Keith Ball 1988

Статья Кита Болла (Keith Ball) **«Logarithmically concave functions and sections of convex sets in \(\mathbb{R}^n\)»** (опубликована в 1988 году в журнале *Studia Mathematica*) — одна из классических и фундаментальных работ в современной **асимптотической выпуклой геометрии** и геометрическом функциональном анализе.

Если сформулировать её суть кратко: **Болл перебросил фундаментальный мост между геометрией выпуклых многомерных фигур и теорией вероятностей**. Он показал, как сложные задачи о сечениях тел в \(n\)-мерном пространстве можно переводить на язык гладких функций (и обратно), не теряя геометрической структуры.

---

### 1. Контекст: о каких задачах идет речь?

Представьте себе \(n\)-мерное выпуклое тело (например, многомерный шар, куб или произвольную выпуклую фигуру) объема 1.
Геометров интересовал естественный вопрос: **что происходит, если разрезать это тело гиперплоскостью, проходящей через центр тяжести?**

* Какова площадь такого среза?
* Всегда ли найдется срез достаточно большого размера? (Это знаменитая **проблема срезов Бургена** / *Hyperplane Conjecture*, сформулированная Жаном Бургеном в 1986 году).
* Как меняется площадь среза при повороте секущей плоскости?

Классическая теорема Буземана (1949) утверждала: если взять центрально-симметричное выпуклое тело, то величина, обратно пропорциональная площади центрального среза по направлению \(u\), задает норму (то есть порождает новое выпуклое тело — так называемое *тело пересечений*). Однако работать с жесткими «ступенчатыми» телами аналитически было тяжело.

---

### 2. Главные действующие лица: логарифмически вогнутые функции

Логарифмически вогнутая функция — это неотрицательная функция \(f(x)\), чей логарифм \(\ln f(x)\) является вогнутым.

* **Простейший пример:** индикаторная функция выпуклого тела \(K\) (равна 1 внутри тела и 0 снаружи).
* **Гладкий пример:** плотность многомерного нормального (гауссовского) распределения \(e^{-\|x\|^2}\), или функции вида \(e^{-\|x\|^p}\) при \(p \ge 1\).

Лог-вогнутые функции — это естественное **«размытие» (сглаживание) выпуклых тел**. Вместо фигуры с жесткими границами мы получаем «холмик» распределения вероятностей, у которого нет локальных ям и все линии уровня выпуклы.

---

### 3. Основные результаты статьи

Кит Болл решил объединить две эти области и получил несколько фундаментальных результатов:

#### А. Построение «тел Болла» (\(K_p(f)\))
Болл предложил конструкцию, позволяющую любой лог-вогнутой функции \(f\) поставить в соответствие семейство выпуклых тел \(K_p(f)\) при каждом параметре \(p > 0\).
* Длина радиус-вектора тела \(K_p(f)\) в направлении \(u\) определяется моментом функции вдоль этого луча:
  \[
  \rho(u) \sim \left( \int_0^\infty t^{p-1} f(t u) \, dt \right)^{1/p}
  \]
* **Теорема Болла:** эти множества действительно являются **выпуклыми телами**!
* *Интуитивный смысл:* это рецепт, как превратить вероятностную плотность обратно в чисто геометрический объект, сохранив выпуклость.

#### Б. Обобщение теоремы Буземана на функции
Болл распространил классическую теорему Буземана о срезах на лог-вогнутые функции:
* Если \(f\) — четная лог-вогнутая функция в \(\mathbb{R}^n\), то функция, сопоставляющая направлению \(u\) интеграл от \(f\) по гиперплоскости \(u^\perp\) (в степени \(-1\)), является нормой на \(\mathbb{R}^n\).
* Это означает, что «интегральные сечения» лог-вогнутых распределений подчиняются тем же строгим законам выпуклости, что и сечения обычных тел.

#### В. Связь с гипотезой Бургена о срезах
Болл доказал, что гипотеза Бургена для выпуклых тел эквивалентна соответствующей задаче для лог-вогнутых случайных векторов.
* То есть, если мы сможем контролировать так называемую *изотропную константу* \(L_f\) для всех лог-вогнутых распределений, мы автоматически решим проблему и для геометрии всех выпуклых тел (и наоборот).

---

### 4. Почему эта статья так важна?

1. **Создание функционального подхода в геометрии:**
   До работы Болла геометры часто мыслили операциями Минковского над телами (суммы, пересечения). Болл продемонстрировал, что переход к функциональному языку не просто обобщает результаты, а дает мощнейший аналитический аппарат (неравенства типа Прекопа–Лейндлера, преобразования Фурье, моменты случайных величин).
2. **Основа для будущих прорывов:**
   Введенные «тела Болла» стали стандартным инструментом. Они использовались Гиоргосом Паурисом при доказательстве теорем о концентрации массы, Боазом Клартагом при формулировке центральной предельной теоремы для выпуклых тел, а также в недавних работах по гипотезе KLS и гипотезе срезов (Ронан Эльдан, Юваль Чен, Клартаж и Леэк).
3. **Приложения в Computer Science:**
   Многомерные лог-вогнутые распределения лежат в основе алгоритмов случайного блуждания и сэмплирования в пространствах огромной размерности (Hit-and-Run, алгоритмы вычисления объемов тел за полиномиальное время). Геометрические свойства, доказанные Боллом, гарантируют эффективность и сходимость таких методов.

репуатация математика основывается на ...

Вот пересказ этой математической статьи простыми словами — так, чтобы суть была понятна человеку без профильного математического образования.

---
 Простое объяснение: как геометрический трюк сократил сложное доказательство
 

 В двух словах
 

В 2013 году трое математиков доказали важную точную формулу, связывающую колебания волн (тригонометрических функций) с их производными (скоростью изменения). Но доказательство одного из ключевых шагов потребовало большого количества рутинных и тяжелых вычислений.

Автор этой заметки придумал, как заменить десятки страниц скучных формул одним красивым геометрическим трюком — **теоремой Кита Болла**. В результате доказательство стало коротким, прозрачным и применимым к гораздо более широкому кругу задач.

---
 1. О чем вообще задача? (Контекст)

Представьте себе сложную звуковую волну. В математике такие периодические сигналы описываются **тригонометрическими многочленами** (суммой синусов и косинусов разных частот).

У таких волн есть две важные характеристики:
1. **Производная** — показывает, насколько *резко и быстро* может меняться сигнал в конкретной точке.
2. **Конечная разность (или шаг изменения)** — показывает, как сильно меняется значение сигнала, если мы сдвинемся вперед или назад на небольшой шаг $h$.

В теории приближений давно изучают неравенства типа **Бернштейна — Никольского — Стечкина**. Они отвечают на вопрос:
> *«Если мы знаем, насколько сигнал колеблется при малых дискретных шагах, какова максимальная возможная скорость его изменения (производная)?»*

В 2013 году  **Бабенко, Крякин и Сташак** нашли точную (неулучшаемую) оценку для этого соотношения при усреднении разностей.


2. В чем была сложность старого доказательства?

Чтобы получить итоговое неравенство, математики раскладывают сигнал на гармоники (спектр, как в эквалайзере). Каждая частота умножается на определенный коэффициент — это называется действием **мультипликатора**.

Существует известное правило (*лемма о мультипликаторах*):
> *Если график коэффициентов ведет себя хорошо — а именно является **выпуклым** (изогнут чашей вверх, без локальных провисаний и бугров) — то всё неравенство доказывается автоматически и красиво.*

**Проблема:** формула для этих коэффициентов в задаче Бабенко, Крякина и Сташака выглядела крайне громоздко (включала интегралы от степеней синусов и треугольные функции). Чтобы доказать, что эта кривая действительно выпуклая, авторам в 2013 году пришлось прибегнуть к мучительным техническим вычислениям производных высших порядков, занявшим целое приложение к статье.


3. Идея нового доказательства: при чем тут геометрия?

Автор новой статьи заметил: **выпуклость здесь возникает не случайно**, а следует из фундаментальных законов многомерной геометрии.

Вместо того чтобы «в лоб» считать производные сложной дроби, автор использует **теорему Кита Болла (1988 года)**:
 

* Если взять фигуру или функцию, которая плавно спадает от центра во все стороны (так называемая *логарифмически вогнутая функция*, похожая на колокол гауссианы),
* и посчитать ее интегралы по лучам, исходящим из центра,
* то результат естественным образом задает **геометрическое расстояние (норму)** в пространстве.

А любое расстояние в пространстве по своей природе обладает свойством выпуклости (кратчайший путь — по прямой, треугольник не может иметь вогнутые стороны).
 

 Как сработал этот трюк:
1. Автор взял подынтегральное выражение и показал, что оно устроено как раз как «правильный колокол» (логарифмически вогнуто).
2. Применил теорему Болла — и автоматически, «бесплатно», получил выпуклый геометрический объект.
3. Сложная функция коэффициентов оказалась просто плоским срезом этого многомерного объекта. А срез выпуклого тела всегда выпуклый!
4. Вся тяжелая аналитическая работа 2013 года схлопнулась буквально в три строчки рассуждений.

---
 4. Почему это важно для науки?

1. **Красота и простота:** Вместо грубой вычислительной силы использована глубокая идея. Это то, за что математики любят свою науку: сложное техническое препятствие растворяется, если взглянуть на него под правильным геометрическим углом.
2. **Обобщение (Бонус):** Прежнее доказательство опиралось на конкретные формулы «треугольного усреднения» (когда разности усредняются с треугольным весом). Новый метод доказал: результат верен **для любого усреднения**, лишь бы его весовая функция имела колоколообразную форму (была лог-вогнутой). Формула перестала быть частным случаем и стала общим принципом.

=========================

A Short Proof of the Bernstein–Nikolsky–Stechkin-Type Inequality of Babenko, Kryakin, and Staszak

Abstract

We present a short, conceptual proof of the sharp Bernstein–Nikolsky–Stechkin-type inequality for averaged differences of order $2k$, originally established by Babenko, Kryakin, and Staszak (2013). By invoking Keith Ball’s theorem on radial integrals of log-concave functions, we replace a lengthy, technical verification of the convexity of an inverse multiplier with a direct geometric argument. The proof preserves the sharp constant, covers the full range of admissible step sizes, and naturally extends to arbitrary even, log-concave weight densities.

---

1. Setting and Main Result

Let $\mathcal{T}_n$ be the space of real trigonometric polynomials of degree at most $n$, equipped with the uniform norm $\|f\|_\infty = \sup_{x \in \mathbb{R}} |f(x)|$.

For a step size $h > 0$ and order $2k$ ($k \ge 1$), consider:

1. The triangular averaging kernel:
   $$\phi_h(u) = \frac{1}{h} \left(1 - \frac{|u|}{h}\right)_+, \quad \text{where } a_+ = \max\{a, 0\}.$$
2. The central difference of order $2k$:
   $$\Delta_u^{2k} f(x) = \sum_{j=-k}^{k} (-1)^{j+k} \binom{2k}{k+j} f(x + ju).$$
3. The averaged difference operator $\mathscr{W}_{2k,h}$ and its uniform norm:
   $$\mathscr{W}_{2k,h}f(x) = \frac{(-1)^k}{C_k} \int_{\mathbb{R}} \Delta_u^{2k} f(x) \, \phi_h(u) \, du, \qquad W_{2k}(f, h) = \|\mathscr{W}_{2k,h}f\|_\infty,$$
   where $C_k = \binom{2k}{k}$.

Fourier Multiplier Action

On pure harmonics $e^{ijx}$, the operator acts as a Fourier multiplier:
$$\mathscr{W}_{2k,h}(e^{ijx}) = (-1)^k \lambda_{h,k}(j) \, e^{ijx},$$
where the multiplier $\lambda_{h,k}(t)$ is given by
$$\lambda_{h,k}(t) = \frac{4^k}{C_k} \int_{\mathbb{R}} \sin^{2k}\left(\frac{tu}{2}\right) \phi_h(u) \, du. \tag{1}$$

Since the derivative operator acts by $(e^{ijx})^{(2k)} = (-1)^k j^{2k} e^{ijx}$, passing from the averaged difference $\mathscr{W}_{2k,h}\tau$ to the derivative $\tau^{(2k)}$ amounts to applying the sequence of multiplier weights:
$$q(j) = \frac{j^{2k}}{\lambda_{h,k}(j)}.$$

The main result of Babenko, Kryakin, and Staszak bounds the derivative by this averaged difference.

---

Theorem 1 (Babenko–Kryakin–Staszak, 2013).
Let $k, n \ge 1$ and $0 < h \le 2\pi/n$. For every $\tau \in \mathcal{T}_n$,
$$\|\tau^{(2k)}\|_\infty \le \frac{n^{2k}}{\lambda_{h,k}(n)} \, W_{2k}(\tau, h). \tag{2}$$
The inequality is sharp, with equality attained at $\tau(x) = \cos(nx)$.

---

2. Auxiliary Tools

The proof relies on two standard facts from harmonic analysis and convex geometry.

Fact A: The Multiplier Lemma ([1, Lemma 4])

Let $q: [-n, n] \to [0, \infty)$ be an even, convex function. Then for any polynomial $g(x) = \sum_{|j|\le n} \widehat{g}_j e^{ijx} \in \mathcal{T}_n$, the multiplier operator bounded by $q$ satisfies:
$$\left\| \sum_{|j|\le n} q(j) \widehat{g}_j e^{ijx} \right\|_\infty \le q(n) \|g\|_\infty.$$

Fact B: Ball’s Theorem on Log-Concave Functions ([2, Theorem 5])

A non-negative function $F$ is log-concave if $\log F$ is concave on the support of $F$.

Let $F: \mathbb{R}^d \to [0, \infty)$ be an even, integrable, log-concave function that is strictly positive in a neighborhood of the origin. For any $m \ge 1$, the radial functional
$$N_F(z) = \left( \int_0^\infty r^{m-1} F(rz) \, dr \right)^{-1/m}, \quad z \ne 0, \qquad N_F(0) = 0,$$
defines a norm on $\mathbb{R}^d$. In particular, $N_F$ is a convex function on $\mathbb{R}^d$.

---

3. Proof of Theorem 1

Step 1: Reduction to the Convexity of $q(t)$

Let $g = \mathscr{W}_{2k,h}\tau$. Then $\widehat{g}_j = (-1)^k \lambda_{h,k}(j)\widehat{\tau}_j$ and $\widehat{g}_0 = 0$. We express the derivative $\tau^{(2k)}$ as:
$$\tau^{(2k)}(x) = \sum_{|j|\le n} (-1)^k j^{2k} \widehat{\tau}_j e^{ijx} = \sum_{1 \le |j| \le n} q(j) \widehat{g}_j e^{ijx}, \quad \text{where } q(t) = \frac{t^{2k}}{\lambda_{h,k}(t)}.$$
By Fact A, once we show that $q(t)$ is even, non-negative, and convex on $[-n, n]$, Theorem 1 follows immediately:
$$\|\tau^{(2k)}\|_\infty \le q(n) \|g\|_\infty = \frac{n^{2k}}{\lambda_{h,k}(n)} W_{2k}(\tau, h).$$
Evenness and positivity are evident from (1). The sole difficulty is proving convexity.

---

Step 2: Integral Representation of $q(t)$

Substitute $\phi_h(u) = \frac{1}{h}(1 - |u|/h)_+$ into (1). Using symmetry, setting $u = hr$, and introducing the scaled frequency variable $x = ht/2$, we evaluate:
$$\lambda_{h,k}(t) = \frac{2 \cdot 4^k}{C_k} \int_0^1 \sin^{2k}(xr) (1 - r) \, dr = \frac{2 \cdot (2x)^{2k}}{C_k} \int_0^1 r^{2k} (1 - r) \left(\frac{\sin(xr)}{xr}\right)^{2k} dr.$$
Therefore:
$$q(t) = \frac{t^{2k}}{\lambda_{h,k}(t)} = \frac{C_k}{2 h^{2k}} \cdot A_k\left(\frac{ht}{2}\right)^{-1}, \tag{3}$$
where
$$A_k(x) = \int_0^1 r^{2k}(1 - r) \left(\frac{\sin(xr)}{xr}\right)^{2k} dr. \tag{4}$$

Hence, to show that $q(t)$ is convex on $[-n, n]$ for $h \le 2\pi/n$, it suffices to show that $A_k(x)^{-1}$ is convex on $[-\pi, \pi]$.

---

Step 3: Proving Convexity via Ball’s Theorem

Define the truncated cardinal sine function:
$$S(s) = \begin{cases} \dfrac{\sin s}{s}, & 0 < |s| < \pi, \\ 1, & s = 0, \\ 0, & |s| \ge \pi. \end{cases}$$

1. Log-concavity of $S$: On $(-\pi, \pi) \setminus \{0\}$,
   $$(\log S(s))'' = \left(\log \sin s - \log s\right)'' = \frac{1}{s^2} - \frac{1}{\sin^2 s} < 0.$$
   At $s = 0$, the second derivative extends continuously to $-1/3 < 0$. Since $S$ vanishes outside $(-\pi, \pi)$, $S$ is log-concave on $\mathbb{R}$.

2. Constructing the 2D log-concave function: Define $F_k: \mathbb{R}^2 \to [0, \infty)$ by
   $$F_k(s, v) = S(s)^{2k} (1 - |v|)_+.$$
   Because the product of independent log-concave functions remains log-concave, $F_k$ is an even, log-concave density on $\mathbb{R}^2$.

3. Applying Ball’s Theorem: Set $m = 2k + 1$. By Fact B,
   $$N_k(a, b) = \left( \int_0^\infty r^{2k} F_k(ra, rb) \, dr \right)^{-\frac{1}{2k+1}}$$
   is a valid norm on $\mathbb{R}^2$, and is therefore convex.

4. Restriction to an affine line: The restriction of any norm to an affine line is convex. Evaluating $N_k$ along $(a, b) = (x, 1)$ for $|x| \le \pi$:
   $$N_k(x, 1) = \left( \int_0^1 r^{2k} (1 - r) S(xr)^{2k} \, dr \right)^{-\frac{1}{2k+1}} = A_k(x)^{-\frac{1}{2k+1}}.$$
   Thus, $A_k(x)^{-\frac{1}{2k+1}}$ is convex on $[-\pi, \pi]$.

5. Power preservation of convexity: Since $u \mapsto u^{2k+1}$ is convex and non-decreasing on $[0, \infty)$, the composition
   $$A_k(x)^{-1} = \left( A_k(x)^{-\frac{1}{2k+1}} \right)^{2k+1}$$
   is convex on $[-\pi, \pi]$.

By formula (3), $q(t)$ is convex on $[-2\pi/h, 2\pi/h] \supseteq [-n, n]$. This completes the proof of Theorem 1. $\blacksquare$

---

4. Generalization to Arbitrary Log-Concave Weights

The proof does not rely on the specific triangular shape of $\phi_h$. It holds when $\phi_h$ is replaced by any scaled density $\rho_h(u) = \frac{1}{h} \rho(u/h)$, where $\rho$ satisfies:

1. $\rho$ is even: $\rho(-u) = \rho(u)$;
2. $\rho$ is log-concave on its support $[-1, 1]$;
3. $\rho(0) > 0$.

For such a weight, the inverse multiplier takes the form
$$\frac{t^{2k}}{\lambda_{\rho,k}(t)} = \frac{C_k}{2} \left( \int_0^\infty u^{2k} S\left(\frac{tu}{2}\right)^{2k} \rho(u) \, du \right)^{-1}.$$
Applying Ball’s Theorem to the bivariate log-concave density $F(s, v) = S(s)^{2k} \rho(v)$ along the line $(t/2, 1)$ guarantees the required convexity directly.

---

References

1. A. G. Babenko, Y. V. Kryakin, P. T. Staszak, Special Moduli of Continuity and the Constant in the Jackson–Stechkin Theorem, Constr. Approx. 38 (2013), 339–364.
2. K. Ball, Logarithmically concave functions and sections of convex sets in $\mathbb{R}^n$, Studia Math. 88 (1988), 69–84.