Marcinkiewicz 插值定理

形式陈述

弱型界只控制每个超水平集，为什么两个不同指数的弱界合起来，反而能保证整个输出可积？

设输入与输出分别位于 $\sigma$ -有限测度空间 $(X,\mu)$ 、 $(Y,\nu)$ 。 $T$ 是定义在 $L^{p_0}(X)+L^{p_1}(X)$ 上的可测输出算子，满足绝对齐次性与次线性

|T(af)|=|a|\,|Tf|, \qquad |T(f+g)|\le|Tf|+|Tg|.

取 $1\le p_0<p_1<\infty$ 。假设有弱型界

\nu\{|Tf|>\lambda\} \le\left(\frac{A_i\|f\|_{p_i}}\lambda\right)^{p_i}, \qquad i=0,1.

那么对每个 $p_0<p<p_1$ ，存在仅依赖这些指数和 $A_0,A_1$ 的有限常数 $C$ ，使

\|Tf\|_p\le C\|f\|_p.

也允许 $p_1=\infty$ ，但此时第二个假设写成强界 $\|Tf\|_\infty\le A_1\|f\|_\infty$ 。本页证明同指数的 $(p_i,p_i)$ 版本；输入输出指数不同的更一般插值有额外参数条件，不在此式中省略。

直觉

单用弱 $(p_0,p_0)$ 界去积分，输出的大阈值尾部可能发散；单用弱 $(p_1,p_1)$ 界，低阈值区域又可能失控。两个界的互补性必须通过随阈值改变的分割才能发挥作用。

要判断输出是否超过 $t$ ，先把输入拆成 $|f|>t$ 的高峰和 $|f|\le t$ 的低地。高峰支持较小，适合低指数的可积估计；低地振幅有限，适合高指数。最后对所有 $t$ 积分，每个输入点恰好在适合自己的阈值范围内被计算。

这不是简单地对两个全局上界取最小值。真正变化的是送进两个端点估计的输入函数。

例子与边界

|\{Mf>\lambda\}|\le C_d\|f\|_1/\lambda, \qquad\|Mf\|_\infty\le\|f\|_\infty.

下面证明的无穷端点公式在 $p=2$ 给出

\|Mf\|_2^2\le8C_d\|f\|_2^2.

用三倍球覆盖可取 $C_d=3^d$ ，所以一维得到 $\|Mf\|_2\le\sqrt{24}\|f\|_2$ 。这不是最佳常数，但它是从两个明确端点推导的有效保证。

对 $f=\mathbf1_{[0,1]}$ ，最大函数在区间内等于一，两侧分别为 $1/(2x)$ 与 $1/[2(1-x)]$ 。直接积分得到

\|Mf\|_2^2=1+2\int_1^\infty\frac{dx}{4x^2}=\frac32.

实际比值小于证明上界并不矛盾；算子范数界要同时服务所有输入，而覆盖常数也未作最优化。

同一个区间指示函数使 $Mf\notin L^1$ ，所以不可能把结论中的 $p>1$ 改成 $p\ge1$ 。证明里出现的 $1/(p-p_0)$ 和 $1/(p_1-p)$ 正好记录了靠近端点时的失控，而非可以随手删去的松常数。

推论与应用

固定 $t>0$ ，拆成

f=f_t^{\mathrm{hi}}+f_t^{\mathrm{lo}}, \quad f_t^{\mathrm{hi}}=f\mathbf1_{\{|f|>t\}}, \quad f_t^{\mathrm{lo}}=f\mathbf1_{\{|f|\le t\}}.

若 $f\in L^p$ 、 $p_0<p<p_1$ ，这两部分分别属于 $L^{p_0}$ 与 $L^{p_1}$ 。次线性给

\begin{aligned} \nu\{|Tf|>2t\} \le{}&A_0^{p_0}t^{-p_0} \int_{|f|>t}|f|^{p_0}d\mu\\ &+A_1^{p_1}t^{-p_1} \int_{|f|\le t}|f|^{p_1}d\mu. \end{aligned}

利用层积分公式，令输出阈值 $\lambda=2t$ ，再用Tonelli 定理换序。第一项在每个输入点 $x$ 上贡献

|f(x)|^{p_0}\int_0^{|f(x)|}t^{p-p_0-1}dt =\frac{|f(x)|^p}{p-p_0};

第二项贡献

|f(x)|^{p_1}\int_{|f(x)|}^\infty t^{p-p_1-1}dt =\frac{|f(x)|^p}{p_1-p}.

因此得出一个完全显式的界

\|Tf\|_p^p \le p2^p\left( \frac{A_0^{p_0}}{p-p_0} +\frac{A_1^{p_1}}{p_1-p}\right)\|f\|_p^p.

这已证明定理。若把切分高度改为 $at$ 并优化 $a>0$ ，还能整理成端点常数的几何插值形式；取得中间强型的机制并不需要先追求最小常数。

现在只有弱 $(p_0,p_0)$ 与 $L^\infty$ 强界。对输出阈值 $\lambda$ ，在输入高度 $\lambda/(2A_1)$ 处分割。低部分满足 $\|Tf^{\mathrm{lo}}\|_\infty\le\lambda/2$ ，所以

\nu\{|Tf|>\lambda\} \le\left(\frac{2A_0}{\lambda}\right)^{p_0} \int_{|f|>\lambda/(2A_1)}|f|^{p_0}d\mu.

同样换序，得到对任意有限 $p>p_0$ ，

\|Tf\|_p^p \le\frac{p2^p}{p-p_0} A_0^{p_0}A_1^{p-p_0}\|f\|_p^p.

当 $A_1=0$ 时算子在有界输入上为零，可通过分割单独处理；以上展示的是 $A_1>0$ 的非平凡情形。

Riesz–Thorin 插值要求线性和强型端点，却给出精确的几何平均常数。本页接受次线性和弱端点，代价是中间常数以及严格内部的指数范围。选择哪条定理，应由手中已有的端点证据决定。

参考资料

Terence Tao，Lecture Notes 1 for 247A，§8，Theorem 8.5，pp. 30–32：一般实插值框架。本文只证明同指数的经典弱到强版本，采用直接振幅切分与层积分。