📊 statistics

On the bias of the Hoover index estimator: Results for the gamma distribution

Este artículo deriva una expresión simple para el valor esperado del estimador del índice de Hoover en poblaciones no negativas, demostrando mediante el caso de la distribución gamma que dicho estimador presenta un sesgo en muestras finitas y proporcionando resultados numéricos y de simulación que ilustran la magnitud de este sesgo.

Autores originales: Roberto Vila, Helton Saulo

Publicado 2026-03-03

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Roberto Vila, Helton Saulo

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

¡Claro que sí! Imagina que este artículo es como un manual de reparación para una báscula de justicia que todos usamos, pero que, curiosamente, nunca habíamos revisado si estaba bien calibrada.

Aquí tienes la explicación de la investigación de Roberto Vila y Helton Saulo, contada como si fuera una historia:

1. El Problema: La Báscula de la Desigualdad (El Índice Hoover)

Imagina que tienes un grupo de personas y quieres saber cuán desiguales son sus ingresos. Para esto, usamos una herramienta llamada Índice Hoover.

La analogía: Piensa en el Índice Hoover como un "tasa de redistribución". Te dice: "Si quisiéramos que todos tuvieran exactamente lo mismo, ¿qué porcentaje del dinero total tendríamos que quitarle a los ricos y dárselo a los pobres?".
Es una medida muy intuitiva y fácil de entender, mucho más que otras medidas matemáticas complejas (como el coeficiente de Gini).

2. El Descubrimiento: ¡La Báscula está "desviada"!

El problema que encontraron los autores es que, cuando usamos datos de una muestra pequeña (digamos, encuestas a 50 o 100 personas en lugar de a toda la población), la fórmula que usamos para calcular este índice no es justa.

La metáfora: Imagina que tienes una balanza que siempre pesa 2 kilos menos de lo que realmente pesa un objeto. Si pones una manzana, te dirá que pesa menos de lo que es. Eso es lo que hace el estimador del Índice Hoover en muestras pequeñas: tiende a subestimar la desigualdad.
En el mundo de las matemáticas, a esto se le llama sesgo (bias). La mayoría de la gente sabía que esto pasaba con otras medidas (como el Gini), pero nadie había estudiado a fondo por qué pasaba con el Índice Hoover ni cómo arreglarlo.

3. La Solución: El "Laplace" y el "Inclinar" la Realidad

Para arreglar la báscula, los autores usaron dos herramientas matemáticas muy potentes, que podemos imaginar así:

La Transformada de Laplace: Imagina que tienes una foto borrosa de la desigualdad. Esta herramienta es como un filtro de cámara que enfoca la imagen y te permite ver la estructura exacta de la foto, incluso si es pequeña.
El "Inclinamiento Exponencial" (Exponential Tilting): Imagina que tienes un grupo de personas y quieres estudiar cómo se comportan si las "inclinas" un poco hacia un lado (como inclinar una mesa para que las bolas rueden). Esta técnica matemática permite a los autores simular cómo se comporta el índice bajo diferentes condiciones sin tener que hacer millones de encuestas reales.

Gracias a estas herramientas, lograron escribir una fórmula exacta para decir: "Oye, si tu muestra es de este tamaño y tus datos se parecen a una distribución Gamma (que es común en ingresos, duraciones de vida, etc.), tu cálculo está equivocado en X cantidad".

4. El Experimento: La Prueba de Fuego

Para demostrar que su fórmula funcionaba, hicieron un experimento gigante (un estudio de simulación):

Crearon mundos virtuales: Generaron miles de grupos de datos simulados que seguían la distribución Gamma (muy común en economía).
Compararon:
- Usaron la fórmula antigua (la que tiene el error).
- Usaron su nueva fórmula corregida (la que restó el error calculado).
El resultado:
- La fórmula antigua siempre daba un número más bajo de lo que era la realidad (subestimaba la desigualdad), especialmente cuando el grupo de gente era pequeño.
- La fórmula corregida fue casi perfecta. Ajustó la báscula y dio el número real, incluso con muestras pequeñas.
- Lo mejor: Corregir el error no hizo que la medida fuera más inestable o "nerviosa". Fue como afinar un motor: quedó más preciso sin perder potencia.

5. ¿Por qué importa esto? (El mensaje final)

Este paper es importante porque:

Da la verdad: Nos dice que si usas el Índice Hoover en estudios pequeños (como encuestas locales o de nicho), estás viendo la desigualdad un poco más "suave" de lo que realmente es.
Ofrece la cura: Proporciona una fórmula sencilla para corregir ese error.
Abre puertas: Sugiere que en el futuro podríamos usar estas mismas técnicas para entender mejor otras medidas de desigualdad y cómo se comportan en situaciones más complejas.

En resumen:
Los autores tomaron una herramienta popular para medir la desigualdad (el Índice Hoover), descubrieron que tenía un "defecto de fábrica" en muestras pequeñas, y diseñaron la llave maestra (una fórmula de corrección) para que, a partir de ahora, podamos medir la desigualdad con una precisión quirúrgica, sin importar cuán pequeño sea nuestro grupo de estudio.

A continuación presento un resumen técnico detallado del artículo "On the bias of the Hoover index estimator: Results for the gamma distribution" en español, estructurado según los puntos solicitados.

1. Planteamiento del Problema

El Índice de Hoover (también conocido como índice de Robin Hood, Pietra o Schutz) es una medida ampliamente utilizada de desigualdad económica y social. Se define como la mitad de la desviación media absoluta relativa respecto a la media, interpretándose como la proporción de recursos totales que deben redistribuirse para alcanzar la igualdad perfecta.

A pesar de su interpretación intuitiva y su aplicabilidad en diversos campos (economía, demografía, estudios ambientales), existe un vacío significativo en la literatura estadística respecto a las propiedades de muestras finitas de su estimador empírico. Mientras que el sesgo del coeficiente de Gini ha sido estudiado extensamente y existen correcciones bien establecidas, los resultados para el Índice de Hoover son escasos y se limitan principalmente a consideraciones asintóticas o investigaciones numéricas. El problema central abordado en este trabajo es la falta de una expresión exacta para el valor esperado del estimador de Hoover en muestras finitas, lo que impide cuantificar y corregir su sesgo bajo supuestos distribucionales específicos.

2. Metodología

Los autores emplean un enfoque analítico riguroso basado en técnicas de transformadas de Laplace y aplanamiento exponencial (también conocido como transformación de Esscher). La metodología se desarrolla en varias etapas:

Representación Integral General: Se deriva una expresión cerrada para el valor esperado del estimador de Hoover ( $\hat{H}$ ) para poblaciones no negativas generales. Esto se logra utilizando identidades integrales que relacionan la desviación absoluta con funciones de distribución acumulada (CDF).
Técnicas de Transformación: Se utiliza la propiedad de que la esperanza de una función de variables aleatorias puede expresarse mediante transformadas de Laplace. Específicamente, se introduce el concepto de variables aleatorias "exponencialmente aplanadas" (exponentially tilted), donde la densidad de probabilidad se modifica por un factor exponencial $e^{-xX}$ .
Aplicación a la Distribución Gamma: Dado que la distribución Gamma es fundamental para modelar ingresos y datos de conteo, los autores especializan la fórmula general para el caso $X \sim \text{Gamma}(\alpha, \lambda)$ . Se aprovecha la propiedad de que la suma de variables Gamma independientes sigue una distribución Gamma, y que el aplanamiento exponencial de una variable Gamma resulta en otra variable Gamma con parámetros modificados.
Estudio de Simulación (Monte Carlo): Para validar los resultados teóricos, se realiza un estudio de simulación con $R=2,000$ repeticiones. Se evalúan tamaños de muestra ( $n$ ) de 25 a 100 y diferentes parámetros de forma ( $\alpha$ ). Se compara el estimador original ( $\hat{H}$ ) con un estimador corregido por sesgo ( $\hat{H}_c$ ), obtenido mediante un enfoque de "plug-in" utilizando el estimador de máxima verosimilitud (MLE) del parámetro de forma.

3. Contribuciones Clave

El artículo aporta las siguientes contribuciones teóricas y prácticas:

Fórmula General del Valor Esperado: Se establece una representación unificada y simple para $E[\hat{H}]$ válida tanto para distribuciones continuas como discretas, expresada en términos de transformadas de Laplace y distribuciones aplanadas exponencialmente (Teorema 4.1).
Expresión Explícita del Sesgo para Gamma: Se deriva una fórmula cerrada para el sesgo del estimador de Hoover cuando la población sigue una distribución Gamma (Corolario 4.5). La expresión depende del parámetro de forma $\alpha$ $α$ y del tamaño de muestra $n$ $n$ , pero es invariante a la escala (parámetro de tasa $\lambda$ $λ$ ).
- El sesgo se expresa como:
  $\text{Sesgo}(\hat{H}, H) = \frac{1}{\alpha} \left[ \left(1 - \frac{1}{n}\right)^{\alpha} - \frac{1}{n} \int_0^\infty \frac{\Gamma(\alpha, \frac{w}{n-1})}{\Gamma(\alpha)} \frac{\Gamma((n-1)\alpha, w)}{\Gamma((n-1)\alpha)} dw \right] - \frac{\alpha^{\alpha-1} e^{-\alpha}}{\Gamma(\alpha)}$
Relación con el Coeficiente de Gini: Se demuestra que para $n=2$ , el estimador de Hoover es exactamente la mitad del estimador del coeficiente de Gini propuesto por Deltas (2003), vinculando así las propiedades de ambas medidas en muestras pequeñas.
Método de Corrección de Sesgo: Se propone y valida un procedimiento práctico para corregir el sesgo en muestras finitas utilizando la fórmula analítica derivada.

4. Resultados Principales

Los hallazgos teóricos y empíricos son los siguientes:

Sesgo Negativo: El estimador empírico de Hoover es sesgado negativamente en muestras finitas. Esto significa que tiende a subestimar la desigualdad real.
Dependencia de $n$ y $\alpha$ : La magnitud del sesgo es inversamente proporcional al tamaño de la muestra ( $n$ ) y depende fuertemente del parámetro de forma ( $\alpha$ ) de la distribución Gamma. A medida que $n$ aumenta, el sesgo disminuye, pero persiste en muestras moderadas.
Efectividad de la Corrección:
- Las simulaciones muestran que el estimador corregido por sesgo ( $\hat{H}_c$ ) elimina casi por completo la distorsión negativa, acercando el sesgo relativo a cero incluso para tamaños de muestra pequeños ( $n=25$ ).
- Eficiencia: La corrección del sesgo no conlleva un aumento significativo en la variabilidad. El Error Cuadrático Medio (RMSE) del estimador corregido es prácticamente idéntico al del estimador original, lo que indica que la corrección mejora la precisión sin sacrificar la eficiencia.
Límites Teóricos: Se establecen cotas para el valor esperado del estimador, demostrando que $0 \leq E[\hat{H}] \leq 1 - 1/n$ .

5. Significado e Implicaciones

Este trabajo tiene un impacto significativo en la estadística aplicada y la economía:

Corrección de Medidas de Desigualdad: Proporciona a los investigadores una herramienta teórica y práctica para obtener estimaciones no sesgadas del Índice de Hoover, crucial para la comparación precisa de desigualdades entre regiones o periodos temporales con tamaños de muestra limitados.
Marco Unificado: La metodología basada en transformadas de Laplace y aplanamiento exponencial ofrece un marco general que puede extenderse a otras distribuciones no negativas (como Poisson o Geométrica, cuyas expresiones de sesgo se derivan en el apéndice).
Futuras Direcciones: Los autores sugieren que la conexión entre el Índice de Hoover y distribuciones generalizadas de la normal (como las normales sesgadas o elípticas) podría ofrecer nuevas perspectivas sobre las propiedades de muestreo de las medidas de desigualdad, similar a lo que ya se ha logrado con el índice de Gini.

En conclusión, el artículo llena un vacío crítico en la literatura al proporcionar la primera análisis exacto de muestras finitas para el estimador de Hoover, demostrando que el sesgo es un problema real en aplicaciones empíricas y ofreciendo una solución robusta y eficiente para mitigarlo.