最近看到 EM 算法，其中有用到琴生不等式，在这里做一个笔记。
凸函数和凹函数
在刚开始学习凸函数和凹函数的时候，我们会被凸函数和凹函数的命名所困扰，命名看起来是凹的，一些教材上却偏偏说它是凸函数。其实这个只是一个定义，它叫什么，并不影响函数本身的性质。就像我在 B 站上看到有些人戏称三国时期的武将赵云为“云妹”，你叫他“云姐”、“云妈”都不会改变赵云纯爷们的形象，你管于正叫“于妈”，他本质上还是个男的，你管范冰冰叫“范爷”，她也是个女的，也得嫁人是一个道理。因此大可不必为凸函数、凹函数的命名所纠结，应该结合凸函数、凹函数的性质来记忆。
例1：函数
的图像如下：
我们暂时先别纠结它叫什么。我们看这个函数有什么性质，和 Jensen 不等式又有什么关系。看图可知是增函数，这个函数的一阶导数 也说明了
是增函数。我们知道，导函数的增减性说明了函数的凹凸性，如果我们知道函数的凹凸性，就能够确定局部极值就是全局最优值。而导函数的增减性，就是二阶导数。我们可以画出各个点的切线，看看切线的斜率变化，就知道二阶导数的增减性了。很容易知道，切线的斜率是越来越小的，因此，导函数的导函数是减函数，从函数的表达式上也很容易验证。
那么 Jensen 不等式又说了什么呢？对于 Jensen 不等式的两点形式来说，就是图中任意两点的之间的部分都在这两点的割线的上方，即：
因为概率分布的一个重要性质就是各个取值都介于 和
之间，并且它们的和为 1，因此 Jensen 不等式用概率、期望的语言解释就是：
应用于多个点，即：
其中 ，
。把
应用到上面的式子，得到：
其中 ，
。这就是《统计学习方法》P159 脚注 1 的内容。我们看到这本书为了简化说明，没有给出凸函数和凹函数的描述，直接给出所需要的 Jensen 不等式的部分。
如何记忆 Jensen 不等式
针对于两点形式（多点形式可以依次推广），琴生不等式有两个方面：
1、凸函数任意两点的割线位于函数图形的上方 ；
2、凹函数任意两点的割线位于函数图像的下方。
我的记忆方法就是在稿纸上画图像。
注意：不要纠结那两条黑的曲线叫凸函数还是凹函数。
凸函数：任意两点的割线位于函数图像的上方
这样的曲线满足的性质是：
1、切线的斜率逐渐增大；
2、函数的导函数是增函数；
3、函数的导函数的导函数大于 ；
4、函数的二阶导数大于 。
因此，如果函数 满足
，就有
其中 ，
。
凹函数：任意两点的割线位于函数图像的下方
这样的曲线满足的性质是：
1、切线的斜率逐渐减小；
2、函数的导函数是减函数；
3、函数的导函数的导函数小于 ；
4、函数的二阶导数小于 。
因此，如果函数 满足
，就有
其中 ，
。
（本节完）
