Pareto dağılımı

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.

Birkaç Pareto dağılımı için Lorenz eğrileri. k = ∞ kusursuzca eşit dağılımı gösterir (G = 0) ve k = 1 doğrusu ise tüm olarak eşitsiz dağılım gösterimidir (G = 1)

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:

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

Verilmis 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 çıkartığı 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 ekliyerek 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
• SOCR Bilgi Kaynagi: Pareto dagilimina etkilisimli ara yuzey
• Pareto orneklemesi ve simulasyonu