概率数论详解

概率数论详解

目录

• 第一章 绪论
• 第二章 概率论基础回顾
• 第三章 素数分布的概率模型
• 第四章 算术函数的分布
• 第五章 Erdős-Kac 定理
• 第六章 随机整数与因子结构
• 第七章 加性数论中的概率方法
• 第八章 有限域上的概率数论
• 第九章 随机矩阵与数论
• 第十章 概率数论在密码学中的应用
• 第十一章 现代前沿与开放问题
• 附录：重要定理与公式汇总

第一章 绪论

1.1 概率数论的定义

概率数论（Probabilistic Number Theory）是数论与概率论的交叉学科，它运用概率论的思想和方法来研究整数的分布规律和算术函数的统计行为。

概率数论的核心研究范式可以概括为：

将自然数的集合视作一个概率空间，将算术函数（如素因子的个数、除数函数等）视为随机变量，研究这些随机变量在极限意义下的概率分布。

这一范式最早可以追溯到1917年，挪威数学家Brun在研究孪生素数时首次使用了概率方法。但概率数论作为一门系统性的学科，其标志性成果是Erdős-Kac定理（1940），该定理揭示了：一个随机整数 \(n\) 的不同素因子个数 \(\omega(n)\) 在 \(n \leqslant N\) 时服从正态分布——这是一个令人惊讶的结论，因为素因子的个数原本看似是“确定”的算术函数，却在大范围内表现出随机性。

1.2 概率数论与其它数论分支的关系

概率数论与数论的其它分支有着深刻的交叉：

分支	与概率数论的交集
解析数论	素数定理、Dirichlet级数提供了概率模型的“平均信息”
组合数论	随机整数集合的加法性质、概率方法
代数数论	随机理想、随机代数数域的类数分布
计算数论	随机素性检验（Miller-Rabin）、随机整数分解（Pollard ρ）
统计数论	算术函数的极限分布、大偏差

概率数论的本质是一种统计性的数论：它不关心某个特定整数有多少个素因子，而是关心“大多数”整数有多少个素因子。

1.3 概率数论的历史发展

（1）前驱时期（19世纪末-20世纪初）

• Tchébychef（1851）最早对素数分布进行了概率性的思考。
• Poisson和Bienaymé等概率学家研究了随机变量的极限行为，为后来概率数论的发展奠定了分析基础。
• Hadamard和de la Vallée Poussin（1896）证明了素数定理，使得素数的“密度” \(\pi(x)/x \sim 1/\log x\) 成为已知，这为概率模型的构建提供了基本输入。

（2）萌芽时期（1910-1940）

• Brun（1919）使用概率筛法证明了孪生素数倒数和收敛，这是概率方法在数论中的早期应用。
• Hardy和Ramanujan（1917）证明了 \(\omega(n)\) 在“几乎所有”整数上具有渐近大小 \(\log \log n\)。这是概率数论的第一个系统性结果——但它没有给出分布形状。
• Turan（1934）给出了一个更简单的证明，并引入了“Turan筛法”的思想。

（3）黄金时代（1940-1970）

• Erdős和Kac（1940）证明了Erdős-Kac定理：\(\frac{\omega(n) - \log\log n}{\sqrt{\log\log n}}\) 服从标准正态分布。这是概率数论真正的诞生标志。
• Kubilius（1956）和Halberstam（1968）系统发展了概率数论的方法论，将算术函数的大规模行为统一为概率极限定理的框架。

（4）成熟时期（1970-2000）

• Elliott（1979）和Daboussi等人将Erdős-Kac定理推广到更一般的算术函数。
• Tenebaum（1990）系统总结了“几乎全部”整数的结构性质。

（5）当代（2000至今）

• 概率数论与随机矩阵理论结合，产生了关于Riemann ζ函数零点分布的随机模型。
• 与朗兰兹纲领的统计方面结合。
• 大偏差和集中不等式在数论中的应用越来越广泛。

1.4 概率数论的基本方法

概率数论的方法可以归纳为以下几个层次：

（1）密度方法（Density Method）

对于某个性质 \(\mathcal{P}\)，定义其密度为

\[\operatorname{dens}(\mathcal{P}) = \lim_{N \to \infty} \frac{|\{ n \leqslant N : \mathcal{P}(n) \}|}{N} \]

如果该极限存在。密度方法是最直接的“概率”度量。

（2）矩方法（Moment Method）

要证明一个随机变量序列 \(X_N\) 收敛到某个分布（如正态分布），可以计算其各阶矩，并证明矩收敛。这是Erdős-Kac定理原始证明的核心技术。

（3）特征函数方法（Characteristic Function Method）

利用特征函数 \(\varphi(t) = \mathbb{E}[e^{itX}]\) 研究随机变量的分布。这在证明正态收敛时非常强大。

（4）筛法与概率模型的结合

将素数视为以 \(1/\log x\) 概率出现的随机点集（Cramér模型），用筛法的上界/下界估计来验证概率预测。

（5）遍历理论方法

通过将数论函数与保测变换联系，使用遍历理论的工具研究其分布。

1.5 预备知识

学习概率数论需要以下预备知识：

1. 初等数论：素数、算术函数、欧拉函数、Möbius函数
2. 解析数论基础：素数定理、Dirichlet级数
3. 概率论基础：概率空间、随机变量、期望、方差、正态分布、中心极限定理、大数定律
4. 分析学：渐近估计、大O记号

第二章 概率论基础回顾

2.1 概率空间

定义 2.1（概率空间） ：一个概率空间 \((\Omega, \mathcal{F}, \mathbb{P})\) 由以下三部分构成：

• \(\Omega\)：样本空间（所有可能结果的集合）
• \(\mathcal{F}\)：\(\Omega\) 上的 \(\sigma\)-代数（事件的集合）
• \(\mathbb{P}: \mathcal{F} \to [0, 1]\)：概率测度

在概率数论中，最基本的概率空间是：

\[\Omega_N = \{1, 2, \cdots, N\} \]

\[\mathbb{P}_N(A) = \frac{|A|}{N} \]

当 \(N \to \infty\) 时，我们研究这些有限概率空间在某种“逼近”意义下的极限行为。

定义 2.2（密度） ：设 \(A \subset \mathbb{N}\)。定义 \(A\) 的自然密度（Natural Density）为：

\[d(A) = \lim_{N \to \infty} \frac{|A \cap \{1, \cdots, N\}|}{N} \]

如果极限存在。

例 2.1：

• 偶数集合的密度为 \(1/2\)。
• 素数集合的密度为 \(0\)（由素数定理）。
• 平方数集合的密度为 \(0\)。

2.2 随机变量与分布

定义 2.3（随机变量） ：在概率空间 \((\Omega_N, \mathbb{P}_N)\) 上，一个随机变量 \(X_N: \Omega_N \to \mathbb{R}\) 是一个函数。其分布函数为：

\[F_N(x) = \mathbb{P}_N(X_N \leqslant x) = \frac{|\{ n \leqslant N : X_N(n) \leqslant x \}|}{N} \]

定义 2.4（依分布收敛） ：随机变量序列 \(\{X_N\}\) 称为依分布收敛到随机变量 \(X\)，如果对每个 \(x\)（在 \(X\) 的分布函数的连续点处）：

\[F_N(x) \to F(x) \]

记作 \(X_N \xrightarrow{d} X\)。

定义 2.5（几乎必然收敛与依概率收敛） ：

• 若 \(\mathbb{P}(\lim_{N \to \infty} X_N = X) = 1\)，则称 \(X_N\) 几乎必然收敛到 \(X\)。
• 若对任意 \(\varepsilon > 0\)，\(\lim_{N \to \infty} \mathbb{P}(|X_N - X| > \varepsilon) = 0\)，则称 \(X_N\) 依概率收敛到 \(X\)。

在概率数论中，我们通常研究的是依分布收敛（即“统计收敛”），因为数论函数往往是定义在不同空间 \(\{1, \cdots, N\}\) 上，而非同一个概率空间。

2.3 期望与方差

定义 2.6（期望） ：对随机变量 \(X\)，

\[\mathbb{E}[X] = \sum_{\omega \in \Omega} X(\omega) \mathbb{P}(\omega) \]

在数论中，这对应于平均阶：

\[\mathbb{E}[X_N] = \frac{1}{N} \sum_{n \leqslant N} X_N(n) \]

定义 2.7（方差） ：

\[\operatorname{Var}(X) = \mathbb{E}[(X - \mathbb{E}[X])^2] = \mathbb{E}[X^2] - (\mathbb{E}[X])^2 \]

定理 2.1（Chebyshev不等式） ：对任意 \(\varepsilon > 0\)，

\[\mathbb{P}(|X - \mathbb{E}[X]| \geqslant \varepsilon) \leqslant \frac{\operatorname{Var}(X)}{\varepsilon^2} \]

Chebyshev不等式是证明“几乎所有”性质的基本工具：如果方差相对于均值很小，则 \(X\) 几乎必然在均值附近。

2.4 正态分布与中心极限定理

定义 2.8（标准正态分布） ：概率密度函数为

\[\phi(x) = \frac{1}{\sqrt{2\pi}} e^{-x^2/2}, \quad x \in \mathbb{R} \]

的分布称为标准正态分布，记作 \(\mathcal{N}(0, 1)\)。

定理 2.2（Lindeberg中心极限定理） ：设 \(\{X_k\}\) 是独立的随机变量序列，\(\mathbb{E}[X_k] = \mu_k\)，\(\operatorname{Var}(X_k) = \sigma_k^2\)。定义 \(S_n = \sum_{k=1}^n X_k\)，\(s_n^2 = \sum_{k=1}^n \sigma_k^2\)。若满足Lindeberg条件，则

\[\frac{S_n - \sum \mu_k}{s_n} \xrightarrow{d} \mathcal{N}(0, 1) \]

在概率数论中，我们经常将 \(\omega(n)\) 表示为独立（或近似独立）的伯努利随机变量之和，然后用中心极限定理推导正态收敛。

2.5 泊松分布

定义 2.9（泊松分布） ：参数为 \(\lambda > 0\) 的泊松分布 \(\operatorname{Poisson}(\lambda)\) 的概率质量函数为：

\[\mathbb{P}(X = k) = \frac{\lambda^k e^{-\lambda}}{k!}, \quad k = 0, 1, 2, \cdots \]

定理 2.3（泊松逼近定理） ：若 \(X_n \sim \operatorname{Binomial}(n, p_n)\)，且 \(n p_n \to \lambda\)，则 \(X_n \xrightarrow{d} \operatorname{Poisson}(\lambda)\)。

在数论中，某些算术函数（如短区间内的素数个数）在极限下服从泊松分布——这是随机素数模型的核心预测。

2.6 大偏差

定理 2.4（Cramér定理） ：设 \(X_1, \cdots, X_n\) 是独立同分布的随机变量，其矩母函数 \(M(t) = \mathbb{E}[e^{tX}]\) 有限。则对任意 \(x > \mathbb{E}[X]\)，

\[\lim_{n \to \infty} \frac{1}{n} \log \mathbb{P}\left( \frac{1}{n}\sum_{i=1}^n X_i \geqslant x \right) = -I(x) \]

其中 \(I(x) = \sup_{t} (tx - \log M(t))\) 是速率函数（Rate Function）。

大偏差理论在数论中用于研究算术函数的“稀有事件”的概率。

第三章 素数分布的概率模型

3.1 素数定理与概率解释

素数定理（Prime Number Theorem, PNT）：

\[\pi(x) = \frac{x}{\log x} + o\left(\frac{x}{\log x}\right) \]

在概率意义上，PNT告诉我们：随机选取一个 \(n \leqslant x\)，其为素数的概率约为 \(1/\log x\)。

这引出了概率数论中最强大的启发式工具——Cramér随机素数模型。

3.2 Cramér 模型

定义 3.1（Cramér模型） ：独立随机变量 \(X_n\)（\(n \geqslant 2\)）定义为：

\[X_n = \begin{cases} 1, & \text{以概率 } 1/\log n \\ 0, & \text{以概率 } 1 - 1/\log n \end{cases}\]

且 \(X_n\) 相互独立。

在这个模型中，自然数 \(n\) 是素数的概率为 \(1/\log n\)，完全独立于其它数。模型中的“素数集合”为 \(\mathcal{P}_{\text{rand}} = \{ n \geqslant 2 : X_n = 1 \}\)。

Cramér模型的合理性与局限性：

方面	模型预测	实际情况
素数个数 \(\pi(x)\)	\(\sum_{n \leqslant x} 1/\log n \sim x/\log x\)	精确成立（PNT）
孪生素数个数	\(\sum_{n \leqslant x} 1/\log^2 n \sim x/\log^2 x\)	实际有常数因子 \(1.32\) 的修正
最大素数间隔	\(O(\log^2 x)\)	已知下界 \(\gg \log x\)，上界 \(\ll x^{0.525}\)
素数间隔分布	泊松？	复杂的统计模式

Cramér猜想：在Cramér模型中，最大素数间隔 \(G(x) = \max_{p \leqslant x} (p_{i+1} - p_i)\) 满足：

\[G(x) = O(\log^2 x) \quad \text{a.s.} \]

且更精确地，\(\limsup_{x \to \infty} G(x)/\log^2 x = 1\)。

这个猜想在真实素数中尚未被证明，但数值验证与之吻合。

3.3 素数间隔的分布

在Cramér模型中，素数间隔 \(D_n = p_{n+1} - p_n\) 近似服从参数为 \(\log n\) 的指数分布（因为几何分布逼近指数分布）：

\[\mathbb{P}(D_n > t \log n) \approx e^{-t} \]

但在真实素数中，素数间隔的分布更为复杂：存在小的修正因子，且涉及Hardy-Littlewood常数。

3.4 随机素数模型的变体

（1）Gallagher的改进模型

在Cramér模型中加入局部相关性：一个数 \(n\) 是素数的概率为 \(1/\log n\)，但考虑 \(n\) 被小素数整除的“排斥”效应。这种模型可以预测孪生素数常数的存在。

（2）Granville的修正模型

Granville指出Cramér模型忽略了一些与“中等大小”素数有关的相关性。在最大素数间隔问题上，Granville猜测上界应该是 \(O(\log^2 x \cdot \log \log x / \log \log \log x)\) 而不是 \(\log^2 x\)。

（3）Maier矩阵方法

Maier（1985）证明了在某些短区间内，素数的密度系统性地偏离 \(1/\log x\) 的预测（偏差可达 \(\log \log x\) 的量级）。这显示了Cramér模型的局限性：素数的分布不是完全独立的。

3.5 随机模型的应用

尽管有局限性，随机素数模型仍然是研究以下问题的强大启发式工具：

1. 哥德巴赫猜想：随机模型预测每个大偶数可表示为两个素数之和
2. 孪生素数猜想：预测 \(\pi_2(x) \sim C \cdot x/\log^2 x\)
3. 素数p的分布：预测最小原根的分布等

第四章 算术函数的分布

4.1 算术函数的“几乎处处”行为

概率数论的核心目标是研究算术函数在“几乎所有”整数上的行为。

定义 4.1（几乎所有） ：称一个性质 \(\mathcal{P}\) 对几乎所有（almost all）整数 \(n\) 成立，如果

\[\lim_{N \to \infty} \frac{|\{ n \leqslant N : \mathcal{P}(n) \text{ 成立} \}|}{N} = 1 \]

4.2 \(\omega(n)\) 的分布

定义 4.2（素因子个数函数） ：

• \(\omega(n)\)：\(n\) 的不同素因子个数
• \(\Omega(n)\)：\(n\) 的带重数的素因子个数（即总次数）

定理 4.1（Hardy-Ramanujan，1917） ：对任意 \(\varepsilon > 0\)，对几乎所有 \(n\)，

\[(1 - \varepsilon) \log \log n < \omega(n) < (1 + \varepsilon) \log \log n \]

证明思路（Turan的现代简化版）：

定义 \(X_p(n) = \mathbf{1}_{p \mid n}\)（即 \(n\) 被 \(p\) 整除的指示函数）。则

\[\omega(n) = \sum_{p \leqslant n} X_p(n) \]

计算 \(\omega(n)\) 在 \(n \leqslant N\) 上的均值：

\[\frac{1}{N} \sum_{n \leqslant N} \omega(n) = \sum_{p \leqslant N} \frac{1}{N} \sum_{n \leqslant N} \mathbf{1}_{p \mid n} = \sum_{p \leqslant N} \frac{1}{p} + O(1) = \log \log N + O(1) \]

计算方差：

\[\frac{1}{N} \sum_{n \leqslant N} (\omega(n) - \log\log N)^2 \sim \log\log N \]

由Chebyshev不等式，对任意 \(\varepsilon > 0\)：

\[\frac{|\{ n \leqslant N : |\omega(n) - \log\log N| > \varepsilon \log\log N \}|}{N} \ll \frac{1}{\varepsilon^2 \log\log N} \to 0 \]

因此 \(\omega(n)/\log\log n \to 1\) 在密度意义下成立。

4.3 \(\Omega(n)\) 的分布

定理 4.2：对几乎所有 \(n\)，

\[\Omega(n) = \log\log n + O(\sqrt{\log\log n}) \]

由于 \(X_p(n)\) 在计算 \(\Omega\) 时，\(p^k \mid n\) 的贡献为 \(k\)，但高次幂的贡献可以忽略。

4.4 除法数函数 \(d(n)\)

定义 4.3（除数函数） ：

\[d(n) = \sum_{d \mid n} 1 \]

定理 4.3（Wigert，1914） ：

\[\limsup_{n \to \infty} \frac{\log d(n)}{\log n / \log\log n} = \log 2 \]

但概率数论关注的是典型值，而非上确界。

定理 4.4：对几乎所有 \(n\)，

\[d(n) = \exp\left( \log 2 \cdot \frac{\log n}{\log\log n} + O\left(\frac{\log n \log\log\log n}{(\log\log n)^2}\right) \right) \]

这是因为 \(d(n)\) 的典型值远小于其最大值。

4.5 \(\varphi(n)\) 的分布

定义 4.4（欧拉函数） ：

\[\varphi(n) = n \prod_{p \mid n} \left(1 - \frac{1}{p}\right) \]

定理 4.5：对几乎所有 \(n\)，

\[\frac{\varphi(n)}{n} = \frac{e^{-\gamma}}{\log\log n} \cdot e^{O(1/\sqrt{\log\log n})} \]

其中 \(\gamma\) 是欧拉常数。

证明：\(\log \varphi(n)/n = \sum_{p \mid n} \log(1 - 1/p)\)。利用 \(\omega(n) \sim \log\log n\) 和素数倒数和的性质。

4.6 最大素因子 \(P(n)\)

定义 4.5（最大素因子） ：\(P(n)\) 表示 \(n\) 的最大素因子。

定理 4.6：对几乎所有 \(n\)，\(P(n)\) 的典型大小是多少？

Dickman函数 \(\rho(u)\) 给出了 \(P(n) \leqslant n^{1/u}\) 的比例。对固定 \(u > 1\)：

\[\frac{|\{ n \leqslant x : P(n) \leqslant x^{1/u} \}|}{x} \to \rho(u) \]

其中 \(\rho(u)\) 由微分方程 \(\rho(u) = 1\)（\(0 \leqslant u \leqslant 1\)），\(u \rho'(u) + \rho(u-1) = 0\) 定义。

对于典型 \(n\)，最大素因子 \(P(n) \approx n^{\alpha}\)，其中 \(\alpha\) 的分布由Dickman函数给出。

第五章 Erdős-Kac 定理

5.1 定理的陈述

定理 5.1（Erdős-Kac定理，1940） ：设 \(\omega(n)\) 是 \(n\) 的不同素因子个数。则对任意 \(x \in \mathbb{R}\)，

\[\lim_{N \to \infty} \frac{|\{ n \leqslant N : \omega(n) \leqslant \log\log N + x \sqrt{\log\log N} \}|}{N} = \Phi(x) \]

其中

\[\Phi(x) = \frac{1}{\sqrt{2\pi}} \int_{-\infty}^{x} e^{-t^2/2} dt \]

是标准正态分布的分布函数。

等价地：

\[\frac{\omega(n) - \log\log n}{\sqrt{\log\log n}} \xrightarrow{d} \mathcal{N}(0, 1) \]

5.2 定理的意义

Erdős-Kac定理是概率数论的奠基性成果，其深刻之处在于：

1. “确定”函数的随机性：\(\omega(n)\) 是一个完全确定的算术函数，但它的分布却像随机变量一样遵循正态分布。
2. 中心极限定理的意外应用：\(\omega(n)\) 可以表示为 \(\sum_{p \mid n} 1\)，而 \(p \mid n\) 的事件在不同素数之间近似独立。
3. “几乎所有”的精确描述：Hardy-Ramanujan定理只给出了 \(\omega(n)\) 的量级，而Erdős-Kac给出了完整的分布形状。

5.3 定理的证明思路

步骤1：截断

只考虑 \(p \leqslant N^{1/10}\) 的素数。大素数对 \(\omega(n)\) 的贡献可以忽略（因为一个大素数最多贡献1，但这样的素数出现的概率很小）。

步骤2：独立化

定义 \(X_p(n) = \mathbf{1}_{p \mid n}\)。对于不同的素数 \(p\)，这些随机变量不是完全独立的（因为 \(n\) 可能同时被多个素数整除）。但可以证明，相关性足够弱，可以用Lindeberg中心极限定理的某种形式。

步骤3：计算均值和方差

\[m_N = \frac{1}{N} \sum_{n \leqslant N} \omega(n) = \log\log N + O(1) \]

\[\sigma_N^2 = \frac{1}{N} \sum_{n \leqslant N} (\omega(n) - m_N)^2 = \log\log N + O(1) \]

步骤4：验证Lindeberg条件

对截断后的 \(\omega^*(n)\)，验证其满足中心极限定理的条件。这需要估计 \(\omega^*(n)\) 的三阶矩。

步骤5：处理尾巴

证明截断产生的误差可以忽略。

5.4 定理的推广

（1）\(\Omega(n)\) 的分布

同样有：

\[\frac{\Omega(n) - \log\log n}{\sqrt{\log\log n}} \xrightarrow{d} \mathcal{N}(0, 1) \]

（2）加权的素因子计数

定义 \(\omega(n; \mathcal{P}) = \sum_{p \in \mathcal{P}, p \mid n} 1\)。若 \(\mathcal{P}\) 是素数的某个“自然”子集，则在适当条件下同样有正态分布。

（3）Kubilius模型

Kubilius（1956）发展了一般理论：对于满足某些条件的非负函数 \(g(p)\)，随机变量 \(\sum_{p \mid n} g(p)\) 在适当归一化后服从正态分布。

（4）Selberg-Delange定理

给出了Dirichlet级数 \(\sum a_n n^{-s}\) 在 \(s=1\) 附近的渐近展开，是研究算术函数分布的核心工具。

定理 5.2（Selberg-Delange） ：若 \(f\) 是积性函数，且

\[\sum_{p \leqslant x} f(p) \log p = \lambda x + O(x) \]

则

\[\sum_{n \leqslant x} f(n) = \frac{x}{\log x} \sum_{k=0}^{M} \frac{P_k(\log\log x)}{(\log x)^k} + O\left(\frac{x}{(\log x)^{M+1}}\right) \]

其中 \(P_k\) 是多项式。

5.5 非典型值的分布：大偏差

Erdős-Kac定理处理的是“典型”值（在均值附近 \(\sqrt{\log\log n}\) 范围内）。对于“非典型”值，我们有：

定理 5.3（大偏差结果） ：设 \(u > 0\) 固定，则

\[\frac{|\{ n \leqslant x : \omega(n) \geqslant \log\log x + u \sqrt{\log\log x} \}|}{x} \sim \frac{1}{\sqrt{2\pi}} \frac{e^{-u^2/2}}{u \sqrt{\log\log x}} \]

对于 \(\omega(n) \geqslant \lambda \log\log x\)（\(\lambda > 1\)），速率由Cramér定理给出。

第六章 随机整数与因子结构

6.1 随机整数的分布模型

定义 6.1（随机整数模型） ：从 \(\{1, 2, \cdots, N\}\) 中均匀随机选取 \(n\)。当 \(N \to \infty\) 时，\(n\) 的因子结构呈现出特定的统计规律。

6.2 素因子个数的精细分布

定理 6.1（Billingsley定理的简化版本） ：对任意固定 \(k\)，多个素数同时出现的联合分布收敛到泊松过程。

具体地，定义 \(\omega(n; I) = \sum_{p \in I, p \mid n} 1\)。对区间 \(I \subset \mathbb{R}\)（以 \(\log\log\) 为单位），\(\omega(n; I)\) 近似服从泊松分布，且不同区间的计数近似独立。

这揭示了：素因子的出现可以用泊松过程来建模。

6.3 因子分解的随机结构

随机整数的素因子分解具有以下统计性质：

1. 素因子的大小分布：最大素因子 \(P(n)\) 的分布由Dickman函数描述。约 \(1 - \rho(u)\) 的比例的 \(n\) 有 \(P(n) > n^{1/u}\)。

2. 素因子的个数的分布：\(\omega(n) \sim \operatorname{Poisson}(\log\log n)\) 在“近似”意义下（实际上更精确的是正态）。

3. 小素因子的出现：固定素数 \(p\) 整除 \(n\) 的概率为 \(1/p\)。这导致了“局部”的统计独立性。

6.4 最大素因子的分布

定理 6.2（Dickman定理） ：设 \(\rho(u)\) 是Dickman函数。则

\[\lim_{x \to \infty} \frac{1}{x} |\{ n \leqslant x : P(n) \leqslant x^{1/u} \}| = \rho(u) \]

Dickman函数的值：

• \(\rho(u) = 1\) 对 \(0 \leqslant u \leqslant 1\)。
• \(\rho(u) = 1 - \log u\) 对 \(1 \leqslant u \leqslant 2\)。
• 对一般 \(u\)，满足 \(u \rho'(u) + \rho(u-1) = 0\)。

例 6.1：

• \(P(n) \leqslant \sqrt{n}\) 的比例为 \(\rho(2) = 1 - \log 2 \approx 0.30685\)。
• \(P(n) \leqslant n^{1/3}\) 的比例为 \(\rho(3) \approx 0.0486\)。

6.5 无平方因子数

定义 6.2（无平方因子数） ：若 \(n\) 不被任何 \(p^2\)（\(p\) 为素数）整除，则称 \(n\) 为无平方因子数（Squarefree Number）。

定理 6.3：\(n\) 为无平方因子数的概率为

\[\mathbb{P}(n \text{ 无平方因子}) = \frac{1}{\zeta(2)} = \frac{6}{\pi^2} \approx 0.6079 \]

证明：对每个素数 \(p\)，\(p^2 \mid n\) 的概率为 \(1/p^2\)。这些事件近似独立，因此

\[\mathbb{P}(\forall p, p^2 \nmid n) \approx \prod_p \left(1 - \frac{1}{p^2}\right) = \frac{1}{\zeta(2)} = \frac{6}{\pi^2} \]

6.6 \(\Omega(n) - \omega(n)\) 的分布

定义 6.3：\(\Omega(n) - \omega(n)\) 是 \(n\) 的素因子的重数超过1的总次数。

定理 6.4：对几乎所有 \(n\)，

\[\Omega(n) - \omega(n) \ll \log\log\log n \]

且其分布接近于方差为 \(\log\log\log n\) 的正态分布（但存在修正）。

第七章 加性数论中的概率方法

7.1 概率方法的基本思想

概率方法（Probabilistic Method）由Erdős开创，其核心思想是：

为了证明某个数学对象的存在性，构造一个随机对象，证明它满足所需性质的概率为正。

在加性数论中，概率方法被广泛应用于证明各种组合数论结论。

7.2 随机子集的和基

定义 7.1（和基） ：设 \(A \subset \mathbb{N}\)。若存在 \(h\) 使得 \(hA = \mathbb{N}\)（即每个整数都可表示为至多 \(h\) 个 \(A\) 中元素之和），则称 \(A\) 是和基（Additive Basis）。

定理 7.1（Erdős-Turán猜想的概率版本） ：随机选取 \(A \subset \{1, \cdots, N\}\)，以概率 \(p = c \sqrt{\log N / N}\) 包含每个元素。则对于充分大的 \(N\)，\(A\) 是 \(h\) 阶和基的概率趋于1（当 \(c\) 足够大时）。

这个结果是加性组合学中“随机稠密集合几乎必然是基”的典型表现。

7.3 随机图的Ramsey性质与数论

概率方法用于证明Ramsey数在数论中的对应物。

定理 7.2（Schur数的下界） ：存在一个 \(r\) 染色使得 \([1, N]\) 中无单色 \(x + y = z\) 的解，其中 \(N \gg r^{r/2}\)。

证明使用随机染色：对每个 \(n \in [1, N]\)，独立随机分配 \(r\) 种颜色中的一种。计算存在单色Schur三元组的概率，证明它小于1。

7.4 随机子集的算术级数

定理 7.3：设 \(A \subset [1, N]\) 是以概率 \(p\) 独立选取的随机集合。则 \(A\) 中3项算术级数的期望数量为：

\[\mathbb{E}[\#\text{AP}_3(A)] \approx p^3 N^2 \]

当 \(p \gg N^{-1/2}\) 时，\(A\) 几乎必然包含3项算术级数。

这个简单观察是Szemerédi定理在随机集合上的自然类比。

第八章 有限域上的概率数论

8.1 有限域上的随机多项式

定义 8.1：设 \(\mathbb{F}_q\) 是有限域。随机选取一个首一的 \(n\) 次多项式

\[f(x) = x^n + a_{n-1} x^{n-1} + \cdots + a_0, \quad a_i \in \mathbb{F}_q \]

其中系数独立均匀分布。

定理 8.1：随机首一 \(n\) 次多项式在 \(\mathbb{F}_q\) 上不可约的概率约为 \(1/n\)（当 \(q\) 固定，\(n \to \infty\)）。

这对应于整数中素数的概率 \(1/\log n\)。

8.2 有限域上的因子分布

随机多项式的因子个数（类似于 \(\omega(n)\)）的分布也服从正态分布。

定理 8.2：设 \(\nu(f)\) 是 \(f\) 在 \(\mathbb{F}_q\) 上的不可约因子个数。则

\[\frac{\nu(f) - \log_q n}{\sqrt{\log_q n}} \xrightarrow{d} \mathcal{N}(0, 1) \]

这是Erdős-Kac定理在函数域上的类比。

8.3 随机置换与数论

随机置换的循环结构与随机整数的因子结构之间有着深刻的类比：

随机整数	随机置换
素因子	循环
不同素因子个数 \(\omega(n)\)	不同循环长度个数
带重数的素因子个数 \(\Omega(n)\)	循环总个数
最大素因子	最大循环长度
Dickman函数	随机置换的最大循环分布（Golomb-Dickman常数）

这种类比是算术统计中的核心观察。

8.4 有限域上的随机矩阵

随机矩阵的特征多项式在有限域上的因子分解给出了数论统计的重要模型。

定理 8.3：设 \(M\) 是 \(\mathrm{GL}_n(\mathbb{F}_q)\) 中的随机矩阵。其特征多项式的不可约因子个数的分布也服从正态分布。

第九章 随机矩阵与数论

9.1 随机矩阵理论与ζ函数

Montgomery-Odlyzko定律：Riemann ζ函数非平凡零点的归一化间距分布与随机埃尔米特矩阵（Gaussian Unitary Ensemble, GUE）的特征值间距分布相同。

这构成了数论与随机矩阵理论之间最惊人的联系之一。

定理 9.1（Montgomery对关联猜想） ：设 \(\gamma < \gamma'\) 是 ζ 函数在临界线上的两个零点，定义归一化间距 \(u = (\gamma' - \gamma) \log(\gamma/2\pi)/2\pi\)。则两个零点的对关联函数为：

\[\frac{1 - \sin^2(\pi u)}{(\pi u)^2} \]

这正是GUE矩阵的对关联函数。

9.2 随机矩阵与算术函数

随机矩阵的特征值分布与以下算术函数的分布有密切联系：

1. 椭圆曲线的秩分布
2. 类数分布
3. L函数的低阶零点

9.3 Keating-Snaith猜想

猜想 9.1（Keating-Snaith） ：设 \(\zeta\) 是Riemann ζ函数，\(T\) 为大参数。则：

\[\frac{1}{T} \int_0^T |\zeta(1/2 + it)|^{2k} dt \sim C_k (\log T)^{k^2} \]

其中 \(C_k\) 是某个常数。

这个猜想来源于随机矩阵理论中的矩计算，将ζ函数的矩与随机矩阵的特征多项式的矩联系起来。

第十章 概率数论在密码学中的应用

10.1 随机素性检验

概率数论是随机素性检验的理论基础。

Miller-Rabin素性检验：

• 随机选取底数 \(a\)
• 检查 \(a\) 是否“暴露” \(n\) 的合数性
• 单次测试的错误概率 \(\leqslant 1/4\)
• 迭代 \(k\) 次后错误概率 \(\leqslant 4^{-k}\)

这个概率分析依赖于对 \(\mathbb{Z}_n^\times\) 中坏底数的计数。

10.2 随机整数分解

Pollard ρ算法：

• 使用随机函数 \(f(x) = x^2 + c \bmod n\)
• 生成的序列 \(x_0, x_1, \cdots\) 在模 \(p\)（\(p\) 是 \(n\) 的因子）下近似随机
• 生日悖论保证期望 \(O(\sqrt{p})\) 步后找到碰撞

概率分析是理解算法性能的关键。

10.3 RSA密钥生成中的概率

RSA密钥生成需要随机选取大素数：

• 随机选取一个数，它和相邻数的素数性独立
• 素数密度为 \(1/\log n\)
• 需要选取 \(O(\log n)\) 个候选数才能找到一个素数

概率估计：在 \([1, N]\) 中随机选取一个数为素数的概率为 \(1/\log N\)。对于 \(N \approx 2^{1024}\)，\(\log N \approx 710\)，平均需要约710次尝试。

10.4 密码安全的随机性要求

密码系统要求随机数生成器产生不可预测的序列。概率数论提供了以下工具：

• 基于Blum-Blum-Shub等伪随机生成器的随机性分析
• 随机性统计检验（如NIST测试套件）基于数论中的统计规律

第十一章 现代前沿与开放问题

11.1 算术函数的联合分布

问题 11.1：研究多个算术函数（如 \(\omega(n), \Omega(n), \tau(n), \varphi(n)\)）的联合分布。

已知：\((\omega(n), \Omega(n))\) 的联合分布收敛到二元正态分布。

11.2 素数在短区间内的分布

问题 11.2：证明在区间 \((x, x + y]\)（\(y\) 远小于 \(x\)）中素数的个数 \(\pi(x+y) - \pi(x)\) 的分布与泊松分布一致。

这是素数间隔的统计问题，与GUE猜想有关。

11.3 随机模型的严格化

问题 11.3：发展严格的理论证明Cramér模型在何种意义上能准确预测素数分布。

目前，Cramér模型只用于启发式推理，其严格化需要筛选理论的突破。

11.4 大偏差的统一理论

问题 11.4：建立算术函数大偏差的统一框架。

目前对 \(\omega(n)\) 的大偏差已经有较好理解，但对更复杂的算术函数（如 \(\sigma(n)\)）仍不完整。

11.5 概率数论与朗兰兹纲领的结合

问题 11.5：研究自守形式的傅里叶系数在不同模数下的统计分布（如Sato-Tate定理的统计版本）。

Sato-Tate定理本身就是一个“概率”定理：它断言椭圆曲线的 Frobenius 迹的分布服从某个半圆分布。

11.6 未解决问题汇编

问题 11.6（Erdős-Turán猜想） ：若 \(A \subset \mathbb{N}\) 的倒数和发散，则 \(A\) 包含任意长的算术级数。

这是一个结合了概率数论（密度）和组合数论的问题。

问题 11.7（对算术函数的极限分布的完整刻画） ：对于什么样的积性函数 \(f\)，\(\sum_{n \leqslant x} f(n)\) 的归一化分布是正态的？

问题 11.8（随机整数的最大素因子） ：\(\log \log P(n)\) 的波动范围有多大？已知的是它服从Gumbel分布，但精确的收敛速率未知。

附录：重要定理与公式汇总

A.1 基本密度结果

对象	密度/概率	备注
素数	\(1/\log x\)	素数定理
无平方因子数	\(6/\pi^2 \approx 0.6079\)	经典结果
立方自由数	\(1/\zeta(3) \approx 0.8319\)	推广
与给定数互素	\(\varphi(n)/n\)	欧拉函数

A.2 算术函数的典型值

函数	典型值	方差	定理
\(\omega(n)\)	\(\log\log n\)	\(\log\log n\)	Erdős-Kac
\(\Omega(n)\)	\(\log\log n\)	\(\log\log n\)	Erdős-Kac
\(\log d(n)\)	\(\log 2 \cdot \log n / \log\log n\)	较小	Wigert
\(\varphi(n)/n\)	\(e^{-\gamma}/\log\log n\)	较小	Schoenberg
\(P(n)\)	\(n^{\alpha}\)（\(\alpha\) 服从Dickman）	-	Dickman

A.3 核心概率分布

对象	极限分布	定理
\((\omega(n)-\log\log n)/\sqrt{\log\log n}\)	\(\mathcal{N}(0,1)\)	Erdős-Kac
\((\Omega(n)-\log\log n)/\sqrt{\log\log n}\)	\(\mathcal{N}(0,1)\)	Erdős-Kac
素数间隔（归一化）	指数？GUE？	未完全解决
ζ函数零点间距	GUE	Montgomery（猜想）

A.4 重要常数

常数	值	出现场合
\(\zeta(2) = \pi^2/6\)	\(1.644934...\)	无平方因子数密度
\(\zeta(3)\)	\(1.202056...\)	立方自由数密度
\(e^{-\gamma}\)	\(0.561459...\)	\(\varphi(n)/n\) 的均值
Golomb-Dickman常数 \(\lambda\)	\(0.624329...\)	随机置换最大循环长度
孪生素数常数 \(C_2\)	\(0.660161...\)	孪生素数密度

参考文献

1. Tenenbaum, G. Introduction to Analytic and Probabilistic Number Theory [M]. Cambridge University Press, 1995.
2. Kubilius, J. Probabilistic Methods in the Theory of Numbers [M]. American Mathematical Society, 1964.
3. Elliott, P. D. T. A. Probabilistic Number Theory I & II [M]. Springer, 1979/1980.
4. Erdős, P. & Kac, M. The Gaussian law of errors in the theory of additive number theoretic functions [J]. American Journal of Mathematics, 1940.
5. Hardy, G. H. & Ramanujan, S. The normal number of prime factors of a number n [J]. Quarterly Journal of Mathematics, 1917.
6. 潘承洞, 潘承彪. 解析数论基础 [M]. 科学出版社, 1991.
7. Tao, T. Topics in Random Matrix Theory [M]. American Mathematical Society, 2012.
8. Montgomery, H. L. The pair correlation of zeros of the zeta function [J]. 1973.
9. Dickman, K. On the frequency of numbers containing prime factors of a certain relative magnitude [J]. Arkiv för Matematik, 1930.
10. Billingsley, P. The probability theory of additive arithmetic functions [J]. Annals of Probability, 1974.