On some inequalities for weighted products and ratios of the sine function

技术摘要：加权正弦乘积与比值的不等式

问题陈述
本文研究了建立加权正弦函数乘积与比值的紧确（sharp）不等式的问题。具体而言，本文探讨了经典的正弦凹性不等式：
$$\prod_{i=1}^n \sin^{\alpha_i}(\theta_i) \leq \sin^\alpha \left( \sum_{i=1}^n \frac{\alpha_i}{\alpha} \theta_i \right)$$
其中 $\alpha = \sum \alpha_i$ 且 $\theta_i \in (0, \pi)$。虽然该不等式可以通过将 Jensen 不等式应用于 $\log \sin$ 的凹函数性质来得出，但作者观察到，标准的证明仅利用了正弦函数的一种表示形式。本文旨在利用反射恒等式 $\sin(\pi x) = \sin(\pi(1-x))$ 来生成一个更广泛的界限族。此外，本文还解决了推导形式为 $\prod \sin^{\alpha_i}(\pi x_i)$ 的比值的紧确下界的问题，这一方向此前从未得到如此高程度的泛化处理。

方法论
核心方法论是结合了 Hölder 不等式及其反向形式的“反射-替换技术”。该方法依赖于 Beta 函数的积分表示 $B(x, y) = \int_0^1 t^{x-1}(1-t)^{y-1} dt$，以及反射公式 $B(1-x, x) = \pi / \sin(\pi x)$。

关键方法步骤包括：

1. 独立的反射选择：对于每个坐标 $x_i \in (0, 1)$，项 $\sin(\pi x_i)$ 可以通过使用指数对 $(x_i, 1-x_i)$ 或 $(1-x_i, x_i)$ 的 Beta 积分来表示。作者利用了为所有 $n$ 个坐标独立选择这些表示形式的自由度。
2. Hölder 不等式的应用：
   • 上界：通过对加权乘积的 $2^n$ 种可能的积分表示应用标准 Hölder 不等式，作者推导出了一个上界族。
   • 下界：通过对正弦比值应用反向 Hölder 不等式（需要特定的权重符号条件），作者推导出了相应的下界族。
3. 界限分类：作者通过定义“反射集”（即使用 $1-x_i$ 作为补集的索引子集）来参数化这些界限。他们证明了虽然存在 $2^n$ 种表示，但由于对称性 $\sin(\pi M) = \sin(\pi(1-M))$，这些表示会塌缩为 $2^{n-1}$ 个不同的界限。
4. 比较准则：不同界限之间的比较被简化为确定变量 $(2x_i - 1)$ 的线性组合的符号。这使得能够显式地识别出任何给定变量配置下的最紧（sharpest）界限。

主要贡献与结果

• 上界的泛化：本文确立了对于 $n$ 个权重，存在 $2^{n-1}$ 个不同的正弦加权乘积上界。经典的 Jensen 界限对应于特定的反射集选择（空集），而作者此前工作 [5] 中的界限被确定为该族中的另一个成员。
• 新颖的下界：本文引入了 $2^{n-1}$ 个不同的加权正弦比值的下界，这一结果在以往的文献中尚未出现。
• 显式占优准则：作者提供了闭式准则，用于根据输入变量的符号确定哪一个界限是最紧的（对于乘积为最小值，对于比值为最大值）。
• 低维情况的完整分类：
  • 二维情况 ($n=2$)：本文对二维情况进行了完整分类，表明存在两个不同的界限。占优区域由 $(1-2y)(2x-1)$ 的符号决定。
  • 三维情况 ($n=3$)：本文提供了 $n=3$ 的完整分析，识别出四个不同的界限。它详细说明了上界和下界（考虑两种特定的权重特征：$(+, -, -)$ 和 $(+, +, -)$）的占优区域。
• 数值验证：文中提供了二维和三维情况的综合数值示例表，验证了理论占优准则能正确识别各种参数配置下的最佳界限。

意义与主张
本文主张，反射-替换技术揭示了正弦不等式中被经典证明所忽视的结构丰富性。通过认识到每个坐标都提供两种同样有效的积分表示，作者将研究从单一的固定不等式转向了一个“可选择的界限族”。

这项工作的意义在于：

1. 统一性：它将之前的研究结果（包括作者早期的工作）统一到一个框架内。
2. 显式最优性：不同于仅证明存在性的证明，该框架允许针对任何特定的数值配置显式选择最紧的界限，而无需进行试错。
3. 向比值的扩展：它将该方法扩展到了比值的下界分析，开辟了分析此类表达式的新方向。
4. 可扩展性：虽然比较的复杂度随维度增加而增长，但本文断言该通用框架为 $n \geq 4$ 的情况提供了模板，即使显式准则会变得更加复杂。

作者总结道，这些结果在 Beta 函数和 Gamma 函数出现的上下文中具有直接的应用价值，因为它们提供了一种机制，可以根据变量的具体数值选择最紧凑的估计。他们还指出，该方法可能可以通过 $q$-Gamma 函数扩展到 $q$-类似物。