On the normality of the concatenated Fibonacci constant

1. Problématique

L'article étudie la constante de Fibonacci concaténée, notée $F$, définie par la concaténation des nombres de Fibonacci dans leur partie décimale :
$$F = 0.F_1F_2F_3\dots = 0.11235813213455\dots$$
La question centrale est de savoir si ce nombre est normal en base 10 (et par extension en d'autres bases). Un nombre est dit normal en base $b$ si chaque chaîne finie de chiffres de longueur $k$ y apparaît avec une fréquence asymptotique de $b^{-k}$.

Bien que la normalité de nombres artificiels comme la constante de Champernowne (concaténation des entiers naturels) soit prouvée, la normalité de constantes issues de suites à croissance exponentielle comme celle de Fibonacci reste un problème ouvert. Les méthodes classiques de preuve échouent ici en raison de la croissance rapide de la suite ($F_n \sim \phi^n$).

2. Méthodologie

L'auteur adopte une approche hybride combinant l'analyse théorique rigoureuse et des expériences numériques à grande échelle.

A. Analyse Théorique

1. Échec des conditions suffisantes classiques :

   • Le théorème de Copeland-Erdős (requérant une densité de comptage supérieure à $N^\theta$) et l'approche de Davenport-Erdős (basée sur des polynômes) ne s'appliquent pas car la suite de Fibonacci est trop clairsemée ($\Phi_F(N) \sim \log N$) et sa croissance est exponentielle, non polynomiale.
   • L'approche de Pollack et Vandehey (basée sur les fonctions arithmétiques $\phi, \sigma, \lambda$) échoue également car les nombres de Fibonacci ne peuvent pas être générés par composition de ces fonctions.

2. Condition suffisante via la normalité des termes :
   L'auteur applique un critère de Pollack et Vandehey qui établit que la normalité de $F$ découle si presque tous les nombres de Fibonacci $F_n$ sont eux-mêmes $(\varepsilon, k)$-normaux (c'est-à-dire que leurs propres chiffres sont uniformément distribués).

   • Obstacle principal : La distribution des « chiffres profonds » (deep digits) de $F_n$ échappe aux techniques d'équirépartition actuelles (inégalité de Koksma-Hlawka) car la variation de la fonction d'extraction de chiffre devient exponentielle avec la profondeur.

3. Analyse des biais structurels :
   L'étude identifie deux sources potentielles de biais qui sont montrées comme négligeables asymptotiquement :

   • Biais de Benford (chiffres de tête) : La distribution des premiers chiffres suit la loi de Benford, mais ne représente qu'une fraction $O(1/m)$ des chiffres totaux.
   • Périodicité de Pisano (chiffres de fin) : Les derniers chiffres sont périodiques modulo $10^k$, mais leur contribution est également $O(1/m)$.
   • Conclusion structurelle : L'obstruction à la normalité réside uniquement dans la distribution des chiffres profonds des grands nombres de Fibonacci.

4. Distinction Uniformité des Lignes vs Colonnes :
   L'auteur réfute l'argument de Benfield et Manes (qui prouvent l'uniformité des chiffres à une position fixe sur une période de Pisano). Il démontre que l'uniformité « par ligne » (position fixe dans la suite) n'implique pas l'uniformité « par colonne » (distribution des chiffres à l'intérieur d'un seul $F_n$), cette dernière étant la condition requise pour la normalité de la constante concaténée.

B. Expérimentation Numérique

Des simulations massives ont été réalisées sur les 500 000 premiers nombres de Fibonacci dans les bases 10 et 2.

• Données : Environ $2,6 \times 10^{10}$ chiffres décimaux et $8,7 \times 10^{10}$ bits binaires.
• Méthodes statistiques :
  • Fréquences des chiffres uniques et des blocs ($k=2, 3, 4$).
  • Test du $\chi^2$ et statistique sérielle de Good (pour corriger la variance due aux chevauchements des blocs).
  • Décomposition positionnelle : Séparation des blocs en trois catégories : intérieurs (au cœur de $F_n$), frontières (jonction entre $F_n$ et $F_{n+1}$), et extrémités (tête/queue).

3. Résultats Clés

Résultats Théoriques

• La normalité de $F$ est conditionnée par la normalité asymptotique des chiffres profonds de presque tous les $F_n$.
• Les biais connus (Benford et Pisano) ne constituent pas un obstacle à la normalité globale car leur masse relative tend vers zéro.
• L'obstruction théorique actuelle réside dans l'impossibilité de contrôler les oscillations des chiffres profonds via les inégalités de discrépance classiques.

Résultats Numériques

1. Fréquences globales : Les fréquences des chiffres uniques et des blocs ($k \le 4$) sont compatibles avec une distribution uniforme. Les statistiques $\chi^2$ ne rejettent pas l'hypothèse nulle d'uniformité (p-values élevées).
2. Décomposition positionnelle :
   • Blocs frontières : Présente des déviations massives et prévisibles (combinaison de la loi de Benford et de la périodicité de Pisano). Cependant, ces blocs représentent moins de 0,006 % de la totalité des données.
   • Blocs intérieurs : Une fois les frontières exclues, les blocs intérieurs (plus de 99,99 % des données) sont statistiquement indistinguables d'une séquence aléatoire uniforme.
3. Convergence : Le taux de décroissance des écarts maximaux suit une loi en $D^{-1/2}$, caractéristique des fluctuations i.i.d. (indépendantes et identiquement distribuées).
4. Comparaison Base 10 / Base 2 : Les résultats sont cohérents dans les deux bases. En base 2, la déviation résiduelle à $k=2$ pour les blocs intérieurs est statistiquement significative mais extrêmement faible en magnitude absolue ($< 2 \times 10^{-6}$), probablement due à des contraintes structurelles mineures.

4. Contributions Principales

• Identification précise de l'obstacle : Démonstration que le problème de la normalité de $F$ se réduit entièrement à la distribution des chiffres profonds des nombres de Fibonacci, isolant ce problème des biais de bordure bien compris.
• Réfutation d'une preuve partielle : Démonstration que l'uniformité des positions fixes (résultat de Benfield-Manes) est insuffisante pour prouver la normalité de la constante concaténée.
• Preuve numérique à grande échelle : Fourniture de la première analyse statistique exhaustive (500k termes) de la constante de Fibonacci, montrant l'absence de biais persistant dans les parties internes des nombres.
• Utilisation de l'IA : L'auteur reconnaît l'utilisation de modèles de langage (Claude, Gemini) pour l'optimisation du code, la génération de contre-exemples théoriques et la vérification méthodologique, tout en gardant la responsabilité totale des concepts et de la rédaction.

5. Signification et Perspectives

• Signification : Bien que la preuve formelle de la normalité de $F$ reste hors de portée des techniques actuelles (liée au problème ouvert de la distribution des chiffres de $\alpha^n$), les résultats numériques éliminent toute suspicion de biais structurel majeur. Les données suggèrent fortement que $F$ est normal.
• Perspectives futures :
  1. Étudier l'effet de « mélange » de la récurrence de Fibonacci sur la distribution des chiffres (approche par chaînes de Markov d'ordre supérieur).
  2. Chercher des résultats structurels plus faibles (ex: dimension finie, bornes sur les fréquences) qui pourraient servir d'étape intermédiaire.
  3. Explorer l'intersection entre les nombres de Fibonacci et les fonctions multiplicatives (ex: quels $F_n$ sont dans l'image de la fonction somme des diviseurs $\sigma$ ?).

En résumé, cet article établit un cadre théorique rigoureux pour comprendre pourquoi la normalité de la constante de Fibonacci est difficile à prouver, tout en fournissant des preuves numériques convaincantes que la constante se comporte comme un nombre normal, à l'exception de négligeables artefacts aux frontières des nombres concaténés.