ऊर्जा नियम

आँकड़ों में, एक शक्ति कानून दो मात्राओं के बीच एक कार्य (गणित) है, जहाँ एक मात्रा में एक सापेक्ष परिवर्तन और अंतर के परिणामस्वरूप दूसरी मात्रा में आनुपातिक सापेक्ष परिवर्तन होता है, जो उन मात्राओं के प्रारंभिक आकार से स्वतंत्र होता है: एक मात्रा एक के रूप में भिन्न होती है दूसरे का घातांक। उदाहरण के लिए, एक वर्ग के क्षेत्रफल को उसकी भुजा की लंबाई के रूप में देखते हुए, यदि लंबाई दोगुनी कर दी जाती है, तो क्षेत्रफल को चार के गुणक से गुणा कर दिया जाता है।

अनुभवजन्य उदाहरण
भौतिक, जैविक, और मानव निर्मित परिघटनाओं की एक विस्तृत विविधता के वितरण परिमाण की एक विस्तृत श्रृंखला पर लगभग एक शक्ति कानून का पालन करते हैं: इनमें चंद्रमा पर क्रेटर के आकार और सौर ज्वालाएं शामिल हैं, विभिन्न प्रजातियों के फोर्जिंग पैटर्न, न्यूरोनल आबादी के गतिविधि पैटर्न के आकार, अधिकांश भाषाओं में शब्दों की बारंबारता, पारिवारिक नामों की बारंबारता, जीवों के समूहों में प्रजातियों की समृद्धि, बिजली की कटौती, ज्वालामुखी विस्फोट, उत्तेजना तीव्रता के मानवीय निर्णय और कई अन्य मात्राएँ। कुछ अनुभवजन्य वितरण उनके सभी मूल्यों के लिए एक शक्ति कानून फिट करते हैं, बल्कि पूंछ में एक शक्ति कानून का पालन करते हैं। ध्वनिक क्षीणन कई जटिल मीडिया के लिए व्यापक आवृत्ति बैंड के भीतर आवृत्ति शक्ति-नियमों का पालन करता है। जैविक चर के बीच संबंधों के लिए एलोमेट्रिक स्केलिंग प्रकृति में सबसे प्रसिद्ध शक्ति-कानून कार्यों में से हैं।

स्केल इनवेरियन
शक्ति कानूनों की एक विशेषता उनका स्केल इनवेरियन # स्केल-इनवेरिएंट कर्व्स और सेल्फ-समानता है। एक रिश्ता दिया $$f(x) = ax^{-k}$$, तर्क को स्केल करना $$x$$ एक स्थिर कारक द्वारा $$c$$ फ़ंक्शन के केवल आनुपातिक स्केलिंग का कारण बनता है। वह है,


 * $$f(c x) = a(c x)^{-k} = c^{-k} f( x ) \propto f(x),\!$$

कहाँ $$\propto$$ प्रत्यक्ष आनुपातिकता को दर्शाता है। यानी एक स्थिरांक से स्केलिंग $$c$$ बस मूल शक्ति-नियम संबंध को स्थिरांक से गुणा करता है $$c^{-k}$$. इस प्रकार, यह इस प्रकार है कि एक विशेष स्केलिंग एक्सपोनेंट वाले सभी पावर कानून निरंतर कारकों के बराबर होते हैं, क्योंकि प्रत्येक दूसरे का एक छोटा संस्करण है। यह व्यवहार वह है जो रैखिक संबंध बनाता है जब दोनों के लघुगणक लिए जाते हैं $$f(x)$$ और $$x$$, और लॉग-लॉग प्लॉट पर सीधी-रेखा को अक्सर एक शक्ति कानून का हस्ताक्षर कहा जाता है। वास्तविक डेटा के साथ, एक शक्ति-कानून संबंध के बाद डेटा के लिए इस तरह की सीधीता आवश्यक है, लेकिन पर्याप्त नहीं है। वास्तव में, डेटा की सीमित मात्रा उत्पन्न करने के कई तरीके हैं जो इस हस्ताक्षर व्यवहार की नकल करते हैं, लेकिन, उनकी स्पर्शोन्मुख सीमा में, सही शक्ति कानून नहीं हैं (उदाहरण के लिए, यदि कुछ डेटा की उत्पादन प्रक्रिया एक लॉग-सामान्य वितरण का अनुसरण करती है)। इस प्रकार, सटीक फिटिंग और #शक्ति कानूनों को मान्य करना|शक्ति-कानून मॉडल को मान्य करना सांख्यिकी में अनुसंधान का एक सक्रिय क्षेत्र है; नीचे देखें।

अच्छी तरह से परिभाषित औसत मूल्य का अभाव
एक शक्ति-कानून $$x^{-k}$$ एक अच्छी तरह से परिभाषित औसत है $$x \in [1,\infty)$$ केवल $$ k > 2 $$, और इसका केवल एक परिमित विचरण है $$k >3$$; प्रकृति में सबसे अधिक पहचाने जाने वाले शक्ति कानूनों में प्रतिपादक होते हैं जैसे कि माध्य अच्छी तरह से परिभाषित होता है लेकिन विचरण नहीं होता है, जिसका अर्थ है कि वे ब्लैक स्वान सिद्धांत व्यवहार में सक्षम हैं। इसे निम्नलिखित विचार प्रयोग में देखा जा सकता है: अपने दोस्तों के साथ एक कमरे की कल्पना करें और कमरे में औसत मासिक आय का अनुमान लगाएं। अब कल्पना कीजिए कि दुनिया का सबसे अमीर व्यक्ति कमरे में प्रवेश कर रहा है, जिसकी मासिक आय लगभग 1,000,000,000 अमेरिकी डॉलर है। कमरे में औसत आय का क्या होता है? आय को पारेटो वितरण के रूप में ज्ञात एक शक्ति-कानून के अनुसार वितरित किया जाता है (उदाहरण के लिए, अमेरिकियों का शुद्ध मूल्य 2 के प्रतिपादक के साथ एक शक्ति कानून के अनुसार वितरित किया जाता है)।

एक ओर, यह उन पारंपरिक आँकड़ों को लागू करना गलत बनाता है जो भिन्नता और मानक विचलन (जैसे प्रतिगमन विश्लेषण) पर आधारित होते हैं। दूसरी ओर, यह लागत-कुशल हस्तक्षेपों के लिए भी अनुमति देता है। उदाहरण के लिए, यह देखते हुए कि कार का निकास कारों के बीच एक शक्ति-कानून के अनुसार वितरित किया जाता है (बहुत कम कारें सबसे अधिक संदूषण में योगदान करती हैं) कुल निकास को कम करने के लिए उन बहुत कम कारों को सड़क से हटाने के लिए पर्याप्त होगा। हालाँकि, माध्य मौजूद है: एक शक्ति कानून x के लिए–k, प्रतिपादक के साथ $k > 1$, यह मान 2 लेता है1/(के – 1)xmin, जहां एक्सmin न्यूनतम मूल्य है जिसके लिए शक्ति कानून धारण करता है।

सार्वभौमिकता
एक विशेष स्केलिंग एक्सपोनेंट के साथ पावर कानूनों की समानता गतिशील प्रक्रियाओं में गहरी उत्पत्ति हो सकती है जो पावर-कानून संबंध उत्पन्न करती है। भौतिकी में, उदाहरण के लिए, ऊष्मप्रवैगिकी प्रणालियों में चरण संक्रमण कुछ मात्राओं के बिजली-कानून वितरण के उद्भव से जुड़े होते हैं, जिनके घातांक को प्रणाली के महत्वपूर्ण घातांक के रूप में संदर्भित किया जाता है। एक ही महत्वपूर्ण घातांक के साथ विविध प्रणालियाँ - जो समान स्केलिंग व्यवहार को प्रदर्शित करती हैं क्योंकि वे महत्वपूर्ण बिंदु (थर्मोडायनामिक्स) तक पहुँचते हैं - समान मौलिक गतिकी को साझा करने के लिए, पुनर्सामान्यीकरण समूह थ्योरी के माध्यम से दिखाया जा सकता है। उदाहरण के लिए, पानी और सीओ का व्यवहार2 उनके क्वथनांक समान सार्वभौमिकता वर्ग में आते हैं क्योंकि उनके समान महत्वपूर्ण घातांक होते हैं। वास्तव में, लगभग सभी भौतिक चरण संक्रमणों को सार्वभौमिकता वर्गों के एक छोटे समूह द्वारा वर्णित किया गया है। इसी तरह के अवलोकन किए गए हैं, हालांकि व्यापक रूप से नहीं, विभिन्न स्व-संगठित आलोचना | स्व-संगठित महत्वपूर्ण प्रणालियों के लिए, जहां प्रणाली का महत्वपूर्ण बिंदु एक आकर्षित करने वाला है। औपचारिक रूप से, गतिशीलता के इस साझाकरण को सार्वभौमिकता (गतिशील प्रणाली) के रूप में संदर्भित किया जाता है, और ठीक उसी महत्वपूर्ण घातांक वाले सिस्टम को समान पुनर्सामान्यीकरण समूह # प्रासंगिक और अप्रासंगिक ऑपरेटरों और सार्वभौमिकता वर्गों से संबंधित कहा जाता है।

पावर-लॉ फ़ंक्शंस
शक्ति-कानून संबंधों में वैज्ञानिक रुचि आंशिक रूप से सहजता से उत्पन्न होती है जिसके साथ तंत्र के कुछ सामान्य वर्ग उन्हें उत्पन्न करते हैं। कुछ डेटा में पावर-लॉ संबंध का प्रदर्शन विशिष्ट प्रकार के तंत्रों को इंगित कर सकता है जो प्रश्न में प्राकृतिक घटना को कम कर सकते हैं, और अन्य, प्रतीत होने वाली असंबंधित प्रणालियों के साथ गहरे संबंध का संकेत दे सकते हैं; ऊपर #यूनिवर्सिटी भी देखें। भौतिकी में शक्ति-कानून संबंधों की सर्वव्यापकता आंशिक रूप से आयामी विश्लेषण के कारण है, जबकि जटिल प्रणालियों में, शक्ति कानूनों को अक्सर पदानुक्रम या विशिष्ट स्टोकेस्टिक प्रक्रियाओं के हस्ताक्षर माना जाता है। शक्ति कानूनों के कुछ उल्लेखनीय उदाहरण हैं पारेटो सिद्धांत | पारेटो का आय वितरण का नियम, भग्न की संरचनात्मक आत्म-समानता और एलोमेट्रिक कानून। शक्ति-कानून संबंधों की उत्पत्ति पर अनुसंधान, और उन्हें वास्तविक दुनिया में देखने और मान्य करने का प्रयास, विज्ञान के कई क्षेत्रों में अनुसंधान का एक सक्रिय विषय है, जिसमें भौतिकी, कंप्यूटर विज्ञान, भाषा विज्ञान, भूभौतिकी, तंत्रिका विज्ञान, व्यवस्थित विज्ञान, समाजशास्त्र, अर्थशास्त्र और अधिक।

हालांकि, बिजली कानूनों में हाल ही में बहुत रुचि संभाव्यता वितरण के अध्ययन से आती है: विभिन्न प्रकार की मात्राओं के वितरण कम से कम उनकी ऊपरी पूंछ (बड़ी घटनाओं) में शक्ति-कानून के रूप का पालन करते हैं। इन बड़ी घटनाओं का व्यवहार इन मात्राओं को चरम मूल्य सिद्धांत (जिसे चरम मूल्य सिद्धांत भी कहा जाता है) के अध्ययन से जोड़ता है, जो शेयर बाजार में गिरावट और बड़ी प्राकृतिक आपदाओं जैसी अत्यंत दुर्लभ घटनाओं की आवृत्ति पर विचार करता है। यह मुख्य रूप से सांख्यिकीय वितरण के अध्ययन में है कि नाम शक्ति कानून का उपयोग किया जाता है।

अनुभवजन्य संदर्भों में, शक्ति-कानून का एक अनुमान $$o(x^k)$$ अक्सर एक विचलन शब्द शामिल होता है $$\varepsilon$$, जो देखे गए मूल्यों (शायद माप या नमूनाकरण त्रुटियों) में अनिश्चितता का प्रतिनिधित्व कर सकता है या पावर-लॉ फ़ंक्शन (शायद स्टोकास्टिक प्रक्रिया कारणों के लिए) से विचलन करने के लिए अवलोकनों का एक आसान तरीका प्रदान करता है:


 * $$y = ax^k + \varepsilon.\!$$

गणितीय रूप से, एक सख्त शक्ति कानून संभाव्यता वितरण नहीं हो सकता है, लेकिन एक वितरण जो एक छोटा शक्ति कार्य है संभव है: $$p(x) = C x^{-\alpha}$$ के लिए $$x > x_\text{min}$$ जहां एक्सपोनेंट $$\alpha$$ (ग्रीक अक्षर अल्फा, स्केलिंग फैक्टर से भ्रमित न हों $$a$$ ऊपर प्रयुक्त) 1 से अधिक है (अन्यथा पूंछ में अनंत क्षेत्र है), न्यूनतम मूल्य $$x_\text{min}$$ की आवश्यकता है अन्यथा वितरण में अनंत क्षेत्र है क्योंकि x 0 तक पहुंचता है, और निरंतर C यह सुनिश्चित करने के लिए एक स्केलिंग कारक है कि कुल क्षेत्रफल 1 है, जैसा कि संभाव्यता वितरण द्वारा आवश्यक है। अधिक बार एक स्पर्शोन्मुख शक्ति कानून का उपयोग करता है - एक जो केवल सीमा में ही सत्य है; विवरण के लिए #पॉवर-लॉ प्रोबेबिलिटी डिस्ट्रीब्यूशन|नीचे पावर-लॉ प्रायिकता डिस्ट्रीब्यूशन देखें। आमतौर पर प्रतिपादक सीमा में आता है $$2 < \alpha < 3$$हालांकि हमेशा नहीं।

उदाहरण
भौतिकी (जैसे बालू के ढेर हिमस्खलन), जीव विज्ञान (जैसे प्रजातियों के विलुप्त होने और शरीर द्रव्यमान), और सामाजिक विज्ञान (जैसे शहर के आकार और आय) में सौ से अधिक शक्ति-कानून वितरण की पहचान की गई है। उनमें से हैं:

खगोल विज्ञान

 * केप्लर का तीसरा नियम
 * तारों का प्रारंभिक सामूहिक कार्य
 * ब्रह्मांडीय किरण का अंतर ऊर्जा स्पेक्ट्रम|ब्रह्मांडीय-किरण नाभिक
 * एम-सिग्मा संबंध

भौतिकी

 * एयरोसोल ऑप्टिक्स में एंगस्ट्रॉम प्रतिपादक
 * जटिल मीडिया में ध्वनिक क्षीणन की आवृत्ति-निर्भरता
 * स्टीफन-बोल्ट्जमैन नियम
 * फील्ड इफ़ेक्ट ट्रांजिस्टर और निर्वात पम्प ट्यूब के इनपुट-वोल्टेज-आउटपुट-करंट कर्व एक इलेक्ट्रॉनिक एम्पलीफायर#स्क्वायर-लॉ|स्क्वायर-लॉ संबंध, ट्यूब ध्वनि में एक कारक का अनुमान लगाते हैं।
 * वर्ग–घन नियम (सतह क्षेत्रफल और आयतन का अनुपात)
 * एक 3/2-पावर कानून ट्रायोड की वर्तमान-वोल्टेज विशेषता में पाया जा सकता है।
 * न्यूटोनियन गुरुत्वाकर्षण और इलेक्ट्रोस्टाटिक्स के व्युत्क्रम-वर्ग नियम, जैसा कि क्रमशः गुरुत्वाकर्षण क्षमता और इलेक्ट्रोस्टैटिक क्षमता से प्रमाणित है।
 * एक आकर्षण के रूप में एक महत्वपूर्ण बिंदु (ऊष्मप्रवैगिकी) के साथ स्व-संगठित आलोचनात्मकता
 * वैन डेर वाल्स बल का मॉडल
 * सरल हार्मोनिक गति में बल और क्षमता
 * वोल्टेज के साथ प्रकाश की तीव्रता से संबंधित गामा सुधार
 * चरण संक्रमण#महत्वपूर्ण घातांक और सार्वभौमिकता वर्ग|महत्वपूर्ण घातांक वाले दूसरे क्रम के चरण संक्रमण के निकट व्यवहार
 * पावर सेमीकंडक्टर्स में अधिकतम समकालिक करंट और वोल्टेज से संबंधित सुरक्षित संचालन क्षेत्र।
 * पदार्थ की सुपरक्रिटिकल स्थिति और सुपरक्रिटिकल तरल पदार्थ, जैसे ताप क्षमता और चिपचिपाहट के सुपरक्रिटिकल एक्सपोनेंट।
 * क्यूरी-वॉन श्वेडलर कानून कदम डीसी वोल्टेज इनपुट के लिए ढांकता हुआ प्रतिक्रियाओं में।
 * एंटीसिस्मिक डैम्पर्स कैलकुलस में गति के संबंध में भिगोना बल
 * प्रोटीन संरचना खंडों में केंद्रित अमीनो अम्ल के मुड़े हुए विलायक-उजागर सतह क्षेत्र

मनोविज्ञान

 * साइकोफिजिक्स का स्टीवंस का शक्ति नियम (वेबर-फेचनर_लॉ #टाइप्स_ऑफ_परसेप्शन प्रदर्शनों के साथ कि यह लॉगरिदमिक हो सकता है )
 * भूलना_वक्र

जीव विज्ञान

 * क्लेइबर का नियम जानवरों के चयापचय को आकार से संबंधित करता है, और सामान्य रूप से एलोमेट्रिक कानून
 * दो तिहाई शक्ति कानून, मानव मोटर प्रणाली में वक्रता से संबंधित गति।
 * पारिस्थितिकी में माध्य जनसंख्या आकार और जनसंख्या आकार में भिन्नता से संबंधित टेलर का नियम
 * तंत्रिका हिमस्खलन * मीठे पानी की मछलियों के समूह में प्रजातियों की समृद्धि (प्रजातियों की संख्या)।
 * हारलो कन्नप प्रभाव, जहां मानव शरीर में पाए जाने वाले काइनेज का एक उपसमूह अधिकांश वैज्ञानिक प्रकाशनों की रचना करता है
 * विश्व स्तर पर वन आवरण का आकार एक शक्ति कानून का पालन करता है
 * क्षेत्र के आकार के फलन के रूप में किसी क्षेत्र में पाई जाने वाली प्रजातियों की संख्या से संबंधित प्रजाति-क्षेत्र संबंध

मौसम विज्ञान

 * वर्षा-बौछार कोशिकाओं का आकार, चक्रवातों में ऊर्जा अपव्यय, और पृथ्वी और मंगल पर धूल के शैतानों के व्यास

सामान्य विज्ञान
विकियों पर *90–9–1 सिद्धांत (जिसे 1% नियम भी कहा जाता है)
 * घातीय वृद्धि और यादृच्छिक अवलोकन (या हत्या)
 * घातांकीय वृद्धि और नवाचारों के घातीय प्रसार के माध्यम से प्रगति
 * अत्यधिक अनुकूलित सहिष्णुता
 * अनुभव वक्र प्रभाव का प्रस्तावित रूप#अनुभव वक्र
 * गुलाबी शोर
 * धारा संख्या का नियम, और धारा की लंबाई का नियम (रॉबर्ट ई. हॉर्टन के नदी प्रणालियों का वर्णन करने वाले नियम)
 * शहरों की आबादी (जिब्रात का कानून)
 * ग्रंथ सूची, और एक पाठ में शब्दों की आवृत्तियाँ (ज़िपफ का नियम)
 * हिंसक संघर्षों (युद्ध और आतंकवाद) की गंभीरता के लिए रिचर्डसन का नियम
 * सीपीयू के कैश आकार और कैश मिस की संख्या के बीच संबंध कैश मिस के पावर लॉ का पालन करता है।
 * गहरा तंत्रिका नेटवर्क के वेट मैट्रिसेस का वर्णक्रमीय घनत्व

गणित

 * भग्न
 * पारेतो वितरण और पारेतो सिद्धांत को 80-20 नियम भी कहा जाता है
 * कॉर्पस विश्लेषण और दूसरों के बीच जनसंख्या वितरण में जिपफ का नियम, जहां किसी वस्तु या घटना की आवृत्ति इसकी आवृत्ति रैंक के व्युत्क्रमानुपाती होती है (यानी दूसरी सबसे अधिक बार होने वाली वस्तु / घटना सबसे अधिक बार होने वाली वस्तु की आधी होती है, तीसरी सबसे अधिक बार आने वाली वस्तु / घटना एक तिहाई सबसे अधिक बार होने वाली वस्तु के रूप में होती है, और इसी तरह)।
 * जीटा वितरण (असतत)
 * यूल–साइमन वितरण (असतत)
 * विद्यार्थी का टी-वितरण (निरंतर), जिसमें से कौची वितरण एक विशेष मामला है
 * लोटका का नियम
 * स्केल-फ्री नेटवर्क मॉडल

अर्थशास्त्र

 * किसी क्षेत्र या शहरी नेटवर्क के सबसे बड़े शहरों की सूची, जिपफ का नियम।
 * कलाकारों का उनकी कलाकृतियों के औसत मूल्य के अनुसार वितरण।
 * एक बाजार अर्थव्यवस्था में आय वितरण।
 * बैंकिंग नेटवर्क में डिग्रियों का वितरण।

वित्त

 * लॉगरिदमिक मध्य-कीमतों का औसत पूर्ण परिवर्तन
 * टिक की संख्या समय के साथ गिना जाता है
 * अधिकतम मूल्य चाल का आकार
 * एक दिशात्मक-परिवर्तन आंतरिक समय का औसत प्रतीक्षा समय
 * ओवरशूट (सिग्नल) का औसत प्रतीक्षा समय

टूटा हुआ शक्ति कानून
एक टूटा हुआ शक्ति कानून एक टुकड़ा-टुकड़ा कार्य है, जिसमें दो या दो से अधिक शक्ति कानून होते हैं, जो एक सीमा के साथ संयुक्त होते हैं। उदाहरण के लिए, दो शक्ति कानूनों के साथ:
 * $$f(x) \propto x^{\alpha_1}$$ के लिए $$xx_\text{th}$$.

एक्सपोनेंशियल कटऑफ के साथ पावर लॉ
एक घातीय कटऑफ वाला एक शक्ति कानून केवल एक शक्ति कानून है जो एक घातीय कार्य से गुणा किया जाता है:
 * $$f(x) \propto x^{-\alpha}e^{-\beta x}.$$

वक्रीय शक्ति का नियम

 * $$f(x) \propto x^{\alpha + \beta x}$$

पावर-लॉ संभाव्यता वितरण
शिथिल अर्थ में, एक शक्ति-नियम संभाव्यता वितरण एक ऐसा वितरण है जिसका घनत्व फलन (या असतत मामले में द्रव्यमान फलन) का रूप है, के बड़े मूल्यों के लिए $$x$$,
 * $$P(X>x) \sim L(x) x^{-(\alpha-1)}$$

कहाँ $$\alpha > 1$$, और $$L(x)$$ एक धीरे-धीरे बदलता कार्य है, जो कोई भी कार्य है जो संतुष्ट करता है $$\lim_{x\rightarrow\infty} L(r\,x) / L(x) = 1$$ किसी भी सकारात्मक कारक के लिए $$r$$. की यह संपत्ति $$L(x)$$ आवश्यकता से सीधे अनुसरण करता है $$p(x)$$ असमान पैमाने पर अपरिवर्तनीय हो; इस प्रकार, का रूप $$L(x)$$ केवल निचली पूंछ के आकार और परिमित सीमा को नियंत्रित करता है। उदाहरण के लिए, अगर $$L(x)$$ निरंतर कार्य है, तो हमारे पास एक शक्ति कानून है जो सभी मूल्यों के लिए है $$x$$. कई मामलों में, निचली सीमा मान लेना सुविधाजनक होता है $$x_{\mathrm{min}}$$ जिससे कानून चलता है। इन दोनों मामलों को मिलाकर, और कहाँ $$x$$ एक सतत चर है, शक्ति कानून में परेटो वितरण का रूप है


 * $$p(x) = \frac{\alpha-1}{x_\min} \left(\frac{x}{x_\min}\right)^{-\alpha},$$

जहां करने के लिए पूर्व कारक $$\frac{\alpha-1}{x_\min}$$ सामान्यीकरण स्थिरांक है। अब हम इस वितरण के कई गुणों पर विचार कर सकते हैं। उदाहरण के लिए, इसके मोमेंट (गणित) द्वारा दिए गए हैं


 * $$\langle x^{m} \rangle = \int_{x_\min}^\infty x^{m} p(x) \,\mathrm{d}x = \frac{\alpha-1}{\alpha-1-m}x_\min^m$$

जो केवल के लिए अच्छी तरह से परिभाषित है $$m < \alpha -1$$. यानी सभी पल $$m \geq \alpha - 1$$ विचलन: कब $$\alpha\leq 2$$, औसत और सभी उच्च-क्रम के क्षण अनंत हैं; कब $$2<\alpha<3$$, माध्य मौजूद है, लेकिन विचरण और उच्च-क्रम के क्षण अनंत हैं, आदि। इस तरह के वितरण से लिए गए परिमित-आकार के नमूनों के लिए, इस व्यवहार का अर्थ है कि केंद्रीय क्षण अनुमानक (जैसे माध्य और विचरण) अपसारी क्षणों के लिए कभी भी अभिसरण नहीं करेंगे। - जैसे-जैसे अधिक डेटा जमा होता है, वे बढ़ते रहते हैं। इन पावर-लॉ प्रायिकता वितरण को पारेटो वितरण भी कहा जाता है। पारेतो-प्रकार के वितरण, पारेटो पूंछ वाले वितरण, या नियमित रूप से अलग-अलग पूंछ वाले वितरण।

एक संशोधन, जो उपरोक्त सामान्य रूप को संतुष्ट नहीं करता है, एक घातीय कटऑफ के साथ, है


 * $$p(x) \propto L(x) x^{-\alpha} \mathrm{e}^{-\lambda x}.$$

इस वितरण में, चरघातांकी क्षय पद $$\mathrm{e}^{-\lambda x}$$ के बहुत बड़े मूल्यों पर अंततः शक्ति-कानून व्यवहार को अभिभूत कर देता है $$x$$. यह वितरण स्केल नहीं करता है और इस प्रकार एक शक्ति कानून के रूप में असम्बद्ध रूप से नहीं है; हालांकि, यह कटऑफ से पहले एक परिमित क्षेत्र में लगभग मापता है। उपरोक्त शुद्ध रूप इस परिवार का एक उपसमुच्चय है, साथ में $$\lambda=0$$. यह वितरण स्पर्शोन्मुख शक्ति-कानून वितरण का एक सामान्य विकल्प है क्योंकि यह स्वाभाविक रूप से परिमित-आकार के प्रभावों को पकड़ लेता है।

ट्वीडी वितरण स्टैटिस्टिकल मॉडल का एक परिवार है, जो एडिटिव और रिप्रोडक्टिव कनवल्शन के साथ-साथ स्केल ट्रांसफॉर्मेशन के तहत क्लोजर (गणित) की विशेषता है। नतीजतन, ये सभी मॉडल विचरण और माध्य के बीच एक शक्ति-कानून संबंध व्यक्त करते हैं। इन मॉडलों की गणितीय सीमा (गणित) के फोकस के रूप में मौलिक भूमिका होती है, जो सामान्य वितरण की केंद्रीय सीमा प्रमेय में फोकस के रूप में होती है। यह अभिसरण प्रभाव बताता है कि विचरण-से-मतलब शक्ति कानून प्राकृतिक प्रक्रियाओं में इतने व्यापक रूप से क्यों प्रकट होता है, जैसा कि पारिस्थितिकी में टेलर के कानून और उतार-चढ़ाव स्केलिंग के साथ होता है। भौतिकी में। यह भी दिखाया जा सकता है कि ट्वीडी डिस्ट्रीब्यूशन द्वारा प्रदर्शित किए जाने पर यह विचरण-टू-मीन पावर कानून, 1/f शोर की उपस्थिति का तात्पर्य है और इस ट्वीडी वितरण के परिणामस्वरूप 1/f शोर उत्पन्न हो सकता है।

पहचान के लिए चित्रमय तरीके
हालांकि अधिक परिष्कृत और मजबूत तरीके प्रस्तावित किए गए हैं, लेकिन यादृच्छिक नमूनों का उपयोग करके शक्ति-कानून संभाव्यता वितरण की पहचान करने के लिए सबसे अधिक इस्तेमाल की जाने वाली ग्राफिकल विधियां पारेटो क्वांटाइल-क्वांटाइल प्लॉट (या पारेटो क्यू-क्यू प्लॉट) हैं। औसत अवशिष्ट जीवन भूखंड और लॉग-लॉग प्लॉट। एक और, अधिक मजबूत चित्रमय विधि अवशिष्ट मात्रात्मक कार्यों के बंडलों का उपयोग करती है। (कृपया ध्यान रखें कि पावर-लॉ डिस्ट्रीब्यूशन को पारेटो-टाइप डिस्ट्रीब्यूशन भी कहा जाता है।) यहां यह माना जाता है कि प्रायिकता वितरण से एक यादृच्छिक नमूना प्राप्त किया जाता है, और यह कि हम जानना चाहते हैं कि वितरण की पूंछ एक पावर लॉ का पालन करती है या नहीं। (दूसरे शब्दों में, हम जानना चाहते हैं कि क्या वितरण में पारेटो टेल है)। यहाँ, यादृच्छिक नमूने को डेटा कहा जाता है।

पैरेटो क्यू-क्यू प्लॉट लॉग-रूपांतरित डेटा की मात्राओं की तुलना पूर्व बनाम बाद वाले की साजिश रचकर माध्य 1 (या एक मानक पारेटो वितरण की मात्राओं) के साथ एक घातीय वितरण के संगत मात्राओं से करते हैं। यदि परिणामी स्कैटरप्लॉट से पता चलता है कि प्लॉट किए गए बिंदु असम्बद्ध रूप से एक सीधी रेखा में अभिसरण करते हैं, तो एक शक्ति-कानून वितरण पर संदेह होना चाहिए। पेरेटो क्यू-क्यू प्लॉट्स की एक सीमा यह है कि टेल इंडेक्स होने पर वे खराब व्यवहार करते हैं $$\alpha$$ (जिसे पेरेटो इंडेक्स भी कहा जाता है) 0 के करीब है, क्योंकि पेरेटो क्यू-क्यू प्लॉट्स को धीरे-धीरे अलग-अलग पूंछ वाले वितरण की पहचान करने के लिए डिज़ाइन नहीं किया गया है।

दूसरी ओर, पावर-लॉ संभाव्यता वितरण की पहचान के लिए इसके संस्करण में, औसत अवशिष्ट जीवन प्लॉट में पहले लॉग-ट्रांसफ़ॉर्मिंग डेटा होता है, और फिर उन लॉग-ट्रांसफ़ॉर्म किए गए डेटा का औसत प्लॉट करना होता है जो i-वें क्रम से अधिक होते हैं। आँकड़ा बनाम i-वें क्रम का आँकड़ा, i = 1, ..., n के लिए, जहाँ n यादृच्छिक नमूने का आकार है। यदि परिणामी स्कैटरप्लॉट से पता चलता है कि प्लॉट किए गए बिंदु एक क्षैतिज सीधी रेखा के बारे में स्थिर होते हैं, तो एक शक्ति-कानून वितरण पर संदेह होना चाहिए। चूंकि औसत अवशिष्ट जीवन प्लॉट आउटलेयर के प्रति बहुत संवेदनशील है (यह मजबूत नहीं है), यह आमतौर पर ऐसे प्लॉट उत्पन्न करता है जिनकी व्याख्या करना मुश्किल होता है; इसी वजह से ऐसे प्लॉट्स को आमतौर पर हिल हॉरर प्लॉट्स कहा जाता है

लॉग-लॉग प्लॉट एक यादृच्छिक नमूने का उपयोग करके वितरण की पूंछ की ग्राफिक रूप से जांच करने का एक वैकल्पिक तरीका है। सावधानी बरती जानी चाहिए क्योंकि लॉग-लॉग प्लॉट आवश्यक है लेकिन पावर लॉ रिलेशनशिप के लिए अपर्याप्त साक्ष्य है, क्योंकि कई गैर-पावर-लॉ वितरण लॉग-लॉग प्लॉट पर सीधी रेखाओं के रूप में दिखाई देंगे। इस पद्धति में संभाव्यता के एक अनुमानक के लघुगणक की साजिश रचने के होते हैं कि वितरण की एक विशेष संख्या उस विशेष संख्या के लघुगणक के विरुद्ध होती है। आमतौर पर, यह अनुमानक उस समय का अनुपात होता है जब संख्या डेटा सेट में होती है। यदि प्लॉट के बिंदु एक्स अक्ष में बड़ी संख्या के लिए एक सीधी रेखा में अभिसरण करते हैं, तो शोधकर्ता का निष्कर्ष है कि वितरण में एक पावर-लॉ टेल है। इस प्रकार के भूखंडों के आवेदन के उदाहरण प्रकाशित किए गए हैं। इन भूखंडों का एक नुकसान यह है कि उन्हें विश्वसनीय परिणाम प्रदान करने के लिए बड़ी मात्रा में डेटा की आवश्यकता होती है। इसके अलावा, वे केवल असतत (या समूहीकृत) डेटा के लिए उपयुक्त हैं।

यादृच्छिक नमूनों का उपयोग करते हुए पावर-लॉ संभाव्यता वितरण की पहचान के लिए एक अन्य ग्राफिकल विधि प्रस्तावित की गई है। इस कार्यप्रणाली में लॉग-रूपांतरित नमूने के लिए एक बंडल प्लॉट करना शामिल है। मूल रूप से यादृच्छिक नमूनों का उपयोग करके क्षणों के अस्तित्व और क्षण पीढ़ी के कार्य का पता लगाने के लिए एक उपकरण के रूप में प्रस्तावित, बंडल कार्यप्रणाली अवशिष्ट मात्रात्मक कार्यों (RQFs) पर आधारित है, जिसे अवशिष्ट प्रतिशतक कार्य भी कहा जाता है,      जो कई जाने-माने प्रायिकता वितरणों के टेल व्यवहार का पूर्ण लक्षण वर्णन प्रदान करते हैं, जिसमें पावर-लॉ वितरण, अन्य प्रकार के भारी पूंछ वाले वितरण, और यहां तक ​​कि गैर-भारी-पूंछ वाले वितरण भी शामिल हैं। बंडल भूखंडों में पारेतो क्यू-क्यू भूखंडों का नुकसान नहीं है, मतलब अवशिष्ट जीवन भूखंड और ऊपर वर्णित लॉग-लॉग भूखंड (वे आउटलेयर के लिए मजबूत हैं, छोटे मूल्यों के साथ दृष्टिगत रूप से बिजली कानूनों की पहचान करने की अनुमति देते हैं) $$\alpha$$, और अधिक डेटा के संग्रह की मांग न करें)। इसके अलावा, बंडल प्लॉट्स का उपयोग करके अन्य प्रकार के पूंछ व्यवहार की पहचान की जा सकती है।

बिजली-कानून वितरण प्लॉट करना
सामान्य तौर पर, पावर-लॉ डिस्ट्रीब्यूशन को लॉग-लॉग ग्राफ पर प्लॉट किया जाता है, जो ऊपरी टेल क्षेत्र पर जोर देता है। ऐसा करने का सबसे सुविधाजनक तरीका (पूरक) संचयी वितरण समारोह # पूरक संचयी वितरण समारोह (पूंछ वितरण) (सीसीडीएफ) है, जो कि उत्तरजीविता कार्य है, $$P(x) = \mathrm{Pr}(X > x)$$,


 * $$P(x) = \Pr(X > x) = C \int_x^\infty p(X)\,\mathrm{d}X =  \frac{\alpha-1}{x_\min^{-\alpha+1}} \int_x^\infty X^{-\alpha}\,\mathrm{d}X = \left(\frac{x}{x_\min} \right)^{1-\alpha}.$$

सीडीएफ भी एक पावर-लॉ फ़ंक्शन है, लेकिन छोटे स्केलिंग एक्सपोनेंट के साथ। डेटा के लिए, cdf का समतुल्य रूप रैंक-फ़्रीक्वेंसी दृष्टिकोण है, जिसमें हम पहले सॉर्ट करते हैं $$n$$ मूल्यों को आरोही क्रम में देखा, और उन्हें वेक्टर के विरुद्ध प्लॉट किया $$\left[1,\frac{n-1}{n},\frac{n-2}{n},\dots,\frac{1}{n}\right]$$.

हालांकि डेटा को लॉग-बिन करना सुविधाजनक हो सकता है, या अन्यथा संभाव्यता घनत्व (द्रव्यमान) फ़ंक्शन को सीधे सुचारू कर सकता है, ये विधियाँ डेटा के प्रतिनिधित्व में एक निहित पूर्वाग्रह का परिचय देती हैं, और इस तरह से बचा जाना चाहिए। दूसरी ओर, उत्तरजीविता कार्य, डेटा में इस तरह के पूर्वाग्रहों के लिए (लेकिन बिना नहीं) अधिक मजबूत है और दोहरे लघुगणकीय अक्षों पर रैखिक हस्ताक्षर को संरक्षित करता है। यद्यपि लीनियर कम से कम वर्ग विधि के साथ डेटा के लिए एक शक्ति कानून को फ़िट करते समय एक उत्तरजीविता फ़ंक्शन प्रतिनिधित्व पीडीएफ के पक्ष में है, यह गणितीय अशुद्धि से रहित नहीं है। इस प्रकार, एक शक्ति कानून वितरण के प्रतिपादकों का आकलन करते समय, अधिकतम संभावना अनुमानक की सिफारिश की जाती है।

अनुभवजन्य डेटा से एक्सपोनेंट का अनुमान
पावर-लॉ टेल के लिए स्केलिंग एक्सपोनेंट के मूल्य का आकलन करने के कई तरीके हैं, हालांकि उनमें से सभी पूर्वाग्रह के लिए सुधार के बाद अधिकतम संभावना अनुमान # सेकंड-ऑर्डर दक्षता नहीं देते हैं। कुछ सबसे विश्वसनीय तकनीकें अक्सर अधिकतम संभावना अनुमान की पद्धति पर आधारित होती हैं। वैकल्पिक तरीके अक्सर लॉग-लॉग प्रायिकता, लॉग-लॉग संचयी वितरण फ़ंक्शन या लॉग-बिन्ड डेटा पर एक रेखीय प्रतिगमन बनाने पर आधारित होते हैं, लेकिन इन दृष्टिकोणों से बचा जाना चाहिए क्योंकि वे सभी के अत्यधिक पक्षपाती अनुमानों को जन्म दे सकते हैं। स्केलिंग एक्सपोनेंट।

अधिकतम संभावना
वास्तविक-मूल्यवान, स्वतंत्र और समान रूप से वितरित डेटा के लिए, हम फॉर्म के पावर-लॉ वितरण को फिट करते हैं


 * $$p(x) = \frac{\alpha-1}{x_\min} \left(\frac{x}{x_\min}\right)^{-\alpha}$$

डेटा के लिए $$x\geq x_\min$$, जहां गुणांक $$\frac{\alpha-1}{x_\min}$$ यह सुनिश्चित करने के लिए शामिल किया गया है कि वितरण सामान्यीकरण स्थिर है। के लिए विकल्प दिया $$x_\min$$, लॉग संभावना फ़ंक्शन बन जाता है:


 * $$\mathcal{L}(\alpha)=\log \prod _{i=1}^n \frac{\alpha-1}{x_\min} \left(\frac{x_i}{x_\min}\right)^{-\alpha}$$ पैरामीटर के संबंध में अंतर करके इस संभावना का अधिकतम पाया जाता है $$\alpha$$, परिणाम को शून्य के बराबर सेट करता है। पुनर्व्यवस्था पर, यह अनुमानक समीकरण उत्पन्न करता है:


 * $$\hat{\alpha} = 1 + n \left[ \sum_{i=1}^n \ln \frac{x_i}{x_\min} \right]^{-1}$$

कहाँ $$\{x_i\}$$ हैं $$n$$ डेटा अंक $$x_{i}\geq x_\min$$. यह अनुमानक आदेश के एक छोटे परिमित नमूना-आकार के पूर्वाग्रह को प्रदर्शित करता है $$O(n^{-1})$$, जो छोटा है जब n > 100। इसके अलावा, अनुमान की मानक त्रुटि है $$\sigma = \frac{\hat{\alpha}-1}{\sqrt{n}} + O(n^{-1})$$. यह अनुमानक लोकप्रिय के बराबर है मात्रात्मक वित्त और चरम मूल्य सिद्धांत से हिल अनुमानक।

एन पूर्णांक-मूल्यवान डेटा बिंदुओं के सेट के लिए $$\{x_i\}$$, फिर से जहां प्रत्येक $$x_i\geq x_\min$$, अधिकतम संभावना प्रतिपादक ट्रान्सेंडैंटल समीकरण का हल है


 * $$\frac{\zeta'(\hat\alpha,x_\min)}{\zeta(\hat{\alpha},x_\min)} = -\frac{1}{n} \sum_{i=1}^n \ln \frac{x_i}{x_\min} $$

कहाँ $$\zeta(\alpha,x_{\mathrm{min}})$$ रिमेंन जीटा फंक्शन#सामान्यीकरण है। इस अनुमान में अनिश्चितता निरंतर समीकरण के समान सूत्र का अनुसरण करती है। हालाँकि, के लिए दो समीकरण $$\hat{\alpha}$$ समतुल्य नहीं हैं, और निरंतर संस्करण को असतत डेटा पर लागू नहीं किया जाना चाहिए, और न ही इसके विपरीत।

इसके अलावा, इन दोनों अनुमानकों को पसंद की आवश्यकता होती है $$x_\min$$. गैर-तुच्छ वाले कार्यों के लिए $$L(x)$$ समारोह, चुनना $$x_\min$$ बहुत छोटा एक महत्वपूर्ण पूर्वाग्रह पैदा करता है $$\hat\alpha$$, जबकि इसे बहुत बड़ा चुनने से अनिश्चितता बढ़ जाती है $$\hat{\alpha}$$, और हमारे मॉडल की सांख्यिकीय शक्ति को कम करता है। सामान्य तौर पर, का सबसे अच्छा विकल्प $$x_\min$$ निचली पूंछ के विशेष रूप पर दृढ़ता से निर्भर करता है, जिसका प्रतिनिधित्व किया जाता है $$L(x)$$ ऊपर।

इन तरीकों के बारे में और जिन शर्तों के तहत उनका उपयोग किया जा सकता है, उनके बारे में अधिक जानकारी में पाया जा सकता है। इसके अलावा, यह व्यापक समीक्षा लेख पावर-लॉ वितरण के लिए अनुमान और परीक्षण दिनचर्या के लिए प्रयोग करने योग्य कोड (Matlab, Python, R and C++) प्रदान करता है।

कोलमोगोरोव-स्मिर्नोव अनुमान
पावर-लॉ एक्सपोनेंट के आकलन के लिए एक अन्य विधि, जो स्वतंत्र और समान रूप से वितरित (आईआईडी) डेटा नहीं मानती है, कोलमोगोरोव-स्मिर्नोव स्टेटिस्टिक के न्यूनीकरण का उपयोग करती है, $$D$$, डेटा और बिजली कानून के संचयी वितरण कार्यों के बीच:


 * $$\hat{\alpha} = \underset{\alpha}{\operatorname{arg\,min}} \, D_\alpha $$

साथ


 * $$ D_\alpha = \max_x | P_\mathrm{emp}(x) - P_\alpha(x) | $$

कहाँ $$P_\mathrm{emp}(x)$$ और $$P_\alpha(x)$$ प्रतिपादक के साथ डेटा और बिजली कानून के सीडीएफ को निरूपित करें $$\alpha$$, क्रमश। चूंकि यह विधि आईआईडी डेटा नहीं मानती है, यह डेटा सेट के लिए पावर-लॉ एक्सपोनेंट निर्धारित करने का एक वैकल्पिक तरीका प्रदान करती है जिसमें अस्थायी सहसंबंध को अनदेखा नहीं किया जा सकता है।

टू-पॉइंट फिटिंग विधि
यह कसौटी स्केल फ्री डिस्ट्रीब्यूशन के मामले में पावर-लॉ एक्सपोनेंट के अनुमान के लिए लागू किया जा सकता है और अधिकतम संभावना विधि की तुलना में अधिक अभिसरण अनुमान प्रदान करता है। फ्रैक्चर एपर्चर के संभाव्यता वितरण का अध्ययन करने के लिए इसे लागू किया गया है। कुछ संदर्भों में संभाव्यता वितरण का वर्णन किया गया है, संचयी वितरण फ़ंक्शन द्वारा नहीं, संपत्ति X के संचयी आवृत्ति विश्लेषण द्वारा, प्रति मीटर (या क्षेत्र इकाई, सेकंड आदि) तत्वों की संख्या के रूप में परिभाषित किया गया है जिसके लिए X > x लागू होता है, जहाँ x एक चर वास्तविक संख्या है। उदहारण के लिए, एन तत्वों के नमूने के लिए फ्रैक्चर एपर्चर, एक्स का संचयी वितरण 'एक्स से अधिक एपर्चर वाले प्रति मीटर फ्रैक्चर की संख्या' के रूप में परिभाषित किया गया है। संचयी बारंबारता के उपयोग के कुछ लाभ हैं, उदा. यह अलग-अलग पैमानों पर अलग-अलग लंबाई की नमूना लाइनों से एकत्र किए गए एक ही आरेख डेटा पर रखने की अनुमति देता है (उदाहरण के लिए आउटक्रॉप और माइक्रोस्कोप से)।

बिजली कानूनों को मान्य करना
यद्यपि शक्ति-कानून संबंध कई सैद्धांतिक कारणों से आकर्षक हैं, यह प्रदर्शित करते हुए कि डेटा वास्तव में एक शक्ति-कानून संबंध का पालन करता है, केवल डेटा के लिए एक विशेष मॉडल को फिट करने की आवश्यकता नहीं है। वितरण को जन्म देने वाले तंत्र को समझने के लिए यह महत्वपूर्ण है: सतही रूप से समान वितरण महत्वपूर्ण रूप से अलग-अलग कारणों से उत्पन्न हो सकते हैं, और अलग-अलग मॉडल अलग-अलग भविष्यवाणियां देते हैं, जैसे एक्सट्रपलेशन।

उदाहरण के लिए, लॉग-नॉर्मल डिस्ट्रीब्यूशन अक्सर पावर-लॉ डिस्ट्रीब्यूशन के लिए गलत होते हैं: लॉगनॉर्मल डिस्ट्रीब्यूशन से तैयार किया गया डेटा सेट बड़े मूल्यों के लिए लगभग रैखिक होगा (लॉगनॉर्मल की ऊपरी पूंछ एक शक्ति कानून के करीब होने के अनुरूप), लेकिन छोटे मूल्यों के लिए लॉगनॉर्मल महत्वपूर्ण रूप से गिर जाएगा (झुकना), लॉगनॉर्मल की निचली पूंछ के अनुरूप छोटा होना (शक्ति कानून में कई छोटे मूल्यों के बजाय बहुत कम छोटे मूल्य हैं)।

उदाहरण के लिए, आनुपातिक विकास प्रक्रियाओं के बारे में जिब्राट का नियम उन वितरणों का उत्पादन करता है जो असामान्य हैं, हालांकि उनके लॉग-लॉग प्लॉट एक सीमित सीमा पर रैखिक दिखते हैं। इसकी एक व्याख्या यह है कि यद्यपि लॉग-सामान्य बंटन#संभाव्यता घनत्व फलन का लघुगणक द्विघात है $log( x )$, लॉग-लॉग प्लॉट में झुके हुए आकार की उपज, यदि द्विघात शब्द रैखिक शब्द के सापेक्ष छोटा है, तो परिणाम लगभग रैखिक दिखाई दे सकता है, और लॉगनॉर्मल व्यवहार केवल तब दिखाई देता है जब द्विघात शब्द हावी होता है, जिसके लिए काफी अधिक डेटा की आवश्यकता हो सकती हैl इसलिए, एक लॉग-लॉग प्लॉट जो थोड़ा नीचे झुका हुआ है, एक लॉग-सामान्य वितरण को प्रतिबिंबित कर सकता है - एक शक्ति कानून नहीं।

सामान्य तौर पर, कई वैकल्पिक कार्यात्मक रूप कुछ हद तक पावर-लॉ फॉर्म का पालन करने के लिए प्रकट हो सकते हैं।  लॉग-लॉग डोमेन में अनुभवजन्य संचयी वितरण समारोह की साजिश रचने का प्रस्ताव दिया और दावा किया कि एक उम्मीदवार शक्ति-कानून में परिमाण के कम से कम दो आदेश शामिल होने चाहिए। साथ ही, शोधकर्ताओं को आमतौर पर यह तय करने की समस्या का सामना करना पड़ता है कि वास्तविक दुनिया संभाव्यता वितरण एक शक्ति कानून का पालन करता है या नहीं। इस समस्या के समाधान के रूप में, डियाज़ यादृच्छिक नमूनों के आधार पर एक ग्राफिकल पद्धति प्रस्तावित की गई है जो विभिन्न प्रकार के पूंछ व्यवहार के बीच दृष्टि से समझदार होने की अनुमति देती है। यह कार्यप्रणाली अवशिष्ट मात्रात्मक कार्यों के बंडलों का उपयोग करती है, जिसे प्रतिशतक अवशिष्ट जीवन कार्य भी कहा जाता है, जो भारी और गैर-भारी पूंछ सहित कई अलग-अलग प्रकार के वितरण पूंछों की विशेषता है। हालाँकि,  डेटा जनरेटिंग प्रक्रिया को चलाने वाले अंतर्निहित तंत्र में एक शक्ति-कानून का समर्थन करने के लिए एक सांख्यिकीय और एक सैद्धांतिक पृष्ठभूमि दोनों की आवश्यकता का दावा किया। पावर-लॉ रिलेशन को मान्य करने का एक तरीका डेटा के खिलाफ एक विशेष जनरेटिव मैकेनिज्म के कई ऑर्थोगोनल भविष्यवाणियों का परीक्षण करता है। केवल एक विशेष प्रकार के डेटा के संबंध में एक शक्ति-कानून को फिट करना एक तर्कसंगत दृष्टिकोण नहीं माना जाता है। जैसे, आधुनिक विज्ञान के कई क्षेत्रों में शक्ति-कानून के दावों का सत्यापन अनुसंधान का एक बहुत सक्रिय क्षेत्र बना हुआ है।

यह भी देखें

 * वसा-पूंछ वितरण
 * भारी पूंछ वितरण
 * अतिशयोक्तिपूर्ण विकास
 * लेवी उड़ान
 * लंबी पूंछ
 * परेटो वितरण
 * पावर-लॉ तरल पदार्थ
 * साइमन मॉडल
 * स्थिर वितरण
 * स्टीवंस का शक्ति नियम

संदर्भ
Notes

Bibliography

बाहरी संबंध

 * Zipf, Power-laws, and Pareto – a ranking tutorial
 * Stream Morphometry and Horton's Laws
 * "How the Finance Gurus Get Risk All Wrong" by Benoit Mandelbrot & Nassim Nicholas Taleb. Fortune, July 11, 2005.
 * "Million-dollar Murray": power-law distributions in homelessness and other social problems; by Malcolm Gladwell. The New Yorker, February 13, 2006.
 * Benoit Mandelbrot & Richard Hudson: The Misbehaviour of Markets (2004)
 * Philip Ball: Critical Mass: How one thing leads to another (2005)
 * Tyranny of the Power Law from The Econophysics Blog
 * So You Think You Have a Power Law – Well Isn't That Special? from Three-Toed Sloth, the blog of Cosma Shalizi, Professor of Statistics at Carnegie-Mellon University.
 * Simple MATLAB script which bins data to illustrate power-law distributions (if any) in the data.
 * The Erdős Webgraph Server visualizes the distribution of the degrees of the webgraph on the download page.