Escolar Documentos
Profissional Documentos
Cultura Documentos
0026 AnirvinNarayan Matematika HL IA
0026 AnirvinNarayan Matematika HL IA
Saya ingin tahu bagaimana ukuran krusial yang menentukan berbagai kebijakan pemerintah
dihitung, terlepas dari perbedaan pendapatan dalam wilayah geografis dan luasnya data yang
diperlukan untuk perhitungan yang akurat di negara-negara seperti India. Hal ini menyebabkan
penelitian dasar saya di daerah dari mana saya menemukan prevalensi matematika dalam
menggeneralisasi rumus untuk mewakili ketimpangan ekonomi. Melalui pelajaran di sekolah,
saya dapat mengenali prinsip-prinsip dasar di balik beberapa rumusan tersebut yang
selanjutnya mendorong saya untuk menyelidikinya. Ini karena, keinginan tambahan saya
adalah menerapkan studi mendalam yang kami lakukan tentang kalkulus dan deret di sekolah
ke sesuatu yang lebih nyata dan nyata.
Dengan demikian, untuk memahami proses rendering matematika yang berkaitan dengan
sosial kehidupan nyata situasi politik yang andal dan dapat dipercaya, saya memutuskan untuk
fokus pada ketimpangan pendapatan, membandingkan berbagai cara menghitung Koefisien
Gini (standar global), khususnya di India. Melalui penyelidikan, saya akan mengidentifikasi
alasan ketidakandalan (jika ada) dan untuk memahami apa ukuran ketidaksetaraan ekonomi
yang sempurna.
3
II. Informasi latar belakang
Koefisien Gini adalah ukuran ketimpangan yang paling terkenal dan digunakan secara luas,
dan merupakan standar dalam perhitungan pemerintah. Dinamai setelah pendirinya, Corrado
Gini, yang menemukannya pada tahun 1912. Nilai Koefisien Gini suatu wilayah berkisar antara
0 dan 1 dan didasarkan pada pendapatan bersih penduduk. Di sini, 0 mewakili kesetaraan
sempurna dengan setiap penduduk memperoleh pendapatan yang sama dan 1 mewakili
ketidaksetaraan sempurna di mana 1 orang mendapatkan semua pendapatan (Bourne).
Dengan demikian, nilai koefisien Gini yang lebih tinggi berarti disparitas yang lebih besar
antara pendapatan penduduk terkaya dan termiskin di wilayah tertentu.
Ada beberapa cara berbeda untuk menghitung koefisien Gini. Ini termasuk metode grafis yang
melibatkan pengumpulan berbagai titik data dan frekuensi seperti kurva Lorenz dan yang lebih
teoretis seperti fungsi distribusi Pareto. Ini adalah 2 metode yang akan saya analisis dan
bandingkan satu sama lain.
Keandalan akan didasarkan pada kedekatan nilai yang diambil dari masing-masing metode
dengan nilai yang dikeluarkan oleh pemerintah India untuk tahun 2013 yaitu G=0,510 pada
tahun 2013 (Nair).
10x -
Gambar 2 menampilkan sembarang kurva Lorenz L 1 ( x ) = . Tingkat
1023
ketimpangan pendapatan ditentukan oleh deviasi kurva Lorenz dari garis ketimpangan
sempurna. Penyimpangan ini (koefisien Gini) diukur dengan luas di bawah kurva Lorenz,
seperti yang akan kita amati.
Dengan plot kurva Lorenz seperti di atas, kita dapat mengukur koefisien Gini. Rumus
umum yang akan digunakan dalam penyelidikan diwakili oleh integral berikut:
G=2 ∫ 0
1
L 0 ( x ) - L ( x ) dx
Ini menghitung luas antara kurva ketimpangan sempurna dan kurva Lorenz dibagi dengan
luas di bawah kurva ketimpangan sempurna. Pada Gambar 1 misalnya, koefisien Gini dari
L 1 ( x ) diukur sebagai luas LA (Lorenz area) antara kurva dan L 0 ( x ) dibagi dengan area
di bawah L 0 ( x ) sebagai highlight dalam warna magenta dan jingga masing-masing.
Karena, pada titik B , koordinatnya adalah (1,1) , ini membentuk segitiga siku-siku dengan
titik A dan (1,0) menjadi dua simpul lainnya, yang disorot dengan warna oranye terang.
1 1 Oleh
karena itu, luas di bawah kurva ekuitas adalah luas di bawah segitiga, yaitu 2 × 1 × 1 = 2 .
G = LA = 2 LA ←⎯→ LA = G
1/2 2
dimana LA adalah luas antara dua kurva tersebut di atas dan G adalah koefisien Gini dari
L 2 ( x ) , dengan mengacu pada Gambar 2. Namun, rumus umum sulit diterapkan dalam
situasi kehidupan nyata. Ini karena, negara-negara mengumpulkan data mentah dari
populasinya dalam jumlah besar yang mungkin sulit dirumuskan sebagai grafik umum.
SAYA
5
akan mencoba melakukannya dengan menggunakan aturan trapesium dengan
sekumpulan data terbatas yang diperoleh dari data sensus resmi kelompok pendapatan
India seperti yang terlihat pada tabel berikut.
Proporsi Proporsi
Penduduk: Pendapatan
(mengubah % (mengubah %
menjadi desimal) x menjadi desimal y i
i
1 0 0
2 0,2 (kuintil pertama) 0.061
3 0.153
0,4 (kuintil kedua)
4 0,6 (kuintil ketiga) 0.279
5 0,8 (kuintil 0.468
keempat)
Tabel 1: Tabel frekuensi kumulatif yang Gambar 3: Plot penyebaran proporsi pendapatan
menggambarkan pendapatan India dalam kuintil kuintil India
Aturan trapesium mengacu pada aturan integrasi numerik yang memperkirakan area di
bawah kurva. Dengan demikian, ini adalah cara memperkirakan integral kurva dengan
memisahkan luas di bawah kurva menjadi beberapa trapesium, yang luasnya kemudian
dijumlahkan. Untuk mencari koefisien Gini, titik-titik data pada Tabel 1 dapat digunakan
untuk merumuskan sejumlah trapesium untuk mewakili Kurva Lorenz yang diperkirakan,
6
seperti yang terlihat pada gambar di bawah ini:
Gambar 4: Area di bawah perkiraan kurva Lorenz, dirumuskan
dengan aturan trapesium
7
Di sini, penjumlahan luas trapesium T1, T2, T3 dan T4 dan segitiga TR1 (berwarna merah)
dikurangi dengan luas TR0 (berwarna hijau) menyatakan luas LA. Luas TR0, segitiga di
bawah L 0 ( x ) adalah 1/2. Oleh karena itu, sesuai dengan rumus di atas koefisien Gini
yang ditaksir dengan menggunakan aturan trapesium adalah:
G = 0,5 - (0,01 + 0,02 + 0,04 + 0,07 + 0,15) = 0,21 = 0,420
0.5 0.5
Nilai ini sangat meremehkan nilai koefisien yang dinyatakan pemerintah yaitu G=0,510. Hal ini
menunjukkan bahwa aturan Trapesium menghasilkan adanya bias negatif untuk perhitungan
koefisien Gini, menjadikannya ukuran yang sangat tidak efektif.
8
Metode 2: Menggunakan Kurva Lorenz: Regresi Polinomial
Untuk memperbaiki batasan ini dan merumuskan kurva Lorenz yang lebih akurat, saya
akan mencoba merumuskan grafik polinomial menggunakan regresi polinomial. Ini
mengacu pada metode pemasangan kurva di mana sekumpulan data didekati
menggunakan fungsi polinomial yang mengambil bentuk f ( x ) = C + C x + C x + ... + C x n
1 2
dengan derajat fungsi polinomial. Di sini , selisih antara nilai terukur yi dan nilai aktual yi
disebut sebagai nilai sisa R .
Model umum untuk regresi polinomial dapat dibuat dengan menggunakan metode kuadrat
terkecil. Metode ini mencoba untuk mengurangi varians antara nilai-nilai agar sesuai
dengan poin data secara akurat, dengan cara mencari jumlah residu yang paling rendah.
Karena model regresi linier dan polinomial seringkali tidak dapat diandalkan, cenderung
menggambarkan data secara tidak tepat, residu digunakan untuk memeriksa
keakuratannya. Titik residual (e ) mengacu pada perbedaan antara nilai sebenarnya dari
variabel dependen (y) dan nilai yang diprediksi oleh titik-titik pada kurva regresi (y 1 )
(“Menemukan Residual”) .
≡ ∑ ⎡⎣ y
n2
SSR i - ( C 0 + C 1 x i + ... + C n x i n ) ⎤⎦ i = 1
Untuk meminimalkan polinomial, kami mengambil turunan parsial dari fungsi ini
sehubungan dengan masing-masing konstanta ( C ), di mana kami menyamakan residu
dengan 0 untuk menemukan nilai SR (jumlah residu) terendah. Turunan parsial mengacu
pada turunan dari suatu fungsi dengan beberapa variabel, di mana semua variabel kecuali
C dianggap tetap (Weisstein).
Untuk menemukan kurva Lorenz India, saya akan membatasi penyelidikan pada regresi
kuadrat, di mana persamaan umumnya adalah:
yi = C 2 x 2 C 1 x + C 0
+
≡ ∑ ⎡⎣
n2
Di
mana: RSK yi -(C0+C1xi+C2xi ) 2
⎤⎦
saya = 1
∂ ( SSR )
=- 2 n ⎡ y - ( C + Cx + Cx ) ⎤ = 0 2
∂(C 0 ) ∑ ⎣ i=1 ⎦ 0 1 2
∂ ( C ) =- 2 ∑ ⎡⎣ y-(C0+C1x+C2x ) 2
⎤⎦ x = 0
∂ ( C ) =-2 ∑ ⎡⎣ y-(C0+C1x+C2x ) 2
⎤⎦ x 2
=0
Membagi kedua sisi dengan 2 dan memfaktorkan konstanta, ini membawa kita ke
persamaan berikut:
N nn
C0n+C1
saya = 1
∑ ∑ ∑
xi+C2
saya = 1
xi =2
saya = 1
yi persamaan (a)
N N nn
C0 ∑ saya = 1
xi+C1 ∑ ∑ ∑
saya = 1
xi +C22
saya = 1 saya = 1
xi =3
xiyi persamaan (b)
N N nn
C0 ∑ saya = 1
xi +C1
2
∑ ∑ ∑
saya = 1
xi +C2 3
saya = 1 saya = 1
xi = 4
x i y i persamaan (c)
2
1
yang dapat diungkapkan sebagai berikut: 1
∑ ∑ ∑
n N n
y
xii = 1 C ii = 1
∑ ∑ ∑
n N N
0 N
∑
(1) x i
C
xi 1 x
∑ ∑ ∑
n n n
C i y i
x i x i
saya = 1
saya = 1 saya = 1
saya = 1 N
1
Pembuatan matriks dan representasinya dari 3 persamaan di atas dapat diamati 2
dengan
melihat perkalian matriks di ruas kanan (1). Untuk mengalikan dua matriks, kita perlu
melakukan perkalian titik dari setiap baris matriks pertama dan satu-satunya kolom dari
matriks kedua. Ini menghitung jumlah semua produk anggota yang cocok seperti yang
terlihat di bawah ini:
>x
saya=1 saya=1
x
nn N C
∑ ∑ x i o
∑∑
N N N C
x
∑ ∑i 2
x i 3
,
nn
x i =xC ni + Cx x i+ C x 2
0 1 saya 2 saya
saya = 1 saya = 1
N
= ∑
saya = 1
yi
Seperti yang terlihat, mencari perkalian titik dari baris pertama matriks pertama dan matriks
kedua menghasilkan persamaan (a). Menemukan produk titik dari dua baris berikutnya dari
matriks pertama akan menghasilkan persamaan (b) dan (c). Oleh karena itu, matriks dapat
digunakan untuk merepresentasikan persamaan (a), (b), dan (c).
Kita dapat menentukan nilai konstanta dengan mengalikan kedua sisi (1) dengan
matriks pertama yang ditransposisikan:
-1
∑∑ ∑
N n n
N
y
C xi xi ii = 1
∑ ∑
2
N
0 saya = 1 N
saya = 1
∑
N
C
∑
n
1 x
i x
C
saya = 1 xi 2
y
saya = 1 xi
∑ ∑
N 3
i= i i
N 1 saya = 1
N N
Untuk menghitung matriks invers dari matriks kita dapat menggunakan proses
3×3, berikut.
bc ef
Misalkan matriks umum dalam bentuk: hai , di mana setiap huruf sesuai
M= dengan a
ef
Hai
-1
1 sm ac
Hai gi
sm ab
ef de
df
IMI= - +c = a ( ei - fh ) - b ( di - fg ) + c
a b gi ( dh - mis )
Kurva kemudian dapat dihasilkan untuk fungsi kuadrat dengan memecahkan koefisien
dalam matriks. Dalam kasus India, kami memiliki informasi tentang proporsi pendapatan
yang diperoleh setiap kuintil dari populasi yang ditunjukkan pada Tabel 1.
Memasukkan nilai x i dan y i yang digambarkan dalam tabel ke dalam persamaan matriks
1, kita mendapatkan sebagai berikut:
⎡6 3 ⎤ ⎡ 1.961
⎤ —1
C
0 3
2.29
C1
⎥ 2.29 1.8
⎥ 1.6152
C2
⎥ ⎣⎢ 1.8
1.5664 ⎦ ⎥ ⎣⎢
⎦
Untuk menyelesaikan invers matriks, pertama-tama kita harus mencari determinannya
yang dapat dihitung dengan menjumlahkan hasil kali kofaktor baris pertama dan matriks
minornya masing-masing:
Kebalikan dari ini dapat dikalikan dengan matriks berikut untuk memberi kita transposisi
matriks:
1
4
⎡
2.29 1.8 3 1.8 3 2.29
⎢ 1.8 1.5664 2.29 1.5664 2.29 1.8 ⎥⎥
1 ⎢ 3 2.29 6 2.29 63 ⎥
0.60347 1.8 1.5664 2.29 1.5664 2.29 1.8 ⎥
⎥
⎢ 3 2.29 6 2.29 63 ⎥⎥
2.29 1.8 3 1.8 3 2.29 ⎦⎥
⎣⎢ ⎥
C
0.220 -5.553 ⎥⎥⎥⎣⎢
6.697
C -0.04139503523151611
0
C -0.04057415997524583
1
C 1.0179444066877004
Pada persamaan di atas, koefisien telah direpresentasikan hingga 3 angka penting untuk
memudahkan pengamatan. Kurva Lorenz yang dihasilkan (L q ) di tengah-tengah titik
sebaran input dapat dilihat di bawah ini:
Dari sifat kurva, kita dapat mengetahui bahwa kurva tersebut tidak melewati titik data yang
ditunjukkan pada Tabel 1. Hal ini menunjukkan bahwa prediksi nilai y untuk semua x
berdasarkan kumpulan data yang terbatas tidak secara akurat menggambarkan proporsi
pendapatan dari setiap segmen populasi di India. Dari penyimpangan titik data (disorot
oleh titik merah pada Gambar 6) dari kurva yang paling cocok, kita dapat merumuskan
tabel untuk menggambarkan setiap titik sisa:
y
X y1 e
Untuk mengatasi masalah ini, saya memutuskan untuk menggunakan regresi polinomial
untuk menentukan polinomial dengan derajat yang lebih tinggi menggunakan poin data
pada Tabel 1.
Karena kita memiliki 6 titik data, persamaan polinomial derajat kelima dapat dibangun
untuk mewakili kurva Lorenz . Saya memilih untuk menggunakan polinomial derajat lima di
sini dengan persamaan umum, yi = C 5 x + C 4 x + C 3 x + C 2 x + C 1 x + C 0 , karena ini
5 4 3 2
adalah maksimum urutan polinomial yang dapat dibuat menggunakan 6 titik data, mungkin
menghasilkan kurva Lorenz seakurat mungkin. Persamaan (1) yang disebutkan di atas
dapat ditulis sebagai alternatif:
⎤ ⎡⎤ ⎥ ⎡y ⎤
⎡ ⎢ x1 x12
⎢
1
⎢
1 x ⎥ ⎥
⎢ C= ⎢ y 2 ⎥
C
⎢⎢!1 x!
⎣ C ⎢! ⎥ 2
⎢
⎥
⎣⎢
2
⎢ ⎦
yn
xn
xn 2 ⎦⎥
⎣
⎦ 2
di mana n mengacu pada jumlah koordinat x dan y . Matriks pertama pada persamaan di
atas dikenal dengan matriks Vandermonde yang merupakan salah satu jenis matriks yang
muncul pada polinomial kuadrat terkecil (Weisstein). Dalam kasus polinomial derajat
kelima, menggunakan nilai dari Tabel 1 ini direpresentasikan sebagai:
⎥ ⎤⎡
⎡⎢
⎢ 0 00 ⎥⎡0⎤ ⎢
0 0
⎢ ⎥
1 0.2
1
0.04 0.008
C ⎤ ⎥0.061
0.0016 0.00032 ⎥
⎢1 1 11 1 1
⎥ ⎥⎢
⎥ 0.468 ⎥ ⎢C
⎣ ⎢1 ⎦⎢ ⎥⎣ 1⎦⎥ 4 ⎢
⎣⎢ ⎥
-1 ⎡ 0 ⎤
⎤
⎡
⎢ ⎥ ⎡1 0 0 ⎤
⎢ ⎥
C ⎥
1
⎥ ⎥
⎢
⎢ ⎥⎢⎢ 1 0.6 0.36 0.216
C 0.1296 0.0776
⎢⎢
⎢C
⎥⎢
⎥ 1 0.8 0.64
0.512 0.4096 0.32768
1 1 1
⎥ ⎢ 0.468
⎢ ⎦⎥ ⎣
4 ⎢11 1
⎦ ⎣ ⎦ ⎢1
⎣⎢ ⎥ ⎥
1
7
Melakukan langkah-langkah inversi dan perkalian matriks yang disebutkan di atas
menggunakan IT (kalkulator), karena besarnya matriks kita mendapatkan matriks berikut
untuk konstanta:
0
C0
0.363692946057596
C1 -1.30244640387085
C2 6.54629149376606
-10.1476054633385
C3 5.54006742737785
C4
C 5 Dari nilai tersebut, persamaan kurva Lorenz India tahun
2013 adalah:
terlihat seperti kurva Lorenz pada diagram di bawah ini, dengan berbagai titik pencar yang
menentukan kuintil pendapatan India dari Tabel 1.
Dibandingkan dengan kurva Lorenz yang diturunkan dari regresi kuadrat, diamati bahwa
Koefisien gini menggunakan rumus integral menurut kurva dan data kami adalah:
∫1
x - (5,540 x 5 - 10,148 x 4 + 6,546 x 3 - 1,302 x 2 + 0,364 x ) dx
= 0.443
Seperti yang dapat dilihat, kurva Lorenz ini tidak memiliki deviasi dari titik-titik data seperti
yang terlihat pada Tabel 1. Karena tidak ada titik residual, ini menunjukkan bahwa
penggambaran distribusi pendapatan India yang lebih akurat diperoleh L q dengan regresi
polinomial.
Menurut data resmi, koefisien Gini India pada tahun 2013 adalah G=0,510, yang tidak
setara dengan koefisien Gini yang dihitung dari prediksi Kurva Lorenz, L . Hal ini mungkin
disebabkan oleh terbatasnya rentang data yang digunakan sehingga mengurangi
kelayakan perhitungan sosio-politik dan tidak memperkirakan Koefisien Gini secara akurat.
Dalam hal ini, regresi polinomial untuk membuat sketsa kurva Lorenz akan lebih akurat
dengan kumpulan data yang lebih besar.
G=2 ∫ 0
1
L 0 ( x ) - L ( x ) dx
=1-2 ∫ 1
L ( x ) dx
Dalam hal ini, mari kita asumsikan bahwa fungsi distribusi kumulatif F ( x ) memberikan
proporsi penduduk yang memiliki tingkat pendapatan di bawah atau sama dengan x . Ini
adalah fungsi tidak menurun yang mewakili persentase individu dengan pendapatan di
bawah x . Sebut saja proporsi ini p . Selain itu, mari kita asumsikan bahwa F ( x ) dapat
dibedakan secara terus-menerus sehingga kerapatan berikut ada:
′
F (x)=f(x)
X
1
9
p= ∫ f(x)=F(x)
0
Dengan menggunakan representasi geometris dari rumus umum Koefisien Gini yang
disebutkan di atas, kita dapat merepresentasikannya dalam bentuk kovarians antara
tingkat pendapatan dan distribusi pendapatan kumulatif (Lubrano).
G=1-2 ∫0
L ( p ) dx
. . 2 ... . . ...
Di mana C ov adalah kovarians = Cov( x , F ( x )) antara tingkat pendapatan y dan
distribusi kumulatif dari μ
pendapatan yang sama F ( y ) dan µ adalah pendapatan rata-rata.
Tabel di bawah menunjukkan pendapatan rumah tangga untuk setiap kuintil India, sebagai
perluasan dari Tabel 1:
Memahami gagasan kovarians sangat menantang bagi saya, karena statistik adalah salah
satu topik yang tidak dibahas dalam pelajaran matematika saya. Karena itu, sebagai lawan
dari formulaik, saya mencoba untuk memahami dan menjelaskan konsep secara diagram.
Menggunakan data berpasangan pada Tabel 3, plot sebar terlihat di bawah ini:
2
0
-y)
∑
( x i - x )( y
i
Cov( x , y ) = i = 1
x = variabel bebas
n-1
Di
mana: y = variabel dependen
n = jumlah titik data
x = rata-rata variabel independen,
x
y = rata-rata variabel dependen, y
Dengan menggunakan nilai pada Tabel 3, kita dapat
menghitung x dan y terlebih dahulu.
5
x= ∑ x i
5 = = 0.6
saya
∑
= 1 3
55
308, 721
5 = 61.744,2 = µ
y i
y=i=1 =
Mengganti nilai-nilai ini ke dalam rumus
5 kovarians yang disebutkan di atas,
kita mendapatkan:
5
∑ ( x i - x )( y i - y )
Cov( x , y ) = i = 1
4
rumus kovarians:
G= 2 × 15277.2
61744.2
= 0.495
Seperti dapat dilihat, nilai G=0,495 tidak setara dengan nilai yang dinyatakan secara resmi
untuk Koefisien Gini India pada tahun 2013 sebesar G=0,510, dihitung dan diterbitkan oleh
pemerintah India dengan menggunakan data lengkap mereka. Dengan hanya 5 tingkat
pendapatan umum yang digunakan untuk menentukan kovariansi antara tingkat
pendapatan dan proporsi penduduk di India, hal ini tidak dapat dihindari. Dengan
menggunakan titik data dalam jumlah terbatas, saya menyadari bahwa saya mengabaikan
berbagai keistimewaan yang mungkin ada dalam distribusi pendapatan di setiap segmen
individu. Hal ini menyebabkan perkiraan yang terlalu rendah dari koefisien Gini di India.
Seperti hasil dari metode pertama, alasan perbedaan tersebut kemungkinan besar terletak
pada terbatasnya akses penduduk sipil terhadap data pendapatan nasional. Hal ini
menimbulkan tantangan dalam mengamati keefektifan metode yang berbeda untuk
menghitung Koefisien Gini.
Metode integrasi numerik dari aturan Trapesium dibandingkan dengan Metode 2 sangat
tidak dapat diandalkan karena pasti menghasilkan bias positif untuk kurva Lorenz, dan bias
negatif untuk koefisien gini. Ini karena, metode ini membuat kurva dengan segmen garis
lurus yang terletak di atas garis parabola yang menghubungkan titik-titik data (seperti yang
terlihat pada Metode 2). Ini menghasilkan area yang lebih luas di bawah kurva Lorenz
untuk Metode 1, dan dengan demikian koefisien Gini menjadi lebih kecil.
Dengan bukti empiris dari penyelidikan saya, koefisien Gini tampaknya paling akurat
dihitung dengan menggunakan metode berbasis kovarians. Namun, dengan akses yang
lebih baik ke berbagai proporsi pendapatan dan titik data, sebagian besar pemerintah
memilih menggunakan kurva Lorenz untuk menentukan koefisien (Metode 2). Perbedaan
paling mencolok antara Metode 2 dan Metode 3 adalah bahwa kurva Lorenz merupakan
cara yang sangat kontekstual dan langsung untuk menghitung Gini. Hal ini karena, itu
dibuat terutama untuk bertindak sebagai grafik frekuensi kumulatif proporsi pendapatan
dan proporsi populasi, yang bersama dengan aturan kurva yang terdefinisi dengan baik
menunjukkan bahwa itu semata-mata dimaksudkan untuk tujuan ini. Di sisi lain, rumus
kovarians dalam Metode 3 digunakan sebagai inferensi terhadap Koefisien Gini, yang
secara umum menunjukkan jenis hubungan antara dua variabel acak. Hal ini
memungkinkan Metode 3, untuk memberikan pengukuran untuk berbagai bidang minat
lainnya seperti besarnya korelasi positif atau negatif antara dua variabel. Ciri Metode 3 ini,
dapat digunakan untuk lebih memahami tingkat ketimpangan di suatu negara, dengan
mengisi celah yang mungkin ada sebagai akibat dari koefisien sebagai pertimbangan
distribusi pendapatan yang disederhanakan.
Selain itu, ruang lingkup penelitian, sebagai akibat dari terbatasnya akses ke data sensus
mengenai proporsi pendapatan India, juga terbatas. Namun, untuk kepentingan
perbandingan dan eksplorasi, hasilnya dianggap konklusif dan dibandingkan dengan nilai
koefisien sebenarnya yang diterbitkan oleh pemerintah India untuk menentukan keandalan
masing-masing metode.
Kesimpulan
Investigasi memungkinkan kami untuk menentukan berbagai implikasi dan perhitungan
koefisien Gini yang dapat bervariasi secara numerik tergantung pada nuansa masing-
2
3
masing metode. Bekerja dengan koefisien Gini dan dengan begitu banyak bidang
matematika yang baru bagi saya telah memungkinkan saya menghargai gagasan
ketidaksetaraan, pembagian sumber daya moneter, dan matematika terapan di zaman
modern. Saya terheran-heran melihat betapa drastisnya perbedaan antara kuintil terendah
dan tertinggi dari populasi berpendapatan India, sebuah wawasan yang tidak akan
terungkap tanpa secara matematis menurunkannya melalui kurva Lorenz. analisis
kuantitatif dan empiris dari isu-isu sosial seperti ketimpangan pendapatan memungkinkan
saya untuk memperluas perspektif saya pada implikasi dan tingkat keparahan dari masalah
umum ini.
2
4
Bibliografi
Bourne, Murray. "Koefisien Gini dari Distribusi Kekayaan." Intmatcom RSS. Np, 24
Februari 2010. Web. 07 Maret 2017.
Nair, Remya. "IMF Memperingatkan Tumbuh Ketimpangan di India dan Cina." Http://
www.livemint.com/ . Livemint, 03 Mei 2016. Web. 07 Maret 2017.
"Menemukan Residu." Interaktivasi: Menemukan Residu. CSERD, tn Web. 23 Maret 2017.
Weisstein, Eric W. "Vandermonde Matrix." Dari MathWorld--Sumber Daya Web Wolfram.
http://mathworld.wolfram.com/VandermondeMatrix.html . 23 Maret 2017.
Lubrano, Michael. "Ekonometrika Ketimpangan dan Kemiskinan." (td): n. hal. Http://
www.vcharite.univ-mrs.fr/PP/lubrano/cours/Lecture-4.pdf . September 2016. Web.
24 Mar.
2017.