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

1. Problématique

Les systèmes complexes en croissance (tels que les textes linguistiques, les réseaux écologiques ou les systèmes socio-économiques) présentent souvent des régularités statistiques gouvernées par des lois de puissance. Deux lois empiriques majeures sont observées :

• La loi de Zipf : Elle décrit la relation entre le rang $r$ d'un type (ex: un mot, une espèce) et sa fréquence de comptage $S$, suivant une loi de puissance inverse $S \sim r^{-\alpha}$.
• La loi de Heaps : Elle décrit la croissance du nombre de types distincts $N$ en fonction de la taille totale du système (nombre de tokens) $t$, selon une relation sous-linéaire $N \sim t^\beta$ avec $0 < \beta < 1$.

La question centrale est de déterminer la relation fondamentale et exacte entre ces deux lois dans des systèmes finis et réels. Des travaux antérieurs, notamment ceux de Lü et al. (2010), ont tenté d'établir un lien entre les exposants $\alpha$ et $\beta$, suggérant que $\beta = 1$ si $\alpha \le 1$ et $\beta = 1/\alpha$ si $\alpha > 1$. Cependant, ces approches reposaient sur des approximations d'intégrales qui échouent dans certaines régimes, notamment pour $\alpha = 1$ et pour les valeurs très élevées de $\alpha$ ($\alpha \gg 1$), conduisant à des erreurs significatives dans l'estimation de la taille du système nécessaire pour observer un certain nombre de types.

2. Méthodologie

Les auteurs proposent un modèle idéalisé de croissance déterministe pour remédier aux approximations précédentes :

• Modèle de croissance : Ils considèrent un système discret où le nombre total de tokens $t$ augmente pas à pas. Le comptage du $r$-ième type est défini par une fonction de rang inversée arrondie à l'entier le plus proche :
  $$S_{r,t,\alpha} = \lfloor 1/2 + G_{t,\alpha} r^{-\alpha} \rfloor$$
  où $G_{t,\alpha}$ est un facteur de croissance ajusté pour que la somme des comptages égale $t$.
• Approximation continue : Pour rendre le modèle analytiquement traitable, ils remplacent l'opérateur de partie entière par une fonction continue $S_{r,t,\alpha} \approx S_{1,t,\alpha} r^{-\alpha}$ pour $r \le N_{t,\alpha}$ (le nombre de types présents).
• Condition de normalisation : La somme des comptages fractionnaires doit égaler le temps $t$. Cela implique l'utilisation des nombres harmoniques généralisés $H^{(\alpha)}_{N_{t,\alpha}} = \sum_{k=1}^{N_{t,\alpha}} k^{-\alpha}$.
• Développement d'Euler-Maclaurin : Au lieu d'approximer la somme harmonique par une simple intégrale (ce qui cause les erreurs précédentes), les auteurs appliquent le développement d'Euler-Maclaurin. Cela permet d'inclure des termes de correction précis (constante de Riemann $\zeta(\alpha)$, termes d'ordre $1/N$, etc.) pour obtenir une expression asymptotique exacte.

3. Contributions Clés

1. Correction des approximations antérieures : L'article démontre que l'approximation intégrale classique échoue pour $\alpha \gg 1$ (sous-estimant la taille du système d'un facteur $(\alpha-1)^{-1}$) et pour $\alpha = 1$.
2. Expression asymptotique unifiée : Les auteurs dérivent une relation exacte reliant le nombre total de tokens $t$ au nombre de types distincts $N_{t,\alpha}$, valable pour tout $\alpha \ge 0$.
3. Indépendance mécanistique : La dérivation repose uniquement sur la forme des classements de comptage (count-rankings) et non sur des mécanismes stochastiques ou des processus d'échantillonnage spécifiques. Cela prouve que la loi de Heaps émerge naturellement de la loi de Zipf dans un cadre déterministe.

4. Résultats Principaux

La relation fondamentale obtenue (Équation 13) est :
$$t \sim \frac{1}{1-\alpha} N_{t,\alpha} + \zeta(\alpha) N_{t,\alpha}^\alpha$$
où $\zeta(\alpha)$ est la fonction zêta de Riemann (ou son prolongement analytique).

En analysant les comportements limites pour un grand $t$ et un grand $N_{t,\alpha}$, les auteurs obtiennent les régimes suivants :

• Cas $\alpha \ll 1$ : Le terme linéaire domine.
  $$t \sim \frac{1}{1-\alpha} N_{t,\alpha} \implies N_{t,\alpha} \sim (1-\alpha)t$$
  (Comportement quasi-linéaire).

• Cas $\alpha = 1$ : C'est le régime critique où l'approximation intégrale échoue. En utilisant le développement asymptotique de la fonction W de Lambert et la constante d'Euler-Mascheroni $\gamma_0 \approx 0.577$ :
  $$t \sim N_{t,\alpha} (\ln N_{t,\alpha} + \gamma_0)$$
  Ce qui conduit à :
  $$N_{t,\alpha} \sim \frac{t}{\ln t + \gamma_0 - \ln(\ln t + \gamma_0)}$$
  Cette formule corrige les résultats précédents pour $\alpha=1$.

• Cas $\alpha \gg 1$ : Le terme en puissance domine. Contrairement à l'ancienne approximation qui donnait un facteur de préfacteur erroné, ici :
  $$t \sim N_{t,\alpha}^\alpha \implies N_{t,\alpha} \sim t^{1/\alpha}$$
  Les auteurs montrent que l'approximation intégrale précédente sous-estimait $t$ d'un ordre de grandeur pour des systèmes très concentrés (ex: ventes de livres, richesse personnelle).

5. Signification et Impact

• Unification théorique : L'étude établit que la loi de Heaps n'est pas un phénomène indépendant ou purement stochastique, mais une conséquence mathématique directe de la loi de Zipf dans les systèmes en croissance.
• Précision empirique : Les nouvelles formules fournissent un ajustement bien supérieur aux données simulées et réelles, en particulier pour les systèmes où la distribution des fréquences est très inégale ($\alpha$ élevé).
• Généralité : Puisque le modèle ne dépend pas de la dynamique sous-jacente (stochastique ou déterministe), ces résultats s'appliquent à une large gamme de systèmes complexes, de la linguistique à l'écologie, en passant par les réseaux sociaux et économiques.
• Correction des erreurs passées : L'article résout les incohérences mathématiques des travaux antérieurs (notamment Lü et al.) en fournissant une dérivation rigoureuse basée sur le développement d'Euler-Maclaurin plutôt que sur une simple intégration.

En conclusion, cet article offre une description asymptotique complète et corrigée de la relation type-token, démontrant que la complexité apparente de la croissance des systèmes peut être réduite à des régularités statistiques fondamentales dérivées des lois de puissance.