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

Questo articolo confuta una congettura proposta da Arnold e Villasenor riguardante il confronto tra la somma e il massimo di variabili casuali half-normal indipendenti e identicamente distribuite.

L'essenziale

Immagina di avere un gruppo di amici, ognuno dei quali ha un "livello di energia" casuale, ma che segue sempre le stesse regole di comportamento. In matematica, questi amici sono chiamati variabili casuali.

In questo articolo, l'autore, Kazuki Okamura, affronta un'idea affascinante proposta da altri matematici (Arnold e Villasenor) riguardo a due modi diversi di misurare l'energia totale di questo gruppo:

1. La Somma: Metti insieme tutta l'energia di tutti gli amici.
2. Il Massimo: Prendi solo l'energia dell'amico più energico del gruppo.

L'Ipotesi Sbagliata

I matematici precedenti avevano scoperto una cosa curiosa: se hai solo due amici con un tipo specifico di energia (chiamata "distribuzione semi-normale"), la somma delle loro energie è statisticamente identica al massimo delle loro energie, moltiplicato per un numero fisso (la radice quadrata di 2).

È come se dire: "Se prendi la somma di due amici, è come se avessi preso il più forte di loro due e lo avessi raddoppiato in un certo modo."

Poi, hanno fatto una scommessa (una congettura): "Funziona anche se abbiamo 3, 4 o più amici?"
La loro ipotesi era che per $n$ amici, la somma totale fosse uguale al massimo moltiplicato per un numero specifico (la radice $n$-esima di $n!$, che è un numero che cresce velocemente).

La Smentita di Okamura

Okamura dice: "Fermatevi! Questo funziona solo per due amici. Per tre o più, la scommessa è sbagliata."

Per dimostrarlo, usa un approccio molto intelligente, come se fosse un detective che controlla le impronte digitali in due momenti diversi della giornata:

1. La mattina presto (Comportamento vicino allo zero)

Okamura guarda cosa succede quando l'energia è molto bassa (vicino a zero).

• L'analogia: Immagina di misurare quanto è probabile che la somma totale sia piccola rispetto a quanto è probabile che il massimo sia piccolo.
• La scoperta: Se la somma e il massimo fossero davvero la stessa cosa (moltiplicata per un numero), i loro "comportamenti" vicino allo zero dovrebbero essere perfetti. Okamura calcola che, matematicamente, l'unico numero che potrebbe funzionare è proprio quello che gli altri avevano ipotizzato ($\sqrt[n]{n!}$). Quindi, fin qui, sembra che l'ipotesi abbia senso.

2. La notte tarda (Comportamento all'infinito)

Poi, Okamura guarda cosa succede quando l'energia è altissima (all'infinito). Qui la magia si rompe.

• L'analogia: Immagina di lanciare un dado. Se lanci due dadi, la somma può essere alta, ma il massimo è limitato dal dado più alto. Se lanci 100 dadi, la somma è enorme, ma il massimo è solo il valore più alto tra i 100.
• Il problema: Okamura dimostra che, per certi tipi di distribuzione (come quella semi-normale), quando l'energia diventa enorme, la somma cresce in modo molto diverso rispetto al massimo.
  • Se la distribuzione è "leggera" (come una piuma che vola via), la somma è dominata da un singolo valore enorme (il massimo).
  • Ma per la distribuzione semi-normale, c'è un equilibrio diverso. Quando si guarda l'estremo limite (l'infinito), il rapporto tra la probabilità che la somma sia enorme e la probabilità che il massimo sia enorme non corrisponde a quello che servirebbe per farli essere "uguali" moltiplicati per un numero.

Il Risultato Finale

Okamura conclude che l'equazione non regge per 3 o più amici.
La somma di 3 o più variabili casuali semi-normali non è mai statisticamente uguale al massimo moltiplicato per quel numero speciale, anche se i numeri sembrano molto vicini.

Un esempio concreto (La prova matematica)

Per il caso di 3 amici, Okamura fa un calcolo semplice usando la "media" (il valore atteso) dei quadrati.

• Calcola quanto vale la somma dei quadrati dell'energia totale.
• Calcola quanto vale il quadrato dell'energia del più forte.
• Se l'ipotesi fosse vera, questi due numeri dovrebbero combaciare perfettamente. Invece, Okamura mostra che uno è circa 3,24 e l'altro è circa 3,30.
• Sono numeri molto vicini (come due gemelli che si assomigliano), ma non sono identici. E in matematica, se non sono identici, l'equazione è falsa.

In sintesi

Pensa a questa scoperta come a un errore di un'equazione culinaria.

• La ricetta originale diceva: "Se mescoli 2 ingredienti, il sapore totale è uguale al sapore del più forte moltiplicato per X. Se ne mescoli 3, 4 o 5, la regola è la stessa."
• Okamura dice: "No, la regola cambia! Per 2 ingredienti funziona, ma appena ne aggiungi un terzo, il sapore totale non è più semplicemente una versione ingrandita del sapore del più forte. La somma e il massimo diventano due cose statisticamente diverse."

Questo articolo è importante perché corregge un errore nella teoria della probabilità, mostrando che le intuizioni che funzionano per piccoli gruppi (2 persone) non si estendono automaticamente a gruppi più grandi (3 o più persone).

Sommario tecnico

Titolo e Contesto

Il lavoro si propone di confutare una congettura recente avanzata da Arnold e Villasenor riguardante la relazione tra la somma e il massimo di variabili aleatorie indipendenti e identicamente distribuite (i.i.d.) con distribuzione semi-normale.

1. Il Problema e la Congettura

Arnold e Villasenor hanno dimostrato che per due variabili i.i.d. semi-normali ($X_1, X_2$), la somma e il massimo sono della stessa distribuzione a meno di una costante moltiplicativa:
$$X_1 + X_2 \stackrel{d}{=} \sqrt{2} \max\{X_1, X_2\}$$
Hanno inoltre congetturato che questa proprietà si generalizzi per $n \ge 3$ variabili i.i.d. semi-normali, ipotizzando che:
$$X_1 + \dots + X_n \stackrel{d}{=} (n!)^{1/n} \max\{X_1, \dots, X_n\}$$
L'obiettivo di Okamura è dimostrare che tale congettura è falsa per $n \ge 3$.

2. Metodologia e Strumenti Teorici

L'autore utilizza un approccio per assurdo basato sull'analisi asintotica delle funzioni di distribuzione. Il teorema principale (Teorema 1.1) si applica a una sottoclasse di distribuzioni Gamma generalizzate, definite dalla densità:
$$f(x) = c_1 \exp(-c_2 x^\beta), \quad x \ge 0$$
dove $\beta > 0$. Il caso della distribuzione semi-normale corrisponde a $\beta = 2$.

La strategia di prova si articola in due fasi principali, confrontando il comportamento asintotico delle probabilità di coda per $x \to 0^+$ e $x \to +\infty$:

A. Analisi Asintotica per $x \to 0^+$ (Comportamento locale)

• Obiettivo: Determinare la costante $C$ necessaria affinché $S_n \stackrel{d}{=} C M_n$.
• Metodo: Si calcolano i limiti di $P(S_n \le x)$ e $P(M_n \le x)$ quando $x$ tende a zero.
• Risultato (Lemma 2.1): Se esiste una costante $C$ tale che $S_n \stackrel{d}{=} C M_n$, allora necessariamente $C = (n!)^{1/n}$.
  • Questo risultato è ottenuto tramite un cambio di variabile nell'integrale della densità congiunta e l'applicazione del teorema della convergenza dominata, sfruttando la continuità della densità in zero.
  • La congettura di Arnold e Villasenor soddisfa questa condizione necessaria, quindi la contraddizione deve emergere dall'analisi delle code.

B. Analisi Asintotica per $x \to +\infty$ (Comportamento delle code)

L'autore divide la dimostrazione in due casi basati sul parametro $\beta$:

Caso 1: $\beta \ge 1$ (Include la distribuzione semi-normale con $\beta=2$)

• Strategia: Si confrontano i limiti superiori e inferiori delle probabilità di coda $P(M_n > x)$ e $P(S_n > x)$.
• Stima del Massimo: Si deriva un limite inferiore per $P(M_n > x)$ che decresce come $\exp(-x^\beta)$.
• Stima della Somma: Si deriva un limite superiore per $P(S_n > x)$ utilizzando la convessità della funzione $x^\beta$ (disuguaglianza di Jensen) e integrazione per parti.
• Contraddizione: Sotto la condizione $\beta < \frac{n \log n}{n \log n - \log(n!)}$, si dimostra che:
  $$\lim_{x \to \infty} \frac{P(M_n > x/(n!)^{1/n})}{P(S_n > x)} = \infty$$
  Questo implica che le code delle distribuzioni non possono essere scalate l'una nell'altra tramite una costante, contraddicendo l'ipotesi di uguaglianza in distribuzione.

Caso 2: $0 < \beta < 1$

• Strategia: Si utilizza la teoria delle distribuzioni sub-esponenziali.
• Proprietà: Si dimostra che $X_1$ ha una distribuzione sub-esponenziale (la funzione $-\log f(x)$ è concava per $x$ sufficientemente grande).
• Risultato Chiave: Per distribuzioni sub-esponenziali, vale la proprietà asintotica:
  $$\lim_{x \to \infty} \frac{P(M_n > x)}{P(S_n > x)} = 1$$
• Contraddizione: Se $S_n \stackrel{d}{=} C M_n$, allora il rapporto tra le probabilità di coda di $X_1$ a scale diverse dovrebbe tendere a 1. Tuttavia, calcolando esplicitamente il limite per la densità data, si ottiene un valore diverso da 1 (in realtà tende a 0), portando a una contraddizione.

3. Risultati Principali

1. Confutazione della Congettura: La relazione $S_n \stackrel{d}{=} (n!)^{1/n} M_n$ non vale per $n \ge 3$ nel caso di variabili semi-normali (e più in generale per le distribuzioni Gamma generalizzate con $\beta$ che soddisfa la disuguaglianza (1.3)).
2. Condizione di Validità: La congettura fallisce quando $\beta$ è sufficientemente grande rispetto a $n$. Per la distribuzione semi-normale ($\beta=2$), la congettura è falsa per ogni $n \ge 3$.
3. Dimostrazione Alternativa per $n=3$: L'autore fornisce una prova alternativa per il caso $n=3$ basata sui momenti.
   • Calcolando i secondi momenti: $E[S_3^2] = 3 + \frac{12}{\pi}$ e $E[M_3^2] = 1 + \frac{2\sqrt{3}}{\pi}$.
   • Se la congettura fosse vera, dovrebbe valere $3 + \frac{12}{\pi} = 6^{2/3}(1 + \frac{2\sqrt{3}}{\pi})$.
   • Questo implicherebbe che $\pi$ appartiene al campo algebrico generato da $\sqrt{3}$ e $6^{1/3}$, il che è impossibile poiché $\pi$ è un numero trascendente.

4. Significato e Contributi

• Correzione della Letteratura: Il paper corregge un errore nella letteratura recente sulle proprietà delle distribuzioni semi-normali, chiarendo che la proprietà di "stessa tipologia" tra somma e massimo non si estende a $n > 2$.
• Metodologia Asintotica: Dimostra l'efficacia del confronto asintotico delle code (sia per $x \to 0$ che per $x \to \infty$) come strumento potente per distinguere distribuzioni che potrebbero apparire simili in termini di momenti o forme generali.
• Generalizzazione: I risultati si applicano a una classe più ampia di distribuzioni (Gamma generalizzate), fornendo condizioni precise su $\beta$ e $n$ per la validità o meno della relazione.
• Approccio Interdisciplinare: Combina tecniche di analisi reale (integrale, asintotica), teoria della probabilità (distribuzioni sub-esponenziali) e algebra (trascendentalità di $\pi$) per costruire una prova rigorosa.

In sintesi, Okamura dimostra che la elegante relazione valida per $n=2$ è un caso eccezionale e non una proprietà generale delle distribuzioni semi-normali, fornendo controesempi analitici e algebrici solidi.