ပါရီတို ဖြန့်ဖြူးခြင်း
| ဖြစ်တန်စွမ်း သီအိုရီ (Probability theory) |
|---|
|
ကျပန်းကိန်းရှင် နှင့် ဖန်ရှင်များ |
|
စတော့ကတ်စတစ် လုပ်ငန်းစဉ်များ |



ပါရီတို ဖြန့်ဖြူးခြင်း (Pareto distribution) သည် အပေါ်တွင် သတ်မှတ်ထားသော အဆက်မပြတ် (continuous) ထပ်ကိန်း နိယာမ (power-law) ဖြစ်တန်စွမ်း ဖြန့်ဖြူးခြင်း (probability distribution) တစ်ခုဖြစ်သည်။ ၎င်းကို စကေး ကိန်းရှင်ကြားခံ (scale parameter) နှင့် ပုံသဏ္ဌာန် ကိန်းရှင်ကြားခံ (shape parameter) တို့ဖြင့်ဖော်ပြသည်။ ထိုပုံသဏ္ဌာန် ကိန်းရှင်ကြားခံကို အမြီး အညွှန်း (tail index) သို့မဟုတ် ပါရီတို အညွှန်း (Pareto index) ဟုလည်း ခေါ်ဆိုသည်။ ကျပန်းကိန်းရှင် (random variable) တစ်ခုသည် စံ (standard) ပါရီတို အမျိုးအစား 1 ဖြန့်ဖြူးခြင်းကို လိုက်နာပါက ၎င်းကို ဟု သင်္ကေတဖြင့် ဖော်ပြသည်။
ပုံစံတကျ အဓိပ္ပာယ်သတ်မှတ်ချက်များ (Formal Definitions)
[ပြင်ဆင်ရန်]ဖြစ်တန်စွမ်း သိပ်သည်းဆ ဖန်ရှင် (Probability Density Function)
[ပြင်ဆင်ရန်]အတွက် ဖြစ်တန်စွမ်း သိပ်သည်းဆ ဖန်ရှင် (probability density function) (PDF) သည် အောက်ပါအတိုင်း ဖြစ်သည်။[၁] အတွက် PDF သည် သုညအတိအကျ (identically zero) ဖြစ်သည်။
စုဆောင်း ဖြန့်ဖြူးခြင်း ဖန်ရှင် (Cumulative Distribution Function)
[ပြင်ဆင်ရန်]စုဆောင်း ဖြန့်ဖြူးခြင်း ဖန်ရှင် (cumulative distribution function) (CDF) သည် အောက်ပါအတိုင်း ဖြစ်သည်။ ဖြည့်စွက် (complementary) CDF သည် တိကျစွာ (strictly) ဖြစ်သည်။ ၎င်းကို ရှင်သန်မှု ဖန်ရှင် (survival function) ဟုလည်း ခေါ်သည်။
အဓိက သီအိုရမ်များနှင့် ဂုဏ်သတ္တိများ (Core Theorems and Properties)
[ပြင်ဆင်ရန်]မိုးမန့်များ (Moments)
[ပြင်ဆင်ရန်]အတွက် မျှော်မှန်းတန်ဖိုး (expected value) သည် ဖြစ်မှသာလျှင် စုဆုံသည် (converges)။[၂] ကွဲလွဲချက် (variance) သည် ဖြစ်မှသာလျှင် အဆုံးရှိ (finite) ဖြစ်သည်။ ယေဘုယျ မိုးမန့်များ (raw moments) သည် အတွက် အဖြစ် တည်ရှိသည် (exist)။ မိုးမန့်ထုတ်လုပ် ဖန်ရှင် (moment-generating function) သည် အတွက် ဖြာထွက်သည် (diverges)။ ထို့ပြင် ဝိသေသလက္ခဏာ ဖန်ရှင် (characteristic function) အတွက် တွင် ဖြစ်ပြီး အတွက် မပြည့်စုံသည့် ဂါမာ ဖန်ရှင် (incomplete gamma function) ကို အသုံးပြု၍ အောက်ပါအတိုင်း ဖော်ပြသည်။
ကန့်သတ်ချက်ဖြင့် ဖြန့်ဖြူးခြင်းများ (Conditional Distributions)
[ပြင်ဆင်ရန်]ပေးထားသောအခါ ၏ ကန့်သတ်ချက်ဖြင့် ဖြန့်ဖြူးခြင်း (conditional distribution) သည် တူညီသော ပုံသဏ္ဌာန် ကိန်းရှင်ကြားခံ (shape parameter) ဖြင့် ဆက်လက်တည်ရှိနေသော်လည်းစကေး (scale) အသစ် ဖြင့် ကန့်သတ်ချက်ခံထားရသည် (bounded)။ ဤနေရာတွင် ဖြစ်သည်။ ရလဒ်အနေဖြင့် ကန့်သတ်ချက်ဖြင့် မျှော်မှန်းတန်ဖိုး သည် အတွက် နှင့် တိကျစွာ အချိုးကျသည် (strictly proportional)။
လိုရန်ဇ် မျဉ်းကွေး နှင့် ဂျီနီ မြှောက်ဖော်ကိန်း (Lorenz Curve and Gini Coefficient)
[ပြင်ဆင်ရန်]အတွက် လိုရန်ဇ် မျဉ်းကွေး (Lorenz curve) သည် ဖြန့်ဖြူးခြင်း၏ စုစည်းမှု (concentration) ကို တွက်ချက်ဖော်ပြသည် (evaluates)။ ပြီးပြည့်စုံသော ညီမျှမှု မျဉ်း (line of perfect equality) နှင့် လိုရန်ဇ် မျဉ်းကွေးတို့ကြားရှိ အရွယ်ပြောင်းဧရိယာ (scaled area) ကို ကိုယ်စားပြုဖော်ပြသည့် ဂျီနီ မြှောက်ဖော်ကိန်း (Gini coefficient) ကို အောက်ပါအတိုင်း တွက်ချက်ရရှိသည်။
ယေဘုယျပြုထားသော ပါရီတို ဖြန့်ဖြူးခြင်းများ (Generalized Pareto Distributions)
[ပြင်ဆင်ရန်]စံ ပါရီတို ဖြန့်ဖြူးခြင်း (standard Pareto distribution) ကို ရှင်သန်မှု ဖန်ရှင်များ (survival functions) ဖြင့် သတ်မှတ်ထားသော အဆင့်ဆင့်ဖွဲ့စည်းပုံ (hierarchical) မူဘောင်တစ်ခုသို့ ယေဘုယျပြုသည် (generalized)။ ၎င်းစံဖြန့်ဖြူးခြင်းကို အမျိုးအစား 1 ဟု သတ်မှတ်သည်။[၃]
- အမျိုးအစား 1 - အတွက် ဖြစ်သည်။ ဤနေရာတွင် နှင့် ဖြစ်သည်။
- အမျိုးအစား 2 သို့မဟုတ် လိုမက်စ် အမျိုးအစား - အတွက် ဖြစ်သည်။ ဤနေရာတွင် နှင့် ဖြစ်သည်။
- အမျိုးအစား 3 - အတွက် ဖြစ်သည်။ ဤနေရာတွင် နှင့် ဖြစ်သည်။
- အမျိုးအစား 4 - အတွက် ဖြစ်သည်။ ဤနေရာတွင် နှင့် တို့ ဖြစ်သည်။
ဖဲလား-ပါရီတို ဖြန့်ဖြူးခြင်း (Feller-Pareto distribution) သည် ဘီတာ-ဖြန့်ဖြူးခြင်းရှိသော ကျပန်းကိန်းရှင်များ (beta-distributed random variables) အပေါ် အသွင်ပြောင်းခြင်းများ (transformations) ကို အသုံးပြုခြင်းအားဖြင့် အမျိုးအစား 4 ကို ယေဘုယျပြုထားသည်။[၄]
ဆက်စပ် ဖြန့်ဖြူးခြင်းများ (Related Distributions)
[ပြင်ဆင်ရန်]- ဖြစ်ပါက ၎င်း၏ လော့ဂရစ်သမ်ဆိုင်ရာ အသွင်ပြောင်းခြင်း (logarithmic transformation) သည် ထပ်ကိန်းတင် ဖြန့်ဖြူးခြင်း (exponential distribution) ကို လိုက်နာပြီး ဖြစ်သည်။
- ပါရီတို ကိန်းရှင်တစ်ခု၏ ပြောင်းပြန် (inverse) သည် ကြားတွင် ကန့်သတ်ချက်ခံထားရသော (bounded) ထပ်ကိန်း ဖြန့်ဖြူးခြင်း (power distribution) ကိုလိုက်နာသည်။
စာရင်းအင်းဆိုင်ရာ ကောက်ချက်ချခြင်း (Statistical Inference)
[ပြင်ဆင်ရန်]ကိန်းရှင်ကြားခံ ခန့်မှန်းတွက်ချက်ခြင်း (Parameter Estimation)
[ပြင်ဆင်ရန်]ပါရီတို ဖြန့်ဖြူးခြင်း (Pareto distribution) မှ ထုတ်ယူထားသော အမှီအခိုကင်းသော နမူနာ (independent sample) ကို ပေးထားသောအခါ ဖြစ်နိုင်ခြေ (likelihood) သည် အငယ်ဆုံး လေ့လာတွေ့ရှိချက် (smallest observation) တွင် အများဆုံးဖြစ်စေသည် (maximized)။ သို့ဖြစ်၍ စကေး ကိန်းရှင်ကြားခံ (scale parameter) အတွက် အများဆုံး ဖြစ်နိုင်ခြေရှိ ခန့်မှန်းကိန်း (maximum likelihood estimator) (MLE) သည် အောက်ပါအတိုင်း ဖြစ်သည်။[၅] အနည်းဆုံး ကွဲပြားသော (distinct) လေ့လာတွေ့ရှိချက် နှစ်ခုပါဝင်သည့် နမူနာ အရွယ်အစား (sample size) ကို ပေးထားသောအခါ ပုံသဏ္ဌာန် ကိန်းရှင်ကြားခံ (shape parameter) အတွက် အများဆုံး ဖြစ်နိုင်ခြေရှိ ခန့်မှန်းကိန်း သည် အောက်ပါအတိုင်း ဖြစ်သည်။
ကိုးကား (References)
[ပြင်ဆင်ရန်]- Arnold၊ Barry C. (1983)၊ Pareto Distributions၊ Fairland: International Co-operative Publishing House၊ ISBN 978-0-89974-012-6
- Feller၊ William (1971)၊ An Introduction to Probability Theory and its Applications၊ 2 (2nd ed.)၊ New York: John Wiley & Sons
- Johnson၊ Norman L.; Kotz၊ Samuel; Balakrishnan၊ Narayanaswamy (1994)၊ Continuous Univariate Distributions၊ 1 (2nd ed.)၊ New York: John Wiley & Sons၊ ISBN 978-0-471-58495-7
- Kleiber၊ Christian; Kotz၊ Samuel (2003)၊ Statistical Size Distributions in Economics and Actuarial Sciences၊ Hoboken: John Wiley & Sons၊ ISBN 978-0-471-15064-0
- Malik၊ Henrick J. (1970)၊ "Estimation of the Parameters of the Pareto Distribution"၊ Metrika၊ 15၊ doi:10.1007/BF02613565