如何由∫_X^{2X}|f-g|²=O(X)推出X≤x≤2X时|f-g|=O(1)？

嘿，咱们把这个问题拆成三个部分来逐一解答，这样更清晰：

1. 从(\int_X^{2X}|f-g|2=O(X))能否直接推出(X≤x≤2X)内(|f-g|=O(1))？ #

首先得明确：仅靠这个积分条件，没办法直接推出点态的(|f-g|=O(1))。咱们来拆解一下这个积分条件的含义：
令( h = f - g )，那么( \int_X^{2X} |h|^2 dx = O(X) )等价于( h )在区间([X,2X])上的( L^2 )平均是有界的——也就是( \frac{1}{X} \int_X^{2X} |h|^2 dx = O(1) )。

但点态估计（即对区间内每个( x )，( |h(x)| )都被某个常数控制）是比平均估计更强的结论。举个反例：构造( h(x) )在([X, 2X])中，仅在长度为( 1 )的子区间上取值为( \sqrt{X} )，其余地方取( 0 )。此时积分( \int_X^{2X} |h|^2 dx = (\sqrt{X})^2 \times 1 = X = O(X) )，满足条件，但在那个子区间上( |h(x)| = \sqrt{X} )，当( X )足够大时，这显然不是( O(1) )。

当然，如果给( h )加上额外的正则性条件（比如连续性、一致连续性，或者在数论场景中常见的解析性、凸性界），那有可能从平均估计推出点态估计，但这需要额外工具，不是积分条件本身能直接导出的。

2. 这个结论是否由柯西-施瓦茨不等式推导而来？ #

答案是不能。柯西-施瓦茨不等式在这里能做的是把( L^2 )估计转化为( L^1 )估计：
根据柯西-施瓦茨，( \left( \int_X^{2X} |h| dx \right)^2 \leq \left( \int_X^{2X} |h|^2 dx \right) \times \left( \int_X^{2X} 1 dx \right) )，代入条件得( \left( \int |h| dx \right)^2 \leq O(X) \times X = O(X^2) )，所以( \int |h| dx = O(X) )，也就是( h )的( L^1 )平均是( O(1) )。但这依然是平均估计，和点态的( O(1) )还差得远，柯西-施瓦茨根本触达不到点态估计的层面。

3. 去掉平方项后，结论是否依然自动成立？ #

同样不成立。假设条件变成( \int_X^{2X} |h| dx = O(X) )（即( L^1 )平均为( O(1) )），咱们还是可以构造反例：让( h(x) )在([X,2X])中长度为( 1 )的子区间上取值为( X )，其余地方取( 0 )。此时积分( \int |h| dx = X \times 1 = O(X) )，满足条件，但在那个子区间上( |h(x)| = X )，显然不是( O(1) )。这说明就算去掉平方，仅靠积分平均有界，也没法自动得到点态的有界性。

内容的提问来源于stack exchange，提问作者user257