Complete asymptotic type-token relationship for growing complex systems with inverse power-law count rankings

1. El Problema

En el estudio de sistemas complejos (lenguaje, redes ecológicas, sistemas socioeconómicos), se observan dos leyes de escalado fundamentales:

• Ley de Zipf: Establece una relación de ley de potencia inversa entre el conteo de un tipo ($S$) y su rango ($r$), es decir, $S \sim r^{-\alpha}$.
• Ley de Heaps: Describe cómo el número de tipos únicos ($N$) crece sublinealmente con el número total de tokens ($t$) en un sistema en crecimiento, típicamente $N \sim t^\beta$.

Aunque ambas leyes se observan empíricamente simultáneamente, la relación teórica exacta entre sus exponentes ($\alpha$ y $\beta$) en sistemas finitos y reales ha sido objeto de debate. Trabajos anteriores, como el de Lü et al. (2010), propusieron una relación asintótica para el límite de sistemas infinitos, pero sus aproximaciones fallaban en regímenes específicos, particularmente cuando $\alpha = 1$ y cuando $\alpha \gg 1$ (sistemas con distribuciones de rango muy pronunciadas). La aproximación integral utilizada anteriormente subestimaba significativamente el tamaño del sistema en estos casos.

2. Metodología

Los autores proponen un modelo idealizado de un sistema en crecimiento que evita mecanismos estocásticos o procesos de muestreo, basándose únicamente en la forma de los rankings de conteo.

• Definición del Modelo:
  • El sistema crece en tiempo discreto $t$.
  • El conteo del $r$-ésimo tipo en el tiempo $t$ se define determinísticamente como $S_{r,t,\alpha} = \lfloor \frac{1}{2} + G_{t,\alpha} r^{-\alpha} \rfloor$, donde $G_{t,\alpha}$ es un factor de crecimiento.
  • Se asume que los tipos se ordenan por su tiempo de llegada y que un tipo se "crea" cuando su conteo alcanza 1.
• Aproximación Analítica:
  • Para facilitar el análisis, reemplazan el operador de piso (discreto) con una función continua: $S_{r,t,\alpha} \approx S_{1,t,\alpha} r^{-\alpha}$.
  • Imponen dos condiciones de consistencia:
    1. El último tipo creado tiene un conteo de 1.
    2. La suma de todos los conteos fraccionales debe igualar el tiempo total $t$.
  • Esto conduce a la ecuación fundamental: $t \sim N_{t,\alpha}^\alpha H_{N_{t,\alpha}}^{(\alpha)}$, donde $H_n^{(\alpha)}$ es el número armónico generalizado.
• Herramienta Matemática Clave:
  • En lugar de aproximar la suma armónica mediante una integral simple (lo que causa errores en ciertos regímenes), los autores aplican la expansión de Euler-Maclaurin. Esta técnica permite obtener una expresión asintótica precisa que incluye términos correctivos y la función Zeta de Riemann $\zeta(\alpha)$.

3. Contribuciones Clave

1. Derivación Unificada: Se obtiene una expresión asintótica completa y exacta para la relación tipo-token válida para cualquier valor del exponente $0 \le \alpha < \infty$.
2. Corrección de Errores Previos: Se identifica y corrige el error en la aproximación integral utilizada en trabajos anteriores (como Lü et al.). Se demuestra que la integral falla en el régimen de $\alpha \gg 1$ porque ignora que el primer término de la suma armónica es 1 (independiente de $\alpha$), mientras que la integral lo estima como $1/(\alpha-1)$, llevando a una subestimación del tamaño del sistema por casi un orden de magnitud.
3. Independencia Mecanística: El resultado se deriva puramente de la estructura de los rankings de conteo (Ley de Zipf), demostrando que la Ley de Heaps es una consecuencia emergente de la Ley de Zipf, sin necesidad de asumir mecanismos de crecimiento estocástico específicos.
4. Tratamiento del Caso Crítico $\alpha = 1$: Se proporciona una solución precisa para el caso $\alpha = 1$, que anteriormente era problemático, utilizando la constante de Euler-Mascheroni ($\gamma_0$) y la función W de Lambert.

4. Resultados Principales

Los autores derivan la relación asintótica entre el número total de tokens ($t$) y el número de tipos únicos ($N_{t,\alpha}$) dada por:

$$t \sim \frac{1}{1-\alpha} N_{t,\alpha} + \zeta(\alpha) N_{t,\alpha}^\alpha$$

De esta ecuación general, se extraen los comportamientos límite para diferentes regímenes de $\alpha$:

• Para $\alpha \ll 1$:
  $$t \sim \frac{1}{1-\alpha} N_{t,\alpha} \implies N_{t,\alpha} \sim (1-\alpha)t$$
  (Comportamiento casi lineal).

• Para $\alpha = 1$:
  $$t \sim N_{t,\alpha} (\ln N_{t,\alpha} + \gamma_0)$$
  Invertido, esto da:
  $$N_{t,\alpha} \sim \frac{t}{\ln t + \gamma_0 - \ln(\ln t + \gamma_0)}$$
  (Recupera la forma clásica de la Ley de Heaps con correcciones logarítmicas precisas).

• Para $\alpha \gg 1$:
  $$t \sim N_{t,\alpha}^\alpha \implies N_{t,\alpha} \sim t^{1/\alpha}$$
  Aquí es donde la corrección es más crítica: la aproximación anterior daba un factor de error $(\alpha-1)^{-1}$. La nueva fórmula elimina este error, mostrando que el exponente de Heaps es simplemente $\beta = 1/\alpha$.

5. Significado e Impacto

• Unificación Teórica: El trabajo cierra la brecha teórica entre la Ley de Zipf y la Ley de Heaps, demostrando que la segunda es una consecuencia estadística directa de la primera en sistemas en crecimiento con rankings de potencia inversa.
• Precisión en Sistemas Reales: La corrección para $\alpha \gg 1$ es vital para modelar sistemas reales donde la desigualdad o la concentración es extrema (ej. ventas de libros, riqueza personal, música), donde las aproximaciones anteriores fallaban estrepitosamente.
• Simplicidad y Robustez: Al no depender de procesos estocásticos, el modelo sugiere que la Ley de Heaps es una propiedad universal de la estructura de rankings, no un artefacto de un mecanismo de generación de texto o red específico.
• Validación Empírica: Las simulaciones numéricas del modelo idealizado coinciden perfectamente con la expresión derivada (Ecuación 13), validando la teoría en todo el rango de $\alpha$.

En conclusión, este artículo proporciona la "fórmula maestra" asintótica que conecta la distribución de frecuencias (Zipf) con la diversidad de tipos (Heaps) en sistemas complejos, corrigiendo décadas de aproximaciones imperfectas y ofreciendo una base teórica sólida para el análisis de datos en lingüística, ecología y ciencias sociales.