Mathematical Issues

一. Euler-Lagrange方程
设$y(x)$是$[a,b]$上的可微函数，一个重要的研究对象是简单泛函：$$J(y)={\int }_a^{b}F(x,y,y^{\prime })dx$$ 其中$F(x,y,y^{\prime })$称为泛函的核，它是关于$x,y,y^{\prime }$的一个函数。

变分法的主要问题就是计算泛函的极值问题：对于怎样的 $y$, 简单泛函 $J(y)$ 取最大值？

假设 $y_0$ 使得 $J(y)$ 取最大值，那么对于任意函数 $\eta (x)$ 和任意小的数 $ϵ>$，有 $$J(y_0)\ge J(y_0+ϵ\eta )$$ 考虑到在两个端点的函数扰动为 $0$，我们假设 $\eta (a)=\eta (b)=0$。由于 $y_0$ 固定，对于任意函数 $\eta (x)$, 可以将 $J(y_0+ϵ\eta )$ 看作是 $ϵ$ 的函数：$T(ϵ)=J(y_0+ϵ\eta )$，它在 $ϵ=0$ 处取得最大值，所以 $$\frac{\partial T}{\partial ϵ}={\int }_a^b\left(\frac{\partial F}{\partial x}\cdot 0+\frac{\partial F}{\partial y}\cdot \eta +\frac{\partial F}{\partial y^{\prime }}\cdot {\eta }^{\prime }\right)dx=0$$因此
$${\int }_a^b\left(\frac{\partial F}{\partial y}\cdot \eta +\frac{\partial F}{\partial y^{\prime }}\cdot {\eta }^{\prime }\right)dx=0$$
利用分部积分法
$${\int }_a^b\frac{\partial F}{\partial y^{\prime }}\cdot {\eta }^{\prime }dx={\int }_a^b\frac{\partial F}{\partial y^{\prime }}d\eta =\eta \cdot \frac{\partial F}{\partial y^{\prime }}{|}_a^b-{\int }_a^b\eta \cdot \frac{d}{dx}\left(\frac{\partial F}{\partial y^{\prime }}\right)dx=-{\int }_a^b\eta \cdot \frac{d}{dx}\left(\frac{\partial F}{\partial y^{\prime }}\right)dx$$
因此，对任意函数$\eta (x)$，有$${\int }_a^b\eta \cdot \left[\frac{\partial F}{\partial y}-\frac{d}{dx}\left(\frac{\partial F}{\partial y^{\prime }}\right)\right]dx=0$$于是，我们便得到变分法中的Euler-Lagrange方程：$$\frac{\partial F}{\partial y}-\frac{d}{dx}\left(\frac{\partial F}{\partial y^{\prime }}\right)=0$$

二、Markov不等式和Chebyshev不等式

Markov不等式：设 $X$ 为一非负随机变量，且 $a>0$，则
$$\mathbf{P}(X\ge a)\le \frac{\mathbf{E}(X)}{a}$$

Chebyshev不等式: 设随机变量 $X$ 具有期望 $\mathbf{E}(X)=\mu$，方差 $\mathbf{D}(X)={\sigma }^2$，则对任意正数 $ϵ$，以下不等式成立：
$$\mathbf{P}(|X-\mu |\ge ϵ)\le \frac{{\sigma }^2}{{ϵ}^2},\mathbf{P}(|X-\mu |<ϵ)\ge 1-\frac{{\sigma }^2}{{ϵ}^2}$$

三、随机分布的二次逼近引理

假设随机变量 $\xi$ 的均值为 $\xi$，标准方差为 ${\sigma }^2$，[1] 中证明下面非常有趣的引理：

引理：给定固定的 $y$ 和 $\mu ,\sigma$，那么存在一个二次函数 $Q(\xi )=\alpha +\beta \xi +\delta {\xi }^2$ 使得对任意 $\xi \ge 0$ 有 $$Q(\xi )\le \min (y,\xi )$$ 其中等式仅在两点 $a$ 和 $b$ 成立。此外，在 { a , b } \{a,b\} {a,b} 上存在一个二点分布，使得其均值和标准方差为 $\xi$ 和 ${\sigma }^2$。

Hiroshi 在 [2] 给出了一个变形，实际上是更强的结果，将 $\min (y,\xi )$ 替换为形如
$$Y(y,\xi )=\{\begin{array}{ll}\xi ,& \text{if}\xi <y\\ -r(\xi -y)+y,& \text{if}\xi \ge y\end{array}$$ 的函数。

参考文献

[1] Scarf et al., A min-max solution of an inventory problem, Studies in the Mathematical Theory of Inventory and Production，201-209 (1958)
[2] Hiroshi, A min-max solution of an inventory problem, (1959)