[논문 리뷰] On large deviations of additive functions

Maksym Radziwiłł|arXiv (Cornell University)|2009. 09. 29.

Analytic Number Theory Research참고 문헌 17인용 수 7

한 줄 요약

이 논문은 잘 정의된 클래스에 속하는 두 덧셈 함수가 큰 편차 확률이 유사할 경우 반드시 동일해야 한다는 것을 증명한다. Kac-Kubilius 모델은 평균 근처의 큰 편차를 정확히 예측하지만, 큰 소수에서의 행동으로 인해 극단적인 값에서는 일정 요인만큼 실패하며, 덧셈 함수의 정수에서의 분포는 소수에서의 값에 의해 일정 요인 이내로 결정된다는 것을 증명한다.

ABSTRACT

We prove that if two additive functions (from a certain class) take large values with roughly the same probability then they must be identical. The Kac-Kubilius model suggests that the distribution of values of a given additive function can be modeled by a sum of random variables. We show that the model is accurate (in a large deviation sense) when one is looking at values of the additive function around its mean, but fails, by a constant multiple, for large values of the additive function. We believe that this phenomenon arises, because the model breaks down for the values of the additive function on the "large" primes. In the second part of the paper, we are motivated by a question of Elliott, to understand how much the distribution of values of the additive function on primes determines, and is determined by, the distribution of values of the additive function on all of the integers. For example, our main theorem, implies that a positive, strongly additive function is roughly Poisson distributed on the integers if and only if it is $1+o(1)$ or $o(1)$ on almost all primes.

연구 동기 및 목표

• 덧셈 함수의 분포를 대규모 편차 영역에서 정확히 예측할 수 있는 Kac-Kubilius 확률 모델의 조건을 규명하는 것.
• 소수에서의 덧셈 함수 분포가 정수 전체에서의 분포에 얼마나 영향을 미치는지 조사하는 것.
• 특히 $\Delta = o(\sigma(f;x))$ 범위에서 클래스 $\mathcal{C}$ 내 덧셈 함수의 대규모 편차 확률에 대한 정밀 渐近 표현을 수립하는 것.
• Elliott가 제기한, 소수에서의 덧셈 함수 분포와 전체 정수에서의 분포 간 상호작용에 관한 문제를 해결하는 것.

제안 방법

• 소수 값에 대해 강한 정규성 조건을 만족하는 클래스 $\mathcal{C}$ 내 덧셈 함수에 대한 정교한 대규모 편차 분석을 사용한다.
• 소수 합의 꼬리 확률을 근사하기 위해 안장점 방법과 라플라스 변환 기법을 적용한다.
• 생성함수 $\Psi(f;t)$ 를 통해 정수에서의 덧셈 함수 분포와 소수에서의 행동을 연결하는 전이 보조정리를 도입한다.
• 실제 $f(n)$ 분포와 Kac-Kubilius 모델을 비교하기 위해 구조 정리를 활용하여 극단적 편차에서의 실패 원인을 특정한다.
• $\mathcal{D}_f(x;\Delta)$, 즉 평균에서 $\Delta$ 이상 벗어나는 $n \leq x$ 의 비율에 대한 점근 전개를 모멘트 추정과 분포 수렴을 이용해 유도한다.
• 특성 함수 $\Psi(f;t)$ 와 그가 $f(n)$ 의 꼬리 행동을 결정하는 데서 수행하는 역할에 대한 정밀한 분석에 의존한다.

실험 결과

연구 질문

• RQ1 클래스 $\mathcal{C}$ 내 두 덧셈 함수가 동일한 대규모 편차 확률을 가지는 조건은 무엇이며, 언제 반드시 동일해야 하는가?
• RQ2 Kac-Kubilius 모델은 덧셈 함수의 대규모 편차를 얼마나 정확히 예측할 수 있으며, 어디서 실패하는가?
• RQ3 정수에서의 덧셈 함수 분포는 소수에서의 값에 의해 어느 정도 결정되는가?
• RQ4 $\Delta = o(\sigma(f;x))$ 에서 $\mathcal{D}_f(x;\Delta)$ 의 정밀한 점근 행동은 무엇인가?
• RQ5 Kac-Kubilius 모델은 왜 대규모 편차에서 실패하며, 그 실패의 성격은 무엇인가?

주요 결과

• Kac-Kubilius 모델은 대규모 편차에서 일정 요인 $\mathcal{A}(f;\Delta/\sigma)$ 만큼 실패하며, 이는 1보다 작아서 꼬리 확률을 체계적으로 과소평가한다는 것을 나타낸다.
• 모든 $\delta > 0$ 에 대해, 대규모 편차 확률 $\mathcal{D}_f(x;\Delta)$ 는 $1 \leq \Delta \leq \delta \sigma(f;x)$ 에서 균일하게 $\sim \mathcal{A}(f;\Delta/\sigma) \cdot \mathbb{P}(\sum_p g(p)(X_p - 1/p) \geq \Delta \sigma)$ 를 만족한다.
• 양의 강한 덧셈 함수의 정수에서의 분포가 대략 포아송 분포일 조건은 소수에서의 값이 거의 어디서나 $1+o(1)$ 이거나 $o(1)$ 이다.
• $\mathcal{A}(f;z)$ 는 진짜 꼬리 확률이 정규 근사와 얼마나 떨어져 있는지를 캡처하며, $z > 0$ 에서는 엄밀히 1보다 작아서, 고전적 Erdös-Kac 모델이 대규모 편차 영역에서 실패함을 나타낸다.
• 이 논문은 $1 \leq \Delta \leq o(\sigma(f;x))$ 에서 균일하게 $\mathcal{D}_f(x;\Delta) \sim \mathbb{P}(\mathcal{Z}_\Psi(\sigma^2(f;x)) \geq \Delta \sigma(f;x))$ 를 증명하며, 모델이 평균 근처에서는 정확함을 보여준다.
• Kac-Kubilius 모델이 대규모 편차에서 실패하는 이유는 주로 큰 소수의 기여 때문이며, 이 경우 모델의 독립성 가정이 붕괴된다.