Questa voce o sezione sull'argomento matematica non cita le fonti necessarie o quelle presenti sono insufficienti .
Schema di una distribuzione paretiana In teoria delle probabilità la distribuzione paretiana (o distribuzione di Pareto , così chiamata in onore di Vilfredo Pareto) è una distribuzione di probabilità continua, utilizzata in particolar modo per descrivere la distribuzione dei redditi.
Metodologia[ 1] La funzione di densità di probabilità associata alla distribuzione paretiana è:
f ( x ) = α β α x α + 1 {\displaystyle \ f(x)={\frac {\alpha \beta ^{\alpha }}{x^{\alpha +1}}}} f ( x ) = { α β α x α + 1 per x ≥ β 0 per x < β {\displaystyle f(x)={\begin{cases}{\dfrac {\alpha \beta ^{\alpha }}{x^{\alpha +1}}}&{\text{per }}x\geq \beta \\0&{\text{per }}x<\beta \end{cases}}} La distribuzione paretiana è caratterizzata da due parametri: uno di posizione β {\displaystyle \beta } positivo, che è il valore minimo che può assumere X {\displaystyle X} , e un parametro di forma α {\displaystyle \alpha } , anch'esso positivo, che viene spesso indicato come "indice coda".
La variabile casuale paretiana è spesso utilizzata per modellizzare la distribuzione del reddito; in tal caso, β {\displaystyle \beta } viene interpretato come reddito minimo .
Integrando la funzione densità tra β {\displaystyle \beta } e x ∈ ( β ; + ∞ ) {\displaystyle x\in (\beta ;+\infty )} si ottiene la funzione di distribuzione:
F X ( x ) = α β α ∫ β + ∞ ξ − ( α + ) d ξ = α β α ⋅ − 1 α ξ − α | β + ∞ = − β α ⋅ 1 ξ α | β x = − β α ( 1 x α − 1 β α ) = 1 − ( β x ) α {\displaystyle {\begin{alignedat}{2}F_{X}(x)=\alpha \beta ^{\alpha }\int _{\beta }^{+\infty }\xi ^{-(\alpha +)}d\xi &=\alpha \beta ^{\alpha }\cdot -{\frac {1}{\alpha }}\xi ^{-\alpha }{\bigg |}_{\beta }^{+\infty }=-\beta ^{\alpha }\cdot {\dfrac {1}{\xi ^{\alpha }}}{\bigg \vert }_{\beta }^{x}\\[2ex]&=-\beta ^{\alpha }\left({\dfrac {1}{x^{\alpha }}}-{\dfrac {1}{\beta ^{\alpha }}}\right)=1-\left({\dfrac {\beta }{x}}\right)^{\alpha }\end{alignedat}}}
F ( x ) = { 1 − ( β x ) α per x ≥ β 0 per x < β {\displaystyle F(x)={\begin{cases}1-{\bigg (}{\dfrac {\beta }{x}}{\bigg )}^{\alpha }&{\text{per }}x\geq \beta \\0&{\text{per }}x<\beta \end{cases}}}
I suoi principali parametri sono:
Momenti ordinari μ 1 = ∫ β + ∞ x α β α x α + 1 d x = α β α ∫ β + ∞ x − α d x = α β α ⋅ x 1 − α 1 − α | β + ∞ = α β α 1 − α ⋅ 1 x α − 1 | β + ∞ = α β α 1 − α ( 0 − 1 β α − 1 ) = α β α − 1 {\displaystyle {\begin{aligned}\mu _{1}&=\displaystyle \int _{\beta }^{+\infty }x{\dfrac {\alpha \beta ^{\alpha }}{x^{\alpha +1}}}\,dx=\alpha \beta ^{\alpha }\displaystyle \int _{\beta }^{+\infty }x^{-\alpha }\,dx=\alpha \beta ^{\alpha }\cdot {\dfrac {x^{1-\alpha }}{1-\alpha }}{\bigg \vert }_{\beta }^{+\infty }\\[2ex]&={\dfrac {\alpha \beta ^{\alpha }}{1-\alpha }}\cdot {\dfrac {1}{x^{\alpha -1}}}{\bigg \vert }_{\beta }^{+\infty }={\dfrac {\alpha \beta ^{\alpha }}{1-\alpha }}\left(0-{\dfrac {1}{\beta ^{\alpha -1}}}\right)={\dfrac {\alpha \beta }{\alpha -1}}\\\end{aligned}}} Da cui si ottiene: μ 1 = { α β x − 1 per α > 1 ∞ per α ≥ 1 {\displaystyle \mu _{1}={\begin{cases}{\dfrac {\alpha \beta }{x-1}}&{\text{per }}\alpha >1\\\infty &{\text{per }}\alpha \geq 1\end{cases}}} μ 2 = α β α ∫ β + ∞ x 2 x α + 1 d x = α β α ∫ β + ∞ x 1 − α d x = α β α ⋅ 1 2 − α x 2 − α | β + ∞ = α β α ⋅ 1 2 − α 1 x α − 2 | β + ∞ = α β α ⋅ 1 2 − α ( 0 − 1 β α − 2 ) = − α β α 2 − α ⋅ 1 β α − 2 = α β 2 α − 2 {\displaystyle {\begin{aligned}\mu _{2}&=\alpha \beta ^{\alpha }\int _{\beta }^{+\infty }{\dfrac {x^{2}}{x^{\alpha +1}}}\,dx=\alpha \beta ^{\alpha }\int _{\beta }^{+\infty }x^{1-\alpha }\,dx=\alpha \beta ^{\alpha }\cdot {\dfrac {1}{2-\alpha }}x^{2-\alpha }{\bigg \vert }_{\beta }^{+\infty }\\[2ex]&=\alpha \beta ^{\alpha }\cdot {\dfrac {1}{2-\alpha }}{\dfrac {1}{x^{\alpha -2}}}{\bigg \vert }_{\beta }^{+\infty }=\alpha \beta ^{\alpha }\cdot {\dfrac {1}{2-\alpha }}\left(0-{\dfrac {1}{\beta ^{\alpha -2}}}\right)\\[2ex]&=-{\dfrac {\alpha \beta ^{\alpha }}{2-\alpha }}\cdot {\dfrac {1}{\beta ^{\alpha -2}}}={\dfrac {\alpha \beta ^{2}}{\alpha -2}}\end{aligned}}} Da cui si ricava: μ 2 = { α β 2 x − 2 per α > 2 ∞ per α ≥ 2 {\displaystyle \mu _{2}={\begin{cases}{\dfrac {\alpha \beta ^{2}}{x-2}}&{\text{per }}\alpha >2\\\infty &{\text{per }}\alpha \geq 2\end{cases}}} In generale un momento di ordine n {\displaystyle n} è definito come: μ n = { α β n x − n per 0 < n < α ∞ per n ≥ α {\displaystyle \mu _{n}={\begin{cases}{\dfrac {\alpha \beta ^{n}}{x-n}}&{\text{per }}0<n<\alpha \\\infty &{\text{per }}n\geq \alpha \end{cases}}} M ( θ ) = E [ e θ x ] = α ( − β θ ) α Γ ( − α , − β θ ) {\displaystyle M(\theta )=E[e^{\theta x}]=\alpha (-\beta \theta )^{\alpha }\Gamma (-\alpha ,-\beta \theta )}
dove Γ ( − α , − β θ ) {\displaystyle \Gamma (-\alpha ,-\beta \theta )} è una funzione gamma incompleta.
La funzione generatrice di momenti è definita solo per valori non positivi di θ {\displaystyle \theta } .
Varianza σ 2 = μ 2 − μ 1 2 = α β 2 α − 2 − ( α β α − 1 ) 2 = α β 2 α − 2 − α 2 β 2 ( α − 1 ) 2 = α β 2 ( α − 1 ) 2 − α 2 β 2 ( α − 2 ) ( α − 2 ) ( α − 1 ) 2 = α 3 β 2 + α β 2 − 2 α 2 β 2 − α 3 β 2 + 2 α 2 β 2 ( α − 2 ) ( α − 1 ) 2 = α β 2 ( α − 2 ) ( α − 1 ) 2 {\displaystyle {\begin{aligned}\sigma ^{2}&=\mu _{2}-\mu _{1}^{2}={\dfrac {\alpha \beta ^{2}}{\alpha -2}}-\left({\dfrac {\alpha \beta }{\alpha -1}}\right)^{2}={\dfrac {\alpha \beta ^{2}}{\alpha -2}}-{\dfrac {\alpha ^{2}\beta ^{2}}{(\alpha -1)^{2}}}\\[2ex]&={\dfrac {\alpha \beta ^{2}(\alpha -1)^{2}-\alpha ^{2}\beta ^{2}(\alpha -2)}{(\alpha -2)(\alpha -1)^{2}}}\\[2ex]&={\dfrac {\alpha ^{3}\beta ^{2}+\alpha \beta ^{2}-2\alpha ^{2}\beta ^{2}-\alpha ^{3}\beta ^{2}+2\alpha ^{2}\beta ^{2}}{(\alpha -2)(\alpha -1)^{2}}}\\[2ex]&={\dfrac {\alpha \beta ^{2}}{(\alpha -2)(\alpha -1)^{2}}}\end{aligned}}} Da cui ricaviamo: σ 2 = { α β 2 ( α − 2 ) ( α − 1 ) 2 per α > 2 ∞ per α ∈ ( 1 ; 2 ] {\displaystyle \sigma ^{2}={\begin{cases}{\dfrac {\alpha \beta ^{2}}{(\alpha -2)(\alpha -1)^{2}}}&{\text{per }}\alpha >2\\\infty &{\text{per }}\alpha \in (1;2]\end{cases}}} Si noti che per α ≤ 1 {\displaystyle \alpha \leq 1} la varianza non esiste. Mediana
1 − ( β ξ 0.5 ) α = 1 2 → ( β ξ 0.5 ) α = 1 2 {\displaystyle 1-{\bigg (}{\frac {\beta }{\xi _{0.5}}}{\bigg )}^{\alpha }={\frac {1}{2}}\rightarrow {\bigg (}{\frac {\beta }{\xi _{0.5}}}{\bigg )}^{\alpha }={\frac {1}{2}}}
ξ 0.5 = 2 α β {\displaystyle \xi _{0.5}={\sqrt[{\alpha }]{2}}\beta }
Simmetria β 1 = 4 ( α − 2 ) ( α + 1 ) 2 α ( α − 3 ) 2 {\displaystyle \beta _{1}={\frac {4(\alpha -2)(\alpha +1)^{2}}{\alpha (\alpha -3)^{2}}}} per α > 3 {\displaystyle \alpha >3} Curtosi β 2 = 3 ( α − 2 ) ( 3 α 2 + α + 2 ) α ( α − 3 ) ( α − 4 ) {\displaystyle \beta _{2}={\frac {3(\alpha -2)(3\alpha ^{2}+\alpha +2)}{\alpha (\alpha -3)(\alpha -4)}}} per α > 4 {\displaystyle \alpha >4}
Caratteristiche La variabile casuale paretiana ha elasticità costante (negativa):
ε(x) = df / f / dx / x = -(α+1) che può essere interpretato nel senso che, qualunque sia il reddito x0
se per il reddito x0 abbiamo y0 persone che lo guadagnano allora per il reddito x0 +1% ci saranno y0 -(α+1)% persone
Note ^ Matteo Morella, Fabio Rossi, Matteo Pio Lubrano e Domenico Falato, Legge di Pareto e le sue applicazioni , su academia.edu .
Voci correlate Effetto Lindy Variabile casuale di Dagum Diagramma di Pareto Legge di potenza Legge di Zipf Variabile casuale logonormale, anch'essa usata per descrivere distribuzioni di redditi Vilfredo Pareto Principio di Pareto
Altri progetti Wikimedia Commons contiene immagini o altri file su distribuzione paretiana
Collegamenti esterni (EN ) Eric W. Weisstein, Distribuzione paretiana , su MathWorld , Wolfram Research. Controllo di autorità GND (DE ) 4632300-4
Portale Matematica : accedi alle voci di Wikipedia che trattano di matematica