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

Este artigo refuta uma conjectura apresentada recentemente por Arnold e Villasenor sobre a comparação entre a soma e o máximo de variáveis aleatórias independentes e identicamente distribuídas com distribuição normal semi-circular.

O essencial

Imagine que você tem um grupo de amigos que adoram correr. Cada um deles tem um estilo de corrida muito específico: eles são "normais", mas só correm para a frente (nunca para trás), e a velocidade deles segue uma curva matemática especial chamada distribuição seminormal.

Recentemente, dois matemáticos famosos (Arnold e Villasenor) fizeram uma aposta interessante sobre o que acontece quando juntamos esses amigos. Eles provaram que, se tivermos apenas dois amigos, existe uma regra mágica:

A soma das distâncias que os dois correram é exatamente a mesma coisa (em termos de probabilidade) que multiplicar a distância do mais rápido deles por um número fixo.

É como se, em uma corrida de dois, a soma dos esforços fosse sempre proporcional ao esforço do vencedor. Eles acharam que essa regra funcionaria para qualquer número de amigos ($n$). A conjectura deles dizia: "Para 3, 4, 5 ou mais amigos, a soma total das distâncias será sempre igual à distância do mais rápido multiplicada por um número especial que depende de quantos amigos temos."

O Autor da Nota (Kazuki Okamura) diz: "Não, isso não funciona para grupos grandes."

Aqui está a explicação simples do que ele fez, usando analogias:

1. O Problema da "Soma vs. O Campeão"

Okamura quer testar se a regra do "Vencedor Multiplicado" funciona para grupos grandes (3 ou mais pessoas).

• A Hipótese: Se você somar a velocidade de 3 pessoas, é como pegar a velocidade da pessoa mais rápida e multiplicar por um "fator de multiplicação".
• A Realidade: Okamura mostrou que, para grupos grandes, essa igualdade quebra. A soma e o máximo (o vencedor) se comportam de maneiras muito diferentes quando olhamos para os extremos.

2. A Investigação em Duas Frentes

Para provar que a regra está errada, Okamura olhou para o problema de dois lados, como um detetive analisando uma cena de crime:

A. O Lado dos "Valores Pequenos" (O Começo da Corrida)

Ele olhou para o que acontece quando as distâncias são muito curtas (perto de zero).

• A Descoberta: Ele provou que, matematicamente, para que a soma seja igual ao máximo multiplicado por um número, esse número tem que ser um valor específico (a raiz $n$-ésima de $n!$).
• Analogia: É como se, no início da corrida, a física exigisse que o "multiplicador" fosse exatamente 1,73 (para 3 pessoas). Se não for esse número, a conta não fecha desde o primeiro passo.

B. O Lado dos "Valores Grandes" (O Fim da Corrida)

Aqui está a parte onde a mágica (ou o erro) acontece. Ele olhou para o que acontece quando as distâncias são enormes (muito longas).

• O Cenário $\beta \ge 1$ (Corredores "Normais"):
  Imagine que a probabilidade de alguém correr uma distância gigantesca cai muito rápido.

  • Para o Máximo (o vencedor): A chance de alguém correr muito longe é relativamente alta.
  • Para a Soma (todos juntos): A chance de todos somarem uma distância gigantesca é muito, muito menor, porque exige que a soma dos esforços seja extrema.
  • O Conflito: Okamura mostrou que, para grupos grandes, a probabilidade de o "Vencedor" bater um recorde é infinitamente maior do que a probabilidade de a "Soma de todos" bater o mesmo recorde. Elas não podem ser iguais, não importa qual número você use para multiplicar. É como comparar a chance de um único atleta quebrar o recorde mundial com a chance de 100 atletas, somando seus esforços, baterem o mesmo recorde ao mesmo tempo. São coisas diferentes.

• O Cenário $0 < \beta < 1$ (Corredores "Exóticos"):
  Para outros tipos de corredores, ele usou uma propriedade chamada "subexponencial".

  • A Analogia: Imagine que, em grupos grandes, a soma é dominada quase inteiramente pelo maior valor. Se alguém correu 100km, a soma de 3 pessoas (digamos, 100 + 1 + 1) é basicamente 100.
  • O Problema: Mesmo nesse caso, quando ele tentou aplicar a regra do "Vencedor Multiplicado", os números matemáticos não batiam. A matemática dizia que a soma deveria ser proporcional ao máximo de uma forma, mas a realidade da distribuição dizia outra.

3. A Prova Final com $\pi$ (O Caso de 3 Pessoas)

Para o caso específico de 3 pessoas (o mínimo para a conjectura falhar), ele fez um cálculo de "peso" (variância).

• Ele calculou o "peso" da soma de 3 corredores.
• Ele calculou o "peso" do vencedor de 3 corredores.
• Se a regra fosse verdadeira, esses dois pesos teriam que ser iguais após a multiplicação.
• O Resultado: Isso levaria a uma conclusão absurda: que o número $\pi$ (3,14159...) poderia ser escrito usando apenas raízes e números inteiros. Como sabemos que $\pi$ é um número "transcendental" (não pode ser feito assim), a regra tem que estar errada.

Resumo da Ópera

A conjectura de Arnold e Villasenor era bonita: "A soma de muitos é igual ao maior multiplicado por um fator".
Okamura pegou essa ideia e mostrou que, para grupos de 3 ou mais pessoas com esse tipo específico de distribuição, a matemática não permite. A soma e o máximo crescem de formas diferentes quando olhamos para os extremos (muito perto de zero ou muito longe).

Em suma: A regra do "Vencedor Multiplicado" funciona para casais (2 pessoas), mas falha miseravelmente quando tentamos aplicá-la a grupos maiores. A natureza é mais complexa do que a conjectura previa!

Resumo técnico

Resumo Técnico: Comparação entre a Soma e o Máximo de Variáveis Aleatórias Positivas

1. O Problema

O artigo aborda uma conjectura recente proposta por Arnold e Villasenor (2024) referente à relação entre a soma ($S_n$) e o máximo ($M_n$) de variáveis aleatórias independentes e identicamente distribuídas (i.i.d.) que seguem uma distribuição half-normal (normal truncada no semi-eixo positivo).

Especificamente, Arnold e Villasenor demonstraram que para $n=2$, a soma e o máximo são da mesma distribuição, satisfazendo a igualdade em distribuição:
$$X_1 + X_2 \stackrel{d}{=} \sqrt{2} \max\{X_1, X_2\}$$
Eles conjecturaram que, para $n \ge 3$, essa relação se generalizaria da seguinte forma:
$$X_1 + \dots + X_n \stackrel{d}{=} (n!)^{1/n} \max\{X_1, \dots, X_n\}$$
O objetivo do trabalho de Okamura é refutar essa conjectura, demonstrando que tal igualdade em distribuição não se mantém para $n \ge 3$ no caso da distribuição half-normal e em uma subclasse mais ampla de distribuições.

2. Metodologia

A prova de refutação é conduzida por contradição. O autor assume que existe uma constante $C$ tal que $S_n \stackrel{d}{=} C M_n$ e demonstra que isso leva a inconsistências matemáticas ao analisar o comportamento assintótico das funções de distribuição nas duas extremidades do domínio:

1. Comportamento Assintótico em $x \to 0^+$ (Origem):

   • O autor analisa a densidade de probabilidade próxima a zero.
   • Utilizando o Teorema da Convergência Dominada e mudanças de variáveis, ele demonstra que, se a igualdade em distribuição existir, a constante $C$ é necessariamente fixada como $C = (n!)^{1/n}$.
   • Isso é feito comparando as taxas de convergência de $P(S_n \le x)$ e $P(M_n \le x)$ quando $x$ tende a zero.

2. Comportamento Assintótico em $x \to +\infty$ (Cauda):

   • O autor divide a análise em dois casos baseados no parâmetro de forma $\beta$ da densidade geral $f(x) = c_1 \exp(-c_2 x^\beta)$.
   • Caso $\beta \ge 1$:
     • Estabelece-se um limite inferior para a cauda do máximo $P(M_n > x)$ e um limite superior para a cauda da soma $P(S_n > x)$.
     • Utiliza-se a convexidade da função $x^\beta$ para limitar a soma.
     • Demonstra-se que a razão entre as probabilidades das caudas diverge para infinito, contradizendo a hipótese de que as distribuições são idênticas (escaladas).
   • Caso $0 < \beta < 1$:
     • Demonstra-se que a variável $X_1$ possui uma distribuição subexponencial.
     • Para distribuições subexponenciais, sabe-se que a cauda da soma é dominada pela cauda do máximo, ou seja, $\lim_{x\to\infty} \frac{P(M_n > x)}{P(S_n > x)} = 1$.
     • No entanto, ao aplicar a constante $C = (n!)^{1/n}$ (obtida no passo 1) e analisar a razão $\frac{P(X_1 > x)}{P(X_1 > x/C)}$, obtém-se um limite de 0, o que contradiz a propriedade subexponencial necessária para a igualdade em distribuição.

3. Verificação Numérica e Algébrica para $n=3$:

   • Para o caso específico da distribuição half-normal ($\beta=2$) com $n=3$, o autor oferece uma prova alternativa baseada em momentos.
   • Calcula-se o segundo momento da soma ($E[S_3^2]$) e do máximo ($E[M_3^2]$).
   • A igualdade em distribuição implicaria uma relação algébrica específica envolvendo $\pi$ e raízes cúbicas de 6, o que levaria a $\pi$ ser um número algébrico, contradizendo o fato de que $\pi$ é transcendente.

3. Principais Contribuições e Resultados

• Refutação da Conjectura: O resultado principal (Teorema 1.1) estabelece que, para variáveis i.i.d. com densidade do tipo $f(x) = c_1 \exp(-c_2 x^\beta)$, a igualdade $S_n \stackrel{d}{=} C M_n$ não ocorre se $\beta < \frac{n \log n}{n \log n - \log(n!)}$.
• Aplicação à Half-Normal: Como a distribuição half-normal corresponde a $\beta = 2$, a condição de refutação torna-se válida para todo $n \ge 3$. Portanto, a conjectura de Arnold e Villasenor é falsa para $n \ge 3$.
• Generalização: O resultado não se limita apenas à distribuição half-normal, mas aplica-se a uma subclasse das distribuições gama generalizadas, abrangendo tanto casos de cauda leve ($\beta \ge 1$) quanto cauda pesada/subexponencial ($0 < \beta < 1$).
• Análise de Momentos: A demonstração alternativa para $n=3$ utilizando momentos e a transcendência de $\pi$ fornece uma prova elegante e independente da análise assintótica.

4. Significância

Este trabalho é significativo para a teoria das probabilidades e estatística matemática por:

1. Corrigir a literatura: Impede a propagação de uma conjectura incorreta sobre a relação entre soma e máximo, que poderia levar a erros em modelos estatísticos que assumem essa propriedade.
2. Clarificar propriedades de distribuições: Destaca a delicadeza das relações entre estatísticas de ordem (como o máximo) e somas de variáveis aleatórias. Enquanto a igualdade em distribuição ocorre para $n=2$ na half-normal, ela é uma coincidência que não se generaliza.
3. Ferramentas Analíticas: O artigo demonstra o uso eficaz de técnicas de análise assintótica (comportamento de cauda e origem) e propriedades de distribuições subexponenciais para resolver problemas de equivalência de distribuições.

Em suma, Okamura demonstra que a "coincidência" algébrica observada para $n=2$ é um caso isolado e que, para $n \ge 3$, a estrutura da distribuição half-normal impede que a soma seja distribuída como um múltiplo escalar do máximo.