Probabilités et statistiquesFormule · Glossaire
Loi de Zipf
La loi de Zipf est une régularité empirique qui décrit la fréquence des éléments dans de nombreux phénomènes naturels et sociaux. Elle stipule que la fréquence d'un élément est inversement proportionnelle à son rang dans un classement par ordre décroissant de fréquence. Si le mot le plus fréquent apparaît N fois, le deuxième apparaît environ N/2 fois, le troisième N/3 fois, etc. Cette loi, observée dans les langues naturelles, les tailles de villes et de nombreuses distributions sociales, appartient à la famille des lois en puissance.
Sommaire
Ce que vous allez apprendre
- Relier la fréquence d’un élément à son rang dans la forme simple de Zipf.
- Calculer les fréquences prévues à partir du premier rang.
- Distinguer une tendance empirique d’une égalité exacte.
- Repérer les effets des ex æquo et de données non comparables.
En clair
Prenez tous les mots d’un texte, comptez leurs apparitions, puis rangez-les du plus fréquent au plus rare. Le premier revient beaucoup. Le deuxième apparaît souvent autour de deux fois moins, le troisième autour de trois fois moins.
La loi de Zipf décrit cette chute régulière : le rang augmente pendant que la fréquence diminue à peu près en proportion inverse. Ce motif ne concerne pas seulement les mots. Il s’observe aussi dans des classements de tailles de villes et dans diverses distributions sociales.
Définition
La loi de Zipf est une régularité empirique portant sur des éléments classés par fréquence décroissante. Elle relie la position d’un élément dans ce classement à sa fréquence. On note r le rang, avec le rang 1 pour l’élément le plus fréquent, et f(r) la fréquence observée au rang r. La constante C représente la fréquence du premier élément. Dans la forme simple de la loi, la relation attendue est :
Ainsi, doubler le rang divise approximativement la fréquence par deux. Cette relation est une loi en puissance dont l’exposant vaut −1 dans sa forme simple. Elle décrit notamment des fréquences de mots, des tailles de villes et certaines distributions sociales. Le mot empirique est essentiel : les données réelles peuvent s’écarter de la courbe, et la loi résume alors une tendance plutôt qu’une égalité exacte. Elle décrit une organisation du classement sans, à elle seule, en fournir une cause.
Le principe
Après avoir classé des éléments par fréquence décroissante, on note r le rang positif et f(r) la fréquence au rang r. Si le classement suit la forme simple de Zipf, alors . Le deuxième élément a donc environ la moitié de la fréquence du premier, le troisième environ le tiers. Un contrôle équivalent consiste à vérifier que le produit reste approximativement constant d’un rang à l’autre.
Quand l'utiliser
L’analyse demande des éléments comparables, observés dans un même ensemble : par exemple les mots d’un corpus défini ou les villes d’un territoire défini. Il faut connaître leur fréquence ou leur taille, puis les classer par ordre décroissant selon cette même mesure. La relation obtenue porte sur le couple rang–fréquence, pas sur l’ordre alphabétique ni sur une chronologie.
La conformité se juge sur plusieurs rangs et avec une tolérance adaptée aux données, puisque la loi est empirique. Si plusieurs éléments ont exactement la même fréquence, leur ordre est indéterminé sans convention de classement. Dans ce contre-cas, il faut annoncer la règle choisie pour les ex æquo ou étudier directement la distribution des fréquences ; un rang arbitraire ne constitue pas une preuve de la loi.
Un exemple, pas à pas
Dans un corpus fictif, les mots sont classés par nombre d’occurrences. Le mot de rang 1 apparaît 1 200 fois. On cherche les fréquences prévues par la forme simple de Zipf aux rangs 2, 3, 5 et 10.
1. La constante est la fréquence du premier mot : .
2. Au rang 2, la prévision vaut occurrences. Au rang 3, elle vaut occurrences.
3. Le même calcul donne occurrences et occurrences.
4. Le contrôle refaisable multiplie chaque prévision par son rang : 2 × 600 = 1 200, 3 × 400 = 1 200, 5 × 240 = 1 200 et 10 × 120 = 1 200.
La courbe rang–fréquence de cet exemple rend visible la forte baisse des premiers rangs, puis son ralentissement. Dans des données observées, on comparerait ces prévisions aux comptes réels sans exiger leur égalité.
En pratique
Dans un texte, on compte chaque mot puis on trace sa fréquence selon son rang. Une chute proche de l’inverse du rang rend la loi de Zipf plausible. Si l’objectif est seulement de connaître les mots dominants, un simple tableau de fréquences suffit.
Pour des tailles de villes, le même geste classe les villes de la plus grande à la plus petite, avec une mesure de taille identique. Si les périmètres ou les dates diffèrent, il faut d’abord harmoniser les données plutôt que comparer les rangs.
Dans une distribution sociale, on vérifie la tendance sur une série de rangs, pas sur deux valeurs isolées. Des écarts persistants conduisent à décrire la distribution observée telle quelle plutôt qu’à lui imposer le modèle.
À ne pas confondre
Loi de Zipf et loi en puissance générale. Une loi en puissance peut faire intervenir un exposant autre que −1. La forme simple de Zipf se reconnaît précisément à la fréquence approximativement inverse du rang. Un ajustement avec une autre pente appartient encore à la famille des lois en puissance, mais ne vérifie pas cette forme simple.
Régularité empirique et loi de probabilité exacte. La première résume des fréquences observées avec des écarts ; la seconde fixe des probabilités dans un modèle mathématique. Si le rang 2 ne vaut pas exactement la moitié du rang 1 mais que l’ensemble suit la tendance, l’observation peut rester compatible avec Zipf sans constituer une égalité probabiliste.
Limites et pièges
Prendre l’approximation pour une identité. Avec 1 200 occurrences au rang 1, la forme simple prévoit environ 600 au rang 2. Une observation de 590 n’invalide pas mécaniquement une loi empirique. Il faut examiner les écarts sur plusieurs rangs et annoncer le critère d’ajustement retenu.
Conclure sur deux rangs. Deux valeurs peuvent fortuitement respecter le rapport attendu. Le symptôme est un produit rang × fréquence qui se dégrade dès les rangs suivants. Il faut étendre le contrôle à toute la plage de rangs pertinente.
Ignorer les ex æquo. Deux éléments de même fréquence peuvent échanger leurs rangs sans changer les données. Si le résultat dépend de cet ordre, il faut fixer une convention de rang ou regrouper les fréquences égales avant d’interpréter le classement.
Mélanger les populations. Comparer des mots issus de corpus différents, ou des villes définies selon des périmètres différents, produit des rangs sans base commune. Il faut homogénéiser le corpus, la date et la mesure avant de chercher une relation de Zipf.
Pour aller plus loin
La statistique descriptive fournit les outils pour ordonner les observations, compter les fréquences et résumer les écarts avant de tester une relation rang–fréquence.
L’article Statistiques et probabilités revisitées replace les régularités observées et les modèles probabilistes dans un cadre plus large.
Explorez les mathématiques autrement
Retrouvez nos magazines, podcasts et jeux pour explorer les mathématiques autrement.
Découvrir les offres