分布函数与随机变量乘积最大化问题的凹性保证条件问询

首先，我们的目标函数是 $g(y) = F(y)(a - y)$，其中 $y \in [0,1]$，$a \in [0,1]$ 是固定参数，$F(y)$ 是 $Y$ 的CDF，$f(y)=F'(y)$ 是可微的PDF。要让这个最大化问题的目标函数是凹的，核心是**$g(y)$ 的二阶导数在整个 $[0,1]$ 区间上非正**——这是凹函数的核心判定条件。

先推导一下导数：

1. 一阶导数（用乘积法则）：
   $$g'(y) = f(y)(a - y) - F(y)$$
2. 二阶导数（再求导一次）：
   $$g''(y) = f'(y)(a - y) - 2f(y)$$

凹性要求对所有 $y \in [0,1]$，都有 $g''(y) \leq 0$，也就是：
$$f'(y)(a - y) \leq 2f(y) \tag{1}$$

基于这个核心条件，我们可以找出几类满足要求的分布，或者可以添加的额外假设：

1. 均匀分布（最直观的情况） #

对于 $[0,1]$ 上的均匀分布，$f(y)=1$，$f'(y)=0$。把这两个代入条件(1)，得到：
$$0 \cdot (a - y) - 2 \cdot 1 = -2 \leq 0$$
完全满足凹性！此时目标函数 $g(y)=y(a - y)$ 是个开口向下的二次函数，标准的凹函数，最大值在 $y=a/2$（因为 $a \in [0,1]$，这个点肯定在定义域内）。

2. 非递增PDF+额外约束的分布 #

如果PDF $f(y)$ 是非递增函数（也就是 $f'(y) \leq 0$ 对所有 $y \in [0,1]$），那条件(1)左边的第一项 $f'(y)(a - y)$ 在 $y \leq a$ 时是非正的（因为 $a-y \geq 0$，$f'(y) \leq0$），这部分没问题；但当 $y >a$ 时，$a-y <0$，$f'(y) \leq0$，乘积会变成正的，这时候就得要求这个正项不能超过 $2f(y)$。

举个例子：线性递减的PDF $f(y)=2(1-y)$（归一化后满足积分等于1），$f'(y)=-2$。代入条件(1)得：
$$-2(a - y) - 4(1 - y) = 6y - 2a -4$$
要这个在 $[0,1]$ 上始终≤0，当 $y=1$ 时，需要 $6 - 2a -4 \leq0 → a≥1$。所以只有当 $a=1$ 时，这个分布才满足凹性；如果 $a<1$，比如 $a=0.5$，$y=1$ 时二阶导数是1>0，不满足凹性。这说明非递增PDF需要结合 $a$ 的取值，或者更严格的导数约束才行。

3. 满足增长率约束的分布 #

针对条件(1)，我们可以把它转化为对PDF增长率的限制：

• 当 $y <a$ 时，$a-y>0$，条件(1)可以写成 $f'(y) \leq \frac{2f(y)}{a - y}$，这相当于限制PDF的增长速度不能太快；
• 当 $y >a$ 时，$a-y<0$，条件(1)变成 $f'(y) \geq \frac{2f(y)}{a - y}$（两边除以负数，不等号方向改变），这相当于限制PDF的下降速度不能太快。

比如截断指数分布（在 $[0,1]$ 上）：$f(y)=\frac{\lambda e^{-\lambda y}}{1 - e^{{-\lambda}}$，$f'(y)=-\frac{\lambda}2 e^{-\lambda y}}{1 - e^{-\lambda}}$。代入条件(1)化简后会得到 $\lambda(y -a) ≤2$，因为 $y≤1$、$a≥0$，所以只要 $\lambda ≤2$，这个分布就满足凹性要求。

4. 直接约束二阶导数的全局假设 #

最直接的充分假设就是强制条件(1)对所有 $y \in [0,1]$ 成立——也就是要求 $f'(y)(a - y) ≤ 2f(y)$ 处处成立。这个条件可以直接针对具体分布验证，比如上面提到的均匀分布、参数≤2的截断指数分布，都满足这个约束。

另外，当 $a=1$ 时，条件(1)简化为 $f'(y)(1 - y) ≤2f(y)$，这时候很多非递增分布都能满足。比如Beta分布 $Beta(1, \alpha)$（$\alpha≥1$），它的PDF是 $f(y)=\alpha(1-y)^{\alpha-1}$，代入后会得到：
$$-\alpha(\alpha+1)(1-y)^{\alpha-1} ≤0$$
显然成立，所以当 $a=1$ 时，所有这类Beta分布都能保证目标函数是凹的。

内容的提问来源于stack exchange，提问作者Newbie