Schur-konvexní funkce
V matematice, Schurova-konvexní (nebo konvexní ve smyslu Schur) funkce, také nazývaný S-konvexní , izotonický funkce nebo funkce, aby se zachováním je funkce taková, že zachovává vztahy pořadí: pro všechny takové, že x je ohraničen od y , f splňuje f ( x ) ≤ f ( y ) .
F:Rd→R{\ displaystyle f: \ mathbb {R} ^ {d} \ rightarrow \ mathbb {R}}X,y∈Rd{\ displaystyle x, y \ in \ mathbb {R} ^ {d}}
Pojmenované podle Issai Schura , konvexní funkce Schur se používají při studiu majorizace . Jakákoli funkce, která je konvexní a symetrická, je také Schurova konvexní, ale reverzní implikace není vždy pravdivá. Na druhou stranu je jakákoli Schurova konvexní funkce symetrická (s ohledem na permutace jejích argumentů).
Schur-konkávní funkce
O funkci f se říká, že je Schur-konkávní, pokud její protiklad, - f , je Schur-konvexní.
Schur-Ostrowského kritérium
Pokud je f symetrické a má parciální derivace, pak f je Schur-konvexní právě tehdy, když pro všechny 1 ≤ i ≠ j ≤ d a v jakémkoli bodě :
Rd{\ displaystyle \ mathbb {R} ^ {d}}
(Xi-Xj)(∂F∂Xi-∂F∂Xj)≥0{\ displaystyle (x_ {i} -x_ {j}) \ doleva ({\ frac {\ částečné f} {\ částečné x_ {i}}} - {\ frac {\ částečné f} {\ částečné x_ {j} }} \ vpravo) \ geq 0}.
Příklady
-
F(X)=min(X){\ displaystyle f (x) = \ min (x)}je Schur-konkávní a je Schur-konvexní (to lze rychle odvodit z definice funkcí).F(X)=max(X){\ displaystyle f (x) = \ max (x)}
- Shannonova entropická funkce je Schur-konkávní.∑i=1dPi⋅log21Pi{\ displaystyle \ sum _ {i = 1} ^ {d} {P_ {i} \ cdot \ log _ {2} {\ frac {1} {P_ {i}}}}}
- Funkce Rényiho entropie je také Schur-konkávní.
- Spíše přirozeně jsou všechny funkce konvexní Schur pro k ≥ 1 .∑i=1dXik{\ displaystyle \ sum _ {i = 1} ^ {d} {x_ {i} ^ {k}}}
- Funkce je Schur-concave v doméně . Stejně tak jsou elementární symetrické funkce Schur-konkávní .F(X)=∏i=1neXi{\ displaystyle f (x) = \ prod _ {i = 1} ^ {n} x_ {i}}(R+)d{\ displaystyle (\ mathbb {R} _ {+}) ^ {d}}(R+)d{\ displaystyle (\ mathbb {R} _ {+}) ^ {d}}
- Přirozená interpretace majorizace spočívá v tom, že pokud je pak x více rozšířeno než y . Je proto přirozené se ptát, zda jsou statistická měřítka variability Schurova konvexní. Rozptyl a směrodatná odchylka jsou oba Schurova-konvexní funkce, ale absolutní hodnota odchylky není.X≻y{\ displaystyle x \ succ y}
- Pokud g je konvexní funkce definovaná ve skutečném intervalu, pak je Schur-konvexní.∑i=1neG(Xi){\ displaystyle \ sum _ {i = 1} ^ {n} g (x_ {i})}
- Příklad v pravděpodobnosti: pokud jsou vyměnitelné náhodné proměnné, pak je funkce očekávání Schurova konvexní jako funkce víceindexu za předpokladu, že očekávání existuje.X1,...,Xne{\ displaystyle X_ {1}, \ tečky, X_ {n}}E(∏j=1neXjnaj){\ displaystyle \ mathbb {E} \ vlevo (\ prod _ {j = 1} ^ {n} X_ {j} ^ {a_ {j}} \ vpravo)}na=(na1,...,nane){\ displaystyle a = (a_ {1}, \ dots, a_ {n})}
- Gini koeficient je striktně Schur-konkávní.
Reference
-
(in) A. Wayne Roberts a Dale E. Varberg , Konvexní funkce , New York, Academic Press ,1973, 299 s. ( ISBN 978-0-08-087372-5 , číst online ) , s. 258.
-
(in) Josip E. Peajcariaac a Y. L. Tong , Konvexní funkce, Částečné řazení a Statistické aplikace , Academic Press,1992, 467 s. ( ISBN 978-0-08-092522-6 , číst online ) , s. 333.
Podívejte se také
Kvazi-konvexní funkce
<img src="https://fr.wikipedia.org/wiki/Special:CentralAutoLogin/start?type=1x1" alt="" title="" width="1" height="1" style="border: none; position: absolute;">