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

Cet article réfute une conjecture récente d'Arnold et Villasenor concernant la comparaison entre la somme et le maximum de variables aléatoires indépendantes et identiquement distribuées suivant une loi demi-normale.

L'essentiel

🎯 Le Titre : "Somme ou Maximum : Qui gagne la course ?"

Imaginez que vous avez un groupe d'amis, disons $n$ personnes. Chacun d'eux a une "force" ou une "taille" qui varie aléatoirement, mais selon une règle précise (une distribution appelée "demi-normale", un peu comme la taille des gens dans une foule, mais sans les valeurs négatives).

Les mathématiciens Arnold et Villasenor avaient une idée brillante il y a peu de temps :

• Ils ont prouvé que pour 2 amis, la somme de leurs forces est exactement égale (en moyenne statistique) à la plus grande force parmi eux, multipliée par un facteur magique ($\sqrt{2}$).
  • Analogie : Si vous avez deux amis, la somme de leur énergie est comme si vous preniez l'énergie du plus fort des deux et que vous la doubliez d'une manière très spécifique. C'est une coïncidence mathématique parfaite.

Ils ont alors fait une hypothèse (une conjecture) pour le futur :

• "Et si on avait 3 amis, ou 4, ou 10 ?"
• Ils pensaient que la même règle s'appliquait toujours : la somme de tous les amis serait toujours égale à la plus grande force multipliée par un facteur magique qui change selon le nombre de personnes ($\sqrt[n]{n!}$).

🚫 La Révélation de Kazuki Okamura : "Non, ça ne marche pas !"

Kazuki Okamura, l'auteur de ce papier, est venu dire : "Attendez une minute, cette règle s'arrête à 2 personnes. Pour 3 personnes ou plus, c'est faux."

Il a prouvé que l'hypothèse de ses prédécesseurs était incorrecte pour tout groupe de 3 personnes ou plus.

🕵️‍♂️ Comment a-t-il prouvé cela ? (L'enquête en deux temps)

Pour démontrer son point, Okamura a utilisé une méthode de "détection de mensonge" en regardant deux extrémités de la réalité : les très petites valeurs et les très grandes valeurs.

1. Le test des "Petites Choses" (Quand tout est proche de zéro)

Imaginez que vous regardez des amis qui sont presque invisibles (leurs valeurs sont très proches de 0).

• Okamura a calculé comment la probabilité de voir une somme très petite se comporte.
• Il a comparé cela à la probabilité de voir un maximum très petit.
• Résultat : Pour que la règle fonctionne, il faut que le facteur magique soit exactement $\sqrt[n]{n!}$. C'est comme dire : "Si votre hypothèse est vraie, le facteur de conversion doit être exactement celui-ci, ni plus, ni moins."
• Pour 3 personnes, ce facteur serait la racine cubique de 6 (environ 1,82).

2. Le test des "Géants" (Quand tout est très grand)

C'est ici que le piège se referme. Okamura regarde maintenant des valeurs énormes (des "géants").

• Cas A : Quand la distribution est "lisse" (comme une colline douce)
  Il a montré que si on prend des valeurs énormes, la probabilité que la somme dépasse un certain seuil est très différente de la probabilité que le maximum le dépasse.

  • Analogie : Imaginez que vous lancez des fléchettes. Si vous lancez 3 fléchettes, la probabilité que la somme de vos points soit énorme est très différente de la probabilité que votre meilleure fléchette soit énorme. L'une suit une courbe, l'autre une autre. Elles ne se ressemblent pas assez pour être égales.
  • Le calcul montre que le rapport entre les deux probabilités explose vers l'infini. La règle de l'hypothèse s'effondre.

• Cas B : Quand la distribution est "étrange" (très pointue)
  Pour d'autres types de distributions, il utilise un concept appelé "distribution sous-exponentielle".

  • Analogie : C'est comme si vous aviez un groupe de gens où, si l'un d'eux devient un géant, c'est lui qui porte tout le poids du groupe. La somme est alors dominée par le maximum.
  • Okamura a prouvé que même dans ce cas, si on applique le facteur magique supposé, les mathématiques ne collent pas. Les équations disent "0" d'un côté et "1" de l'autre. C'est une contradiction absolue.

💡 L'Exemple Spécial : Le Cas de 3 Personnes

Pour bien montrer que c'est faux, il a pris un exemple concret avec 3 personnes et la distribution "demi-normale".

• Il a calculé la "moyenne du carré" (une mesure de la taille moyenne) de la somme.
• Il a calculé la même chose pour le maximum.
• Si l'hypothèse était vraie, ces deux nombres devraient être liés par une équation précise impliquant le nombre $\pi$ (Pi) et des racines cubiques.
• Le problème : L'équation obtenue impliquerait que $\pi$ (un nombre infini et non répétitif) pourrait être construit avec des nombres simples et des racines. Or, on sait depuis longtemps que $\pi$ est un nombre "transcendant" (il ne peut pas être construit ainsi).
• C'est comme si on vous disait que 2 + 2 = 5, et que la preuve de cette erreur est que cela obligerait le nombre $\pi$ à devenir un nombre entier. C'est impossible !

🏁 Conclusion

En résumé, ce papier dit :

"L'idée que la somme de plusieurs variables aléatoires est toujours proportionnelle à leur maximum est une belle illusion qui ne fonctionne que pour deux personnes. Dès qu'on ajoute une troisième personne, la magie opère mal, et les mathématiques nous disent que c'est impossible."

C'est une belle leçon de prudence : même si une règle fonctionne parfaitement pour un petit cas (2), il ne faut pas présumer qu'elle fonctionnera pour les grands cas (3, 4, 10...) sans vérification rigoureuse.

Résumé technique

1. Problématique et Contexte

L'article s'attaque à une conjecture récente formulée par Arnold et Villasenor concernant les variables aléatoires indépendantes et identiquement distribuées (i.i.d.) suivant une loi demi-normale (half-normal).

• Contexte connu : Arnold et Villasenor ont démontré que pour deux variables i.i.d. demi-normales $X_1$ et $X_2$, la somme $S_2 = X_1 + X_2$ et le maximum $M_2 = \max\{X_1, X_2\}$ sont de même type de distribution, vérifiant la relation :
  $$X_1 + X_2 \stackrel{d}{=} \sqrt{2} \max\{X_1, X_2\}$$
• La Conjecture : Ils ont émis l'hypothèse que cette propriété s'étendait à $n \ge 3$ variables. Plus précisément, ils conjecturaient que pour des variables i.i.d. demi-normales :
  $$X_1 + \dots + X_n \stackrel{d}{=} (n!)^{1/n} \max\{X_1, \dots, X_n\}$$
• Objectif de l'article : Kazuki Okamura a pour but de réfuter cette conjecture pour tout $n \ge 3$. Il montre que la relation d'égalité en distribution n'est pas valable pour la loi demi-normale lorsque $n \ge 3$.

2. Méthodologie

L'auteur utilise une approche par l'absurde et une analyse asymptotique fine des queues de distribution. La preuve s'articule autour de la comparaison des comportements de la somme $S_n$ et du maximum $M_n$ dans deux régimes limites : $x \to 0$ et $x \to +\infty$.

L'analyse est généralisée à une sous-classe de distributions gamma généralisées définies par une densité de probabilité :
$$f(x) = c_1 \exp(-c_2 x^\beta), \quad x \ge 0$$
où $\beta > 0$. La loi demi-normale correspond au cas particulier $c_1 = \sqrt{2/\pi}$, $c_2 = 1/2$ et $\beta = 2$.

La preuve se déroule en deux étapes principales :

A. Analyse locale ($x \to 0$)

L'auteur examine le comportement des probabilités $P(S_n \le x)$ et $P(M_n \le x)$ lorsque $x$ tend vers 0.

• En utilisant un changement de variables et le théorème de convergence dominée, il démontre que si une relation $S_n \stackrel{d}{=} C M_n$ existe, la constante $C$ est nécessairement fixée par le comportement local de la densité en 0.
• Résultat intermédiaire (Lemme 2.1) : Si une telle constante $C$ existe, elle doit être égale à $(n!)^{1/n}$. Cela confirme que la conjecture de la constante est correcte, mais ne garantit pas l'égalité des distributions.

B. Analyse asymptotique ($x \to +\infty$)

C'est ici que la contradiction est établie. L'auteur compare les queues de distribution $P(S_n > x)$ et $P(M_n > x)$ pour deux cas de valeurs de $\beta$.

1. Cas $\beta \ge 1$ (incluant la loi demi-normale où $\beta=2$) :

   • L'auteur établit une borne inférieure pour $P(M_n > x)$ et une borne supérieure pour $P(S_n > x)$ en utilisant l'inégalité de convexité et l'intégration par parties.
   • Il montre que sous la condition $\beta < \frac{n \log n}{n \log n - \log(n!)}$, le rapport $\frac{P(M_n > x/(n!)^{1/n})}{P(S_n > x)}$ tend vers l'infini lorsque $x \to \infty$.
   • Cela contredit l'hypothèse d'égalité en distribution, car les queues de distribution ne décroissent pas à la même vitesse.

2. Cas $0 < \beta < 1$ :

   • L'auteur démontre que la variable $X_1$ suit une loi sous-exponentielle (subexponential distribution).
   • Pour les lois sous-exponentielles, il est connu que $P(M_n > x) \sim P(S_n > x)$ lorsque $x \to \infty$ (le maximum domine la somme).
   • Cependant, en supposant l'égalité en distribution avec la constante $(n!)^{1/n}$, l'auteur montre que le rapport des probabilités de queue devrait tendre vers 1, ce qui entre en contradiction avec le comportement spécifique de la queue de la loi gamma généralisée (via la règle de l'Hôpital), où le rapport tend vers 0.

3. Résultats Clés

• Théorème 1.1 : Pour des variables i.i.d. de densité $f(x) \propto \exp(-x^\beta)$, si $n \ge 2$ et si $\beta$ satisfait l'inégalité (1.3) donnée dans le texte, alors il n'existe aucune constante $C$ telle que $S_n \stackrel{d}{=} C M_n$.
• Application à la loi demi-normale : Pour la loi demi-normale ($\beta = 2$), la condition (1.3) est satisfaite si et seulement si $n \ge 3$.
  • Par conséquent, la conjecture d'Arnold et Villasenor est fausse pour tout $n \ge 3$.
• Preuve alternative pour $n=3$ (Remarque 2.3) : L'auteur fournit une preuve supplémentaire pour le cas $n=3$ en comparant les moments d'ordre 2 ($E[S_3^2]$ et $E[M_3^2]$).
  • Il montre que l'égalité des distributions impliquerait une relation algébrique entre $\pi$, $\sqrt{3}$ et $6^{1/3}$.
  • Cela conduirait à $\pi \in \mathbb{Q}(\sqrt{3}, 6^{1/3})$, ce qui contredit le fait que $\pi$ est un nombre transcendant. Bien que les valeurs numériques soient proches (rapport $\approx 3.24$ vs $3.30$), elles ne sont pas égales.

4. Contributions et Signification

• Correction de la littérature : L'article corrige une erreur de conjecture dans un travail récent, clarifiant les limites de la propriété d'équivalence entre somme et maximum pour les lois demi-normales.
• Généralisation : La preuve ne se limite pas à la loi demi-normale mais s'applique à une large classe de distributions (gamma généralisées), offrant un cadre théorique robuste pour analyser les relations somme-maximum.
• Méthodologie rigoureuse : L'utilisation combinée de l'analyse asymptotique des queues (pour $\beta \ge 1$) et de la théorie des distributions sous-exponentielles (pour $\beta < 1$) démontre la robustesse de la réfutation.
• Implication théorique : Ce résultat souligne que la propriété remarquable observée pour $n=2$ (où la somme et le maximum sont proportionnels) est un cas exceptionnel et ne se généralise pas aux sommes de plus de deux variables pour cette famille de distributions.

En conclusion, Kazuki Okamura démontre de manière définitive que pour $n \ge 3$, la somme de variables demi-normales i.i.d. n'est pas distribuée comme un multiple constant de leur maximum, invalidant ainsi la conjecture d'Arnold et Villasenor.