Loi zêta

	Zêta
	; Fonction de masse
	; Fonction de répartition

En théorie de probabilité et statistiques, la distribution zêta est une loi de probabilité discrète de paramètre $s>1$ ^[1]. Elle est aussi appelée loi de Pareto discrète^[2], en lien avec la loi de Pareto.

Définition

On dit qu'une variable aléatoire $X$ suit une loi zêta de paramètre $s$ si :

$\mathbb {P} (X=k)=k^{-s}/\zeta (s)\,$

où $\zeta$ est la fonction zêta de Riemann non définie en 1^[1].

Une loi zêta est un sous cas de la loi de Zipf où le paramètre N est infini.

Moments

Le n-ième moment est défini par l'espérance de Xⁿ :

$m_{n}=\mathbb {E} (X^{n})={\frac {1}{\zeta (s)}}\sum _{k=1}^{\infty }{\frac {1}{k^{s-n}}}$

La série de droite est une représentation de la fonction zêta de Riemann et converge seulement pour les valeurs de s-n strictement supérieures à 1. Ainsi :

$m_{n}=\left\{{\begin{matrix}\zeta (s-n)/\zeta (s)&{\textrm {pour}}~n<s-1\\\infty &{\textrm {pour}}~n\geq s-1\end{matrix}}\right.$

Lien avec la densité naturelle

Soit A une partie de $\mathbb {N}$ , on dit que A a une densité naturelle si ${\frac {\operatorname {Card} (A\cap \{1,\dots ,n\})}{n}}$ converge. Notons d(A) la limite. On a alors le résultat suivant : $\mathbb {P} _{s}(X\in A){\underset {s\rightarrow 1^{+}}{\longrightarrow }}d(A)$

Démonstration

Soit $\epsilon >0$ , posons pour tout $n\in \mathbb {N} ,c_{n}=\operatorname {Card} (A\cap \{1,\dots ,n\})$ on a par hypothèse que $\lim _{n\to \infty }{\frac {c_{n}}{n}}=d(A)$ , donc on peut poser $n_{0}\in \mathbb {N}$ tel que $\forall n\in \mathbb {N} ,n\geq n_{0}\Rightarrow \left|{\frac {c_{n}}{n}}-d(A)\right|\leq \epsilon .$
On écrit alors $\mathbb {P} _{s}(X\in A)={\frac {\sum _{a\in A}{\frac {1}{a^{s}}}}{\zeta (s)}}={\frac {\sum _{\underset {a<n_{0}}{a\in A}}{\frac {1}{a^{s}}}+\sum _{\underset {a\geq n_{0}}{a\in A}}{\frac {1}{a^{s}}}}{\zeta (s)}}$
On s'intéresse au terme $\sum _{\underset {a\geq n_{0}}{a\in A}}{\frac {1}{a^{s}}}$ , on a : $\sum _{\underset {a\geq n_{0}}{a\in A}}{\frac {1}{a^{s}}}=\sum _{\underset {a\geq n_{0}}{a\in A}}{\frac {c_{a}^{s}}{c_{a}^{s}a^{s}}}\leq \sum _{\underset {a\geq n_{0}}{a\in A}}{\frac {(d(A)+\epsilon )^{s}}{c_{a}^{s}}}$ car la variable muette a est supérieure à $n_{0}.$
Sans nuire à la généralité, supposons A infini (le cas A fini est trivial), écrivons alors $A=\{a_{0},a_{1},\dots \}$ . Il s'ensuit alors que pour $m\in \mathbb {N} ,c_{a_{m}}=m$ . posons alors $n_{1}=\operatorname {min} (\{m\in \mathbb {N} ,a_{m}\geq n_{0}\}).$
On a donc ${\frac {\sum _{\underset {a\geq n_{0}}{a\in A}}{\frac {1}{c_{a}^{s}}}}{\zeta (s)}}={\frac {\sum _{m=1}^{\infty }{\frac {1}{m^{s}}}-\sum _{m=1}^{n_{1}-1}{\frac {1}{m^{s}}}}{\zeta (s)}}={\frac {\zeta (s)-\sum _{m=1}^{n_{1}-1}{\frac {1}{m^{s}}}}{\zeta (s)}}=1-{\frac {\sum _{m=1}^{n_{1}-1}{\frac {1}{m^{s}}}}{\zeta (s)}}{\underset {s\rightarrow 1^{+}}{\longrightarrow }}1$ , d'où $\mathbb {P} _{s}(X\in A)\leq {\frac {\sum _{\underset {a<n_{0}}{a\in A}}{\frac {1}{a^{s}}}}{\zeta (s)}}+(d(A)+\epsilon )^{s}\left(1-{\frac {\sum _{m=1}^{n_{1}-1}{\frac {1}{m^{s}}}}{\zeta (s)}}\right){\underset {s\rightarrow 1^{+}}{\longrightarrow }}d(A)+\epsilon$
On fait alors de même à gauche et on trouve pour s assez proche de 1 que $d(A)-2\epsilon \leq \mathbb {P} _{s}(X\in A)\leq d(A)+2\epsilon$ , ainsi : $\mathbb {P} _{s}(X\in A){\underset {s\rightarrow 1^{+}}{\longrightarrow }}d(A)$

Voir aussi

Références

(en) Cet article est partiellement ou en totalité issu de l’article de Wikipédia en anglais intitulé « Zeta distribution » (voir la liste des auteurs).

Élise Davignon, « Introduction aux probabilités » [PDF], sur Université de Montréal
↑ « Programme probabilités discrètes » [PDF], sur université Paris Diderot

Portail des probabilités et de la statistique

[:0-1] Élise Davignon, « Introduction aux probabilités » [PDF], sur Université de Montréal

[2] « Programme probabilités discrètes » [PDF], sur université Paris Diderot

[1]

[2]