В статистиці степеневий розподіл (англ. power law) — це така функціональна залежність між двома величинами, при котрій відносна зміна однієї величини призводить до пропорційної відносної зміни іншої величини, незалежно від початкових значень цих величин: залежність однієї величини від іншої являє собою степеневу функцію. Наприклад, площа квадрата має степеневу залежність від довжини його сторони: якщо довжина буде збільшена удвічі, то площа збільшиться вчетверо.
Приклади з практики Редагувати
В багатьох фізичних, біологічних та штучних явищах спостерігаються розподіли, відповідні степеневому закону в різних масштабах: наприклад, розміри місячних кратерів і сонячних спалахів, закономірності харчування різних видів, активність популяцій нейронів, частота вживання слів в більшості мов, розповсюдженість прізвищ, кількість видів[en] в кладах організмів, масштаби аварій в енергосистемах, число карних звинувачень на одного злочинця, кількість вивержень вулканів, людські оцінки інтенсивності стимулів і багато інших величин. Емпіричні розподіли можуть відповідати степеневому закону на всьому діапазоні своїх значень, або, наприклад, в хвості. Затухання звукових коливань[en] проходить за степеневим законом у широких смугах частот у багатьох складних середовищах. Аллометричні закономірності для відношень між біологічними змінними є одними з самих відомих прикладів степеневих законів в природі.
Властивості Редагувати
Масштабна інваріантність Редагувати
Для степеневого закону характерна масштабна інваріантність[en]. Якщо виконується , то масштабування аргументу на постійний коефіцієнт призведе до пропорційного масштабування самої функції. Тобто:
де означає пряму пропорційність. Іншими словами, Множення аргументу на сталу величину призводить просто до множення значень функції на сталу величину . Таким чином, всі степеневі закони з заданим показником ступеню еквівалентні з точністю до множення на константу, оскільки всі вони являють собою лише масштабування версії один одного. Це породжує лінійну залежність між логарифмами величин та , і пряму лінію на графіку у подвійному логарифмічному масштабі (log–log), яку часто вважають характерною ознакою степеневого закону. В реальних даних ця ознака є необхідною, але не достатньою, щоб зробити висновок щодо наявності степеневого закону. Існує багато способів згенерувати кінцеві об'єми даних, що імітують відповідність степеневому закону, але відхиляються від нього в асимптотичній межі (наприклад, якщо процес генерації даних підпорядковується логнормальному розподілу). Перевірка моделей на відповідність степеневому закону є актуальною областю досліджень в статистиці, див. нижче.
Відсутність строго визначеного середнього значення Редагувати
Степеневий закон має строго визначене середнє значення при , тільки якщо , і має кінцеву дисперсію, тільки якщо . Для більшості відомих степеневих законів в природі значення показника ступеню такі, що середнє значення є строго визначеним, а дисперсія ні, тому для них існує можливість виникнення подій типу «чорний лебідь». Це можна показати на прикладі наступного уявного експерименту: уявіть себе в кімнаті з друзями і оцініть середньомісячний прибуток у цій кімнаті. Тепер уявіть, що в цю кімнату увійшла сама заможна людина у світі з місячним прибутком близько 1 мільярда US$. Як зміниться значення середньомісячного доходу в кімнаті? Розподіл доходів підпорядковується степеневому закону, відомому як розподіл Парето (наприклад, капітали американців, розподіленні за степеневим законом з показником ступеню 2).
З одного боку, це не дозволяє коректно застосовувати традиційну статистику, засновану на дисперсії і середньоквадратичному відхиленні (наприклад, регресійний аналіз). З іншого, це дозволяє здійснювати ефективне за витратами втручання. Наприклад, нехай шкідливі викиди автомобілів розподіленні по степеневому закону серед автомобілів (тобто більшість забруднень здійснюється дуже невеликим числом автомобілів). Тоді буде достатньо прибрати з доріг цю невелику кількість автомобілів, щоб суттєво знизити цю кількість викидів.
Медіана існує: для степеневого закону x –k с показником ступеню вона приймає значення 21/(k — 1)xmin, де xmin — це мінімальне значення, для якого виконується степеневий закон.
Універсальність Редагувати
Еквівалентність степеневого розподілу з особливою масштабною експонентою може скоріше мати пояснення в теорії динамічних процесів, ніж виводитися з відношень степеневого розподілу. У фізиці, наприклад, фазовий перехід в термодинамічних системах асоціюється з появою степеневого розподілу деяких величин, експоненти відносяться до критичних індексів системи. Різні системи з однаковими критичними індексами — це ті, що демонструють ідентичну поведінку при наближенні до критичного значення — може буди продемонстрована за допомогою теорії ренормалізаційних груп, поділяти однакову фундаментальну динаміку. Наприклад, поведінка води та CO2 в їх точках кипіння потрапляє в однакові класи універсальності, тому, що вони мають однакові критичні індекси.[джерело?][прояснити] По факту, майже вся суть фазових переходів описана невеличкою множиною класів універсальності. Подібні спостереження були зроблені, хоча й не так всеосяжно, для різних самоорганізованих критичних систем, де критичні точки систем — це атрактор. Формально, цей динамічний обмін відноситься до універсальності[en], і системи з точно такими ж критичними індексами називаються тими, що належать класу універсальності.
Функції степеневого розподілу Редагувати
Науковий інтерес до відношень степеневого розподілу частково випливає з легкості, з якою деякі поширені класи механізмів їх породжують. Наявність степеневого розподілу на деяких даних може вказати на специфіку поведінки механізмів, які можуть лежати в основі природного феномену в цьому питанні, та може визначати глибокі зв'язки з іншими, здавалося ніяк не пов'язаними, системами; див. також універсальність вище. Поширеність степеневого розподілу в фізиці частково походить з обмежень на розмірності, у той час як в складних системах, степеневий розподіл несе відбиток ієрархій або специфічних випадкових процесів. У доволі рідких випадках степеневий розподіл є розподілом Парето, структурною подібністю фракталів або законів масштабування в біологічних системах. Пошук причин виникнення степеневого розподілу та зусилля по його виявленню та доведенню їх в реальному житті є актуальною темою у багатьох галузях науки, включаючи фізику, комп'ютерні науки, мовознавство, геофізику, нейронауку та інші.
Однак, найбільший інтерес до степеневого розподілу походить з розподілу ймовірностей: розподіл великої кількості різноманітних величин здається виводиться з формул степеневого розподілу, принаймні в верхній частині(значні події). Поведінка цих значних подій прив'язує ці величини до вивчення теорії екстремальних значень[en], яка розглядає частоти вкрай рідкісних подій як біржовий крах та великі стихійні лиха. Це головним чином вивчення статистичних процесів, названих «степеневим розподілом».
В емпіричному контексті, апроксимація в степеневому розподілі зазвичай включає відхилення моменту , яка може представлятися невизначеністю в спостережених даних (можливість виміру або помилки вибірки) або прокладає простий шлях до спостереження відхилень з функцією степеневого розподілу (можливо для випадкових процесів):
Математично, строгий степеневий розподіл не може бути розподілом ймовірностей, але розподіл представлений усіченою степеневою функцією можливий: for де експонента більше ніж 1 , мінімальне значення потребує іншого розподілу, що має нескінченну площу x наближаючись до 0, та константа C — це вимірювальний фактор для забезпечення того, що вся площа буде рівнятися 1, як необхідна умова розподілу ймовірностей. Частіше використовується асимптотичний степеневий розподіл — який вірний тільки в межі; дивіться розподіл ймовірностей степеневого розподілу для більших деталей. Типова експонента спадає в межах , хоча не завжди.
Посилання Редагувати
Примітки
- Yaneer Bar-Yam. Concepts: Power Law. New England Complex Systems Institute. Процитовано 18 серпня 2015.
- Newman, M. E. J. (2005). Power laws, Pareto distributions and Zipf's law. Contemporary Physics 46 (5): 323–351. Bibcode:2005ConPh..46..323N. arXiv:cond-mat/0412004. doi:10.1080/00107510500052444.
- Environmental context explains Lévy and Brownian movement patterns of marine predators. Nature 465 (7301): 1066–1069. 2010. Bibcode:2010Natur.465.1066H. PMID 20531470. doi:10.1038/nature09116. Проігноровано невідомий параметр
|vauthors=
(довідка) - Klaus A, Yu S, Plenz D (2011). Statistical Analyses Support Power Law Distributions Found in Neuronal Avalanches. У Zochowski, Michal. PLoS ONE 6 (5): e19779. Bibcode:2011PLoSO...619779K. PMC 3102672. PMID 21720544. doi:10.1371/journal.pone.0019779.
- Albert, J. S.; Reis, R. E., ред. (2011пппп). Historical Biogeography of Neotropical Freshwater Fishes. Berkeley: University of California Press.
- Cannavo, Flavio; Nunnari, Giuseppe (1 березня 2016). On a Possible Unified Scaling Law for Volcanic Eruption Durations. Scientific Reports (англ.) 6: 22289. Bibcode:2016NatSR...622289C. ISSN 2045-2322. PMC 4772095. PMID 26926425. doi:10.1038/srep22289.
- Stevens, S. S. (1957). On the psychophysical law. Psychological Review, 64, 153—181
- Staddon, J. E. R. (1978). Theory of behavioral power functions. Psychological Review, 85, 305—320.
- ↑ Clauset, Shalizi та Newman, 2009.
- Newman, M. E. J.; Reggiani, Aura; Nijkamp, Peter (2005). Power laws, Pareto distributions and Zipf's law. Cities 30 (2005): 323–351. arXiv:cond-mat/0412004. doi:10.1016/j.cities.2012.03.001.
- ↑ 9na CEPAL Charlas Sobre Sistemas Complejos Sociales (CCSSCS): Leyes de potencias, https://www.youtube.com/watch?v=4uDSEs86xCI
- Malcolm Gladwell (2006), Million-Dollar Murray; . Архів оригіналу за 18 березня 2015. Процитовано 14 червня 2015.
- Newman, Mark EJ. «Power laws, Pareto distributions and Zipf's law.» Contemporary physics 46.5 (2005): 323—351.
- Sornette, 2006.
- Simon, 1955.
Бібліографія
- Bak, Per (1997) How nature works, Oxford University Press ISBN 0-19-850164-1
- Clauset, A.; Shalizi, C. R.; Newman, M. E. J. (2009). Power-Law Distributions in Empirical Data. SIAM Review 51 (4): 661–703. Bibcode:2009SIAMR..51..661C. arXiv:0706.1062. doi:10.1137/070710111.
- Laherrère, J.; Sornette, D. (1998). Stretched exponential distributions in nature and economy: "fat tails" with characteristic scales. The European Physical Journal B 2 (4): 525–539. Bibcode:1998EPJB....2..525L. arXiv:cond-mat/9801293. doi:10.1007/s100510050276.
- Mitzenmacher, M. (2004). A Brief History of Generative Models for Power Law and Lognormal Distributions. Internet Mathematics 1 (2): 226–251. doi:10.1080/15427951.2004.10129088.
- Alexander Saichev, Yannick Malevergne and Didier Sornette (2009) Theory of Zipf's law and beyond, Lecture Notes in Economics and Mathematical Systems, Volume 632, Springer (November 2009), ISBN 978-3-642-02945-5
- Simon, H. A. (1955). On a Class of Skew Distribution Functions. Biometrika 42 (3/4): 425–440. JSTOR 2333389. doi:10.2307/2333389.
- Sornette, Didier (2006). Critical Phenomena in Natural Sciences: Chaos, Fractals, Self-organization and Disorder: Concepts and Tools. Springer Series in Synergetics (вид. 2nd). Heidelberg: Springer. ISBN 978-3-540-30882-9.
- Mark Buchanan (2000) Ubiquity, Weidenfeld & Nicolson ISBN 0-297-64376-2
- Stumpf, M.P.H.; Porter, M.A. (2012). Critical Truths about Power Laws. Science 335 (6069): 665–6. Bibcode:2012Sci...335..665S. PMID 22323807. doi:10.1126/science.1216142.