लोरेन्ज वक्र: असमानता को दर्शाने का एक उत्कृष्ट तरीका

असमानता ऐसा विषय है जो जीवन के लगभग हर पहलू को प्रभावित करता है: आय, संपत्ति, स्वास्थ्य, शिक्षा, और यहाँ तक कि पारिस्थितिक तंत्रों में संसाधनों का वितरण भी। लेकिन हम इसे वास्तव में मापते कैसे हैं? असमानता को विज़ुअलाइज़ करने के लिए मुझे जो सबसे प्रभावी औजार मिला है, वह है लॉरेन्ज वक्र।

हालाँकि इसे आमतौर पर आय असमानता मापने के लिए इस्तेमाल किया जाता है, लॉरेन्ज वक्र सिर्फ अर्थशास्त्रियों के लिए नहीं है। समय के साथ, यह एक बहुउद्देश्यीय औजार बन गया है, जिसका उपयोग स्वास्थ्य सेवाओं में असमानताओं की जाँच करने, जैव विविधता का अध्ययन करने, और यहाँ तक कि मशीन लर्निंग में प्रिडिक्टिव मॉडलों की निष्पक्षता आकलन करने में भी होता है। डेटा वैज्ञानिकों के लिए, यह किसी डेटासेट में असमानता की कहानी बताने का बेहतरीन तरीका है।

इस ट्यूटोरियल में, मैं आपको बताऊँगा कि लॉरेन्ज वक्र कैसे काम करता है। हम इसे आपके डेटासेट के साथ, Python का उपयोग करके, बनाना सीखेंगे, और आप जानेंगे कि इसे अपने प्रोजेक्ट्स में कैसे उपयोग करें। यदि आप आय असमानता को मापने, ग्राहक सेगमेंटेशन का विश्लेषण करने, या संसाधन आवंटन की जाँच करने में रुचि रखते हैं, तो लॉरेन्ज वक्र इन जटिल विचारों को एक सरल विज़ुअल के ज़रिए संप्रेषित करने में आपकी मदद कर सकता है।

लॉरेन्ज वक्र को समझना

लॉरेन्ज वक्र 1905 में अर्थशास्त्री मैक्स ओ. लॉरेन्ज ने प्रस्तुत किया था। इसका काम करने का तरीका यह है कि यह किसी संसाधन के वास्तविक वितरण की तुलना एक काल्पनिक पूर्ण समानता रेखा (ऐसी रेखा जहाँ हर किसी के पास बराबर मात्रा हो) से करता है। वक्र जितना इस पूर्ण समानता रेखा से दूर झुकता है, उस संसाधन के वितरण में असमानता उतनी ही अधिक होती है।

लॉरेन्ज वक्र की संरचना

लॉरेन्ज वक्र की संरचना सरल होती है। इसके x-अक्ष पर, हम जनसंख्या का संचयी हिस्सा प्लॉट करते हैं, सबसे गरीब व्यक्ति से शुरू करके सबसे अमीर तक जाते हुए। y-अक्ष उस संसाधन का संचयी हिस्सा दिखाता है जिसका मापन किया जा रहा है।

इसके बाद, हमें पूर्ण समानता की रेखा जोड़नी होती है, जो बाएँ-नीचे के कोने से दाएँ-ऊपर के कोने तक जाती तिरछी रेखा होती है। यह उस परिदृश्य का प्रतिनिधित्व करती है जहाँ हर किसी के पास उस संसाधन का समान हिस्सा है जिसमें हमारी रुचि है।

स्वयं लॉरेन्ज वक्र संसाधन के वास्तविक वितरण को दिखाता है। वक्र जितना पूर्ण समानता रेखा से दूर झुका होता है, वह उतनी अधिक असमानता को दर्शाता है।

लॉरेन्ज वक्र की व्याख्या कैसे करें

यदि लॉरेन्ज वक्र पूर्ण समानता की तिरछी रेखा के क़रीब है, तो इसका मतलब है कि संसाधन का वितरण अपेक्षाकृत समान है। उदाहरण के लिए, ऐसे समाज में जहाँ जनसंख्या के निचले 50% के पास लगभग 50% आय है, लॉरेन्ज वक्र तिरछी रेखा के क़रीब होगा। ऐसा हल्का वक्र कम असमानता दर्शाता है।

दूसरी ओर, यदि वक्र तिरछी रेखा से बहुत दूर झुकता है, तो यह उच्च असमानता को इंगित करता है। ऐसा तब हो सकता है, उदाहरण के लिए, जब जनसंख्या के निचले 50% के पास कुल आय का केवल 10% हो, जबकि शीर्ष 10% के पास बाक़ी सब हो।

लॉरेन्ज वक्र कैसे तैयार करें

आइए एक सरल उदाहरण के साथ मिलकर लॉरेन्ज वक्र बनाना सीखें। मान लीजिए कि हम एक छोटी जनसंख्या की आय-वितरण का विश्लेषण कर रहे हैं। 

चरण 1: डेटा को सॉर्ट करें

पहला कदम डेटा को आरोही क्रम में व्यवस्थित करना है। इस उदाहरण में, मान लीजिए हमारे पास जनसंख्या के पाँच व्यक्तियों की निम्न आय-मूल्य हैं: $20, $30, $50, $80, $100।

हम इन मूल्यों को सबसे छोटे से सबसे बड़े तक क्रमबद्ध करेंगे। इससे सुनिश्चित होता है कि बाद में निकाली गई संचयी प्रतिशतें सार्थक हों। यहाँ सॉर्ट की गई तालिका दी गई है:

अगले चरण में, हम जनसंख्या (x-अक्ष) और आय (y-अक्ष) दोनों के लिए संचयी प्रतिशत निकालते हैं।

• संचयी जनसंख्या प्रतिशत के लिए, क्रमबद्ध सूची में प्रत्येक व्यक्ति की स्थिति को व्यक्तियों की कुल संख्या से विभाजित करें। उदाहरण के लिए, पहला व्यक्ति जनसंख्या का 1/5 (या 20%) दर्शाता है, दूसरा 2/5 (40%), और इसी तरह आगे।
• संचयी आय प्रतिशत के लिए, आय को क्रमशः जोड़ते जाएँ और प्रत्येक संचयी योग को कुल आय से विभाजित करें। इस उदाहरण में कुल आय $280 है, इसलिए पहले व्यक्ति की आय ($20) 20/280 (लगभग 7.14%) दर्शाती है, और पहले दो व्यक्तियों की संयुक्त आय (20 + 30)/280 (लगभग 17.86%) दर्शाती है।

यहाँ संचयी प्रतिशतों के साथ अद्यतन तालिका दी गई है:

चरण 3: संचयी वितरण को प्लॉट करें

अब जब हमारे पास संचयी प्रतिशत हैं, तो हम उन्हें ग्राफ़ पर प्लॉट कर सकते हैं। 

x-अक्ष जनसंख्या के संचयी हिस्से का प्रतिनिधित्व करता है, और y-अक्ष आय के संचयी हिस्से का। तालिका की प्रत्येक पंक्ति ग्राफ़ पर एक बिंदु के अनुरूप होती है। एक बार बिंदु प्लॉट हो जाएँ, उन्हें जोड़कर लॉरेन्ज वक्र बनाएँ। फिर, पूर्ण समानता की रेखा जोड़ें।

चरण 4: लॉरेन्ज वक्र की व्याख्या करें

तैयार लॉरेन्ज वक्र इस जनसंख्या में आय के वास्तविक वितरण को दिखाता है। वक्र जितना तिरछी रेखा से दूर झुकता है, असमानता उतनी ही अधिक होती है। जैसा कि आप इस उदाहरण में देख सकते हैं, वक्र काफ़ी झुका हुआ है क्योंकि जनसंख्या के निचले 20% के पास कुल आय का केवल 7.14% है।

डेटा आवश्यकताएँ और चुनौतियाँ

एक सटीक लॉरेन्ज वक्र बनाने के लिए, आपको उच्च-गुणवत्ता वाला डेटा चाहिए जो कुछ प्रमुख मानदंडों को पूरा करता हो। आपके डेटा की गुणवत्ता और संरचना सीधे आपके परिणामों की सटीकता और विश्वसनीयता को प्रभावित करेगी।

सबसे पहले, नमूना आकार एक महत्त्वपूर्ण कारक है। छोटे डेटासेट भ्रामक परिणाम दे सकते हैं, क्योंकि वे किसी जनसंख्या में असमानता की पूरी सीमा को नहीं पकड़ पाते। यहाँ हमारे उदाहरण में मात्र 5 व्यक्तियों का बहुत छोटा डेटासेट इस्तेमाल हुआ है। यह वक्र पूरी जनसंख्या के लिए डिज़ाइन किया गया है। बड़े डेटासेट असमानता की अधिक विश्वसनीय और प्रतिनिधिक तस्वीर देते हैं, जिससे आपका लॉरेन्ज वक्र अधिक सटीक बनता है।

ग्रैन्युलैरिटी भी महत्त्वपूर्ण है, क्योंकि आपका डेटा जितना अधिक विस्तृत होगा, आपका लॉरेन्ज वक्र उतना ही सटीक होगा। उदाहरण के लिए, व्यक्तियों या परिवारों की आय आपको जनसंख्या में असमानता की बेहतर समझ देगी बनिस्बत पूरे काउंटी की आय के। बाद वाला डेटासेट बहुत सी विषमताएँ छिपा सकता है।

अधिकांश विश्लेषणों की तरह, अपूर्ण डेटा एक सामान्य समस्या है जो लॉरेन्ज वक्र को काफ़ी विकृत कर सकती है। गुम मान संचयी प्रतिशतों में अंतराल पैदा करते हैं, जिससे परिणाम गलत हो सकते हैं। अपना वक्र बनाने से पहले, सुनिश्चित करें कि आपका डेटासेट यथासंभव पूर्ण हो, और किसी भी गुम डेटा को संभालने के तरीके पर सावधानी से विचार करें। यदि आप गुम डेटा को कैसे संभालें, इस बारे में अनिश्चित हैं, तो हमारे अत्यंत सहायक Dealing with Missing Data in Python कोर्स देखें।

हैंड्स-ऑन Python कोड उदाहरण

अब जबकि हमने बुनियादी बातें समझ ली हैं, आइए देखें कि आय-डेटा से आगे जाकर लॉरेन्ज वक्र को कहानी कहने के औजार के रूप में कैसे उपयोग किया जा सकता है।

इस उदाहरण में, हम अपराध-डेटा का विश्लेषण करेंगे ताकि किसी शहर के इलाकों में रिपोर्ट किए गए अपराधों के वितरण में असमानता को समझा जा सके। इससे यह प्रदर्शित होगा कि लॉरेन्ज वक्र को सार्वजनिक नीति जैसे क्षेत्रों में कैसे लागू किया जा सकता है।

हम Chicago Police Department के अपराध डेटाबेस के एक वास्तविक-जीवन डेटासेट का उपयोग करेंगे, जो ऑनलाइन निःशुल्क उपलब्ध है। आप यह डेटासेट Chicago Data Portal से डाउनलोड कर सकते हैं। इस डेटासेट में शिकागो में रिपोर्ट किए गए अपराधों के बारे में विस्तृत जानकारी है, जिसमें अपराध का प्रकार, स्थान और तिथि शामिल हैं।

नीचे, हम Python का उपयोग करके डेटा को साफ़ करने, लॉरेन्ज वक्र की गणना करने, और उसे विज़ुअलाइज़ करने के चरणों से गुजरेंगे। यदि आप Python में नए हैं, तो भाषा को जल्दी सीखने के लिए हमारा Introduction to Python कोर्स देखने की सलाह देता हूँ।

सबसे पहले, आइए उन सभी लाइब्रेरीज़ को इंस्टॉल करें जिनकी हमें इस उदाहरण के लिए ज़रूरत होगी:

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

चरण 1: डेटासेट डाउनलोड करें और लोड करें

नीचे दिया गया कोड Chicago Data Portal से डेटासेट को CSV फ़ाइल के रूप में डाउनलोड करेगा और pandas का उपयोग करके Python में लोड करेगा।

# Load the dataset
url = "<https://data.cityofchicago.org/resource/ijzp-q8t2.csv?$limit=100000>"  # Limit to 100,000 rows for simplicity
data = pd.read_csv(url)

चरण 2: अपराध-डेटा को मोहल्लों के अनुसार एकत्रित करें

इस डेटासेट में समुदाय क्षेत्रों, यानी मोहल्लों के लिए एक कॉलम है। हम इस कॉलम के आधार पर डेटा को समूहित करेंगे ताकि प्रत्येक मोहल्ले में रिपोर्ट किए गए कुल अपराधों की संख्या निकाली जा सके।

# Group by community area and count the number of crimes
crime_counts = data.groupby("community_area").size().reset_index(name="crime_count")

# Drop rows with missing community area values
crime_counts = crime_counts.dropna()

# Sort by crime count
crime_counts = crime_counts.sort_values(by="crime_count").reset_index(drop=True)

# Display the aggregated data
print(crime_counts.head())

Output:
   community_area  crime_count
0            47.0          102
1             9.0          102
2            12.0          195
3            74.0          212
4            37.0          246

चरण 3: संचयी प्रतिशत की गणना करें

लॉरेन्ज वक्र बनाने के लिए, हमें मोहल्लों के संचयी प्रतिशत और अपराधों के संचयी प्रतिशत की गणना करनी होगी।

# Calculate cumulative percentages
crime_counts["cumulative_crime"] = crime_counts["crime_count"].cumsum()
crime_counts["cumulative_crime_percentage"] = crime_counts["cumulative_crime"] / crime_counts["crime_count"].sum()
crime_counts["cumulative_population_percentage"] = (np.arange(1, len(crime_counts) + 1)) / len(crime_counts)

# Display the updated data
print(crime_counts.head())

Output:
   community_area  crime_count  cumulative_crime  cumulative_crime_percentage  \\
0            47.0          102               102                      0.00102   
1             9.0          102               204                      0.00204   
2            12.0          195               399                      0.00399   
3            74.0          212               611                      0.00611   
4            37.0          246               857                      0.00857   

   cumulative_population_percentage  
0                          0.012987  
1                          0.025974  
2                          0.038961  
3                          0.051948  
4                          0.064935  

चरण 4: लॉरेन्ज वक्र को प्लॉट करें

अब जब हमारे पास संचयी प्रतिशत हैं, तो हम लॉरेन्ज वक्र को प्लॉट कर सकते हैं। x-अक्ष मोहल्लों के संचयी हिस्से को दर्शाता है, और y-अक्ष अपराधों के संचयी हिस्से को। क्षेत्रीय रंगत जोड़ने के लिए, हम अपने प्लॉट के लिए Chicago Bears के रंगों से प्रेरणा लेंगे।

# Example data for cumulative percentages
# x represents the cumulative share of neighborhoods
# y represents the cumulative share of crimes
x = np.linspace(0, 1, 100)  # Replace with actual data
y = x**2  # Replace with actual data

# Chicago Bears-inspired colors
blue = "#0065D1"  # Lighter blue for the Lorenz curve
orange = "#FF5A1F"  # Bright orange for the line of perfect equality

# Create the plot
plt.figure(figsize=(8, 6))

# Plot the Lorenz curve
# This curve shows the inequality in crime distribution across neighborhoods
plt.plot(x, y, label="Lorenz Curve", color=blue, linewidth=2)

# Plot the line of perfect equality
# This line represents a hypothetical scenario where crimes are evenly distributed
plt.plot([0, 1], [0, 1], label="Line of Perfect Equality", color=orange, linestyle="--", linewidth=2)

# Add a title to explain what the graph represents
plt.title("Lorenz Curve of Crime Distribution Across Chicago Neighborhoods", fontsize=16, color="black", pad=15)

# Label the x-axis to show what the horizontal axis represents
plt.xlabel("Cumulative Share of Neighborhoods", fontsize=12, color="black", labelpad=10)

# Label the y-axis to show what the vertical axis represents
plt.ylabel("Cumulative Share of Crimes", fontsize=12, color="black", labelpad=10)

# Add a legend to explain the two lines
plt.legend(fontsize=12, loc="lower right", frameon=False)

# Remove the grid for a cleaner look
plt.grid(False)

# Set the background color to white for a professional appearance
plt.gca().set_facecolor("white")

# Remove the top and right borders of the graph for a minimalist design
plt.gca().spines["top"].set_visible(False)
plt.gca().spines["right"].set_visible(False)

# Save the plot as a PNG file
# This saves the graph as an image file for sharing or embedding in reports
plt.savefig("lorenz_curve_crime.png", dpi=300, bbox_inches="tight")

# Display the plot
plt.show()

चरण 5: परिणामों की व्याख्या करें

अंत में, हमें प्लॉट की व्याख्या करनी है। यह लॉरेन्ज वक्र शिकागो के मोहल्लों में अपराधों के वितरण में चौंकाने वाली असमानता को उजागर करता है। वक्र पूर्ण समानता की रेखा से काफ़ी दूर झुका हुआ है, जो दिखाता है कि बहुत कम हिस्से के मोहल्ले अधिकांश रिपोर्ट किए गए अपराधों के लिए ज़िम्मेदार हैं। 

ऐसा लगता है कि पहले 50% मोहल्लों का योगदान कुल अपराधों का 20% से भी कम है, जबकि शेष मोहल्ले अपराधों के बड़े हिस्से का बोझ उठाते हैं। यह विज़ुअलाइज़ेशन असमानता के उन पैटर्नों पर रोशनी डालता है जो अन्य प्रकार के ग्राफ़ों में उतने स्पष्ट नहीं होते। अगला कदम यह हो सकता है कि अधिक अपराध-प्रवण मोहल्लों की पहचान कर शमन उपाय शुरू किए जाएँ, या कम अपराध वाले मोहल्लों की पहचान कर यह देखा जाए कि कौन-से निवारक उपाय काम कर रहे हैं।

यह उदाहरण दिखाता है कि लोरेन्ज वक्र को आय डेटा से आगे भी अन्य क्षेत्रों में असमानता पर प्रभावशाली कहानियाँ बताने के लिए कैसे लागू किया जा सकता है। अपराध डेटा का विश्लेषण करके, हम असमानता के ऐसे पैटर्न उजागर कर सकते हैं जो जन नीति और शहरी नियोजन से जुड़े निर्णयों को सूचित करें। इस विधि को अन्य डेटासेट्स पर भी आज़माएँ, जैसे स्वास्थ्य सेवाओं तक पहुँच, शैक्षिक परिणाम, या पर्यावरणीय डेटा, ताकि नई और सार्थक तरीकों से असमानता की पड़ताल की जा सके।

लोरेन्ज वक्र बनाम गिनी गुणांक

गिनी गुणांक सीधे लोरेन्ज वक्र से व्युत्पन्न होता है। यह लोरेन्ज वक्र और पूर्ण समानता की रेखा के बीच के क्षेत्रफल को मापता है। बड़ा क्षेत्रफल अधिक असमानता दर्शाता है, जबकि छोटा क्षेत्रफल अधिक समानता का संकेत देता है। गिनी गुणांक 0 से 1 तक होता है, जहाँ 0 का अर्थ है पूर्ण समानता (सभी के पास समान संसाधन) और 1 का अर्थ है चरम असमानता (सभी संसाधन एक ही व्यक्ति के पास)।

आप कौन-सा मापदंड इस्तेमाल करते हैं, यह आपके उद्देश्यों पर निर्भर करता है। लोरेन्ज वक्र असमानता के आकार को दिखाता है, जबकि गिनी गुणांक उसका संख्यात्मक सार देता है। यदि आप एक आबादी के भीतर असमानता की मात्रा देख रहे हैं, तो लोरेन्ज वक्र अधिक विवरण देता है। हालाँकि, यदि आप कई आबादियों की तुलना कर रहे हैं, तो हर एक के लोरेन्ज वक्रों की तुलना करना कठिन हो सकता है, इसलिए गिनी गुणांक अधिक उपयुक्त रह सकता है। गिनी गुणांक पर गहराई से जानने के लिए मेरा Understanding the Gini Coefficient ट्यूटोरियल देखें।

साथ ही, यह भी कहना चाहिए कि लोरेन्ज वक्र शायद अधिक लचीला है, क्योंकि इसे आय, अपराध, स्वास्थ्य सेवाओं तक पहुँच, या जैव-विविधता सहित विभिन्न प्रकार के डेटा पर लागू किया जा सकता है, और समय के साथ या समूहों के बीच वितरणों की तुलना के लिए इस्तेमाल किया जा सकता है। गिनी गुणांक का उपयोग भी ऐसी तुलनाओं के लिए किया जा सकता है, लेकिन इसे मुख्यतः आय असमानता मापने के लिए जाना जाता है। यह कुछ पाठकों में पक्षपात पैदा कर सकता है। मेरे अनुभव में, लोग किसी संख्या की तुलना में ग्राफ़ों की व्याख्या करते समय कम पक्षपाती होते हैं।

लोरेन्ज वक्र के वास्तविक जीवन में उपयोग

लोरेन्ज वक्र एक बहुमुखी उपकरण है, जिसका उपयोग कई क्षेत्रों में किया गया है। आइए इसके कुछ सबसे प्रभावशाली उपयोगों की पड़ताल करें।

• अर्थशास्त्र और वित्त में लोरेन्ज वक्र: लोरेन्ज वक्र का सबसे प्रसिद्ध उपयोग आय और धन-संपत्ति की असमानता का विश्लेषण करना है। अर्थशास्त्री और नीति-निर्माता यह समझने के लिए इस पर निर्भर रहते हैं कि किसी आबादी में संसाधन कैसे वितरित हैं और कर नीतियों या सामाजिक कार्यक्रमों जैसी हस्तक्षेपों की रूपरेखा कैसे बनाई जाए।
• सार्वजनिक स्वास्थ्य और महामारी विज्ञान में लोरेन्ज वक्र: सार्वजनिक स्वास्थ्य में, लोरेन्ज वक्र का उपयोग स्वास्थ्य परिणामों या स्वास्थ्य सेवाओं तक पहुँच में असमानताओं को मापने के लिए किया जा सकता है। इससे शोधकर्ताओं और नीति-निर्माताओं को विषमताओं की पहचान करने और संसाधनों का अधिक प्रभावी आवंटन करने में मदद मिलती है।
• पारिस्थितिकी और जैव-विविधता में लोरेन्ज वक्र: पारिस्थितिकीविद प्रजातियों के वितरण और प्रचुरता का अध्ययन करने के लिए लोरेन्ज वक्र का उपयोग कर सकते हैं। यह जैव-विविधता को मात्रा-गत करने और ऐसे तंत्रों की पहचान करने में मदद कर सकता है जहाँ कुछ प्रजातियाँ हावी हैं जबकि अन्य दुर्लभ हैं।
• डेटा साइंस और मशीन लर्निंग में लोरेन्ज वक्र: डेटा साइंस में लोरेन्ज वक्र का उपयोग वितरणों का विश्लेषण करने और भविष्यवाणी मॉडल्स में निष्पक्षता का आकलन करने के लिए तेजी से बढ़ रहा है। इसका एक उदाहरण कस्टमर एनालिटिक्स में है। व्यवसाय लोरेन्ज वक्र का उपयोग ग्राहकों के बीच राजस्व एकाग्रता को समझने के लिए कर सकते हैं। यह पहचानने में मदद कर सकता है कि कौन-से उपयोगकर्ता अधिकांश राजस्व ला रहे हैं, जो संभावित रूप से मार्केटिंग रणनीतियों या लॉयल्टी कार्यक्रमों को दिशा दे सकता है।
• डेटा साइंस और मशीन लर्निंग में लोरेन्ज वक्र: एक और उदाहरण, जिसके बारे में जानकर मैं चकित था, मशीन लर्निंग में है। लोरेन्ज वक्र डेटा वैज्ञानिकों को यह आकलन करने में मदद कर सकता है कि किसी मॉडल की भविष्यवाणियों में पक्षपात है या नहीं। उदाहरण के लिए, ऋण स्वीकृति मॉडल में, वक्र यह दिखा सकता है कि एक छोटा समूह अधिकांश स्वीकृतियाँ प्राप्त करता है, जो एल्गोरिदम में संभावित पक्षपात का संकेत देता है।

लोरेन्ज वक्र के लाभ और सीमाएँ

अन्य किसी भी विधि की तरह, लोरेन्ज वक्र की भी अपनी खूबियाँ और कमियाँ हैं।

लोरेन्ज वक्र की सीमाएँ

लोरेन्ज वक्र को सार्थक परिणाम देने के लिए अकसर काफ़ी सूक्ष्म-स्तरीय डेटा की आवश्यकता होती है। समेकित या अपूर्ण डेटासेट्स कभी-कभी गलत निष्कर्षों तक ले जा सकते हैं। उदाहरण के लिए, ऐसा आय डेटा जो टिप्स जैसी अनौपचारिक कमाई को शामिल नहीं करता, असमानता को कम आँक सकता है। 

यह भी महत्वपूर्ण है कि नमूना आकार इतना बड़ा हो कि दांतेदार रेखा के बजाय एक सुचारु वक्र सुनिश्चित हो, जैसा आप पहली आकृति में देख सकते हैं। हमेशा की तरह, यह सुनिश्चित करना ज़रूरी है कि आपका डेटा यथासंभव पूर्ण हो। और निश्चित रूप से, पारदर्शिता और विश्वसनीयता सुनिश्चित करने के लिए आपको अपने डेटा का सावधानीपूर्वक सत्यापन करना चाहिए और की गई किसी भी मान्यताओं का दस्तावेज़ीकरण करना चाहिए।

लोरेन्ज वक्र बहुआयामी असमानता को भी नहीं दर्शाता। यह आय या धन-संपत्ति जैसे एक ही चर पर केंद्रित रहता है और संयुक्त प्रभावों का हिसाब नहीं करता। हालाँकि, यदि आप बहुआयामी असमानता को मापना चाहते हैं, तो अन्य उपकरण उपलब्ध हैं, जैसे बहुआयामी गरीबी सूचकांक।

लोरेन्ज वक्र के लाभ

मेरे विचार में, लोरेन्ज वक्र का सबसे बड़ा लाभ यह है कि यह असमानता का सहज दृश्य निरूपण देता है, जिससे इसे एक नज़र में समझना आसान हो जाता है। पूर्ण समानता की रेखा से वक्र की तुलना करके, आबादी के भीतर विषमताएँ तुरंत स्पष्ट हो जाती हैं। यह एक दृश्य कथा उपकरण है जो तकनीकी और गैर-तकनीकी, दोनों प्रकार के दर्शकों के लिए असमानता संबंधी डेटा को सुलभ बनाता है।

इसकी बहुमुखी प्रतिभा इसका दूसरा बड़ा लाभ है। लोरेन्ज वक्र को अर्थशास्त्र और सार्वजनिक स्वास्थ्य से लेकर पारिस्थितिकी और मशीन लर्निंग तक विभिन्न क्षेत्रों में लागू किया जा सकता है। यह लचीलापन इसे व्यापक रूप से उपयोगी बनाता है।

निष्कर्ष

लोरेन्ज वक्र एक बहुमुखी कथानक उपकरण है जो असमानता को प्रदर्शित करने और समझने में उपयोगी है। यदि इस प्रकार का विज़ुअलाइज़ेशन आपको रुचिकर लगता है, तो आप Geometric Mean: A Measure for Growth and Compounding पढ़ना पसंद कर सकते हैं। या, यदि आप वित्त के बारे में और सीखना चाहते हैं, तो मैं आपको हमारा Introduction to Python for Finance कोर्स और हमारा Applied Finance in Python स्किल ट्रैक देखने के लिए प्रोत्साहित करता/करती हूँ।