📊 statistics

On classes of distributions on the unit interval: structural properties and application to inequality data

Este artículo presenta dos nuevas familias de distribuciones en el intervalo unitario derivadas de transformaciones no inyectivas de la razón gamma, las cuales permiten estimar índices de desigualdad como el de Gini y Atkinson, y demuestra su utilidad mediante análisis teóricos, simulaciones y una aplicación a datos reales de desigualdad entre países.

Autores originales: Roberto Vila, Helton Saulo, Poliana Matos, Subhankar Dutta

Publicado 2026-03-04

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Roberto Vila, Helton Saulo, Poliana Matos, Subhankar Dutta

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Hola! Imagina que este artículo es como un recetario de cocina matemática para crear nuevos ingredientes estadísticos. Los autores, Roberto Vila y su equipo, han cocinado dos nuevas "salsas" (distribuciones de probabilidad) diseñadas específicamente para medir cosas que siempre están entre 0 y 1, como el porcentaje de pobreza, la humedad o, en este caso, la desigualdad de ingresos.

Aquí tienes la explicación, paso a paso, con analogías sencillas:

1. El Problema: Medir la Desigualdad es Difícil

Imagina que quieres medir qué tan "desigual" es la riqueza en un país. Usamos un número llamado Índice de Gini (va de 0 a 1: 0 es que todos tienen lo mismo, 1 es que uno tiene todo y nadie más nada).

Antes, los estadísticos usaban dos "cuchillos" principales para cortar y analizar estos datos: la distribución Beta y la Kumaraswamy. Son herramientas muy famosas y flexibles, pero a veces se sienten un poco "forzadas". Son como intentar medir la temperatura con una regla: funciona, pero no es el instrumento perfecto para esa tarea específica.

2. La Solución: Dos Nuevas Herramientas (W y Z)

Los autores dicen: "¿Y si creamos herramientas que nacen directamente de la misma lógica que usa el Índice de Gini?".

Para entenderlo, imagina que tienes dos bolsas de dinero:

Bolsa X (dinero de una persona).
Bolsa Y (dinero de otra persona).
Ambas bolsas tienen un contenido aleatorio que sigue una regla matemática llamada distribución Gamma (piensa en ellas como bolsas que pueden tener desde muy poco hasta mucho dinero, pero nunca negativo).

La idea clásica es tomar la parte de X sobre el total (X / (X+Y)). Eso te da un número entre 0 y 1.
Pero los autores hicieron algo más inteligente: tomaron esa fracción y le aplicaron un "filtro mágico" (una transformación matemática) que no es una línea recta, sino una curva que dobla y tuerce los datos para que encajen mejor.

Llamaron a sus dos nuevas herramientas W y Z:

W (La herramienta "Gini"): Si ajustas un botón especial (llamado r) a un valor específico (1/2), esta herramienta se convierte exactamente en la fórmula matemática del Índice de Gini. Es como si tuvieras una máquina que, al apretar un botón, te da el resultado de la desigualdad directamente.
Z (La herramienta "Atkinson"): Con el mismo botón en otro valor, esta se convierte en el Índice de Atkinson, otra forma famosa de medir la desigualdad.

La analogía: Imagina que las distribuciones antiguas (Beta) son como un martillo: sirven para clavar muchos tipos de clavos, pero no son perfectos. Las nuevas distribuciones (W y Z) son como destornilladores de precisión: están diseñados específicamente para el tipo de "tornillo" que es la desigualdad económica.

3. ¿Cómo funcionan? (La Magia Matemática)

Los autores demostraron que, si tomas dos variables aleatorias (X e Y) que siguen la regla Gamma, y las mezclas con sus fórmulas mágicas, obtienes una nueva variable que vive perfectamente entre 0 y 1.

Ventaja 1: Tienen fórmulas cerradas. Es decir, los matemáticos pueden escribir la receta exacta de cómo se comportan sin tener que adivinar.
Ventaja 2: Se pueden estimar sus parámetros (los ingredientes de la receta) usando datos reales mediante un método llamado "Máxima Verosimilitud" (que básicamente significa: "ajustamos la receta hasta que se parezca lo más posible a la realidad").

4. La Prueba de Fuego: Simulaciones y Datos Reales

Los autores no solo se quedaron en la teoría. Hicieron dos cosas importantes:

Simulaciones (El entrenamiento): Crearon miles de escenarios falsos en la computadora para ver si sus nuevas herramientas funcionaban bien.
- Resultado: La herramienta W funcionó muy bien, como un atleta de élite. La herramienta Z fue un poco más difícil de controlar (como un caballo salvaje), especialmente cuando los datos eran muy asimétricos, pero aún así útil.
Datos Reales (El partido): Tomaron los datos reales del Índice de Gini de 78 países en 2021.
- Resultado: ¡Ganaron! La herramienta Z fue la que mejor se ajustó a la realidad, superando incluso a la famosa distribución Beta. La Beta quedó en segundo lugar. Esto demuestra que sus nuevas "salsas" capturan mejor el sabor real de la desigualdad mundial.

5. Conclusión: ¿Por qué nos importa?

Este trabajo es importante porque:

Conecta la teoría con la realidad: Ahora tenemos modelos matemáticos que "hablan el mismo idioma" que los índices de desigualdad que usan los gobiernos y economistas.
Ofrece mejores herramientas: Si eres un economista o un investigador que estudia la pobreza, ahora tienes herramientas más precisas para entender cómo se distribuye la riqueza.
Es flexible: Tienen un botón (el parámetro r) que te permite ajustar la forma de la distribución para que se adapte a diferentes tipos de países (desde los muy iguales hasta los muy desiguales).

En resumen: Los autores crearon dos nuevos "lentes" matemáticos (W y Z) que, al mirar a través de ellos, nos permiten ver la desigualdad económica con mucha más claridad y precisión que los lentes antiguos que usábamos antes. ¡Y lo mejor es que uno de ellos (Z) se llevó el premio al mejor ajuste en los datos reales!

Resumen Técnico: Nuevas Familias de Distribuciones en el Intervalo Unitario y su Aplicación a Datos de Desigualdad

1. Planteamiento del Problema

Las distribuciones de probabilidad definidas en el intervalo unitario $(0, 1)$ son fundamentales en campos como la econometría, las ciencias naturales y los estudios de fiabilidad. En el análisis económico, indicadores clave como el Índice de Gini y el Índice de Atkinson están naturalmente restringidos a este intervalo.

Aunque modelos tradicionales como la distribución Beta y la de Kumaraswamy son ampliamente utilizados por su flexibilidad y manejabilidad, presentan limitaciones:

Son esencialmente fenomenológicos, ofreciendo poca conexión teórica directa con los mecanismos estocásticos subyacentes a las medidas de desigualdad clásicas.
La construcción estándar de la distribución Beta como la razón de dos variables Gamma ( $X/(X+Y)$ ) no explota explícitamente la relación intrínseca entre las distribuciones de ingresos y los índices de desigualdad.

El objetivo de este trabajo es superar estas limitaciones introduciendo nuevas familias de distribuciones que surjan naturalmente de transformaciones de la razón de variables Gamma, estableciendo un vínculo directo con estimadores de desigualdad.

2. Metodología

Los autores proponen dos nuevas familias de distribuciones en el intervalo unitario, denotadas como $W$ y $Z$ , derivadas mediante transformaciones no inyectivas de la razón $U = X/(X+Y)$ , donde $X$ e $Y$ son variables aleatorias independientes con distribuciones Gamma ( $X \sim \text{Gamma}(\alpha_1, \lambda_1)$ y $Y \sim \text{Gamma}(\alpha_2, \lambda_2)$ ).

Transformaciones Propuestas:
Se definen dos funciones de transformación paramétricas $S_r$ y $T_r$ con $r > 0$ :

Modelo $W$ : $W = S_r\left(\frac{X}{X+Y}\right) = \left[1 - 4\frac{X}{X+Y}\left(1-\frac{X}{X+Y}\right)\right]^r = \left(\frac{Y-X}{X+Y}\right)^{2r}$
Modelo $Z$ : $Z = T_r\left(\frac{X}{X+Y}\right) = 1 - \left[4\frac{X}{X+Y}\left(1-\frac{X}{X+Y}\right)\right]^r = 1 - \frac{(XY)^r}{[\frac{1}{2}(X+Y)]^{2r}}$

Caso Especial ( $r=1/2$ ):
Cuando el parámetro de transformación es $r=1/2$ , las variables resultantes coinciden exactamente con estimadores basados en muestras de tamaño 2 de los índices clásicos:

$W$ se convierte en el coeficiente de Gini ( $|X-Y|/(X+Y)$ ).
$Z$ se convierte en el índice de Atkinson ( $1 - \sqrt{XY}/[\frac{1}{2}(X+Y)]$ ).

Desarrollo Teórico:

Se derivan las leyes de distribución, las funciones de densidad de probabilidad (PDF) y las funciones de distribución acumulada (CDF) en forma cerrada.
Se obtienen expresiones para las funciones cuantílicas (requiriendo métodos numéricos para su inversión).
Se desarrollan fórmulas para los momentos crudos, incluyendo casos especiales donde $\lambda_1 = \lambda_2$ o $r$ es un entero, utilizando funciones hipergeométricas y la función Beta incompleta.
Se formula la estimación por máxima verosimilitud (MLE), derivando las ecuaciones de verosimilitud para los parámetros $\theta = (\alpha_1, \alpha_2, \lambda_1, \lambda_2, r)$ .

3. Contribuciones Clave

Nuevas Familias de Distribuciones: Introducción de dos familias flexibles ( $W$ y $Z$ ) que generalizan la relación entre variables Gamma y el intervalo unitario mediante un parámetro de forma $r$ .
Conexión Teórica Directa: Establecimiento de un puente matemático riguroso entre las distribuciones propuestas y los índices de desigualdad clásicos (Gini y Atkinson) al fijar $r=1/2$ . Esto justifica teóricamente el uso de estos modelos para datos de desigualdad.
Tractabilidad Analítica: Derivación de expresiones cerradas para densidades, CDFs y momentos, lo cual es inusual para transformaciones no inyectivas complejas.
Análisis de Estimación: Desarrollo completo de procedimientos de estimación por máxima verosimilitud y análisis de su comportamiento en muestras finitas.

4. Resultados

A. Estudio de Simulación (Monte Carlo):
Se evaluó el comportamiento de los estimadores MLE para tamaños de muestra $n \in \{50, 100, 250, 500\}$ y diversos parámetros de forma y escala.

Modelo $W$ : Mostró un rendimiento global estable. Los estimadores de los parámetros de forma ( $\alpha$ ) y escala ( $\lambda$ ) convergieron progresivamente al aumentar $n$ . El parámetro de transformación $r$ mostró mayor sensibilidad en escenarios asimétricos, pero se estabilizó con muestras grandes.
Modelo $Z$ : Resultó ser más desafiante de estimar que el modelo $W$ . La estructura de la transformación $T_r$ reduce la concentración de información, lo que lleva a sesgos más altos y errores cuadráticos medios (RMSE) elevados, especialmente para los parámetros de forma en configuraciones asimétricas o con valores de forma bajos ( $\alpha < 1$ ). La estimación de $r$ fue particularmente inestable para valores altos ( $r=4$ ).
Comparación: El modelo $W$ es numéricamente más robusto y adaptable a una gama más amplia de configuraciones paramétricas que el modelo $Z$ .

B. Aplicación a Datos Reales (Índice de Gini 2021):
Se ajustaron los modelos $W$ y $Z$ a datos del índice de Gini de 78 países (2021) y se compararon con las distribuciones Beta y Kumaraswamy.

Criterios de Selección:
- El modelo $Z$ obtuvo el mejor ajuste global, con la mayor log-verosimilitud ( $\approx 108.96$ ) y el menor AIC ($-207.93$).
- La distribución Beta fue la segunda mejor en AIC y la ganadora en BIC ($-201.09$), debido a su estructura más parsimoniosa (menos parámetros).
- El modelo $W$ tuvo un rendimiento intermedio.
- La distribución Kumaraswamy mostró el peor ajuste y problemas de identificación de parámetros (estimación de $b \approx 100$ con alta incertidumbre).
Diagnóstico: Los gráficos de densidad y las funciones de distribución acumulada (CDF) mostraron que el modelo $Z$ y la Beta siguen de cerca la forma empírica de los datos (sesgo moderado a la derecha). Los residuos cuantílicos aleatorizados confirmaron que $Z$ y Beta proporcionan ajustes superiores, especialmente en las colas.

5. Significado e Implicaciones

Relevancia Estadística: El trabajo demuestra que las distribuciones derivadas de transformaciones no inyectivas de ratios Gamma pueden ofrecer una flexibilidad superior a los modelos estándar para datos acotados.
Aplicabilidad Económica: Al vincularse directamente con el coeficiente de Gini y el índice de Atkinson, los modelos $W$ y $Z$ ofrecen una base teórica sólida para el análisis estadístico de la desigualdad de ingresos, permitiendo modelar la incertidumbre inherente a estos índices de manera más natural.
Flexibilidad: El parámetro $r$ permite capturar características diversas como unimodalidad, asimetría y formas complejas, superando las limitaciones de las distribuciones Beta y Kumaraswamy en ciertos contextos.
Futuro: Se sugiere explorar componentes Gamma correlacionados, extensiones multivariadas y procedimientos de estimación bayesiana para abordar las dificultades de estimación observadas en el modelo $Z$ .

En conclusión, el artículo presenta un avance teórico y práctico significativo en la modelación de datos en el intervalo unitario, proporcionando herramientas robustas para el análisis de indicadores de desigualdad económica.