Resumen Técnico: Grandes Fluctuaciones de Sumas de Funciones Multiplicativas Aleatorias

1. Planteamiento del Problema

El artículo se centra en el estudio de las fluctuaciones casi seguras (almost sure fluctuations) de las sumas parciales de funciones multiplicativas aleatorias, específicamente las funciones de Rademacher y Steinhaus.

• Definiciones:

  • Función de Steinhaus: $f(n)$ es multiplicativa, y para cada primo $p$, $f(p)$ está uniformemente distribuida en el círculo unitario complejo.
  • Función de Rademacher: $f(n)$ es multiplicativa en enteros libres de cuadrados, y para cada primo $p$, $f(p)$ está uniformemente distribuida en $\{-1, 1\}$.

• Contexto:

  • Se sabe que la suma completa $\sum_{n \le N} f(n)$ no sigue una distribución gaussiana estándar tras la normalización $\sqrt{N}$. Harper demostró que el tamaño típico es del orden $\sqrt{N}/(\log \log N)^{1/4}$.
  • El objetivo de este trabajo es entender el comportamiento de las sumas cuando los sumandos están restringidos a subconjuntos aritméticamente interesantes $A \subseteq [1, N]$, donde la distribución tiende a ser aproximadamente gaussiana, pero se busca establecer cotas superiores e inferiores casi seguras para las grandes fluctuaciones (ley del logaritmo iterado).

2. Metodología y Marco General

El autor desarrolla un marco general para analizar estas fluctuaciones, extendiendo el trabajo previo de Soundararajan y Xu sobre teoremas del límite central (TLC). La metodología se basa en tres pilares principales:

A. Estructura de Martingala

Siguiendo la observación de Harper, las sumas de funciones multiplicativas aleatorias poseen una estructura de martingala con respecto a la filtración inducida por el mayor factor primo ($P^+(n)$).
$$\sum_{n \in A} f(n) = \sum_{p^\alpha \le N} f(p^\alpha) \sum_{\substack{n \in A \\ P^+(n)=p^\alpha}} f\left(\frac{n}{p^\alpha}\right)$$
Esta estructura permite aplicar teoremas de límite central cuantitativos para martingalas (Proposición 2.1, basada en Hall y Heyde) para acotar la distancia de Kolmogorov entre la suma y una distribución gaussiana.

B. Teorema del Límite Central Multivariado Cuantitativo

El núcleo de la novedad del artículo es la obtención de un Teorema del Límite Central Multivariado Cuantitativo.

• En lugar de usar el método de Stein con pares intercambiables (que tiene dificultades con dependencias complejas entre primos grandes), el autor utiliza un resultado reciente de Bobkov y Götze.
• Este resultado permite acotar la distancia Kantorovich-Wasserstein entre la distribución multivariada de las sumas y una gaussiana, basándose únicamente en las distancias de Kolmogorov de las combinaciones lineales unidimensionales.
• Esto permite manejar la dependencia entre sumas en diferentes escalas ($N_1, N_2, \dots, N_k$) de manera más eficiente.

C. Control de Momentos y Soluciones Triviales

Para que la aproximación gaussiana sea válida, es necesario controlar el cuarto momento de las sumas. Esto se traduce en contar el número de soluciones a ecuaciones diofánticas:

• $n_1 n_2 n_3 n_4 = \square$ (cuadrado perfecto) o $n_1 n_2 = n_3 n_4$.
• El objetivo es demostrar que las soluciones "no triviales" (donde los $n_i$ no son iguales en pares) son despreciables en comparación con las soluciones triviales. Esto requiere un "ahorro" (saving) en el conteo de soluciones no triviales, lo cual se logra mediante técnicas de teoría de números analítica y resultados sobre enteros lisos (smooth numbers).

3. Resultados Principales

El artículo establece dos teoremas principales para diferentes conjuntos $A$:

Teorema A: Imágenes Polinómicas

Sea $P(x) \in \mathbb{Z}[x]$ un polinomio que cumple ciertas condiciones (producto de factores lineales o irreducible de grado $\ge 2$).

• Resultado: Casi seguramente,
  $$\limsup_{N \to \infty} \frac{\left| \sum_{n \le N} f(P(n)) \right|}{\sqrt{N \log \log N}} > 0$$
• Novedad: Se establece una cota superior casi segura nueva:
  $$\left| \sum_{n \le N} f(P(n)) \right| \ll \sqrt{N \log \log N} \quad \text{casi seguramente}.$$
• Significado: Esto completa la ley del logaritmo iterado para este caso, mostrando que las fluctuaciones son del orden $\sqrt{N \log \log N}$. El método funciona incluso cuando $P$ es un producto de factores lineales, un caso donde métodos anteriores fallaban.

Teorema B: Intervalos Cortos

Sea $A = (N-H, N]$ un intervalo corto con $H = H(N)$ satisfaciendo $N^{11/15} \le H \le N/(\log N)^c$.

• Resultado: Casi seguramente, existe una secuencia $N_k \to \infty$ tal que:
  $$\left| \sum_{N_k-H_k < n \le N_k} f(n) \right| \gg \sqrt{H_k \frac{\log N_k}{H_k}} = \sqrt{H_k \log N_k / H_k}$$
  (Nota: La expresión en el paper es $\sqrt{H \log N / H}$, lo cual simplifica a $\sqrt{\log N}$ si se interpreta como la magnitud de la fluctuación relativa a la longitud, pero el teorema afirma que la suma crece como $\sqrt{H \log(N/H)}$).
• Interpretación: Las fluctuaciones en intervalos cortos son más grandes que en la suma completa debido a la rápida decorrelación. El máximo de estas sumas en una ventana de tamaño $N$ escala como $\sqrt{\log(N/H)}$.
• Limitación: La cota superior casi segura para intervalos cortos sigue siendo un problema abierto, aunque el autor sugiere que métodos relacionados con productos de Euler aleatorios podrían ser útiles.

4. Contribuciones Clave y Significado

1. Unificación de Métodos: Se presenta un marco unificado que extiende el TLC de Soundararajan y Xu al régimen de grandes fluctuaciones casi seguras, aplicable tanto a imágenes polinómicas como a intervalos cortos.
2. Nueva Técnica para Polinomios Lineales: Se supera la limitación de trabajos anteriores (Klurman, Shkredov, Xu) que requerían factores irreducibles de grado $\ge 2$. El nuevo método explota completamente la estructura de martingala sin necesidad de descomposición combinatoria compleja ni condicionamiento en primos pequeños para el caso de factores lineales.
3. Cota Superior para Polinomios: Se demuestra por primera vez la cota superior casi segura $\sqrt{N \log \log N}$ para sumas sobre imágenes polinómicas, cerrando la brecha entre las cotas inferiores y superiores conocidas.
4. Uso de Distancias de Wasserstein: La aplicación del teorema de Bobkov-Götze para acotar la distancia multivariada mediante combinaciones lineales unidimensionales es una innovación metodológica que simplifica el manejo de dependencias complejas en teoría de números probabilística.
5. Análisis de Intervalos Cortos: Se demuestra que las fluctuaciones en intervalos cortos siguen una ley del logaritmo iterado modificada, donde el término logarítmico depende de la relación entre la longitud del intervalo y el tamaño total $N$.

5. Conclusión

El trabajo de Besfort Shala representa un avance significativo en la comprensión del comportamiento asintótico de las funciones multiplicativas aleatorias. Al combinar herramientas de teoría de martingalas, teoría de números analítica (conteo de soluciones de ecuaciones diofánticas) y probabilidad de alta dimensión (distancias de Wasserstein), el autor logra establecer leyes del logaritmo iterado casi seguras en contextos donde la estructura multiplicativa es menos rígida, proporcionando tanto cotas inferiores como superiores (en el caso polinómico) que coinciden con las predicciones heurísticas basadas en la independencia gaussiana.