Quy luật lũy thừa: Mẫu hình đằng sau các sự kiện cực đoan

Bạn từng thắc mắc vì sao chỉ một vài trang web nhận phần lớn lưu lượng truy cập internet? Hoặc vì sao một nhóm rất nhỏ cá nhân lại nắm phần lớn tài sản thế giới? Câu trả lời nằm ở một hiện tượng thống kê hấp dẫn gọi là quy luật lũy thừa. 

Quy luật lũy thừa chi phối nhiều hệ thống tự nhiên và nhân tạo. Những phân phối này đặc biệt vì chúng không đổi theo thang đo và có đuôi nặng. Những đặc điểm đó khiến chúng lý tưởng để mô hình hóa dữ liệu nơi các sự kiện nhỏ xảy ra thường xuyên, nhưng các sự kiện lớn, quan trọng, dù hiếm, cũng không thể bỏ qua.

Hướng dẫn này sẽ cung cấp cái nhìn tổng quan toàn diện về quy luật lũy thừa, gồm lý thuyết, toán học, ứng dụng và cách ước lượng. Chúng ta sẽ xem chúng bất biến theo tỉ lệ như thế nào và vì sao xuất hiện trong nhiều lĩnh vực như địa vật lý, tài chính, sinh học và internet.

Đặc tính của các phân phối theo quy luật lũy thừa

Bắt đầu với điều làm nên sự đặc biệt của quy luật lũy thừa—và chúng khác các phân phối bạn có thể đã dùng trước đây ở đâu. 

Đặc điểm của quy luật lũy thừa. Nguồn: Napkin AI

Bất biến theo tỉ lệ và tự đồng dạng

Nói đơn giản, bất biến theo tỉ lệ ngụ ý rằng dù bạn phóng to hay thu nhỏ, mẫu hình trong phân phối vẫn giữ nguyên. 

Về mặt thống kê, một phân phối lũy thừa có dạng hàm như nhau bất kể bạn quan sát ở thang đo nào. Nếu một biến tuân theo quy luật lũy thừa, nhân nó với một hằng số không làm thay đổi cách nó được phân phối; nó chỉ thay đổi thang đo.

Về mặt toán học, điều này có nghĩa là:

Điều này rất khác với các phân phối phổ biến khác như phân phối chuẩn, nơi hình dạng được xác định bởi một số tham số then chốt như trung bình và độ lệch chuẩn.

Tính chất này cũng tương tự tự đồng dạng, một thuộc tính then chốt của fractal. Fractal là các cấu trúc trông giống nhau bất kể bạn phóng to đến mức nào. Chẳng hạn, nếu bạn phóng to vào bất kỳ phần nào của bông tuyết, lá dương xỉ hoặc cành cây, bạn sẽ thấy một phiên bản thu nhỏ của tổng thể. 

Đường bờ biển nhìn từ 10 mét hay 10 kilômét đều có diện mạo tương tự. 

Quy luật lũy thừa thể hiện rất tốt cấu trúc lặp lại này. Đó là lý do chúng hữu ích khi xem xét các hệ thống mà kích thước, tần suất hoặc cường độ thay đổi rất nhiều nhưng luôn theo cùng một mẫu.

Đuôi nặng và không có thang đo đặc trưng

Hầu hết các phân phối kinh điển (như Gaussian hay mũ) giảm nhanh ở phần đuôi. Quy luật lũy thừa thì không. Chúng có đuôi nặng, tức xác suất xảy ra các sự kiện cực đoan cao hơn.

Trong thực tế, các trận động đất lớn, tweet lan truyền, và các tỷ phú đều là ví dụ về sự kiện hiếm nhưng vẫn có khả năng xảy ra. Thực tế, với một số giá trị alpha, các moment như trung bình hay phương sai thậm chí có thể không tồn tại, và đó là lý do ta nói các phân phối lũy thừa không có thang đo. 

Tính phổ quát và sự không đầy đủ về mặt thống kê

Một điều đáng kinh ngạc về quy luật lũy thừa là tính phổ quát; chúng xuất hiện trong các hệ thống dường như chẳng liên quan gì đến nhau. Một vài ví dụ gồm: cường độ động đất, các đỉnh hoạt động thần kinh, quy mô công ty, và tần suất từ vựng. 

Mặt khác, chúng cũng không đầy đủ về mặt thống kê. Điều này có nghĩa dù ta có thể mô hình hóa hành vi phần đuôi, rất khó để ước lượng một bộ thống kê tóm tắt đầy đủ, đặc biệt với các mẫu dữ liệu nhỏ. 

Nền tảng toán học của quy luật lũy thừa

Hãy đi sâu hơn vào phần toán học khiến quy luật lũy thừa vừa mạnh mẽ vừa khó nhằn.

Dạng hàm và tính chất co giãn theo tỉ lệ

Dạng chuẩn của một quy luật lũy thừa là:

Trong đó:

• alpha là số mũ tỉ lệ
• C là hằng số chuẩn hóa
• x_min​ là ngưỡng mà phía trên đó quy luật lũy thừa mới đúng

Khi alpha tăng, đuôi mỏng đi. Alpha nhỏ nghĩa là các sự kiện cực đoan hơn. Số mũ tỉ lệ này chi phối mọi thứ từ bất bình đẳng đến kích thước hệ sinh thái.

Phân phối xác suất theo lũy thừa và đồ thị logarit

Bước đầu tiên là dùng đồ thị log-log để phát hiện quy luật lũy thừa trong tập dữ liệu thực.

Nếu dữ liệu thực sự tuân theo quy luật lũy thừa, bạn sẽ nhận được một đường thẳng có hệ số góc −α. Nhưng hãy cẩn trọng vì nhiều phân phối trông cũng tuyến tính trên đồ thị log-log. 

Quan hệ với các phân phối khác

Có một số phân phối thống kê quan trọng tương tự quy luật lũy thừa.

• Phân phối Pareto, thường dùng trong kinh tế học, mô tả phân phối tài sản và thu nhập nơi một số ít người sở hữu phần lớn nguồn lực. Đây là ví dụ sớm và kinh điển của quy luật lũy thừa trong thực tế.
• Định luật Zipf giải thích cách tần suất các từ trong ngôn ngữ tự nhiên tuân theo mẫu hình lũy thừa. Ví dụ, từ phổ biến thứ hai xuất hiện khoảng một nửa so với từ phổ biến nhất, từ thứ ba khoảng một phần ba, v.v.
• Phân phối zeta là phiên bản rời rạc của quy luật lũy thừa, thường dùng để mô hình hóa các hiện tượng xảy ra thường xuyên như lượt truy cập website hoặc doanh số sách.

Đôi khi dữ liệu thực tế không tuân theo một quy luật lũy thừa “thuần” mãi mãi. Trong những tình huống này, ta thấy có cắt cụt theo hàm mũ (nơi các giá trị rất lớn trở nên ít khả năng hơn), quy luật lũy thừa cong, hoặc đuôi log-normal. Chúng phù hợp hơn để mô hình hóa các hệ thống có giới hạn vật lý hoặc thực tiễn. Những mô hình lai này thừa nhận rằng tính bất biến theo tỉ lệ có thể đúng ở một phần phạm vi, nhưng rồi sẽ ngừng hiệu lực.

Biểu hiện thực nghiệm trên nhiều lĩnh vực

Quy luật lũy thừa không chỉ là ý tưởng trong toán học; chúng xuất hiện trong đời thực và giúp ta lý giải các hệ thống thoạt nhìn có vẻ ngẫu nhiên hoặc hỗn loạn.

Hệ tự nhiên và địa vật lý

Quy luật lũy thừa giúp ta hiểu các sự kiện cực đoan trong tự nhiên. Chẳng hạn, định luật Gutenberg-Richter nêu rằng cường độ động đất tuân theo phân phối lũy thừa. Điều này nghĩa là các chấn động nhỏ xảy ra rất nhiều, nhưng khi độ lớn tăng lên, số lượng trận động đất giảm nhanh. Vì thế một trận 2.0 có thể xảy ra mỗi ngày, còn trận 7.0 có thể nhiều năm mới có. Cả hai đều thuộc cùng một câu chuyện thống kê. 

Tương tự, mạng lưới sông ngòi, đường bờ biển, thậm chí tia sét cũng thể hiện các mẫu tự đồng dạng, fractal, tuân theo quy mô lũy thừa ở kích thước các đoạn của chúng.

Quy luật lũy thừa cũng áp dụng cho vũ trụ. Trong vật lý thiên văn, ta thấy kích thước sao, phân phối lỗ đen, và thậm chí cụm thiên hà đều có đuôi nặng. Có hàng tỷ ngôi sao nhỏ, nhưng chỉ vài ngôi sao khổng lồ nổi bật trong thiên hà. Sự chênh lệch này có vẻ ngẫu nhiên, nhưng khi hiểu quy luật lũy thừa ẩn dưới bề mặt, ta thấy nó tuân theo các quy tắc thống kê nhất định.

Hệ kinh tế - xã hội và sinh học

Khi xem xét bất bình đẳng và tỉ lệ trong xã hội loài người, quy luật lũy thừa đặc biệt hữu ích. Chúng ta đã bàn về phân phối Pareto ở phần trước, vốn không chỉ là lý thuyết kinh tế; bạn có thể thấy nó trong dữ liệu thuế, lợi nhuận doanh nghiệp và mô hình quyên góp. 

Top 1% người giàu tuân theo quy luật Pareto, chứ không theo trung bình Gaussian. Những phân phối này không gọn trong đường cong hình chuông; thay vào đó, chúng kéo dài về bên phải, thể hiện một vài giá trị cực lớn (như tỷ phú) làm lệch trung bình.

Quy luật lũy thừa cũng hé lộ các mẫu ẩn trong sinh học. Ví dụ, định luật Kleiber nói rằng tốc độ trao đổi chất của động vật tăng theo lũy thừa 3/4 của khối lượng cơ thể, không phải tuyến tính. Điều này giúp lý giải vì sao voi không ăn gấp một nghìn lần thỏ dù nó nặng gấp một nghìn lần. 

Quy luật lũy thừa cũng áp dụng cho quy mô dân số đô thị, tốc độ tăng trưởng công ty, hành vi bầu cử, và thậm chí số ca tử vong trong xung đột, nơi một vài sự kiện hay thực thể lớn có ảnh hưởng vượt trội.

Công nghệ và kinh doanh

Quy luật lũy thừa vận hành và thúc đẩy thế giới số. Hãy nghĩ về lưu lượng internet: chỉ vài trang (như Google, Facebook, YouTube) nhận phần lớn lượt truy cập, trong khi hàng triệu trang khác hầu như ít được để ý. Đây là hành vi “đuôi dài” điển hình, đặc biệt quan trọng trong các lĩnh vực như SEO, hệ gợi ý và tiếp thị số.

Trong AI, kích thước và hiệu năng của mô hình có xu hướng đồng biến. Có một vài mô hình rất lớn, như GPT-4, dẫn đầu lĩnh vực, còn hàng trăm mô hình nhỏ hơn khó theo kịp. Sự tập trung này một phần do vòng lặp phản hồi: mô hình tốt hơn có nhiều người dùng, dữ liệu và vốn hơn, khiến chúng càng mạnh hơn. 

Ước lượng và kiểm định thống kê

Giả sử tập dữ liệu của bạn có vẻ tuân theo quy luật lũy thừa. Biểu đồ tần suất có thể có đuôi dài, hoặc đồ thị log-log cho thấy một đường gần như thẳng. Đó là khởi đầu tốt, nhưng chỉ nhìn thôi là chưa đủ vì rất dễ bị quy luật lũy thừa đánh lừa. Vì vậy, ta cần các công cụ thống kê tốt để suy ra tham số và kiểm tra độ phù hợp.

Phương pháp ước lượng tham số

Số mũ tỉ lệ, thường ký hiệu là 𝛼, là điều đầu tiên bạn cần để mô hình hóa đúng một phân phối lũy thừa. 

Ước lượng hợp lý tối đa (MLE) là một trong những cách phổ biến để ước lượng 𝛼. Đây là phương pháp tìm các giá trị tham số khiến dữ liệu quan sát được có xác suất xảy ra cao nhất trong toàn bộ thống kê.

Với dữ liệu liên tục có giá trị tối thiểu 𝑥min đã biết, cách làm như sau:

• 𝑥𝑖 là các giá trị quan sát được và đều lớn hơn hoặc bằng 𝑥𝑚𝑖𝑛.
• 𝑛 là số lượng quan sát.

Nhưng đây là phần khó: chọn đúng 𝑥 min cực kỳ quan trọng. Nếu quá thấp, mô hình của bạn chứa dữ liệu thực ra không theo quy luật lũy thừa. Còn nếu quá cao, bạn sẽ lãng phí quá nhiều dữ liệu. Ngoài ra, khi kích thước mẫu nhỏ, ước lượng MLE có thể kém tin cậy.

Kiểm định độ phù hợp

Sau khi ước lượng số mũ, câu hỏi tiếp theo là: độ phù hợp đến đâu? Bạn không thể chỉ nói, "Trông có vẻ như quy luật lũy thừa." Bạn cần bằng chứng thống kê rằng quy luật lũy thừa giải thích dữ liệu tốt hơn các phân phối khả dĩ khác. Đây là lúc kiểm định Kolmogorov–Smirnov (KS) xuất hiện. Kiểm định này tìm khoảng cách lớn nhất giữa hàm phân phối tích lũy (CDF) của dữ liệu quan sát và mô hình lũy thừa lý thuyết. 

Số này càng gần 0, mô hình của bạn càng phù hợp dữ liệu. Kiểm định KS không dùng chia thùng hay biểu đồ tần suất như nhiều kiểm định khác. Thay vào đó, nó làm việc trực tiếp với dữ liệu thô, điều này rất hữu ích cho các phân phối đuôi nặng.Nhưng đôi khi, quy luật lũy thừa không phải lời giải thích duy nhất hợp lý. Phân phối log-normal hoặc mũ cũng có thể mô hình dữ liệu của bạn. Đây là lúc kiểm định tỷ số khả năng (likelihood ratio) phát huy tác dụng. Ý tưởng rất đơn giản: dùng MLE để khớp cả hai mô hình với cùng dữ liệu, tính xác suất (likelihood), rồi so sánh. Bạn có cơ sở thống kê ủng hộ mô hình lũy thừa nếu likelihood của nó cao hơn đáng kể. 

Khung phương pháp Clauset-Shalizi-Newman (2009) là một trong nhiều công cụ kết hợp MLE, kiểm định KS và kiểm định tỷ số khả năng thành một cách tiếp cận mạnh mẽ để xem xét hành vi lũy thừa.

Cơ chế lý thuyết và mô hình sinh thành

Giờ khi đã biết quy luật lũy thừa xuất hiện ở đâu trong đời thực và cách tìm chúng bằng thống kê, câu hỏi tiếp theo là: vì sao những phân phối này xuất hiện ngay từ đầu? Hãy xem quy luật lũy thừa có thể nảy sinh từ động lực hệ thống như thế nào.

Ưu tiên gắn kết và quá trình Yule

Mô hình Barabási–Albert (1999) giới thiệu cơ chế ưu tiên gắn kết, thường được tóm tắt là hiện tượng "người giàu càng giàu". Đây là một trong những cách giải thích quy luật lũy thừa nổi tiếng và dễ hiểu nhất. 

Hãy nghĩ về việc tạo một mạng lưới, như internet hay mạng xã hội. Khi người dùng mới tham gia, họ có xu hướng kết nối với các nút phổ biến như Facebook hay Google vì những nút đó đã nổi tiếng. 

Theo thời gian, điều này tạo ra vòng lặp phản hồi: các nút phổ biến nhận nhiều kết nối hơn nữa, trong khi các nút mới hoặc ít kết nối vẫn nhỏ. Điều này tạo nên mạng không có thang đo, nơi bậc của các nút tuân theo quy luật lũy thừa.

Tương tự, các quá trình Yule mô hình hóa sự tăng trưởng của các chi sinh học là phần mở rộng của ý tưởng này. Trong mô hình này, những loài đã có nhiều thành viên hơn có khả năng sinh ra loài mới cao hơn. Điều đó dẫn tới phân phối lệch, nơi một vài chi chi phối.

Mô hình tăng trưởng ngẫu nhiên, định luật Gibrat và quá trình Markov

Các quá trình tăng trưởng ngẫu nhiên là một con đường khác để quy luật lũy thừa xuất hiện. Ý chính là các đại lượng lớn lên theo thời gian bằng cách nhân với các mức ngẫu nhiên thay vì cộng thêm. 

Định luật Gibrat nói rằng tốc độ tăng trưởng độc lập với kích thước. Hầu hết các đối tượng vẫn nhỏ, nhưng một số ít tăng rất nhanh và trở nên rất lớn, tạo nên đuôi nặng của quy luật lũy thừa. 

Các quá trình Markov, đặc biệt những quá trình có nhiễu nhân, cũng có thể hội tụ về các phân phối dừng dạng lũy thừa—đặc biệt khi có biên phản xạ.

Cũng có một khía cạnh xác suất ở đây. Các quá trình Markov cũng có thể thể hiện hành vi lũy thừa trong một số tình huống. Những quá trình này mô hình hóa các hệ thống mà trạng thái kế tiếp chỉ phụ thuộc vào trạng thái hiện tại, không phụ thuộc quá khứ. Người ta đã dùng điều này để mô hình hóa những thứ như sự di chuyển của con người trong quần thể và hoạt động của hàng đợi.

Những mô hình này không chỉ thú vị về mặt ý tưởng. Chúng giúp ta hiểu các hệ thống phức tạp biến đổi theo thời gian như thế nào, vì sao bất bình đẳng bền vững, và hiệu ứng mạng tác động ra sao từ sinh học đến blockchain. Ta không chỉ dùng quy luật lũy thừa để mô tả thế giới, mà còn để giải thích nó.

Hệ quả, giới hạn và ứng dụng

Hiểu động lực của quy luật lũy thừa là vô cùng quan trọng và có thể ảnh hưởng lớn tới dự báo và quyết định của bạn, dù bạn đang xây dựng mô hình rủi ro tài chính, vận hành hạ tầng internet hay nghiên cứu hành vi xã hội. 

Cân nhắc thực tiễn

Các mô hình lũy thừa hữu ích cho các hệ thống nơi những sự kiện hiếm nhưng quan trọng xảy ra. Ví dụ, trong tài chính, giá có thể biến động bình thường hầu hết các ngày, nhưng các “thiên nga đen”—những cú sụp đổ hay bùng nổ hiếm gặp—có thể tạo tác động lớn nhất. 

Các mô hình lũy thừa có thể phản ánh rủi ro đuôi này tốt hơn các mô hình truyền thống, vốn thường đánh giá thấp xác suất xảy ra các sự kiện đó. Với quản trị rủi ro, bảo hiểm, an ninh mạng và ứng phó thảm họa, điều đó là trọng yếu.

Cũng có lợi ích trong việc hiểu tăng trưởng phi tuyến và hiệu ứng lũy tích. Quy luật lũy thừa giúp giải thích vì sao một số cá nhân, công ty, hoặc nút trong mạng có thể trở nên vượt trội theo thời gian và vì sao các tình huống “kẻ thắng nhận phần lớn” không phải ngoại lệ mà là điều bình thường trong các hệ thống kiểu này.

Nhưng mô hình lũy thừa cũng có đánh đổi. Một vấn đề là chúng đi ngược trực giác—chẳng hạn không phải lúc nào cũng có trung bình hay phương sai rõ ràng, khiến việc xác định các chỉ số quen thuộc như “giá trị kỳ vọng” hay “độ lệch chuẩn” trở nên khó khăn.

Những mô hình này thường chỉ đúng ở phần đuôi của phân phối, nên có thể không khớp tốt phần lớn dữ liệu hoặc hoàn toàn không khớp. Điều này có thể là vấn đề nếu bạn không cẩn trọng về điểm bắt đầu thực sự của hành vi lũy thừa.

Giới hạn và phê bình

Không phải mọi tập dữ liệu có đuôi dài đều tuân theo quy luật lũy thừa đích thực. Một vài phân phối như log-normal hay mũ kéo giãn có thể trông giống hành vi lũy thừa trong một khoảng hẹp, đặc biệt trên đồ thị log-log. Điều này thường dẫn đến dương tính giả, khi ta cho là lũy thừa chỉ vì đồ thị “trông tuyến tính”.Khái quát hóa quá mức là vấn đề khác. Người ta thường nghĩ quy luật lũy thừa giải thích mọi thứ về một hệ thống, nhưng chúng có thể chỉ giải thích một phần nhỏ, thường là phần cực trị. Ví dụ, 1% nhóm thu nhập cao nhất có thể tuân theo quy luật lũy thừa, nhưng phần còn lại có thể theo một phân phối rất khác.

Luật lợi suất giảm dần là vấn đề khác mà các hệ thống thực tế gặp phải. Quy luật lũy thừa nói rằng các kết cục cực đoan là có thể, nhưng trong một số lĩnh vực như giới hạn vật lý hoặc môi trường pháp lý, có những giới hạn ngoài đó mô hình không còn hiệu lực. Nếu bạn cho rằng hành vi phần đuôi kéo dài vô hạn, bạn có thể đánh giá quá cao rủi ro hoặc phần thưởng, đặc biệt trong các hệ thống có ràng buộc.

Kết luận

Quy luật lũy thừa giúp ta hiểu các hệ thống nơi một vài sự kiện hay thực thể cực đoan có tác động lớn, như động đất, lưu lượng internet, hay cách phân bổ thu nhập. Trong hướng dẫn này, chúng ta đã tìm hiểu điều làm quy luật lũy thừa khác biệt, các tính chất toán học và “dấu vân tay” thực nghiệm, cách phát hiện và kiểm định chúng, và nơi chúng xuất hiện trong đời thực.

Phân tích quy luật lũy thừa sẽ có những ứng dụng thú vị trong tương lai ở các lĩnh vực như AI, kinh tế, khoa học mạng và quản trị rủi ro. Với công cụ và hiểu biết đúng đắn, ta có thể dùng chúng để hiểu rõ hơn một thế giới phức tạp, phi tuyến.

Khi bạn đi sâu vào dữ liệu thực, hãy luôn tự hỏi: liệu cái “hiếm” có thực sự hiếm—hay chỉ là đang phân phối theo lũy thừa?

Nếu bạn muốn tìm hiểu thêm về một số khái niệm, vui lòng tham khảo các tài nguyên sau:

• Tờ phao: Giới thiệu các quy tắc xác suất
• Hướng dẫn ký hiệu Big O và độ phức tạp thời gian
• Mô hình tuyến tính tổng quát trong Python