Rovnoměrné rozložení torických paketů prvočíselného stupně s libovolným lokálním typem

Nový matematický rukopis popisuje, kdy se aritmeticky vytvořené rodiny mřížek rozprostřou po celém prostoru mřížek rovnoměrně. Výsledek platí v každé pevně zvolené prvočíselné dimenzi alespoň pět a připouští i komplikovaná lokální omezení. Právě ta bývají místem, kde jednoduchá geometrická představa přestává stačit.

Za nejdůležitější detail považuji slovo úplné. Tvrzení se netýká jedné vybrané dráhy mřížky, ale celého aritmeticky sestaveného paketu drah. Teprve jejich správně vážený průměr má při rostoucím diskriminantu směřovat k přirozenému rovnoměrnému rozdělení, tedy k Haarově pravděpodobnostní míře.

Zpráva je zajímavá také tím, co nemusí zjednodušovat. Číselné těleso může zůstávat stejné, řád nemusí být maximální a použité moduly nemusí být invertibilní. Důkazová strategie tato omezení neodstraňuje. Převádí je na lokální pravděpodobnosti, které pak vstupují do přesného počítání ideálů.

Podrobnosti obsahuje matematický preprint. Zde rozebírám jeho hlavní tvrzení a logiku argumentu. Rozlišuji přitom mezi názorným výpočtem, výsledky převzatými z hlubší teorie a kroky, jejichž úplné ověření vyžaduje práci s rukopisem.

Obsah

• 📐 Prostor, jehož body jsou samy mřížkami
• 🔢 Jak číselné těleso vytvoří kompaktní dráhu
• 📦 Paket není libovolný seznam drah
• ⚖️ Co přesně znamená rovnoměrné rozložení
• 📈 Diskriminant určuje směr k limitě
• 🧩 Lokální omezení se nezahazují, ale váží
• 🧮 Proč mají lokální pravděpodobnosti správnou normalizaci
• 🎲 Pět složek modulo tři: malý výpočet s velkým významem
• 🔬 Od přesné identity k rovnoměrným odhadům
• 🏔️ Krátké vektory a nebezpečí úniku do cípu
• 🔍 Malé koule odhalují, jak může vypadat limita
• ⏱️ Jeden zbývající faktor vede ke kladné entropii
• 🛡️ Proč nestačí kladná entropie celého průměru
• 🔒 Rigidita nechává jako limitu Haarovu míru

📐 Prostor, jehož body jsou samy mřížkami

Mřížku si představuji jako nekonečnou pravidelnou síť bodů. Ve dvou rozměrech připomíná čtverečkovaný papír, ale obecně může mít šikmé základní směry a žít v mnohem vyšší dimenzi. Její základní buňka má určitý objem. V tomto problému je objem vždy normalizovaný na jedna.

Jedním směrem lze mřížku natáhnout a jiným ji stlačit. Když se změny přesně vyrovnají, objem základní buňky zůstane stejný. Mřížka už ovšem nemá stejný tvar. Takovou změnu chápu jako pohyb v prostoru, jehož jednotlivými body nejsou obyčejné souřadnice, ale celé mřížky.

Matematickým prostředím je prostor unimodulárních mřížek, běžně zapisovaný jako SL_n(ℝ) / SL_n(ℤ). Pro základní orientaci stačí vědět, že zahrnuje všechny mřížky objemu jedna a ztotožňuje různé volby báze téže mřížky. Obecné pozadí pojmu nabízí také přehled matematických mřížek.

Zkoumané změny tvaru tvoří skupinu kladných diagonálních matic s determinantem jedna. Označuje se A. Její diagonální koeficienty mohou jednotlivé souřadnice násobit různými čísly, jejich součin ale musí být jedna.

V dimenzi n tak zbývá n − 1 nezávislých parametrů. Jakmile zvolím prvních n − 1 koeficientů, poslední je určen podmínkou na součin. Tato jednoduchá početní poznámka se později vrátí v klíčové části důkazu: při porovnávání rozměru diagonálního pohybu s odhadem hmotnosti malých koulí.

🔢 Jak číselné těleso vytvoří kompaktní dráhu

Aritmetická konstrukce začíná totálně reálným číselným tělesem K stupně n. „Totálně reálné“ znamená, že všech jeho n vnoření do komplexních čísel má ve skutečnosti hodnoty v reálných číslech. Každé vnoření tak poskytuje jednu reálnou souřadnici.

V tělese zvolím plnou mřížku M a na každý její prvek současně aplikuji všechna tato vnoření. Dostanu mřížku v ℝⁿ. Nakonec ji přepočítám na objem jedna, aby patřila do společného prostoru, v němž se porovnávají všechny ostatní mřížky.

Diagonální skupina A pak tuto mřížku natahuje a stlačuje. U takto aritmeticky vytvořených mřížek vznikají kompaktní dráhy. Slovo „kompaktní“ je zde důležité: daná dráha sama neutíká do stále extrémnějších tvarů bez možnosti návratu do omezené oblasti prostoru.

Snadno by se nabízela otázka, zda se každá taková dráha při růstu aritmetické složitosti rovnoměrně rozloží. To ale není tvrzení popisovaného výsledku. Jednotkou, kterou rukopis studuje, je paket více drah, nikoli libovolně vybraná jednotlivá dráha.

Rozdíl si hlídám od začátku. Kompaktnost každé jednotlivé rodiny ještě neurčuje, jak se budou chovat celé posloupnosti těchto rodin. A rovnoměrné rozložení průměru několika objektů neznamená, že se každý z nich samostatně chová stejně. Výsledek využívá právě úplnost aritmetického souboru a přesný způsob jeho průměrování.

📦 Paket není libovolný seznam drah

Paket se sestavuje podle globálních a lokálních podmínek. Výchozí mřížka M určí lokální typ a do paketu patří všechny globální třídy po násobení prvkem tělesa, které mají tentýž lokální typ u každého racionálního prvočísla.

Lokální kontrola znamená, že se problém zkoumá v příslušném dokončení u daného prvočísla. Namísto jediné globální aritmetické struktury tak postupně posuzuji její chování z pohledu dělitelnosti jednotlivými prvočísly. Dvě mřížky mají stejný lokální typ, pokud jsou v tomto prostředí odpovídajícím způsobem ekvivalentní po násobení.

Konstrukce navíc zahrnuje předepsané změny znamének s determinantem jedna. Počítají se pouze odlišné dráhy. Tím se předchází tomu, aby různé popisy stejného geometrického objektu uměle zvyšovaly jeho zastoupení.

Důležitá jemnost: stejný multiplikátorový řád ještě neznamená stejný paket. Řád vystihuje část aritmetické informace, ale neurčuje všechny lokální vlastnosti modulu. Dvě mřížky proto mohou sdílet tento řád a přesto náležet do různých paketů.

Za užitečné považuji chápat paket jako úplnou kolekci odpovídající přesně stanovenému aritmetickému zadání. Není to vzorek vybraný podle pohodlí ani soubor, z něhož lze některé obtížné případy odstranit. Úplnost umožňuje převést geometrický průměr na přesný početní výraz. Pokud bych část drah vynechal, rozhodující identita by už nemusela platit v potřebné podobě.

⚖️ Co přesně znamená rovnoměrné rozložení

Každá kompaktní dráha nese vlastní invariantní pravděpodobnostní míru. Ta popisuje přirozené rozdělení uvnitř této dráhy. Při sestavování míry celého paketu však jednotlivé dráhy nedostávají automaticky stejnou váhu.

Jejich invariantní pravděpodobnosti se průměrují s vahami odpovídajícími objemům drah. Po normalizaci vznikne pravděpodobnostní míra paketu. Z praktického hlediska jde o zásadní rozlišení: prostý průměr „jedna dráha, jeden hlas“ není tím objektem, o němž věta mluví.

Rovnoměrné rozložení, neboli ekvidistribuce, znamená, že tyto paketové míry v limitě konvergují k Haarově pravděpodobnostní míře na celém prostoru mřížek. Haarova míra je přirozené invariantní rozdělení tohoto prostoru. Nejde o rovnoměrnost podle nějakého libovolně nakresleného obrázku nebo zvolených souřadnic.

Slabou konvergenci si vysvětluji přes měření pomocí testovacích funkcí: průměr vhodné spojité funkce přes paket se má přiblížit jejímu průměru vůči Haarově míře. Taková formulace umožňuje porovnávat rozdělení, i když každý jednotlivý paket zůstává soustředěný na svých speciálních drahách.

Výsledek tedy neříká, že se konečný paket doslova promění v celý prostor. Říká, že při rostoucí aritmetické složitosti začne jeho vážené rozdělení odpovídat přirozenému rozdělení prostoru. To je přesný význam zprávy, že se aritmeticky vybrané rodiny mřížek nakonec rozprostřou rovnoměrně.

📈 Diskriminant určuje směr k limitě

Parametrem růstu je diskriminant multiplikátorového řádu mřížky M. Tento řád tvoří prvky tělesa K, které při násobení posílají M opět do M. Zachycuje tedy aritmetické operace slučitelné s danou mřížkou.

Označím-li plný okruh celých čísel tělesa jako R a multiplikátorový řád jako O, jeho diskriminant souvisí s diskriminantem tělesa jednoduchým vztahem:

disc(O) = disc(K) · [R : O]².

Zde [R : O] vyjadřuje index řádu O v maximálním řádu R. Diskriminant tedy může růst dvěma odlišnými cestami. Může se měnit samotné číselné těleso, anebo může těleso zůstat pevné a zvětšovat se index zvoleného řádu.

Právě druhou možnost bych nerad přehlédl. Výsledek není omezený na situaci, v níž hledám stále nová tělesa s větším diskriminantem. Připouští i rostoucí složitost řádů uvnitř jednoho pevného tělesa.

Formulace věty drží dimenzi n pevnou a požaduje, aby byla prvočíslem alespoň pět. Při růstu diskriminantu multiplikátorového řádu pak paketové pravděpodobnosti konvergují k Haarově míře. Nejde o společnou limitu, v níž by současně bez omezení rostla i dimenze.

Rukopis přitom dovoluje nemaximální řády i libovolné lokální typy modulů, včetně neinvertibilních. Právě tato šíře je podstatou tvrzení: závěr není vyhrazený jen aritmeticky nejpohodlnější třídě mřížek.

🧩 Lokální omezení se nezahazují, ale váží

První velký krok důkazové strategie je aritmetický. Mřížka M se rozšíří násobením plným okruhem celých čísel R. Index mezi tímto rozšířením a původní mřížkou se označuje q. Vyjadřuje, jak velký rozdíl mezi oběma objekty je potřeba zohlednit.

Po lokální normalizaci se pracuje s modulem L uvnitř příslušného lokálního okruhu. Jeho okruhový obal je celý tento okruh, samotný modul ale může nadále splňovat netriviální podmínky. Nemusí se chovat jako ideál maximálního řádu.

Snadná, ale chybná zkratka by byla tuto odlišnost ignorovat a počítat pouze ideály. Rukopis místo toho zavádí přesnou korekci. Pro daný vektor se ptá: jaká je pravděpodobnost, že po násobení náhodnou lokální jednotkou skončí uvnitř L?

Tuto pravděpodobnost označuje p. Závisí jen na valuacích jednotlivých složek vektoru, tedy na jejich míře dělitelnosti lokálními prvočísly. Jednotky tuto míru dělitelnosti nemění, ale umožňují pohyb mezi prvky stejného příslušného typu.

Pravděpodobnosti p pak fungují jako váhy v přesném vzorci pro počítání ideálů. Počítají se ideály maximálního řádu, avšak zachovává se informace o tom, zda odpovídající prvky vyhovují původním modulovým omezením.

V tom vidím hlavní organizační nápad argumentu. Složitý lokální modul se nepředstírá jako jednodušší objekt. Jeho odlišnost se přenese do váhy, s níž může analytická část důkazu dál pracovat.

🧮 Proč mají lokální pravděpodobnosti správnou normalizaci

Aby vážené počítání fungovalo, musí mít lokální pravděpodobnosti přesně správnou celkovou velikost. Nestačí, že vypadají rozumně nebo přibližně odpovídají podmínkám modulu. Potřebná normalizace je rovnost.

Aditivní objem lokálního okruhu se nastaví na jedna. Má-li L index q, jeho objem je 1/q. Okruh se potom rozdělí na vrstvy, v nichž mají jednotlivé složky pevně dané valuace.

Uvnitř takové vrstvy působí násobení jednotkami tranzitivně. Pro potřeby výpočtu to znamená, že pravděpodobnost p je právě podílem vrstvy, který leží v L. Součin objemu vrstvy a p je tedy objemem její části obsažené v modulu.

Po sečtení přes všechny vrstvy musí vyjít objem celého L, tedy 1/q. Množiny s nulovou souřadnicí mají v tomto aditivním měření objem nula, takže součet nenarušují.

Tento krok chápu jako kontrolu účetnictví celého mechanismu. Žádná lokální podmínka se nesmí ztratit a žádná část modulu se nesmí započítat dvakrát. Přesné rozdělení do vrstev umožňuje ověřit obojí současně.

Normalizace navíc nic neříká o nezávislosti souřadnic. Modul může jejich hodnoty navzájem svazovat. Pravděpodobnost p pak zachycuje právě tuto vazbu. Následující konečný příklad ukazuje, proč je taková obecnost skutečně potřeba a proč by součin samostatných pravděpodobností nestačil.

🎲 Pět složek modulo tři: malý výpočet s velkým významem

Konkrétní ukázka pracuje s rozštěpenou lokální algebrou o pěti složkách u prvočísla tři. Podmínka modulu je jednoduchá: první dvě souřadnice se musejí shodovat modulo tři. Další tři souřadnice zůstávají bez omezení.

První dvě souřadnice mají dohromady devět možných dvojic zbytků. Shodu splňují tři: obě jsou nula, obě jedna nebo obě dvě. Modul proto má index tři a jeho normalizovaný objem je jedna třetina.

Při násobení náhodnými lokálními jednotkami rozlišuji tři případy:

• Oba zbytky jsou nenulové: tato oblast má podíl 4/9 a pravděpodobnost splnění shody po jednotkovém násobení je 1/2.
• Oba zbytky jsou nulové: oblast má podíl 1/9 a podmínka je splněna vždy.
• Jeden zbytek je nulový a druhý nenulový: podmínku nelze jednotkovým násobením splnit, takže příspěvek je nulový.

Celková pravděpodobnost proto vychází přesně:

(4/9) · (1/2) + 1/9 = 1/3.

Výsledek souhlasí s převrácenou hodnotou indexu. To je požadovaná normalizace v konečné, snadno zkontrolovatelné podobě.

Na příkladu oceňuji hlavně to, že otevřeně pracuje s korelací. První dvě souřadnice nejsou v podmínce modulu nezávislé: musejí se shodovat. Přesto je mechanismus pravděpodobnostních vah dokáže zachytit bez jakéhokoli předpokladu nezávislosti.

Současně je potřeba udržet správné měřítko významu. Tento výpočet ověřuje lokální normalizaci. Není simulací ani důkazem globální ekvidistribuce. K té vedou další početní, analytické a dynamické kroky.

🔬 Od přesné identity k rovnoměrným odhadům

Normalizace říká, že váhy mají správný celkový součet. Sama ale nezaručuje, že se tento součet nerozloží nepříjemně mezi velmi velké příspěvky. Analytická část proto potřebuje víc než pouhou rovnost objemů.

Rukopis odhaduje malý kladný moment lokální dělitelnosti, a to rovnoměrně přes povolené moduly. Prakticky řečeno: nejenže kontroluje celkovou váhu, ale také omezuje, kolik jí může být spojeno s velkými hodnotami lokální normy.

Z takového momentového odhadu plyne mocninně klesající horní mez pro příspěvky z velkých lokálních norem. To umožňuje udržet pod kontrolou část počtu, kterou by prostá normalizace sama neomezila.

Při odhadování vážených počtů ideálů se zároveň zachovává reziduum Dedekindovy zeta funkce. Lokální normalizační faktory se ruší s odpovídajícími faktory odstraněnými z Eulerova součinu. Jde o další místo, kde musí aritmetické a analytické účetnictví přesně souhlasit.

Technická argumentace využívá Starkův výsledek o výjimečné nule a rovnoměrnou podobu Shiuovy věty. Tyto nástroje nejsou pouhou doplňkovou poznámkou: patří k prostředkům, které z přesné početní formule vytvářejí odhady použitelné v limitě.

Úplné odvození těchto odhadů zde nepředkládám. Pro porozumění hlavnímu výsledku je podstatná jejich role: zajistit kontrolu, která se nerozpadne při změně lokálního modulu ani při růstu diskriminantu. Bez této rovnoměrnosti by obecnost tvrzení o libovolném lokálním typu zůstala jen formální.

🏔️ Krátké vektory a nebezpečí úniku do cípu

Prostor mřížek objemu jedna není kompaktní. Mřížka může mít stále kratší nenulový vektor, zatímco se v jiných směrech natáhne, aby zachovala objem. Takové extrémní tvary míří do oblasti označované jako cíp.

Tady vzniká první velké riziko pro limitní argument. I když má každá paketová míra celkovou hmotnost jedna, její hmotnost by se mohla postupně přesouvat mimo každou pevnou kompaktní oblast. Limit by pak nemusel být pravděpodobnostní mírou na celém prostoru.

Výsledný odhad počtu vektorů omezuje pravděpodobnost výskytu neobvykle krátkého vektoru. V limitě velkého diskriminantu je tato pravděpodobnost shora omezená konstantou krát práh délky na n-tou:

Pravděpodobnost velmi krátkého vektoru ≤ C · εⁿ.

Čím menší práh ε zvolím, tím menší je horní mez. Nejde tedy jen o tvrzení, že určité krátké vektory nejsou příliš časté. Odhad dovoluje jejich celkovou pravděpodobnost stlačit libovolně nízko.

Mahlerovo kritérium kompaktnosti převádí tuto kontrolu na těsnost rodiny měr. Pro mřížky pevného objemu spojuje kompaktnost s vyloučením libovolně krátkých nenulových vektorů.

První zásadní závěr tak zní: žádná pravděpodobnostní hmota neuniká do cípu. Ještě to neurčuje, která míra bude výslednou limitou. Zajišťuje to však, že limitní rozdělení má zachovanou celkovou hmotnost a lze ho dál zkoumat dynamickými metodami.

🔍 Malé koule odhalují, jak může vypadat limita

Po zabránění úniku hmoty se pozornost přesouvá k libovolné slabé limitě paketových měr. Druhý početní odhad omezuje hmotnost dostatečně malé obyčejné koule o poloměru r:

Hmotnost koule ≤ C · rⁿ.

Konstanta je rovnoměrná pro středy ležící v každé pevné kompaktní oblasti. Toto omezení je důležité právě proto, že prostor jako celek kompaktní není. Odhad se formuluje tam, kde lze držet geometrii pod společnou kontrolou.

Na první pohled může vypadat jako další technický vzorec. Ve skutečnosti říká, že limitní míra nemůže ukládat příliš mnoho hmotnosti do velmi malých okolí. Poskytuje měřítko toho, jak silně se smí koncentrovat.

Rozhodující je exponent n. Diagonální skupina A má jen n − 1 nezávislých směrů. Právě rozdíl mezi těmito dvěma čísly umožní získat dodatečný faktor, který v dynamickém argumentu klesá k nule.

Nezaměňuji přitom exponent n za tvrzení o dimenzi celého prostoru mřížek. Jde o konkrétní odhad hmotnosti malých koulí, který vstupuje do dalšího kroku. Jeho síla se projeví až v kombinaci s počtem koulí potřebných k pokrytí vhodného dynamického okolí.

Tak se aritmetické počítání začíná měnit v informaci o dynamické složitosti. Nestačí už vědět, že limita existuje. Potřebuji vyloučit, že se soustředí na příliš jednoduché invariantní části prostoru.

⏱️ Jeden zbývající faktor vede ke kladné entropii

Pro přechod k dynamice se volí diagonální tok, jehož exponenty jsou navzájem různé a jejich součet je nula. Podmínka součtu zachovává determinant jedna. Rozdílnost exponentů zajišťuje požadovaný typ diagonálního pohybu.

Argument sleduje oboustranné dynamické okolí: množinu bodů, jejichž dráhy zůstávají blízko dané dráhy v příslušném časovém úseku dopředu i dozadu. Takové okolí lze pokrýt nejvýše konstantou krát r⁻⁽ⁿ⁻¹⁾ malých koulí.

Každá z těchto koulí má podle předchozího odhadu hmotnost nejvýše C · rⁿ. Po vynásobení počtu koulí jejich maximální hmotností zůstane:

r⁻⁽ⁿ⁻¹⁾ · rⁿ = r.

Právě tento jediný zbývající faktor je podstatný. Poloměr r v dynamickém argumentu klesá exponenciálně s časem. Stejně tak tedy klesá horní odhad hmotnosti odpovídajícího dynamického okolí.

Zavedené entropické kritérium převádí takový pokles na kladnou entropii. Entropii zde chápu jako přesný matematický ukazatel dynamické složitosti, nikoli jako volné synonymum nepořádku. Míra s kladnou entropií nemůže být z hlediska daného toku příliš jednoduchá.

Tento krok neodvozuji jen z názorného násobení mocnin. Samotné pokrytí dynamického okolí i použití entropického kritéria vyžadují technické argumenty. Výpočet ale jasně ukazuje jejich logiku: odhad s exponentem n je dost silný, aby po zaplacení n − 1 diagonálních směrů ještě něco zbylo.

🛡️ Proč nestačí kladná entropie celého průměru

Limitní invariantní míra se může rozkládat na ergodické složky. Ty představují části, které jsou z hlediska daného skupinového působení nerozložitelné. Celkový průměr přitom může skrývat složky s odlišným chováním.

Proto by nestačilo zjistit pouze to, že celá limitní míra má kladnou entropii. Takové tvrzení by samo nevyloučilo kladně váženou kolekci složek s nulovou entropií. Dynamická složitost jedné části by mohla zakrýt jednoduchost jiné.

Rukopis získává silnější kontrolu. Argument platí pro každou invariantní pravděpodobnostní míru, která je dominována konečným násobkem limitní míry. Pokud limitu označím μ, jde o invariantní pravděpodobnosti ν splňující ν ≤ Cμ pro nějakou konečnou konstantu C.

Taková míra nemůže nést hmotnost tam, kde μ žádnou nemá, a ani její váha nemůže vůči μ neomezeně narůstat. Podmínka umožňuje zkoumat normalizované invariantní části původního rozdělení, nejen celé rozdělení najednou.

Tím se vylučuje skrytá kladně vážená část s nulovou entropií. Pokud by existovala, bylo by možné na ni zaměřit právě tento silnější argument.

Za klíčové považuji, že výsledkem není pouze jedna dobrá statistika celku. Potřebná dynamická složitost se prosazuje v téměř každé relevantní ergodické složce. Teprve takto připravený závěr může vstoupit do klasifikace invariantních měr a určit výslednou limitu jednoznačně.

🔒 Rigidita nechává jako limitu Haarovu míru

Poslední krok využívá klasifikaci měr v prvočíselném stupni. V kombinaci s předchozí kontrolou entropie identifikuje téměř každou ergodickou složku limitní míry jako Haarovu míru. Celá limita pak musí být Haarovou pravděpodobnostní mírou.

Tady se ukazuje, proč nelze omezení na prvočíselné dimenze bez dalšího vyškrtnout. Prvočíselný stupeň patří do podmínek klasifikačního nástroje, na němž závěr stojí. Rukopis v této formulaci netvrdí rozšíření na složené stupně.

Celý důkazový řetězec si skládám do následujícího přehledu:

1. Úplný aritmetický paket poskytne přesný vážený početní vzorec.
2. Lokální pravděpodobnosti uchovají omezení původních modulů.
3. Rovnoměrné analytické odhady kontrolují příspěvky do počtu.
4. Odhad krátkých vektorů zabrání úniku pravděpodobnostní hmoty.
5. Odhad malých koulí vynutí potřebnou dynamickou složitost.
6. Silnější entropický argument vyloučí kladně vážené nulové složky.
7. Klasifikace invariantních měr určí Haarovu míru jako jedinou možnou limitu.

Základní přínos je tedy přesný, nikoli bezbřehý. Úplné pakety libovolně předepsaného lokálního typu se rovnoměrně rozloží při růstu diskriminantu svého multiplikátorového řádu, pokud je pevná dimenze prvočíslem alespoň pět.

Rukopis neudává rychlost konvergence, nezaručuje rovnoměrné rozložení zvolené jednotlivé dráhy a zde nepokrývá složené dimenze. Lokální příklad potvrzuje normalizační mechanismus, ale nenahrazuje globální důkaz. Stejně tak srozumitelný přehled argumentu není samostatným formálním ověřením všech jeho technických částí.

Za nejsilnější myšlenku výsledku považuji způsob práce s komplikacemi: lokální omezení není nutné odstranit, aby se objevila globální rovnoměrnost. Je nutné je přesně započítat. Právě spojení aritmetických vah, analytické kontroly a dynamické rigidity umožňuje dojít od velmi specifických modulů k jedinému přirozenému rozdělení celého prostoru.