Ve statistice je mocenský zákon ( angl. power law ) takový funkční vztah mezi dvěma veličinami, ve kterém relativní změna v jedné veličině vede k proporcionální relativní změně v jiné veličině, bez ohledu na počáteční hodnoty . tyto veličiny: závislost jedné veličiny na druhé je mocninnou funkcí . Zvažte například závislost plochy čtverce na délce jeho strany. Pokud se délka zdvojnásobí, plocha se zčtyřnásobí. [jeden]
V mnoha fyzikálních, biologických a umělých jevech jsou pozorována rozložení, která přibližně odpovídají mocninnému zákonu na různých měřítcích: například velikost měsíčních kráterů a slunečních erupcí [2] , vzorce krmení různých druhů [3] , aktivita populace neuronů [4] , četnost používání slov ve většině jazyků, prevalence příjmení , počet druhů v kladech organismů [5] , rozsah nehod v energetických systémech , počet obvinění z trestného činu na jednoho zločince, počet sopečných erupcí [6] , lidské odhady intenzity podnětů [7] [8] a mnoho dalších veličin [9] . Empirická rozdělení mohou odpovídat mocninnému zákonu v celém rozsahu svých hodnot, nebo například v ocasu. Tlumení zvukových vibrací se řídí zákonem o výkonu v širokých frekvenčních pásmech v mnoha složitých prostředích. Allometrické vzory vztahů mezi biologickými proměnnými patří mezi nejznámější příklady mocenských zákonů v přírodě.
Mocninný zákon je charakterizován neměnností měřítka . Pokud je true , pak změna měřítka argumentu konstantním faktorem způsobí, že se samotná funkce změní proporcionálně. to je:
kde označuje přímou úměrnost . Jinými slovy, vynásobení argumentu konstantou má za následek vynásobení hodnoty funkce konstantou . Všechny mocninné zákony s daným exponentem jsou tedy ekvivalentní až do násobení konstantou, protože všechny jsou pouze zmenšenými verzemi každého jiného. Toto dá svah lineárnímu vztahu mezi logaritmy a , a přímce na log-log plot , který je často považován za charakteristiku mocninného práva. V reálných datech je tato vlastnost nezbytná, ale nestačí k závěru, že existuje mocenský zákon. Existuje mnoho způsobů, jak generovat konečná množství dat, která napodobují mocninný zákon, ale odchylují se od něj v asymptotickém limitu (například pokud proces generování dat sleduje lognormální rozdělení ). Kontrola modelů z hlediska souladu s mocenským zákonem je aktuální oblastí výzkumu ve statistice, viz níže.
Mocninné právo má přesně definovaný průměr v , pouze pokud , a má konečný rozptyl , pouze pokud . Pro většinu známých mocninných zákonů v přírodě jsou hodnoty exponentu takové, že střední hodnota je přísně definována, ale rozptyl není, takže pro ně existuje možnost výskytu událostí " černé labutě " typ. [10] To lze ilustrovat následujícím myšlenkovým experimentem: [11] Představte si, že jste v místnosti s přáteli a odhadněte průměrný měsíční příjem v této místnosti. Nyní si představte, že do této místnosti vstoupil nejbohatší člověk na světě s měsíčním příjmem asi 1 miliardy USD. Jak se změní hodnota průměrného měsíčního příjmu na pokoji? Rozdělení příjmů se řídí mocenským zákonem známým jako Paretovo rozdělení (například bohatství Američanů se rozděluje podle mocenského zákona s exponentem 2).
Na jedné straně to neumožňuje správné použití tradiční statistiky založené na rozptylu a směrodatné odchylce (například regresní analýza ). Na druhou stranu umožňuje nákladově efektivní zásah. [11] Řekněme například, že výfukové plyny automobilů jsou distribuovány podle mocenského zákona mezi automobily (to znamená, že většina znečištění pochází z velmi malého počtu automobilů). Pak bude stačit tento malý počet aut odstranit ze silnic, aby se výrazně snížilo celkové množství emisí. [12]
Medián existuje: pro mocninný zákon x - k s exponentem nabývá hodnoty 2 1/( k - 1) x min , kde x min je minimální hodnota, pro kterou mocninný zákon platí [13]
Ačkoli je mocninný zákon atraktivní z mnoha teoretických důvodů, dokázat, že data skutečně dodržují mocninný zákon, vyžaduje více než jen dosazení parametrů modelu. [14] Je důležité pochopit, jak dochází k distribucím: zdánlivě podobná distribuce se mohou vyskytovat z výrazně odlišných důvodů a různé modely poskytují různé předpovědi, například při extrapolaci. [15] [16]