Introdução: Por que alguns golpes de sorte no início se cristalizam em desigualdades irreversíveis?
Dois vídeos ou padrões de qualidade idêntica são lançados no mesmo instante: graças a uma pequena vantagem aleatória inicial, um deles se amplifica por retroalimentação positiva até dominar o mercado (efeito Mateus), enquanto o outro cai no esquecimento. Contudo, a Lei Forte dos Grandes Números (SLLN) ensina o oposto: em ensaios independentes (i.i.d.) como lançar uma moeda, as flutuações iniciais são diluídas quando $n \to \infty$ e a proporção converge quase certamente para a constante $p$.
Muitos processos reais são processos estocásticos reforçados nos quais a ocorrência de um evento aumenta a probabilidade de ele se repetir. Em 1923, George Pólya e Florian Eggenberger formularam o modelo da urna de Pólya, revelando dois paradoxos:
- Primeiro paradoxo (Permutabilidade): Embora a urna mude a cada passo, $\mathbb{P}(I_n = 1) = \frac{r}{r+b}$ permanece constante para todo $n$, e a probabilidade de qualquer sequência depende apenas do total de bolas vermelhas e azuis, independentemente da ordem (permutabilidade).
- Segundo paradoxo (Limite aleatório): Quando $n \to \infty$, a proporção vermelha $X_n$ converge quase certamente para uma variável aleatória $X_\infty \sim \mathrm{Beta}(r, b)$. Para $r=1, b=1$, o limite segue a distribuição uniforme $\mathrm{Uniform}(0, 1)$ em $[0, 1]$!
Capítulo 1: Três universos de urnas — Esgotamento, ausência de memória e reforço de Pólya
Em $n = 0$, uma urna contém $R_0 = r$ bolas vermelhas e $B_0 = b$ azuis ($N_0 = r + b$). Em cada passo sorteamos uma bola e a devolvemos com $c$ bolas da mesma cor: 1. Sem reposição ($c = -1$) (retroalimentação negativa, hipergeométrica), 2. Com reposição ($c = 0$) (sem memória i.i.d. $\mathrm{Binomial}(n, \frac{r}{r+b})$), 3. Urna de Pólya ($c = +1$) (retroalimentação positiva: bola sorteada mais $1$ bola da mesma cor).
flowchart TD
Start["Início (n = 0): Vermelhas r, Azuis b, X₀ = r/(r+b)"]
Draw["Passo n+1: Sortear 1 bola, P(Iₙ₊₁ = 1 | Fₙ) = Xₙ"]
BranchW["1. Sem reposição (c = -1)"]
BranchB["2. Com reposição (c = 0)"]
BranchP["3. Urna de Polya (c = +1)"]
LimW["Termina em n = r+b com r/(r+b)"]
LimB["SLLN: Xₙ → r/(r+b) q.c."]
LimP["Doob: Xₙ → X_∞ ~ Beta(r, b) q.c."]
Start --> Draw
Draw --> BranchW --> LimW
Draw --> BranchB --> LimB
Draw --> BranchP --> LimP
Com $I_n \in \{0, 1\}$ e $S_n = \sum_{k=1}^n I_k$, temos $R_n = r + S_n$ e $N_n = r + b + n$:
$$X_n := \frac{R_n}{N_n} = \frac{r + S_n}{r + b + n}, \qquad \mathbb{P}(I_{n+1} = 1 \mid \mathcal{F}_n) = X_n, \qquad |X_{n+1} - X_n| \le \frac{1}{r + b + n + 1}$$| Característica | 1. Sem reposição ($c = -1$) | 2. Com reposição ($c = 0$) | 3. Urna de Pólya ($c = +1$) |
|---|---|---|---|
| Retroalimentação | Negativa (esgotamento) | Nula (sem memória) | Positiva (autorreforço) |
| Dependência | Correlação negativa | Independente (i.i.d.) | Infinitamente permutável |
| Distribuição $S_n$ | $\mathrm{Hypergeom}(N_0, r, n)$ | $\mathrm{Binomial}(n, \frac{r}{r+b})$ | $\mathrm{BetaBinom}(n, r, b)$ |
| Limite $X_\infty$ | Constante $\frac{r}{r+b}$ | Constante $\frac{r}{r+b}$ q.c. | Variável $X_\infty \sim \mathrm{Beta}(r, b)$ q.c. |
Capítulo 2: Permutabilidade e distribuição Beta-Binomial
Para qualquer sequência $(i_1, \dots, i_n) \in \{0, 1\}^n$ com $k = \sum_{j=1}^n i_j$ vermelhas, o produto dos denominadores é $(r+b)^{(n)}$ e o dos numeradores é comutativamente $r^{(k)} b^{(n-k)}$:
$$\mathbb{P}(I_1 = i_1, \dots, I_n = i_n) = \frac{r^{(k)} \, b^{(n-k)}}{(r+b)^{(n)}}, \qquad \mathbb{P}(S_n = k) = \binom{n}{k} \frac{\mathrm{B}(r+k, \, b+n-k)}{\mathrm{B}(r, \, b)}$$Para $r = 1, b = 1$, os fatoriais se cancelam gerando a distribuição uniforme discreta $\mathbb{P}(S_n = k) = \frac{1}{n + 1}$ ($k = 0, 1, \dots, n$).
Capítulo 3: Martingale de Doob e limite $\mathrm{Beta}(r,b)$
Como $\mathbb{E}[R_{n+1} \mid \mathcal{F}_n] = R_n + X_n = (N_n + 1)X_n$, a proporção $X_n$ é um martingale limitado em $[0, 1]$:
$$\mathbb{E}[X_{n+1} \mid \mathcal{F}_n] = \frac{R_n + \mathbb{E}[I_{n+1} \mid \mathcal{F}_n]}{N_n + 1} = \frac{(N_n + 1) X_n}{N_n + 1} = X_n$$Pelo teorema de convergência de martingales de Doob, $X_n \xrightarrow{\text{q.c.}} X_\infty$. A assintótica $\frac{\Gamma(z+\alpha)}{\Gamma(z+\beta)} \sim z^{\alpha-\beta}$ para $k = \lfloor np \rfloor$ prova que $X_\infty$ segue a distribuição Beta $\mathrm{Beta}(r, b)$:
$$\boxed{f_{X_\infty}(p) = \frac{\Gamma(r+b)}{\Gamma(r)\Gamma(b)} \, p^{r-1} (1-p)^{b-1} \quad (0 < p < 1), \qquad \mathbb{E}[X_\infty] = \frac{r}{r+b}, \qquad \mathrm{Var}(X_\infty) = \frac{rb}{(r+b)^2(r+b+1)} > 0}$$Capítulo 4: Teorema de de Finetti, transições não lineares e aplicações
- Teorema de representação de de Finetti (1931): Toda sequência infinitamente permutável é uma mistura de ensaios de Bernoulli i.i.d. com distribuição a priori $\mathrm{Beta}(r,b)$: $$\mathbb{P}(I_1 = i_1, \dots, I_n = i_n) = \int_0^1 p^k (1-p)^{n-k} \, \frac{\Gamma(r+b)}{\Gamma(r)\Gamma(b)} p^{r-1}(1-p)^{b-1} \, dp$$
- Urnas não lineares ($f(x) = \frac{x^\gamma}{x^\gamma + (1-x)^\gamma}$): $X_{n+1} - X_n = \frac{1}{N_n+1}[(f(X_n)-X_n) + \xi_{n+1}]$ produz três regimes:
flowchart TD
Root["Urna não linear: f(x) = x^γ / (x^γ + (1-x)^γ)"]
Sub["1. Sublinear (0 < γ < 1)"]
Lin["2. Linear (γ = 1): g(x) ≡ 0"]
Sup["3. Superlinear (γ > 1)"]
ResSub["Coexistência: Xₙ → 1/2 q.c."]
ResLin["Dependência de trajetória: Xₙ → Beta(r, b) q.c."]
ResSup["Winner-Take-All: P(X_∞ ∈ {0, 1}) = 1"]
Root --> Sub --> ResSub
Root --> Lin --> ResLin
Root --> Sup --> ResSup
- Aplicações e limites: W. Brian Arthur (1989) explica o lock-in ($\gamma > 1$, QWERTY, VHS); a ligação preferencial (Yule–Simon / Barabási–Albert) gera $P(k) \sim k^{-(2 + \frac{1}{1-\alpha})}$; amostrar novas cores ($\theta > 0$, $H_0$) converge para o processo de Dirichlet $\mathrm{DP}(\theta, H_0)$ (CRP); MusicLab (Salganik et al. 2006) valida esses efeitos sob quatro limites: aptidão $\eta_i$, saturação, memória e rede.