🔢 mathematics

Lebesgue constants for the Walsh system and the discrepancy of the van der Corput sequence

本文揭示了逼近论中的沃尔什系统勒贝格常数与均匀分布论中范德科鲁普序列的星偏差这两个看似无关的数学量实际上完全一致，并指出尽管两者长期被独立研究且各自积累了大量成果，但部分结论仅在其中一个领域为人所知。

原作者： Josef Dick, Friedrich Pillichshammer

发布于 2026-02-26

📖 1 分钟阅读🧠 深度阅读

原作者： Josef Dick, Friedrich Pillichshammer

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文就像是在数学的两个遥远星球之间发现了一座隐藏的**“时空隧道”**。

想象一下，数学界有两个互不相往来的部落：

近似理论部落：他们关心如何用最简单的工具（比如乐高积木）去拼凑出复杂的形状。他们手里有一个叫**“勒贝格常数”**（Lebesgue constant）的尺子，用来衡量拼凑过程中的“误差”或“混乱程度”。
均匀分布部落：他们关心如何把豆子均匀地撒在桌子上，不让任何地方太挤或太空。他们手里有一个叫**“范德科普特序列”（van der Corput sequence）的撒豆方法，并用一个叫“星偏差”**（star discrepancy）的尺子来衡量豆子撒得有多均匀。

这篇论文的核心发现是：
这两个部落手里拿着的尺子，虽然名字不同、用途不同，但刻度竟然完全一模一样！

这就好比你发现，用来测量“做蛋糕时面粉混合得有多均匀”的尺子，和用来测量“排队买票时队伍有多整齐”的尺子，其实是同一把尺子。

具体是怎么一回事？

1. 两个看似无关的概念

勒贝格常数（Walsh 系统）：
想象你在用一种特殊的“二进制积木”（Walsh 函数）去还原一个复杂的图像。当你用的积木块数量增加时，还原出来的图像可能会在某些地方出现“抖动”或“过冲”。勒贝格常数就是衡量这种最大抖动幅度的指标。数值越大，说明还原过程越不稳定。
范德科普特序列的偏差：
想象你在玩一个数字游戏，把 0, 1, 2, 3... 这些数字的二进制写法倒过来，变成小数（比如 1 变成 0.1, 2 变成 0.01, 3 变成 0.11...）。这样生成的一串数字，理论上应该非常均匀地分布在 0 到 1 之间。但是，如果你只取前 $n$ 个数字，它们真的完美均匀吗？星偏差就是衡量这 $n$ 个数字“偏离完美均匀”程度的指标。

2. 惊人的巧合

作者发现，如果你计算前 $n$ 个 Walsh 积木的“最大抖动幅度”（勒贝格常数 $L_n$ ），你会发现它精确等于前 $n$ 个范德科普特数字的“偏离程度”（非归一化星偏差 $d_n$ ）。

用大白话讲就是：“还原图像时的最大混乱度” = “撒豆子时的最大不均匀度”。

3. 为什么这很重要？（打通任督二脉）

在发现这个联系之前，两个领域的数学家都在各自埋头苦干，虽然他们算出了很多相似的公式，但彼此不知道对方也在做同样的事。

以前：A 领域的专家发现了一个关于“抖动”的规律，B 领域的专家发现了一个关于“撒豆子”的规律，他们以为这是两个不同的现象。
现在：因为发现 $L_n = d_n$ ，A 领域的专家可以直接把 B 领域已经证明的关于“撒豆子”的结论，直接拿来用，变成关于“抖动”的结论，反之亦然。

这就好比 A 国发明了“如何造更坚固的桥”，B 国发明了“如何造更稳的船”。发现两者原理相通后，A 国的人直接拿 B 国的造船图纸来造桥，瞬间省去了几十年的研究时间。

论文带来的新收获

通过这座“桥梁”，作者们得到了一些以前没人知道的新东西：

新的计算公式：以前计算“撒豆子”的不均匀度很麻烦，现在可以用“积木抖动”的公式来算，反之亦然。
新的统计规律：以前大家知道“撒豆子”的数量很大时会符合某种正态分布（像钟形曲线），现在可以大胆地说：“积木抖动”的数量很大时，也一定符合这个钟形曲线！
更精确的界限：以前对某些极端情况（比如数字特别大时）的估计不够准，现在可以借用另一边的成果，把界限划得更精确。

总结

这篇短文虽然很短，但它揭示了一个深刻的数学真理：数学的不同分支往往在深层结构上是相通的。

这就好比你发现，“把蛋糕切得最不均匀的那一刀”（勒贝格常数），竟然和**“把豆子撒得最不均匀的那一把”**（星偏差）是同一个数学量。这个发现让数学家们可以互相“抄作业”，把两个领域的成果瞬间融合，极大地丰富了我们对这两个概念的理解。

这篇论文《Walsh 系统的勒贝格常数与范德科鲁特序列的偏差》（Lebesgue constants for the Walsh system and the discrepancy of the van der Corput sequence）由 Josef Dick 和 Friedrich Pillichshammer 撰写，发表于 2024 年 12 月。

以下是对该论文的详细技术总结：

1. 研究问题 (Problem)

论文旨在揭示两个看似无关的数学领域中的两个重要量之间的巧合性恒等关系：

逼近论（Approximation Theory）：Walsh 函数系统的勒贝格常数（Lebesgue constants），记为 $L_n$ 。它衡量了傅里叶级数部分和算子 $S_n$ 的范数，是逼近理论中的核心工具。
一致分布与偏差理论（Uniform Distribution and Discrepancy Theory）：范德科鲁特（van der Corput）序列前 $n$ 项的非归一化星偏差（non-normalized star discrepancy），记为 $d_n = n D^*_n(Y^{vdC})$ 。它衡量了序列在单位区间 $[0, 1)$ 上分布的不均匀程度。

尽管这两个量在各自的领域已被深入研究数十年，但此前从未有人观察到它们在数值上是完全相等的。

2. 方法论 (Methodology)

作者通过严格的数学推导证明了这两个量的恒等性，并利用了这一发现进行跨领域的结果迁移：

定义与背景梳理：
- 回顾了 Walsh 函数的定义及其 Dirichlet 核 $D_n(x, u)$ 和勒贝格函数 $L_n(x) = \int_0^1 |D_n(x, u)| du$ 。引用 Fine 的工作指出 $L_n(x)$ 实际上是常数 $L_n$ 。
- 回顾了范德科鲁特序列 $Y^{vdC}$ 的构造（基于二进制数字的反射）及其星偏差 $D^*_n$ 的定义。
核心证明（恒等性证明）：
- 利用范德科鲁特序列前 $n$ 项的集合结构，将其分解为基于 $n$ 的二进制展开 $n = 2^{n_1} + 2^{n_2} + \dots + 2^{n_\nu}$ 的若干子集。
- 利用已知结论：范德科鲁特序列的偏差是非负的，且等于偏差函数 $L^1$ 范数的两倍。
- 通过积分计算 $\int_0^1 \Delta_{Y^{vdC}, n}(t) dt$ ，将其转化为对序列项 $y_\ell$ 的求和。
- 经过代数推导，证明该求和结果恰好等于 Fine 给出的 Walsh 系统勒贝格常数 $L_n$ 的显式公式：
  $d_n = n D^*_n(Y^{vdC}) = \nu - \sum_{1 \le j < i \le \nu} 2^{n_i - n_j} = L_n$
结果迁移与应用：
- 利用上述恒等式 $d_n = L_n$ ，将已知于一个领域的定理直接转化为另一个领域的新定理。
- 推导新的表示公式（例如，将偏差表示为 Walsh 函数平均值的积分）。
- 重新表述生成函数和中心极限定理。

3. 关键贡献与结果 (Key Contributions & Results)

A. 核心定理 (Theorem 2)

Walsh 系统的第 $n$ 个勒贝格常数 $L_n$ 精确等于范德科鲁特序列前 $n$ 项的非归一化星偏差 $d_n$ 。
即：
$L_n = d_n = n D^*_n(Y^{vdC})$

B. 已知结果的统一与验证

通过该恒等式，Fine (1947) 关于 $L_n$ 的以下性质被证实也适用于范德科鲁特序列的偏差 $d_n$ （部分结果此前已被 B´ejian 和 Faure 在偏差领域独立发现）：

递推关系： $L_{2n} = L_n$ 和 $L_{2n+1} = (1 + L_n + L_{n+1})/2$ 。
渐近阶： $L_n = O(\log n)$ 。
平均值： $\frac{1}{n} \sum_{k=1}^n L_k \sim \frac{\log n}{4 \log 2}$ 。
上极限： $\limsup_{n \to \infty} [L_n - (\frac{4}{9} + \frac{\log 3}{3 \log 2} + \frac{\log n}{3 \log 2})] = 0$ 。
生成函数：给出了 $L_n$ （即 $d_n$ ）的生成函数闭式表达。

C. 新发现与公式推导

利用恒等式，作者推导出了此前未知的表示形式：

偏差的新积分表示：
$D^*_n(Y^{vdC}) = \frac{1}{n} \int_0^1 \left| \sum_{k=0}^{n-1} \text{wal}_k(x) \right| dx$
这建立了偏差与 Walsh 函数部分和的 $L^1$ 范数之间的直接联系。
新的递归公式：利用偏差理论中的已知公式 $d_n = \sum_{r=1}^\infty \| \frac{n}{2^r} \|$ （其中 $\|x\|$ 是 $x$ 到最近整数的距离），为勒贝格常数提供了新的递归视角。
中心极限定理（CLT）的迁移：
将偏差理论中关于范德科鲁特序列偏差的已知中心极限定理迁移到勒贝格常数上。证明了对于任意实数 $y$ ：
$\lim_{N \to \infty} \frac{1}{N} \# \left\{ n < N : L_n \le \frac{\log n}{4 \log 2} + y \sqrt{\frac{\log n}{3 \log 2}} \right\} = \Phi(y)$
这意味着 Walsh 系统的勒贝格常数服从正态分布。

D. 对特定 $t$ 的极限行为

利用逼近论中关于勒贝格常数的结果，得出了关于范德科鲁特序列偏差 $d_{n_t(m)}$ 的此前未知的结论（其中 $n_t(m) = \lfloor 2^m(1+t) \rfloor$ ）：

对于几乎所有的 $t \in [0, 1]$ ， $\lim_{m \to \infty} \frac{d_{n_t(m)}}{\log n_t(m)} = \frac{1}{4 \log 2}$ 。
对于所有二进有理数 $t$ ，该极限为 0。
存在一个稠密子集 $A$ ，使得在该集合上极限下确界为 0，上确界为 $\frac{1}{3 \log 2}$ 。

4. 意义 (Significance)

跨学科桥梁：该论文在逼近论（Walsh 系统）和数论/一致分布理论（范德科鲁特序列）之间建立了一个深刻的、意想不到的联系。
结果互译：它允许研究者将一个领域的成熟定理直接“翻译”到另一个领域，从而无需重新证明即可获得新结果。例如，利用偏差理论中的统计性质（如中心极限定理）直接解决了逼近论中长期未明确的问题。
统一视角：揭示了不同数学对象（函数逼近的误差界与点列分布的不均匀性）在本质上的同构性，深化了对 Walsh 系统和低差异序列结构的理解。
新公式：提供了计算和估计这些常数的新公式（如积分表示和生成函数），为未来的数值分析和理论推导提供了新工具。

综上所述，这篇短文虽然篇幅不长，但通过一个简洁而深刻的恒等式，统一了两个独立发展多年的数学分支中的核心结果，并开启了新的研究方向。