Tipo de función matemática
En el análisis convexo , una función no negativa f : R n → R + es logarítmicamente cóncava (o log-cóncava para abreviar) si su dominio es un conjunto convexo y si satisface la desigualdad
![{\displaystyle f(\theta x+(1-\theta )y)\geq f(x)^{\theta }f(y)^{1-\theta }}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
para todo x , y ∈ dom f y 0 < θ < 1 . Si f es estrictamente positiva, esto equivale a decir que el logaritmo de la función, log ∘ f , es cóncavo ; eso es,
![{\displaystyle \log f(\theta x+(1-\theta )y)\geq \theta \log f(x)+(1-\theta )\log f(y)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
para todo x , y ∈ dom f y 0 < θ < 1 .
Ejemplos de funciones log-cóncavas son las funciones indicadoras 0-1 de conjuntos convexos (que requieren una definición más flexible) y la función gaussiana .
De manera similar, una función es logconvexa si satisface la desigualdad inversa
![{\displaystyle f(\theta x+(1-\theta )y)\leq f(x)^{\theta }f(y)^{1-\theta }}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
para todo x , y ∈ dom f y 0 < θ < 1 .
Propiedades
- Una función logcóncava también es cuasicóncava . Esto se desprende del hecho de que el logaritmo es monótono, lo que implica que los conjuntos de supernivel de esta función son convexos. [1]
- Toda función cóncava que no sea negativa en su dominio es logcóncava. Sin embargo, lo contrario no necesariamente se cumple. Un ejemplo es la función gaussiana f ( x ) = exp(− x 2 /2) que es log-cóncava ya que log f ( x ) = − x 2 /2 es una función cóncava de x . Pero f no es cóncava ya que la segunda derivada es positiva para | x | > 1:
![{\displaystyle f''(x)=e^{-{\frac {x^{2}}{2}}}(x^{2}-1)\nleq 0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- Desde arriba dos puntos, concavidad log-concavidad cuasiconcavidad .
![{\displaystyle \flecha derecha }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- Una función no negativa dos veces diferenciable con un dominio convexo es log-cóncava si y solo si para todo x que satisfaga f ( x ) > 0 ,
, [1]
- es decir
es
- semidefinido negativo . Para funciones de una variable, esta condición se simplifica a
![{\displaystyle f(x)f''(x)\leq (f'(x))^{2}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Operaciones que preservan la concavidad del registro.
- Productos: El producto de funciones log-cóncavas también es log-cóncava. De hecho, si f y g son funciones log-cóncavas, entonces log f y log g son cóncavos por definición. Por lo tanto
![{\displaystyle \log \,f(x)+\log \,g(x)=\log(f(x)g(x))}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- es cóncavo y, por tanto, también f g es log-cóncavo.
- Marginales : si f ( x , y ) : R n + m → R es log-cóncavo, entonces
![{\displaystyle g(x)=\int f(x,y)dy}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- es log-cóncava (ver desigualdad de Prékopa-Leindler ).
- Esto implica que la convolución preserva la concavidad logarítmica, ya que h ( x , y ) = f ( x - y ) g ( y ) es log cóncava si f y g son log cóncavas y, por lo tanto,
![{\displaystyle (f*g)(x)=\int f(xy)g(y)dy=\int h(x,y)dy}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- es log-cóncavo.
Distribuciones log-cóncavas
Las distribuciones log-cóncavas son necesarias para varios algoritmos, por ejemplo, el muestreo de rechazo adaptativo . Cada distribución con densidad logarítmica cóncava es una distribución de probabilidad de entropía máxima con una media μ especificada y una medida de riesgo de desviación D. [2]
Da la casualidad de que muchas distribuciones de probabilidad comunes son log-cóncavas. Algunos ejemplos: [3]
Tenga en cuenta que todas las restricciones de parámetros tienen la misma fuente básica: el exponente de la cantidad no negativa debe ser no negativo para que la función sea logcóncava.
Las siguientes distribuciones no son logcóncavas para todos los parámetros:
Tenga en cuenta que la función de distribución acumulativa (CDF) de todas las distribuciones log-cóncavas también es log-cóncava. Sin embargo, algunas distribuciones no log-cóncavas también tienen CDF log-cóncavas:
Entre las propiedades de las distribuciones log-cóncavas se encuentran las siguientes:
- Si una densidad es logcóncava, también lo es su función de distribución acumulativa (CDF).
- Si una densidad multivariada es logcóncava, también lo es la densidad marginal sobre cualquier subconjunto de variables.
- La suma de dos variables aleatorias log-cóncavas independientes es log-cóncava. Esto se desprende del hecho de que la convolución de dos funciones log-cóncavas es log-cóncava.
- El producto de dos funciones log-cóncavas es log-cóncava. Esto significa que las densidades conjuntas formadas multiplicando dos densidades de probabilidad (por ejemplo, la distribución gamma normal , que siempre tiene un parámetro de forma >= 1) serán logcóncavas. Esta propiedad se utiliza mucho en programas de muestreo de Gibbs de propósito general como BUGS y JAGS , que por lo tanto pueden utilizar muestreo de rechazo adaptativo en una amplia variedad de distribuciones condicionales derivadas del producto de otras distribuciones.
- Si una densidad es logcóncava, también lo es su función de supervivencia . [3]
- Si una densidad es logcóncava, tiene una tasa de riesgo monótona (MHR) y es una distribución regular ya que la derivada del logaritmo de la función de supervivencia es la tasa de riesgo negativa, y por concavidad es monótona, es decir
que es decreciente por ser derivada de una función cóncava.
Ver también
Notas
- ^ ab Boyd, Stephen ; Vandenberghe, Lieven (2004). "Funciones log-cóncavas y log-convexas". Optimizacion convexa . Prensa de la Universidad de Cambridge. págs. 104-108. ISBN 0-521-83378-7.
- ^ Grechuk, Bogdán; Molyboha, Antón; Zabarankin, Michael (2009). "Principio de máxima entropía con medidas de desviación general". Matemáticas de la Investigación de Operaciones . 34 (2): 445–467. doi :10.1287/moor.1090.0377.
- ^ ab Véase Bagnoli, Mark; Bergstrom, Ted (2005). "Probabilidad logarítmica cóncava y sus aplicaciones" (PDF) . Teoría económica . 26 (2): 445–469. doi :10.1007/s00199-004-0514-4. S2CID 1046688.
- ^ ab Prekopa, András (1971). "Medidas cóncavas logarítmicas con aplicación a programación estocástica". Acta Scientiarum Mathematicarum . 32 : 301–316.
Referencias
- Barndorff-Nielsen, Ole (1978). Información y familias exponenciales en teoría estadística . Serie Wiley en probabilidad y estadística matemática. Chichester: John Wiley \& Sons, Ltd. págs. ix+238 págs. ISBN 0-471-99545-2. SEÑOR 0489333.
- Dharmadhikari, Sudhakar; Joag-Dev, Kumar (1988). Unimodalidad, convexidad y aplicaciones . Probabilidad y Estadística Matemática. Boston, MA: Academic Press, Inc. págs. xiv+278. ISBN 0-12-214690-5. SEÑOR 0954608.
- Pfanzagl, Johann; con la ayuda de R. Hamböker (1994). Teoría estadística paramétrica . Walter de Gruyter. ISBN 3-11-013863-8. SEÑOR 1291393.
- Pečarić, Josip E.; Proschan, Frank; Tong, YL (1992). Funciones convexas, ordenamientos parciales y aplicaciones estadísticas . Matemáticas en Ciencias e Ingeniería. vol. 187. Boston, MA: Academic Press, Inc. págs. xiv + 467 págs. ISBN 0-12-549250-2. SEÑOR 1162312.