跳到主要内容

凸函数、不等式与极值应用：分析学的几何灵魂

在微分学中，如果说导数刻画了函数的“速度”，那么凸性（Convexity）则刻画了函数的“趋势”。凸函数理论不仅是数学分析的核心，更是现代最优化理论、概率论与信息论的基石。本专题对标华东师大版《数学分析》第六章，深度系统化凸函数理论及其在不等式证明中的威力。

一、 凸函数的严密定义​

1. 几何定义与 Jensen 形式​

设 f(x)f(x) 为定义在区间 II 上的函数。若对 ∀x1,x2∈I\forall x_1, x_2 \in I 及 ∀λ∈(0,1)\forall \lambda \in (0, 1)，恒有：

f(λx1+(1−λ)x2)≤λf(x1)+(1−λ)f(x2)f(\lambda x_1 + (1-\lambda)x_2) \le \lambda f(x_1) + (1-\lambda)f(x_2)

则称 f(x)f(x) 为 II 上的凸函数 (Convex Function)。

注意：华氏教材中，上述定义对应“下凸”，部分教材（如物理或老版教材）可能称之为“凹”。在本系统中，我们统一采用现代数学术语：开口向上为凸。

2. Jensen 不等式（离散形式）​

若 f(x)f(x) 是区间 II 上的凸函数，则对于 ∀xi∈I\forall x_i \in I 及 ∀λi>0\forall \lambda_i > 0 且 ∑i=1nλi=1\sum_{i=1}^n \lambda_i = 1，恒有：

f(∑i=1nλixi)≤∑i=1nλif(xi)f\left(\sum_{i=1}^n \lambda_i x_i\right) \le \sum_{i=1}^n \lambda_i f(x_i)

这是凸函数最本质的特征，也是推导所有分析学经典不等式的“母机”。

二、 凸性的判别法​

1. 一阶导数判别法（切线特征）​

设 f(x)f(x) 在 II 上可导，则 f(x)f(x) 为凸函数的充要条件是：

f(y)≥f(x)+f′(x)(y−x),∀x,y∈If(y) \ge f(x) + f'(x)(y-x), \quad \forall x, y \in I

几何直观：凸函数的图像始终位于其任意一点切线的上方。

2. 二阶导数判别法（曲率特征）​

设 f(x)f(x) 在 II 上二阶可导，则：

  • f(x)f(x) 是凸函数的充要条件是 f′′(x)≥0f''(x) \ge 0 对 ∀x∈I\forall x \in I 成立。
  • 若 f′′(x)>0f''(x) > 0，则 f(x)f(x) 是严格凸函数。

三、 核心不等式的推导：凸性之美​

利用凸函数理论（特别是 Jensen 不等式），我们可以优雅地推导分析学的三大支柱不等式。

1. Young 不等式​

设 p,q>1p, q > 1 且 1p+1q=1\frac{1}{p} + \frac{1}{q} = 1。对 ∀a,b>0\forall a, b > 0，有：

ab≤app+bqqab \le \frac{a^p}{p} + \frac{b^q}{q}

证明概要：利用 ln⁡x\ln x 的凹性（即 −ln⁡x-\ln x 的凸性）。 取 f(x)=−ln⁡xf(x) = -\ln x，由 Jensen 不等式： −ln⁡(1pap+1qbq)≤1p(−ln⁡ap)+1q(−ln⁡bq)=−ln⁡(ab)-\ln(\frac{1}{p}a^p + \frac{1}{q}b^q) \le \frac{1}{p}(-\ln a^p) + \frac{1}{q}(-\ln b^q) = -\ln(ab) 两边取指数即得。

2. Hölder 不等式​

设 p,q>1,1p+1q=1p, q > 1, \frac{1}{p} + \frac{1}{q} = 1。对数项 ai,bi≥0a_i, b_i \ge 0，有：

∑i=1naibi≤(∑i=1naip)1/p(∑i=1nbiq)1/q\sum_{i=1}^n a_i b_i \le \left(\sum_{i=1}^n a_i^p\right)^{1/p} \left(\sum_{i=1}^n b_i^q\right)^{1/q}

这是 Cauchy-Schwarz 不等式（p=q=2p=q=2 时）的广义形式。

3. Minkowski 不等式​

设 p≥1p \ge 1，则：

(∑i=1n(ai+bi)p)1/p≤(∑i=1naip)1/p+(∑i=1nbip)1/p\left(\sum_{i=1}^n (a_i + b_i)^p\right)^{1/p} \le \left(\sum_{i=1}^n a_i^p\right)^{1/p} + \left(\sum_{i=1}^n b_i^p\right)^{1/p}

其几何意义是 LpL^p 空间下的三角不等式。

四、 极值与最优化应用​

凸性提供了全局最优化的保证：

  1. 局部即全局：凸函数在凸集上的局部极小值即为全局最小值。
  2. 极值点判定：
    • 一阶必要条件：若 f(x)f(x) 可导且在 x0x_0 取得极值，则 f′(x0)=0f'(x_0) = 0。
    • 二阶充分条件：若 f′(x0)=0f'(x_0) = 0 且 f′′(x0)>0f''(x_0) > 0，则 x0x_0 为极小值点。

五、 教科书级证明例题 (8+ 深度实战)​

例 1：算术-几何平均值不等式 (AM-GM)​

证明：x1+x2+⋯+xnn≥x1x2…xnn\frac{x_1 + x_2 + \dots + x_n}{n} \ge \sqrt[n]{x_1 x_2 \dots x_n} 对 xi>0x_i > 0 成立。

点击查看证明

考察函数 f(x)=−ln⁡xf(x) = -\ln x，其 f′′(x)=1x2>0f''(x) = \frac{1}{x^2} > 0，为严格凸函数。 由 Jensen 不等式，取 λi=1n\lambda_i = \frac{1}{n}：

−ln⁡(∑xin)≤∑1n(−ln⁡xi)=−ln⁡(∏xi1/n)-\ln\left(\frac{\sum x_i}{n}\right) \le \sum \frac{1}{n}(-\ln x_i) = -\ln\left(\prod x_i^{1/n}\right)

由 ln⁡x\ln x 的单调性，不等式方向反转，得证。

例 2：常用的指数-对数不等式​

证明：对 ∀x∈R\forall x \in \mathbb{R}，ex≥1+xe^x \ge 1+x。

点击查看证明

设 f(x)=exf(x) = e^x，在 x0=0x_0 = 0 处展开切线。 f(0)=1,f′(0)=1f(0) = 1, f'(0) = 1，切线方程为 y=1+xy = 1 + x。 由于 f′′(x)=ex>0f''(x) = e^x > 0，f(x)f(x) 始终位于其切线之上，故 ex≥1+xe^x \ge 1+x。

例 3：Bernoulli 不等式的凸性证明​

证明：当 α>1\alpha > 1 且 x>−1x > -1 时，(1+x)α≥1+αx(1+x)^\alpha \ge 1 + \alpha x。

点击查看证明

令 f(t)=(1+t)αf(t) = (1+t)^\alpha。计算 f′′(t)=α(α−1)(1+t)α−2f''(t) = \alpha(\alpha-1)(1+t)^{\alpha-2}。 当 α>1,t>−1\alpha > 1, t > -1 时，f′′(t)>0f''(t) > 0，故 f(t)f(t) 为凸函数。 利用切线判别法，在 t=0t=0 处：f(0)=1,f′(0)=αf(0)=1, f'(0)=\alpha。 故 f(x)≥f(0)+f′(0)(x−0)=1+αxf(x) \ge f(0) + f'(0)(x-0) = 1 + \alpha x。

例 4：Ky Fan 不等式的特殊情况​

证明：若 xi∈(0,1/2]x_i \in (0, 1/2]，则 ∏xi(∑xi)n≤∏(1−xi)(∑(1−xi))n\frac{\prod x_i}{(\sum x_i)^n} \le \frac{\prod (1-x_i)}{(\sum (1-x_i))^n}。

点击查看证明

考察函数 f(x)=ln⁡x1−xf(x) = \ln \frac{x}{1-x}。计算其二阶导。 f′(x)=1x(1−x)f'(x) = \frac{1}{x(1-x)}, f′′(x)=2x−1x2(1−x)2f''(x) = \frac{2x-1}{x^2(1-x)^2}。 当 x∈(0,1/2]x \in (0, 1/2] 时，f′′(x)≤0f''(x) \le 0，即 f(x)f(x) 为凹函数。 利用 Jensen 不等式即可得证。

例 5：利用 Young 不等式证明 Hölder​

点击查看证明

设 A=(∑aip)1/p,B=(∑biq)1/qA = (\sum a_i^p)^{1/p}, B = (\sum b_i^q)^{1/q}。 令 a^i=ai/A,b^i=bi/B\hat{a}_i = a_i/A, \hat{b}_i = b_i/B，则 ∑a^ip=1,∑b^iq=1\sum \hat{a}_i^p = 1, \sum \hat{b}_i^q = 1。 对每一项应用 Young 不等式： a^ib^i≤a^ipp+b^iqq\hat{a}_i \hat{b}_i \le \frac{\hat{a}_i^p}{p} + \frac{\hat{b}_i^q}{q} 对 ii 求和： ∑a^ib^i≤1p∑a^ip+1q∑b^iq=1p+1q=1\sum \hat{a}_i \hat{b}_i \le \frac{1}{p}\sum \hat{a}_i^p + \frac{1}{q}\sum \hat{b}_i^q = \frac{1}{p} + \frac{1}{q} = 1 还原 A,BA, B 即得 Hölder 不等式。

例 6：凸函数在区间中点的性质​

证明：若 f(x)f(x) 在 [a,b][a, b] 上是凸函数，则 f(a+b2)≤1b−a∫abf(x)dx≤f(a)+f(b)2f\left(\frac{a+b}{2}\right) \le \frac{1}{b-a}\int_a^b f(x) dx \le \frac{f(a)+f(b)}{2}。

点击查看证明

此即著名的 Hadamard 不等式。

  1. 右边部分：利用凸性 f(ta+(1−t)b)≤tf(a)+(1−t)f(b)f(ta + (1-t)b) \le tf(a) + (1-t)f(b)，对 t∈[0,1]t \in [0, 1] 积分。
  2. 左边部分：利用 f(a+b2)=f((ta+(1−t)b)+((1−t)a+tb)2)≤f(ta+(1−t)b)+f((1−t)a+tb)2f(\frac{a+b}{2}) = f(\frac{(ta+(1-t)b) + ((1-t)a+tb)}{2}) \le \frac{f(ta+(1-t)b) + f((1-t)a+tb)}{2}，积分即得。

例 7：距离和的最小值问题​

在直线 y=0y=0 上找一点 P(x,0)P(x, 0)，使得其到 A(0,1)A(0, 1) 和 B(3,2)B(3, 2) 的距离之和最小。

点击查看证明

设 f(x)=x2+1+(x−3)2+4f(x) = \sqrt{x^2+1} + \sqrt{(x-3)^2+4}。 计算 f′′(x)f''(x) 可证其为严格凸函数，极值点唯一。 利用几何对称性（反射原理），AA 关于 y=0y=0 的对称点 A′(0,−1)A'(0, -1)，连接 A′BA'B 与 xx 轴的交点即为最小值点。 A′BA'B 方程：y+1=2−(−1)3−0(x−0)⇒y=x−1y+1 = \frac{2-(-1)}{3-0}(x-0) \Rightarrow y = x-1。 令 y=0y=0, x=1x=1。最小值点为 (1,0)(1, 0)。

例 8：Shannon 熵的非负性 (信息论应用)​

证明：H(X)=−∑pilog⁡pi≤log⁡nH(X) = -\sum p_i \log p_i \le \log n，其中 ∑pi=1\sum p_i = 1。

点击查看证明

考察函数 f(x)=−xlog⁡xf(x) = -x \log x（或直接用 log⁡x\log x 的凹性）。 由于 f′′(x)=−1/x<0f''(x) = -1/x < 0（对 log⁡\log 而言），由 Jensen 不等式： ∑1nlog⁡pi≤log⁡(∑pin)=log⁡(1/n)=−log⁡n\sum \frac{1}{n} \log p_i \le \log (\frac{\sum p_i}{n}) = \log (1/n) = -\log n 整理得 ∑pilog⁡pi≥−log⁡n⇒−∑pilog⁡pi≤log⁡n\sum p_i \log p_i \ge -\log n \Rightarrow -\sum p_i \log p_i \le \log n。

六、 综合练习库​

  1. 广义 Jensen：证明积分形式的 Jensen 不等式：f(∫01g(x)dx)≤∫01f(g(x))dxf(\int_0^1 g(x) dx) \le \int_0^1 f(g(x)) dx。
  2. 极值应用：周长为 LL 的所有矩形中，哪一个面积最大？用凸性证明。
  3. 不等式链：利用 f(x)=ln⁡(1+ex)f(x) = \ln(1+e^x) 的凸性证明关于 Log-Sum-Exp 的性质。
  4. 切线法强化：证明 sin⁡x+tan⁡x>2x\sin x + \tan x > 2x 对 x∈(0,π/2)x \in (0, \pi/2) 成立。

编者注：凸性是不等式的灵魂。当你面对一个复杂的不等式感到无从下手时，不妨求一下二阶导，或许几何的光芒会瞬间照亮证明之路。