CAPÍTULO II

ANÁLISIS DE FRECUENCIAS DE GASTOS MÁXIMOS ANUALES

2.1 Conceptos fundamentales

La utilidad de un análisis frecuencias de gastos máximos anuales resalta en la

construcción de estructuras para el control de agua en exceso. Es necesario conocer el gasto
máximo que llegará a la estructura durante su vida útil para poder diseñarla de manera
adecuada. No se debe confundir el diseño estructural con el diseño hidrológico. Una
estructura puede diseñarse estructuralmente para que tenga una vida útil de 50 años, y sin
embargo, puede diseñarse hidrológicamente para una gasto máximo correspondiente a un
periodo de retorno de 100 años.

Es necesario conocer el gasto máximo para el periodo de retorno que se desee

diseñar. Se ha visto que se puede calcular la probabilidad de que un evento máximo no sea
superado. Ahora, si se relaciona dicha probabilidad con el periodo de retorno se conocerá el
gasto máximo para un correspondiente periodo de retorno.

La ecuación que relaciona la probabilidad de no excedencia con el periodo de

retorno es:

1
P(X ≤ x ) = 1 − = ∫ p(x ) dx
X
(2.1)
Tr −∞

donde P(X ≤ x ) es la probabilidad de no excedencia, Tr es el periodo de retorno, p(x) la

función de distribución de probabilidad y x es la variable aleatoria.

5
 Ahora sólo hace falta conocer los parámetros de la distribución para poder calcular
los eventos máximos correspondientes al periodo de retorno deseado, para lo cual el
método de momentos y el método de máxima verosimilitud serán de gran utilidad.

El método de momentos tiene su origen en un procedimiento usado en estática para

el cálculo de centroides. Si a cada valor de la información se le asigna una masa hipotética
correspondiente a su frecuencia relativa y se multiplica por su brazo de palanca que será la
magnitud de la variable aleatoria, entonces la suma de estos productos será el primer
momento respecto al origen que corresponde a la media de la muestra. Transportando este
procedimiento a las distribuciones de probabilidad se pueden obtener los parámetros
estadísticos de la distribución deseada.

El otro método que se utilizará es el método de máxima verosimilitud el cual

maximiza la probabilidad conjunta de ocurrencia de la muestra observada. Hacer esto,
equivale a maximizar la función de verosimilitud. Este método es, teóricamente, el más
correcto para calcular los parámetros de la distribuciones, pero para algunas distribuciones
de probabilidad no tienen solución analítica para todos los parámetros por lo que se debe
maximizar numéricamente, lo cual puede resultar bastante difícil.

2.2 Distribución Log-Normal de 2 Parámetros

Si los logaritmos, Ln(x), de una variable x están normalmente distribuidos, entonces

se dice que la variable x tiene un distribución log-normal cuya función de densidad es la
siguiente, Kite (1988):

−
[Ln (x ) − µ y ]2
1
p( x ) =
2 σ 2y
⋅e (2.2)
x σ y 2π

6
donde µ y y σ y son la media y la desviación estándar de los logaritmos naturales de la

variable x respectivamente, también llamados parámetro de forma y escala de la

distribución.

La función de probabilidad acumulada es la integral a la de densidad y ambas sólo

pueden ser aplicadas a valores positivos de x, (x>0)

x −
[y − µ y ]2
1 2 σ 2y
P ( y) = ⋅∫e (2.3)
σ y 2π 0

donde “y” es el logaritmo natural de la variable x. La ecuación anterior no tiene solución

exacta pero se logra tener una buena aproximación (E(x)< 7.5E-8) por medio de una serie
de polinomios, Abramowitz y Stegun (1972):

( )
P(y ) = 1 − p(t ) ⋅ b 1 z + b 2 z 2 + b 3 z 3 + b 41 z 4 + b 5 z 5 + E(x ) (2.4)

donde b1 = 0.319381530, b 2 = -0.356563782, b 3 = 1.781477937, b 4 = -1.821255978

b 5 = 7.330274429 y z = 1 (1 + p ⋅ y ) donde p = 0.2316419. p( t) es la función de densidad

estandarizada.

t2
1 −
p( t ) = ⋅e 2 (2.5)
2π

donde t = (y − µ ) σ es la variable estandarizada.

7
2.2.1 Estimación de Parámetros

Método de Momentos

Las ecuaciones para calcular los parámetros por medio del método de momentos
son, Kite (1988):

1 N
µˆ y = ⋅ ∑ Ln(y i ) (2.6)
N i =1

∑ [Ln(y ) − µˆ ]
N
2
i y
σˆ y = i =1
(2.7)
N

donde µ̂ y es el parámetro de forma y σ̂ y es el parámetro de escala. Cabe señalar que la

última ecuación es la de la desviación estándar poblacional y se ocupa para muestras

mayores a 30 registros. Para muestras menores se ocupa la desviación estándar muestral,
por lo que el factor N deberá sustituirse por N-1.

Método de Máxima Verosimilitud

Siguiendo el procedimiento de máxima verosimilitud el logaritmo de la expresión

de verosimilitud para la función de densidad expresada en la ecuación (2.1) es, Kite (1988):

 n (ln(x i ) − µ y )
2
 1
( )
n
n n
ln(L) = − ln(2π) − ln σ 2y + ∑ ln  − ∑ (2.8)
2 2 i =1  xi  i =1 2σ 2y

Esta ecuación al ser maximizada, lleva exactamente a las mismas expresiones obtenidas
con el método de los momentos (ecuaciones 2.6 y 2.7) para los parámetros de forma y
escala.

8
2.2.2 Límites de confianza

La ecuación general para calcular los límites de confianza xI para el evento xT con T
años de periodo de retorno es, Kite (1988):

x I = x T ± U αST (2.9)

donde U α es el coeficiente correspondiente al nivel de confianza α y x T está dado por,

Kite (1988):

(µˆ y − tσˆ y )
xT = e (2.10)

donde t la variable estandarizada, y µ y y σ y son los parámetros de forma y escala

respectivamente.

Método de momentos

La ecuación general para calcular el parámetro δ en la desviación estándar para

distribuciones 2 parámetros por el método de momentos puede ser simplificada tomando
ahora a la variable estandarizada t como factor de frecuencia quedando, Kite (1988):

t2
δ = 1+ (2.11)
2

la desviación estándar para valores de diseño en unidades logarítmicas está dado por la
siguiente expresión, Kite (1988):

9
 σy
ST = δ ⋅ (2.12)
n

Para convertir la desviación estándar de unidades logarítmicas a unidades naturales

se utilizan las siguientes ecuaciones, Kite (1988):

Para desviaciones estándar positivos: PSE = x T ⋅ e ( ST

−1 ) (2.13)

Para desviaciones estándar negativos: NSE = − x T ⋅ e ( − ST

−1 ) (2.14)

Método de Máxima Verosimilitud

La ecuación para calcular la desviación estándar por el método de máxima

verosimilitud es la misma que la utilizada en el método de momentos, sólo que para
transformar las unidades logarítmicas es multiplicado por x T , Kite (1988):

σy t2
ST = x T ⋅ ⋅ 1+ (2.15)
N 2

2.3 Distribución Log-Normal de 3 Parámetros

Así como la distribución log-normal de 2 parámetros representa la distribución

normal de los logaritmos de la variable x, la log-normal de 3 parámetros representa la
distribución normal de los logaritmos de la variable reducida (x-a), donde a es parámetro de
ubicación. La función de densidad está dada por, Kite (1988):

−
[Ln ( x −a ) − µ y ]2
1
p(x ) =
2 σ 2y
⋅e (2.16)
( x − a ) σ y 2π

10
donde µ y y σ y son la media y la desviación estándar de los logaritmos naturales de la

variable (x-a). Al igual que en la distribución log-normal de 2 parámetros, µ y y σ y son

también llamados parámetro de forma y escala de la distribución respectivamente.

A diferencia de la distribución log-normal de 2 parámetros, la distribución log-

normal de 3 parámetros puede manejar valores negativos de x, con la condición de que
(x-a) > 0. La función de probabilidad acumulada está dada por la integral de la función de
densidad, Kite (1988):

x −
[y − µ y ]2
1 2 σ 2y
P ( y) = ⋅∫e (2.17)
σ y 2π a

donde “y” es el logaritmo natural de la variable reducida (x-a).

Esta ecuación se resuelve exactamente igual que la función de probabilidad

acumulada de la distribución log-normal de 2 parámetros sólo teniendo en cuenta que
y = ln (x − a ) .

2.3.1 Estimación de parámetros

Si el valor de “a” es conocido, entonces la variable reducida puede ser calculada y

seguir el procedimiento descrito para la distribución de dos parámetros. Si no lo es, puede
seguirse el método de momentos o el método de máxima verosimilitud descritos a
continuación.

Método de Momentos

Siendo Z1 y Z2 los coeficientes variación de las distribuciones x y (x-a)

respectivamente, se tiene que, Kite (1988):

11
 σ
Z1 = (2.18)
µ
y:
σ
Z2 = (2.19)
µ−a

de donde:

 Z  σ
â = µ ⋅ 1 − 1  = µ − (2.20)
 Z2  Z2

El valor de Z1 puede ser obtenido directamente de los eventos observados, dado que
el segundo y tercer momento de la distribución no contienen términos en a, el valor de Z2
puede ser obtenido de la relación:

γ 1 = 3 Z 2 + Z 32 (2.21)

donde γ 1 es el coeficiente de asimetría de la distribución x. La solución de esta ecuación

es, Kite (1988):

2
1− ω 3
Z2 = 1
(2.22)
ω 3

donde:

− γ 1 + γ 12 + 4
ω= (2.23)
2

El procedimiento principia calculando la media µ , la desviación estándar σ , y el

coeficiente de asimetría γ de los eventos observados x. Posteriormente se calculan los

12
valores de Z1 y Z2 para sustituirse en la ecuación (2.20) obteniendo así el valor de a. Una
vez calculado el parámetro de ubicación (a), se calcula el vector correspondiente a la
variable “y” y se obtienen los parámetros de forma, escala y asimetría de la variable
reducida cuyas expresiones se muestran a continuación, Kite (1988):

1 N
µˆ y = ⋅ ∑ Ln(y i ) (2.24)
N i =1

∑ [Ln(y ) − µ ]
N
2
i y
σˆ y = i =1
(2.25)
N

N ⋅ ∑ (y i − µ y )
N
3

γ= i =1
(2.26)
(N − 1) ⋅ (N − 2) ⋅ σ 3y

Método de Máxima Verosimilitud

Para obtener los parámetros de la distribución por este método es necesario, al igual
que por el método de los momentos, encontrar primero el valor de a por medio de un
proceso iterativo. El valor inicial es generalmente el valor encontrado por el método de
momentos, Kite (1988):

 N 1   1 N 2 1 N 
2
1 N  N ln(x i − a )
F(a ) = ∑  ⋅  ∑ ln ( x − a ) − N ∑ ln ( x − a ) − ln (
∑ i  + ∑
x − a ) =0
 i =1 (x i − a )
i i
 i =1 x i − a   N i =1  i =1  N i =1

(2.27)

Para resolver esta ecuación se recurre a un método muy utilizado para la solución de
raíces: el método de bisección. Este método consiste de los siguientes pasos: encontrar el
intervalo donde la función cambia de signo, ese intervalo se divide a la mitad y se evalúa el

13
valor intermedio del intervalo, dependiendo del signo que tome la función, se fija el nuevo
intervalo y se repite el procedimiento hasta lograr la precisión deseada.
Una vez encontrado el valor del parámetro de ubicación (a), se determina el vector
de la variable reducida. Las ecuaciones para los demás parámetros son las mismas que para
el método de momentos. Cabe recalcar que se ocupará el nuevo vector para el cálculo de
los parámetros.

2.3.2 Límites de confianza

La ecuación general para calcular los límites de confianza xI para el evento xT con T
años de periodo de retorno es, Kite (1988):

x I = x T ± U αST (2.28)

donde U α es el coeficiente correspondiente al nivel de confianza α y x T está dado por,

Kite (1988):

(µˆ y − t σˆ y )
xT = a + e (2.29)

donde µ y , σ y y a son los parámetros de forma, escala y ubicación respectivamente y t la

variable estandarizada.

Método de Momentos

Es posible utilizar la ecuación general para calcular el parámetro δ en la desviación

estándar para gastos de diseño en distribuciones 2 parámetros para calcular el mismo
parámetro en las distribución de 3 parámetros por el método de momentos, sólo tomando en
cuenta la siguiente ecuación, Kite (1988):

14
 y T = ln (x T − a ) = µ y + t σ y (2.30)

donde t es la variable estandarizada t = (y − µ ) σ . La desviación estándar para valores de

diseño en unidades logarítmicas está dado por:

σy t2
ST = 1+ (2.31)
n 2

Para convertir la desviación estándar de unidades logarítmicas a unidades decimales

se utilizan las mismas ecuaciones que para la distribución de 2 parámetros (2.13) y (2.14)
para desviaciones estándar positivas y negativas respectivamente.

Método de Máxima Verosimilitud

La desviación estándar de los gastos de diseño por el método de máxima

verosimilitud es calculada por medio de la siguiente ecuación dada por, Kite (1988):

t 2 ω2 tω t ω2
S T2 = var(a ) + ⋅ var σ( )
2
y + ω 2
var (µ y ) +
σy
cov a ,(σ 2
y + 2)ω cov (a , µ y ) +
σy
(
cov σ 2y , µ y )
4σ y2

(2.32)
donde :

µ y + t σy
ω=e (2.33)

1
var(a ) = (2.34)
2n D

var(µ y ) = ⋅
(
⋅
)
σ 2y  σ 2y + 1 2 (σ 2y −µ y )
−
(σ2y − 2⋅µ y ) 
e e  (2.35)
n D  2 σ 2y 

15
 ( ) = n D ⋅ [(σ σ 2y
) (
2 σ 2y − µ y ) (σ )
]
2
y − 2⋅µ y
var σ 2
y
2
y +1 ⋅e −e (2.36)

(σ 2 )−µ
2

cov(a , µ y ) = −
e y y

(2.37)
2nD

σ 2y (σ 2 )−µ
( )=
2
cov a , σ 2
y ⋅e y y
(2.38)
nD

σ 2y
(
cov µ, σ 2
y )= − nD ⋅e σ 2y − 2 µ y
(2.39)

(σ 2
y +1 ) (
2 σ 2y − µ y ) (2σ 2
y +1 ) σ 2y − 2 µ y
D= ⋅e − ⋅e (2.40)
2σ 2
y σ 2
y

2.4 Distribución de Valores Extremos Tipo I (Gumbel)

La función de densidad de la distribución de valores extremos tipo I (Gumbel) está

dada por, Kite (1988):

 1 − ( x −x0 ) 
1

 − ( x − x 0 )− e α 
1
p(x ) =
 α 
e (2.41)
α

La variable x puede tomar cualquier valor en el rango − ∞ < x < ∞ . La función de

probabilidad acumulada la da la ecuación siguiente, Kite (1988):

1
− (x−x0 )
P (x ) = e −e α
(2.42)

16
 La distribución de valores extremos tipo I es un caso especial de la distribución general
de valores extremos en el cual el parámetro de forma, β , es igual a cero.

2.4.1 Estimación de parámetros

Método de Momentos

Aplicando la ecuación estándar para la generación de momentos respecto al origen a

la función de densidad de la distribución valores extremos tipo I y obteniendo el segundo
momento respecto a la media, se tiene, Kite (1988):

µ2 = π
2
(2.43)
6α 2

Reagrupando tenemos las siguientes ecuaciones para los parámetros de escala y

ubicación (x0) respectivamente.

6
α= σ (2.44)
π

x 0 = µ − 0.45 σ (2.45)

donde µ y σ son la media y la desviación estándar de la muestra. Los coeficientes de

asimetría y curtosis son 1.1396 y 5.4002, respectivamente, siendo constantes para la
distribución de valores extremos tipo I.

Método de Máxima Verosimilitud

Lo obtención del parámetro α por este método se logra a través de un proceso

iterativo descrito por Kite (1988), el cual comienza con el valor de α calculado por el

17
método de momentos, se resuelven las ecuaciones de F( α ) y de F’( α ) para posteriormente
calcular hi que se le sumará al valor de α , obteniendo así, un nuevo valor para iniciar la
siguiente iteración, el proceso termina hasta hi sea cero o un valor muy cercano.

N 1 N 1
− xi − xi
F(α ) = ∑ x i e α
− (µ − α )∑ e α
=0 (2.46)
i =1 i =1

N 1 N 1 N 1
− xi − xi − xi
F' (α ) = −∑ x e 2
i
α
+ (µ − α )∑ x i e α
−α 2
∑e α
(2.47)
i =1 i =1 i =1

F(α i )
hi = − (2.48)
F' (α i )

α i +1 = α i + h i (2.49)

El valor de α final se utiliza para calcular el valor del parámetro de ubicación.

 N

x 0 = α ln  N

∑e
i =1
−α x i


(2.50)

4.4.2 Límites de confianza

Método de Momentos

La ecuación general para calcular la desviación estándar para los gastos de diseño
para distribuciones 2 parámetros por el método de momentos es, Kite (1988):


ST =
µ2
1 + Kγ 1 +
K2
[γ 2 − 1] (2.51)
N  4 

18
donde γ 1 y γ 2 son el coeficiente de asimetría y el coeficiente de curtosis que para la
distribución de Valores Extremos Tipo I son 1.1396 y 5.4002. La ecuación anterior se
simplifica quedando en función de el factor de frecuencia K.

µ2
ST =
N
{
1 + 1.1396 K + 1.1000 K 2 } (2.52)

en donde:

   1  
K = − 0.45 + 0.7797 ln − ln1 −   (2.53)
   Tr  

donde Tr es el periodo de retorno del evento xT.

Método de Máxima Verosimilitud

La expresión para calcular la desviación estándar para los gastos de diseño para la
distribución de valores extremos tipo I propuesta por Kite (1988):

ST =
1
Nα 2
[
1.1086 + 0.5140 y T + 0.6079 y T2 ] (2.54)

donde:

  1 
y T = − ln − ln1 −  
 (2.55)
  Tr 

19
2.5 Distribución General de Valores Extremos para Máximos

La función de densidad de la distribución está dada por:

1
1   x−x0  β

1  x − x 0  β −1 − 1−β  
f (x ) = 1 − β  e   α 
(2.58)
α  α 

El rango de la variable x depende del signo del parámetro de forma β . Cuando β es

negativo (Tipo II, γ > 1.1396 ), la variable x puede tomar valores dentro del rango
x 0 + α β ≤ x < ∞ , lo cual es aceptable para el análisis de frecuencias de inundaciones.
Cuando β es positivo (Tipo III, γ < 1.1396 ), la variable x se limita a valores dentro de
− ∞ < x < x 0 + α β . Cuando β es igual a cero ( γ = 1.1396 ), la distribución general de
valores extremos se reduce a la distribución de valores extremos tipo I que ha sido
estudiada anteriormente.

La función de probabilidad acumulada para la distribución tiene la siguiente forma,

Ramachandra y Hamed (2000):

1
  x−x0  β
− 1−β 
F(x ) = e   α 
(2.59)

donde α , β y x0 son los parámetros de escala, forma y ubicación, respectivamente.

2.5.1 Estimación de parámetros

Método de Momentos

Para calcular el coeficiente de asimetría se hace uso de la siguiente ecuación,

Raynal-Villaseñor (1989):

20
 Γ (1 + 3 β ) − 3 Γ (1 + 3 β ) Γ (1 + β ) + 2 Γ 3 (1 + β )
γ = (− 1)
j
(2.60)
[Γ (1 + 2 β) − Γ 2
(1 + β) ] 2
3

donde j = 2 para β < 0 y j = 1 para β > 0 . Γ(⋅) es la función Gamma completa, Raynal-
Villaseñor (1989):

1.1396 < γˆ < 19.0 (Tipo II)

βˆ = 0.25031 − 0.29219 γˆ + 0.075357 γˆ 2 − 0.010883 γˆ 3 + 0.00904 γˆ 4 − 0.00043 γˆ 5
(2.61)

− 11.4 < γˆ < 1.1396 (Tipo III)

βˆ = 0.279434 − 0.333535 γˆ + 0.048306 γˆ 2 + 0.023314 γˆ 3 + 0.003765 γˆ 4 + 0.000263 γˆ 5
(2.62)

σβ
α= (2.63)
Γ (1 + 2 β ) − Γ 2 (1 + β )

α
x0 = µ − [1 − Γ(1 + β)] (2.64)
β

Método de Máxima Verosimilitud

El logaritmo de la función de verosimilitud está representado por la siguiente

ecuación, Raynal-Villaseñor (1989):

N N
ln L = − N ln (α ) − (1 − β )∑ y i − ∑ e − yi (2.65)
i =1 i =1

donde:

21
 1   x − x0 
y i = − ln 1 − β i  (2.66)
β   α 

Derivando parcialmente la ecuación (2.65) con respecto a x 0 , α y β e igualando

las ecuaciones a cero se obtiene, Raynal-Villaseñor (1989):

∂ ln L Q
=− =0 (2.67)
∂x 0 α

∂ ln L 1 P+Q
=− ⋅ =0 (2.68)
∂α α β

∂ ln L 1  P+Q
= − ⋅  R − =0 (2.69)
∂β β  β 

en donde:

N
P(i ) = n − ∑ e − yi (2.70)
i =1

N N
Q (i ) = ∑ e − yi −β y − (1 − β )∑ e β yi (2.71)
i =1 i =1

N N
R (i ) = N − ∑ y i + ∑ y i e − y i (2.72)
i =1 i =1

Para conocer los valores de los parámetros de la distribución se requiere de un

proceso iterativo. Los valores iniciales de los parámetros son generalmente los encontrados
por el método de momentos. Dichos valores son actualizados por medio de las siguientes
ecuaciones, Raynal-Villaseñor (1989):

22
 x 0( i +1) = x 0( i ) + δx 0 ( i ) (2.78)

α (i +1) = α (i ) + δα (i ) (2.79)

β ( i +1) = β ( i ) + δβ (i ) (2.80)

donde los valores de δx 0(i ) , δα (i ) y δβ (i ) están dados por la siguiente matriz.

 ∂ ln L 
 
δ x 0(i )   α (2i ) b α (2i ) h α (i ) f   ∂ x 0 
  1  2   ∂ ln L 
 δ α ( i ) =
 N ⋅  α ( i ) h α 2
( i ) a α ( i ) g ⋅ ∂α  (2.81)
 δ β (i )  α ( i ) f α ( i ) g c   ∂ ln L 
  
 
 ∂ β 

de donde, después de sustituir las ecuaciones (2.70) - (2.72), se obtienen las siguientes
expresiones, Raynal-Villaseñor (1989):

α  P(i ) + Q (i )  f  P + Q (i ) 
δ x 0 (i ) = − b Q (i ) − h   −  R (i ) − (i )  (2.82)
N  β  β β 

α  P(i ) + Q (i )  g  P + Q (i ) 
δ α (i ) = − h Q (i ) − a   −  R (i ) − (i )  (2.83)
N  β  β β 

1  P(i ) + Q (i )  c  P + Q (i ) 
δ β (i ) = − f Q (i ) − g   −  R (i ) − (i )  (2.84)
N  β  β β 

donde:

Para − 1.5 ≤ β ≤ 0 :

23
a = 3.2861β 6 + 13.774 β 5 + 21.292 β 4 + 14.839 β 3 + 5.5729 β 2 − 0.1067 β + 0.65
(2.85)

b = 0.1515 β 6 + 0.7453 β 5 + 1.3965 β 4 + 1.161β 3 + 0.2508 β 2 − 0.1168 β + 1.25

(2.86)

c = 0.4947 β 6 + 2.3858 β 5 + 4.412 β 4 + 3.8434 β 3 + 1.8612 β 2 − 0.5328 β + 0.48

(2.88)

f = 0.2605 β 6 + 1.2699 β 5 + 2.3753 β 4 + 2.0386 β 3 + 0.5299 β 2 − 0.0029 β + 0.26

(2.89)

g = 0.1661β 6 + 0.8061β 5 + 1.4932 β 4 + 1.2814 β 3 + 0.1474 β 2 − 0.5246 β + 0.15

(2.90)

h = 0.116 β 6 + 0.5672 β 5 + 1.0605 β 4 + 0.9127 β 3 + 0.2927 β 2 − 1.1203 β + 0.34

(2.91)

Para 0 < β ≤ 1 :

a = −50.364 β 6 + 136.44 β 5 − 136.08 β 4 + 61.675 β 3 − 11.359 β 2 + 0.3134 β + 0.6477

(2.92)

b = 15.953 β 6 − 44.115 β 5 + 44.342 β 4 − 19.668 β 3 + 3.706 β 2 − 0.4674 β + 1.2505

(2.93)

c = −53.423 β 6 + 134.79 β 5 − 127.64 β 4 + 56.725 β 3 − 10.884 β 2 − 0.0387 β + 0.4779

(2.94)

24
f = 21.717 β 6 − 62.946 β 5 + 65.681β 4 − 29.961β 3 + 5.8061β 2 − 0.5632 β + 0.2609
(2.95)

g = −60.814 β 6 + 160.45 β 5 − 157.06 β 4 + 70.447 β 3 − 14.43 β 2 + 1.362 β + 0.1475

(2.96)

h = 4.6307 β 6 − 15.78 β 5 + 18.405 β 4 − 9.22 β 3 + 1.9444 β 2 − 1.376 β + 0.3404

(2.97)

2.5.2 Límites de confianza

Método de Momentos

El procedimiento para el cálculo de la desviación estándar de los gastos de diseño

es largo y complicado por lo que sólo se listarán las ecuaciones en el orden necesario para
la obtención del mismo, Ramachandra y Hamed (2000).

1 1 1 1 1 1
Ψ (φ ) = ln (φ ) − − + − + − (2.98)
2φ 12φ 2
120φ 4
252φ 6
240φ 132φ10
8

d r = Γ ' (1 + r β ) = Γ(1 + r β )Ψ (1 + r β ) (2.99)

g r = Γ(1 + r β) (2.100)

donde Ψ (⋅) y Γ(⋅) son las funciones Digamma y Gamma respectivamente.

g 4 − 4g 1g 3 + 6g 2 g12 − 3g 14
γ2 = (2.101)
(g 2 − g 12 )
2

25
 β − g 5 + 5g 4 g 1 − 10g 3 g 12 + 10g 2 g 13 − 4g 15
γ3 = (2.102)
β (
g − g2 2
2
5
1 )

g 6 − 6g 5 g 1 + 15g 4 g 12 − 20g 3 g13 + 15g 2 g 14 − 5g 16

γ4 = (2.103)
(g 2 − g 12 )
3

= ⋅ − ⋅
(
∂ γ 1 β − 3d 3 + 3d 1g 2 + 6g 1d 2 − 6g 12 g 1 3β − g 3 + 3g 1g 2 − 2g 13 (2d 2 − 2g 1d 1 ) )
∂k β g −g( 3
2 2
2 1 ) 2 β g − g2 2
5
( 2 1 )
(2.104)

β
  1 
g 1 − − ln1 − 
β   Tr  (2.105)
KT = ⋅
β g 2 − g 12

∂ KT β
=  1 r r
− 1 r[
 d − [− ln (1 − 1 T )]β ln[− ln (1 − 1 T )] 1 g − {− ln (1 − 1 T )}β [2d − 2g d ]
2 1 1

]
∂k β 
 g 2 − g12 2 g 2 − g1
2
3
2
( 
 )
(2.106)

∂ KT
∂ KT
= ∂k (2.107)
∂γ 1 ∂ γ1
∂k

Cabe aclarar que este procedimiento sólo puede ser usado si β > −1 6 con el fin de
que el cuarto momento central exista. Habiendo calculado los parámetros anteriores la
desviación estándar de los gastos de diseño se calcula mediante la siguiente ecuación.

26
 µ2   6 γ 1 γ 2 10 γ 1  
S T2 = 1 + K T γ 1 +
K T2
[γ 2 − 1] + ∂ K T 
2 γ 2 − 3γ 1 − 6 + K T  γ 3 − 4 − 4  
2

N 4 ∂ γ1    

µ2  ∂ K 
2
 9γ 12 γ 2 35γ 12  
+   γ − γ γ − γ + + + 9 
T
 4 3 3 1 6 2
N  ∂ γ 1   4 4  

(2.108)

Método de Máxima Verosimilitud

La matriz de varianza-covarianza para el método de máxima verosimilitud está dada

por, Ramachandra y Hamed (2000):

 var(x 0 ) cov(α, x 0 ) cov(x 0 , β) α 2 b α 2 h α f 

cov(α, x ) 1 
 0 var(α ) cov(α, β )  = α 2 h α 2 a α g  (2.109)
N
 cov(x 0 , β ) cov(α, β) var(β)   αf αg
 c 

Las derivadas parciales respecto a cada parámetro de la función de probabilidad

acumulada despejada para xT son:

∂ xT (2.110)
=1
∂ x0

∂ xT 1   
β
 1 
= 1 − − ln1 −   (2.111)
∂α β    Tr  
 

∂ xT α    1 
β
 α   1
β
   1  
=− 2 1 − − ln1 −   − − ln1 −  ln − ln1 − 
∂β β     β  
  Tr     Tr    Tr 

(2.112)

Habiendo calculado los parámetros anteriores, la desviación estándar par los gastos
de diseño es calculada por la siguiente ecuación:

27
 2 2 2
∂x  ∂x  ∂x   ∂ x  ∂ x 
S = 
2
T  var (α ) +   var(β ) +   var(x 0 ) + 2   cov(α, β)
∂α   ∂β   ∂ x0   ∂ α  ∂ β 

 ∂ x  ∂ x   ∂ x  ∂ x 
+ 2     cov(α, x 0 ) + 2    cov(β, x 0 )
 ∂ α  ∂ x0   ∂ β  ∂ x 0 
(2.113)

Otra forma posiblemente más sencilla de calcular la desviación por el método de

máxima verosimilitud está dada por, Loaiza (1996):

α2W2  b c  dW 
2
h  g f  dW 
ST = a + 2 + 2   + 2 + 2 + 2   (2.114)
N  W W  dβ  W  W W  dβ 

donde:

1 − e −β y
W= (2.115)
β

dW ye −βy − W
= (2.116)
dβ β

28