关于Collatz序列奇数步数模3求和图像周期性规律的技术咨询

阿华AIGC实验室

2026-4-23

你观察到的这个周期性规律真的很引人深思——我之前也关注过类似的Collatz序列统计特性，这背后其实和奇数步数的模分布特性密切相关，接下来我们一步步拆解这个问题：

核心函数与观察总结

首先明确你的核心研究函数：
$y=x-\sum\limits_{k=1}^x (o(k) \mod 3)$，其中$o(k)$表示正整数$k$通过Collatz序列到达1所需的奇数步数（即序列中所有奇数的个数，每次遇到奇数时执行$3n+1$操作，同时计数+1）。

你总结的图像规律非常准确：

当$o(k) \equiv 2 \mod 3$时，$y$会下降
当$o(k) \equiv 1 \mod 3$时，$y$保持平稳
当$o(k) \equiv 0 \mod 3$时，$y$会上升
最终形成了类似正弦曲线的周期性“增长-稳定-下降-稳定”模式，而且在大到$9\times10^{6$的范围内依然保持着极强的规律性。你还将这个规律扩展到了$b=4,5,6,7$的情况（函数变为$y=\frac{b-1}{2}x-\sum\limits_{k=1}}x (o(k) \mod b)$），也观察到了类似的周期性。

可能的解释：奇数步数的分布特性

目前虽然Collatz猜想尚未被证明，但从统计和数值研究的角度，有几个已知的特性可以解释这种周期性：

Collatz迭代的模分类偏向
Collatz序列的迭代过程可以按模3（或模b）对初始数进行分类，不同模类的数在迭代时的奇数步数分布呈现出系统性的偏向。比如，模3余0、1、2的数，它们的Collatz路径中奇数步数的模3结果会有固定的统计倾向，当你对前x个数的模3结果求和时，这种偏向会累积，形成周期性的波动。
奇数步数的渐近估计匹配
有研究指出，对于足够大的x，Collatz序列的奇数步数$o(x)$的渐近值大约是$\frac{\log x}{\log(4/3)}$——这是因为每次奇数步后数会乘以3/2，后续的偶数步会将数除以2^k，长期来看整体的平均缩放因子是4/3。你尝试用$\lceil \frac{5\log x}{\log(4/3)} \rceil \mod 3$拟合原函数，结果趋势高度一致，这就验证了：当x足够大时，奇数步数的模3分布会趋近于这个渐近函数的模3分布，从而呈现出稳定的周期性波动。

生成数据与绘图的代码整理

这里把你提供的代码整理成更清晰的格式，方便复现：

Pari/GP 代码（计算奇数步数并生成数据）

// 定义计算到1的奇数步数的函数
nbrOddTo1(n)=j=0;while(n>1,if(n%2==1,j+=1;n=(3*n+1)/2,n=n/2));return(j);

// 生成b=3时的核心函数数据（x到9e6）
b=3;a=0;for(x=1,9000000,a=a+(b-1)/2-nbrOddTo1(x)%b;write("out.csv",round(a)));

// 生成对比用的原始与拟合数据
// 原始数据（蓝色）
a=0;for(x=1,9000000,a=a+1-nbrOddTo1(x)%3;write("out_original.csv",a));
// 拟合数据（红色）
a=0;for(x=1,9000000,a=a+1-ceil(5*log(x)/log(4/3))%3;write("out_fit.csv",a));

Python 绘图代码（Anaconda环境）

import pandas as pd

// 绘制单图
pldata = pd.read_csv('out.csv')
pldata.plot(figsize=(40,20),grid=True)

// 绘制对比图（原始vs拟合）
df_original = pd.read_csv('out_original.csv')
df_fit = pd.read_csv('out_fit.csv')
combined_df = pd.DataFrame({'Original (Blue)': df_original.iloc[:,0], 'Fit (Red)': df_fit.iloc[:,0]})
combined_df.plot(figsize=(40,20),grid=True)