Schur-konveks funksjon
I matematikk, en Schur-konveks (eller konveks i den forstand av Schur) funksjon, også kalt S-konveks , isotonisk funksjon eller ordre-bevare funksjonen er en funksjon slik at den bevarer rekkefølgen forbindelser: for alle slik at x er avgrenset av y , f tilfredsstiller 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}}
Oppkalt etter Issai Schur , brukes Schur-konvekse funksjoner i studien av majorisering . Enhver funksjon som er konveks og symmetrisk er også Schur-konveks, men den omvendte implikasjonen er ikke alltid sant. På den annen side er enhver Schur-konveks funksjon symmetrisk (med hensyn til permutasjonene av argumentene).
Schur-konkav funksjon
En funksjon f sies å være Schur-konkav hvis det motsatte, - f , er Schur-konveks.
Schur-Ostrowski-kriterium
Hvis f er symmetrisk og har delvis derivater, er f Schur-konveks hvis og bare hvis for alle 1 ≤ i ≠ j ≤ d og på et hvilket som helst punkt av :
Rd{\ displaystyle \ mathbb {R} ^ {d}}
(xJeg-xj)(∂f∂xJeg-∂f∂xj)≥0{\ displaystyle (x_ {i} -x_ {j}) \ left ({\ frac {\ partial f} {\ partial x_ {i}}} - {\ frac {\ partial f} {\ partial x_ {j} }} \ høyre) \ geq 0}.
Eksempler
-
f(x)=min(x){\ displaystyle f (x) = \ min (x)}er Schur-konkav og er Schur-konveks (dette trekkes raskt ut av definisjonen av funksjoner).f(x)=maks(x){\ displaystyle f (x) = \ max (x)}
- Shannon entropi -funksjon er Schur-konkav.∑Jeg=1dPJeg⋅Logg21PJeg{\ displaystyle \ sum _ {i = 1} ^ {d} {P_ {i} \ cdot \ log _ {2} {\ frac {1} {P_ {i}}}}}
- Den Rényi entropi -funksjon er også Schur-konkav.
- Ganske naturlig er funksjonene alle Schur-konvekse for k ≥ 1 .∑Jeg=1dxJegk{\ displaystyle \ sum _ {i = 1} ^ {d} {x_ {i} ^ {k}}}
- Funksjonen er Schur-konkav, på domenet . På samme måte er de elementære symmetriske funksjonene Schur-konkav .f(x)=∏Jeg=1ikkexJeg{\ displaystyle f (x) = \ prod _ {i = 1} ^ {n} x_ {i}}(R+)d{\ displaystyle (\ mathbb {R} _ {+}) ^ {d}}(R+)d{\ displaystyle (\ mathbb {R} _ {+}) ^ {d}}
- En naturlig tolkning av majoriseringen er at hvis da x er mer spredt enn y . Det er derfor naturlig å spørre om de statistiske målene for variabilitet er Schur-konvekse. Den varians og standardavvik er begge Schur-konvekse funksjoner, men den absolutte verdi av avvikene er ikke.x≻y{\ displaystyle x \ succ y}
- Hvis g er en konveks funksjon definert over et reelt intervall, er Schur-konveks.∑Jeg=1ikkeg(xJeg){\ displaystyle \ sum _ {i = 1} ^ {n} g (x_ {i})}
- Et sannsynlig eksempel: Hvis det er utskiftbare tilfeldige variabler, er forventningsfunksjonen Schur-konveks som en funksjon av multiindeksen , forutsatt at forventningen eksisterer.X1,...,Xikke{\ displaystyle X_ {1}, \ prikker, X_ {n}}E(∏j=1ikkeXjpåj){\ displaystyle \ mathbb {E} \ left (\ prod _ {j = 1} ^ {n} X_ {j} ^ {a_ {j}} \ right)}på=(på1,...,påikke){\ displaystyle a = (a_ {1}, \ prikker, a_ {n})}
- Den Gini-koeffisienten er strengt Schur-konkav.
Referanser
-
(i) A. Wayne Roberts og Dale E. Varberg , Convex funksjoner , New York, Academic Press ,1973, 299 s. ( ISBN 978-0-08-087372-5 , leses online ) , s. 258.
-
(i) Josip E. Peajcariaac og Y. L. Tong , konvekst buet funksjoner, Delvise orde, og statistiske Applications , Academic Press,1992, 467 s. ( ISBN 978-0-08-092522-6 , leses online ) , s. 333.
Se også
Kva-konveks funksjon
<img src="https://fr.wikipedia.org/wiki/Special:CentralAutoLogin/start?type=1x1" alt="" title="" width="1" height="1" style="border: none; position: absolute;">