📊 statistics

Unbiased estimation of normalized scale-invariant indices under the gamma distribution

Este artículo introduce una amplia clase de índices normalizados invariantes de escala (NPRIs) y deriva un estimador de tipo U-estadístico simple y no sesgado para ellos bajo distribuciones gamma, demostrando su efectividad mediante pruebas teóricas, estudios de simulación y una aplicación en el mundo real a los datos del PIB per cápita.

Autores originales: Roberto Vila, Helton Saulo, Felipe Quintino

Publicado 2026-06-23

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Roberto Vila, Helton Saulo, Felipe Quintino

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

Imagina que estás tratando de medir qué tan "irregular" es un montón de arena. Podrías mirar el peso total del montón, pero eso no te dice si la arena está repartida uniformemente o si está toda amontonada en una esquina. Para medir la irregularidad (o desigualdad) en sí misma, necesitas una herramienta que ignore el peso total y se concentre solo en la forma del montón.

Este artículo presenta una nueva herramienta, súper flexible, para medir esa forma, específicamente para datos que se comportan como una "distribución Gamma" (un patrón común en la naturaleza donde los valores pequeños son frecuentes, pero pueden ocurrir valores grandes, como el ingreso o la lluvia).

Aquí está el desglose de su trabajo utilizando analogías sencillas:

1. El problema: Demasiadas reglas

Durante años, los estadísticos han tenido muchas reglas diferentes para medir la desigualdad:

El Coeficiente de Gini (el más famoso).
La Entropía (midiendo la aleatoriedad).
Los Índices de variabilidad (midiendo cuánto saltan las cosas).

El problema es que cada uno estaba construyendo su propia regla desde cero. Si querías medir un nuevo tipo de desigualdad, tenías que inventar toda una nueva fórmula matemática y una nueva forma de calcularla. Era como tener un destornillador diferente para cada uno de los tornillos de la casa.

2. La solución: El "Adaptador Universal"

Los autores (Roberto Vila, Helio Saulo y Felipe Quintino) crearon un Adaptador Universal llamado NPRI (Índices de Razón de Pares Normalizados).

Piensa en este adaptador como una función mágica única que puede acoplarse a cualquiera de esas reglas antiguas. Ellos demostraron que casi todas estas famosas medidas de desigualdad son, en realidad, casos especiales de esta gran familia.

El truco de magia: Utilizan una regla matemática llamada "homogeneidad". En lenguaje sencillo, esto significa que si duplicas el tamaño de los ingresos de cada persona en una habitación, la puntuación de "irregularidad" permanece exactamente igual. Solo le importan las razones (quién tiene más que quién), no los montos de dinero reales.

3. El ingrediente secreto: El "Pastel Gamma"

El artículo se centra en datos que siguen una distribución Gamma. Puedes pensar en esta distribución como un tipo específico de "pastel" que a los estadísticos les encanta hornear porque es muy común en el mundo real (como los ingresos, las reclamaciones de seguros o la lluvia).

Los autores descubrieron una propiedad especial de este "pastel Gamma":

Si tomas una muestra de datos, la Suma Total (el pastel completo) y las Proporciones (cómo se cortó el pastel) son completamente independientes.
La analogía: Imagina que tienes una pizza. El tamaño total de la pizza no te dice cómo están cortadas las porciones. Podrías tener una pizza gigante con porciones iguales, o una pizza pequeña con una porción enorme y otra muy pequeña. Los autores se dieron cuenta de que, para los datos Gamma, puedes separar matemáticamente el "tamaño de la pizza" de la "forma de las porciones".

4. La nueva herramienta: El "U-Estadístico No Sesgado"

Debido a que pudieron separar el tamaño de la forma, construyeron una nueva calculadora (un estimador) que es No Sesgada.

¿Qué significa "No Sesgado"? Imagina que estás tratando de adivinar la altura promedio de los estudiantes en una escuela. Si tu método consistentemente adivina 5 pies cuando el promedio real es 5 pies 2 pulgadas, tu método es "sesgado". Si tu método da en el blanco en promedio cada vez, es "no sesgado".
Cómo funciona: Su calculadora toma una muestra de datos, observa todas las combinaciones posibles de grupos (como observar cada posible trío de personas) y las promedia. Demostraron matemáticamente que este método da la respuesta exacta para cualquiera de las reglas de desigualdad que construyeron, siempre que los datos sigan el patrón Gamma.

5. Probando la herramienta

Los autores no solo escribieron las matemáticas; pusieron a prueba su trabajo de dos maneras:

El Laboratorio de Simulación: Crearon miles de conjuntos de datos falsos en una computadora que parecían distribuciones Gamma. Ejecutaron su nueva calculadora contra estos datos falsos y descubrieron que era increíblemente precisa, con muy poco error, incluso cuando los tamaños de muestra eran pequeños.
La Prueba del Mundo Real: Aplicaron su herramienta a datos reales: el Producto Interno Bruto (PIB) per cápita de 34 países de las Américas.
- Primero, verificaron si los datos de ingresos realmente se parecían a un "pastel" Gamma. Lo hacían.
- Luego, usaron su calculadora para medir la desigualdad.
- El Resultado: Encontraron que la desigualdad económica en las Américas es de "moderada a alta". También demostraron que su nuevo método da números ligeramente diferentes, pero muy precisos, en comparación con los métodos antiguos, y funciona bien incluso cuando cambias el tipo específico de regla de desigualdad que usas (como cambiar de Gini a índices de Potencia).

Resumen

En resumen, los autores construyeron una máquina matemática universal que puede medir cualquier tipo de desigualdad (Gini, entropía, etc.) de una sola vez. Demostraron que si sus datos siguen un patrón Gamma (que es común en economía), esta máquina es perfectamente precisa y no comete errores sistemáticos. Probaron su método con datos falsos y con datos de ingresos del mundo real, y funcionó de maravilla.

Lo que NO hicieron:

No pretendieron que esto funcione para todos los tipos de datos del universo (solo para Gamma y una extensión específica a la Gamma Generalizada).
No propusieron nuevas políticas económicas basadas en estos números; solo proporcionaron una mejor manera de medir los números.
No aplicaron esto a datos médicos o clínicos; el único ejemplo del mundo real utilizado fue el ingreso económico.

Resumen Técnico: Estimación Insesgada de Índices Normalizados Invariantes de Escala bajo la Distribución Gamma

Planteamiento del Problema
Las medidas de desigualdad, variabilidad y concentración —como el coeficiente de Gini, las medidas basadas en la entropía y los funcionales de orden de estadísticos— son fundamentales en la economía, las finanzas y la ciencia actuarial. Aunque estos índices suelen estudiarse individualmente, comparten características estructurales comunes: son invariantes de escala y dependen de proporciones relativas en lugar de magnitudes absolutas. Faltaba un marco unificado capaz de abarcar esta amplia colección de medidas y que facilitara la derivación de sus propiedades estadísticas, particularmente de estimadores insesgados bajo supuestos distribucionales específicos, dentro del contexto de la distribución gamma, la cual es ampliamente aplicable en estos campos. Este artículo aborda la necesidad de una clase general de índices y una metodología de estimación unificada correspondiente, específicamente dentro del contexto de la distribución gamma.

Metodología
Los autores introducen una amplia clase de Índices de Proporción de Pares Normalizados (NPRIs, por sus siglas en inglés) generados por funciones homogéneas. Sea $X$ una variable aleatoria no negativa con media finita $\mu$ . Un NPRI se define como:
$I(g) = \frac{E[g(X_1, \dots, X_m)]}{mC\mu}$
donde $g: (0, \infty)^m \to [0, \infty)$ es una función medible que satisface:

Homogeneidad de grado uno: $g(\lambda x_1, \dots, \lambda x_m) = \lambda g(x_1, \dots, x_m)$ para todo $\lambda > 0$ .
Acotación: $g(x_1, \dots, x_m) \leq C \sum_{i=1}^m x_i$ para alguna constante finita $C$ .

Esta definición asegura que $I(g)$ sea invariante de escala y esté normalizado al intervalo $[0, 1]$ . El marco abarca el coeficiente de Gini clásico, los índices de Gini generalizados, las medidas de entropía y diversas medidas basadas en estadísticos de orden.

La contribución metodológica central es la derivación de un estimador insesgado para cualquier NPRI cuando la población subyacente sigue una distribución Gamma ( $X \sim \text{Gamma}(\alpha, \lambda)$ ). La derivación aprovecha una propiedad clave de las muestras gamma: la independencia entre la suma total $S = \sum X_i$ y el vector de proporciones de Dirichlet asociado $(X_1/S, \dots, X_n/S)$ .

Basándose en esta independencia y en la homogeneidad de $g$ , los autores proponen un estimador $\hat{I}_{g,m}$ basado en un U-estadístico de orden $m$ :
$\hat{I}_{g,m} = \frac{1}{\binom{n}{m} C m \bar{X}} \sum_{1 \leq i_1 < \dots < i_m \leq n} g(X_{i_1}, \dots, X_{i_m})$
donde $\bar{X}$ es la media muestral. Se establecen las propiedades teóricas, incluyendo la consistencia fuerte y la normalidad asintótica, utilizando la teoría clásica de los U-estadísticos, la ley de los grandes números y el método delta.

Contribuciones Clave

Marco Unificado: El artículo formaliza una clase general de NPRIs que subsume numerosos índices de desigualdad y variabilidad bien conocidos bajo una única formulación matemática.
Expresiones Explícitas: Para la distribución gamma, los autores derivan expresiones analíticas explícitas para los valores reales de varios NPRIs (por ejemplo, Gini, Potencia, Asimétricos, Entropía de Shannon) en términos del parámetro de forma $\alpha$ .
Estimación Insesgada: La principal contribución teórica es la prueba de que el estimador propuesto basado en U-estadísticos es insesgado para cualquier NPRI cuando la población sigue una distribución gamma. Esto proporciona un único procedimiento de estimación aplicable a toda la clase de índices.
Generalizabilidad: Aunque la insesgadez teórica se demuestra para la distribución gamma, el artículo investiga el desempeño del estimador bajo la distribución Gamma Generalizada (GG) mediante simulación, sugiriendo robustez más allá del estricto supuesto gamma.

Resultados

Estudio de Simulación: Se realizaron simulaciones de Monte Carlo ( $M=5,000$ $M = 5, 000$ replicaciones) para diversos índices (Gini, Potencia, Asimétricos, CV de segundo orden, etc.) bajo poblaciones Gamma con diferentes parámetros de forma ( $\alpha \in \{1, 3, 5\}$ $α \in {1, 3, 5}$ ) y tamaños de muestra ( $n \in \{10, 20, 50\}$ $n \in {10, 20, 50}$ ).
- Los resultados demuestran que el estimador es efectivamente insesgado, y que el sesgo y el Error Cuadrático Medio (RMSE) disminuyen a medida que aumenta el tamaño de la muestra.
- Los análisis de sensibilidad respecto al orden $m$ del índice muestran un desempeño estable a través de diferentes configuraciones.
- En el entorno de la Gamma Generalizada, el estimador converge y mantiene un sesgo bajo, lo que indica una potencial aplicabilidad más allá del modelo gamma estricto.
Aplicación a Datos Reales: La metodología se aplicó a un conjunto de datos del Producto Interno Bruto (PIB) per cápita de 34 países y territorios de las Américas (2023).
- Las pruebas de bondad de ajuste (Kolmogorov–Smirnov, Cramér–von Mises, Anderson–Darling) confirmaron que la distribución Gamma es un modelo adecuado para los datos.
- Los autores calcularon estimaciones para varios NPRIs (Gini, Potencia, Máximo, Mínimo, etc.) utilizando el estimador propuesto.
- Las comparaciones entre las estimaciones no paramétricas y las estimaciones paramétricas (derivadas de las fórmulas explícitas en la Tabla 2) mostraron consistencia, siendo los intervalos de confianza paramétricos generalmente más estrechos.

Significancia y Pretensiones
El artículo pretende proporcionar un marco de estimación unificado para una amplia familia de índices normalizados invariantes de escala. Al aprovechar las propiedades de descomposición específicas de la distribución gamma, los autores logran un estimador simple, analíticamente tratable e insesgado que se aplica simultáneamente a diversas medidas de desigualdad y variabilidad.

La significancia radica en:

Unificación Teórica: Pasar de derivaciones ad hoc para índices específicos a una teoría general basada en funciones homogéneas.
Utilidad Práctica: Ofrecer un método fiable para estimar estos índices en contextos económicos y de fiabilidad donde prevalecen las distribuciones gamma.
Validación Empírica: Demostrar, mediante simulación y datos reales de PIB, que el estimador funciona bien, proporcionando una herramienta para analizar la desigualdad económica en las Américas con distintas interpretaciones ofrecidas por diferentes elecciones de índices dentro del mismo marco.

Los autores concluyen que, si bien el presente trabajo se centra en la distribución gamma, investigaciones futuras podrían extender estas propiedades asintóticas y técnicas de estimación de la varianza a otras familias distribucionales.