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. js之generate

    generator(生成器)是ES6标准引入的新的数据类型.一个generator看上去像一个函数,但可以返回多次. ES6定义generator标准的哥们借鉴了Python的generator的概念 ...

  2. SpringMvc Controller请求链接忽略大小写(包含拦截器)及@ResponseBody返回String中文乱码处理

    SpringMvc Controller请求链接忽略大小写(包含拦截器)及@ResponseBody返回String中文乱码处理... @RequestMapping(value = "/t ...

  3. HTML表格相关元素

    <table> 标签定义 HTML 表格.简单的 HTML 表格由 table 元素以及一个或多个 tr.th 或 td 元素组成.tr 元素定义表格行,th 元素定义表头,td 元素定义 ...

  4. 软件项目技术点(8)—— canvas调用drawImage绘制图片

    AxeSlide软件项目梳理   canvas绘图系列知识点整理 html5中标签canvas,函数drawImage(): 使用drawImage()方法绘制图像.绘图环境提供了该方法的三个不同版本 ...

  5. angular - webpack2 例子

    用一周多的时间做了一个简易的wap站 之前研究过webpack但是一直没用过,这次公司要做一个h5网站,正好拿来练练手,话说angular1x对移动端不是很友好,但主要是angular1x比较熟悉,上 ...

  6. Git 基本知识与常用指令

    一.Git代码状态转换图 其中: 未被Git跟踪的状态为unstage状态: 已被Git跟踪的状态为stage状态(stage:阶段),因此包括staging状态和staged状态. untrack ...

  7. AE常用代码(标注要素、AE中画带箭头的线、如何获得投影坐标、参考坐标、投影方式、FeatureCount注意事项)

    手上的电脑已经用了将近三年了,想入手一台Surface Pro,所以计划着把电脑上的资料整理下,部分资料打算发到博客上来,资料有同事.也有自己的.也有来自网络的,来源途径太多,也没法详细注明,请见谅! ...

  8. Daemon 自更新

    NSTask *task = [[NSTask alloc] init]; [task setLaunchPath:@"usr/bin/dpkg"]; [task setArgum ...

  9. sparkpython

    http://blog.csdn.net/ydq1206/article/details/51922148

  10. 域名和DNS服务器

    概念性的东西: 域名:     ①.百度:域名(Domain Name),是由一串用点分隔的名字组成的Internet上某一台计算机或计算机组的名称,用于在数据传输时标识计算机的电子方位(有时也指地理 ...