Overdispersed and Markovian Children

El artículo demuestra que, aunque la distribución de género en las familias parece seguir un modelo binomial simple, un análisis detallado revela desviaciones como desequilibrios en las probabilidades, variabilidad entre familias, dependencias secuenciales y un exceso de familias con hijos de un solo género, al tiempo que examina cómo el tamaño de la muestra afecta a los valores p y al poder estadístico.

Lo esencial

El Secreto de las Monedas de la Suerte: ¿Por qué las familias no son tan aleatorias como parecen?

Imagina que el nacimiento de un niño o una niña es como lanzar una moneda al aire. Si la moneda fuera perfecta, tendríamos exactamente la misma cantidad de niños y niñas en el mundo, y en cada familia, la secuencia sería como un juego de azar puro: cara o cruz, sin importar lo que salió antes.

El estadístico Nils Lid Hjort toma esta idea simple y la pone a prueba con una montaña de datos reales (más de 38,000 familias de la Alemania del siglo XIX). Lo que descubre es que la vida no es tan simple como una moneda perfecta. Aquí te explico sus hallazgos con analogías sencillas:

1. La moneda está un poco "trampa" (No es 50-50)

Si lanzaras una moneda perfecta millones de veces, obtendrías 50% caras y 50% cruces. Hjort nos dice que la "moneda de la naturaleza" para tener hijos es ligeramente desequilibrada.

• La realidad: No sale 50% niñas y 50% niños. Sale aproximadamente 48.5% niñas y 51.5% niños.
• El reto: Para notar esta pequeña diferencia, necesitas mirar a muchísimas personas. Es como intentar ver si una moneda está cargada lanzándola 10 veces; no notarás nada. Pero si la lanzas 15,000 veces, la pequeña trampa se vuelve obvia. Hjort nos enseña que con datos pequeños, podríamos pensar que todo es igual, pero con datos gigantes, la verdad matemática emerge.

2. El problema de las "Familias Extremas" (La sobre-dispersión)

Aquí viene la parte más interesante. Si el nacimiento fuera un juego de azar puro (como lanzar una moneda), las familias deberían distribuirse de manera muy predecible.

• Lo que esperaríamos: La mayoría de las familias tendrían una mezcla equilibrada (niños y niñas). Las familias con todos los hijos del mismo sexo (8 niños o 8 niñas) serían muy raras, como ganar la lotería.
• Lo que pasa en la realidad: Hay más familias con todos niños o con todas niñas de las que la teoría predecía.
• La analogía: Imagina que tienes 100 cajas de galletas. Si las fabricaran todas con la misma receta perfecta, cada caja tendría casi el mismo número de chispas de chocolate. Pero si descubres que algunas cajas tienen muchísimas chispas y otras casi ninguna, significa que no hay una sola receta.
• La explicación: Hjort sugiere que cada familia tiene su propia "receta" o "moneda interna". Para algunas familias, la probabilidad de tener una niña es un poco más alta; para otras, un poco más baja. Cuando mezclamos todas estas "monedas diferentes" en un solo grupo, el resultado final parece más caótico y tiene más extremos (familias solo de niños o solo de niñas) de lo que creíamos.

3. El efecto "Cadena" (Niños Markovianos)

Hjort también se preguntó: ¿Importa el género del hijo anterior? ¿Si tienes un niño, es más probable que el siguiente sea niña para "equilibrar"?

• La hipótesis: Imagina que la naturaleza intenta mantener el equilibrio. Si tienes un niño, quizás la siguiente "moneda" esté ligeramente inclinada a favor de una niña.
• El hallazgo: Analizando los datos, encontró que sí hay una pequeña conexión. Si tienes un niño, es ligeramente más probable que el siguiente también sea niño (y lo mismo para las niñas). Es como si la "moneda" tuviera un poco de memoria. No es una regla fuerte, pero con tantos datos, se puede detectar ese pequeño "eco" de la decisión anterior.

4. El tamaño importa (Por qué necesitamos millones de datos)

Este es el mensaje más importante para cualquiera que lea noticias o estudios: El tamaño de la muestra lo es todo.

• La analogía: Si miras a 10 familias, podrías pensar que tener 8 hijos del mismo sexo es imposible. Pero si miras a 40,000 familias, verás que ocurre con cierta frecuencia.
• La lección: Con pocos datos, las diferencias pequeñas parecen ruido o casualidad. Con datos masivos (como los de Hjort), esas pequeñas desviaciones se convierten en leyes estadísticas claras. Nos permite detectar "trampas" en la moneda que de otro modo pasarían desapercibidas.

Conclusión: Un mundo más complejo y fascinante

Hjort nos invita a dejar de ver el nacimiento de los hijos como un simple lanzamiento de moneda. En su lugar, es una cascada de eventos donde:

1. La moneda no es perfecta (hay un poco más de niños).
2. Cada familia tiene su propia moneda con ligeras variaciones.
3. El género del hijo anterior influye un poquito en el siguiente.

Es un recordatorio de que la naturaleza es sutil. A simple vista, todo parece aleatorio y equilibrado, pero si tienes los lentes adecuados (estadística avanzada y muchos datos), puedes ver los patrones ocultos que hacen que cada familia sea única.

En resumen: No somos el resultado de un juego de azar perfecto. Somos el resultado de un sistema complejo, con pequeñas variaciones familiares y una pizca de memoria en la naturaleza, todo revelado gracias a mirar a miles de familias a la vez.

Resumen técnico

A continuación presento un resumen técnico detallado del artículo "Overdispersed and Markovian Children" (Niños sobredispersos y markovianos) de Nils Lid Hjort, publicado en abril de 2026.

1. Problema de Investigación

El artículo aborda la desviación de la hipótesis nula clásica de que el sexo de los hijos en una familia sigue una distribución binomial simple con una probabilidad constante de tener una niña ($p = 0.50$) y eventos independientes.

El autor identifica cuatro fenómenos sutiles que contradicen el modelo binomial ideal:

1. Sesgo en la probabilidad base: La probabilidad real de tener una niña ($p$) no es exactamente 0.50, sino ligeramente inferior.
2. Variabilidad entre familias (Sobredispersión): La probabilidad $p$ no es constante para todas las familias, sino que varía según la familia, lo que genera una mayor varianza en los conteos de género que la predicha por la binomial.
3. Dependencia Markoviana: Existe una posible dependencia sutil donde el género del siguiente hijo depende ligeramente del género del hijo inmediatamente anterior.
4. Efecto del tamaño de la muestra: Cómo los tamaños de muestra masivos (como los datos históricos de Sachsen) permiten detectar desviaciones estadísticamente significativas que serían invisibles en muestras pequeñas, afectando tanto los valores-p como la potencia de detección.

2. Metodología

El estudio se basa en el análisis de datos históricos recopilados por el médico Arthur Geißler a finales del siglo XIX en el Reino de Sajonia (Alemania), específicamente sobre familias con un número fijo de hijos ($m$).

• Datos: Se analizan $n = 38,495$ familias con $m=8$ hijos, y se extiende el análisis a familias con tamaños de $m = 1$ a $12$ hijos.
• Modelos Estadísticos Comparados:
  1. Binomial Fijo: Asume $p$ constante e independencia.
  2. Binomial-Beta (Beta-Binomial): Asume que $p$ sigue una distribución Beta($a, b$) entre las familias, modelando la sobredispersión.
  3. Modelo Markoviano: Asume que el género del hijo $i$ depende del género del hijo $i-1$ mediante una cadena de Markov con una matriz de transición parametrizada por un factor de ajuste $k$.
• Técnicas de Estimación y Prueba:
  • Estimación de Máxima Verosimilitud y Mínimos Cuadrados: Para ajustar los parámetros de los modelos.
  • Residuos de Pearson y Estadístico de Bondad de Ajuste ($\chi^2$): Para evaluar qué tan bien se ajustan los modelos a los datos observados.
  • Simulación de Verosimilitud Logarítmica: Dado que los datos de Geißler solo proporcionan el conteo total de niñas por familia y no el orden de nacimiento, el autor utiliza simulaciones para estimar la función de verosimilitud del modelo Markoviano (calculando la proporción de trayectorias simuladas que resultan en $y$ niñas).
  • Curvas de Confianza: Utilizando métodos de Schweder y Hjort para estimar intervalos de confianza para el parámetro de sobredispersión ($\sigma_0$).
  • Análisis de Potencia: Cálculo de la potencia estadística necesaria para detectar desviaciones pequeñas de $p=0.50$ y sobredispersión en función del tamaño de la muestra ($n$).

3. Contribuciones Clave

1. Cuantificación precisa del sesgo de género: Confirma que $p \approx 0.485$ (relación de nacimiento de niños a niñas $\approx 1.062$), desafiando la suposición de Fisher de un equilibrio perfecto de 0.50.
2. Demostración de la Sobredispersión: Proporciona evidencia estadística sólida de que la varianza en el número de niñas por familia es mayor que la esperada bajo un modelo binomial, indicando que la probabilidad de tener una niña varía entre familias.
3. Modelado de Dependencia Temporal: Propone y ajusta un modelo Markoviano a datos de conteo (sin orden conocido) mediante simulación, encontrando una correlación positiva débil (alrededor de 0.044) entre hijos del mismo género consecutivos.
4. Análisis del Impacto del Tamaño de Muestra: Ilustra cómo tamaños de muestra enormes ($n > 30,000$) hacen que diferencias microscópicas (como un $p=0.485$ vs $0.50$ o una sobredispersión mínima) sean estadísticamente significativas, mientras que serían indetectables en muestras pequeñas.
5. Refutación de Hipótesis Anteriores: Contradice afirmaciones de estudios previos (Edwards, 1958; Lindsey y Altham, 1998) que sugerían que la proporción de niños aumentaba con el tamaño de la familia, demostrando que tal tendencia no es estadísticamente significativa.

4. Resultados Principales

• Estimación de $p$: La probabilidad global de tener una niña se estima en $\hat{p} = 0.484$. Se requiere un tamaño de muestra de al menos $n \approx 14,433$ niños para detectar con una potencia del 95% que $p \neq 0.50$.
• Parámetro de Sobredispersión ($\sigma_0$): Se estima que la desviación estándar de la distribución de $p$ entre familias es $\hat{\sigma}_0 \approx 0.054$. Esto implica que el 95% de las familias tienen una probabilidad de tener una niña en el intervalo $[0.396, 0.573]$.
• Comparación de Modelos:
  • El modelo Binomial falla estrepitosamente (estadístico de bondad de ajuste $Z_1 = 159.41$), mostrando un exceso de familias con todos niños o todas niñas.
  • El modelo Beta-Binomial mejora drásticamente el ajuste ($Z_2 = 13.55$), capturando la sobredispersión.
  • El modelo Markoviano ofrece un ajuste comparable o ligeramente mejor ($Z_3 = 13.17$), con un parámetro de correlación $k \approx 0.956$ (correlación entre géneros consecutivos $\approx 0.044$).
• Efecto del Tamaño Familiar:
  • La probabilidad de tener una niña ($p$) parece disminuir ligeramente con el tamaño de la familia, pero la tendencia no es estadísticamente significativa.
  • Crucialmente, el nivel de sobredispersión ($\sigma_0$) aumenta significativamente con el tamaño de la familia. Las familias más grandes muestran una mayor variabilidad en la probabilidad de género que las familias pequeñas.
• Sobre-representación de familias extremas: El modelo Beta-Binomial predice correctamente la sobre-representación de familias con todos niños o todas niñas. Por ejemplo, para $m=8$, la relación de sobre-representación es de aproximadamente 1.32 para familias de solo niños y 1.38 para familias de solo niñas, comparado con la predicción binomial.

5. Significancia e Implicaciones

El artículo es una contribución fundamental a la estadística aplicada y la demografía por varias razones:

• Validación de Modelos Jerárquicos: Demuestra la necesidad de utilizar modelos jerárquicos (como el Beta-Binomial) o de dependencia (Markov) incluso cuando los efectos parecen triviales, especialmente cuando se dispone de grandes volúmenes de datos.
• Interpretación de la "Sobredispersión": Aclara que la variabilidad en los datos de natalidad no es solo ruido, sino que refleja heterogeneidad biológica o social real entre familias.
• Metodología para Datos Incompletos: Ofrece un enfoque innovador (simulación de verosimilitud) para ajustar modelos de dependencia Markoviana cuando solo se dispone de datos agregados (conteos) y no de secuencias individuales.
• Conciencia Estadística: Sirve como una advertencia pedagógica sobre cómo los tamaños de muestra masivos pueden convertir efectos biológicos muy pequeños en hallazgos estadísticamente "significativos", requiriendo una interpretación cuidadosa de la relevancia práctica frente a la significancia estadística.
• Legado Histórico: Reanaliza datos clásicos (Geißler, 1889) con herramientas modernas, confirmando la calidad de los datos históricos y refinando las conclusiones sobre la biología humana de la reproducción.

En resumen, Hjort demuestra que el "lanzado de moneda" de la naturaleza para determinar el sexo no es ni perfectamente equilibrado, ni completamente independiente, ni idéntico para todos los padres, revelando una complejidad estadística sutil que solo emerge bajo el escrutinio de grandes datos y modelos avanzados.