Distribution of random multiplicative functions in short intervals, with proper normalization

Resumen Técnico: Distribución de Funciones Multiplicativas Aleatorias en Intervalos Cortos

Planteamiento del Problema
El artículo investiga la distribución límite de las sumas parciales de funciones multiplicativas aleatorias de Steinhaus, $f(n)$, sobre intervalos cortos $[x, x+y]$, donde $y \to \infty$ pero $y = o(x)$. Específicamente, los autores estudian el comportamiento de la suma $S(x, y) = \sum_{x \le n \le x+y} f(n)$.

Trabajos previos establecieron que para un $y$ muy pequeño (específicamente $y \ll x/(\log x)^c$), la suma normalizada $S(x, y)/\sqrt{y}$ converge a un gaussiano complejo estándar. Sin embargo, a medida que $y$ se aproxima a $x$, el comportamiento cambia. Se sabía que para un $y$ suficientemente cercano a $x$ (por ejemplo, $y \ge x/\exp((\log \log x)^{1/2-\epsilon})$), la normalización estándar $1/\sqrt{y}$ produce una distribución límite trivial debido a efectos de "cancelación mejor que la de la raíz cuadrada". La cuestión abierta central era determinar la distribución límite para todo el rango $y \to \infty, y=o(x)$ e identificar el factor de normalización correcto que produzca un límite gaussiano no degenerado a través de este espectro.

Metodología
Los autores emplean una sofisticada fusión de técnicas de martingala y delicados argumentos de barrera, basándose en el marco de trabajo de Harper, Soundararajan y Xu. La estrategia de prueba involucra varias innovaciones técnicas clave:

1. Condicionamiento sobre Primos Pequeños: En lugar de aplicar directamente el teorema del límite central (TLC) de martingalas a la suma completa, los autores condicionan en los valores de $f(p)$ para primos $p \le z$, donde $z = x^{1/\log \log \log x}$. Esto permite que la suma se descomponga en una suma sobre enteros con factores primos grandes, ponderados por coeficientes determinados por los primos pequeños.
2. Análisis de la Varianza Condicional: El núcleo del argumento implica analizar la varianza condicional $V_f(x, y)$ de la suma dado los primos pequeños. Los autores demuestran que $V_f(x, y)$ se concentra alrededor de una cantidad determinista $V(x, y)$ con alta probabilidad.
3. Reformulación en el Lado de Fourier: Utilizando la identidad de Parseval, la varianza condicional se transforma de una suma en el espacio físico a una integral del módulo al cuadrado de un producto de Euler aleatorio $F_z(1/2 + it)$ sobre un rango de frecuencia determinado por $x/y$.
4. Eventos de Barrera: Para manejar la naturaleza de cola pesada de los productos de Euler (lo que impide que los métodos de momentos estándar funcionen cuando $y$ es grande), los autores introducen "eventos de barrera" $G(t)$ y una barrera refinada $H(t)$. Estos eventos restringen el crecimiento de los productos de Euler parciales en diversas escalas.
   • $G(t)$ asegura que los productos de Euler no crezcan demasiado con alta probabilidad.
   • $H(t)$ impone una restricción más estricta, suprimiendo efectivamente eventos extremos raros que de otro modo dominarían la varianza.
   • La combinación de estas barreras permite una estimación de concentración de la varianza condicional que se mantiene incluso cuando $y$ está cerca de $x$.
5. Estimaciones del Cuarto Momento: Para aplicar el TLC de martingalas, los autores deben controlar las contribuciones "fuera de la diagonal" al cuarto momento. Utilizan representaciones de integrales de contorno y sumas armónicas que involucran los productos de Euler aleatorios, empleando nuevamente eventos de barrera para gestionar las integrales y demostrar que los términos fuera de la diagonal son despreciables frente a los términos de la diagonal.

Contribuciones Clave y Resultados

• Teorema 1.1 (Resultado Principal): Los autores demuestran que para cualquier $y \to \infty$ con $y = o(x)$, la suma normalizada
  $$\frac{1}{\sqrt{V(x, y)}} \sum_{x \le n \le x+y} f(n)$$
  converge en distribución a una variable aleatoria gaussiana compleja estándar.
• El Factor de Normalización $V(x, y)$: Una contribución crítica es la determinación del factor de escala $V(x, y)$, que difiere del $\sqrt{y}$ ingenuo cuando $y$ está cerca de $x$. El factor viene dado asintóticamente por:
  $$V(x, y) \sim \frac{y}{\sqrt{2\pi}} \int_{-\kappa}^{\kappa} e^{-u^2/2} du, \quad \text{donde } \kappa = \frac{\log(x/y)}{\sqrt{2 \log \log x}}.$$
  Esto implica que:
  • Cuando $y \ll x/(\log x)^c$, $V(x, y) \sim y$ (recuperando el comportamiento gaussiano estándar).
  • Cuando $y$ está cerca de $x$ (específicamente cuando $\log(x/y) \ll \sqrt{\log \log x}$), $V(x, y) \asymp y \frac{\log(x/y)}{\sqrt{\log \log x}}$.
  • La transición en el factor de normalización refleja un fenómeno de "cancelación mejor que la de la raíz cuadrada" impulsado por efectos de caos multiplicativo.
• Contraste con Sumas Largas: El artículo contrasta este resultado con el comportamiento de las sumas largas $\sum_{n \le x} f(n)$. Mientras que los intervalos cortos admiten una normalización determinista que conduce a un límite gaussiano, los autores (citando el trabajo reciente de Gorodetsky y Wong) señalan que las sumas largas no convergen a un gaussiano bajo ninguna normalización. En su lugar, la distribución límite para las sumas largas es no gaussiana y de cola pesada, relacionada con la masa total del caos multiplicativo crítico.
• Proposición 1.2: Los autores establecen una cota inferior en las probabilidades de cola de las sumas largas, mostrando que $P(|\sum_{n \le x} f(n)| \ge \lambda \sqrt{x}/(\log \log x)^{1/4}) \ge 1/\lambda^A$. Esto confirma que ninguna normalización puede producir un límite gaussiano no degenerado para la suma completa.

Significancia

El artículo afirma determinar completamente la distribución de las funciones multiplicativas aleatorias sobre todos los intervalos cortos $y = o(x)$, resolviendo las transiciones en el comportamiento que anteriormente solo se comprendían parcialmente.

• Normalización Novedosa: Este es el primer caso en el que se demuestra que las sumas parciales de funciones multiplicativas aleatorias tienen una distribución límite gaussiana con un factor de normalización que no es obvio (es decir, no es simplemente la desviación estándar de la suma). El factor $V(x, y)$ surge naturalmente de la concentración de la varianza condicional.
• Perspectiva Estructural: El trabajo destaca una diferencia fundamental entre intervalos cortos y sumas largas. En intervalos cortos, la varianza condicional se concentra alrededor de un valor determinista, lo que permite un límite gaussiano. En sumas largas, la varianza condicional es en sí misma una variable aleatoria con una distribución de cola pesada, lo que impide la convergencia gaussiana.
• Avance Metodológico: El artículo introduce un método de barrera refinado que maneja con éxito la naturaleza de cola pesada de la varianza condicional en el régimen donde $y$ está cerca de $x$. Esta técnica supera las limitaciones de los métodos previos de cuarto momento, que fallaban cuando $y$ era lo suficientemente grande como para que el cuarto momento "explotara".

Los autores señalan que, aunque la prueba se desarrolla para funciones de Steinhaus (de valores complejos), se espera que la estrategia se extienda a las funciones de Rademacher (de valores reales), aunque se requerirían algunos ajustes técnicos no triviales respecto a la invariancia de la ley por traslación.