On the natural density of integers $n$ for which $\sigma(kn+r_1) >\sigma(kn+r_2)$

Este artículo extiende un resultado anterior de Kobayashi y Trudgian al proporcionar estimaciones y límites explícitos para la densidad natural de los enteros positivos $n$ que satisfacen la desigualdad $\sigma(kn+r_1) > \sigma(kn+r_2)$ para enteros $k>r_1>r_2\geq 0$.

Lo esencial

Imagina que tienes una fila interminable de casilleros numerados, del 1 al infinito. En cada casillero hay una caja que contiene un número. Ahora, imagina que tienes una regla mágica llamada $\sigma$ (sigma). Esta regla no solo mira el número en la caja, sino que suma todos los "regalos" (divisores) que ese número tiene.

Por ejemplo, si la caja tiene el número 6, sus regalos son 1, 2, 3 y 6. La regla $\sigma$ suma todo: $1+2+3+6 = 12$.

El Gran Problema: ¿Quién gana la carrera?

Los matemáticos se preguntan: Si tomamos dos cajas cercanas, ¿cuál de las dos tiene una suma de regalos más grande?

En este artículo, los autores (Xin-Qi Luo y Chen-Kai Ren) no miran cajas cualquiera. Ellos eligen cajas siguiendo un patrón muy específico:

1. Eligen un número fijo $k$ (como un paso de gigante).
2. Eligen dos números pequeños, $r_1$ y $r_2$.
3. Miran cajas en las posiciones: $k \times n + r_1$ y $k \times n + r_2$.

Básicamente, comparan dos cajas que siempre están a la misma distancia entre sí, pero que se mueven hacia adelante en la fila infinita. La pregunta es: ¿Con qué frecuencia la caja de la izquierda tiene más regalos que la de la derecha?

La Respuesta: La "Densidad Natural"

En lugar de decir "ocurre 5 veces cada 100", los matemáticos hablan de densidad natural. Imagina que la fila de casilleros es una carretera infinita. La densidad es el porcentaje de la carretera donde ocurre que la caja izquierda gana.

• El hallazgo anterior: En 2020, otros matemáticos descubrieron que, en el caso más simple (comparando $n+1$ con $n$), la caja izquierda gana solo alrededor del 5.4% de las veces. ¡Es muy raro!
• El nuevo trabajo: Estos autores dicen: "¡Espera! Hagamos esto más complejo. Cambiemos el paso ($k$) y las posiciones ($r_1, r_2$)".

¿Cómo lo calcularon? (La analogía del Tamiz)

Calcular esto para números infinitos es imposible de hacer a mano. Es como intentar contar cada gota de lluvia en un huracán. Para resolverlo, los autores usaron una técnica llamada partición o "tamizado".

1. El Tamiz (La Red): Imagina que tienes una red muy fina. La usan para separar los números según sus "ingredientes" (sus factores primos).
2. Los Grupos: Dividen todos los números en grupos pequeños basados en qué tan "suaves" son (si sus factores primos son pequeños).
3. La Predicción: Para cada grupo, calculan matemáticamente la probabilidad de que la caja izquierda gane. Luego, suman todas esas pequeñas probabilidades para obtener el resultado final.

Es como si quisieras saber cuántas personas en una ciudad son más altas que su vecino. En lugar de medir a todos, divides la ciudad en barrios, calculas el promedio en cada barrio y luego sumas todo.

Los Resultados Específicos

Los autores usaron computadoras potentes (con ayuda de un programa llamado Mathematica) para hacer estos cálculos en casos específicos:

• Caso 1: Cuando el paso es 3 y comparan la posición 2 contra la 0.

  • Resultado: La caja izquierda gana entre un 5.9% y un 10.9% de las veces.
  • Analogía: Es como si en una carrera de 3 pasos, el corredor de la izquierda ganara casi el 10% de las veces.

• Caso 2: Cuando el paso es 4 y comparan la posición 1 contra la 0.

  • Resultado: La caja izquierda gana muy poco, entre un 0.8% y un 1.3%.
  • Analogía: Aquí la caja izquierda es un perdedor crónico; gana menos de 1 vez de cada 100 intentos.

El Obstáculo Final

El paper también menciona un "fantasma" que no pudieron atrapar. Hay un caso muy raro donde las dos cajas tienen exactamente la misma cantidad de regalos ($\sigma(kn+r_1) = \sigma(kn+r_2)$).
Los autores intentaron usar las mejores herramientas matemáticas existentes para contar estos empates, pero se quedaron atascados en un problema matemático muy complejo. Es como intentar contar los granos de arena que son exactamente del mismo tamaño que otro grano específico en una playa infinita; es tan difícil que, por ahora, no pueden dar una respuesta exacta para esa parte.

En Resumen

Este paper es como un mapa detallado de un territorio matemático desconocido.

1. Antes: Sabíamos que un patrón específico ocurría el 5.4% de las veces.
2. Ahora: Sabemos que si cambiamos un poco las reglas (el paso $k$), esa frecuencia puede subir al 10% o bajar al 0.8%.
3. El método: Usaron una combinación de teoría de números (la lógica de los divisores) y fuerza bruta de computadoras para estimar estas probabilidades con gran precisión.

Es una demostración de cómo, incluso en el mundo de los números enteros (que parecen simples), hay patrones ocultos y complejos que requieren años de estudio y supercomputadoras para desvelar.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Resumen Técnico: Densidad Natural de Enteros $n$ para los cuales $\sigma(kn + r_1) > \sigma(kn + r_2)$

Autores: Xin-Qi Luo y Chen-Kai Ren.
Fuente: arXiv:2311.00295v2 [math.NT].

---

1. El Problema

El artículo aborda un problema en teoría analítica de números relacionado con la función suma de divisores, denotada como $\sigma(n) = \sum_{d|n} d$. El objetivo principal es estudiar la densidad natural del conjunto de enteros positivos $n$ que satisfacen la desigualdad:
$$\sigma(kn + r_1) > \sigma(kn + r_2)$$
donde $k, r_1, r_2$ son enteros fijos con $k > r_1 > r_2 \ge 0$.

Este trabajo generaliza resultados previos de Kobayashi y Trudgian (2020), quienes estimaron la densidad para el caso específico $\sigma(2n+1) \ge \sigma(2n)$, encontrando que la densidad se sitúa entre 0.053 y 0.055. Los autores se plantean si esta densidad existe para parámetros generales y, de ser así, cómo calcular cotas precisas para casos específicos.

2. Metodología

Los autores emplean una combinación de teoría analítica de números, teoría de la densidad y métodos computacionales. La metodología se divide en tres etapas principales:

A. Existencia de la Densidad (Sección 2)

Para probar que la densidad existe (Teorema 1.1), definen el conjunto $B(k, r_1, r_2)$ donde la desigualdad se cumple en términos de la función $h(n) = \sigma(n)/n$.

• Demuestran que la diferencia entre el conjunto original $A$ (donde $\sigma(kn+r_1) > \sigma(kn+r_2)$) y el conjunto $B$ (donde $h(kn+r_1) \ge h(kn+r_2)$) tiene densidad cero.
• Utilizan el Teorema de Grönwall (que establece el límite superior asintótico de $\sigma(n)/n$) y resultados sobre la divisibilidad de $\sigma(n)$ por primos pequeños (Lema 2.1 de [13]) para mostrar que la diferencia es despreciable asintóticamente.

B. Estimación mediante Partición y Suavidad (Sección 3)

Para calcular las cotas de la densidad, utilizan un método de partición basado en la suavidad de los números (números $y$-suaves, aquellos cuyos factores primos son $\le y$).

• Definición de Conjuntos: Descomponen el espacio de enteros en conjuntos $S_y(a, b)$ donde la parte $y$-suave de $kn+r_1$ es $a$ y la de $kn+r_2$ es $b$.
• Progresiones Aritméticas: Demuestran que estos conjuntos, al imponer condiciones de congruencia módulo $P(y)$ (producto de primos $\le y$), forman progresiones aritméticas. Calculan la densidad de estas progresiones utilizando el Teorema Chino del Resto.
• Límites Superiores e Inferiores: Utilizan una función auxiliar $g(n) = (\sigma(n)/n)^s$ y el lema de Kobayashi-Trudgian para estimar sumas parciales. Derivan fórmulas para cotas superiores e inferiores de la densidad condicional $d_{B_y}(a, b)$ dependiendo de si $h(a) > h(b)$ o viceversa, involucrando la constante $\Lambda_{P(y)}(s)$.

C. Cálculo Computacional (Sección 4)

Para casos específicos, los autores implementan un algoritmo en Mathematica:

• Fijan parámetros $y$ (límite de suavidad), $z$ (rango de búsqueda para $a, b$) y $s_{max}$ (máximo exponente para la función $g$).
• Iteran recursivamente sobre pares $(a, b)$ que cumplen condiciones de divisibilidad (ej. $3 \nmid a, 3 \mid b$para$k=3$).
• Suman las cotas inferiores y superiores de cada subconjunto para obtener la densidad total estimada.

3. Contribuciones Clave

1. Generalización Teórica: Establecen rigurosamente la existencia de la densidad natural para la desigualdad $\sigma(kn + r_1) > \sigma(kn + r_2)$ para cualquier entero $k > r_1 > r_2 \ge 0$.
2. Método de Cotas Mejorado: Refinan la técnica de partición basada en números suaves, proporcionando fórmulas explícitas para las cotas que dependen de la relación entre $h(a)$ y $h(b)$ y de la constante $\Lambda$.
3. Nuevos Resultados Numéricos: Proporcionan las primeras estimaciones de densidad para pares $(k, r_1, r_2)$ distintos del caso $(2, 1, 0)$ estudiado previamente.
4. Análisis de Dificultades: Discuten explícitamente las limitaciones actuales en el tratamiento del caso de igualdad $\sigma(kn + r_1) = \sigma(kn + r_2)$, identificando un caso específico de números con factores primos grandes que aún no pueden resolverse con las herramientas actuales (Remark 1.1).

4. Resultados Principales

El artículo presenta los siguientes teoremas con sus respectivas cotas numéricas:

• Teorema 1.1: La densidad del conjunto $A(k, r_1, r_2)$ existe.
• Teorema 1.2 (Caso $k=3, r_1=2, r_2=0$):
  $$0.0591 \le d_A(3, 2, 0) \le 0.109$$
  Nota: Este rango es más amplio que el del caso $k=2$, reflejando la complejidad del cálculo.
• Teorema 1.3 (Caso $k=4, r_1=1, r_2=0$):
  $$0.00842 \le d_A(4, 1, 0) \le 0.0129$$
  Nota: La densidad es significativamente menor en este caso, lo que sugiere que la desigualdad se cumple con mucha menos frecuencia.

5. Significado e Impacto

• Avance en la Comprensión de $\sigma(n)$: El trabajo profundiza en la distribución estadística de la función suma de divisores en progresiones aritméticas, un tema clásico pero con muchas incógnitas.
• Validación de Conjeturas: Los resultados confirman que la densidad no es necesariamente $1/2$(como en el caso de$\sigma(n+1) \ge \sigma(n)$probado por Erdős en 1936), sino que varía drásticamente según los parámetros$k, r_1, r_2$.
• Metodología Híbrida: El artículo sirve como modelo para combinar demostraciones analíticas de existencia con cálculos computacionales intensivos para obtener estimaciones numéricas en teoría de números.
• Límites Futuros: Al identificar el caso de igualdad como un problema abierto (Remark 1.1), señalan la dirección para futuras investigaciones, sugiriendo que se necesitan nuevas herramientas para manejar la interacción entre factores primos grandes y la función $\sigma$.

En conclusión, Luo y Ren extienden significativamente el conocimiento sobre la densidad de desigualdades de la función suma de divisores, proporcionando tanto una base teórica sólida como datos numéricos concretos para nuevos casos, demostrando la variabilidad de estas densidades y los desafíos computacionales y teóricos inherentes a su cálculo preciso.