从数学分析的严谨推导到经济学中的效用理论，全方位解读函数图像的弯曲方向。掌握凹凸性判定，理解拐点意义，解决学习与科研中的核心难点。
在直角坐标系中，凹凸曲线主要描述的是函数图像相对于其切线或割线的弯曲方向。通俗来说，就是看曲线是像碗一样“盛水”（凹），还是像伞一样“漏水”（凸）。
需要注意的是，不同学科（特别是数学与经济学）对“凸”和“凹”的定义可能存在镜像对称的差异，这是初学者最容易混淆的地方。
设函数 在区间 上连续：
（1）凹函数（Convex Function，数学分析常用）：
对于任意 及 ，若满足：
f(lambda x_1 + (1-lambda)x_2) leq lambda f(x_1) + (1-lambda)f(x_2)
则称 在 上为凹函数。几何意义：连接曲线上任意两点的线段（弦）位于曲线的上方。
（2）凸函数（Concave Function）：
若满足：
f(lambda x_1 + (1-lambda)x_2) geq lambda f(x_1) + (1-lambda)f(x_2)
则称 在 上为凸函数。几何意义：连接曲线上任意两点的线段（弦）位于曲线的下方。
理论定义虽然严谨，但在解题和应用中，我们需要更高效的工具。以下是三种最常用的判定凹凸性的方法。
这是微积分中判断凹凸曲线最直接的方法。假设函数 在区间 上具有二阶导数：
| 函数示例 | 一阶导数 | 二阶导数 | 凹凸性判定 |
|---|---|---|---|
| ，故为凹函数（开口向上） | |||
| ，故为凸函数（开口向下） | |||
| 时凹，时凸，为拐点 |
当函数不可导或需要严格证明时，使用定义法。核心在于比较“中点的函数值”与“函数值的平均”。
对于任意两点 ：
此方法在不等式证明和凸优化理论中极具威力，也是理解琴生不等式（Jensen's Inequality）的基础。
对于熟悉图像的朋友，可以通过画切线来快速判断：
很多人认为凹凸曲线只是数学课本里的概念，但实际上它在经济学、心理学、物理学等领域有着深刻的体现。以下板块为您梳理网友们最关心的跨学科应用。
在微观经济学中，凹凸性是分析理性人行为的关键工具。
在心理物理学中，凹凸曲线解释了人类感官对刺激强度的非线性反应。
费希纳定律指出，主观感觉强度 与物理刺激强度 之间的关系近似为对数关系：。由于对数函数 是典型的凸函数（开口向下），这意味着随着刺激强度的增加，我们需要增加越来越多的物理刺激，才能让人感觉到同等程度的差异。
在人工智能领域，凸优化（Convex Optimization）是基石。如果一个损失函数是凸函数（开口向上，类似碗状），那么它只有一个全局最小值，没有局部极小值陷阱。这使得梯度下降等算法能稳定地找到最优解。反之，非凸函数的优化则极其困难，容易陷入局部最优。
理解一个概念的历史，能帮助我们更好地把握其本质。以下是凹凸性理论发展的关键节点。
牛顿和莱布尼茨创立微积分后，数学家开始研究曲线的切线和斜率变化。虽然当时没有明确的“凹凸”术语，但对曲率的研究已初露端倪。
丹麦数学家约翰·琴生（Jensen）在研究不等式时，系统地探讨了函数的凸性，并提出了著名的琴生不等式。这是凸函数理论的重要里程碑。
随着冯·诺依曼和摩根斯坦提出博弈论，以及库恩-塔克定理的建立，凸性在优化理论和经济学中的应用达到顶峰。凸集和凸函数的概念被严格形式化。
在机器学习时代，理解损失函数的凹凸性成为训练神经网络的前提。尽管深度神经网络是非凸的，但对其局部凸性质的研究仍在继续，以寻找更高效的优化算法。
针对用户搜索量最高的问题，我们整理了以下详细解答。
记忆口诀：'凸增凹减'或'下凸为凹'。在数学分析中，通常称二阶导数大于0为凹函数（Convex，开口向上），二阶导数小于0为凸函数（Concave，开口向下）。但在经济学中，习惯相反。建议根据具体学科上下文判断。
在经济学中，凹函数常用于描述边际效用递减规律（效用函数通常为凹函数），即随着消费数量增加，每增加一单位商品带来的满足感逐渐降低。凸函数则常用于描述成本函数，意味着边际成本递增。
拐点是曲线凹凸性发生改变的点。如果函数在某点左右两侧的凹凸性不同（例如左侧凹，右侧凸），则该点为拐点。在拐点处，二阶导数通常为0或不存在。
线性函数 既是凸函数也是凹函数。因为它的二阶导数为0，满足 和 的条件。在凸优化理论中，线性约束和目标函数是构成线性规划的基础。
本文档旨在提供教育性信息，内容基于公开数学与经济学原理整理。