Oscillations of random multiplicative functions under initial bias

Résumé Technique : Oscillations des Fonctions Multiplicatives Aléatoires sous Biais Initial

1. Contexte et Problématique

L'article étudie le comportement des sommes partielles d'une fonction multiplicative complètement aléatoire $f$. Cette fonction est définie par $f(p) = \pm 1$ avec une probabilité de $1/2$ pour chaque nombre premier $p$, indépendamment, et étendue multiplicativement à tous les entiers $n \ge 1$.

Les auteurs résolvent deux problèmes majeurs concernant les changements de signe de ces sommes partielles :

1. L'effet d'un biais initial (Conjecture de Kucheriaviy) : Quelle est la probabilité que les sommes partielles $\sum_{n \le N} f(n)$ restent non négatives pour tout $N \le x$, si l'on impose un biais initial (c'est-à-dire $f(p)=1$) pour les petits nombres premiers $p \le y$ ? Kucheriaviy avait montré que si $y$ est suffisamment grand ($y \gtrsim (\log x)^2$), la probabilité de rester non négatif tend vers 1. La conjecture était que si $y$ est plus petit (de l'ordre de $(\log x)^2$), cette probabilité tend vers 0.
2. Le cas critique de la série pondérée (Problème d'Aymone) : Pour la série $\sum \frac{f(n)}{n^\sigma}$, il est connu que pour $\sigma > 1/2$, la somme converge presque sûrement vers un produit d'Euler positif (donc un nombre de changements de signe fini), et pour $\sigma < 1/2$, elle change de signe infiniment souvent. Le cas frontière $\sigma = 1/2$ (série $\sum \frac{f(n)}{\sqrt{n}}$) restait ouvert.

2. Méthodologie et Outils Mathématiques

La stratégie centrale des auteurs repose sur l'analyse du comportement de la fonction génératrice $F(s) = \sum \frac{f(n)}{n^s}$ pour $s$ réel proche de $1/2$ (c'est-à-dire $s = 1/2 + t$ avec $t > 0$ petit).

A. Lien entre non-négativité et décroissance
Les auteurs établissent un lien crucial : si les sommes partielles sont non négatives, alors la fonction $F(s)/s$ doit être décroissante pour $s > 0$.

• Lemme 2.3 : Si $\sum_{n \le N} f(n) \ge 0$, alors $F(s)/s$ est décroissante.
• Cela implique que pour des valeurs de $t$ croissantes, la série ne peut pas augmenter trop rapidement.

B. Approximation par Produit d'Euler et Variables Aléatoires
Pour $s = 1/2 + t$, la somme partielle est approximée par le produit d'Euler infini (valable avec haute probabilité pour $t$ dans une plage spécifique).
$$\sum_{n \le x} \frac{f(n)}{n^{1/2+t}} \approx \exp(R(t) + O(1))$$
où $R(t)$ est une somme de variables aléatoires indépendantes sur les nombres premiers :
$$R(t) = \sum_p \frac{f(p)}{p^{1/2+t}} + \frac{1}{2} \sum_p \frac{1}{p^{1+2t}}$$

C. Théorème Central Limite (TCL) pour les Différences
L'idée clé est d'étudier les différences $R(t) - R(2t)$.

• Si la somme reste positive, la décroissance de $F(s)$ impose que $R(2t) - R(t)$ soit borné supérieurement.
• Cependant, les auteurs prouvent (Lemme 2.1) que pour des $t$ bien choisis (en progression géométrique ou logarithmique), les variables aléatoires $R(t_i) - R(2t_i)$ convergent en loi vers une distribution normale multivariée avec des composantes indépendantes.
• Ces variables ont une espérance positive ($\frac{\log 2}{2}$) et une variance non nulle. La probabilité qu'elles soient toutes simultanément petites (pour satisfaire la condition de décroissance) décroit exponentiellement avec le nombre de points $K$ testés.

D. Gestion du Biais Initial (Preuve du Théorème 1.1)
Pour le cas avec biais ($f(p)=1$ pour $p \le y$), les auteurs montrent que si $y = o((\frac{\log x}{\log \log x})^2)$, la contribution des petits premiers à la variance est négligeable par rapport à celle des grands premiers. La structure de corrélation des $R(t_i) - R(2t_i)$ reste dominée par le bruit aléatoire des grands premiers, permettant d'appliquer le TCL et de conclure que la condition de non-négativité est impossible à maintenir sur un intervalle long.

E. Cas Critique $\sigma = 1/2$ (Preuve du Théorème 1.2)
Pour la série $\sum \frac{f(n)}{\sqrt{n}}$, les auteurs utilisent une intégration par parties (Lemme 3.1) pour relier la somme partielle à la fonction $S(t) = \frac{1}{t} \sum \frac{f(n)}{n^{1/2+t}}$.

• Si la somme reste positive au-delà d'un certain $N_0$, alors $S(2t) \le S(t) + C$.
• En utilisant l'approximation par le produit d'Euler, cela se traduit par une contrainte sur $R(2t) - R(t)$.
• En faisant tendre $t \to 0$ et en utilisant la même logique de TCL sur une suite de $t_i$, ils montrent que la probabilité que la somme reste positive (ou négative) indéfiniment est nulle.

3. Résultats Principaux

Théorème 1.1 (Résolution de la conjecture de Kucheriaviy) :
Soit $f$ une fonction multiplicative aléatoire conditionnée par $f(p)=1$ pour tout $p \le y$. Si $y = o\left( (\frac{\log x}{\log \log x})^2 \right)$, alors la probabilité que $\sum_{n \le N} f(n) \ge 0$ pour tout $N \le x$ tend vers 0 lorsque $x \to \infty$.

• Signification : Le seuil $y \approx (\log x)^2$ est critique. En dessous de ce seuil, même avec un biais initial fort, les fluctuations aléatoires des grands nombres premiers finissent par faire changer le signe de la somme.

Théorème 1.2 (Résolution du problème d'Aymone) :
Pour une fonction multiplicative aléatoire non conditionnée, les sommes partielles de $\sum_{n \le N} \frac{f(n)}{\sqrt{n}}$ changent de signe infinitiment souvent avec une probabilité de 1.

• Signification : Cela complète la classification des changements de signe pour $\sum \frac{f(n)}{n^\sigma}$, confirmant que le cas $\sigma = 1/2$ se comporte comme le cas $\sigma < 1/2$ (oscillations infinies) et non comme le cas $\sigma > 1/2$ (convergence vers un signe fixe).

4. Contributions Clés et Innovations

1. Approche par "Décroissance Atypique" : Contrairement aux approches précédentes utilisant des variables complexes $s$ près de la ligne critique (liées à la conjecture de Fyodorov-Hiary-Keating), les auteurs se restreignent à des $s$ réels. Ils exploitent le fait que la non-négativité des sommes partielles impose une contrainte de décroissance sur la série réelle, qui est "atypique" (très improbable) pour un processus aléatoire.
2. Technique de TCL sur les Différences : L'utilisation de la différence $R(t) - R(2t)$ comme analogue d'une dérivée logarithmique permet de transformer le problème de signe global en un problème de probabilité de grandes déviations pour une suite de variables gaussiennes indépendantes.
3. Précision du Seuil de Biais : La preuve affine considérablement la compréhension de l'impact des petits nombres premiers, établissant que le seuil de transition est lié à la densité des entiers $y$-lisses et à la variance résiduelle.

5. Signification et Impact

Ce travail résout des problèmes ouverts de longue date en théorie analytique des nombres probabiliste.

• Il clarifie la frontière entre le comportement déterministe (imposé par un biais initial) et le comportement chaotique (imposé par les grands nombres premiers).
• Il établit définitivement le comportement oscillatoire de la série critique $\sum f(n)/\sqrt{n}$, un cas limite souvent difficile à traiter en raison de la convergence lente et des corrélations fortes.
• La méthode développée, basée sur l'analyse de la décroissance des séries réelles et l'application du TCL à des différences de sommes sur les premiers, offre un nouvel outil puissant pour étudier les oscillations des fonctions multiplicatives, potentiellement applicable à d'autres contextes (comme les caractères quadratiques ou les formes automorphes).

En résumé, les auteurs démontrent que la "mémoire" d'un biais initial sur les petits nombres premiers est insuffisante pour supprimer les oscillations fondamentales d'une fonction multiplicative aléatoire, sauf si ce biais s'étend à une plage de nombres premiers exponentiellement grande par rapport à $\log x$.