Pareto dağılımı

Pareto

Olasılık yoğunluk fonksiyonu xm = 1 oldugu halde çeşitli k değerleri için Pareto olasılık yoğunluk fonksiyonları. Yatay eksen x parametredir. Limitte k → ∞, dağılım δ(x - xm) yaklaşır; burada δ Dirac delta fonksiyonudur.
Yığmalı dağılım fonksiyonu xm = 1 oldugu halde çeşitli k değerleri icin Pareto yığmalı dağılım fonksiyonları. Yatay eksen x parametredir.
Parametreler	${\displaystyle x_{\mathrm {m} }>0\,}$ ölçek (reel) ${\displaystyle k>0\,}$ shape (reel)
Destek	${\displaystyle x\in [x_{\mathrm {m} };+\infty )\!}$
Olasılık yoğunluk fonksiyonu (OYF)	{{{OYF}}}
Birikimli dağılım fonksiyonu (YDF)	{{{YDF}}}
Ortalama	${\displaystyle {\frac {k\,x_{\mathrm {m} }}{k-1}}\!}$ for ${\displaystyle k>1}$
Medyan	${\displaystyle x_{\mathrm {m} }{\sqrt[{k}]{2}}}$
Mod	${\displaystyle x_{\mathrm {m} }\,}$
Varyans	${\displaystyle {\frac {x_{\mathrm {m} }^{2}k}{(k-1)^{2}(k-2)}}\!}$ ${\displaystyle k>2}$ icin
Çarpıklık	${\displaystyle {\frac {2(1+k)}{k-3}}\,{\sqrt {\frac {k-2}{k}}}\!}$ ${\displaystyle k>3}$ icin
Fazladan basıklık	${\displaystyle {\frac {6(k^{3}+k^{2}-6k-2)}{k(k-3)(k-4)}}\!}$ ${\displaystyle k>4}$ icin
Entropi	${\displaystyle \ln \left({\frac {k}{x_{\mathrm {m} }}}\right)-{\frac {1}{k}}-1\!}$
Moment üreten fonksiyon (mf)	tanımlanmaz; ham momentler icin metine bakın
Karakteristik fonksiyon	${\displaystyle k(-ix_{\mathrm {m} }t)^{k}\Gamma (-k,-ix_{\mathrm {m} }t)\,}$

Pareto dağılımı, olasılık kuramı ve istatistik bilim dallarında birçok pratik uygulaması bulunan ve "küçük" bir nesnenin bir "büyük" nesneye dağılımında kararlılık elde edildiği hallerde kullanılan bir sürekli olasılık dağılımı veya bir güç kuramıdır. İlk olarak bir İtalyan iktisatçısı olan Vilfredo Pareto tarafından ekonomilerde bireylerin servet dağılımını göstermek için kullanılmıştır. İktisat bilim dalı dışında bu dağılım Bradford dağılımı adı altında da bilinmektedir.

Pareto dağılımı iktisat dışında, sosyal bilimler, fen, geofizik, sigortacılık ve birçok gözümlenen doal fonomen incelemeleri için geniş bir alanda uygulanabilimektedir.

• İktisatta, Wilfredo Pareto'nun ilk defa gösterdiği gibi, herhangi bir ülke veya idarî birim içinde servetin veya gelirin büyük bir kısmının incelenen sosyetenin küçük bir bireyler grubu tarafından sahip olunduğunu bu dağılım çok bariz bir şekilde göstermektedir. Bu öneri biraz daha az bilimsel olarak bazen Pareto prensibi veya 80-20 ilkesi olarak açıklanmakta ve bir ülkenin nüfusunun %20'si, servetin veya gelirin %80'ine sahip olduğu bu şekilde ifade edilmektedir.
• Tek hisse senedi için standardize edilmiş fiyat getirileri dağılımı.
• İçinde çok büyük sayıda sözcük bulunan ve bazı sözcükler çok tekrarlanırken diğer sözcüklerin nadir olarak kullanıldığı uzun metinlerde sözcük uzunluğu dağılımı.
• Değişik dillerde ve ülkelerde insanlara verilmiş olan isimlerin çokluluk dağılımları.
• TCP protokolunu kullanan İnternet trafiği için dosya büyüklüğü dağılımı.
• Mutlak sıfır yakınında Bose-Einstein yoğunlaşmaları grupları.
• Kum parçacıklarının büyüklük dağılımları.
• Metoritlerin büyüklük dağılımları.
• Orman yangınlarında yanan alanların yüzölçüm dağılımları.

Eğer X bir Pareto dağılım gösteren rassal değişken ise, Xin olasılığının değerini herhangi bir reel sayı olan xden daha büyük olması, yani tüm x ≥ x_m için, şu ifade ile verilir:

${\displaystyle \Pr(X>x)=\left({\frac {x}{x_{\mathrm {m} }}}\right)^{-k}}$

Burada x_m mutlaka X için verilen en küçük sayı değeri ve k ise pozitif değerde bir parametredir.

Pareto dağılımları ailesinin tanımlanması için iki tane sayısal parametre gerekmektedir:

${\displaystyle x^{n}}$ ve ${\displaystyle k}$

Pareto dağılımı iktisatda servet veya gelir dağılımı modelinde kullanıldığı zaman k parametresi Pareto endeksi olarak adlandırılır.

Bu tanınımdan hemen şu Pareto dağılımı için olasılık yoğunluk fonksiyonu ortaya çıkartılır:

${\displaystyle f(x;k,x_{\mathrm {m} })=k\,{\frac {x_{\mathrm {m} }^{k}}{x^{k+1}}}\ {\mbox{for}}\ x\geq x_{\mathrm {m} }.\,}$

• Pareto dağılımı gösteren bir rassal değişken için beklenen değer şöyle ifade edilir:

${\displaystyle E(X)={\frac {kx_{\mathrm {m} }}{k-1}}\,}$

Eğer k ≤ 1 ise beklenen değer sonsuz olacaktır.

• Varyans şöyle ifade edilir:

${\displaystyle \mathrm {var} (X)=\left({\frac {x_{\mathrm {m} }}{k-1}}\right)^{2}{\frac {k}{k-2}}.}$

Eğer ${\displaystyle k\leq 2}$ ise, varyans sonsuzdur.

• Ham momentler şöyle verilir:

${\displaystyle \mu _{n}'={\frac {kx_{\mathrm {m} }^{n}}{k-n}},\,}$

Ancak bu momentler sadece ${\displaystyle k>n}$ için anlamlıdır.

• Bu demektir ki, katsayıları ${\displaystyle x}$ ile ${\displaystyle \mu _{n}'/n!}$ olan bir Taylor serisi şeklinde tanımlanan moment üreten fonksiyon tanımlanmamıştır.
• Karakteristik fonksiyonu şöyle verilir:

${\displaystyle \varphi (t;k,x_{\mathrm {m} })=k(-ix_{\mathrm {m} }t)^{k}\Gamma (-k,-ix_{\mathrm {m} }t),}$

Burada Γ(a,x) bir tamamalanmamış Gamma fonksiyonu olur.

• Pareto dağılımının bir üstel dağılım ile şu şekilde ilişkisi bulunur:

${\displaystyle f(x;k,x_{\mathrm {m} })=\mathrm {Ustel} (\ln(x/x_{\mathrm {m} });k).\,}$

• Dirac delta fonksiyonu Pareto dağılımının bir limit halidir.

${\displaystyle \lim _{k\rightarrow \infty }f(x;k,x_{\mathrm {m} })=\delta (x-x_{\mathrm {m} }).\,}$

Bağımsız ve hepsi aynı dağılımlı rassal değiskenler olan X_i, i = 1, 2, 3, ... in k > 0 değerleri için [k, ∞) aralığında desteklenen olasılık dağılımları bulunduğu kabul edilsin. Ayrıca, tüm n değerleri için şu iki rassal değişken olan

min{ X₁, ..., X_n } ve :(X₁ + ... + X_n)/min{ X₁, ..., X_n }

birbirinden bağımsız değişkenler oldukları varsayılsın.

Bu halde her iki değişken de Pareto dağılım gösterir.

Pareto dağılımı sürekli olasılık dağılımdır. Zipf'in yasası veya diğer adı ile zeta dağılımı sürekli Pareto dağılımının araklıklı dağılım karşılığıdır.

Lorenz eğrisi gösterimi çok kere servet veya gelir dağılımını karakterize etmek için kullanılır.^[1] Herhangi bir gelir veya servet dağılımı için Lorenz eğrisi L(F) olarak ifade edilip ya bir olasılık yoğunluk fonksiyonu olan ${\displaystyle (f(x))}$ veya yığımlı dağılım fonksiyonu olan ${\displaystyle (F(x))}$ ile şöyle ifade edilebilir:

${\displaystyle L(F)={\frac {\int _{x_{\mathrm {m} }}^{x(F)}xf(x)\,dx}{\int _{x_{\mathrm {m} }}^{\infty }xf(x)\,dx}}={\frac {\int _{0}^{F}x(F')\,dF'}{\int _{0}^{1}x(F')\,dF'}}}$

Burada x(F) yığımlı dağılım fonksiyonunun tersidir.

Şu Pareto dağılımı için

${\displaystyle x(F)={\frac {x_{\mathrm {m} }}{(1-F)^{1/k}}}}$

Lorenz eğrisi şöyle hesaplanabilir:

${\displaystyle L(F)=1-(1-F)^{1-1/k},\,}$

L(F) ifadesinin paydası x in ortalama değeri olduğu için, k değeri 1'e eşit veya 1den büyük olmalıdır. Birkaç Pareto dağılımı ile ilişkili Lorenz eğrileri yukarıdaki gösterimde görülebilir.

Gini katsayısı Lorenz eğrisi ile dağılımda-eşitlik ifade eden [0,0] ile [1,1] noktalarını bağlayan çapraz doğru arasındaki farkı, yani eşitlikten sapmayı, ölçen bir katsayıdır. Özellikle gösterilmiştir ki, Gini katsaysı, Lorenz eğrisi ile dağılımda-eşitlik doğrusu arasındaki alanın yuzolçümünün iki mislidir.^[2]

Bu halde Pareto dağılımı için Gini katsayısı şöyle hesaplanır:

${\displaystyle G=1-2\int _{0}^{1}L(F)\,dF={\frac {1}{2k-1}}}$

Verilmiş bir rastgele orneklem veri dizisi olan ${\displaystyle x=(x_{1},x_{2},\dots ,x_{n})}$ için k ve ${\displaystyle x_{\mathrm {m} }}$ parametreli Paretoi dagilimi için olabilirlilik fonksiyonu soyle verilir:

${\displaystyle L(k,x_{\mathrm {m} })=\prod _{i=1}^{n}{k{\frac {x_{\mathrm {m} }^{k}}{x_{i}^{k+1}}}}=k^{n}x_{\mathrm {m} }^{nk}\prod _{i=1}^{n}{\frac {1}{x_{i}^{k+1}}}.\!}$

Böylece logaritmik olabilirlilik fonskiyonu su olur:

${\displaystyle \ell (k,x_{\mathrm {m} })=n\ln k+nk\ln x_{\mathrm {m} }-(k+1)\sum _{i=1}^{n}{\ln x_{i}}.\!}$

Bu fonksiyondan gorulmektedir ki ${\displaystyle \ell (k,x_{\mathrm {m} })}$ terimi ${\displaystyle x_{\mathrm {m} }}$ ile monotonik artis göstermektedir. Yani ${\displaystyle x_{\mathrm {m} }}$ değeri ne kadar büyük olursa olabilirlilik fonksiyonun değeri de oylece büyük olacaktır. ${\displaystyle x\geq x_{\mathrm {m} }}$ olduğu için sonuç olarak

${\displaystyle {\widehat {x}}_{\mathrm {m} }=\min _{i}{x_{i}}.}$

cikartılmaktadır.

k için bir kestrimci bulmak için, bunun gerekli kismi turevini almak; yani

${\displaystyle {\frac {\partial \ell }{\partial k}}={\frac {n}{k}}+n\ln x_{\mathrm {m} }-\sum _{i=1}^{n}{\ln x_{i}}=0.}$

ve bunun nerede ifira esit olduğunu bulmak gereklidir. Böylece, k için maksimum olabilirlilik kestirimi su olur:

${\displaystyle {\widehat {k}}={\frac {n}{\sum _{i}{\left(\ln x_{i}-\ln {\widehat {x}}_{\mathrm {m} }\right)}}}.}$

Bunun beklenen istatistiksel hatasi soyle ifade edilir:

${\displaystyle \sigma ={\frac {\widehat {k}}{\sqrt {n}}}.}$^[3]

Pareto dağılımı için doğrusal ölçek kullanılarak elde edilen gösterimdeki eğrinin genel olarak ortaya çıkarttığı uzun kuyruk özelliği, ayni veri dizisi logaritma-logaritma ölçekli bir grafikte gösterilince ortadan kalkmakta ve negatif eğim gösteren bir doğru ortaya çıkmaktadır.

Pareto olasilik dagilimi simulasyonu için birçok komputer istatistik paketinden yardım gorme imkâni su anda bulunmamaktadır. Oysaki Pareto dagilimi özellikle aktureya hesapları için, özellikle portfoy maliyetlerinin hesaplaması için, çok sik olarak kullanılması gerekmektedir ve bu hesaplar için istatistik paketleri özel Pareto dagilimi simulasyonları vermemektedirler.

Diger taraftan istatistik paketlerinin verdikleri bazı özel olasilik dagilimi simulasyonlarını birbirine ekleyerek Pareto dagilimi gösteren rassal değişken simulasyon sonuçları cikartmak zor degildir. Bu surec kolayca basarılması icik yordam soyle verilebilir:

Birinci şekilde bir gamma dagilimi tarafında uretilen bir rastgele orneklem için bulunan λ ile bir ustel dagilimdan rastgele sayılar ortaya cikartilir; yani

${\displaystyle \displaystyle k_{\mathrm {Gamma} }=k_{\mathrm {Pareto} }\,}$

ve

${\displaystyle \theta _{\mathrm {Gamma} }={\frac {1}{x_{\mathrm {m} _{\mathrm {Pareto} }}}}.}$

Bu hesaplar 0da başlayan bir rastgele veri serisi uretirler. Bunun üstüne ${\displaystyle x_{\mathrm {m} }}$ eklemek gerekir.

Diger bir şekilde simulasyon, ters donusum orneklem alma islemi kullanılarak elde edilir. ${\displaystyle (0;1)}$ birim araklita bulunan surekli tekduze dagilimdan ${\displaystyle U}$ değişebiliri için rastgele olarak elde edilir. Bu değişebilir için

${\displaystyle T={\frac {x_{\mathrm {m} }}{U^{1/k}}}}$

fonksiyonu Pareto-dagilimi gösterir.^[4]

• Pareto prensibi
• Pareto enterpolasyonu
• Pareto etkinliği
• Pareto analizi
• The Long Tail

• Reed,W.J. Pareto, Zipf ve diğer güç yasaları 23 Temmuz 2008 tarihinde Wayback Machine sitesinde arşivlendi.
• SOCR Bilgi Kaynagi: Pareto dagilimina etkilisimli ara yuzey 22 Şubat 2008 tarihinde Wayback Machine sitesinde arşivlendi.
• Pareto orneklemesi ve simulasyonu 13 Mayıs 2008 tarihinde Wayback Machine sitesinde arşivlendi.