ESTUDIO DE LAS PERDIDAS
ELECTRICAS NO TECNICAS
Beatriz García Peña
Profesional Especializado
Oficina de Planeación
Electrificadora de Cundinamarca S.A.
Magister en Ciencias, Estadística
Juan Ramos Vargas
Catedrático, Investigador y Asesor
Universidad Nacional de Colombia
Doctor en Estadística Aplicada
Resumen: Las perdidas eléctricas no
técnicas asociadas a la Electrificadora
de Cundinamarca se estudiaron
utilizando el modelo lineal general
para análisis de datos categóricos y
las superficies de respuesta. Este
enfoque no tiene antecedentes en el
país ya que considera la naturaleza
categórica del fraude, y en su
desarrollo es pionero en el uso del
paquete estadístico Gencat.
Esta perspectiva contribuye a asociar
dichas pérdidas a grupos cada vez
más pequeños y trabajo en la
optimización de curvas por tipo de
pérdida técnica con el objeto de
detectar en que categorías de
usuarios se requiere de un control
prioritario.
Introducción
Las perdidas en el sector eléctrico
crecieron significativamente durante
toda la década de los setenta y buena
parte de los ochenta. La declinación
que se observó a partir del año 88 fue
producto del esfuerzo que se ha
venido haciendo, aunque a un ritmo
muy por debajo del esperado. En
términos económicos, las pérdidas no
técnicas representaban alrededor de
US$ 150 millones, equivalentes a algo
más de 10% de las ventas en 1990 y
su recuperación representaría una
contribución significativa para la
superación financiera del sector
eléctrico.
Modelo Lineal General
Es un modelo de regresión enmarcado
dentro de los mínimos cuadrados
ponderados.
Su construcción es apropiada cuando:
• Las variables estudiadas son
nominales, ordinales o
continuas agrupadas es decir,
categóricas
• Las variables se diferencian en
variable factor y variables
dependientes
• Las observaciones objeto de
estudio son clasificadas en
tablas de contingencia
El objetivo de esta metodología es
hacer inferencia acerca de la
estructura subyacente de la tabla de
contingencia; específicamente por las
proporciones poblacionales por celda
desconocidas (πij)
En términos generales esta
metodología incluye dos pasos:
• La construcción de una función de
las proporciones observadas
 objeto de investigación la cual se
calcula por una serie de
operaciones matriciales junto con
transformaciones logarítmicas y
exponenciales. Esta función, F,
muestra algunos aspectos de la
relación entre la distribución de las
proporciones y las variables
independientes o factores.
• La estimación de los parámetros
de un modelo y la construcción de
pruebas estadísticas que
involucran esa función por medio
del cálculo de mínimos cuadrados
ponderados. La matriz de pesos
utilizada es la inversa de
covarianza de F. Con este
procedimientos de da mayor peso
a los elementos en F que tenga
varianzas más pequeñas.
Superficies de Respuesta
El objetivo de esta metodología es
encontrar las condiciones óptimas de
operación para una variable respuesta
en función de los factores que
intervienen en ella.
Esta metodología se lleva a cabo en
dos pasos:
• Construcción de la función
respuesta
• Optimización de la misma.
La superficie de respuesta es un
modelo de regresión estándar el cual
es lineal en los parámetros pero no
necesariamente lineal en las variables
factor. Los ajustes más conocidos de
superficies de respuesta son a
polinomios de primer y segundo grado
en los diferentes factores.
La superficie de respuesta es
estudiada utilizando la siguiente
ecuación de regresión:
F = Xβ + E (1)
Donde F es el vector de observaciones
de la variable respuesta, X es la matriz
de diseño la cual corresponde a la
representación codificada del espacio
de factores, β es el vector de los
coeficientes a estimar y E es el vector
de los errores el cual se distribuye
normal multi-variado con parámetros θ
y α2I: cuando el tamaño de la muestra
es suficientemente grande.
β es estimado mediante la siguiente
expresión:
β´ = (X´X)-1 X´F (2)
bajo el supuesto que los elementos del
vector respuesta, F, tiene la misma
varianza. En caso contrario, es
estimado por:
β´ = (X´VFX)-1 X´VFF (3)
La siguiente etapa de esta
metodología consiste en hallar los
niveles de los factores que hacen la
respuesta máxima. Con este fin en
tablas de contingencia que incluyen
variables continúas agrupadas o
ordinales se calculan e interpretan las
primeras y segundas derivadas
parciales.
En el caso de trabajar con variables
nominales hallamos el máximo
matemático al ordenar las
componentes del vector respuesta
estimado y posteriormente determinar
la correspondiente configuración del
espacio de factores asociado a tales
valores.
Resultados del modelamiento de las
Perdidas eléctricas no técnicas
Se crearon modelos para el cambio
fraudulento de uso del servicio
eléctrico para el aumento ilícito de la
carga instalada, para la alteración
(ruptura o cambio) de los sellos en el
equipo de medición y para la
alteración del equipo de medida.
Adicionalmente se estimaron
superficies de respuesta para estos
tipos de fraudes y se optimizaron.
Las causales de sanción estudiadas
fueron:
• Dar a la energía eléctrica un
uso distinto al declarado o
convenido con la entidad
(causal 16A)
• Aumentar sin autorización de la
Entidad la carga o capacidad
instalada por encima de la
contratada (causal 16D)
• Retirar, romper o adulterar uno
cualquiera de los sellos
instalados en los equipos de
medición, protección, control o
gabinete (causal 16F)
• Adulterar las conexiones o
aparatos de medición o de
control (causal 16E)
El nivel de significancia utilizado para
evaluar la bondad de ajuste de los
modelos fue α = 0.25 y para prueba
de hipótesis de los términos del
modelo α = 0,05
Este trabajo utilizo la prueba de
bondad de ajuste como una
estadística general para indicar,
primero, las variables que más
influyen en la respuesta y segundo
para eliminar fuentes no importantes
de variación.
Las tablas de contingencia utilizadas
para registrar los diferentes tipos de
perdidas no técnicas fueron re-
calculadas adicionando a todas las
celdas 0.5 para eliminar las
dificultades por celdas con frecuencia
cero; según el criterio de Goodman.
En primer lugar se analizo la causal
16A o sea, el cambio del uso por parte
del usuario del servicio contratado o
convenido con la Empresa.
Los casos sancionados por la causal
16A clasificados por distrito y carga
contratada se muestran en la siguiente
tabla de contingencia.
 Tabla1: Causal 16A por distrito y El problema inicialmente planteado
carga contratada fue analizar la probabilidad del cambio
fraudulento de residencial a comercial
Cambio de
Distrito Carga Residencial a dala la combinación de las variables
Contratada Comercial Industrial
CC>=5 4 3 independientes.
Fusagasugá CC<5 5 0
CC>=5 1 0 Se investigo el efecto del Distrito, de la
Girardot CC<5 4 1
CC>=5 2 2 carga contratada y medio en la
La Mesa CC<5 12 0
CC>=5 1 1
respuesta estudiada (cambio ilícito de
Villeta CC<5 8 1 uso residencial a comercial).
CC>=5 0 0
Cáqueza CC<5 7 1
CC>=5 1 1 Por lo tanto los parámetros a estimar
Choachí CC<5 1 0
fueron:
Fuente: Resoluciones Ejecutivas

El cambio de uso con los siguientes β0: Efecto medio

perfiles: residencial-comercial y β1: Efecto diferencial para el distrito de
residencial-industrial, constituye la Fusagasugá
variable dependiente; el distrito donde
se localiza el usuario fraudulento y la β2: Efecto diferencial para el distrito de
carga contratada (CC) agrupada en Girardot
las siguientes categorías CC>=5
β3: Efecto diferencial para el distrito de
Kilovatios y CC<5 Kilovatios
La Mesa
conforman las variables
independientes. β4: Efecto diferencial para el distrito de
Villeta
El distrito, la ubicación geográfica del
usuario fraudulento constituye una β5: Efecto diferencial para el distrito de
variable nominal. Cáqueza
La carga contratada en kilovatios es β6: Efecto diferencial para la CC>=5
una variable continua agrupada y
exhaustiva. Esta se agrupo así a El efecto medio es la probabilidad de
criterio del investigador porque 5 cambio fraudulento, residencial-
kilovatios es la carga media comercial sin considerar el distrito y la
contratada por el usuario típico en el carga instalada.
sector residencial y este es el punto
Se simularon los siguientes modelos
de partida de los cambios registrados.
lineales generales para estudiar la
Estas tres variables producen una frecuencia de cambio fraudulento
tabla de tres dimensiones con una residencial-comercial:
respuesta y dos factores.
• Modelo lineal de efectos
principales
• Modelo logarítmico de efectos
principales
• Modelo lineal de efectos
principales y de segundo orden
• Modelo logarítmico de efectos
principales y de segundo orden
Se concluyo:
1. El factor principal que explica el
cambio fraudulento de uso
residencial a comercial es la
carga contratada menor a 5
kilovatios
Asociado a usuarios que
cambian de uso y tiene una
carga contratada menor de 5
kilovatios existe una
probabilidad del 24% de que
cambien fraudulentamente de
residencial a comercial.
2. El cambio ilícito de uso,
residencial a comercial, no está
asociado a los distritos.
3. El distrito no tiene un efecto
cuadrático en la respuesta al
cambio.
4. 32% es la probabilidad
estimada de cambio
fraudulento residencial-
comercial sin considerar la
ubicación y la carga contratada
5. La función de respuesta
encontrada para el mejor
modelo de efectos principales
tiene la siguiente forma:
Y = b0 + b1X1i + e (4)
Estimando los b´s obtenemos:
Y = -0.065 – 0.063X1i + e (5)
Cuyo máximo y mínimo corresponden
a -0.002 y 0.129 respectivamente.
Asociado al máximo están los distritos
y la carga contratada menor a 5
kilovatios y al mínimo los distritos y la
carga contratada mayor o igual a 5
kilovatios.
Con el objeto de estudiar la razón
logarítmica de cambio residencial-
comercial y residencial-industrial,
elaboramos un modelo Logit el cual
fue no significativo al nivel establecido
y cuya interpretación es que la razón
de las frecuencias analizadas se
explica fundamentalmente por la
carga contratada. Es decir, la
diferencia entre el LN(residencial a
comercial) y LN(residencial a
industrial) está asociada a la carga
contratada menor de 5 kilovatios con
una probabilidad del 77.3%.
La función de respuesta encontrada
para el modelo Logit de efectos
principales no significativos tiene la
siguiente forma:
LN (R a C/R a I) = b0 + b1X1i + e (6)
Estimando los b´s obtenemos:
LN (R a C/R a I) = 1.042 – 0.817X1i +
e (7)
Cuyo máximo y mínimo corresponden
a 1.86 y 0.22 respectivamente.
Asociado al máximo están los
usuarios ubicados en los diferentes Tabla 2: Resumen de las principales
distritos y cuya carga contratada es estadísticas
menor a 5 kilovatios y al mínimo los
Modelo Hipótesis X2 GL
usuarios ubicados en los diferentes Propuesto Planeada
distritos y con carga contratada mayor
Efectos F=Xβ 1.140 5
a 5 kilovatios. Principales β1=0
LN(Residencial- Efecto
Comercial) Fusagasugá
Las conclusiones anteriores se β2=0
pueden constatar interpretando la Efecto
Girardot 1.946 5
tabla 2. β3=0
Efecto La
Mesa
β4=0
Efecto
Villeta
β5=0
Efecto
Cáqueza
β6=0
Efecto 4.470* 1
CC>=5
Modelo F=Xβ 3.090 10
Reducido β1=0
LN(Residencial- Efecto 6.220* 1
Comercial) CC>=5
Efectos F=Xβ
Principales β1=0
LN (Residencial Efecto
a Comercial/ Fusagasugá
Residencial a β2=0
Industrial) Efecto 5
Girardot
β3=0
Efecto La
Mesa
β4=0
Efecto
Villeta
β5=0
Efecto
Cáqueza
β6=0 1
Efecto
CC>=5
Modelo
Reducido F=Xβ 2.308 10
LN (Residencial β1=0 6.153* 1
a Comercial/ Efecto
Residencial a CC>=5
Industrial)
Fuente: Listado resultados arrojados
Gencat

Adicionalmente se estudio la
frecuencia de cambio residencial a
comercial en función del distrito y la Tabla 4: Causal 16D por distrito y
carga instalada encontrada en el modalidad de servicio
momento de la inspección
Distrito Modalidad Carga
de Servicio Fraudulenta
Tabla3: Causal 16A por distrito y CF<5 CF>=5
carga encontrada Villeta Comercial 50 9
Industrial 1 3
Cambio de Residencial Hotelero 1 6
Distrito Carga a Pacho Comercial 0 1
Contratada Comercial Industrial Industrial 1 3
CE>=5 3 3 Hotelero 0 0
Fusagasugá CE<5 5 0 La Mesa Comercial 7 6
CE>=5 0 1 Industrial 0 2
Girardot CE<5 1 0
Hotelero 0 0
CE>=5 6 1
La Mesa CE<5 2 0
Girardot Comercial 14 16
CE>=5 6 1 Industrial 1 3
Villeta CE<5 0 0 Hotelero 0 1
CE>=5 6 1 Fusagasugá Comercial 6 3
Cáqueza CE<5 5 0 Industrial 1 2
CE>=5 3 0 Hotelero 0 0
Choachí CE<5 4 1 Choachí Comercial 1 0
Fuente: Resoluciones Ejecutivas Industrial 0 2
Hotelero 0 0
Los múltiples modelos creados para Cáqueza Comercial 7 1
Industrial 1 0
estudiar la respuesta al cambio Hotelero 0 0
residencial-comercial en función del Fuente: Resoluciones ejecutivas
distrito y la carga encontrada en el
La carga fraudulenta obtenida por la
momento de la inspección se
diferencia entre la carga contratada y
rechazaron. Esto indica que no hay
la encontrada en el momento de la
asociación ente el cambio ilícito de
inspección constituye la variable
residencial a comercial y la carga
dependiente; el distrito donde se
instalada real.
localiza el usuario fraudulento y la
En segundo lugar se analizó la causal modalidad de uso – comercial
16D, aumentar la carga instalada por industrial y hotelero- conforman las
encima de la contratada. variables independientes.

Los casos sancionados por esta La carga fraudulenta, CF, en kilovatios

causal se clasificaron por distrito y es una variable continúa agrupada en
modalidad de servicio se muestran en las siguientes categorías CF<5 y
la siguiente tabla de contingencia. CF>=5, exhaustivas,

El distrito es una variable nominal

cuyas categorías corresponden a
Villeta, Pacho, La Mesa, Girardot,
Fusagasugá, Choachí y Cáqueza.
La variable modalidad de uso es una
variable categórica con tres valores
posibles; comercial, industrial y
hotelero. Se diferencio el servicio
industrial del hotelero porque
implícitamente la industria y la
hotelería son actividades económicas
diferentes y por lo tanto se espera
diferente comportamiento fraudulento.
Estas tres variables producen una
tabla de tres dimensiones con una
respuesta y dos factores.
El problema es analizar la probabilidad
de aumentar sin autorización en más
de 5 kilovatios la carga instalada bajo
la combinación de las categorías de
las variables independientes.
Se investigo el efecto del distrito,
modalidad de uso dado al servicio de
electricidad y medio en la respuesta
objeto de estudio, CF>= 5 kilovatios.
Por lo tanto los parámetros a estimar
fueron:
β0: Efecto medio
β1: Efecto diferencial para el distrito de
Villeta
β2: Efecto diferencial para el distrito de
Pacho
β3: Efecto diferencial para el distrito de
La Mesa
β4: Efecto diferencial para el distrito de
Girardot
β5: Efecto diferencial para el distrito de
Fusagasugá
β6: Efecto diferencial para el uso
comercial
β7: Efecto diferencial para el uso
industrial
El efecto medio es la probabilidad de
aumentar fraudulentamente la carga
instalada en más de 5 kilovatios sin
considerar el distrito y la modalidad de
servicio.
Constructivamente generamos los
siguientes modelos, para estudiar la
frecuencia de CF>=5:
• Modelo lineal de efectos
principales
• Modelo logarítmico de efectos
principales
• Modelo lineal de efectos
principales y de segundo orden
• Modelo logarítmico de efectos
principales y de segundo orden
Se concluyó
1. Los factores principales que
explican la frecuencia de carga
fraudulenta igual o superior a 5
kilovatios son el distrito y la
modalidad de servicio.
Asociado a los distritos de
Girardot, La Mesa, Pacho y
Choachí se tiene una probabilidad
del 15%, 11%, 9% y 3%
respectivamente de que un usuario
aumente ilícitamente en 5
kilovatios o más la carga instalada
y contratada.
Asociamos al sector industrial y
hotelero una probabilidad del 7% y
 del 20% de incurrir en el fraude de
aumentar la carga instalada en por
los menos 5 kilovatios.
2. El distrito y la modalidad de uso no
interactúan generando una
variación en la respuesta objeto de
estudio
3. Las variables independientes no
tienen un efecto cuadrático en la
respuesta.
4. Para la causal 16D construimos
una superficie de respuesta de
primer orden la cual se puede
expresar así:
CF>=5 =
bo+b1x1i+b2x2i+b3x3i+b4x4i+b5x5i+b6
x6i+b7x7i+b8x8i+e (8)
Estimando los b´s tenemos:
CF>=5 =
0.542+0.015x1i+0.108x2i+0.057x3i+
0.119x4i-0.050x5i-0.013x6i-
0.160x7i+0.121x8i+e (9)
Esta función tiene el máximo en
Girardot-Sector Industrial, 0782; y
el mínimo en Choachí –sector
comercial, 0.145.
Adicionalmente se realizó un análisis
Logit multi-variado, en el cual líneas
Logit fueron ajustadas en pares para
la causal 16A –causal 16D y para la
causal 16E y causal 16F.
El objetivo fue calcular dos líneas una
para cada una de las causales
analizadas simultáneamente que
relaciones la función Logit de tales
causales por distrito.
El modelo utilizado fue:
Lij = αj + βjXj (10)
Para j= 1,2
i= 1,….r, donde r representa el
número asignado al último distrito de
la tabla objeto de estudio.
Lij es la j-ésima logit para el i-ésimo
distrito, α1 y β1 son el intercepto y
pendiente para la línea de la causal
16A (16F) y α2 y β2 son el intercepto y
pendiente para la línea de la causal
16D (16E).
Cuando se analiza la causal 16A y
causal 16D los parámetros a estimar
fueron:
α1: intercepto causal 16A
α2: intercepto causal 16D
β1: pendiente causal 16A
β2: pendiente causal 16D
La estimación de los parámetros y sus
errores estándar son:
α1 =-0.392 +-0.458
α2= 0.402 +-0.428
β1= -0.043+-0.079
β2= -0.095+-0.070
Para la prueba de igualdad de rata de
crecimiento de la causal 16A y 16D en
un distrito dado obtuvimos la siguiente
X2 = 0.311 con un grado de libertad.
Estadísticamente esto significa que
las ratas de crecimiento para la causal
16A y 16D con respecto al distrito son
iguales.
Cuando se analiza la causal 16F y Tabla 6: Causal 16F y 16E por Distrito
causal 16E los parámetros a estimar
Causal 16F
fueron: Distrito SI NO
Causal 16E Causal 16E
α1: intercepto causal 16F SI NO SI NO
Pacho 0 0 1 10
Choachí 1 0 2 8
α2: intercepto causal 16E Cáqueza 0 1 1 12
La Mesa 0 0 9 36
β1: pendiente causal 16F Fusagasugá 0 0 7 55
Facatativá 0 0 1 11
β2: pendiente causal 16E Girardot 3 6 22 14
Fuente: Resoluciones Ejecutivas

La estimación de los parámetros y sus

Conclusión
errores estándar son:
El programa de detección de pérdidas
α1 =-0.158 +-0.665
no técnicas en la Electrificadora de
α2= -2.480 +-0.488 Cundinamarca debe priorizar la
inspección del sector industrial de
β1= 0.247+-0.117 Girardot y la inspección del sector
hotelero e industrial de los distritos de
β2= 0.334+-0.092
la Mesa, Pacho y Choachí. Este plan
Para la prueba de igualdad de rata de optimizara la detección de usuarios
crecimiento de la causal 16F y 16E en que aumenta de forma fraudulenta la
un distrito dado obtuvimos la siguiente carga contratada.
X2 = 0.376 con un grado de libertad.
Recomendaciones
Estadísticamente esto significa que
las ratas de crecimiento para la causal 1. Recomendamos asumir una
16F y 16E con respecto al distrito son estrategia estadística no solo
iguales. en la etapa de evaluación de la
información sobre perdidas no
Tabla 5: Causal 16A y 16D por Distrito
técnicas sino en la
Causal 16A determinación de los usuarios a
Distrito SI NO
Causal 16D Causal 16D
revisar y en el tipo de
SI NO SI NO información a recolectar.
Pacho 1 0 6 4
2. Una vez determinados los
Choachí 2 4 1 4
Gachetá 0 0 0 26 costos y beneficios del
Cáqueza 8 0 4 3 programa de perdidas no
Villeta 10 2 60 3
La Mesa 12 13 5 15 técnicas se puede aplicar
Fusagasugá 9 3 4 46 dichos valores a los modelos
Facatativá 1 0 5 6
Girardot 8 1 35 55 propuestos con el fin de
Fuente: Resoluciones Ejecutivas minimizar y maximizar la
función de costos y beneficios
 por tipo de fraude. Con esto
obtendríamos la combinación
satisfactoria de costos y
beneficios por tipo de pérdida
no técnica.
3. Los modelos propuestos se
pueden utilizar para estimar los
usuarios fraudulentos por
causal partiendo de la
clasificación de toso los
usuarios de la empresa en los
factores analizados (distritos y
carga contratada, distritos y
carga encontrada, distritos y
tipo de servicio) utilizando las
frecuencias estimadas por
medio de la metodología de
G.S.K.
4. Contando con la información
pertinente y utilizando el
modelo lineal general se podría
establecer la asociación del
fraude con la tarifa, el tipo de
actividad industrial, el tipo de
comercio y las marcas de los
equipos de medición.
Bibliografía
(1) AGRESTI ALAN, Analysis
of Ordinal Categorical Data.
John Wiley & Sons, 1984
(2) BELZ MAURICE, Statistical
Methods in The process
Industries, Lowe & Brydone
Ltda, 1973
(3) BISHOP, FIENBERG,
HOLLAND, Discrete
Multivariate Analysis:
Theory and Practice, MIT
Press, Sixtih Printing, 1980
(4) COCHRAN WILLIAM, COX
GERTRUDE, Diseños
Experimentales, Editorial
Trillas, México, 1971
(5) FORTHOFER RONALD,
LEHNEN ROBERT, Public
Program Analysis, Lifetime
learning Publications,
California, 1981
(6) FORTHOFER RONALD, An
Analysis for Compounded
for Categorical Data,
Biometrics, March 1973
(7) FORTHOFER RONALD N,
KOCH GARY, An Analysis
for Compounded Functions
of Categorical Data,
Biometrics, March, 1973
(8) GRIZZLE JAMES,
Multivariate Logit Analysis,
Biometrics, 1971
(9) GRIZZLE J., STARMER F.,
Y KOCH G., Analysis of
Categorical Data by Lineal
Models, Biometrics,
September 1969
(10) JOHSON WILLIAM Y
KOCH GARY, A Note on the
Weighted Least Squares
Analysis of the Contingency
Table Data, tecnometrics,
March 1971
(11) LANDIS RICHARD Y
OTHERS, A Computer
Program for the Generalizad
Chi-square Analysis of
Categorical Data Using
Weighted Least Squares,
North Holland Publishing
Company
 (12) MOD ALEXANDER,
GRAYBILL FRANKLIN,
BOES DUANE, Introduction
to the Theory of Statistics,
McGreaw Hill, Third Edition

Investigación presentada en la IX
Jornadas Nacionales de Energía,
Bogotá, Paginas 126-131