🔢 mathematics

On the Hardy-Ramanujan Theorem

Cet article établit une version efficace du théorème de Hardy-Ramanujan en prouvant que la distribution empirique décalée du nombre de facteurs premiers distincts $\omega(n)$ est dominée ponctuellement par un multiple fixe d'une loi de Poisson, tout en dérivant des estimations plus fines pour les entiers sans facteur carré, des bornes de déviation explicites et des résultats de moments uniformes pour des fonctions arithmétiques connexes.

Auteurs originaux : Benjamin Durkan

Publié 2026-06-09

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Benjamin Durkan

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous vous promenez dans une vaste forêt infinie de nombres. Chaque arbre de cette forêt est un entier (2, 3, 4, 5, ...). Certains arbres sont simples, comme un pin avec un seul type de branche (un nombre premier). D'autres sont complexes, comme un chêne possédant de nombreux types de branches différents (un nombre composé de nombreux facteurs premiers différents).

Chaque arbre est un entier (2, 3, 4, 5, ...). Certains arbres sont simples, comme un pin avec un seul type de branche (un nombre premier). D'autres sont complexes, comme un chêne possédant de nombreux types de branches différents (un nombre composé de nombreux facteurs premiers différents).

Les mathématiciens sont fascinés depuis longtemps par une question spécifique : Combien de différents « types de branches » (facteurs premiers distincts) un arbre typique de cette forêt possède-t-il ?

Par exemple :

Le nombre 12 est composé de $2 \times 2 \times 3$ . Il a 2 types de branches distincts (2 et 3).
Le nombre 30 est composé de $2 \times 3 \times 5$ . Il a 3 types distincts.
Le nombre 210 est composé de $2 \times 3 \times 5 \times 7$ . Il a 4 types distincts.

L'ancienne carte : Hardy et Ramanujan

Au début du XXe siècle, deux géants des mathématiques, G.H. Hardy et Srinivasa Ramanujan, ont dessiné une carte de cette forêt. Ils ont découvert une règle surprenante : si vous choisissez un très grand nombre $n$ , le nombre de ses facteurs premiers distincts est généralement très proche de $\log(\log n)$ .

Considérez $\log(\log n)$ comme la « hauteur moyenne » des arbres dans une section spécifique de la forêt. Hardy et Ramanujan ont prouvé que presque tous les arbres ont approximativement cette hauteur. Cependant, leur carte avait des contours flous. Ils savaient où se trouvaient les arbres, mais ils n'avaient pas de règle précise pour mesurer exactement à quel point un arbre pouvait s'écarter de la moyenne, ni de formule parfaite pour prédire les chances de trouver un arbre très haut ou très court.

La nouvelle carte : La version « effective » de Benjamin Durkan

Le papier de Benjamin Durkan est comme si l'on reprenait cette ancienne carte floue pour la redessiner avec un GPS guidé par laser. Il ne se contente pas de dire « la plupart des arbres sont dans la moyenne » ; il vous donne une règle mathématique stricte qui garantit exactement la rareté des cas exceptionnels.

Voici le cœur de sa découverte, expliquée simplement :

1. L'ombre « de Poisson »

Durkan prouve que la distribution de ces facteurs premiers suit un motif statistique spécifique appelé la distribution de Poisson.

L'analogie : Imaginez que vous comptiez les gouttes de pluie frappant une zone spécifique du sol. Vous connaissez le taux moyen (disons, 10 gouttes par minute). La distribution de Poisson vous indique la probabilité d'obtenir 5 gouttes, 15 gouttes ou 20 gouttes.
Le résultat : Durkan démontre que le « compte des facteurs premiers » des nombres se comporte exactement comme ces gouttes de pluie. Il prouve que le nombre d'entiers ayant un nombre spécifique de facteurs premiers est dominé (ou « ombragé ») par ce motif de Poisson.
Pourquoi c'est important : Cela signifie que nous pouvons utiliser les règles bien connues de la distribution de Poisson pour prédire le comportement de ces nombres avec une précision extrême.

2. Le « filet de sécurité » (Constantes explicites)

Les preuves précédentes étaient comme dire : « L'arbre ne dépassera pas une certaine limite vague. » Le papier de Durkan est comme dire : « L'arbre ne sera jamais plus haut que 117,20 fois l'écart moyen. »

Il calcule des nombres spécifiques (comme 4,096 et 117,20) qui agissent comme des filets de sécurité.
Ces nombres garantissent que, peu importe jusqu'où vous regardez dans la forêt, vous pouvez mathématiquement garantir que le nombre d'arbres « bizarres » (ceux qui ont beaucoup trop de ou beaucoup trop peu de facteurs premiers) est inférieur à un montant calculé précisément.

3. L'astuce de la « suppression »

Comment a-t-il fait cela ? Il a utilisé une astuce de comptage ingénieuse qu'il appelle la « suppression ».

L'analogie : Imaginez que vous avez une tour de Legos complexe. Pour compter combien de tours ont exactement 5 blocs, vous pouvez regarder les tours qui en ont 6 et demander : « Si je retire un bloc spécifique, est-ce que j'obtiens une tour à 5 blocs ? »
Durkan utilise cette logique de manière récursive. Il compte les nombres avec $k$ facteurs premiers en regardant les nombres avec $k+1$ facteurs et en « supprimant » une partie première. Cela crée une réaction en chaîne de comptage qui lui permet de fixer les nombres exacts.

Qu'est-ce que cela nous apporte ?

Parce qu'il possède ce « ombre » précis (la distribution de Poisson) et ces filets de sécurité stricts, Durkan peut instantanément dériver plusieurs autres faits utiles :

La fenêtre « Gaussienne » : Il peut calculer les probabilités de trouver un nombre légèrement plus haut ou plus bas que la moyenne. Il s'avère que ces probabilités ressemblent à une courbe en cloche (la célèbre « distribution normale »), mais il fournit la formule exacte pour les bords de la courbe.
Les valeurs aberrantes « extrêmes » : Il peut vous dire exactement à quel point il est rare de trouver un nombre avec des quantités massives de facteurs premiers (comme un arbre avec 100 types de branches différents). Les probabilités chutent si vite qu'elles sont presque nulles.
Sans carré vs Régulier : Il a également affiné cela pour les nombres « sans carré » (des nombres qui n'ont pas de facteurs premiers répétés, comme $2 \times 3 \times 5$ mais pas $2 \times 2 \times 3$ ). Les règles sont légèrement différentes là aussi, et il a donné les nombres précis pour ce cas également.

Résumé

En bref, Benjamin Durkan a pris une règle mathématique classique et légèrement floue concernant les nombres premiers et l'a transformée en une loi quantitative précise.

Il n'a pas seulement dit : « Les facteurs premiers suivent généralement une courbe en cloche. » Il a dit : « Voici la courbe en cloche exacte, voici le multiplicateur exact, et voici la garantie mathématique exacte qu'aucun nombre ne brisera ces règles. » C'est la différence entre une prévision météorologique qui dit « il pourrait pleuvoir » et une qui dit « il y a 99,9 % de chances qu'il pleuve entre 14h00 et 14h15. »

Résumé Technique : Une version effective du théorème de Hardy–Ramanujan

Énoncé du Problème
L'article traite de la distribution du nombre de facteurs premiers distincts, $\omega(n)$ , et du nombre total de facteurs premiers, $\Omega(n)$ , pour les entiers $n \le x$ . Alors que le théorème classique de Hardy–Ramanujan établit que ces deux fonctions ont un ordre normal de $\log \log n$ , la preuve originale repose sur une inégalité de comptage pour les ensembles de niveaux $A_k(x) = \#\{n \le x : \omega(n) = k\}$ qui fournit des queues exponentielles mais manque de constantes explicites. Les preuves ultérieures, telles que la méthode du second moment de Turán, sont plus courtes mais ne produisent que des bornes de queue polynomiales via l'inégalité de Chebyshev. Le théorème probabiliste d'Erdős–Kac identifie la distribution gaussienne limite mais ne fournit pas de bornes effectives et non asymptotiques pour un $x$ fini. Cette note vise à combler ces lacunes en fournissant une version effective et explicite de l'inégalité de comptage de Hardy–Ramanujan, en présentant le résultat sous la forme d'une inégalité de domination contre une distribution de Poisson avec des constantes entièrement explicites.

Méthodologie
L'auteur emploie l'argument de « suppression » (deletion argument) original utilisé par Hardy et Ramanujan, mais le raffine pour rendre toutes les constantes explicites. La méthodologie centrale comprend :

Récurrence de suppression : Établir une relation de récurrence pour $A_k(x)$ en comptant les entiers plusieurs fois. Plus précisément, pour un entier $n$ possédant $k+1$ facteurs premiers distincts, la suppression de diviseurs exacts de puissances de nombres premiers produit une récurrence liant $A_{k+1}(x)$ à des sommes de $A_k(x/p^a)$ .
Principe d'induction : Formuler un principe d'induction général (Proposition 3.2) qui, étant donné des bornes explicites pour le cas de base $A_1(x)$ et une somme spécifique impliquant des puissances de nombres premiers, produit une borne supérieure explicite pour $A_k(x)$ de la forme $C \frac{x}{\log x} \frac{(\log \log x + B)^{k-1}}{(k-1)!}$ .
Estimations explicites des nombres premiers : Utiliser des bornes explicites issues de la théorie des nombres premiers (Rosser et Schoenfeld) pour vérifier les hypothèses du principe d'induction. Cela inclut des estimations précises pour $\sum_{p \le x} 1/p$ , $\pi(x)$ , et des sommes sur les puissances de nombres premiers.
Domination de Poisson : Traduire l'inégalité de comptage en une affirmation probabiliste. En reconnaissant la structure factorielle de la borne, l'auteur montre que la distribution empirique décalée de $\omega(n)$ est point par point dominée par une variable aléatoire de Poisson $Z_\xi$ avec le paramètre $\xi = \log \log x + 4.096$ .
Extension à $\Omega(n)$ et $\omega_1(n)$ : Les résultats sont étendus au nombre total de facteurs premiers $\Omega(n)$ et au nombre de facteurs premiers apparaissant exactement une fois $\omega_1(n)$ en analysant l'excès « squarefull » (puissance entière) $R(n) = \Omega(n) - \omega(n)$ et en prouvant une borne de queue exponentielle pour $R(n)$ .

Contributions Clés et Résultats

Inégalité de Comptage Explicite (Théorème 1.2) : L'article prouve que pour tout $x \ge 2$ et entier $k \ge 1$ :
$A_k(x) \le 1.95 \frac{x}{\log x} \frac{(\log \log x + 4.096)^{k-1}}{(k-1)!}$
Ceci améliore la notation $O(\cdot)$ classique en fournissant la constante spécifique $1.95$ et le décalage $4.096$.
Domination de Poisson (Théorème 1.1) : Pour toute fonction non négative $F$ , la moyenne empirique décalée est bornée par une espérance de Poisson :
$\frac{1}{x} \sum_{2 \le n \le x} F(\omega(n) - 1) \le Q \mathbb{E}[F(Z_\xi)]$
où $Q = 1.95 e^{4.096} < 117.20$ et $\xi = \log \log x + 4.096$ . Cela implique que la distribution de $\omega(n)$ est dominée par un multiple fixe d'une loi de Poisson.
Bornes de Queue Explicites :
- Déviations Importantes (Corollaire 1.3) : L'article dérive des estimations de déviations importantes avec la fonction de taux de Poisson standard $I(\alpha) = \alpha \log \alpha - \alpha + 1$ , montrant que le compte des entiers avec $\omega(n) \ge \alpha \log \log x$ est borné par $x (\log x)^{-I(\alpha)}$ .
- Bornes d'Échelle Gaussienne (Théorème 1.4) : Pour les déviations de la forme $A \sqrt{\log \log x}$ , l'article fournit des bornes supérieures explicites ressemblant à des queues gaussiennes. Par exemple, pour $1 \le A \le \sqrt{\log \log x}/4$ :
  $\frac{1}{x} \#\{n \le x : |\omega(n) - \log \log x| > A \sqrt{\log \log x}\} \le \frac{305}{A} \exp\left(-\frac{A^2}{2} + \frac{7.31 A^3}{\sqrt{\log \log x}}\right)$
- Déviations Modérées (Théorème 1.5) : Il est montré que pour $A \to \infty$ avec $A = o(\sqrt{\log \log x})$ , la probabilité décroît comme $\exp(-(1/2 + o(1))A^2)$ .
Estimations de Moments Uniformes (Théorème 1.6) : L'article établit des bornes uniformes pour les moments d'ordre $r$ :
$\left( \frac{1}{x} \sum_{2 \le n \le x} |f(n) - \log \log x|^r \right)^{1/r} \le C(\sqrt{r(\log \log x + 1)} + r)$
pour $f \in \{\omega, \Omega, \omega_1\}$ . Cela récupère l'estimation du moment central d'ordre gaussien pour un $r$ fixé.
Analogue pour les Nombres Sans Carré (Squarefree) : Une estimation plus fine est dérivée pour les entiers sans carré, avec une constante plus petite ($1.25506$) et un décalage plus faible ($1.174$) dans le paramètre de Poisson.

Signification et Revendications
L'article affirme proposer un « objectif différent » des raffinements modernes tels que le théorème de Sathe–Selberg ou les traitements probabilistes (Erdős–Kac, Kubilius). Au lieu de chercher des asymptotiques pour $k$ croissant ou des distributions limites, l'auteur se concentre sur des bornes élémentaires, explicites et non asymptotiques.

La signification réside dans :

Constantes Explicites : Rendre l'argument de Hardy–Ramanujan quantitatif avec des constantes numériques spécifiques ($1.95$, $4.096$, $Q < 117.20$ ), qui sont souvent omises dans les traitements classiques.
Domination de Poisson : Présenter le résultat comme une inégalité de domination contre une distribution de Poisson, ce qui permet la dérivation immédiate des bornes de Chernoff, des estimations de moments et des bornes de queue en choisissant des fonctions de test appropriées $F$ .
Nature Élémentaire : La preuve repose sur l'argument de suppression original et des estimations explicites des nombres premiers, évitant la machinerie analytique complexe ou les théorèmes limites probabilistes, tout en produisant des résultats plus tranchants que les bornes polynomiales de Turán et comparables en forme aux queues gaussiennes du théorème d'Erdős–Kac (bien qu'il s'agisse strictement de bornes supérieures).
Généralité : L'approche s'étend naturellement à $\Omega(n)$ et $\omega_1(n)$ via l'analyse de la partie « squarefull », fournissant une théorie effective unifiée pour ces fonctions arithmétiques.

L'auteur note que le décalage $4.096$ n'est pas revendiqué comme optimal mais sert à maintenir la transparence de l'argument pour un $x$ fini. La contribution primaire est la forme fonctionnelle de la domination, qui unifie diverses estimations (ponctuelles, de queue, de fonction génératrice, de moment) sous une seule inégalité explicite.