Вам вот тут
«Вероятностное доказательство» объясняли то же самое - что вероятность притягивается там, где не используется. Какая может быть вероятность в детерминированных случаях? Вы согласились. Или забыли?
Ну вот, объясняю еще раз.
Спасибо, что Вы помянули эту тему. Я ее прекрасно помню. Там было одно очень хорошее сообщение, которое поясняет вероятностный подход к изучению арифметических функций. Вообще это достаточно новый подход. Он сформировался окончательно в середине прошлого века с доказательством теоремы Эрдеша-Каца о нормальном распределении арифметической функции количества простых делителей натурального числа.
https://ru.wikipedia.org/wiki/%D0%A2%D0 ... 1%86%D0%B0 Это сообщение было как раз об этой теореме.
Теорему можно сформулировать на языке теории вероятностей. Доказательство её использует результат из теории вероятностей (теорему Леви о непрерывном соответствии между функциями распределения и характеристическими функциями случайных величин, или метод характеристических функций).
Любой начальный отрезок натурального ряда

можно естественным образом превратить в вероятностное пространство

, взяв

,

— все подмножества

,

. Тогда произвольную (вещественно- или даже комплекснозначную) функцию

натурального аргумента (а точнее, её ограничение на

) можно рассматривать как случайную величину

на этом вероятностном пространстве:

,

. В частности, можно говорить о мат. ожидании

и дисперсии

, а для вещественной

— о функции распределения

и характеристической функции

.
Таким образом, каждой арифметической функции

можно сопоставить последовательность случайных величин

(живущих на разных вероятностных пространствах). Если взять

(в статье рассуждения проводятся для

), то несложно, например, показать, что

, то есть

С дисперсией посложнее, но нетрудно доказать, что

. Применяя неравенство Чебышёва из теории вероятностей, отсюда легко получить теорему Харди–Рамануджана:

Чтобы изучать предельное распределение, удобно использовать стандартный трюк (как в центральной предельной теореме). Если с.в.

имеет нормальное распределение с мат. ожиданием

и дисперсией

, то случайная величина

имеет стандартное нормальное распределение (и наоборот). Поэтому вместо последовательности с.в.

удобно рассмотреть «отнормированную» последовательность с.в.

, то есть

(Вместо точных значений мат. ожидания и дисперсии используются приближения.) Полученная последовательность отличается от той, которая приведена в Википедии, но она лучше соответствует вероятностному смыслу теоремы (и в статье рассматривается именно она), а формулировку из Википедии можно получить из тех соображений, что

очень медленно меняется, так что

и

— это «почти одно и то же» для «почти всех»

.
Так вот, теорема Эрдёша–Каца утверждает, что последовательность

слабо сходится к стандартному нормальному распределению, то есть для любого

выполнено

Согласно теореме Леви, это равносильно (поточечной) сходимости для характеристических функций, то есть для произвольного

верно

Последнее предельное соотношение и доказывается в статье (вместе с оценкой скорости сходимости, откуда с помощью неравенства Эссеена получается скорость сходимости в теореме Эрдёша–Каца).
В предельных равенствах
![\[\begin{gathered}
\lim_{n\to\infty}\frac{1}{n}\left\lvert\left\{k\leqslant n:\frac{\omega(k)-\ln\ln n}{\sqrt{\ln\ln n}}\leqslant x\right\}\right\rvert=\Phi(x),\quad x\in\mathbb{R},\\
\lim_{n\to\infty}\frac{1}{n}\sum_{k=1}^{n}\exp\left(\mathrm{i}t\frac{\omega(k)-\ln\ln n}{\sqrt{\ln\ln n}}\right)=\mathrm{e}^{-t^{2}/2},\quad t\in\mathbb{R},
\end{gathered}\] \[\begin{gathered}
\lim_{n\to\infty}\frac{1}{n}\left\lvert\left\{k\leqslant n:\frac{\omega(k)-\ln\ln n}{\sqrt{\ln\ln n}}\leqslant x\right\}\right\rvert=\Phi(x),\quad x\in\mathbb{R},\\
\lim_{n\to\infty}\frac{1}{n}\sum_{k=1}^{n}\exp\left(\mathrm{i}t\frac{\omega(k)-\ln\ln n}{\sqrt{\ln\ln n}}\right)=\mathrm{e}^{-t^{2}/2},\quad t\in\mathbb{R},
\end{gathered}\]](https://dxdy-03.korotkov.co.uk/f/a/0/9/a099372d927b27447a10bf44421da6c282.png)
Как видите здесь то же вероятностное пространство, что у меня в теме. Обратите внимание на фразу, что произвольную арифметическую функцию (детерминированный объект) можно рассматривать, как случайную величину (стохастический объект). Конечно возникает вопрос, в каком смысле рассматривать?
Далее дается ответ - в смысле создания последовательности случайных величин, у которых значения равны значениям арифметической функции. Поэтому можно говорить о математическом ожидании, дисперсии, функции распределения данной последовательности случайных величин и о предельной функции распределения для последовательности случайных величин.
Именно в этом смысле говорится о предельной функции распределении арифметической функции количества простых делителей натурального числа в теореме Эрдеша-Каца (в данном случае о нормальном распределении), в указанной мною ссылке. Именно в этом смысле я говорю о предельной функции распределения сумматорных арифметических функций Мертенса, Лиувилля и.т.д. у себя в теме.
Для нахождения предельной функции распределения количества простых делителей натурального числа в теореме Эрдеша-Каца, как и во множестве других приложений, используется метод характеристических функций, основанный на теореме Леви о непрерывном соответствии функции распределения и характеристической функции случайной величины. Метод характеристических функций используется и в моей теме для нахождения предельной функции распределения сумматорных арифметических функций.
Утверждения 1 - 4 носят вспомогательный характер. Утверждение 5 является основной теоремой, где используется метод характеристических функций. В данных утверждениях, грубо говоря, доказывается, что при условии асимптотической независимости, ограниченности и определенной степени "измельченности" слагаемых арифметических функций, сумматорная арифметическая функция имеет предельным нормальное распределение. Сравните для примера с центральной предельной теоремой для независимых, одинаково распределенных случайных величин, которая также доказывается методом характеристических функций.