Entender el coeficiente de Gini: una medida de la desigualdad

La desigualdad de ingresos lleva años en el centro del debate económico y social. Las diferencias en la distribución de la renta afectan desde las políticas públicas hasta el bienestar individual. Pero, ¿te has preguntado cómo se mide empíricamente la desigualdad? Una forma es mediante el coeficiente de Gini.

El coeficiente de Gini es un indicador muy potente para cuantificar la desigualdad. Se utiliza ampliamente en disciplinas como economía, sociología y salud. Su uso principal es medir la desigualdad de ingresos, aunque también se ha adaptado para estimar la distribución de la riqueza e incluso el acceso a la atención sanitaria. Su gran fortaleza es que resume conjuntos de datos complejos en un único número. Ese valor único ofrece una referencia clara para comparar niveles de desigualdad. Si quieres repasar estadística antes de empezar, echa un vistazo a Statistical Inference in R.

¿Qué es el coeficiente de Gini?

El coeficiente de Gini es una medida estadística que se utiliza para evaluar la desigualdad en un conjunto de datos. Va de 0, que representa igualdad perfecta, a 1, que indica desigualdad total. Un Gini de 0 significa que todo el mundo tiene la misma parte; un Gini de 1 implica que una sola persona lo posee todo.

Arriba tienes un ejemplo simplificado de distintos coeficientes de Gini. En cada uno de los tres escenarios, hay 10 personas y 10.000 $. En el primero, el dinero se reparte de forma perfectamente equitativa, con un Gini cercano a 0. En el segundo, hay esencialmente dos clases y la clase alta conserva la gran mayoría del dinero, lo que se traduce en un Gini cercano a 0,5. En el tercero, una sola persona posee todo el dinero y el resto de la población no posee nada. Este caso extremo de desigualdad da un Gini cercano a 1.

La versatilidad del coeficiente de Gini lo hace aplicable a muchos contextos. A menudo, cuando se publica, se refiere a desigualdad de ingresos. Sin embargo, se ha adaptado para medir la distribución de la riqueza, la desigualdad en el consumo e incluso diferencias en el tamaño de la vivienda.

Origen histórico e importancia actual

El coeficiente de Gini fue presentado en 1912 por el estadístico italiano Corrado Gini en su obra seminal sobre la medición de la variabilidad. Puedes leer más en Corrado Gini (1884–1965): Versatile Originator of Measures of Variability.

Con los años, el coeficiente de Gini ha evolucionado y ampliado su uso a ámbitos como la ecología, las ciencias de la salud y la educación. Por ejemplo, se emplea para medir la desigualdad en biodiversidad, acceso sanitario y logro educativo. Aun así, su uso predominante sigue siendo económico, en especial para estudiar la desigualdad de ingresos. Es una herramienta clave para investigadores, responsables de políticas y analistas de todo el mundo.

Al proporcionar una medida cuantitativa de la desigualdad, el coeficiente de Gini ayuda a gobiernos y organizaciones a tomar decisiones informadas sobre la asignación de recursos, la fiscalidad y los programas de bienestar social. Su sencillez y claridad permiten comparar con facilidad regiones y periodos de tiempo.

El gráfico superior muestra los coeficientes de Gini conocidos a lo largo del tiempo para varios países grandes. Los datos para este gráfico provienen del Banco Mundial. Las lagunas del gráfico reflejan años en los que el Banco Mundial no disponía de datos económicos suficientes.

Cómo calcular el coeficiente de Gini

El coeficiente de Gini puede calcularse de varias formas, pero hay dos métodos principales. En ambos se compara la distribución real de un recurso, como el ingreso, con una distribución perfectamente igualitaria.

Fórmula basada en la curva de Lorenz

La ecuación continua del coeficiente de Gini puede expresarse así:

Donde:

• L(x) es la curva de Lorenz, que representa la proporción acumulada de la variable (por ejemplo, ingresos) en función de la proporción acumulada de la población.
• La integral calcula el área bajo la curva de Lorenz.

La curva de Lorenz representa la proporción acumulada de la variable frente a la proporción acumulada de la población. El coeficiente de Gini mide la distancia entre esta curva y la línea de igualdad perfecta (una diagonal de 45 grados).

Cómo usar la fórmula basada en la curva de Lorenz

Calcular el coeficiente de Gini con esta fórmula es bastante directo. Veámoslo paso a paso con un ejemplo.

Supongamos una población de cinco personas con ingresos de 10 $, 20 $, 30 $, 40 $ y 50 $.

Paso 1: organiza los datos

Empieza ordenando los ingresos de menor a mayor. Luego, calcula los porcentajes acumulados tanto de la población como de los valores.

Paso 2: calcula los acumulados

A continuación, necesitamos calcular las participaciones acumuladas de ingresos para la población. Estos valores servirán para trazar la curva de Lorenz en el siguiente paso.

Así quedan los datos ordenados de nuestra población en este punto.

Paso 3: traza la curva de Lorenz

Necesitamos representar la participación acumulada de ingresos frente a la participación acumulada de población. A esto se le llama curva de Lorenz. Añadiremos una línea de 45 grados para representar la igualdad perfecta.

El gráfico anterior muestra la curva de Lorenz para un conjunto de datos de ejemplo. La línea discontinua representa la línea de igualdad y el área sombreada entre la curva de Lorenz y esa línea corresponde al coeficiente de Gini. Fíjate en los ángulos marcados de la curva de Lorenz: se deben al tamaño reducido de la población en nuestro ejemplo. Con poblaciones más grandes, la curva será más suave.

Paso 4: calcula el área entre la curva de Lorenz y la línea de igualdad

Por último, usamos este gráfico para calcular el coeficiente de Gini. El coeficiente de Gini es proporcional al área comprendida entre la curva de Lorenz y la línea de igualdad. Normalmente, se calcula en varios pasos.

Primero, calculamos el área bajo la curva de Lorenz con métodos de integración numérica, como la regla del trapecio. Luego restamos ese valor del área bajo la línea de igualdad, que para datos normalizados es siempre 0,5. Finalmente, multiplicamos el resultado por 2 para obtener la medida completa de la desigualdad.

En nuestro ejemplo, el coeficiente de Gini es 0,27.

Método de brechas pareadas

Cuando se trabaja con poblaciones pequeñas o datos discretos, el método de brechas pareadas ofrece una alternativa más adecuada para calcular el coeficiente de Gini. Este enfoque evita la interpolación inherente al método basado en la curva de Lorenz y mide la desigualdad directamente comparando todas las diferencias por pares en los datos.

Esta es la fórmula, a veces llamada método de brechas de ingreso por pares:

Donde:

• n es el número de observaciones.
• xi y xj son valores individuales del conjunto de datos.
• x es la media del conjunto de datos.

Esta fórmula calcula la diferencia media relativa comparando todos los pares de valores del conjunto de datos.

Esta versión calcula directamente el coeficiente de Gini a partir de los datos sin necesidad de graficar. Examina todas las diferencias posibles por pares entre valores y las compara con el valor medio.

Cómo usar el método de brechas pareadas

Veámoslo de nuevo con nuestro ejemplo: cinco personas con ingresos de 10 $, 20 $, 30 $, 40 $ y 50 $.

Paso 1: organiza los datos

Parte del conjunto de ingresos ya ordenado.

Paso 2: calcula las diferencias por pares

Para cada par de valores xi y xj, calcula el valor absoluto de la diferencia entre ambos, |xi−xj|.

Paso 3: suma las diferencias

Suma todas las diferencias absolutas entre todos los pares de valores. En nuestro ejemplo, la suma de diferencias es 400.

Paso 4: normaliza el resultado

Por último, dividimos la suma de todas las diferencias por 2n2x, donde n es el número de datos y x es la media del conjunto. Este paso nos da el coeficiente de Gini final.

Número de datos (n) = 5

Media del conjunto (x)= 10 + 20 + 30 + 40 + 505= 30 

Normaliza la suma de diferencias por pares:

El coeficiente de Gini para el conjunto de ejemplo es aproximadamente 0,27.

Pon en práctica la medición de la desigualdad en emisiones de carbono o en analítica de baloncesto con estos proyectos.

Cómo interpretar los valores del coeficiente de Gini

El coeficiente de Gini casi siempre se refiere a la desigualdad de ingresos, salvo que se indique lo contrario. Su valor va de 0 a 1: 0 representa igualdad perfecta (todo el mundo tiene exactamente el mismo ingreso) y 1 desigualdad total, con una persona concentrando todos los ingresos mientras las demás no tienen ninguno. Los valores intermedios indican el grado de disparidad de ingresos en una población.

Nota: algunas fuentes multiplican este valor por 100 para ofrecer un rango entre 0 y 100.

Un Gini bajo indica una distribución de ingresos relativamente igualitaria, a menudo asociada a países con fuertes políticas redistributivas. En cambio, un Gini alto refleja grandes disparidades de ingresos, que pueden contribuir a problemas como tensiones sociales o menor movilidad económica.

No obstante, la interpretación depende del contexto. En países desarrollados, un Gini alto puede reflejar un aumento de la desigualdad por debilitamiento de las protecciones laborales, fiscalidad favorable a las rentas altas o brechas salariales en sectores de rápido crecimiento. Un Gini bajo puede señalar programas sólidos de bienestar, como sanidad universal, educación asequible o impuestos progresivos que reducen las diferencias.

En países en desarrollo, un Gini alto puede evidenciar desigualdades derivadas de la concentración de la propiedad de la tierra, el acceso limitado a la educación o mercados laborales informales y poco regulados. Por el contrario, un Gini bajo puede indicar avances mediante políticas más equitativas, como ampliar el acceso a la educación, combatir la pobreza o impulsar reformas agrarias.

Aplicaciones del coeficiente de Gini

Economistas, gobiernos y sociólogos, entre otros, utilizan el coeficiente de Gini. Entre sus aplicaciones se incluyen:

• Políticas públicas: Los gobiernos lo usan para diseñar impuestos progresivos y programas de bienestar que reduzcan la desigualdad.
• Comparaciones regionales: Facilita las comparaciones internacionales de desigualdad.
• Medición de la desigualdad de ingresos o consumo: Ayuda a evaluar la desigualdad tanto de ingresos como de consumo, destacando diferencias dentro y entre países.
• Estudio de factores sociales: Más allá de la economía, el coeficiente de Gini se usa para estudiar indirectamente factores sociales como educación, criminalidad o salud.

Tendencias geográficas del coeficiente de Gini

Los países escandinavos presentan famosos valores de Gini bajos (<0,30) gracias a sus sólidos programas sociales y políticas redistributivas. Estados Unidos, China y Rusia muestran valores moderados (entre 0,35 y 0,41) con diferencias notables entre ingresos y riqueza. Sudáfrica destaca por un Gini alto (~0,63), que evidencia una fuerte desigualdad de ingresos impulsada por factores históricos y estructurales. 

Puedes experimentar con datos económicos en DataLab de DataCamp. Solo tienes que subir los datos que te interesen y ponerte a explorar.

Arriba tienes un gráfico con las estimaciones más recientes del coeficiente de Gini según el Banco Mundial para algunos países de interés. Puedes experimentar tú mismo con los datos en el Banco Mundial.

Evolución en el tiempo

La globalización y los avances tecnológicos han moldeado las tendencias del Gini en todo el mundo. Las economías emergentes suelen experimentar un aumento de la desigualdad cuando la rápida industrialización concentra la riqueza en ciertos sectores. En cambio, los países desarrollados tienden a mostrar valores de Gini más bajos tras impuestos, reflejo del impacto de la fiscalidad redistributiva y sistemas de bienestar robustos.

El Banco Mundial sigue el coeficiente de Gini en todo el mundo. Su gráfico anterior muestra cómo ha variado la proporción de países con Gini bajos y altos en las dos últimas décadas. Definen alta desigualdad como tener un Gini superior a 40. Fuente de la figura: Inside the World Bank’s new inequality indicator: The number of countries with high inequality.

El papel de las políticas

Las políticas públicas son un factor determinante del coeficiente de Gini de un país. Los países con sistemas de bienestar sólidos —como sanidad universal, educación gratuita o subvencionada y prestaciones por desempleo— suelen mostrar Ginis más bajos. Estos programas redistribuyen recursos y reducen la brecha entre grupos de ingresos altos y bajos. Consulta este artículo de investigación: Welfare type and income inequality: an income source decomposition including in-kind benefits and cash-transfers entitlement.

La política fiscal también influye. Los sistemas tributarios progresivos, donde quienes más ganan pagan un mayor porcentaje de sus ingresos, son especialmente eficaces para reducir la desigualdad. Por el contrario, estructuras regresivas o una recaudación insuficiente pueden agravarla. Puedes leer cómo las políticas fiscales progresivas redujeron la desigualdad en EE. UU. en este documento del Departamento del Tesoro: Reducing Income Inequality through Progressive Tax Policy: The Effects of Recent Tax Changes on Inequality.

Las políticas que fomentan la igualdad de oportunidades —como protecciones laborales, salario mínimo o vivienda asequible— pueden rebajar el Gini con el tiempo. Sin estas medidas, las desigualdades estructurales suelen persistir, especialmente en regiones con gobernanza débil o programas sociales poco desarrollados. Echa un vistazo a este debate sobre si los sindicatos ayudan a reducir las disparidades.

Limitaciones y críticas

Aunque es muy utilizado, el coeficiente de Gini tiene varias limitaciones que conviene tener en cuenta al interpretarlo.

Una limitación clave es su sensibilidad a la calidad de los datos. Conjuntos inconsistentes o incompletos pueden llevar a conclusiones erróneas, sobre todo en regiones con economías informales o ingresos no registrados. Esto puede sesgar el valor de Gini y afectar a decisiones políticas basadas en esos datos. Para compensar algunas de estas discrepancias, organizaciones como el Banco Mundial usan el consumo como proxy de los ingresos cuando estos datos no son suficientes. Sin embargo, incluso esos ajustes tienen sus límites.

Además, el coeficiente de Gini tal y como suele presentarse se centra solo en la desigualdad de ingresos. No capta otras dimensiones clave como el acceso a educación, sanidad o movilidad social. Este enfoque estrecho puede simplificar en exceso el panorama de la desigualdad. Es cierto que el coeficiente de Gini puede usarse para otras formas de desigualdad, pero la mayoría de las veces no se hace.

Otro riesgo es que el coeficiente de Gini puede producir valores idénticos para distribuciones de ingresos distintas, enmascarando diferencias importantes. Dos sociedades con el mismo Gini pueden tener estructuras de ingresos muy diferentes.

import numpy as npdef gini_coefficient(income_distribution):    sorted_income = np.sort(income_distribution)    n = len(income_distribution)    cumulative_income = np.cumsum(sorted_income)    relative_cumulative_income = cumulative_income / cumulative_income[-1]    lorenz_curve_area = (np.sum(relative_cumulative_income) - 0.5) / n    gini_coefficient = 1 - 2 * lorenz_curve_area    return round(gini_coefficient, 2)# Population with a middle classincome_distribution1 = np.array([1, 1, 1, 50, 50, 50, 9000, 9000, 90000])# Population without a middle classincome_distribution2 = np.array([1, 1, 1, 1, 1, 1, 1, 1, 140])gini1 = gini_coefficient(income_distribution1)gini2 = gini_coefficient(income_distribution2)print("Gini coefficient for distribution 1:", gini1)print("Gini coefficient for distribution 2:", gini2)

Gini coefficient for distribution 1: 0.83Gini coefficient for distribution 2: 0.83

En el ejemplo anterior, dos poblaciones, una con clase media y otra sin ella, tienen el mismo coeficiente de Gini. Esto demuestra por qué los Gini deben interpretarse en contexto: no muestran la distribución subyacente.

Recuerda: el coeficiente de Gini es un único número que condensa mucha información de base. Ten cuidado al sacar conclusiones solo a partir de él.

Alternativas y medidas complementarias

El coeficiente de Gini no es la única medida disponible de desigualdad. Puedes consultar una lista de métricas usadas por el gobierno de EE. UU. en la web del censo de EE. UU..

Veamos otras métricas que aportan información adicional.

Índice de Theil

El índice de Theil es útil para descomponer la desigualdad en componentes intra e intergrupales. Permite un análisis más detallado al comparar regiones, sectores o grupos demográficos. Puede resaltar disparidades dentro de una población y mostrar cómo cambia la desigualdad al considerar distintos grupos. Es muy valioso para el análisis de políticas e identificar áreas donde hacen falta intervenciones específicas.

Índice de Atkinson

El índice de Atkinson se caracteriza por centrarse en la parte baja de la distribución de ingresos. A diferencia del Gini, da más peso a los cambios en los ingresos de los segmentos más pobres. Esto lo hace especialmente útil para localizar en qué tramo de la distribución se concentra la desigualdad. Se emplea para evaluar el impacto de políticas destinadas a reducir la pobreza o mejorar el bienestar de los grupos más desfavorecidos.

Curva de Lorenz

La curva de Lorenz se usa como parte del cálculo del coeficiente de Gini, pero también es útil por sí misma.

Desarrollada por Max Lorenz en 1905, la curva de Lorenz ofrece una representación visual de la distribución de ingresos. Muestra la participación acumulada de ingresos por percentiles de la población. Mientras que el Gini condensa la desigualdad en un único número, la curva de Lorenz proporciona una visión más granular de cómo se distribuyen los ingresos. Esta explicación sobre la curva de Lorenz y el coeficiente de Gini es muy interesante: Lorenz Curve: Definition and Uses.

Conclusión

Herramientas como el coeficiente de Gini son valiosas porque destilan de forma sencilla una distribución compleja. Esta claridad ayuda a orientar a responsables públicos y economistas en su objetivo de construir sociedades más equitativas.

Si quieres descubrir más herramientas estadísticas, explora nuestra amplia oferta de cursos de estadística. Si te interesa más cómo se mueve el dinero en el mundo, prueba la serie Python for Finance de DataCamp o el itinerario Applied Finance para explorar conceptos de riesgo crediticio, carteras y más. También ofrecemos capacitación para equipos completos si contactas con el equipo de DataCamp for Business.