命题 1: 定义区间$I$上的Schwarz导数
$$D^{2}f(x)=\lim_{h\to 0}\frac{f(x+h)+f(x-h)-2f(x)}{h^{2}}$$
若$D^{2}f(x)\geq 0$则$f(x)$为$I$上的下凸函数,若$D^{2}f(x)\leq 0$,则$f(x)$为$I$上的上凸函数.
证明: 任意$\varepsilon >0$,构造辅助函数
$$F(x)=f(x)-\left[f(a)+\frac{f(b)-f(a)}{b-a}(x-a)\right]+\varepsilon (x-a)(x-b)$$
经计算有
\begin{align*}
D^{2}F(x)&=\lim_{h\to 0}\frac{F(x+h)+F(x-h)-2F(x)}{h^{2}}\\
&=\lim_{h\to 0}\frac{f(x+h)+f(x-h)-2f(x)}{h^{2}}+2\varepsilon\\
&\geq 2\varepsilon
\end{align*}
构造的辅助函数满足$F(a)=F(b)=0$且为$[a,b]$上的连续函数, 我们证明其最大值必然在端点处取到, 否则设$x_{0}\in (a,b)$且$F(x_{0})=\max_{x\in [a,b]}\{F(x)\}$
$$\frac{F(x_{0}+h)+F(x_{0}-h)-2F(x_{0})}{h^{2}}\leq 0$$
取$h\to 0$得$D^{2}F(x_{0})\leq 0$与$D^{2}F(x)\geq 2\varepsilon$矛盾. 故$F(x)\leq F(a)=0$即
$$f(x)\leq f(a)+\frac{f(b)-f(a)}{b-a}(x-a)-\varepsilon (x-a)(x-b)$$
令$\varepsilon \to 0$,有
$$f(x)\leq f(a)+\frac{f(b)-f(a)}{b-a}(x-a)$$
取$x=\frac{a+b}{2}$, 便得
$$f\left(\frac{a+b}{2}\right)\leq \frac{1}{2}f(a)+\frac{1}{2}f(b)$$
$f(x)$为$I$上下凸函数, 反之证明方法类似只需把$\varepsilon$改为负的即可.

命题 2:  若$f(x)$既为$I$上的下凸函数又为上凸函数,则$f(x)$为$I$上的线性函数.
证明:  设$x=\lambda_{1}a+\lambda_{2}b$,其中$\lambda_{1}+\lambda_{2}=1$.那么
$$f(x)=f(\lambda_{1}a+\lambda_{2}b)=\lambda_{1}f(a)+\lambda_{2}(b)$$
经简单计算
$$\frac{f(x)-f(a)}{x-a}=\frac{(\lambda_{1}-1)f(a)+\lambda_{2} f(b)}{(\lambda_{1}-1)a+\lambda_{2}b}=\frac{f(b)-f(a)}{b-a}$$

$$f(x)=f(a)+\frac{f(b)-f(a)}{b-a}(x-a)$$

Schwarz导数与凹凸性的更多相关文章

  1. matlab练习程序(多边形顶点凹凸性)

    生成简单多边形后,有时还需要对多边形各顶点的凹凸性做判断. 先计算待处理点与相邻点的两个向量,再计算两向量的叉乘,根据求得结果的正负可以判断凹凸性. 结果为负则为凹顶点,为正则为凸顶点. 凹顶点用o表 ...

  2. PCL—低层次视觉—点云分割(基于凹凸性)

    1.图像分割的两条思路 场景分割时机器视觉中的重要任务,尤其对家庭机器人而言,优秀的场景分割算法是实现复杂功能的基础.但是大家搞了几十年也还没搞定——不是我说的,是接下来要介绍的这篇论文说的.图像分割 ...

  3. 装载:关于拉格朗日乘子法与KKT条件

    作者:@wzyer 拉格朗日乘子法无疑是最优化理论中最重要的一个方法.但是现在网上并没有很好的完整介绍整个方法的文章.我这里尝试详细介绍一下这方面的有关问题,插入自己的一些理解,希望能够对大家有帮助. ...

  4. 关于拉格朗日乘子法与KKT条件

    关于拉格朗日乘子法与KKT条件 关于拉格朗日乘子法与KKT条件   目录 拉格朗日乘子法的数学基础 共轭函数 拉格朗日函数 拉格朗日对偶函数 目标函数最优值的下界 拉格朗日对偶函数与共轭函数的联系 拉 ...

  5. 【ML数学知识】极大似然估计

    它是建立在极大似然原理的基础上的一个统计方法,极大似然原理的直观想法是,一个随机试验如有若干个可能的结果A,B,C,... ,若在一次试验中,结果A出现了,那么可以认为实验条件对A的出现有利,也即出现 ...

  6. Matlab随笔之插值与拟合(上)

    原文:Matlab随笔之插值与拟合(上) 1.拉格朗日插值 新建如下函数: function y=lagrange(x0,y0,x) %拉格朗日插值函数 %n 个节点数据以数组 x0, y0 输入(注 ...

  7. [白话解析] 深入浅出 极大似然估计 & 极大后验概率估计

    [白话解析] 深入浅出极大似然估计 & 极大后验概率估计 0x00 摘要 本文在少用数学公式的情况下,尽量仅依靠感性直觉的思考来讲解 极大似然估计 & 极大后验概率估计,并且从名著中找 ...

  8. Alink漫谈(十一) :线性回归 之 L-BFGS优化

    Alink漫谈(十一) :线性回归 之 L-BFGS优化 目录 Alink漫谈(十一) :线性回归 之 L-BFGS优化 0x00 摘要 0x01 回顾 1.1 优化基本思路 1.2 各类优化方法 0 ...

  9. Ideas and Tricks

    1.树上拓扑排序计数 结论$\dfrac{n!}{\prod\limits_{i=1}^n size_i}$ 对于节点$i$,其子树随意排序的结果是$size[i]!$ 但$i$需要排在第一位,只有$ ...

随机推荐

  1. BZOJ3105: [cqoi2013]新Nim游戏

    题解: 线性基?类似于向量上的基底. 此题题解戳这里:http://blog.csdn.net/wyfcyx_forever/article/details/39477673 代码: #include ...

  2. php和java的一些比较

    现在市场上的电子商务软件基本上可归结为两大阵营,即PHP阵营和Java阵营.但对接触电子商务不久的用户来说,看到的往往只是它们的表相,只是明显的价格差异,却很难看出它们之间的实际差异.其实,PHP+ ...

  3. (转)Linux上的Shebang符号(#!)

    https://linux.cn/article-3664-1.html 本文了将给你简单介绍一下Shebang(”#!”)这个符号. 首先,这个符号(#!)的名称,叫做”Shebang”或者”Sha ...

  4. FU-A分包方式,以及从RTP包里面得到H.264数据和AAC数据的方法。。

    [原创] RFC3984是H.264的baseline码流在RTP方式下传输的规范,这里只讨论FU-A分包方式,以及从RTP包里面得到H.264数据和AAC数据的方法. 1.单个NAL包单元 12字节 ...

  5. H.264中NAL、Slice与frame意思及相互关系

    H.264中NAL.Slice与frame意思及相互关系 NAL nal_unit_type中的1(非IDR图像的编码条带).2(编码条带数据分割块A).3(编码条带数据分割块B).4(编码条带数据分 ...

  6. Liunx系统学习一,liunx系统的目录结构及含义

    LIUNX系统目录结构: “/” ===>这是linux文件系统的入口,也是整个linux文件系统的根目录,linux不同于windows,没有所谓的C,D,E盘,整个liunx只有一个根分区 ...

  7. https实现安全传输的流程

    HTTPS简介 HTTPS其实是有两部分组成:HTTP + SSL / TLS,也就是在HTTP上又加了一层处理加密信息的模块.服务端和客户端的信息传输都会通过TLS进行加密,所以传输的数据都是加密后 ...

  8. 屏蔽页面js报的错误

    有时候,某些js的错误,确实没有什么大影响,但是这个又实在没办法. 一般,下下策采取 <script language="javascript"> function k ...

  9. git pull冲突解决

    场景:用户UserA修改了文件File1,用户UserB也修改了文件File1并成功merge到了服务器上,而UserA和UserB改动了同一个代码块,当UserA拉取代码时git无法merge此改动 ...

  10. POJ 1716 Integer Intervals

    题意:给出一些区间,求一个集合的长度要求每个区间里都至少有两个集合里的数. 解法:贪心或者差分约束.贪心的思路很简单,只要将区间按右边界排序,如果集合里最后两个元素都不在当前区间内,就把这个区间内的最 ...