🔢 mathematics

Oscillations of random multiplicative functions under initial bias

Dit artikel bewijst dat de sommen van een willekeurige volledig multiplicatieve functie, gegeven een initiële bias, met hoge waarschijnlijkheid van teken veranderen, waarmee conjecturen van Kucheriaviy en Aymone worden opgelost.

Oorspronkelijke auteurs: Rodrigo Angelo, Max Wenqiang Xu

Gepubliceerd 2026-03-25

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Rodrigo Angelo, Max Wenqiang Xu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een enorme, willekeurige getallenreeks hebt, waarbij elk getal ofwel een plus- of een minteken krijgt. Deze getallenreeks is niet zomaar willekeurig; ze volgt een heel specifiek, wiskundig patroon dat we een "compleet multiplicatieve functie" noemen.

In dit artikel onderzoeken twee wiskundigen, Rodrigo Angelo en Max Wenqiang Xu, wat er gebeurt met de som van deze getallen als je ze één voor één optelt. De grote vraag is: Blijft deze som altijd positief (of nul), of springt hij heen en weer tussen positief en negatief?

Hier is de uitleg in gewone taal, met een paar creatieve vergelijkingen:

1. De "Toevallige Wandelaar"

Stel je een wandelaar voor die op een rechte lijn loopt. Bij elke stap (elk getal $n$ ) kiest hij willekeurig of hij een stap vooruit ( $+1$ ) of een stap achteruit ($-1$) zet.

Als de wandelaar nooit achteruit gaat (de som blijft altijd positief), is dat een heel speciaal, bijna onmogelijk scenario.
De wiskundigen willen weten: hoe groot is de kans dat deze wandelaar nooit terugvalt?

2. Het Eerste Experiment: De "Vaste Start" (Theorema 1.1)

Stel je voor dat we de wandelaar voorschrijven dat hij in het begin (voor de eerste paar stappen) altijd vooruit moet lopen. We dwingen de eerste stappen aan hem op.

De vraag: Als we de wandelaar dwingen om in het begin (bijvoorbeeld tot een bepaalde afstand $y$ ) alleen maar vooruit te lopen, is het dan waarschijnlijk dat hij voor altijd vooruit blijft lopen?
De ontdekking: De auteurs bewijzen dat het antwoord nee is, tenzij je de wandelaar dwingt om vooruit te lopen tot een enorme afstand (ongeveer het kwadraat van de logaritme van het totale aantal stappen).
De analogie: Het is alsof je een dronken wandelaar vasthoudt en dwingt om 100 meter rechtuit te lopen. Zolang je hem vasthoudt, blijft hij vooruit. Maar zodra je hem loslaat (na die 100 meter), is de kans 99,9% dat hij binnenkort weer een stap achteruit zet en de som negatief wordt. De "dronkenheid" (het willekeurige karakter) is te sterk om door een korte startvoorschrift te worden onderdrukt.

3. Het Tweede Experiment: De "Eeuwige Dans" (Theorema 1.2)

Nu kijken we naar een iets andere versie van de wandelaar. Hier wegen we de stappen anders: de eerste stappen tellen zwaar, maar de latere stappen tellen steeds minder zwaar (alsof je kijkt naar een dans die langzaam uitdooft).

De vraag: Zelfs als we de wandelaar niets voorschrijven (hij mag in het begin doen wat hij wil), blijft de totale dans dan ooit stilstaan in één richting? Of blijft hij eeuwig heen en weer dansen?
De ontdekking: De auteurs bewijzen dat de wandelaar altijd van richting verandert. De som wordt oneindig vaak positief en oneindig vaak negatief.
De analogie: Het is alsof je een zeilboot op een stormachtige zee hebt. Zelfs als de wind een tijdje uit één richting waait, zal de boot nooit in één richting blijven drijven. De golven (de willekeurige fluctuaties) zijn zo krachtig dat de boot eeuwig heen en weer zal wiebelen. Er is geen "rustpunt" waar de boot voor altijd stil blijft staan.

Waarom is dit belangrijk?

In de wiskunde is het vaak lastig om te voorspellen of een willekeurig proces "stabiel" blijft.

De auteurs laten zien dat willekeur (randomness) een heel sterke kracht is. Zelfs als je een systeem een tijdje dwingt om "goed" te gedragen (alleen positieve sommen), zal de willekeur vroeg of laat toch winnen en het systeem laten "oscilleren" (heen en weer gaan).
Ze gebruiken slimme wiskundige trucs (zoals het kijken naar de "gemiddelde snelheid" van de wandelaar op verschillende tijdstippen) om te bewijzen dat een continue positieve loop statistisch gezien onmogelijk is, tenzij je de willekeur volledig onderdrukt (wat in hun geval onmogelijk is zonder de hele reeks te manipuleren).

Samenvatting in één zin

Of je nu een willekeurige getallenreeks een korte "positieve start" geeft of helemaal niets voorschrijft: de natuur van het willekeurige zorgt er altijd voor dat de som vroeg of laat van teken verandert; een eeuwig positieve loop is een illusie.

Titel: Oscillaties van Random Multiplicative Functies onder Initiële Bias

Auteurs: Rodrigo Angelo en Max Wenqiang Xu

1. Probleemstelling en Context

Het artikel onderzoekt het gedrag van partiële sommen van een random volledig multiplicatieve functie $f(n)$ . Deze functie wordt gedefinieerd door $f(p) = \pm 1$ met gelijke kans ( $1/2$ ) voor elke priemgetal $p$ , en wordt volledig multiplicatief uitgebreid naar alle positieve gehele getallen.

De auteurs lossen twee fundamentele problemen op die betrekking hebben op tekenwisselingen (sign changes) van de partiële sommen van deze functie:

Invloed van initiële bias (Kucheriaviy's conjecture): Wat gebeurt er met de kans dat de partiële sommen $\sum_{n \le N} f(n)$ niet-negatief blijven voor alle $N \le x$ , als we de functie "biasen" door $f(p)=1$ te forceren voor alle priemgetallen $p \le y$ ?
- Eerdere resultaten (Kucheriaviy) toonden aan dat als $y$ groot genoeg is (ongeveer $(\log x)^2$ ), de sommen met hoge waarschijnlijkheid niet-negatief blijven.
- De vraag was of deze drempel scherp is: wat gebeurt er als $y$ iets kleiner is, specifiek $y = o((\frac{\log x}{\log \log x})^2)$ ?
Tekenwisselingen van de genormaliseerde som (Aymone's probleem): Voor de som $\sum \frac{f(n)}{n^\sigma}$ is bekend dat voor $\sigma > 1/2$ de som convergeert naar een positief getal (weinig tekenwisselingen) en voor $\sigma < 1/2$ oneindig vaak van teken wisselt.
- Het open probleem was het kritieke geval $\sigma = 1/2$ : wisselt de som $\sum \frac{f(n)}{\sqrt{n}}$ oneindig vaak van teken?

2. Methodologie

De auteurs gebruiken een combinatie van probabilistische analyse, centrale limiettheorema's en eigenschappen van Dirichlet-reeksen om de resultaten te bewijzen. Hun aanpak verschilt van eerdere methoden die complex-analytische technieken (zoals het maximaliseren op de kritieke lijn) gebruikten.

Kernmethodologische stappen:

Relatie tussen niet-negativiteit en dalend gedrag:
Een cruciale observatie is dat als de partiële sommen niet-negatief zijn ( $\sum_{n \le N} f(n) \ge 0$ ), dan moet de Dirichlet-reeks $F(s) = \sum \frac{f(n)}{n^s}$ voor reële $s > 0$ een specifiek dalend gedrag vertonen. Specifiek impliceert niet-negativiteit dat $\frac{F(s)}{s}$ afnemend is in $s$ .
Euler-product en Random Walks:
De auteurs benaderen $F(s)$ via het Euler-product. Voor $s = 1/2 + t$ (met kleine $t > 0$ ) kan $F(s)$ worden geschreven als:
$F(1/2+t) \approx \exp(R(t) + O(1))$
waarbij $R(t) = \sum_p \frac{f(p)}{p^{1/2+t}} + \frac{1}{2}\sum_p \frac{1}{p^{1+2t}}$ .
Het verschil $R(t) - R(2t)$ fungeert als een proxy voor de afgeleide van de reeks.
Centrale Limiettheorema (CLT) voor verschillen:
De auteurs bewijzen (Lemma 2.1) dat voor een reeks van parameters $t_1 < t_2 < \dots < t_K$ (waarbij de verhoudingen $t_{i+1}/t_i \to \infty$ ), de vectoren van verschillen $(R(t_i) - R(2t_i))$ convergeren naar een multivariate normale verdeling met onafhankelijke componenten.
- Het gemiddelde is $\frac{\log 2}{2}$ .
- De variantie is $\frac{\log 9}{8}$ .
Contradictie door Oscillatie:
Als de partiële sommen niet-negatief zouden blijven, zou $R(t) - R(2t)$ voor alle $t$ begrensd moeten zijn door een constante (om het dalende gedrag te garanderen). Echter, door de CLT weten we dat deze verschillen onafhankelijke Gaussische variabelen zijn. De kans dat alle $K$ onafhankelijke Gaussische variabelen onder een bepaalde drempel blijven, is $(1-\delta)^K$ . Omdat $K$ willekeurig groot kan worden, gaat deze kans naar 0. Dit betekent dat het "dalende gedrag" (en dus de niet-negativiteit van de sommen) statistisch onmogelijk is.

3. Belangrijkste Resultaten

Stelling 1.1 (Oplossing van Kucheriaviy's Conjecture)

Laat $f$ een random volledig multiplicatieve functie zijn. Als we $f(p)=1$ forceren voor alle $p \le y$ , en $y = o\left( (\frac{\log x}{\log \log x})^2 \right)$ , dan is de kans dat $\sum_{n \le N} f(n) \ge 0$ voor alle $N \le x$ , gelijk aan $o(1)$ als $x \to \infty$ .

Betekenis: De drempel $y \approx (\log x)^2$ die Kucheriaviy vond, is scherp. Zodra de "bias" (de vaste 1'en) iets kleiner is dan deze orde, is het onwaarschijnlijk dat de sommen nooit negatief worden.

Stelling 1.2 (Oplossing van Aymone's Probleem)

Laat $f$ een steekproef zijn van de random volledig multiplicatieve functie. Dan wisselt de som $\sum_{n \le N} \frac{f(n)}{\sqrt{n}}$ oneindig vaak van teken met kans 1 (almost surely).

Betekenis: Dit sluit het laatste open geval voor de exponent $\sigma = 1/2$ af. De sommen gedragen zich niet als een convergente reeks naar een positief getal, maar oscilleren continu.

4. Technische Nuances en Bijdragen

Minimalistische Benadering: In tegenstelling tot eerdere werken die complex-analytische methoden gebruikten (zoals het bestuderen van het maximum op verticale lijnen in het complexe vlak), gebruiken de auteurs alleen eigenschappen voor reële waarden van $s$ . Ze vertalen het probleem van tekenwisselingen naar het gedrag van de reeks voor $s \to 1/2^+$ .
Onafhankelijkheid van Primes: De methode maakt gebruik van het feit dat de bijdrage van priemgetallen rond $e^{1/t}$ domineert in de variantie van $R(t) - R(2t)$ . Zelfs als er een initiële bias is voor kleine priemgetallen ( $p \le y$ ), blijft de "ruis" van de grotere priemgetallen groot genoeg om de oscillaties te genereren, zolang $y$ niet te groot is.
Scherpte van de Exponent: De paper bevestigt dat de exponent 2 in $(\log x)^2$ scherp is. Als $y$ kleiner is dan deze orde (zelfs met een log-log correctie), breekt de stabiliteit van de niet-negatieve sommen.

5. Betekenis en Impact

Oplossing van Open Problemen: De paper lost twee langdurige conjectures op in het gebied van de analytische getaltheorie en probabilistische getaltheorie.
Verband met Kwantum Chaos en Fyodorov-Hiary-Keating: Het gedrag van deze random multiplicatieve functies staat in nauw verband met het gedrag van de Riemann-zeta-functie op de kritieke lijn en de Fyodorov-Hiary-Keating conjecture. De technieken die hier worden gebruikt (specifiek het analyseren van correlaties op verschillende schalen) bieden nieuwe inzichten in hoe "typisch" of "atypisch" bepaalde gedragingen zijn.
Asymptotische Kansen: De resultaten geven een scherpere inschatting van de kans dat een random multiplicatieve functie niet-negatieve partiële sommen heeft. Hoewel de exacte asymptotische afname nog een open probleem is, levert deze paper een betere ondergrens op en bevestigt het dat de kans exponentieel afneemt zodra de initiële bias onder de kritieke drempel zakt.

Kortom, het artikel toont aan dat de "willekeur" van de grotere priemgetallen sterk genoeg is om elke initiële bias (voor zolang deze onder een bepaalde drempel blijft) te overwinnen, wat leidt tot onvermijdelijke oscillaties in de partiële sommen.