Słownik metodologiczny · Statystyka opisowa

Krzywa Lorenza – wykres nierówności rozkładu

Krzywa Lorenza pokazuje, jaki udział całości – np. dochodu – przypada na kolejne odsetki jednostek uporządkowanych od najmniejszej. Wyjaśniamy, jak ją zbudować, jak z niej odczytać indeks Giniego i kiedy jedna liczba nie wystarcza.

Strona główna / Słownik / Krzywa Lorenza
W skrócie: Krzywa Lorenza to wykres skumulowanego udziału całości (np. dochodu) w zależności od skumulowanego odsetka jednostek uporządkowanych od najmniejszej wartości. Przekątna oznacza równy podział, a im bardziej krzywa odchyla się pod przekątną, tym większa nierówność.

Co to jest krzywa Lorenza?

Krzywa Lorenza (ang. Lorenz curve) to wykres, na którym oś pozioma pokazuje skumulowany odsetek jednostek uporządkowanych od najmniejszej wartości, a oś pionowa – skumulowany udział całości przypadający na te jednostki. Lorenz (1905) zaproponował ją jako sposób mierzenia koncentracji bogactwa. Przekątna oznacza podział po równo. Im głębiej krzywa schodzi pod przekątną, tym bardziej nierówny jest rozkład. W odróżnieniu od indeksu Giniego, który podaje jedną liczbę, krzywa pokazuje cały kształt nierówności.

Jak ją zbudować

  1. Posortuj wartości rosnąco: x(1) ≤ … ≤ x(n).
  2. Dla każdego i policz odsetek jednostek Fi = i/n i udział Li = (x(1) + … + x(i)) / Σx.
  3. Dodaj punkt (0, 0) i połącz punkty odcinkami; krzywa zawsze kończy się w (1, 1).

Indeks Giniego to dwukrotne pole między przekątną a krzywą, czyli 1 − 2 × pole pod krzywą.

Przykład

Dla 10 gospodarstw z dochodami z rozkładu lognormalnego 50% najuboższych ma 31.3% sumy dochodów, a 20% najbogatszych – 38.6%. Pole pod krzywą wynosi 0.370, więc indeks Giniego = 1 − 2 × 0.370 = 0.259, tyle samo co w DescTools bez poprawki. Krzywa leży wyraźnie pod przekątną, ale daleko jej do skrajnej koncentracji, w której prawie całą sumę ma jedna jednostka, a krzywa biegnie tuż przy osi poziomej. Takie udziały warto podać obok indeksu, bo są czytelniejsze niż sama liczba.

Na rysunku

Dwie krzywe Lorenza dla 500 gospodarstw z zacieniowanym polem między przerywaną przekątną a krzywą. W panelu A krzywa biegnie blisko przekątnej, pole wynosi 0.1347, a indeks Giniego 0.2694. W panelu B krzywa jest mocno wygięta i wznosi się stromo dopiero przy ostatnich gospodarstwach, pole wynosi 0.2550, a indeks Giniego 0.5101.
Rysunek 1. Krzywe Lorenza dochodów 500 gospodarstw z dwóch symulowanych rozkładów lognormalnych; zacieniowane pole między przekątną a krzywą to połowa indeksu Giniego. Obliczenia: R, pakiety ineq i ggplot2 (dane symulowane, ziarno 6201).

Co widać. Zacieniowane pole w panelu A wynosi 0.1347, a indeks Giniego z pakietu ineq – 0.2694, czyli dokładnie dwa razy tyle; w panelu B 0.2550 i 0.5101. Przy większej nierówności połowa najuboższych gospodarstw ma 16.0% sumy dochodów, przy mniejszej – 31.2%.

Na co uważać. Pole jest liczone z punktów krzywej, więc przy małej liczbie jednostek krzywa jest łamana, a wynik zależy od wzoru (zob. indeks Giniego). Odchylenia standardowe logarytmów dochodu (0.5 i 1.0) wybrano ręcznie.

Podpis do pracy:

Rysunek 1. Krzywe Lorenza dochodów gospodarstw domowych w dwóch grupach (n = 500 w każdej). Uwaga. Linia przerywana oznacza równy podział; zacieniowane pole między nią a krzywą równa się połowie indeksu Giniego (G = 0.27 w grupie A i 0.51 w grupie B).
Dwie łamane krzywe Lorenza dla 10 jednostek pod szarą przekątną. Ciągła z kółkami (rozkład A: cztery jednostki po 1 i sześć po 6) leży nisko do 40% jednostek, a potem stromo rośnie. Przerywana z trójkątami (rozkład B: dziewięć jednostek po 1 i jedna z 6) zaczyna wyżej, ale spada pod krzywą A po 60% jednostek i dopiero ostatnia jednostka wyrównuje ją do 100%. Krzywe przecinają się w punkcie 60%, 40%.
Rysunek 2. Dwie przecinające się krzywe Lorenza o tym samym indeksie Giniego G = 0.30. Obliczenia: R, pakiety ineq i ggplot2 (dane ułożone ręcznie).

Co widać. Oba rozkłady mają G = 0.30, ale nierówność leży gdzie indziej. W A 40% jednostek ma tylko 10.0% sumy, w B – 26.7%. Za to w B 90% jednostek ma 60.0% sumy, a w A – 85.0%. Krzywe przecinają się w punkcie (60%, 40%).

Na co uważać. Gdy krzywe się przecinają, nie da się powiedzieć, który rozkład jest „bardziej nierówny” bez wyboru, czy ważniejszy jest dół, czy góra rozkładu. Wartości 1 i 6 oraz ich proporcje dobrano ręcznie tak, żeby oba G wyszły równe.

Podpis do pracy:

Rysunek 2. Krzywe Lorenza dwóch rozkładów 10 jednostek o tym samym indeksie Giniego (G = 0.30): A – nierówność skupiona w dolnej części rozkładu, B – w górnej. Uwaga. Szara linia oznacza równy podział; krzywe przecinają się przy 60% jednostek.
Kod R rysunków
# Rysunki 1–2: pole między przekątną a krzywą Lorenza (= G/2) i krzywe, które się przecinają
library(ineq)
library(ggplot2)

# Paleta Okabe–Ito (rozróżnialna także przy deuteranopii) i prosty motyw
kol <- c(A = "#0072B2", B = "#D55E00", pole = "#E69F00")
motyw <- theme_minimal(base_size = 14) +
  theme(panel.grid.minor = element_blank(), legend.position = "bottom",
        plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(0.95)),
        plot.background = element_rect(fill = "white", colour = NA))

# Rysunek 1: dochody 500 gospodarstw z dwóch rozkładów lognormalnych (mała i duża nierówność)
set.seed(6201)
dochody <- list("A. Mniejsza nierówność" = rlnorm(500, meanlog = 8, sdlog = 0.5),
                "B. Większa nierówność"  = rlnorm(500, meanlog = 8, sdlog = 1.0))
krzywe <- do.call(rbind, lapply(names(dochody), function(nm) {
  lc <- Lc(dochody[[nm]])                                 # punkty krzywej Lorenza (ineq)
  data.frame(panel = nm, F = lc$p, L = lc$L)
}))
podsum <- do.call(rbind, lapply(split(krzywe, krzywe$panel), function(d) {
  pole_pod <- sum(diff(d$F) * (head(d$L, -1) + tail(d$L, -1)) / 2)    # trapezy
  data.frame(panel = d$panel[1], pole_miedzy = 0.5 - pole_pod,
             Gini = ineq::Gini(dochody[[d$panel[1]]]), polowa_50 = approx(d$F, d$L, 0.5)$y)
}))
print(transform(podsum, pole_miedzy = round(pole_miedzy, 4), Gini = round(Gini, 4),
                polowa_50 = round(polowa_50, 3)), row.names = FALSE)
podsum$etyk <- sprintf("pole = %.4f\nG = 2 × pole = %.4f", podsum$pole_miedzy, podsum$Gini)
p1 <- ggplot(krzywe, aes(F, L)) +
  geom_ribbon(aes(ymin = L, ymax = F), fill = kol[["pole"]], alpha = 0.45) +
  geom_abline(slope = 1, intercept = 0, linetype = "dashed", colour = "grey30") +
  geom_line(colour = kol[["A"]], linewidth = 1.1) +
  geom_text(data = podsum, aes(x = 0.05, y = 0.93, label = etyk), hjust = 0, vjust = 1, size = 4) +
  facet_wrap(~ panel) + coord_equal() +
  scale_x_continuous(labels = function(b) paste0(100 * b, "%")) +
  scale_y_continuous(labels = function(b) paste0(100 * b, "%")) +
  labs(x = "Skumulowany odsetek gospodarstw (od najuboższych)",
       y = "Skumulowany udział dochodu") + motyw +
  theme(strip.text = element_text(face = "bold", colour = "#0f1d3a"))

# Rysunek 2: dwa rozkłady 10 jednostek z tym samym G = 0.30 i przecinającymi się krzywymi
A <- c(rep(1, 4), rep(6, 6))   # nierówność „na dole”: 40% ma bardzo mało, reszta po równo
B <- c(rep(1, 9), 6)           # nierówność „na górze”: jedna jednostka ma dużo więcej
round(c(G_A = ineq::Gini(A), G_B = ineq::Gini(B)), 3)
lA <- Lc(A); lB <- Lc(B)
round(rbind(F = lA$p, L_A = lA$L, L_B = lB$L)[, c(1, 5, 7, 10, 11)], 3)   # F = 0, .4, .6, .9, 1
dl <- rbind(data.frame(F = lA$p, L = lA$L, rozklad = "A: 4 × 1 i 6 × 6 (nierówność na dole)"),
            data.frame(F = lB$p, L = lB$L, rozklad = "B: 9 × 1 i 1 × 6 (nierówność na górze)"))
p2 <- ggplot(dl, aes(F, L, colour = rozklad, linetype = rozklad, shape = rozklad)) +
  geom_abline(slope = 1, intercept = 0, colour = "grey55") +
  geom_line(linewidth = 1.1) + geom_point(size = 2.4) +
  scale_colour_manual(values = unname(kol[c("A", "B")]), name = NULL) +
  scale_linetype_manual(values = c("solid", "dashed"), name = NULL) +
  scale_shape_manual(values = c(16, 17), name = NULL) +
  scale_x_continuous(breaks = seq(0, 1, 0.2), labels = function(b) paste0(100 * b, "%")) +
  scale_y_continuous(breaks = seq(0, 1, 0.2), labels = function(b) paste0(100 * b, "%")) +
  coord_equal() + guides(colour = guide_legend(ncol = 1)) +
  labs(x = "Skumulowany odsetek jednostek", y = "Skumulowany udział sumy") + motyw

p1   # zapis: ggsave("krzywa-lorenza-pole.svg", p1, width = 10, height = 5.6)
p2   # zapis: ggsave("krzywa-lorenza-przeciecie.svg", p2, width = 7, height = 7)
Wynik w R
                  panel pole_miedzy   Gini polowa_50
 A. Mniejsza nierówność      0.1347 0.2694     0.312
  B. Większa nierówność      0.2550 0.5101     0.160
G_A G_B 
0.3 0.3 
    [,1]  [,2] [,3] [,4] [,5]
F      0 0.400  0.6 0.90    1
L_A    0 0.100  0.4 0.85    1
L_B    0 0.267  0.4 0.60    1

Rysunki na stronie powstały z tego kodu z motywem serwisu (dane, geometrie i skale identyczne).

Na co uważać

  • Przecinające się krzywe. Dwie grupy mogą mieć ten sam indeks Giniego, a różne krzywe – np. jedna z nierównością na dole, druga na górze rozkładu. Wtedy porównaj udziały w wybranych percentylach.
  • Mała próba. Przy 10 jednostkach krzywa jest schodkowa, a Deltas (2003) pokazał, że Gini z małych prób zaniża nierówność.
  • Tylko wartości nieujemne. Przy wartościach ujemnych krzywa może zejść poniżej zera i traci interpretację.
  • Inna miara rozproszenia. Współczynnik zmienności i skośność opisują rozkład inaczej; nie zastępują krzywej. O czytelnych wykresach piszemy we wpisie o wykresach w pracy dyplomowej.
Przykład reprodukowalny

Krzywa Lorenza w R

Kod liczy punkty krzywej Lorenza ręcznie z posortowanych danych (cumsum), pole pod krzywą metodą trapezów i indeks Giniego jako 1 − 2 × pole, a następnie sprawdza wynik funkcją Gini() z pakietu DescTools. Wykres narysujesz poleceniem plot(F, L, type = "l"); abline(0, 1).

Punkty krzywej, pole i indeks Giniego

Dane wejściowe: 10 symulowanych dochodów gospodarstw z rozkładu lognormalnego (set.seed(620)).

Co odczytać: 50% gospodarstw ma 31.3% dochodów; pole pod krzywą 0.370; indeks Giniego 0.259 (zgodny z DescTools); 20% najbogatszych ma 38.6% dochodów.

R
# Krzywa Lorenza i indeks Giniego z pola pod krzywą
set.seed(620)
dochod <- round(rlnorm(10, meanlog = 8, sdlog = 0.7))   # 10 gospodarstw, rozkład prawoskośny
x <- sort(dochod)
L <- c(0, cumsum(x) / sum(x))                          # skumulowany udział dochodu
F <- c(0, seq_along(x) / length(x))                    # skumulowany udział gospodarstw
pole <- sum(diff(F) * (head(L, -1) + tail(L, -1)) / 2)  # pole pod krzywą (trapezy)
print(round(data.frame(F = F, L = L), 3)[c(1, 3, 6, 9, 11), ], row.names = FALSE)
round(c(pole_pod_krzywa = pole, Gini = 1 - 2 * pole,
        DescTools = DescTools::Gini(x, unbiased = FALSE),
        udzial_20proc_najbogatszych = 1 - L[9]), 3)
Wynik w R
   F     L
 0.0 0.000
 0.2 0.108
 0.5 0.313
 0.8 0.614
 1.0 1.000
            pole_pod_krzywa                        Gini 
                      0.370                       0.259 
                  DescTools udzial_20proc_najbogatszych 
                      0.259                       0.386

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pakiet DescTools); rysunki policzono pakietem ineq i wykonano w pakiecie ggplot2, a pliki zapisano pakietem svglite. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. DescTools (wersja 0.99.60): Signorell, A. (2025). DescTools: Tools for descriptive statistics (R package version 0.99.60) [Computer software]. https://doi.org/10.32614/CRAN.package.DescTools
  3. ineq (wersja 0.2.13): Zeileis, A. (2014). ineq: Measuring inequality, concentration, and poverty [R package]. https://doi.org/10.32614/CRAN.package.ineq
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  5. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Najczęstsze pytania

Jaka jest różnica między krzywą Lorenza a indeksem Giniego?

Krzywa Lorenza pokazuje cały kształt nierówności, a indeks Giniego streszcza go jedną liczbą: 1 minus dwukrotne pole pod krzywą. Różne krzywe mogą dać ten sam indeks Giniego.

Jak narysować krzywą Lorenza w R bez pakietu?

Posortuj wartości rosnąco, policz cumsum(x) / sum(x) i odsetki jednostek i / n, dodaj punkt (0, 0) i narysuj obie serie razem z przekątną. Kod na tej stronie robi to dla 10 gospodarstw.

Czy krzywą Lorenza można stosować poza ekonomią?

Tak, dla każdej nieujemnej wielkości dzielonej między jednostki, np. liczby publikacji między autorów albo noclegów między miesiące. Nie nadaje się do zmiennych z wartościami ujemnymi ani do skal porządkowych.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Deltas, G. (2003). The small-sample bias of the Gini coefficient: Results and implications for empirical research. Review of Economics and Statistics, 85(1), 226–234. https://doi.org/10.1162/rest.2003.85.1.226 ● Otwarty dostęp: pełny tekst
  2. Lorenz, M. O. (1905). Methods of measuring the concentration of wealth. Publications of the American Statistical Association, 9(70), 209–219. https://doi.org/10.1080/15225437.1905.10503443

Cytowania BibTeX

@article{deltas2003small, author={Deltas, George}, title={{The small-sample bias of the Gini coefficient: Results and implications for empirical research}}, journal={Review of Economics and Statistics}, year={2003}, volume={85}, number={1}, pages={226--234}, doi={10.1162/rest.2003.85.1.226}}
@article{lorenz1905methods, author={Lorenz, M. O.}, title={{Methods of measuring the concentration of wealth}}, journal={Publications of the American Statistical Association}, year={1905}, volume={9}, number={70}, pages={209--219}, doi={10.1080/15225437.1905.10503443}}
R