Babeş-Bolyai Tudományegyetem Fizika Kar, Kolozsvár. Hegyi Géza. Filozofia és Történelem Kar, Kolozsvár. M.A. Santos, R. Coelho és J.J.

Hasonló dokumentumok
Vagyoneloszlás a társadalmakban - egy fizikus megközelítése -

Véletlen gráfok szerkesztésekor n csomópontból indulunk ki. p valószínűséggel két csomópontot éllel kötünk össze.

Szociális hálozatok és a vagyoneloszlás a társadalmakban. Néda Zoltán. Babeş-Bolyai Tudományegyetem Elméleti Fizika Tanszék

Hálózatok fejlődése A hatványtörvény A preferential attachment A uniform attachment Vertex copy. SZTE Informatikai Intézet

Doktori disszertáció. szerkezete

Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás

e (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:

Megoldások. ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4; 2, 3) normális eloszlású P (ξ

Univerzalitási osztályok nemegyensúlyi rendszerekben, Ódor Géza

egyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk

4. előadás. Kiegyenlítő számítások MSc 2018/19 1 / 41

Gazdasági matematika II. vizsgadolgozat megoldása, június 10

1. Név:... Neptun Kód:... Feladat: Egy összeszerel½o üzemben 3 szalag van. Mindehárom szalagon ugyanazt

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás

Majomnyelv. Szavak előfordulási gyakoriságának modellezése nyelvi statisztikák alapján

Betekintés a komplex hálózatok világába

Valószínűségszámítás összefoglaló

Kísérlettervezés alapfogalmak

vásárlót átlag 2 perc alatt intéz el (blokkolás, kártyaleolvasás), de ez az

[Biomatematika 2] Orvosi biometria

Sztochasztikus folyamatok alapfogalmak

Statisztikai módszerek a skálafüggetlen hálózatok

Nagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem

A maximum likelihood becslésről

Társadalmi és gazdasági hálózatok modellezése

A Barabási-Albert-féle gráfmodell

Alap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

A mérési eredmény megadása

Gazdasági matematika II. vizsgadolgozat, megoldással,

Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT

Loss Distribution Approach

i p i p 0 p 1 p 2... i p i

Továbblépés. Általános, lineáris modell. Példák. Jellemzık. Matematikai statisztika 12. elıadás,

Bevezetés. 1. előadás, február 11. Módszerek. Tematika

Véletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.

Véletlen gráfok, hálózatok

HETEROGÉN MOBILHÁLÓZATOK, MOBIL BACKHAUL ÉS GERINC HÁLÓZAT GYAKORLAT

( 1) i 2 i. megbízhatóságú a levont következtetése? A matematikai statisztika eszközeivel értékelje a kapott eredményeket!

Több valószínűségi változó együttes eloszlása, korreláció

1. Példa. A gamma függvény és a Fubini-tétel.

Mi az adat? Az adat elemi ismeret. Az adatokból információkat

FELVÉTELI VIZSGA, július 17.

MATE-INFO UBB verseny, március 25. MATEMATIKA írásbeli vizsga

A kálium-permanganát és az oxálsav közötti reakció vizsgálata 9a. mérés B4.9

BIOMATEMATIKA ELŐADÁS

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Kísérlettervezés alapfogalmak

A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában

Matematikai geodéziai számítások 6.

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Véletlenszám generátorok és tesztelésük. Tossenberger Tamás

Volatilitási tőkepuffer a szolvencia IIes tőkekövetelmények megsértésének kivédésére

E.4 Markov-láncok E.4 Markov-láncok. Sok sorbanállási hálózat viselkedése leírható "folytonos idejű Markovláncok " segítségével.

STATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

Bodó / Csató / Gaskó / Sulyok / Simon október 9. Matematika és Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár

A talajok összenyomódásának vizsgálata

Matematikai geodéziai számítások 6.

Gyakorló feladatok. Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László

4. Az A és B események egymást kizáró eseményeknek vagy idegen (diszjunkt)eseményeknek nevezzük, ha AB=O

Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem.

Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés

Mesterséges Intelligencia MI

Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás

Van-e kapcsolat a változók között? (példák: fizetés-távolság; felvételi pontszám - görgetett átlag)

Gyakorló feladatok I.

-2σ. 1. A végtelen kiterjedésű +σ és 2σ felületi töltéssűrűségű síklapok terében az ábrának megfelelően egy dipól helyezkedik el.

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

A valószínűségszámítás elemei

[Biomatematika 2] Orvosi biometria

Korreláció és lineáris regresszió

Összefoglalás és gyakorlás

A mikroskálájú modellek turbulencia peremfeltételeiről

Kvantitatív módszerek

Frusztrált hálózatok klasztereződése

Elemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n

Számítógépes döntéstámogatás. Statisztikai elemzés

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Valószínűségi változók. Várható érték és szórás

Szalai Péter. April 17, Szalai Péter April 17, / 36

Dimenzióváltás becsapódásos fragmentációban

Statisztika I. 12. előadás. Előadó: Dr. Ertsey Imre

Többváltozós lineáris regressziós modell feltételeinek

Elméleti összefoglaló a Valószín ségszámítás kurzushoz

Regressziós vizsgálatok

Matematika A3 Valószínűségszámítás, 5. gyakorlat 2013/14. tavaszi félév

Statisztikai következtetések Nemlineáris regresszió Feladatok Vége

5. el adás. Solow-modell I. Kuncz Izabella. Makroökonómia. Makroökonómia Tanszék Budapesti Corvinus Egyetem

Gazdasági matematika II. tanmenet

Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg

Exponenciális kisimítás. Üzleti tervezés statisztikai alapjai

Reakciókinetika. aktiválási energia. felszabaduló energia. kiindulási állapot. energia nyereség. végállapot

Változatos Véletlen Árazási Problémák. Bihary Zsolt AtomCsill 2014

Logisztikai szimulációs módszerek

KÖZELÍTŐ INFERENCIA II.

Számítógép-rendszerek fontos jellemzői (Hardver és Szoftver):

Dekoherencia Markovi Dinamika Diósi Lajos. Elméleti Fizikai Iskola Tihany, augusztus szeptember 3.

Közlekedési áramlatok MSc. Csomóponti-, útvonali eljutási lehetőségek minősítése

Átírás:

Vagyoneloszlás a társadalmakban - egy fizikus megközelítése Néda Zoltán Babeş-Bolyai Tudományegyetem Fizika Kar, Kolozsvár Hegyi Géza Babeş-Bolyai Tudományegyetem Filozofia és Történelem Kar, Kolozsvár M.A. Santos, R. Coelho és J.J. Ramasco University of Porto School of Business and Economics, Porto KMEI ISZM, Kolozsvár 2006

A Pareto törvény* vagyonleszlás a társadalmakban -Az össz társadalmi vagyonnak a nagy része egy aránylag kis társadalmi réteg kezében öszpontosul -A híres 80-20 törvény: a társadalom 20% -a az össz vagyon 80%-át birtokolja... (a vagyoneloszláson kivül sok más társadalmi vagy gazdasági folyamatra igaz...) -A Pareto törvény a társadalmi vagyoneloszlás skála-invariáns matematikai formájából ered. -Pareto mérései szerint a társadalom gazdag rétegeire (álatalában a felső 5-10%-ra) igaz, hogy: annak a valószínűsége, C hogy egy egyénnek a vagyona nagyobb legyen mint w P> ( w) = egy α w érték hatványfüggvényszerűen esik α α [1,2.5] ln[ P> ( w)] = ln C α ln[w] ( : a Pareto exponens), általában: társadalmakként változik -A Pareto-törvény szerint, ha sorba rakjuk a társadalom K tagjait vagyonok az i sorszámot a wi vagyon i ~ P>=szerint, ( wi ) = majd α függvényében ábrázoljukwakkor i -A V.Pareto Pareto,törvény Cours d Economie Politique, vol. 2, igaz a jövedelmek eloszlására is * Macmillian, Paris, 1897 Vilfredo Pareto (18481923)

A Pareto törvény különböző társadalmakban 1. A jövedelem eloszlására nézve Évi jövedelem eloszlása Olaszországban (1977-2002) Évi jövedelem eloszlása Japánban (1986-2000) Kummulatív eloszlásfüggvények logaritmikus skálán

2. A vagyoneloszlásra nézve Kevesebb kísérleti adat (nehezen és általában Vagyoneloszlás Nagy Brittániában (2000), (az örökösödési adatokból)* csak indirekt módon mérhető) Vagyoneloszlás az India társadalom leggazdagabb 100 családja között (2002, 2003) Kummulatív eloszlásfüggvény * R. Coelho, Z. Neda and M.A. Santos, 2005 * Hegyi Géza & Néda Zoltán (BBTE, Fizika Kar) Vagyon a sorszám függvényében logaritmikus skálán a kapott hatványfüggvény a Pareto törvényt igazolja Kummulatív vagyoneloszlás a magyar nemesség körében 1500 körül* (logaritmikus skála) (az adott nemesi család birtokában levő jobbágyporták alapján)

Mérési adatok a Pareto exponensre Pareto eredeti mérései α ra P>= ( w) = C wα α: a Pareto exponens V. Pareto, Cours d Economie Politique, vol. 2, Macmillian, Paris, 1897 [1.8,2.2] α [1.6,1.9] α : 0.8 2.6 Évi jövedelem eloszlása Olaszországban (1977-2002) α = 2. 1 Évi övedelem eloszlása az Egyesült államokban (2000) Vagyoneloszlás a magyar nemesség körében 1500 körül α = 0.95 α = 0.81 ;α = 0.93 Vagyoneloszlás az India társadalom leggazdagabbjai között (2002, 2003) Vagyoneloszlás Nagy Brittániában (2000), (az örökösödési α = 2.52 Évi jövedelem eloszlása Japánban (1986-2000)α adatokból) Minnél élénkebb gazdasági kapcsolatok vannak a vizsgált társadalom tagjai között annál nagyobb a Pareto exponens!

A Pareto törvény fizikusi megközelítése J. P. Bouchod, M. Mezard; Physica A, vol. 282, pp.536 542 (2000) -egy analitikus átlagtér Mindenki mindenkivel kölcsönhat (vagyont elméletcserél)! ηi (t ) Wi : az egyedek vagyonai; J(i,j) az egyedek közti kölcsönhatás erőssége; : egy normális (Gauss) eloszlású véleltlenszerű η (t ) = 0 változói 2 2 ηi (t ) ηi (t ) = 2σ 2 dwi = ηi (t )Wi + dt A feladat másztersz egyenlete (a vagyonok időbeli evolucióját vezérlő egyenlet) i = 1,2,...N az átlagtér közelítés: J (i, j ) = J α = 1+ 2 σ J N az átlagtér megoldás: Pareto exponens ρ ech ( w) = A J ( j, i)w J (i, j )W j ( i ) N exp[ (α 1) ] w w1+α j j ( i ) i

Az átlagtér közelítésen túl... Egy családháló modell* -A valódi társadalmakban a vagyoncsere nem egy teljesen összekötött hálon történik (nem mindenki mindenkivel hat kölcsön). - A társadalmi háló fogalma és topologiája (szerkezete) fontos a vagyoncsere mechanizmusának a leírásához! (ki kivel van összekötve?) - A vagyoncsere mechanizmusában a családi háloknak van kitüntetett szerepe! - Milyen a családi hálónak a szerkezete??? - A családi háló és vagyoneloszlás között szoros kapcsolat van! családháló vagyoneloszlás -Egy helyes (komplex) modellnek generálnia kell úgy a helyes vagyoneloszlást mint az őt meghatározó társadalmi hálót - A modellnek realisztikus és lehetőleg egyszerű törvényszerűségeket kell tartalmaznia - A modell a bonyolult hálószerkezet miatt valószínűleg analitikusan nem tanulmányozható - Monte Carlo tipusú számítógépes szimulációk szükségesek... * R. Coelho, Z. Neda, J.J. Ramasco şi M.A. Santos; Physica A, 2005 Szociális Háló, V. Hugo Nyomorultak

A családháló modell a csomópontok a családok a kötések az elsőrangú családi kapcsolatok minden (i) csomópontnak van vagyona W(i) + és kora A(i) A modell állandói: a családok száma az összvagyon a rendszerben Kezdeti feltételek: egy véletlenszerű háló a vagyonok egyenletes eloszlása a (0,1) intervallumon a családok kora a csomópontok (i) sorszáma A modell dinamikája (1) A legöregebb csomópontot (i) eltávolítjuk. A vagyonát egyenletesen elosztjuk azon csomópontok között amellyel kötései voltak (ha nincs kötése senkivel, akkor a vagyonát preferenciálisan szétosztjuk az összes csomópont között) az örökösödési folyamat (2) Az eltávolított csomópont (i) 0 korral visszakerül (születés), és két olyan (j és k) csomóponthoz kapcsolódik amelyeknek a vagyona nagyobb mint: q (egy új család megalakítása pénzbe kerül). A q vagyon levónódik j és k vagyonából és preferenciálisan szétosztódik a családok között (az új család megalapításából a W ' (i ) =[W ( j ) q ] p +[W ( k ) q ] p társadalomnak nyeresége van). A j és k családok a megmaradt vagyonuk p-ed (2) W ' ( k )vagyon) =[W ( k ) q ](1 p ) részét az új i családnak adják (megindulási W ' ( j ) =[W ( j ) q ](1 p ) (3) Minden csomópont kora egységgel nő. Kétparaméteres modell: q és p

A családháló modell eredményei A modell a helyes vagyoneloszlást és a hálóstrukturát is generálja! A vagyoneloszlás q=0.7-0.9 és p=0.2-0.3 értékekre a P>=(w) kummulatív vagyonelszolás görbék megfelelőek - a társadalom felső 10%-ra érvényes a Pareto törvény - a kis α vagyonok esetén P>=(w) exponenciális - az -ra kapott értékek: 1.8 2.0 Számítógép-szimulációs eredmény a családháló modellre. Kummulatív eloszlásfüggvény log-log skálán. - p=0.3, q=0.7 (N=10000 csomópont, 10 generációs szimuláció) α = 1.8 A számított Pareto exponens

A családháló topológiája -A P(k) fokszám-eloszlás (a csomópontokból kiinduló kötések számának, k, eloszlása) exponenciális - kprob=2; <k>=1.9 (realisztikus) - a kialakuló családháló kis-világ (small-word) tipusú (általában ez jellemző a valós társadalmi hálókra) Korreláció a vagyon és fokszám között - kis p esetén (p=0.1) hosszú távon pozítiv korreláció (rövid időre azonban anti-korreláció) - p>0.2 és q>0.7 esetén antikorreláció Számítógép-szimulációs eredmények a generált háló fokszámeloszlására. Normállog skála, N=10000 család (csomópont ) és 10 generációs szimuláció Számítógépszimulációs eredmények a fokszám és vagyon közti korrelációra. N=10000 családra való szimuláció, 10 generáció után Számítógép-szimulációs eredmények a fokszám és vagyon közti korrelációra. N=10000 családra való