A remark on comparison of the sum and the maximum of positive random variables

Dieses widerlegt eine Vermutung von Arnold und Villasenor bezüglich des Vergleichs von Summe und Maximum unabhängiger, identisch verteilter halbnormierter Zufallsvariablen.

Das Wesentliche

Der große Streit: Summe gegen Maximum

Eine Geschichte über Zufall, Zahlen und einen falschen Verdacht

Stellen Sie sich vor, Sie haben eine Gruppe von Freunden, die alle zufällig unterschiedlich groß sind. In der Welt der Mathematik nennen wir diese zufälligen Größen „Zufallsvariablen". In diesem speziellen Fall sind unsere Freunde „halbnormale" Zufallsgrößen – das ist eine spezielle Art von Verteilung, bei der Werte nur positiv sein können (wie die Körpergröße oder die Wartezeit an einer Ampel), aber nicht negativ.

1. Das alte Rätsel (Was Arnold und Villasenor dachten)

Vor kurzem haben zwei Mathematiker, Arnold und Villasenor, eine spannende Entdeckung gemacht. Sie stellten fest: Wenn Sie zwei dieser Freunde nehmen, dann ist die Summe ihrer Größen (wer ist zusammen wie groß?) fast genauso verteilt wie das Maximum (wer ist der größte?) multipliziert mit einer bestimmten Zahl.

Das war so überraschend, dass sie sich fragten: „Gilt das auch, wenn wir drei, vier oder noch mehr Freunde haben?"

Sie stellten eine Vermutung auf:

„Wenn wir $n$ Freunde haben, dann ist die Summe aller ihrer Größen immer gleich dem größten unter ihnen, multipliziert mit einer speziellen Zahl ($n!$ hoch $1/n$)."

Das klingt fast wie ein magisches Gesetz der Natur. Wenn es stimmt, wäre die Welt der Wahrscheinlichkeiten viel einfacher zu berechnen.

2. Die neue Entdeckung (Okamura sagt: „Stopp!")

Kazuki Okamura, der Autor dieses Papiers, hat sich diese Vermutung genauer angesehen und sagt: „Nein, das stimmt leider nicht."

Er hat bewiesen, dass diese magische Gleichung nur für zwei Freunde funktioniert. Sobald man drei oder mehr Freunde zusammenbringt, bricht das Gesetz zusammen. Die Summe und das Maximum verhalten sich dann völlig unterschiedlich, egal wie man die Zahlen dreht und wendet.

3. Wie hat er das bewiesen? (Die Detektivarbeit)

Okamura hat nicht einfach nur gerechnet; er hat wie ein Detektiv zwei verschiedene Szenarien untersucht, um den Verdächtigen (die Vermutung) zu überführen.

Szenario A: Die winzigen Werte (Nahe Null)
Stellen Sie sich vor, alle Freunde sind gerade erst geboren und extrem klein (nahe Null).

• Okamura zeigt: Wenn die Summe und das Maximum wirklich gleich verteilt wären, müssten sie sich in diesem winzigen Bereich exakt gleich verhalten.
• Durch eine geschickte Rechnung (eine Art „Zauberspiegel", der die Werte umformt) findet er heraus: „Okay, wenn sie gleich wären, müsste die Multiplikationszahl genau $(n!)^{1/n}$ sein."
• Das war der erste Schritt, um die Bedingungen einzugrenzen.

Szenario B: Die riesigen Werte (Der Himmel)
Jetzt stellt er sich vor, einer der Freunde ist ein Riese (sehr große Werte).

• Fall 1: Die Freunde sind „normal" (wie eine Glockenkurve).
  Okamura schaut, wie wahrscheinlich es ist, dass die Summe riesig wird im Vergleich dazu, dass der einzelne Riese riesig wird. Er findet heraus: Bei drei oder mehr Freunden wird die Summe viel „langsamer" riesig als das Maximum. Die Wahrscheinlichkeiten passen nicht zusammen. Es ist, als würde man versuchen, einen Elefanten und eine Maus mit derselben Waage zu wiegen – die Waage kippt in eine Richtung.
• Fall 2: Die Freunde sind „extrem" (sehr seltene Riesen).
  Hier nutzt er ein Konzept namens „subexponentielle Verteilung". Das ist wie eine Gruppe, in der ein einziger Riese die gesamte Summe dominiert. Wenn einer riesig ist, ist die Summe fast genauso groß wie dieser eine Riese.
  Okamura zeigt: Wenn die Vermutung stimmen würde, müssten die Wahrscheinlichkeiten für das Maximum und die Summe im Unendlichen identisch sein. Aber die Mathematik zeigt: Sie verhalten sich unterschiedlich. Ein Widerspruch!

4. Ein spezieller Fall für n=3 (Der Beweis mit Pi)

Für den Fall von genau drei Freunden ($n=3$) hat Okamura einen besonders cleveren Trick angewendet.
Er hat berechnet, wie groß die „durchschnittliche quadratische Größe" (eine Art Maß für die Variabilität) der Summe und des Maximums ist.

• Wenn die Vermutung stimmen würde, müsste eine bestimmte Gleichung aufgehen, die $\pi$ (die Kreiszahl) enthält.
• Das Ergebnis dieser Gleichung würde bedeuten, dass $\pi$ eine „algebraische" Zahl ist (eine Zahl, die man mit Wurzeln und Brüchen genau beschreiben kann).
• Aber wir wissen seit langem, dass $\pi$ eine transzendente Zahl ist (sie lässt sich nicht so einfach beschreiben).
• Fazit: Da $\pi$ nicht sein kann, was die Gleichung verlangt, kann die ursprüngliche Vermutung nicht stimmen.

5. Was bedeutet das für uns?

Okamura hat gezeigt, dass die Mathematik manchmal überraschend ist. Was für zwei Dinge funktioniert, funktioniert nicht unbedingt für drei oder mehr.

• Die Lektion: Man kann nicht einfach annehmen, dass ein Muster, das bei kleinen Gruppen funktioniert, auch bei großen Gruppen gilt.
• Die Analogie: Es ist wie beim Backen. Wenn Sie zwei Eier in den Teig geben, schmeckt der Kuchen toll. Wenn Sie denken, dass drei Eier das Ergebnis einfach nur „ein bisschen besser" machen (nach einem festen Rezept), irren Sie sich. Bei drei Eiern wird der Teig vielleicht flüssig oder der Geschmack verändert sich komplett.

Zusammenfassend:
Dieses Papier ist ein „Fingerzeig" an die mathematische Gemeinschaft. Es sagt: „Hört auf zu raten, dass Summe und Maximum immer gleich sind. Hier ist der Beweis, warum das für Gruppen ab drei Personen falsch ist." Es ist eine Erinnerung daran, dass in der Welt der Zufallsgroßen die Intuition manchmal täuscht und man genau hinsehen muss.

Technische Zusammenfassung

Titel: Eine Anmerkung zum Vergleich von Summe und Maximum positiver Zufallsvariablen

1. Problemstellung

Das Paper adressiert eine Vermutung (Conjecture), die kürzlich von Arnold und Villasenor in Bezug auf unabhängige und identisch verteilte (i.i.d.) Zufallsvariablen mit einer halb-normalen Verteilung (half-normal distribution) aufgestellt wurde.

• Hintergrund: Für den Fall $n=2$ ist bekannt, dass die Summe $S_2 = X_1 + X_2$ und das Maximum $M_2 = \max\{X_1, X_2\}$ vom gleichen Verteilungstyp sind, spezifisch gilt $S_2 \stackrel{d}{=} \sqrt{2} M_2$.
• Die Vermutung: Arnold und Villasenor vermuteten, dass diese Beziehung für $n \ge 3$ verallgemeinert werden kann. Sie postulierten, dass für $n$ i.i.d. halb-normale Zufallsvariablen gilt:
  $$S_n \stackrel{d}{=} (n!)^{1/n} M_n$$
  wobei $S_n = \sum_{i=1}^n X_i$ und $M_n = \max_{1 \le i \le n} X_i$.
• Ziel des Papers: Okamura widerlegt diese Vermutung für $n \ge 3$ und zeigt, dass eine solche Gleichheit in Verteilung für die halb-normale Verteilung (und eine größere Klasse von verallgemeinerten Gamma-Verteilungen) nicht besteht.

2. Methodik

Der Beweis erfolgt durch Widerspruch (Reductio ad absurdum). Okamura analysiert das asymptotische Verhalten der Verteilungsfunktionen von $S_n$ und $M_n$ in zwei Grenzfällen:

1. Nahe Null ($x \to 0^+$): Hier wird das Verhalten der kumulativen Verteilungsfunktionen $P(S_n \le x)$ und $P(M_n \le x)$ verglichen, um eine notwendige Bedingung für den Skalierungsfaktor $C$ zu ermitteln.
2. Im Unendlichen ($x \to +\infty$): Hier wird das Verhalten der Überlebensfunktionen $P(S_n > x)$ und $P(M_n > x)$ analysiert, um zu prüfen, ob die aus Schritt 1 abgeleitete Skalierung konsistent ist.

Die Analyse wird für eine allgemeine Dichtefunktion der Form $f(x) = c_1 \exp(-c_2 x^\beta)$ für $x \ge 0$ durchgeführt, wobei der Fall der halb-normalen Verteilung durch $\beta=2$ abgedeckt wird.

3. Schlüsselbeiträge und Ergebnisse

A. Bestimmung des Skalierungsfaktors (Lemma 2.1)
Okamura zeigt zunächst, dass falls eine Konstante $C$ existiert, sodass $S_n \stackrel{d}{=} C M_n$ gilt, dann muss diese Konstante zwingend $C = (n!)^{1/n}$ sein.

• Dies wird durch die Analyse der Taylor-Entwicklung der Dichte bei $x=0$ hergeleitet.
• Es gilt: $\lim_{x \to 0} \frac{P(S_n \le x)}{x^n} = \frac{f(0)^n}{n!}$ und $\lim_{x \to 0} \frac{P(M_n \le x)}{x^n} = f(0)^n$.
• Aus der Annahme $S_n \stackrel{d}{=} C M_n$ folgt direkt $C^n = n!$, also $C = (n!)^{1/n}$.

B. Widerlegung im Fall $\beta \ge 1$ (inkl. halb-normal, $\beta=2$)
Für $\beta \ge 1$ (was den halb-normalen Fall einschließt) werden obere und untere Schranken für die Überlebensfunktionen hergeleitet:

• Untere Schranke für $P(M_n > x)$: Zeigt ein Verhalten proportional zu $\exp(-x^\beta)$.
• Obere Schranke für $P(S_n > x)$: Nutzt die Konvexität von $x^\beta$ für $\beta \ge 1$, um zu zeigen, dass $P(S_n > x)$ schneller abfällt als $P(M_n > x)$, wenn man die Skalierung $(n!)^{1/n}$ berücksichtigt.
• Ergebnis: Der Grenzwert des Verhältnisses $\frac{P(M_n > x/(n!)^{1/n})}{P(S_n > x)}$ geht für $x \to \infty$ gegen $\infty$. Dies steht im direkten Widerspruch zur Annahme der Gleichverteilung.

C. Widerlegung im Fall $0 < \beta < 1$
Für diesen Fall wird die Theorie der subexponentiellen Verteilungen herangezogen:

• Es wird gezeigt, dass $X_1$ eine subexponentielle Verteilung besitzt.
• Für subexponentielle Verteilungen gilt bekanntlich: $\lim_{x \to \infty} \frac{P(M_n > x)}{P(S_n > x)} = 1$.
• Kombiniert mit der notwendigen Bedingung $C = (n!)^{1/n}$ und dem asymptotischen Verhalten der halb-normalen Verteilung (bzw. der verallgemeinerten Gamma-Verteilung), ergibt sich ein Widerspruch: Das Verhältnis der Wahrscheinlichkeiten würde gegen 0 gehen, während die Theorie der Subexponentialität einen Grenzwert von 1 verlangt.

D. Spezifischer Beweis für $n=3$ und halb-normale Verteilung (Remark 2.3)
Für den konkreten Fall $n=3$ und $\beta=2$ (halb-normal) liefert Okamura einen alternativen, algebraischen Beweis:

• Berechnung der zweiten Momente:
  • $E[S_3^2] = 3 + \frac{12}{\pi}$
  • $E[M_3^2] = 1 + \frac{2\sqrt{3}}{\pi}$
• Unter der Annahme $S_3 \stackrel{d}{=} 6^{1/3} M_3$ müsste gelten: $E[S_3^2] = 6^{2/3} E[M_3^2]$.
• Dies führt zu einer Gleichung, die impliziert, dass $\pi$ algebraisch über $\mathbb{Q}(\sqrt{3}, 6^{1/3})$ wäre. Da $\pi$ jedoch eine transzendente Zahl ist, ist dies ein Widerspruch.
• Anmerkung: Die numerischen Werte sind zwar sehr nah beieinander ($\approx 3.24$ vs. $\approx 3.30$), aber mathematisch nicht identisch.

4. Signifikanz und Fazit

• Widerlegung einer offenen Vermutung: Das Paper schließt eine Lücke in der Literatur, indem es zeigt, dass die elegante Beziehung zwischen Summe und Maximum, die für $n=2$ bei halb-normalen Verteilungen gilt, sich nicht auf $n \ge 3$ verallgemeinern lässt.
• Verallgemeinerung: Die Ergebnisse gelten nicht nur für die halb-normale Verteilung, sondern für eine ganze Klasse von verallgemeinerten Gamma-Verteilungen, abhängig von den Parametern $n$ und $\beta$.
• Methodische Klarheit: Der Beweis demonstriert die Kraft des Vergleichs von asymptotischem Verhalten an den Rändern des Definitionsbereichs (nahe 0 und im Unendlichen), um Verteilungsgleichheiten zu widerlegen.
• Numerische Täuschung: Der Autor weist darauf hin, dass die Werte für $n=3$ numerisch sehr ähnlich sind, was die ursprüngliche Vermutung plausibel erscheinen ließ, obwohl sie mathematisch falsch ist.

Zusammenfassend liefert Okamura einen rigorosen mathematischen Beweis dafür, dass die Verteilung der Summe von $n \ge 3$ unabhängigen halb-normalen Zufallsvariablen nicht durch eine einfache Skalierung des Maximums dargestellt werden kann.