Topological, metric and fractal properties of the set of real numbers with a given asymptotic mean of digits in their $4$-adic representation in the case when the digit frequencies exist

Each language version is independently generated for its own context, not a direct translation.

这篇论文听起来充满了高深的数学术语，比如“分形”、“豪斯多夫 - 贝西科维奇维数”和"4 进制表示”。但如果我们把数学概念剥离，它其实是在讲一个关于**“数字排列规律”**的有趣故事。

我们可以把这篇论文想象成是在研究“数字宇宙”中的不同居民社区。

1. 核心概念：把数字变成“数字串”

首先，想象任何一个 0 到 1 之间的小数（比如 0.5 或 0.333...）。在数学里，我们可以用不同的“进制”来写它们。

平时我们用的是10 进制（0-9）。
这篇论文用的是4 进制，就像只有 4 种颜色的积木：0、1、2、3。

任何小数都可以写成这一串无限长的 0、1、2、3 的组合。
例如：$0.1230123...$（4 进制）。

2. 主角登场：数字的“平均脾气”

论文关注的是这串数字的**“平均脾气”**（数学术语叫“渐近均值”）。

想象你有一串无限长的数字项链，上面挂着 0、1、2、3 四种珠子。

如果你数了前 100 颗珠子，算出它们的平均值是 1.5。
如果你数了前 1000 颗，平均值变成了 1.8。
如果你一直数下去，这个平均值最终会稳定在一个特定的数字上吗？

这个最终稳定的数字，就是论文里定义的 $r(x)$ 。

如果平均值稳定在 0，说明这串数字里几乎全是 0。
如果平均值稳定在 3，说明几乎全是 3。
如果平均值稳定在 1.5，说明数字分布比较均匀。

3. 我们要找什么？特定的“居民社区”

作者定义了一个集合 $S_\theta$ 。你可以把它想象成一个**“俱乐部”**。

入会条件：你的数字项链，经过无限长的统计后，平均值必须正好等于某个特定的数 $\theta$ （比如 1.5）。
这个俱乐部里住着无数个小数。

论文主要研究这个俱乐部（集合）的三个特性：

A. 拓扑性质：它在哪里？（稠密性）

比喻：想象这个俱乐部像是一粒粒微小的尘埃，散布在整个 0 到 1 的房间里。

结论：无论你在房间里哪个角落（取任何一个小数区间），你都能找到这个俱乐部的成员。
通俗解释：这个俱乐部无处不在，非常“稠密”。你想找平均值是 1.5 的数？随便找个地方，附近肯定有。

B. 度量性质：它有多大？（测度）

比喻：想象这个房间是一个巨大的蛋糕（代表所有实数）。这个俱乐部占了多少蛋糕？

情况 1（普通情况）：如果我们要找的平均值 $\theta$ 不是 1.5（即 $3/2$），那么这个俱乐部虽然人多，但体积为零。就像在蛋糕里撒了一把盐，盐粒虽然无处不在，但它们加起来几乎没有体积。在数学上，这叫“勒贝格测度为零”。
情况 2（特殊情况）：如果我们要找的平均值正好是 1.5，那么这个俱乐部就占满了整个蛋糕（体积为 1）。这意味着，如果你随机抓一个小数，它大概率属于这个俱乐部。

C. 分形性质：它有多“碎”？（分形维数）

比喻：如果这个俱乐部体积为零，那它长什么样？它像是一团极其复杂的、无限折叠的“意大利面”或者“雪花”。

分形维数：用来描述这种复杂程度。普通的线是 1 维，面是 2 维。但这个俱乐部可能介于 0 和 1 之间，或者 1 和 2 之间。
结论：作者计算出了这个俱乐部的“粗糙程度”（分形维数）。对于大多数 $\theta$ ，这个俱乐部是一个**“异常分形”**，结构非常复杂且精细。

4. 论文做了什么？（算法与证明）

除了理论分析，作者还做了两件很酷的事：

造人计划（构造算法）：
作者发明了一个“食谱”。如果你想要一个平均值正好是 $\theta$ 的数字，你可以按照这个食谱，像搭积木一样，一段一段地排列 0、1、2、3。
- 比喻：就像你想做一道“平均辣度为 5 分”的菜，作者给了你一份精确的食谱，告诉你放多少克辣椒、多少克糖，就能保证最后的味道（平均值）分毫不差。
证明性质：
他们证明了这些按照食谱造出来的数字，不仅存在，而且具有上述的“无处不在”和“体积为零/满”的特性。

总结：这篇论文在说什么？

简单来说，这篇论文在研究：
“如果我们把 0 到 1 之间的所有数字，按照它们 4 进制表示中数字的平均值来分类，这些‘班级’长什么样？”

有些班级（平均值非 1.5）虽然成员无数，但像幽灵一样，占据不了任何空间（体积为 0），却像灰尘一样无处不在（稠密），而且结构像分形雪花一样复杂。
有一个特殊的班级（平均值正好是 1.5），它才是 0 到 1 之间的“主流”，占据了绝大部分空间。
作者不仅描述了这些班级的长相，还给出了如何“制造”这些班级成员的具体方法。

这就好比在研究宇宙中不同星系的分布规律，发现虽然有些星系看起来稀疏，但它们实际上构成了宇宙最精妙的骨架。

Each language version is independently generated for its own context, not a direct translation.

论文技术总结

1. 研究问题 (Problem)

本文主要研究实数在 4 进制（4-adic） 表示下，其数字（digits）的渐近均值（asymptotic mean） 为定值 $\theta$ 的集合 $S_\theta$ 的性质。
具体而言，对于 $x \in [0, 1]$ ，其 4 进制表示为 $x = \sum_{k=1}^{\infty} \alpha_k(x) 4^{-k}$ ，其中 $\alpha_k(x) \in \{0, 1, 2, 3\}$ 。定义数字的渐近均值为：
$r(x) = \lim_{n \to \infty} \frac{1}{n} \sum_{k=1}^{n} \alpha_k(x)$
研究的核心对象是水平集 $S_\theta = \{x : r(x) = \theta\}$ ，其中 $\theta \in [0, 3]$ 。
文章特别关注当所有数字频率 $\nu_i(x) = \lim_{n \to \infty} \frac{N_i(x, n)}{n}$ 都存在时的子集 $\Theta_1 \subset S_\theta$ 的以下性质：

拓扑性质：稠密性、闭性等。
度量性质：勒贝格测度（Lebesgue measure）是零还是满测度。
分形性质：Hausdorff-Besicovitch 分形维数。

2. 方法论 (Methodology)

作者采用了以下数学工具和策略：

符号动力学与频率分析：利用 4 进制数字的频率向量 $(\nu_0, \nu_1, \nu_2, \nu_3)$ 与渐近均值 $r(x)$ 之间的线性关系（ $r(x) = \nu_1 + 2\nu_2 + 3\nu_3$ ），将问题转化为对概率单纯形上约束条件的分析。
Besicovitch-Eggleston 集理论：将集合 $\Theta_1$ 分解为具有固定数字频率的 Besicovitch-Eggleston 集 $E[\tau_0, \tau_1, \tau_2, \tau_3]$ 的并集。利用已知的分形维数公式计算这些子集的维数。
变分法与优化：为了估计 $\Theta_1$ 的分形维数下界，定义了一个熵函数 $f(\tau) = \sum \tau_i \ln \tau_i$ ，并在满足均值约束 $\sum \tau_i = 1$ 和 $\sum i \tau_i = \theta$ 的紧集 $C_1$ 上寻找其最小值 $m(\theta)$ 。
构造性算法：设计了一种具体的算法来构造属于特定集合的数。通过分块构造（block construction），利用取整函数 $[\cdot]$ 和序列 $s_k$ 控制数字出现的频率，从而精确控制渐近均值和数字频率。
Stolz 定理：在证明构造出的数的频率收敛性时使用了 Stolz 定理。

3. 关键贡献与主要结果 (Key Contributions & Results)

A. 集合的分解与边界情况 ( $\theta = 0$ 或 $\theta = 3$ )

定理 1：当 $\theta = 0$ 时，集合 $\Theta_1$ 等同于 $E[1, 0, 0, 0]$ （即所有数字均为 0 的数，除了 0 本身，实际上指频率全为 0 除了 $\nu_0=1$ ）；当 $\theta = 3$ 时，等同于 $E[0, 0, 0, 1]$ 。
结果：在这两种极端情况下，集合是无处稠密（everywhere dense） 的，且其 Hausdorff-Besicovitch 分形维数为 0。

B. 一般情况下的拓扑与度量性质 ( $\theta \in (0, 3)$ )

定理 2：
- 拓扑性质： $\Theta_1$ 是一个连续（continuous）、无处稠密（everywhere dense） 且闭集（closed）。
- 勒贝格测度：
  - 若 $\theta \neq 1.5$ （即 $3/2 $），$ \Theta_1 $的勒贝格测度为 **0**。这是因为该集合不包含正规数（normal numbers），而正规数在$ [0,1]$ 中占满测度。
  - 若 $\theta = 1.5$ ， $\Theta_1$ 包含所有数字频率均为 $1/4$ 的正规数集合，因此其勒贝格测度为 1（满测度）。
- 分形维数下界： $\Theta_1$ 的 Hausdorff-Besicovitch 分形维数 $\alpha_0(\Theta_1)$ 满足不等式：
  $\alpha_0(\Theta_1) \geq -\frac{m(\theta)}{\ln 4}$
  其中 $m(\theta)$ 是函数 $f(\tau) = \sum_{i=0}^3 \tau_i \ln \tau_i$ 在约束条件下的最小值。

C. 构造算法与存在性证明

定理 3 & 4：作者提出了一个明确的算法，通过分块序列构造实数 $\hat{x}$ $\overset{x}{^}$ 。
- 该算法能够构造出具有任意预设渐近均值 $\theta$ 的数。
- 该算法能够构造出具有任意预设数字频率向量 $(\lambda_0, \lambda_1, \lambda_2, \lambda_3)$ 的数。
- 证明了构造出的数确实满足频率收敛和均值收敛的条件。
定理 5：证明了在特定条件下（序列长度差异或概率矩阵差异），不同的参数组合会生成不同的实数，保证了构造的多样性。

4. 意义与影响 (Significance)

推广了经典理论：本文将 Besicovitch 和 Eggleston 关于数字频率集合（固定频率）的研究，推广到了数字渐近均值（固定加权和）的集合。这揭示了在 $s > 3$ （特别是 $s=4$ ）进制下，集合结构比 $s=3$ 时更为丰富。
揭示了“相变”现象：在 $\theta = 1.5$ 处，集合的勒贝格测度发生了从 0 到 1 的突变。这一结果深刻联系了数论中的正规数（Normal Numbers） 理论与分形几何。它表明，只有当目标均值等于数字分布的期望值（对于均匀分布为 1.5）时，集合才具有满测度；否则，尽管集合在拓扑上是稠密的，但在度量上却是“稀疏”的（零测度）。
提供了构造工具：文中提出的构造算法不仅证明了集合的非空性，还为研究具有特定统计性质的实数提供了具体的生成方法，这对于理解奇异分布和分形测度具有实用价值。
分形维数估计：通过优化熵函数给出了分形维数的下界，为量化这类“异常”集合的复杂程度提供了理论依据。

总结：
该论文通过结合概率论、数论和分形几何的方法，系统地刻画了 4 进制表示中数字渐近均值固定集合的几何结构。研究不仅确定了这些集合在拓扑上的稠密性和闭性，还精确划分了其在勒贝格测度下的“平凡”与“奇异”区域，并给出了分形维数的有效估计，丰富了关于实数数字分布性质的理论体系。