{
  "id": "power-law",
  "title": "幂律",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "幂律以固定指数描述量之间的尺度不变关系；在概率论中，幂律分布的尾部衰减缓慢。",
  "category": "mathematics",
  "subcategory": "analysis",
  "type": "concept",
  "aliases": [
    "幂次定律"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/power-law/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/power-law/",
      "json": "https://aiwiki.page/en/power-law.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "幂律是指一个量与另一个量的固定次幂成正比的关系。其基本形式为 \\(f(x)=Cx^k\\)，其中 \\(C\\) 是常数系数，\\(k\\) 是指数。这类关系可用于描述几何尺度变化、平方反比力以及许多经验规律。测量量之间的幂律关系不同于幂律概率分布，后者描述不同数值出现的频率。(reference.wolfram.com)"
    },
    {
      "heading": "数学形式与尺度变换",
      "text": "对于正的输入值 \\(x\\)，幂律函数可写为\n\n\\[f(x)=Cx^k.\\]\n\n指数可以是任意实数。当 \\(C>0\\) 时，正指数表示递增关系，负指数表示递减关系，而 \\(k=0\\) 时函数为常数。直接代入可知，将 \\(x\\) 加倍会使 \\(f(x)\\) 变为原来的 \\(2^k\\) 倍：平方律对应四倍，平方反比律则对应四分之一倍。这些都是幂律模型形式的直接结果。(reference.wolfram.com)\n\n幂律所特有的尺度变换性质可由代数运算得出：\n\n\\[f(ax)=a^k f(x),\\qquad a>0.\\]\n\n因此，改变输入的尺度只会改变输出的倍数，不会改变函数的形式。这一性质称为尺度不变性。对于有量纲的物理量，系数提供该关系所需的单位；尺度不变性并不意味着可以忽略单位。(reference.wolfram.com)\n\n当 \\(C\\) 为正时，取对数可得\n\n\\[\\log f(x)=\\log C+k\\log x.\\]\n\n因此，严格的幂律在双对数图上表现为斜率为 \\(k\\) 的直线。这一变换是代数恒等关系，但带有噪声的观测数据中，一段看似笔直的线段并不足以证明数据服从幂律分布。(reference.wolfram.com)"
    },
    {
      "heading": "幂律概率分布",
      "text": "在统计学中，幂律通常指上尾概率密度与 \\(x^{-\\alpha}\\) 成正比的分布。一个归一化的连续模型为\n\n\\[p(x)=\\frac{\\alpha-1}{x_{\\min}} \\left(\\frac{x}{x_{\\min}}\\right)^{-\\alpha}, \\qquad x\\ge x_{\\min}>0,\\quad \\alpha>1.\\]\n\n这里，\\(x_{\\min}\\) 是建模范围的下界。这是第一类帕累托分布，其帕累托形状参数为 \\(\\alpha-1\\)。不同作者采用的指数约定不同，因此不能默认概率密度的指数与帕累托形状参数相同。(itl.nist.gov)\n\n对这个概率密度函数积分，可得到随机变量 \\(X\\) 的生存概率：\n\n\\[P(X\\ge x)= \\left(\\frac{x}{x_{\\min}}\\right)^{-(\\alpha-1)}.\\]\n\n对于这一连续模型，生存函数等于一减去累积分布函数，因此其指数的绝对值比概率密度指数的绝对值小一。这一差异直接源于积分，在比较图形时十分重要。(itl.nist.gov)\n\n相应的离散模型在不小于某个最小值的整数上赋予与 \\(n^{-\\alpha}\\) 成正比的概率质量函数，并通过求和进行归一化。相比之下，齐普夫定律通常描述某个对象的频率或规模与其排名之间的幂律关系。基于排名的指数与基于概率密度的指数彼此相关，但不能互换使用。(cs.cornell.edu)"
    },
    {
      "heading": "尾部与矩",
      "text": "幂律分布属于重尾分布：其上尾的衰减速度慢于指数衰减的尾部。因此，较大的观测值仍具有相对显著的影响。经验数据中的幂律特征往往只适用于某个阈值以上，而非整个分布。(cs.cornell.edu)\n\n对于上述连续模型，直接计算定义矩的积分可得\n\n\\[E[X^q]= \\frac{\\alpha-1}{\\alpha-1-q}x_{\\min}^{q}, \\qquad q<\\alpha-1.\\]\n\n当 \\(q\\) 达到或超过这一界限时，积分发散。只有当 \\(\\alpha>2\\) 时，期望值才是有限的；只有当 \\(\\alpha>3\\) 时，方差才是有限的。这些条件是无上界延伸的理想化分布所具有的数学性质，并不是说有限的观测数据集中包含无穷大的数值。(cs.cornell.edu)"
    },
    {
      "heading": "实例与生成机制",
      "text": "经典力学中存在一个确定性的例子。两个质点之间的牛顿引力大小为\n\n\\[F=G\\frac{m_1m_2}{r^2}.\\]\n\n在质量固定时，力与间距之间服从指数为 \\(-2\\) 的幂律。对于球对称物体，以两者的中心间距作为 \\(r\\)，同一表达式也适用。这一关系描述的是力与距离，而不是力的频率分布。(openstax.org)\n\n研究人员已在词频、城市人口和网络连接度等领域研究统计意义上的幂律。提出的生成机制包括优先连接，即已有较多连接的对象会吸引更多连接，以及与相变有关的临界行为。不同机制可能产生相似的分布；仅仅观察到幂律尾部，并不能唯一确定其成因。(cs.cornell.edu)"
    },
    {
      "heading": "经验识别",
      "text": "可靠地识别幂律，需要明确拟合范围，并评估其他可能的解释。对经过对数变换的直方图频数进行线性回归，可能得到不准确的指数估计。仅凭表面上很强的线性关系，无法确定观测数据服从所提出的分布。(epubs.siam.org)\n\n一种广泛使用的分析框架将指数和下限阈值的最大似然估计与拟合优度检验相结合。通过模拟样本，可以将观测到的偏差与拟合模型下预期出现的偏差进行比较。似然比比较可用于评估其他候选模型，例如对数正态分布或带有指数截断的幂律。未能拒绝幂律模型只意味着数据与之相容，并不构成证明，也不表明它优于所有其他候选模型。样本有限、尾部边界不确定时，多个模型都可能具有合理性。(epubs.siam.org)"
    }
  ],
  "links": [
    "probability-distribution",
    "mathematical-function",
    "real-number",
    "scale-invariance",
    "log-log-plot",
    "statistics",
    "pareto-distribution",
    "probability-density-function",
    "random-variable",
    "cumulative-distribution-function",
    "probability-mass-function",
    "zipfs-law",
    "heavy-tailed-distribution",
    "integral",
    "expected-value",
    "variance",
    "classical-mechanics",
    "gravity",
    "phase-transition",
    "linear-regression",
    "maximum-likelihood-estimation",
    "statistical-hypothesis-testing",
    "lognormal-distribution"
  ],
  "sources": [
    {
      "title": "reference.wolfram.com/language/ref/PowerModel.html",
      "url": "https://reference.wolfram.com/language/ref/PowerModel.html"
    },
    {
      "title": "itl.nist.gov/div898/software/dataplot/refman2/ch8/parpdf.pdf",
      "url": "https://www.itl.nist.gov/div898/software/dataplot/refman2/ch8/parpdf.pdf"
    },
    {
      "title": "cs.cornell.edu/courses/cs6241/2019sp/readings/Newman-2005-distributions.pdf",
      "url": "https://www.cs.cornell.edu/courses/cs6241/2019sp/readings/Newman-2005-distributions.pdf"
    },
    {
      "title": "openstax.org/books/university-physics-volume-1/pages/13-1-newtons-law-of-univer…",
      "url": "https://openstax.org/books/university-physics-volume-1/pages/13-1-newtons-law-of-universal-gravitation"
    },
    {
      "title": "epubs.siam.org/doi/pdf/10.1137/070710111",
      "url": "https://epubs.siam.org/doi/pdf/10.1137/070710111"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}