- La curva de Lorenz representa la distribución acumulada de ingresos frente a población; el índice de Gini resume su separación respecto a la igualdad.
- Gini se obtiene como proporción de áreas: Gini = A/(A+B) y, en el cuadrado unidad, Gini = 2A = 1 − 2·∫ L(p) dp.
- Con datos discretos, la fórmula de Brown permite estimar Gini: 1 − Σ (ΔX)(Y_{k+1}+Y_k).
- Valores cercanos a 0 indican mayor equidad; cercanos a 1, mayor desigualdad; comparar curvas que se cruzan exige calcular Gini.
Cuando hablamos de medir cómo se reparte el dinero en una sociedad, dos nombres salen siempre a la palestra: la curva de Lorenz y el índice (o coeficiente) de Gini. Uno es un dibujo, el otro es un número, y juntos forman un tándem perfecto para describir y cuantificar la desigualdad en la distribución de la renta o de los ingresos.
Antes de unir las piezas conviene tener claro qué significa cada concepto. En pocas palabras: la curva de Lorenz representa gráficamente la concentración de ingresos, mientras que el índice de Gini resume esa separación respecto a la igualdad en una sola cifra entre 0 y 1. Entender ambos es clave para interpretar comparativas entre países, evaluar políticas públicas o analizar series históricas de desigualdad.
Qué es la curva de Lorenz
La curva de Lorenz es una función que asocia el porcentaje acumulado de población (eje horizontal, de 0 a 1) con el porcentaje acumulado de ingresos que esa población recibe (eje vertical, también de 0 a 1). Por construcción, la curva pasa por el origen (0,0) y por el punto (1,1): el 0% de la población recibe el 0% de la renta y el 100% de la población concentra el 100% de la renta.
En el plano unidad (un cuadrado de 1 por 1) se dibuja también la llamada línea de igualdad perfecta, que es la recta identidad y representa la hipotética situación en la que el x% de la población acumula exactamente el x% de la renta. La curva de Lorenz real se sitúa por debajo de esa recta (salvo en el caso de igualdad perfecta), y es monótonamente creciente desde (0,0) hasta (1,1).
Esta representación es especialmente útil porque permite comparar, de un vistazo, qué tan concentrada está la renta: cuanto más se abombe la curva hacia abajo respecto a la diagonal, mayor es la desigualdad. Aun así, hay que tener cuidado con las comparaciones visuales cuando dos curvas se cruzan.
Qué es el índice de Gini
El índice de Gini traduce a un número único la separación entre la curva de Lorenz y la línea de igualdad perfecta. Por definición, Gini varía entre 0 y 1: Gini = 0 indica igualdad perfecta (toda la curva coincide con la diagonal), mientras que valores cercanos a 1 reflejan una concentración extrema (por ejemplo, si una sola persona recibe prácticamente todos los ingresos).
Geométricamente, el coeficiente se construye a partir de dos áreas en el diagrama: A es el área comprendida entre la línea de igualdad perfecta y la curva de Lorenz; B es el área bajo la curva de Lorenz. Con esas definiciones, la relación base es Gini = A / (A + B). En el cuadrado unidad, el área total bajo la línea de igualdad es 1/2 (un triángulo de base 1 y altura 1), así que A + B = 1/2 y se obtiene la forma más práctica: Gini = 2A.
Dicho de otro modo, cuanto mayor sea el área A (separación respecto a la diagonal), mayor es el índice y, por tanto, mayor la desigualdad. Si queremos expresar el resultado en porcentaje, basta con multiplicar por 100 (por ejemplo, 0,32 equivale a 32%).
Relación matemática entre la curva de Lorenz y el Gini
Si la curva de Lorenz se conoce como una función L(p), donde p representa el porcentaje acumulado de población, el área A se puede calcular como la integral del “gap” respecto a la línea de igualdad: A = ∫ de 0 a 1 dp. Puesto que el área bajo la diagonal es 1/2, el coeficiente de Gini puede escribirse de forma equivalente como Gini = 1 − 2 ∫ de 0 a 1 L(p) dp. Este enfoque es muy útil cuando la curva tiene una expresión analítica.
Cuando, como suele suceder en la práctica, sólo disponemos de datos agrupados en tramos (quintiles, deciles, percentiles), también podemos aproximar el valor del Gini de forma consistente. El concepto es el mismo: medir el área entre la diagonal y la curva, pero aproximando integrales por sumas.
Cálculo con datos discretos: la fórmula de Brown
Para datos tabulados en tramos ordenados por ingreso, se emplea con frecuencia la llamada fórmula de Brown, muy extendida en estadística aplicada por su practicidad. Si X_k es la proporción acumulada de población en el punto k y Y_k la proporción acumulada de ingresos correspondiente, el coeficiente se calcula como:
Gini = | 1 − Σ (X_{k+1} − X_k) · (Y_{k+1} + Y_k) | para k = 1, 2, …, n−1. En la práctica, al estar X y Y en orden creciente desde 0 hasta 1, el valor absoluto no cambia el signo, pero conviene mantenerlo por formalidad. Esta sumatoria equivale a calcular el área bajo la curva mediante trapecios y restarla de 1, respetando la normalización del cuadrado unidad.
Esta aproximación es especialmente útil cuando no se conoce la forma exacta de la curva de Lorenz. Con deciles (n = 10) o quintiles (n = 5), se obtiene una estimación fiable del índice de Gini a partir de las frecuencias acumuladas de población e ingresos.
Interpretación de los valores del Gini
El sentido económico del índice de Gini es directo: valores cercanos a cero implican que la curva de Lorenz está muy próxima a la diagonal, por lo que la distribución de la renta es bastante igualitaria; valores altos (cercanos a uno) significan que una proporción relativamente pequeña de la población acumula una fracción importante de los ingresos.
En análisis comparados, se suele observar que en economías con sistemas de redistribución más robustos y mercados laborales más inclusivos, el Gini de renta disponible tiende a ser más bajo que en economías con menor intervención o con fuerte segmentación. Dicho esto, el índice de Gini es sensible a la definición de renta (bruta vs. disponible), al tamaño y la calidad de la muestra y a decisiones metodológicas (por ejemplo, equivalencias por tamaño del hogar).
Ejemplos de curvas de Lorenz y su Gini
Ejemplo 1: curva analítica simple
Supongamos que la curva de Lorenz viene dada por L(p) = p^2, una forma clásica para ilustrar concentración moderada. El área bajo la curva es ∫ de 0 a 1 p^2 dp = 1/3. Aplicando la relación general, Gini = 1 − 2·(1/3) = 1/3 ≈ 0,333. Es una desigualdad apreciable pero no extrema: la curva se separa de la diagonal, aunque no mucho.
Si elevamos la potencia y consideramos L(p) = p^3, el área bajo la curva es 1/4, y entonces Gini = 1 − 2·(1/4) = 0,5. La desigualdad aumenta de forma visible: la curva se abomba más y el área A crece.
Ejemplo 2: cálculo con datos por deciles
Imaginemos que contamos con una tabla de deciles con las proporciones acumuladas de población (X) y de ingresos (Y). Tomamos X = {0, 0,1, 0,2, …, 1} y su correspondiente Y acumulado (por ejemplo, {0, 0,03, 0,08, 0,15, 0,25, 0,38, 0,54, 0,70, 0,85, 0,95, 1}). Con estos puntos, podemos aplicar directamente la fórmula de Brown sumando, para cada tramo, (X_{k+1} − X_k)(Y_{k+1} + Y_k). El resultado de la suma se resta de 1, y obtenemos el Gini. Con un perfil como el propuesto, el índice quedará típicamente entre 0,3 y 0,4, coherente con una desigualdad moderada.
Ejemplo 3: interpretación cualitativa
Aunque no tengamos números en la mano, si la curva de Lorenz de un país está muy próxima a la diagonal, sabremos que su Gini es bajo; si, en cambio, se acerca mucho al eje horizontal durante buena parte del recorrido y «sube» hacia el final, el área A será grande y el Gini, alto. Visualizar las áreas ayuda a anticipar el valor del índice antes de calcularlo con exactitud.
Propiedades y precauciones al comparar
Hay un par de recomendaciones importantes al trabajar con estas herramientas. Primero, si dos curvas de Lorenz se cruzan, no es fiable extraer conclusiones sólo con la vista: conviene calcular los Gini para cada una y compararlos. Segundo, si se revisan series temporales, hay que asegurar consistencia en la definición de ingresos, la unidad de análisis (hogares vs. individuos) y la equivalización.
Además, el índice de Gini comparte cierta sensibilidad con otras medidas de dispersión: sus propiedades guardan similitud con las del cuadrado del coeficiente de variación en algunos contextos, lo que explica por qué ambos se han usado históricamente para estudiar desigualdades de renta.
Conexión con modelos estadísticos de renta
Empíricamente, la distribución de ingresos en muchos países se aproxima razonablemente bien a una distribución Gamma con parámetro de forma n inferior a 5. Bajo esa hipótesis, el índice de Gini depende sólo de n y puede expresarse, en términos de la función Gamma, como Gini = Γ(n + 1/2) / . Este resultado sitúa el Gini teórico entre aproximadamente 0,25 y 0,50 para valores de n habituales, encajando con los rangos observados en múltiples economías.
Cuando el índice supera holgadamente el 0,50, la distribución observada es más desigual que la exponencial (un caso límite de la familia Gamma). En la práctica, este conocimiento sirve para contrastar si un perfil empírico de Lorenz es compatible con modelos paramétricos que faciliten la estimación y la comparabilidad.
Más allá del número: usos y contexto
El índice de Gini y la curva de Lorenz se utilizan para evaluar cómo se reparte el Producto Interno Bruto (o la renta total) entre los ciudadanos. Desde un punto de vista práctico, la distribución nunca es perfectamente equitativa por múltiples razones (estructura salarial, capital, fiscalidad, transferencias, ciclo económico), de modo que la curva real casi siempre se separa de la diagonal.
Instituciones nacionales e internacionales publican con frecuencia el Gini de renta de los países, a veces distinguiendo entre renta de mercado (antes de impuestos y transferencias) y renta disponible (después de políticas redistributivas). Esta diferenciación es importante: típicamente, el Gini cae de forma significativa al pasar de una definición a la otra por efecto de impuestos y prestaciones.
Para trabajo aplicado, es común recurrir a hojas de cálculo o a paquetes estadísticos que automatizan el cálculo tanto de la curva de Lorenz como del índice de Gini a partir de microdatos o datos agrupados. Cuando no se dispone de la función exacta, las integrales se sustituyen por sumatorias, como hace la fórmula de Brown, manteniendo un buen grado de precisión.
Matices técnicos sobre las áreas A y B
Conviene insistir en una precisión geométrica clave porque a veces genera confusión. Si A es el área entre la diagonal y la curva de Lorenz, y B es el área bajo la curva, entonces A + B no es el área del cuadrado unidad (que vale 1), sino el área bajo la línea de igualdad perfecta, que es 1/2. Por ello, la identidad correcta es Gini = A / (A + B) y, como A + B = 1/2, se deduce Gini = 2A. Esta relación es la que fundamenta la fórmula integral Gini = 1 − 2∫ L(p) dp.
En la práctica, al dibujar los ejes normalizados entre 0 y 1, el área bajo la curva de Lorenz (B) representa la fracción acumulada de ingresos promedio a lo largo de toda la población, mientras que A capta el exceso de la línea de igualdad sobre esa acumulación. Esta lectura por áreas es la forma más intuitiva de comprender el índice de Gini.
Casos extremos y lectura económica
Si todos tuvieran exactamente la misma renta, la curva de Lorenz coincidiría con la diagonal: el área A sería nula y el Gini igual a 0. En el extremo opuesto, si una sola persona acumulara toda la renta, la curva permanecería sobre el eje horizontal hasta p = 1, y luego saltaría a 1; en el continuo, el área A tendería a 1/2 y el Gini a 1. Estos límites enmarcan cualquier situación realista.
Entre ambos extremos, una reducción sostenida del Gini suele interpretarse como un avance hacia una distribución más equitativa, mientras que un aumento persistente apunta a mayor concentración. Ahora bien, conviene interpretar siempre estos cambios a la luz de factores como el crecimiento del empleo, cambios fiscales, educación, demografía o choques externos que alteran la estructura de ingresos.
Relación con otras medidas de desigualdad
Aunque el índice de Gini es muy popular por su interpretación clara y su acotamiento entre 0 y 1, no es la única medida disponible. Existen otras métricas, como los índices de Theil, Atkinson o Dalton, que ponen más énfasis en tramos específicos de la distribución o incorporan elasticidades de aversión a la desigualdad. En conjunto, estas medidas complementan la lectura que aporta el Gini y, en ocasiones, pueden ser más sensibles a cambios en la parte baja o alta de la distribución.
Por ello, cuando dos curvas de Lorenz se cruzan, o cuando interesa captar aspectos concretos (por ejemplo, la pobreza relativa o la concentración en el top 1%), es recomendable combinar el Gini con indicadores adicionales y, si es posible, con la propia inspección de la curva de Lorenz para no perder matices.
Buenas prácticas para el cálculo y la comunicación
Para asegurar resultados comparables en el tiempo o entre países, conviene explicitar: la definición de ingreso usada (bruto, neto, disponible), el tratamiento de impuestos y transferencias, la equivalización por tamaño del hogar, la unidad estadística (individuo u hogar) y el método de estimación (integral, fórmula de Brown, interpolación). Documentar estos puntos evita malentendidos y mejora la calidad del análisis.
En la comunicación de resultados al público general, ayuda incluir la curva de Lorenz junto al valor de Gini: ver el gráfico facilita entender por qué dos países con Gini similares pueden tener perfiles de desigualdad distintos, especialmente si difiere la parte alta de la distribución o si existe una clase media más o menos amplia.
Entrelazar una representación visual (curva de Lorenz) con una medida sintética (índice de Gini) ofrece una visión rica y precisa de cómo se reparte la renta. Usadas con rigor, ambas herramientas permiten diagnosticar, seguir la pista a los cambios y apoyar decisiones en política económica, investigación académica o gestión pública.
