A statistical model for points expanding in higher dimensions while being tied to bijective involutions

1. Problématique et Contexte

L'article s'attaque à un problème fondamental en théorie des nombres et en probabilités : la compréhension de la distribution statistique des séquences de nombres modulo un nombre premier $p$, en particulier les séquences de factorielles $x! \pmod p$.

• Le défi : Il est conjecturé (Stauduhar, Guy) que la séquence des factorielles modulo $p$ suit une distribution de Poisson lorsque $p \to \infty$. Cela impliquerait que la proportion de classes résiduelles non représentées par les factorielles tend vers $1/e$. Cependant, prouver cela rigoureusement pour des séquences spécifiques comme les factorielles est extrêmement difficile avec les techniques algébriques, analytiques ou probabilistes classiques.
• L'approche : Les auteurs introduisent un modèle statistique abstrait pour contourner ces difficultés. Au lieu de traiter directement les factorielles, ils étudient la distribution des occurrences d'éléments dans des séquences soumises à des contraintes de symétrie spécifiques, liées à des involutions bijectives.

2. Méthodologie et Modèle Mathématique

Le modèle repose sur la construction d'un espace de séquences contraint par une involution.

• Définition de l'espace : Soit $M$ un ensemble fini de cardinal $M$ (supposé pair). Soit $\psi : M \to M$ une permutation involutive ($\psi \circ \psi = \text{Id}$).
  L'ensemble $X_\psi$ est défini comme l'ensemble des vecteurs $x = (x_1, \dots, x_M) \in M^M$ satisfaisant la condition de symétrie :
  $$x_{M+1-j} = \psi(x_j) \quad \text{pour tout } 1 \le j \le M.$$
  Cela réduit l'espace des séquences possibles de $M^M$ à $M^{M/2}$.

• Paramétrisation des points fixes : Le comportement du modèle dépend crucialement du nombre de points fixes de $\psi$ (c'est-à-dire $y$ tel que $\psi(y)=y$). Les auteurs notent $F_\psi$ l'ensemble de ces points et supposent que leur nombre est asymptotiquement :
  $$|F_\psi| = \theta M (1 + O(M^{\eta-1}))$$
  où $\theta \in [0, 1]$ et $\eta \in [0, 1)$. Le cas $\theta=0$ correspond à une involution sans points fixes (comme l'inversion $x \mapsto x^{-1} \pmod p$ pour $x \neq \pm 1$).

• Comptage des occurrences : Pour un vecteur $x \in X_\psi$, on définit $m_k(x)$ comme le nombre d'éléments de $M$ qui apparaissent exactement $k$ fois dans la séquence $x$. L'objectif est d'étudier la densité de probabilité de $m_k(x)/M$ lorsque $M \to \infty$.

3. Résultats Principaux

Les auteurs démontrent que la distribution limite des occurrences dépend de la parité de $k$ et de la présence de points fixes ($\theta$).

A. Densité de Probabilité Limitée (Théorème 1)

Lorsque $M \to \infty$, la proportion d'éléments apparaissant exactement $k$ fois converge vers une fonction de densité qui se décompose en deux termes :

1. Si $k$ est impair :
   La densité est donnée uniquement par le terme classique de Poisson modifié par la proportion d'éléments non fixes :
   $$\frac{1-\theta}{e \cdot k!}$$
   Dans ce cas, les points fixes de $\psi$ n'influencent pas la probabilité d'apparition d'occurrences impaires.

2. Si $k$ est pair :
   La densité est la somme de deux termes :
   $$\frac{1-\theta}{e \cdot k!} + \frac{\theta}{e^{1/2} \cdot 2^{k/2} \cdot (k/2)!}$$
   Le premier terme correspond aux éléments non fixes, tandis que le second terme (qui n'apparaît que si $\theta > 0$) provient spécifiquement des points fixes de l'involution.

B. Conséquences pour les éléments non représentés ($k=0$)

Pour $k=0$ (éléments absents de la séquence), le résultat se simplifie. La proportion d'éléments manquants tend vers :
$$\frac{1-\theta}{e} + \frac{\theta}{\sqrt{e}}$$
Si $\theta = 0$ (pas de points fixes), on retrouve la conjecture de Poisson classique ($1/e$). Si $\theta > 0$, la proportion d'éléments manquants est plus élevée.

C. Existence de seuils et de structures (Théorèmes 2 et 3)

En appliquant ces résultats au cas $\theta = 0$ (involution sans points fixes), les auteurs établissent des propriétés structurelles fortes pour "presque toutes" les séquences de $X_\psi$ :

• Théorème 2 : Pour tout entier $r, s \ge 0$, presque toutes les séquences contiennent des paires d'éléments $(u, v)$ dans n'importe quel sous-ensemble $B$ suffisamment grand ($|B| > c|M|$), tels que $u$ apparaît au plus $r$ fois, $v$ au plus $s$ fois, et $v = \phi(u)$ pour une bijection arbitraire $\phi$.
• Théorème 3 (Seuil critique) : Il existe un seuil précis pour la taille d'un sous-ensemble $B$ nécessaire pour garantir que, pour toute bijection $\phi$, il existe un élément $y \in B$ tel que $y$ et $\phi(y)$ apparaissent tous deux dans la séquence.
  • Ce seuil est $1/2 + e^{-1} \approx 0.867879$.
  • Si $|B| > 0.87|M|$, la propriété est vraie pour presque toutes les séquences.
  • Si $|B| < 0.86|M|$, la propriété peut échouer. Ce seuil est optimal.

4. Preuves et Techniques

La démonstration repose sur une analyse combinatoire fine et des méthodes probabilistes :

1. Calcul des moments : Les auteurs calculent la moyenne (premier moment) et la variance (deuxième moment) de la variable aléatoire $m_k(x)/M$.
2. Décomposition par parité : L'analyse distingue soigneusement les cas où l'ensemble d'indices $I$ contenant les occurrences d'un élément $y$ est "symétrique" par rapport à l'involution ou non.
   • Si $k$ est impair, les ensembles d'indices ne peuvent pas être symétriques (car l'involution apparie les indices), ce qui élimine la contribution des points fixes.
   • Si $k$ est pair, les ensembles symétriques sont possibles, ce qui introduit le terme additionnel lié à $\theta$.
3. Inégalités de concentration : En montrant que la variance tend vers zéro (convergence en moyenne quadratique), ils prouvent que la distribution se concentre autour de la valeur moyenne calculée, ce qui valide l'affirmation "presque toutes les séquences".

5. Signification et Implications

• Validation de la conjecture de Poisson : Le modèle fournit un cadre rigoureux expliquant pourquoi la distribution de Poisson apparaît naturellement pour les séquences "aléatoires" modulo $p$ (comme les factorielles), à condition que la symétrie sous-jacente (l'involution) n'ait pas de points fixes ($\theta=0$).
• Rôle de la symétrie : L'article met en lumière comment la structure algébrique (les points fixes d'une involution) modifie la distribution statistique, créant une bifurcation entre les occurrences paires et impaires.
• Nouveaux seuils : La détermination du seuil critique $1/2 + e^{-1}$ pour la couverture des sous-ensembles par des paires liées est un résultat nouveau et précis en combinatoire probabiliste.
• Perspectives : Les auteurs suggèrent que ce modèle peut être affiné pour traiter directement les factorielles modulo $p$ en ajoutant des contraintes supplémentaires (comme l'hypothèse de voisins inégaux) et peut être étendu à des séquences de longueur $N$ différente de $M$.

En résumé, cet article propose un modèle statistique puissant qui relie la théorie des nombres (conjectures sur les factorielles) à la théorie des probabilités (processus de Poisson) via l'analyse des involutions, offrant des preuves asymptotiques précises pour des phénomènes auparavant seulement conjecturés.