Güç Yasası: Aşırı Olayların Ardındaki Desen

Hiç neden birkaç web sitesinin internet trafiğinin çoğunu aldığını merak ettiniz mi? Ya da neden küçük bir kesimin dünyanın servetinin büyük bölümünü kontrol ettiğini? Yanıt, güç yasası olarak bilinen ilgi çekici bir istatistiksel olguda yatıyor. 

Güç yasaları, birçok doğal ve insan yapımı sistemi yönetir. Bu dağılımlar özeldir; çünkü ölçekle değişmezler ve ağır kuyruğa sahiptirler. Bu özellikler, küçük olayların çok sık, büyük ve önemli olayların ise nadir de olsalar göz ardı edilemeyecek kadar etkili olduğu verileri modellemek için onları ideal kılar.

Bu eğitim, güç yasalarına kapsamlı bir genel bakış sunacak; kuramı, matematiği, kullanım alanları ve tahmin yöntemlerini ele alacağız. Ölçekten bağımsızlıklarını ve jeofizik, finans, biyoloji ve internet gibi farklı alanlarda neden ortaya çıktıklarını inceleyeceğiz.

Güç Yasası Dağılımlarının Özellikleri

Önce güç yasalarını özel kılan şeylere—ve şimdiye dek kullanmış olabileceğiniz dağılımlardan nerede ayrıldıklarına—bakalım. 

Güç Yasalarının Özellikleri. Kaynak: Napkin AI

Ölçekten bağımsızlık ve özbenzerlik

Basitçe söylemek gerekirse, ölçekten bağımsızlık, yakınlaştırıp uzaklaştığınızda dağılımdaki desenin aynı kalması demektir. 

İstatistiksel açıdan, bir güç yasası dağılımı, hangi ölçekte bakarsanız bakın aynı işlevsel biçime sahiptir. Bir değişken güç yasasına uyuyorsa, onu bir sabitle çarpmak dağılım biçimini değiştirmez; yalnızca ölçeği değiştirir.

Matematiksel olarak bu şunu ifade eder:

Bu, normal dağılım gibi diğer yaygın dağılımlardan çok farklıdır; burada şekil, ortalama ve standart sapma gibi bazı temel parametrelere göre tanımlanır.

Bu özellik, fraktalların temel niteliği olan özbenzerliğe de benzer. Fraktallar, ne kadar yakınlaştırırsanız yakınlaştırın aynı görünen yapılardır. Örneğin, bir kar tanesinin, eğreltiotu yaprağının veya ağaç dalının herhangi bir kısmını yakınlaştırdığınızda, bütünün daha küçük bir versiyonunu görürsünüz. 

Bir kıyı şeridi, 10 metre mesafeden nasıl görünüyorsa 10 kilometreden de öyle görünür. 

Güç yasaları bu tekrar eden yapıyı göstermede çok başarılıdır. Bu nedenle, boyut, sıklık veya yoğunluğun çok değiştiği ama her zaman aynı deseni izlediği sistemleri incelerken faydalıdırlar.

Ağır kuyruklar ve karakteristik ölçek eksikliği

Çoğu klasik dağılım (örneğin Gauss ya da üstel) kuyruklarda hızla sönümlenir. Güç yasalarında durum böyle değildir. Ağır kuyruklara sahiptirler; bu da aşırı olayların olasılığının daha yüksek olduğu anlamına gelir.

Gerçek hayatta büyük depremler, viral tweetler ve milyarderler, nadir olsalar da gerçekleşme ihtimali bulunan olaylara örnektir. Hatta bazı alfa değerlerinde, ortalama ya da varyans gibi momentler bile var olmayabilir; bu yüzden güç yasası dağılımlarının bir ölçeği olmadığını söyleriz. 

Evrensellik ve istatistiksel eksiklik

Güç yasalarıyla ilgili şaşırtıcı şeylerden biri, evrensel olmalarıdır; birbiriyle ilgisiz görünen sistemlerde bile bulunabilirler. Bu örneklerden bazıları: deprem büyüklükleri, sinirsel aktivitedeki sıçramalar, şirket büyüklükleri ve kelime frekanslarıdır. 

Öte yandan istatistiksel olarak eksiktirler. Bu, kuyruğun davranışını modelleyebilsek de, özellikle küçük veri örneklerinden tam bir özet istatistik seti çıkarmanın zor olduğu anlamına gelir. 

Güç Yasalarının Matematiksel Temelleri

Güç yasalarını hem güçlü hem de zorlayıcı kılan matematiğe biraz daha derinlemesine dalalım.

İşlevsel biçim ve ölçekleme özellikleri

Bir güç yasasının standart biçimi şöyledir:

Burada:

• alfa ölçek üssüdür
• C normlaştırma sabitidir
• x_min​ güç yasasının geçerli olduğu eşiktir

Alfa arttıkça kuyruk incelir. Küçük alfa, olayların daha aşırı olduğu anlamına gelir. Bu ölçek üssü, eşitsizlikten ekosistem boyutlarına kadar her şeyi etkiler.

Güç yasası olasılık dağılımları ve logaritmik grafikler

Gerçek veri kümelerinde bir güç yasasını tespit etmek için ilk adım log-log grafik kullanmaktır.

Veriler gerçekten bir güç yasasına uyuyorsa, eğimi −α olan düz bir çizgi elde edersiniz. Ancak dikkatli olun; birçok dağılım log-log grafikte doğrusal görünebilir. 

Diğer dağılımlarla ilişkiler

Güç yasalarına benzeyen birkaç önemli istatistiksel dağılım vardır.

• Pareto dağılımları, genellikle ekonomide kullanılır; az sayıda kişinin kaynakların çoğuna sahip olduğu servet ve gelir dağılımlarını gösterir. Bu, güç yasasının erken ve klasik bir uygulamasıdır.
• Zipf yasası, doğal dillerde kelime sıklıklarının güç yasası örüntüsünü izlediğini açıklar. Örneğin, en sık kullanılan ikinci kelime, en sık kullanılanın yaklaşık yarısı kadar, üçüncü ise yaklaşık üçte biri kadar görünür; böyle devam eder.
• Zeta dağılımı, genellikle web sitesi ziyaretleri veya kitap satışları gibi sık gerçekleşen şeyleri modellemek için kullanılan, güç yasasının ayrık bir versiyonudur.

Bazen, gerçek dünya verileri sonsuza dek "saf" bir güç yasasını izlemez. Bu durumlarda, üstel kesilmeler (çok büyük değerlerin daha az olası hale geldiği), eğri güç yasaları veya log-normal kuyruklar görürüz. Bunlar, fiziksel ya da pratik sınırları olan sistemleri modellemek için daha uygundur. Bu melezler, ölçekten bağımsızlığın aralığın bir kısmında çalışabileceğini, ancak eninde sonunda bozulacağını kabul eder.

Disiplinler Arası Ampirik Görünümler

Güç yasaları yalnızca matematikteki kavramlar değildir; gerçek dünyada karşımıza çıkar ve ilk bakışta rastgele ya da kaotik görünen sistemleri anlamamıza yardımcı olur.

Doğal ve jeofiziksel sistemler

Güç yasaları, doğadaki aşırı olayları anlamamıza yardımcı olur. Örneğin, Gutenberg-Richter yasası deprem büyüklüklerinin güç yasası dağılımı izlediğini söyler. Bu, küçük sarsıntıların çok sık olduğunu, ancak deprem büyüklüğü arttıkça deprem sayısının hızla azaldığını ifade eder. Bu yüzden 2.0 büyüklüğünde bir deprem her gün olabilirken, 7.0 büyüklüğünde bir deprem yıllarca olmayabilir. İkisi de aynı istatistiksel hikâyenin parçasıdır. 

Benzer şekilde, nehir ağları, kıyı şeritleri ve hatta yıldırım düşmeleri, kesitlerinin boyutlarında güç yasası ölçeklemesini izleyen özbenzer, fraktal desenler sergiler.

Güç yasaları evrene de uygulanır. Astrofizikte, yıldızların boyutları, kara deliklerin dağılımı ve hatta galaksi kümeleri ağır kuyruklar sergiler. Milyarlarca küçük yıldız vardır, ama galakside yalnızca birkaç devasa yıldız öne çıkar. Bu dengesizlik rastgele görünebilir; ancak altta yatan güç yasasını anladığımızda belli istatistiksel kuralları izlediğini görürüz.

Sosyoekonomik ve biyolojik sistemler

İnsan toplumlarında eşitsizlik ve ölçeğe bakarken güç yasaları özellikle kullanışlıdır. Önceki bölümde sözünü ettiğimiz Pareto dağılımı sadece bir ekonomik kuram değildir; vergi kayıtlarında, şirket kârlarında ve bağış desenlerinde görebilirsiniz. 

Servet sahibi en üst %1, Pareto yasasına uyar; Gauss ortalamalarına değil. Bu dağılımlar düzgün bir çan eğrisine sığmaz; bunun yerine sağa doğru uzar, birkaç aşırı değeri (örneğin milyarderler) gösterir ve ortalamayı saptırır.

Güç yasaları biyolojide de gizli desenleri ortaya çıkarır. Örneğin, Kleiber yasası bir hayvanın metabolik hızının, vücut kütlesiyle doğrusal değil 3/4 kuvveti oranında arttığını söyler. Bu, bir filin, tavşandan bin kat ağır olsa da bin kat fazla yememesini açıklar. 

Güç yasaları ayrıca şehir nüfuslarına, şirket büyüme oranlarına, oy verme davranışına ve çatışmalardaki ölümlere de uygulanır; burada birkaç büyük olay alışılmadık ölçüde etkili olur.

Teknoloji ve iş dünyası

Güç yasaları dijital dünyanın işlemesini ve gelişmesini sağlar. İnternette trafiğin nasıl çalıştığını düşünün: yalnızca birkaç site (Google, Facebook ve YouTube gibi) ziyaretlerin çoğunu alır; milyonlarca diğer sayfa ise büyük ölçüde fark edilmez. Bu tipik bir uzun kuyruk davranışıdır ve özellikle SEO, öneri motorları ve dijital pazarlama gibi alanlarda önemlidir.

Yapay zekâda, modellerin boyutu ve performansı genellikle aynı yönde gider. GPT-4 gibi birkaç büyük model alanın en iyisi olurken, yüzlerce daha küçük model yetişemez. Bu yoğunlaşma kısmen geri besleme döngülerinden kaynaklanır: daha iyi modeller daha fazla kullanıcı, veri ve para çeker; bu da onları daha da güçlü kılar. 

İstatistiksel Tahmin ve Doğrulama

Görünüşe göre veri kümeniz bir güç yasasını izliyor. Histogram uzun bir kuyruğa sahip olabilir ya da log-log grafiği çoğunlukla düz bir çizgi gösterebilir. Bu iyi bir başlangıç, ancak bakmak yeterli değildir; güç yasaları tarafından yanıltılmak çok zor değildir. Bu yüzden parametreleri bulmak ve uyumu kontrol etmek için sağlam istatistiksel araçlara ihtiyaç duyarız.

Parametre tahmin yöntemleri

Genellikle 𝛼 ile gösterilen ölçek üssü, bir güç yasası dağılımını doğru modellemek için ihtiyaç duyacağınız ilk şeydir. 

En Yüksek Olabilirlik Tahmini (MLE), 𝛼 için bir tahmin elde etmenin en yaygın yollarından biridir. İstatistikte gözlenen verileri en olası kılan parametre değerlerini bulma yöntemidir.

Bilinen minimum değer 𝑥min olan sürekli veriler için çalışma şekli şöyledir:

• 𝑥𝑖, gözlediğiniz ve 𝑥𝑚𝑖𝑛’den büyük ya da ona eşit olan değerlerdir.
• 𝑛, gözlem sayısıdır.

Ancak işin zor kısmı şurada: doğru 𝑥 min seçimi çok önemlidir. Çok düşükse, modeliniz gerçekten güç yasasına uymayan verileri içerir. Çok yüksekse, çok fazla veriyi israf edersiniz. Ayrıca örneklem boyutları küçük olduğunda MLE tahminleri güvenilir olmayabilir.

Uygunluk testi

Üssü tahmin ettikten sonra sıradaki soru şudur: ne kadar iyi uyuyor? "Biraz güç yasasına benziyor" diyemezsiniz. Güç yasasının verilerinizi diğer olası dağılımlardan daha iyi açıkladığına dair istatistiksel kanıta ihtiyacınız var. İşte burada Kolmogorov–Smirnov (KS) testi devreye girer. Bu test, gözlenen verilerinizin kümülatif dağılım fonksiyonu (CDF) ile teorik güç yasası modeli arasındaki en büyük farkı bulur. 

Bu sayı sıfıra ne kadar yakınsa, modeliniz veriye o kadar iyi uyar. KS testi, birçok başka test gibi kutulama ya da histogram kullanmaz. Bunun yerine doğrudan ham verilerle çalışır; bu da onu ağır kuyruklu dağılımlar için çok kullanışlı kılar.Ama bazen güç yasası tek makul açıklama değildir. Log-normal ya da üstel dağılım da verinizi modelleyebilir. İşte bu noktada olasılık oranı testleri işe yarar. Fikir basit: her iki modeli de aynı veriye MLE ile uydurun, olabilirlikleri bulun ve karşılaştırın. Güç yasası modelinin olabilirliği çok daha yüksekse, bu model için istatistiksel desteğiniz vardır. 

Clauset-Shalizi-Newman (2009) çerçevesi, MLE, KS testi ve olasılık oranı testlerini birleştirerek güç yasası davranışını incelemek için güçlü bir yaklaşım sunan araçlardan biridir.

Kuramsal Mekanizmalar ve Üretici Modeller

Artık güç yasalarının gerçek dünyada nerede ortaya çıktığını ve istatistiksel olarak nasıl saptandığını biliyoruz; sıradaki soru şu: bu dağılımlar neden ortaya çıkıyor? Güç yasalarının sistem dinamiklerinden nasıl doğabileceğine bakalım.

Tercihli bağlanma ve Yule süreçleri

Barabási–Albert modeli (1999), sıklıkla "zengin daha da zenginleşir" olgusu olarak özetlenen tercihli bağlanmayı tanıttı. Bu, güç yasalarının işleyişine dair en iyi bilinen ve en kolay anlaşılır mekanizmalardan biridir. 

İnternet ya da bir sosyal medya sitesi gibi bir ağ kurduğunuzu düşünün. Yeni bir kullanıcı katıldığında, zaten iyi bilindikleri için Facebook ya da Google gibi popüler düğümlere bağlanma olasılığı daha yüksektir. 

Zamanla bu bir geri besleme döngüsü oluşturur: popüler düğümler daha fazla bağlantı alır; yeni ya da az bağlı olanlar küçük kalır. Bu da düğüm derecelerinin güç yasasını izlediği ölçekten bağımsız bir ağ oluşturur.

Benzer şekilde, biyolojik cinslerin büyümesini modelleyen Yule süreçleri bu fikrin bir uzantısıdır. Bu modelde, zaten daha çok üyeye sahip türlerin yeni türler doğurma olasılığı daha yüksektir. Bu da az sayıda cinsin baskın olduğu çarpık bir dağılıma yol açar.

Rastgele büyüme modelleri, Gibrat yasası ve Markov süreçleri

Rastgele büyüme süreçleri, güç yasalarının ortaya çıkabileceği bir başka yoldur. Temel fikir, şeylerin zamanla toplanarak değil çarpılarak rastgele miktarlarda büyümesidir. 

Gibrat yasası, büyüme oranının boyuttan bağımsız olduğunu söyler. Çoğu şey küçük kalır; ancak bazıları çok hızlı büyüyüp çok büyük hale gelir ve güç yasasının ağır kuyruğunu oluşturur. 

Markov süreçleri, özellikle çarpanlı gürültü içerenler, yansıtıcı sınırlar altında güç yasasına benzer durağan dağılımlara yakınsayabilir.

Bunun olasılıksal bir yönü de vardır. Markov süreçleri bazı durumlarda güç yasası davranışı gösterebilir. Bu süreçler, bir sonraki durumun geçmişe değil yalnızca mevcut duruma bağlı olduğu sistemleri modellemek için kullanılır. Bu yaklaşım, nüfus içindeki hareketler ve kuyruk sistemleri gibi olguları modellemek için kullanılmıştır.

Bu modeller yalnızca ilginç fikirler değildir. Karmaşık sistemlerin zaman içinde nasıl değiştiğini, eşitsizliğin neden kalıcı olduğunu ve ağ etkilerinin biyolojiden blokzincire kadar her şeyi nasıl etkilediğini anlamamıza yardımcı olurlar. Güç yasalarını dünyayı betimlemek için kullanmanın yanı sıra, onu açıklamak için de kullanabiliriz.

Çıkarımlar, Sınırlamalar ve Uygulamalar

Güç yasalarının dinamiklerini anlamak son derece kritiktir ve finansal risk modeli oluştururken, bir internet altyapısını işletirken ya da sosyal davranışı incelerken öngörü ve kararlarınızı büyük ölçüde etkileyebilir. 

Pratik hususlar

Güç yasası modelleri, nadir ama önemli olayların yaşandığı sistemler için faydalıdır. Örneğin finansta, fiyatlar çoğu gün normal bir hızda değişebilir; ancak nadir çöküş ya da sıçramalar olan "siyah kuğular" en büyük etkiyi yaratabilir. 

Güç yasası modelleri, bu kuyruk riskini, bu olayların olasılığını genellikle hafife alan geleneksel modellere kıyasla daha iyi yakalayabilir. Bu, risk yönetimi, sigortacılık, siber güvenlik ve afet planlaması için büyük önem taşır.

Ayrıca doğrusal olmayan büyümeyi ve bileşik etkileri anlama avantajı da vardır. Güç yasaları, neden bazı kişilerin, şirketlerin ya da bir ağdaki düğümlerin zamanla en güçlü hale gelebildiğini ve bu "kazanan çoğu alır" durumlarının bu tür sistemlerde sıradışı değil, olağan olduğunu açıklar.

Ancak güç yasası modellerinin bazı ödünleri vardır. İçgüdülere aykırı olmaları bir sorundur—her zaman net ortalamalara ya da varyanslara sahip olmadıklarından, "beklenen değer" ya da "standart sapma" gibi yaygın metrikleri hesaplamayı zorlaştırırlar.

Bu modeller genellikle yalnızca dağılımın kuyruğunda çalışır; bu yüzden verinin büyük kısmına iyi uymayabilir ya da hiç uymayabilirler. Bu, güç yasası davranışının gerçekte nerede başladığına dikkat etmezseniz sorun olabilir.

Sınırlamalar ve eleştiriler

Uzun kuyruklu her veri kümesi gerçek bir güç yasasını izlemez. Log-normal ya da gerilmiş üstel gibi bazı dağılımlar, özellikle log-log grafikte dar bir aralıkta güç yasası davranışına benzer görünebilir. Bu da sıklıkla, yalnızca grafik "doğrusal göründüğü" için güç yasası olduğu yönünde yanlış olumlu sonuçlara yol açar.Aşırı genelleme bir başka sorundur. İnsanlar sıklıkla güç yasalarının bir sistem hakkında her şeyi açıkladığını düşünür; oysa çoğu zaman sistemin yalnızca küçük bir bölümünü, genellikle uç kısmını açıklarlar. Örneğin, en üst %1’lik kesimin gelir dağılımı güç yasasına uyabilir; ancak geri kalan nüfus çok farklı bir dağılıma sahip olabilir.

Azalan getiri yasası da gerçek dünya sistemlerinin karşılaştığı bir diğer problemdir. Güç yasaları aşırı sonuçların mümkün olduğunu söyler; ancak fiziksel sınırlar ya da düzenleyici ortamlar gibi alanlarda modelin artık işlemediği eşikler vardır. Kuyruk davranışının sonsuza dek sürdüğünü varsayarsanız, özellikle sınırlara sahip sistemlerde risk ya da ödülleri gerçekte olduğundan daha büyük sanabilirsiniz.

Sonuç

Güç yasaları, depremler, internet trafiği ya da gelir dağılımı gibi, az sayıdaki aşırı olayın ya da öğenin büyük etki yarattığı sistemleri anlamamıza yardımcı olur. Bu eğitimde güç yasalarını farklı kılan noktaları, matematiksel özelliklerini ve ampirik izlerini, onları nasıl bulup doğrulayacağımızı ve gerçek dünyada nerelerde karşımıza çıktıklarını ele aldık.

Güç yasası analizi, YZ, ekonomi, ağ bilimi ve risk yönetimi gibi alanlarda ilgi çekici gelecekteki kullanımlara sahip olacaktır. Doğru araçlar ve bilgiyle, karmaşık ve doğrusal olmayan dünyayı daha iyi anlayabiliriz.

Gerçek dünya verilerine daha derin daldıkça kendinize şunu sorun: Nadir olan gerçekten nadir mi—yoksa yalnızca güçlü bir şekilde mi dağılmış?

Bazı kavramlar hakkında daha fazla bilgi edinmek isterseniz lütfen aşağıdaki kaynaklara göz atın:

• Olasılık Kurallarına Giriş Hızlı Başvuru Kağıdı
• Big O Gösterimi ve Zaman Karmaşıklığı Rehberi
• Python ile Genelleştirilmiş Doğrusal Modeller