ENFOQUE MEDIA VARIANZA1

Sandro A. Huamani Antonio

El enfoque Media-Varianza nos dice que, bajo circunstancias especiales, una utilidad esperada
puede ser descrita en funcin a la media y la varianza de los pagos y/o loteras. Dicha reduccin es
adecuada slo en el caso en que la funcin de utilidad que resume las preferencias del individuo
respecto a los diferentes estados de la naturaleza sea cuadrtica o cuando los pagos tienen una
distribucin normal. En concreto, se asume que un individu preferir aquella distribucin que
presente mayor media y menor varianza. Por otro lado, el Enfoque Media-Varianza es un mtodo
alternativo de eleccin bajo incertidumbre que hace ms aplicable el enfoque de la Utilidad
Esperada.
I. El Modelo
Sea c es una variable aleatoria, U (c ) una funcin de utilidad y E (c ) = . S aplicamos la
aproximacin de Taylor a U (c ) tenemos:
U (c ) = U ( ) +

U ( )
U ( )
U ( )
(c ) +
(c ) 2 +
(c ) 3 + ...
1!
2!
3!

Dado que nuestro inters es analizar la utilidad esperada, Aplicamos la esperanza a toda la ecuacin
anterior, nos queda:
U ( )
U ( )
U ( )

U e = E (U (c )) = U ( ) +
E (c ) +
E ((c ) 2 ) +
E ((c ) 3 ) + ...
1!
2!
3!

Dado que E (c ) = .E (c) = 0 , entonces:

Versin Preliminar. Esta Nota de clase se elabora en el marco de la clase dictada de introduccin a la Teora
de la Incertidumbre en el Centro de Especializacin en Teora Econmica y Finanzas Lambda Group
S.A.C.

U ( )
U ( )
U ( )

U e = U ( ) +
E ((c ) 2 ) +
E ((c ) 3 ) +
E ((c ) 4 ) + ......(1)
2!
3!
4!

Ntese que la utilidad esperada depende de todo los momentos de la distribucin: media, varianza,
asimetra (sesgo), curtosis, etc. Donde: E ((c )3 ) es la asimetra y E ((c ) 4 ) es la curtosis.

Dado que nuestro resultado nos dice que la funcin de utilidad esperada depende de todos los
momentos, cabe preguntarse cundo se puede aplicar el enfoque con slo la media y la varianza?,
la respuesta a esa pregunta son las siguientes:

I.1. Funcin de utilidad cuadrtica:

U (c ) = K 0 + K 1 c +

K2 2
c ...(2)
2

Para garantizar que la funcin sea cncava (aversin al riesgo) y que se garantice que es preferible
para los individuos loteras con mayor medio y/o menor varianza, hacemos los siguientes supuestos:
K2 < 0
K1 + K 2 c > 0

Reemplazando la ecuacin (2) en la ecuacin (1), tenemos:

K
K

U e = K 0 + K1 + 2 2 + 2 2 + 0 + 0 + ...
2
2

Ordenando la ecuacin anterior, tenemos:

U e = K 0 + K1 +

K2 2
( + 2 )
2

Como resultado tenemos una utilidad esperada que slo depende de la media y la varianza, tal
como era deseable al principio. Ntese que a medida que la media aumenta la funcin de utilidad
esperada tambin aumenta, pero disminuye a medida que se incrementa la varianza.
I.2. Funcin de distribucin normal y U(c) =-e-ac

Por definicin sabemos:

c

U = U (c~ ) f (c~ ) dc~

e

Reemplazando las condiciones en la utilidad esperada:

( c~ u2 )
~ e 2
U e = e ac
c
2

~
dc

Reordenando algunos trminos de la ecuacin anterior, tenemos:

U =
e

c 2

ac~ 2 2

2
c~ 2 2 c~ + u

2 2

dc~

Sumando los exponentes de e, nos queda:

U =
e

1 ~ 2
c 2 c~ + 2 + 2 ac~ 2

2 2

] ~
dc

Suma y restando componente para completar la suma al cuadrado, tenemos:

U =

1 ~ 2 ~
c 2 c ( a 2 ) + 2 2 a 2 + a 2 4 + 2 a 2 a 2 4

2 2

] ~
dc

Agrupando trminos:

[( c~ ( a 2 ))2 +2 a 2 a 2 4 ] ~
1
2
U =
e 2
dc
c 2
1

Reordenando componentes en la ecuacin anterior, nos queda:

[( c~( a 2 ))2 ] 2 2 [2 a 2 a2 4 ] ~
1
2
U =
e 2
e
dc
c 2
1

Extrayendo e 2

[2 a

a 2 4

de la integral por ser una expresin que depende de c, nos queda:

1

U = e
e

2 2

[2 a

a 2 4

]c

[( c~ ( a 2 ))2 ] ~
1
2 2
e
dc
c 2
1

Reordenando algunas expresiones, tenemos:

U = e
e

a2
a 2 c
2

1
c

Donde:

e 2

[( c~ ( a
2

)) 2

1 ~
( c ( a 2 ))2

2 2

]
dc~

]
dc~ = 1 .

Porque es una distribucin normal con media a 2 y varianza 2 . Ahora la utilidad esperada
slo queda en funcin a la media y varianza, tal como era deseable al principio:

U e = e

a2
a 2
2

= U e ( , 2 )

Ntese, al igual que en caso anterior, que a medida que la media aumenta la funcin de utilidad
esperada tambin aumenta, pero disminuye a medida que se incrementa la varianza.

I. Extensiones

Algunas veces la media y la varianza no nos ayuda a elegir una lotera frente a otra, ante eso es
necesario calcular momentos mayores.

El tercer momento estadstico es conocido como Sesgo y viene dado por:

Si =

i (ci i )
i =1

En el caso de una distribucin normal, el sesgo es 0. Si el sesgo fuese positivo, indicar que los
pagos se acumulan hacia la cola izquierda de la distribucin, mientras que si el sesgo es negativo,
los pagos se acumularan hacia la cola derecha, tales como se muestran en las siguientes figuras:

Figura N 1

SESGO POSITIVO

SESGO NEGATIVO

El consumidor preferir un sesgo negativo, pues los pagos se acumulas en la parte positiva de la
recta. Finalmente, conviene sealar que para algunas decisiones, el cuarto momento estadstico llamado curtosis- puede ser tambin relevante. El coeficiente de curtosis viene dado por:

i =

i (ci i )
i =1

El coeficiente de curtosis mide cuan 'puntiaguda' es una distribucin respecto de una distribucin
normal cuyo coeficiente de curtosis es 0.

De este modo, un ndice de curtosis positivo indica una distribucin puntiaguda con poca
acumulacin de probabilidades en las colas (distribucin leptocrtica), mientras que un coeficiente
de curtosis negativo corresponde a una distribucin con poca a ac
acumulacin
umulacin de probabilidades
alrededor de la media (distribucin platicrtica). Desde el punto de vista de un individuo adverso al
riesgo, este preferir una distribucin leptocrtica.

Las siguientes figuras muestran grficamente los tres tipos de curvas ddee acuerdo a la definicin
anterior:
Figura N 7

LEPTOCRTICA

PLATICURTICRTICA

MESOCRTICA

Una curva Mesocrtica tiene un Coeficiente de Curtosis cercano a cero. Una Leptocrtica, un valor
notoriamente mayor que cero y una Platicrtica valores menores que cero.