambda _{n+1}f(x_{n+1})+(1-\lambda _{n+1})f(\sum ^{n}_{i=1}\eta _{i}x_{i})\]

\[f(\sum ^{n+1}_{i=1}\lambda _{i}x_{i})\leq \lambda _{n+1}f(x_{n+1})+(1-\lambda _{n+1})\sum ^{n}_{i=1}\eta _{i}f(x_{i})=\sum ^{n+1}_{i=1}\lambda _{i}f(x_{i})\]

于是证得Jensen不等式在i≥3时也成立

\[f(\sum ^{n} _{i=1} \lambda _{i}x_{i})\leq \sum ^{n} _{i=1} \lambda _{i} f(x_{i})\]

Jensen 不等式的更多相关文章

  1. 机器学习数学|微积分梯度jensen不等式

    机器学习中的数学 觉得有用的话,欢迎一起讨论相互学习~Follow Me 原创文章,如需转载请保留出处 本博客为七月在线邹博老师机器学习数学课程学习笔记 索引 微积分,梯度和Jensen不等式 Tay ...

  2. 数学分析中jensen不等式由浅入深进行教学(转)

    中国知网:数学分析中Jensen不等式由浅入深进行教学

  3. 归并排序、jensen不等式、非线性、深度学习

    前言 在此记录一些不太成熟的思考,希望对各位看官有所启发. 从题目可以看出来这篇文章的主题很杂,这篇文章中我主要讨论的是深度学习为什么要"深"这个问题.先给出结论吧:"深 ...

  4. 【数学基础篇】---详解极限与微分学与Jensen 不等式

    一.前述 数学基础知识对机器学习还有深度学习的知识点理解尤为重要,本节主要讲解极限等相关知识. 二.极限 1.例子 当 x 趋于 0 的时候,sin(x) 与 tan(x) 都趋于 0. 但是哪一个趋 ...

  5. 从Jensen不等式到Minkowski不等式

    整理即证 参考资料: [1].琴生不等式及其加权形式的证明.Balbooa.https://blog.csdn.net/balbooa/article/details/79357839.2018.2 ...

  6. 凸函数与Jensen不等式

    这个是在凸优化里面看的,在EM算法中看有用到,所以用latex写了篇回忆用的小短文,现在不会把latex产生的pdf怎么转变成放到这里的内容. 所以我选择直接贴图. 这个pdf可以在我的资源里找到.  ...

  7. Jensen不等式

  8. MM bound 与 Jensen's inequality

    MM bound 与 Jensen's inequality 简森不等式 在使用最大似然估计方法求解模型最优解的时候,如果使用梯度下降(GD or SGD)或者梯度上升(GA or SGA),可能收敛 ...

  9. Machine Learning Algorithms Study Notes(6)—遗忘的数学知识

    机器学习中遗忘的数学知识 最大似然估计( Maximum likelihood ) 最大似然估计,也称为最大概似估计,是一种统计方法,它用来求一个样本集的相关概率密度函数的参数.这个方法最早是遗传学家 ...

随机推荐

  1. angular2-生命周期钩子函数

    生命周期的顺序 当Angular使用构造函数新建一个组件或指令后,就会按下面的顺序在特定时刻调用这些生命周期钩子方法: 钩子 目的和时机 ngOnChanges() 当Angular(重新)设置数据绑 ...

  2. 设备信息工具pv-jd快速上手

    pv-jd 这是一个判断设备信息的小工具,可以判断出移动端还是PC端,提供了多种API 快速开始 安装npm install pv-jd -S 示例 import {judgeDevice, judg ...

  3. Bootstrap拟态框+支付宝首页

    任务没完成,继续来!因为刚才网不好,我辛辛苦苦打了洋洋洒洒一大堆都没了! 我们今天主要是说一个简单的由Bootstrap和HTML5结合而成的小案例: 首先:由标题可得知,这是移动端,所以需要这样一串 ...

  4. Easy deployment

    Use simple ssh and shell scripts to deploy, upgrade, rollback and reconfigure linux servers. https:/ ...

  5. 《ArcGIS Runtime SDK for Android开发笔记》——离在线一体化技术:概述

    1.前言 数据生产和数据展示是常见的两大专业级移动GIS应用场景,这里我们针对数据生产环节的ArcGIS的离在线一体化技术给大家做一个基本的介绍和梳理. 使用ArcGIS离在线一体化技术首先需要以下基 ...

  6. Fidder详解之get和post请求

    前言 本文会对Fidder这款工具的一些重要功能,进行详细讲解,带大家进入Fidder的世界,本文会让你明白,Fidder不仅是一个抓包分析工具,也是一个请求发送工具,更加可以当作为Mock Serv ...

  7. Daily paper -Science 2006: Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market (探究群体行为对商品销量的影响)

    论文:      Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market 发表期刊 ...

  8. tomcat、Apache服务器外网无法访问80和8080端口,其他端口可以访问

    tomcat.Apache服务器外网无法访问80和8080端口,其他端口都可以访问,很明显地看出这是网络运营商的问题,他们把80和8080端口对外访问屏蔽了. 解释:这两个端口是常用的HTTP协议端口 ...

  9. 团队的初体验与Scrum的初识

    一. 队名及宣言 队名: the better for you 宣言: Change our lives with code 二. 队员及分工 a.承担软件工程的角色 姓名 学号 角色 蒋 婷 B20 ...

  10. Android(java)学习笔记45:深入分析Java ClassLoader原理

    1. 前言: Android中的动态加载机制能更好的优化我们的应用,同时实现动态的更新,这就便于我们管理我们的应用,通过插件化来减轻我们的内存以及CPU消耗,在不发布新版本的情况下能更新某些模块. 当 ...