Analisis de La Demanda de Transporte Planificacion PDF

Ingeniería de Transportes I
Facultad de Ingeniería Civil
Análisis de la Demanda de viajes.

Procesos para la Estimación de Viajes
1.Generacion de Viajes.
2. Distribución de viajes
3. Selección del modo
4. Asignación del tránsito.
Ing. de Transportes I. Análisis de la Demanda de Viajes.
Contenido.
1. Introducción.................................................................................................................................................................. 3
1.1. Enfoques para la estimación de la demanda. ............................................................................................................... 3
1.2. Factores que influyen en la demanda de viajes. ........................................................................................................... 3
1.3. Secuencia de etapas para la estimación de viajes......................................................................................................... 4
2. Generación de viajes..................................................................................................................................................... 5
2.1. Clasificación cruzada. .................................................................................................................................................. 5
Ejemplo .1 ....................................................................................................................................................................... 5
2.2. Modelo lineal de Generación de Viajes: ...................................................................................................................... 9
Ejemplo 2 : ...................................................................................................................................................................... 9
3. Distribución de viajes. ............................................................................................................................................... 14
3.1. Modelo de gravedad. ................................................................................................................................................. 14
Ejemplo 3 : ................................................................................................................................................................... 15
Ejemplo 4. .................................................................................................................................................................... 17
3.2. Modelos de factor de crecimiento ............................................................................................................................. 21
Ejemplo 5. .................................................................................................................................................................... 21
4. Selección del modo o Distribución modal. ................................................................................................................ 23
4.1. Métodos de generación directa. ................................................................................................................................ 23
Ejemplo 6. .................................................................................................................................................................... 24
4.2. Los modelos de viaje ................................................................................................................................................ 24
4.3. Los modelos de intercambio de viajes. ...................................................................................................................... 25
4.3.1. El método QRS se basa en la siguiente relación: ............................................................................................... 25
Ejemplo 7. .................................................................................................................................................................... 26
4.3.2. Modelos lógicos. ................................................................................................................................................ 27
Ejemplo 8. .................................................................................................................................................................... 28
5. Asignación del tránsito. ............................................................................................................................................. 34
5.1. La curva de desviación.............................................................................................................................................. 34
Ejemplo 10. .................................................................................................................................................................. 35
Ejemplo 11. .................................................................................................................................................................. 37
5.3. La restricción de la capacidad ................................................................................................................................... 38
Ejemplo 12. .................................................................................................................................................................. 39
6.Otros métodos para la predicción de la demanda. ...................................................................................................... 39
6.1. Análisis de tendencias .............................................................................................................................................. 39
6.1.1. Elasticidad de la demanda .................................................................................................................................. 40
Ejemplo 13. .................................................................................................................................................................. 40
7. Anexos. ...................................................................................................................................................................... 40
7.1. Regresión Lineal simple............................................................................................................................................ 40
~1~
7.2. Regresión Nolineal directa. ....................................................................................................................................... 43
Ejemplo 14 : ................................................................................................................................................................. 43
7.4. Prueba de CONSISTENCIA de los PARAMETROS α y β y del MODELO. ....................................................... 45
7.5. Prueba de hipótesis para los parámetros α y β . ........................................................................................................ 46
7.5.1. Parámetro α : ...................................................................................................................................................... 46
7.5.2.Parámetro β : ....................................................................................................................................................... 47
7.6.Prueba de ajuste global del modelo............................................................................................................................ 48
Ejemplo 15. .................................................................................................................................................................. 49
8. Conclusiones ............................................................................................................................................................. 52
9. Bibliografía ................................................................................................................................................................ 52
~2~
1. Introducción.
La demanda de viajes es el número de personas o de vehículos por unidad de tiempo que puede esperarse
viajen en un determinado segmento de un sistema de transporte, bajo un conjunto de condiciones dadas de uso
del suelo, socioeconómicas y ambientales. Las estimaciones de la demanda de viajes, se usan para establecer el
futuro volumen vehicular o para modificar las alternativas del sistema de transporte. Los métodos pueden ser,
desde una simple extrapolación de las tendencias observadas, hasta un proceso computarizado sofisticado que
incluya una amplia recopilación de datos y modelación matemática. El proceso es tanto un arte como una
ciencia, ya que requiere tener criterio con relación a los diferentes parámetros, entre ellos: población, tenencia de
automóviles, etc., que constituyen la base de una predicción de viajes. Los métodos utilizados dependen de la
disponibilidad de datos, y de las restricciones específicas del proyecto, tales como la disponibilidad de
presupuesto y los programas del proyecto.
1.1. Enfoques para la estimación de la demanda.
Existen dos situaciones básicas en la estimación para la planificación del transporte. Los estudios de la
demanda de viajes para las áreas urbanas, y la demanda de viajes interurbanos.
Para los viajes urbanos, cuando se desarrollaron por primera vez en las décadas de los cincuenta y sesentas,
requerían de grandes bases de datos usando encuestas domiciliarias, encuestas a un lado del camino o ambas. La
información recopilada proporcionaba una idea con relación a las características de quien realizaba el viaje,
como: edad, sexo, ingreso, tenencia de automóvil, así como uso de suelo en cada uno de los extremos del viaje y
el modo de viaje. Luego se agregaban los datos de viaje por zonas, y/o ser utilizados a un nivel más desagregado
o ambas cosas —es decir, en el ámbito familiar o individual— para formular relaciones entre las variables y
calibrar los modelos. En el caso interurbano, los datos se agregan en mayor grado a la predicción de viajes, tal
como para la población de la ciudad, por ingreso promedio de la ciudad, tiempo de viaje y / o el costo de viaje
entre los pares de ciudades.
Para la calibración y prueba de modelos de generación de viajes, distribución, selección mo dal y
asignación de tránsito, se usaron las bases de datos que se establecieron en los estudios del transporte urbano
durante el periodo 1955-1970. Estos esfuerzos de recolección y calibración de datos implicaron una inversión
importante de dinero y recursos de personal, y los estudios necesarios se basaron en la actualización de la base
de datos existente y en el empleo de modelos que habían sido desarrollados anteriormente.
1.2. Factores que influyen en la demanda de viajes.
Tres factores afectan la demanda de los viajes urbanos: ubicación y la intensidad del uso del suelo;
características socioeconómicas de las personas que viven en el área; y alcance, costo y calidad de los servicios
disponibles de transporte. Estos factores se incorporan en la mayor parte de los procedimientos de predicción de
viajes.
Las características del uso del suelo son un determinante primordial de la demanda de viajes. La cantidad de
tránsito generada por un área urbana depende de cómo se utilice este terreno. Por ejemplo, centros comerciales,
complejos residenciales y edificios de oficinas, producen diferentes patrones de generación de viajes.
Las características socioeconómicas de las personas que viven dentro de la ciudad también influyen en la
demanda del transporte. Los estilos de vida y los valores, afectan la forma en que las personas deciden cómo
usar sus recursos para el transporte. Por ejemplo, un área residencial constituida por trabajadores de altos
ingresos, va a generar más viajes por automóvil por persona, que un área residencial poblada principalmente por
pensionados.
La disponibilidad de las instalaciones y de los servicios de transporte, denominada como la capacidad,
también afecta la demanda de los viajes. Los viajeros son sensibles al nivel de servicio suministrado por los
modos alternativos de transporte. Cuando se decide viajar o qué modo emplear, se consideran atributos tales
~3~
como tiempo de viaje, costo, comodidad y seguridad.
1.3. Secuencia de etapas para la estimación de viajes.
Antes de desarrollar la tarea técnica de la estimación de viajes, debe delimitarse el área de estudio conforme a
un conjunto de zonas de tránsito, que formarán la base para el análisis de los movimientos de viaje internos,
hacia el área urbana y hacia afuera del área urbana. El conjunto de zonas puede agregarse en unidades más
grandes, llamadas distritos, para ciertos análisis o técnicas analíticas que trabajan a estos niveles. También se
desarrollan estimaciones de uso del suelo.
Figura 1. Proceso para la estimación de viajes. (Fuente REF.1)
La estimación de viajes está únicamente dentro del dominio del planificador de transporte y es una parte
integral de los estudios de desarrollo del sitio e ingeniería de tránsito, así como de la planificación del
transporte al nivel de área.
El enfoque más empleado para predecir la demanda de viajes es el "proceso de cuatro pasos": generación de
viajes, distribución de viajes, selección del modo y asignación del tránsito.
~4~
2. Generación de viajes.
Proceso para determinar el número de viajes que van a comenzar o a terminar en cada zona, dentro de un área
de estudio. Cuando los viajes se determinan sin tomar en cuenta el destino, se les denomina viajes. Cada viaje
tiene dos finalidades, y éstas se describen en términos del propósito del viaje, esto es, si los viajes son
producidos o atraídos por una zona. Por ejemplo, se considera un viaje de la casa al trabajo, éste tiene un punto
final producido en, zona residencial y es atraído hacia una zona de actividad productiva. El análisis tiene dos
funciones: 1) desarrollar una relación entre la producción de viajes o la atracción y el uso del suelo, y 2)
emplear relaciones para estimar el número de viajes generados, bajo un nuevo conjunto de condiciones de uso
del suelo, se pueden mencionar dos métodos:
1) la clasificación cruzada y razones basadas en unidades de actividad, y
2) el análisis de regresión, que ha sido aplicado para estimar tanto la producción como la atrac ción.
Este método se usa muy poco debido a que depende de datos agregados por zona. Se prefieren los métodos
que empleen un análisis desagregado, con base en unidades individuales de muestra tales como personas,
familias, ingresos y unidades vehiculares.
2.1. Clasificación cruzada.
La clasificación cruzada es una técnica desarrollada por la Administración Federal de Carreteras (FHWA),
para determinar el número de viajes que inician o terminan en el hogar. Los viajes que inician en el
hogar es un número muy útil porque puede representar una proporción importante de todos los viajes. El
primer paso es desarrollar una relación entre las medidas socioeconómicas y la producción de viajes. Las
dos variables más empleadas son el ingreso promedio y la tenencia de automóviles. Otras variables que
también pueden ser consideradas son: el tamaño de familia y la etapa del ciclo de vida de l a familia.
Las relaciones se desarrollan con base en los datos de ingresos y en resultados de encuestas origen -
destino.
Ejemplo .1
El desarrollo de las curvas de generación de viajes a partir de datos de la familia
Una encuesta de viajes produjo los datos mostrados en la tabla 1. Se entrevistó a 20 familias. La tabla muestra
el número de viajes realizados por día para cada una de las familias (numeradas del 1 al 20), así como el
correspondiente ingreso familiar, anual y el número de automóviles que tienen. Con base en los datos
proporcionados, desarrolle un conjunto de curvas que muestren el número de viajes por familia contra el
ingreso y la tenencia de automóviles.
~5~
Figura 2. Ingreso promedio por zonas contra familias por categoría de ingresos.
FUENTE: Modificado de Computer Programs for Urban Transportation Planning
(Programas de computadora para la planificación del transporte urbano), Departamento de
Transporte de Estados Unidos, Washington, D.C., abril de 1977. ( REF.1)
Tabla.1.Datos censales que muestran los viajes por familia, el ingreso y la tenencia
de automóviles.
Número Viajes Ingreso por Automóviles

de familias producidos familia por familia
1 2
por familia (miles16de 0
2 4 24
dólares) 0
3 10 68 2
4 5 44 0
5 5 18 1
6 15 68 3
7 7 38 1
8 4 36 0
9 6 28 1
10 13 76 3
11 8 72 1
12 6 32 1
13 9 28 2
14 11 44 2
15 10 44 2
16 11 52 2
17 12 60 2
18 8 44 1
19 8 52 1
20 6 28 1
Solución:
Paso 1. A partir de la información de la tabla 1, produzca una matriz que muestre el número y el
porcentaje de familias como una función de la tenencia de automóviles y de las categorías de ingreso
(véase la tabla 2). Los valores numéricos en cada celda representan el número de familias observadas en
~6~
cada combinación de categoría de ingreso-tenencia de automóviles. El valor en paréntesis es el porcentaje
observado para cada nivel de ingreso. En la práctica real, el tamaño de la muestra - sería cuando menos de 25
puntos de datos por celda, para asegurar la exactitud estadística. Los datos mostrados en la tabla 2 se usan para
desarrollar las relaciones entre el porcentaje de familias de cada categoría de tenencia de automóvil y el ingreso
familiar, como se ilustra en la figura 3.
Paso 2. Una segunda tabla elaborada a partir de los datos de la tabla 1. muestra el número promedio de
viajes por familia, contra el ingreso y los automóviles que se tienen. Los resultados que se proporcionan en la
tabla 3, se ilustran en la figura 4, e indican la relación entre viajes por familia por día por ingreso y tenencia
de automóviles. La tabla muestra que para un ingreso dado, la generación de viajes aumenta con el número de
automóviles que se tienen. En forma similar, para un número dado de automóviles particulares, aumenta la
generación de viajes con el aumento del ingreso.
Tabla .2 Número y porcentaje de familias en cada categoría de ingreso contra tenencia de

automóviles
Automóviles en propiedad
Ingreso (miles de dólares) 0 1 2+ Total
24 2(67) 1(33) 0(0) 3(100)
24-36 1(25) 3(50) 1(25) 5(100)
36-48 1(20) 2(40) 2(40) 5(100)
48-60 1(33) 2(67) 3(100)
> 60 1(25) 3(75) 4(100)
Total 4 8 8 20
Nota: Los valores en los paréntesis son el porcentaje de automóviles (que se tienen) para cada nivel de ingresos.
Figura 3.Familias por tenencia de automóviles y categoría de ingresos.

FUENTE: Modificado de Computer Programs for Urban Transportation Planning (Programas de
computadora para la planificación del transpone urbano), Departamento de Transporte de
Estados Unidos, Washington, D.C., abril de 1977. (REF.1)
~7~
Paso 3. Como un refinamiento adicional, pueden usarse datos adicionales de origen -destino (que no se
muestran en la tabla 1), para determinar el porcentaje de viajes por cada propósito de viaje, para cada
categoría de ingreso. Estos resultados se muestran en la figura 5, en la cual se emplean tres propósitos de
viajes: al trabajo con base en el hogar (TBH), otros viajes con base en el hogar (OVBH) y viajes que no
tiene base en el hogar (VNBH). La terminología se refiere al origen de un viaje ya sea en el hogar o fuera del
hogar.
Tabla .3 Promedio de viajes por familia contra ingreso y tenencia de automóviles
Automóviles en propiedad
Ingreso (miles de dólares) 0 1 2+
≤24 3 5 ---
24-36 4 6 9
36-48 5 7.5 10.5
48-60 — 8.5 11.5
> 60 --- 8.5 12.7
Figura 4. Viajes por familia por día como función de la tenencia de automóviles y
de la categoría de ingresos.
FUENTE: Modificado de Computer Urban Transportation Planning (Programas de
computadora la planificación del transporte urbano), Departamento de Transporte de Estados
Unidos, Washington, D.C., abril de 1977. (REF.1)
~8~
Figura 5. Viajes por objetivo y categoría de ingresos.

FUENTE: Modificado de Computer Programs for Urban Transportation Planning
(Programas de computadora para la planificación del transporte urbano),
Departamento de Transporte de Estados Unidos, Washington; D.C., abril de 1977.
(REF.1)
2.2. Modelo lineal de Generación de Viajes:
Si se denomina Xi al vector que contiene las características socio-económicas de la zona i , expresamos los
viajes generados ( Gi ) como:
Gi = f(Xi) generalmente la f(Xi) se estima como un modelo lineal
Gi = α + β1*X1i + β2*X2i + ………+ βi*Xmi (1)
El proceso de calibración del modelo consiste en determinar los valores de los parámetros α, βi de modo que el
modelo replique de la manera más parecida posible la data observada en el campo. Para esta calibración se
requiere:
-Medir los viajes generados en cada zona, mediante encuestas y aforos de tránsito.
-Obtener la información sobre las variables significativas para cada zona de los censos y bases de datos de y/o
encuestas directas en campo.
Ejemplo 2 :
Regresión lineal múltiple.
Las variables que han sido consideradas como significativas para estimar los viajes de automóviles que salen de
una zona son:
a. Población total de la zona o número de familias.
b. Número de autos en la zona o autos por familia.
c. Ingreso anual medio. por familia.
d. Número de empleos en la zona.
~9~
Estas variables han sido medidas en las 20 zonas de una región en estudio y serán utilizadas en el modelo de
generación de viajes. Además se han realizado aforos de tránsito para medir los viajes interzonales. Los
aforos permiten comparar si los datos de viajes obtenidos de las encuestas corresponden a los observados en
la red.
Población Número de Ingresos Número Número de

Zona
(P) Autos (A) B/ por año de empleos viajes
1 7,950 1,588 4,197 4,839 6,956
2 10,300 1,824 3,663 3,127 9,403
3 8,475 2,446 6,244 2,519 9,409
4 9,220 2,607 5,888 4,498 10,359
5 11,050 2,331 4,553 3,080 11,159
6 9,780 2,181 4,600 4,050 10,308
7 8,002 1,698 4,476 4,656 8,216
8 11,430 2,798 4,948 3,434 9,089
9 13,065 2,717 4,343 3,902 12,947
10 11,055 1,947 3,650 4,573 7,212
11 14,528 3,244 4,569 4,757 15,399
12 12,535 3,651 6,117 3,310 12,690
13 8,800 2,441 6,089 4,188 7,048
14 9,825 2,631 5,797 3,007 11,753
15 12,500 3,089 5,263 3,397 13,243
16 12,930 3,218 4,998 4,763 12,344
17 10,395 1,855 3,880 3,730 9,889
18 13,135 3,757 6,182 2,799 14,121
19 11,265 2,252 4,111 2,781 10,705
20 8,685 1,533 3,571 4,017 6,564
Formule y calibre un Modelo Estadístico para estimar la generación de viajes por zona.
Solución :
Población Número de Ingresos Número Número de

B/ por año ( I ) de empleos ( E )
(P) = X1 Autos (A) = X2 = X3 = X4 viajes ( G ) = Y
Modelo General : Y = a + b1*X1 + b2*X2 + b3*X3 + b4*X4
Calibración por regresión lineal múltiple.
∑= 214925 49808 97139 75427 208814

X1 X2 X3 X4 Y
Ȳ= 10440.70
~ 10 ~
X1*X2 X1*X3 X1*X4 X2*X3 X2*X4 X3*X4 X1^2 X2^2
12624600 33366150 38470050 6664836 7684332 20309283 63,202,500 2,521,744
18787200 37728900 32208100 6681312 5703648 11454201 106,090,000 3,326,976
20729850 52917900 21348525 15272824 6161474 15728636 71,825,625 5,982,916
24036540 54287360 41471560 15350016 11726286 26484224 85,008,400 6,796,449
25757550 50310650 34034000 10613043 7179480 14023240 122,102,500 5,433,561
21330180 44988000 39609000 10032600 8833050 18630000 95,648,400 4,756,761
13587396 35816952 37257312 7600248 7905888 20840256 64,032,004 2,883,204
31981140 56555640 39250620 13844504 9608332 16991432 130,644,900 7,828,804
35497605 56741295 50979630 11799931 10601734 16946386 170,694,225 7,382,089
21524085 40350750 50554515 7106550 8903631 16691450 122,213,025 3,790,809
47128832 66378432 69109696 14821836 15431708 21734733 211,062,784 10,523,536
45765285 76676595 41490850 22333167 12084810 20247270 157,126,225 13,329,801
21480800 53583200 36854400 14863249 10222908 25500732 77,440,000 5,958,481
25849575 56955525 29543775 15251907 7911417 17431579 96,530,625 6,922,161
38612500 65787500 42462500 16257407 10493333 17878411 156,250,000 9,541,921
41608740 64624140 61585590 16083564 15327334 23805474 167,184,900 10,355,524
19282725 40332600 38773350 7197400 6919150 14472400 108,056,025 3,441,025
49348195 81200570 36764865 23225774 10515843 17303418 172,528,225 14,115,049
25368780 46310415 31327965 9257972 6262812 11432691 126,900,225 5,071,504
13314105 31014135 34887645 5474343 6158061 14344707 75,429,225 2,350,089
5.54E+08 1045926709 807983948 249732483 185635231 362250523 2379969813 132312404

X1*X2 X1*X3 X1*X4 X2*X3 X2*X4 X3*X4 X1^2 X2^2
X3^2 X4^2 X1*Y X2*Y X3*Y X4*Y

17,614,809 23,415,921 55300200 11046128 29194332 33660084
13,417,569 9,778,129 96850900 17151072 34443189 29403181
38,987,536 6,345,361 79741275 23014414 58749796 23701271
34,668,544 20,232,004 95509980 27005913 60993792 46594782
20,729,809 9,486,400 123306950 26011629 50806927 34369720
21,160,000 16,402,500 100812240 22481748 47416800 41747400
20,034,576 21,678,336 65744432 13950768 36774816 38253696
24,482,704 11,792,356 103887270 25431022 44972372 31211626
18,861,649 15,225,604 169152555 35176999 56228821 50519194
13,322,500 20,912,329 79728660 14041764 26323800 32980476
20,875,761 22,629,049 223716672 49954356 70358031 73253043
37,417,689 10,956,100 159069150 46331190 77624730 42003900
37,075,921 17,539,344 62022400 17204168 42915272 29517024
~ 11 ~
33,605,209 9,042,049 115473225 30922143 68132141 35341271
27,699,169 11,539,609 165537500 40907627 69697909 44986471
24,980,004 22,686,169 159607920 39722992 61695312 58794472
15,054,400 13,912,900 102796155 18344095 38369320 36885970
38,217,124 7,834,401 185479335 53052597 87296022 39524679
16,900,321 7,733,961 120591825 24107660 44008255 29770605
12,752,041 16,136,289 57008340 10062612 23440044 26367588
487857335 295278811 2321336984 545920897 1029441681 778886453

X3^2 X4^2 X1*Y X2*Y X3*Y X4*Y
Resolviendo el sistema lineal:
20 214925 49808 97139 75427 a 208814
214925 2379969813 553615683 1045926709 807983948 b1 2321336984
49808 553615683 132312404 249732483 185635231 b2 = 545920897

97139 1045926709 249732483 487857335 362250523 b3 1029441681
75427 807983948 185635231 362250523 295278811 b4 778886453
a= -6253.58 Sa = 9067.41 R^2= 0.79

b1= 1.32 Sb1= 0.85 F= 14.39
b2= -1.01 Sb2= 3.34 Gl = 15.00
b3= 1.21 Sb3= 1.58 Ssreg = 96470950.58
b4= -0.23 Sb4= 0.43 SSresid = 25135783.62
SY= 1294.50
Donde a , b1 , b2 , b3 , b4 son los parámetros del modelo ; Sa , Sb1 , Sb2 , Sb3 , Sb4 , SY son las desviaciones
estándares que se usaran para evaluar la significancia de las variables y la consistencia del modelo ;
R^2 coeficiente de determinacion del modelo , F de FISHER , Gl grados de libertad , Ssreg suma de regresión
de los cuadrados., SSresid suma residual de los cuadrados.
MODELO :
Y = -6253.58 + 1.32*X1 -1.01*X2 + 1.21*X3 -0.23*X4
G = -6253.58 + 1.32*P -1.01*A + 1.21*I -0.23*E
~ 12 ~
Zona Yi Ŷi Yi-Ŷi (Yi-Ŷi)^2 (Yi-Ȳ)^2 (Ŷi-Ȳ)^2
1 6,956 6614.43 342 116,671.74 12,143,134.09 14,640,360.93
2 9,403 9223.31 180 32,289.50 1,076,821.29 1,482,045.23
3 9,409 9458.92 -50 2,492.12 1,064,404.89 963,889.71
4 10,359 9392.90 966 933,355.28 6,674.89 1,097,891.42
5 11,159 10792.38 367 134,407.12 515,954.89 123,681.80
6 10,308 9101.78 1,206 1,454,973.71 17,609.29 1,792,714.56
7 8,216 6952.69 1,263 1,595,954.22 4,949,290.09 12,166,219.45
8 9,089 11220.95 -2,132 4,545,202.57 1,827,092.89 608,787.05
9 12,947 12618.49 329 107,919.93 6,281,539.69 4,742,761.93
10 7,212 9747.36 -2,535 6,428,031.80 10,424,503.69 480,725.42
11 15,399 14095.42 1,304 1,699,319.15 24,584,738.89 13,356,982.96
12 12,690 13265.92 -576 331,679.41 5,059,350.49 7,981,846.31
13 7,048 9321.06 -2,273 5,166,798.17 11,510,413.29 1,253,595.50
14 11,753 10399.42 1,354 1,832,169.37 1,722,131.29 1,703.75
15 13,243 12730.16 513 263,002.76 7,852,885.29 5,241,636.48
16 12,344 12532.06 -188 35,366.59 3,622,550.89 4,373,786.89
17 9,889 9442.00 447 199,812.83 304,372.89 997,410.25
18 14,121 14147.13 -26 682.53 13,544,608.09 13,737,587.97
19 10,705 10688.29 17 279.08 69,854.49 61,302.95
20 6,564 7069.35 -505 255,375.74 15,028,802.89 11,366,020.02
Ssres SSt Ssreg
∑= 25,135,783.62 121,606,734.20 96,470,950.58
( SSt = Ssres +
0.000
Ssreg )
R^2 = 1 - Ssres/SSt 0.7933027
VIAJES
18,000
Grafico de errores (residuos )
16,000
14,000
12,000
10,000 Yi Datos
8,000 originales
6,000 yi Datos
4,000 Calculados
2,000
0
0 5 10 15 20 25 ZONAS
~ 13 ~
3. Distribución de viajes.
Es un proceso mediante el cual los viajes generados en una zona, se asignan a otras zonas en el área de estudio.
Por ejemplo, si el análisis conduce a una estimación de 200 viajes TBH en la zona 1, entonces el análisis
determinará cuántos de esos viajes se hacen entre la zona 1 y todas las demás zonas.
Se usan varios métodos se encuentran el modelo de gravedad, los modelos de factor de crecimiento y el de
oportunidades de intervención. Se prefiere el modelo de gravedad porque emplea los atributos del sistema de
transporte y las características de uso del suelo. El modelo ha sido calibrado para muchas áreas urbanas.
También ha alcanzado un uso casi universal debido a su simplicidad, exactitud y el apoyo proveniente del De-
partamento de Transporte de Estados Unidos. Los modelos de factor de crecimiento, que se usaron ampliamente
en las décadas de los cincuenta y sesenta, requieren que se conozca la matriz de origen-destino para el año
base (o actual), así como una estimación del número de viaje internos para cada zona. También están
disponibles el modelo de oportunidades de intervención y otros modelos, pero no se usan ampliamente en la
práctica.
3.1. Modelo de gravedad.
Es el más documentado y ampliamente usado. Establece que el número de viajes entre dos zonas es
directamente proporcional al número de viajes atraídos por la zona de destino e inversamente proporcional a
una función del tiempo de viaje entre estas dos zonas.
Matemáticamente, el modelo de gravedad se expresa como
(2)
Donde
Tij número de viajes que se producen en la zona i y son atraídos por la zona j
Pi número total de viajes producidos en la zona i
Aj número de viajes atraídos por la zona j
Fij valor de la función inversa del tiempo de viaje
Kij factor de ajuste socioeconómico para el intercambio ij
Los valores de Pi y Aj han sido determinados en el proceso de generación de viajes. La suma de Pi para todas
las zonas debe ser igual a la suma de Aj para todas las zonas. Los valores de Kjj se usan cuando el intercambio
estimado de viajes, debe ajustarse para asegurar que concuerda con el intercambio observado de viajes.
Los valores de Fij se determinan mediante un proceso de calibración, en el cual los valores de generación de
viajes tal como se midieron en la encuesta de origen-destino, se distribuyen usando el modelo de gravedad.
Después de que cada proceso de distribución es completado, el porcentaje de viajes en cada categoría de viaje,
producido por el modelo de gravedad, se compara con el porcentaje de viajes registrado en la encuesta de
origen-destino. Si los porcentajes no concuerdan, entonces se ajustan los factores Fij que se usaron en el proceso
de distribución y se realiza otra distribución de viajes con el modelo de gravedad. El proceso de calibración
continúa hasta que concuerden los porcentajes de duración del viaje.
El modelo de gravedad recibe su nombre del hecho que es conceptualmente basado en la ley de Newton de
gravitación de los estados de la fuerza de atracción entre dos cuerpos es directamente proporcional al producto
de las masas de los dos cuerpos e inversamente proporcional al cuadrado de la distancia entre ellos, o
(3)
~ 14 ~
Se han aplicado variaciones de esta fórmula a muchas situaciones que involucran la interacción humana. Por
ejemplo, el volumen de llamadas telefónicas largas distancias entre las ciudades puede planearse de esta
manera, con los tamaños de la población de las ciudades que reemplazan las masas de partículas y la distancia
entre ciudades o el costo de llamadas telefónicas que tienen lugar. El exponente del término de impedancia en el
denominador, sin embargo, no necesita ser precisamente igual a 2 pero puede reemplazarse por un parámetro
ejemplar c.
Para los viajes con motivo de trabajo originados en una zona, la mayor atracción la ejercen las zonas que
albergan una mayor cantidad de empleos. Para los viajes con motivo turístico o recreacional, la mayor atracción
la ejercen zonas con facilidades recreacionales ( playas, campos, hoteles campestres, etc.).
Otro factor que afecta la distribución de los viajes es la distancia o el tiempo de viaje o el costo de viaje ( puede
ser una combinación de estos valores ). Ante grados de atracción similar, los destinos que implican menores
costos (menos tiempo, distancia, costo) serán preferidos.
Estás relaciones dan origen a los modelos llamados de gravedad, de la siguiente forma:
(4)
donde :
Gi : total de viajes generados en la zona i Aj : grado de atracción de la zona j ( número de empleos,

facilidades turísticas, mercado de consumo, etc..)
Rij : costo ( tiempo, distancia, costo) de viajar desde la zona i hasta j. K, α : parámetros del modelo.
El modelo se puede calibrar mediante análisis de regresión si se transforman las variables de la siguiente forma:
Ejemplo 3 :
Numero de viajes de la zona A con respecto a otras zonas.
Los viajes con motivo de trabajo en una zona se distribuyen hacia las zonas adyacentes en función del número de
empleos (NE) de cada zona. Determine el número de viajes esperados entre la Zona A y el resto de las zonas de la
región en estudio.
El modelo de distribución espacial calibrado tiene la forma:
Donde:
~ 15 ~
 T ij : viajes por día entre las zonas i y j con motivo de trabajo.
 Gi : viajes generados en la zona i.
 Aj : atracción de viajes en la zona j, medida por el número de empleos.
 dij : distancia entre las zonas i y j, en kilómetros.
Zona B
NE =6000 2.1 Km Zona C
NE =12000
3.0 Km
NE A 63000
Zona
viajes NE
producidos por
dia
6.0 Km
Zona D 1.5 Km Zona F

NE =21000 NE =5000
3.0 Km
Zona 5.3 Km
NE E Zona
NE G
NE =14000 NE =5000
NE NE
Solución:
GA = 63000 viajes/día
, ,
, ,
GA = TAB + TAC + TAD + TAE + TAF + TAG
1.0=K*(923.875822371) K= 1.08239654701x10 -3
TAB = 26246.72 = 26247 viajes/día

TAC = 13931.01 = 13931 viajes/día
TAD = 16239.33 = 16239 viajes/día
~ 16 ~
TAE = 3928.69 = 3929 viajes/día
TAF = 2213.31 = 2213 viajes/día
TAG = 440.92 = 441 viajes/día
Verificación GA = ∑Tij 63000 = 26247+13931+16239+3929+2213+441
En la figura 6 se ilustran los valores de F para las calibraciones de un modelo de gravedad. (Normalmente esta
curva es una gráfica semilogarítmica.) Los valores de F también pueden determinarse con el uso de valores de
tiempo de viaje y una relación inversa entre F y t. Por ejemplo, la relación para F puede adoptar la forma de t-1,
t-2, e– t, etc., ya que los valores de F disminuyen a medida que aumenta el tiempo de viaje.
El factor socioeconómico Kij, se usa para hacer ajustes en los valores de distribución de viajes entre zonas, en
las cuales son importantes las diferencias entre el valor estimado y el valor real. El valor de K se conoce como el
"factor socioeconómico" ya que contempla a otras variables además del tiempo de viaje. Los valores de K se
determinan en el proceso de calibración, pero debe aplicarse con cuidado cuando se considera que una zona
posee características únicas.
Figura 6. Calibración de los factores F.

FUENTE: Computer Programs for Urban Transportation
Planning (Programas de computadora para la planificación
del transporte urbano), Departamento de Transporte de
Estados Unidos, Washington, D.C., abril de 1977. (REF.1)
Ejemplo 4.
Uso de los factores F calibrados y de la iteración

Para ilustrar la aplicación del modelo de gravedad, considere un área de estudio que consta de tres zonas. Los
datos se han determinado como sigue. Se ha calculado el número de viajes producidos y atraídos para cada
zona, mediante los métodos descritos en la sección de generación de viajes, y se ha determinado el tiempo
promedio de viaje entre cada zona. Ambos se muestran en las tablas 4 y 5. Suponga que Kij es igual a uno
para todas las zonas. Finalmente, se han calibrado los valores de F como se describió anteriormente y se
~ 17 ~
muestran en la tabla 6 para cada incremento del tiempo de viaje. Observe que el tiempo de viaje intrazonal para
la zona 3 es mayor que la mayoría de los tiempos intrazonales restantes, debido a las características geográficas
de la zona y a la falta de acceso dentro del área. Esta zona podría representar las condiciones de un área
congestionada.
Solución:
Paso 1.Determinar el número de viajes entre cada zona con el uso del modelo de gravedad y los datos dados.
(Nota: Fij se obtiene al usar los tiempos de viaje de la tabla 5 y seleccionando el valor correcto de F de la tabla
6. Por ejemplo, si el tiempo de viaje es de 2 minutos entre las zonas 1 y 2. El valor correspondiente de F es 52.)
Tabla 4. Producción y atracción de viajes para un área de estudio de tres

zonas
1 2 3 Total
Zona
Producciones de viajes 140 330 280 750
Atracciones de viajes 300 270 180 750
Tabla 5. Tiempo de viaje entre zonas (minutos)
Zona 1 2 3
1 5 2 3
2 2 6 6
3 6 6 5
Use la ecuación 2.
~ 18 ~
Paso 2. Haga cálculos similares para las zonas 2 y 3.
T2-1 = 188 ; T2-3 = 85 ; T2-3 = 57 ; P2 = 330

T3-1 = 144 ; T3-2 = 68 ; T3-3 = 68 ; P3 = 280
Paso 3. Resuma los resultados como, se muestra en la tabla 7. Observe que la suma de la producción de viajes en
cada zona es igual al número de viajes producidos, dados en el enunciado del problema. Sin embargo, el número
estimado de viajes atraídos en la fase de distribución difiere del número de viajes atraídos dados. Para la zona 1,
el número correcto es 300, mientras que el valor calculado es 379. Los valores para la zona 2 son 270 contra
210, y para la zona 3 son 180 contra 161.
Tabla 6. Tiempo de viaje contra factor de fricción.

Tiempo (minutos) F
1 82
2 52
3 50
4 41
5 39
6 26
7 20
8 13
Nota: Los valores de F se obtuvieron del proceso de calibración.
Tabla 7. Viajes de zona a zona: primera iteración

Zona 1 2 3 P
1 47 57 36 140
2 188 85 57 330
3 144 68 68 280
A calculada 379 210 161 750
A dato 300 270 180 750
Paso 4. Calcule los factores de atracción ajustados de acuerdo con la fórmula

(5)
Ajk = factor ajustado de atracción para la zona de atracción (columna) j, iteración k
Ajk = Aj cuando k = 1
Cjk = atracción total actual (columna) para la zona j, iteración k
Aj = atracción total deseada para la zona de atracción (columna) j
j = número de zona de atracción, j = 1, 2,...., n
n = número de zonas
k = número de iteración, k = 1, 2,...., m
m = número de iteraciones
Paso 5. Para producir un resultado matemáticamente correcto, repita los cálculos de la distribución de viajes con
~ 19 ~
el uso de valores de atracción modificados, de modo que el número de viajes atraídos serán aumentados o
disminuidos como se requiera. Para la zona 1, por ejemplo, los viajes atraídos estimados fueron demasiado
grandes. Por tanto, los nuevos factores de atracción se ajustan hacia abajo multiplicando el valor de atracción
original, por la relación del valor de atracción original entre el estimado.
Paso 6. Aplique la fórmula del modelo de gravedad (ecuación 2) en cada iteración para calcular los
intercambios zonales de viaje, con el uso de los factores de atracción ajustados obtenidos de la iteración
anterior. En la práctica, la fórmula del modelo de gravedad se transforma en
(6)
donde Tijk es el intercambio de viajes entre i y j para la iteración k, y Ajk = Aj para k = 1. El subíndice j recorre
un ciclo completo cada vez que k cambia, e i recorre un ciclo completo cada vez que j cambia. La fórmula
anterior se encierra entre paréntesis y el subíndice indica que el proceso completo se realiza para cada
propósito de viaje.
Paso7. Realice una segunda iteración con el uso de los valores de atracción ajustados.
Paso 8. Haga cálculos similares para las zonas 2 y 3.
T2-1 = 153 ; T2-2 = 112 ; T2-3 = 65 ; P2 = 330

T3-1 = 116 ; T3-2 = 88 ; T3-3 = 76 ; P3 = 280
Paso 9. Liste los resultados como se muestra en la tabla 8. Observe que en cada caso, la suma de los viajes
atraídos está ahora mucho más cerca al valor dado. El proceso continua hasta que haya una concordancia
razonable (menor al 5 por ciento) entre el valor de A que se estima con el uso del modelo de gravedad, y los
valores que se suministran en la fase de generación de viajes.
~ 20 ~
Tabla 8. Viajes de zona a zona: segunda iteración

Zona 1 2 3 P
1 34 68 38 140
2 153 112 65 330
3 116 88 76 280
A calculada 303 268 179 750
A dato 300 270 180 750
3.2. Modelos de factor de crecimiento
La distribución de viajes también puede calcularse cuando los únicos datos disponibles son el origen y el destino
entre cada zona para el año base o actual, y los valores de generación de viajes para cada zona para el año
siguiente. Este método se usó ampliamente cuando se disponía de los datos de origen-destino, pero el modelo de
gravedad y la calibración de los factores F no eran operacionales todavía. Los modelos de factor de crecimiento
se usan principalmente para distribuir los viajes entre las zonas en el área de estudio y las zonas exteriores al
área de estudio. Ya que dependen de una matriz origen-destino existente, no puede usarse para predecir el
tránsito entre zonas en las cuales no hay datos de tránsito actualmente. Además, la única medida de la fricción
de viaje es la cantidad de viajes actuales. Entonces, el método del factor de crecimiento no puede reflejar los
cambios del tiempo de viaje entre las zonas, como es el caso del modelo de gravedad.
El modelo de factor de crecimiento más conocido es el método Fratar, que es una fórmula matemática que
proporciona estimaciones de generación de viajes para cada zona, como una función del producto del número
Tij de viajes actuales entre las dos zonas y el factor de crecimiento Gj de la zona de atracción. Entonces,
(7)
Donde
Tij = número de viajes estimados de la zona i a la zona j
ti = generación actual de viajes en la zona i
Gx = factor de crecimiento de la zona x
Ti= tiGi = generación futura de viajes en la zona i
tix = número de viajes entre la zona i y otras zonas x
tij = viajes actuales entre la zona i y la zona j
Gj = factor de crecimiento de la zona j
Ejemplo 5.
Predicción de viajes con el uso del modelo Fratar

Un área de estudio consta de cuatro zonas (A, B, C y D). La encuesta de origen-destino indica que el número
de viajes entre cada zona es como se muestra en la tabla 9. Las estimaciones para la planificación del área,
indican que en cinco años el número de viajes en cada zona, se va a incrementar de acuerdo con el factor de
crecimiento mostrado en la tabla 10, y que la generación de viajes se va a incrementar hasta las cantidades
~ 21 ~
registradas en la columna D de la tabla. Determine el número de viajes entre cada zona para las condiciones
futuras.
Solución: Usando la fórmula Fratar (ecuación 7.), se puede calcular el número de viajes entre las zonas A y
B, A y C, A y D, etc. Observe que se obtienen dos valores para cada par de zonas (es decir, TAB y TBA ).
Estos valores se promedian, obteniéndose un valor TAB = (TAB + TBA) / 2.
Los cálculos son como sigue:
Cálculos similares arrojan
Tabla 9. Generación de viajes actuales y factores de crecimiento
Generación de Factor de Generación de viajes en

Zona
viajes actuales (viajes/día) crecimiento cinco años
A 600 1.2 720
B 700 1.1 770
C 700 1.4 980
D 400 1.3 520
Tabla 10. Presentación de viajes entre zonas
Zona A B C D
A 400 100 100
B 400 — 300 —
C 100 300 — 300
D 100 — 300 —
Total 600 700 700 400
Tabla 11. Primera estimación de viajes entre zonas
C D Generación total de viajes

Zona AA B B C D estimada Generación de viajes actuales
A — 428 141 124 693 720
B 428 — 372 — 800 770
C 141 372 — 430 943 980
D 124 — 430 — 554 520
Totales 693 800 943 554
Tabla 12. Factores de crecimiento para la segunda iteración
~ 22 ~
Generación
Zona Generación de viajes actuales
estimada de viajes Factor de crecimiento
A 693 720 1.04
B 800 770 0.96
C 943 980 1.04
D 554 520 0.94
Los resultados de los cálculos anteriores, han producido la primera estimación (o iteración) de la distribución
de viajes y se muestran en la tabla 11. Sin embargo, observe que el total de cada zona no es igual al valor de
generación de viajes futuros como se afirmó anteriormente. Por ejemplo, la generación de viajes en la zona A
se estima en 693 viajes, mientras que el valor correcto es de 720 viajes. En forma similar, la estimación para la
zona B es de 800 viajes, mientras que el valor deseado es de 770 viajes.
Ahora se prosigue con una segunda iteración, en la cual los datos de entrada son el número de viajes entre
las zonas como se calculó anteriormente. También se calculan nuevos factores de crecimiento como la
relación de la generación de viajes esperada en cinco años entre la generación de viajes estimada en el cálculo
anterior. Los valores se dan en la tabla 12.
Los cálculos de la segunda iteración los cuales pueden repetirse tantas veces como sea necesario hasta que
concuerden los valores de generación de viajes estimados y los reales se realizan de igual manera.
4. Selección del modo o Distribución modal.
Es el aspecto que determina el número (o el porcentaje) de viajes entre las zonas, que se, realizan en automóvil
y en transporte público. La selección de un modo o de otro, es un proceso complejo que depende de factores
tales como ingreso del viajero, disponibilidad del servicio del transporte colectivo o de la tenencia de
automóviles, y las ventajas relativas de cada modo en términos de tiempo de viaje, costo, comodidad,
conveniencia y seguridad. Los modelos de selección del modo intentan reproducir las características relevantes
del viajero, del sistema de transporte y del mismo viaje, de modo que se obtiene una estimación realista del
número de viajes para cada modo y para cada par de zonas.
Modelos para selección modal
Ya que el transporte público es un factor importante, sobre todo en las ciudades más grandes, los cálculos de
selección de modo pueden solamente incluir los intercambios de viaje entre automóvil y transporte público.
Dependiendo del nivel de detalle requerido, se usan tres tipos de procedimientos de estimación: 1) viajes de
transporte por generación directa, 2) modelos de viaje y 3) los modelos de intercambio modal.
4.1. Métodos de generación directa.

Los viajes de transporte se generan en forma directa, estimando los viajes por el total de personas o los viajes
por el número de conductores de automóvil. La figura 7 es una gráfica que ilustra la relación entre los viajes
de transporte por día por 1000 habitantes y el número de personas por acre contra la tenencia de automóviles. A
medida que aumenta la densidad de la población, puede esperarse que también aumente el núm ero de usuarios
de los medios de transporte, para un nivel dado de tenencia de automóviles.
~ 23 ~
Figura 7. Número de viajes de transporte por

densidad de población y tenencia de
automóviles por familia. ((REF.1)
Ejemplo 6.
Estimación de la selección del modo mediante la generación directa de viajes.

Determine el número de viajes de transporte por día en una zona que tiene 5000 personas viviendo en 50 acres.
La tenencia de cero automóviles por familia, es del 40 por ciento y del 60 por ciento para la tenencia de un
automóvil por familia.
Solución:
Calcular el número de personas por acre: 5000/50 = 100. Entonces determinar el número de viajes por
transporte por día por 1000 personas (de la figura 12), para calcular el total de viajes por transporte por día para
la zona.
cero automóviles/familia: 510 viajes/día/1000 habitantes
un automóvil/familia: 250 viajes/día/1000 habitantes
Total de viajes de transporte: (0.40)(510)(5) + (0.60)(250)(5) =
1020 + 750 = 1770 viajes de transporte por día
Este método supone que los atributos del sistema no son importantes. No se consideran factores como tiempo de
viaje, costo y la comodidad. Estos modelos llamados de predistribución son aplicables cuando el servicio de
transporte público es malo y los viajeros son "cautivos", o cuando el servicio de transporte público es excelente
y la "selección" favorece claramente al transporte público. Cuando las vías rápidas y los modos de transporte
público "compiten" por los conductores de automóvil, entonces se deben considerar los factores del sistema.
4.2. Los modelos de viaje

Determinan el porcentaje de personas o de viajes de automóvil que usarán el transporte público. Las
estimaciones se hacen antes de la fase de distribución de viajes y se basan en el uso del suelo o las
características socioeconómicas de la zona. No incorporan la calidad del servicio. El procedimiento es el
siguiente:
1. Generar el total de viajes personales producidos y atraídos por propósito de viaje.
2. Calcular el factor de viaje urbano.
3. Determinar el porcentaje de estos viajes para transporte público con el uso de una curva de selección de modo
~ 24 ~
(véase la figura 8).
4. Aplicar los factores de ocupación de automóvil.
5. Distribuir los viajes en transporte público y en automóvil por separado.
El modelo de selección de modo mostrado en la figura 8, se basa en dos factores: familias por auto y personas
por milla cuadrada. El producto de estas variables se llama el factor de viaje urbano (FVU). El porcentaje de
viajes por transporte público va a aumentar hasta adoptar la forma de curva S a medida que aumenta el FVU.
Figura 8. Partición por modo de transporte contra el

factor de viajes urbanos. ((REF.1)
4.3. Los modelos de intercambio de viajes.

Incorporan variables del nivel de servicio del sistema como: el tiempo de viaje, costo de viaje, situación
económica del viajero y el relacionado con el servicio de viaje. Enseguida se describe un modelo de este tipo, el
método QRS. Este modelo ilustra los elementos básicos que se consideran en la estimación de la selección del
modo.
4.3.1. El método QRS se basa en la siguiente relación:
(8)
(9)
Donde
MSt = proporción de viajes entre la zona í y la j que usan el transporte público
MSa = proporción de viajes entre la zona i y la j que usan el automóvil
Iijm = valor conocido como la impedancia del modo de viaje m, entre i y j, que es una medida del costo total
del viaje. [Impedancia = (tiempo en minutos dentro del vehículo) + (2.5 X exceso de tiempo en minutos) + (3
X costo del viaje, $/ingreso /minuto)]
b = exponente, que depende del propósito del viaje
m = t para el modo de transporte; a para el modo automóvil
~ 25 ~
el tiempo dentro del vehículo es el tiempo que se pasa viajando en el vehículo y el exceso de tiempo, es el
tiempo que se pasa viajando pero no en el vehículo (esperando, caminando, etcétera).
El valor de la impedancia se determina para cada par de zonas y representa una medida del gasto requerido
para hacer el viaje ya sea en automóvil o en transporte público. Los datos requeridos para la estimación de la
selección del modo incluyen: 1) distancia entre zonas mediante automóvil y transporte público, 2) tarifa del
transporte público, 3) costo del automóvil al contado, 4) costo de estacionamiento, 5) velocidad en carretera y
de crucero, 6) valores del exponente b, 7) ingreso medio y 8) el exceso de tiempo, que incluye el tiempo
requerido para caminar hacia un vehículo de transporte público y el tiempo de espera o de trasbordo.
Suponga que el tiempo trabajado por año es de 120 000 minutos.
Ejemplo 7.
Cálculo de la selección del modo con el uso del modelo QRS
Para ilustrar la aplicación del método QRS, suponga que los datos mostrados en la tabla 13. han sido
desarrollados para un viaje entre una zona suburbana S y una zona D en el centro. Determinar el porcentaje de
viajes por trabajo en automóvil y en transpone público. Usar un valor de 2.0 para el exponente de los viajes al
trabajo. El ingreso medio es de 12 000 dólares por año.
Tabla 13. Datos de viaje entre dos zonas, S y D
Automóvil Transporte público

Distancia 10 mi 8 mi
Costo por milla $0.15 $0.10
Exceso de tiempo 5 min 8 min
Costo del estacionamiento $1.50 (o 0.75/viaje) -------
Velocidad 30 mi/h 20 mi/h
Solución: Use la ecuación 8.
~ 26 ~
Entonces la selección del modo de viaje por transporte público entre las zonas S y D es de 68.4 por ciento, y por
vialidad rápida el valor es de 31.6 por ciento. Estos porcentajes se aplican a los valores estimados de
distribución de viaje, para determinar el número de viajes para cada modo. Si, por ejemplo, el número de viajes
al trabajo entre las zonas S y D se calcula como 500, entonces el número por automóvil sería 500 X 0.316 =
158, y por transporté público el número de viajes sería 500 X 0.684 = 342.
4.3.2. Modelos lógicos.
Un enfoque alternativo que se usa para el análisis de la demanda del transporte, es considerar la utilidad relativa
de cada modo como una suma de cada atributo modal. Entonces la selección de un modo se expresa como una
distribución de probabilidad. Por ejemplo, suponga que la utilidad de cada modo es
(10)
donde
Ux = utilidad del modo x
n = número de atributos
Xi = valor del atributo (tiempo, costo, etc.)
ai = valor del coeficiente del atributo i (negativo, ya que los valores son desutilidad)
Entonces si se consideran 2 modos, automóvil (A) y transporte público (T), la probabilidad de seleccionar el
modo A, automóvil puede escribirse como
(11)
Esta forma es llamada el modelo lógico y proporciona una forma conveniente de calcular la selección del
modo. Los modelos de selección se utilizan dentro del proceso de planificación del transporte urbano, pero
también se emplean en los estudios de mercado para transporte público y en la estimación directa de la
demanda de viajes. En la figura 9 se muestra la gráfica de una curva lógica.
Figura 9. Selección modal de transporte público contra automóvil.(Fuente REF.1)
~ 27 ~
Ejemplo 8.
Uso del modelo lógico para calcular la selección del modo

Las funciones de utilidad para automóvil y para transporte público son las siguientes:
donde
T1 = tiempo total de viaje (minutos)
T2 = tiempo de espera (minutos)
C = costo (centavos)
Las características de viaje entre dos zonas son las siguientes:
Automóvil Transporte público

T1 20 30
T2 8 6
C 320 100
Solución: Use el modelo lógico para determinar el porcentaje de viajes en la zona, para automóvil y para
transporte público.
El uso de la ecuación 8 .
El propósito de un modelo de selección de modo es predecir la opción de producción-viaje del modo de viaje.
Los factores que explican esta conducta incluyen:

1. Las características de producción-viaje
2. Las características del viaje
3. Los atributos de modos disponibles de viaje
~ 28 ~
La distribución modal se estima en base a la funciones de utilidad de cada modo, las cuales reflejan los atributos
( tiempo, costo, seguridad, confiabilidad, confort, etc. ).
Estas funciones, extraídas de la teoría microeconómica, son de la forma :
UK = a0 + a1*Ck + a2*Tk + ……….
Donde : Uk : función de utilidad del modo k.
Ck : costo del modo k.
Tk : tiempo del modo k.
a0 + a1 + a2 : parámetros del modelo.
Y la función de estimación modal es :
Donde : Pk : Probabilidad de que el usuario utilice el modo k
Uk : función de utilidad del modo k
M: Total de modos disponibles.
En caso de dos modos una carretera y un ferrocarril para enviar carga el modelo seria:
y P C = 1 – PF
Si se reescribe el modelo:
Definiendo las funciones de utilidad:
UC = a0 + a1*CC + a2*TC
UF = a1*CF + a2*TF
NOTA : El termino independiente a0 no se incluye en las dos funciones porque desaparecería de la estimación.
Este término representa la preferencia de un modo sobre otro debido a todas las variables no incluidas en el
modelo.
~ 29 ~
De modo que la función de selección modal para el ferrocarril puede expresarse como :
Y en este caso de dos o más modos, el modelo puede calibrarse mediante análisis de regresión lineal múltiple
por mínimos cuadrados.
Ejemplo 9.
Porcentaje de usar un modo y su utilidad.
Las encuestas realizadas a las empresas que envían carga hacia el puerto en una región de alta producción
indican los costos y tiempos de entrega de la mercancía por los modos disponibles (Ferrocarril y Camiones) que
se muestran en la siguiente tabla.
Para cada zona de embarque se determinó la fracción del mercado que es absorbida por el Ferrocarril y por los
Camiones.
Asignación:
a. Formule y calibre un modelo matemático para estimar el porcentaje de de la carga que toma el
Ferrocarril y los Camiones en función del costo y tiempo de entrega.
b. Represente mediante una gráfica la fracción del mercado que toma cada modo como función de sus
atributos (Utilidades).
c. Cómo cambiará la proporción de la demanda de carga que obtendrá cada modo en la zona 7 si el
servicio de transporte cambia como sigue:
Cc = $135.00/Contenedor
CFc = $115.00/Contenedor
Tc = 8 horas
TF c = 1 3 h o r a s
Zona de Porcentajes Costos ($/Contenedor) Tiempo (Hr)
carga PFc PC camiones ferrocarril camiones ferrocarril
1 0.4 0.6 110 90 8 11.5
2 0.23 0.77 85 80 10 12.5
3 0.28 0.72 80 70 9 13
4 0.35 0.65 70 55 6 7.5
5 0.3 0.7 75 65 7.5 10
6 0.44 0.56 90 70 7 8
7 0.52 0.48 135 110 12 15
8 0.48 0.52 150 125 16 20
9 0.36 0.64 125 110 13 16
10 0.32 0.68 135 120 14 16
11 0.6 0.4 95 70 10 11
12 0.25 0.75 80 75 11 13
~ 30 ~
Solución:
a. Formulación y Calibración del modelo:
y P F = 1 – PC
UF = a0 + a1*CF + a2*TF
UC = a1*CC + a2*TC
YC X1 X2
1/PFc-1 1/Pc-1 ln(1/Pc-1) (CFc - CC) (TFc -TC)
1.50 0.67 -0.41 -20 3.5
3.35 0.30 -1.21 -5 2.5
2.57 0.39 -0.94 -10 4
1.86 0.54 -0.62 -15 1.5
2.33 0.43 -0.85 -10 2.5
1.27 0.79 -0.24 -20 1
0.92 1.08 0.08 -25 3
~ 31 ~
1.08 0.92 -0.08 -25 4
1.78 0.56 -0.58 -15 3
2.13 0.47 -0.75 -15 2
0.67 1.50 0.41 -25 1
3.00 0.33 -1.10 -5 2
∑ = -6.29 -190.00 30.00
X1*YC X2*YC X1*X2 X1^2

8.11 -1.42 -70 400
6.04 -3.02 -12.5 25
9.44 -3.78 -40 100
9.29 -0.93 -22.5 225
8.47 -2.12 -25 100
4.82 -0.24 -20 400
-2.00 0.24 -75 625
2.00 -0.32 -100 625
8.63 -1.73 -45 225
11.31 -1.51 -30 225
-10.14 0.41 -25 625
5.49 -2.20 -10 25
∑= 61.47 ∑= -16.61 ∑= -475.00 ∑= 3600.00
12.00 -190.00 30.00 ao -6.29 ao = -1.36

-190.00 3600.00 -475.00 a1 = 61.47 a1 = -0.06
30.00 -475.00 87.00 a2 -16.61 a2 = -0.07
MODELO Y = -1.36 -0.06*X1-0.07*X2
b. Graficas.
Zona de Porcentajes iniciales X1 X2 INICIAL CALCULADA Porcentajes calculados

carga PFc PC (CFc - CC) (TFc -TC) YC YC PC PFc
11 0.6 0.4 -25 1 0.41 0.18 0.46 0.54
7 0.52 0.48 -25 3 0.08 0.03 0.49 0.51
8 0.48 0.52 -25 4 -0.08 -0.05 0.51 0.49
6 0.44 0.56 -20 1 -0.24 -0.14 0.54 0.46
1 0.4 0.6 -20 3.5 -0.41 -0.33 0.58 0.42
9 0.36 0.64 -15 3 -0.58 -0.61 0.65 0.35
4 0.35 0.65 -15 1.5 -0.62 -0.50 0.62 0.38
~ 32 ~
10 0.32 0.68 -15 2 -0.75 -0.54 0.63 0.37
5 0.3 0.7 -10 2.5 -0.85 -0.90 0.71 0.29
3 0.28 0.72 -10 4 -0.94 -1.01 0.73 0.27
12 0.25 0.75 -5 2 -1.10 -1.18 0.77 0.23
2 0.23 0.77 -5 2.5 -1.21 -1.22 0.77 0.23
Porcentajes vs Utilidades
( datos iniciales )
PC , PFc
0.9
0.8
0.7
0.6
0.5
PC (INICIAL)
0.4
PFc (INICIAL)
0.3
0.2
0.1
0
(UFc - UC )
-1.50 -1.00 -0.50 0.00 0.50
Porcentajes vs Utilidades
(datos calculados ) PC , PFc
0.90
0.80
0.70
0.60
0.50
0.40 PFc (CALCULADA)
0.30 PC (CALCULADA)
0.20
0.10
0.00 (Ufc -UC )
-1.50 -1.00 -0.50 0.00 0.50
~ 33 ~
c.Estimaciones en la zona 7
CC = $ 135.00 / CONTENEDOR CFc = $ 115.00 / CONTENEDOR
TC = 8 horas TFc = 13 horas
UFc = -1.358 - 0.064*(115) – 0.074*(13) = - 9.68
Uc = -0.064*(135) – 0.074*(8) = - 9.232
PC = 1/ ( 1 + e( -9.68 – (-9.232) ) = 0.61
PFc = 1 – PC = 0.39
5. Asignación del tránsito.
La etapa final para el proceso de estimación en el transporte, es determinar las rutas reales en calles y carreteras
que se usarán y el número de automóviles y de autobuses que se espera en cada tramo de la red, es el
procedimiento que se usa para determinar los volúmenes esperados de tránsito. Ya se conoce el número de
viajes por transporte público y por automóvil que se realizan entre las zonas, ahora se asignan estos viajes a una
ruta lógica de la red vial y se suman los resultados por cada segmento de la red, el resultado es una estimación
de los volúmenes de tránsito promedio diario o en horarios pico, que van a ocurrir en el sistema de transporte
urbano que sirve al área de estudio.
Se requieren los siguientes datos: primero, se necesita saber cuántos viajes se realizarán de una zona a otra
(determinada en la fase de distribución de viajes). Segundo, se necesita conocer la disponibilidad de vialidades
o de rutas de transporte público, entre las zonas y el tiempo que tomará viajar en cada ruta. Tercero, se necesita
una regla de decisión (o algoritmo) que establezca los criterios mediante los cuales, los conductores o los
usuarios del transporte público seleccionarán una ruta.
Enfoques básicos
Pueden usarse tres enfoques básicos: 1) curvas de desviación, 2) asignación a la trayectoria de tiempo mínimo
(todo o nada) y 3) las trayectorias de tiempo mínimo con restricciones de capacidad.
5.1. La curva de desviación

Es similar al de una curva de selección de modo. El tránsito entre dos rutas se determina como una función del
tiempo relativo de viaje o del costo. En la figura 10 se ilustra una curva de desviación que se basa en la relación
del tiempo de viaje.
Figura 10. Relación de tiempos de viaje contra porcentaje de viajes

en la ruta B. (Fuente REF.1)
~ 34 ~
5.2. La trayectoria de tiempo mínimo

Asigna todos los viajes a aquellos arcos que comprenden la trayectoria de tiempo mínimo entre las dos zonas.
Algoritmo de la trayectoria mínima: Este método se selecciona debido a su uso generalizado, produce resultados
exactos, y demuestra de una manera adecuada los principios básicos contemplados. Se basa en la teoría de que
un conductor o un usuario del transporte público, seleccionará la ruta más rápida entre cualquier par de origen-
destino. El viajero siempre seleccionará la ruta que represente el tiempo mínimo de viaje, para determinar cuál
va a ser esa ruta, es necesario encontrar la ruta más corta desde la zona de origen hasta todas las otras zonas de
destino. Los resultados pueden representarse como un árbol, que se denomina capa de árbol. Todos los viajes de
esa zona se asignan a los arcos en el árbol de depuración. Cada zona se representa como un nodo en la red, la
cual representa al área completa que se está examinando. Para determinar la trayectoria mínima, se usa un
procedimiento que encuentra la trayectoria más corta sin tener que probar todas las combinaciones posibles.
El algoritmo que se va a usar consiste en conectar todos los nodos provenientes del nodo origen y conservar
todas las trayectorias como participantes hasta que una trayectoria tenga la ruta más rápida hacia el mismo
nodo, en cuya unión se eliminan los arcos con la trayectoria más lenta. El algoritmo matemático que describe el
proceso, consiste en seleccionar trayectorias que minimicen la expresión.
( 12 )
Donde
Vij = volumen en el arco i,j
Tij = tiempo de viaje en el arco i,j
i,j = nodos adyacentes
Ejemplo 10.
Encontrar las trayectorias mínimas en una red
Para ilustrar el proceso de formación de trayectorias, considere la siguiente red de 16 nodos con los tiempos de
viaje mostrados en cada arco para cada par de nodos (zona):
Figura 11. Red de 16 nodos. (Fuente REF. 1)
~ 35 ~
La red de arcos y de nodos representa el sistema de calles y caminos. Determinar la trayectoria de viaje más
corta desde el nodo 1 (nodo inicial) hasta todas las demás zonas.
Solución: Para determinar las trayectorias de tiempo mínima, desde el nodo 1 hasta todos los demás nodos, es:
Paso 1. Determinar el tiempo para los nodos que están conectados con el nodo 1. El tiempo para el nodo 2 es de
1 minuto. El tiempo para el nodo 5 es de 2 minutos. Los tiempos están anotados cerca de los nodos en el
diagrama.
Paso 2. Desde el nodo más cercano al nodo inicial (el nodo 2 es el más cercano al nodo inicial 1), haga
conexiones con los nodos más cercanos. Éstos son los nodos 3 y 6. Escriba el tiempo acumulado de viaje para
cada nodo.
Figura 12. (Fuente REF.1)
Paso 3. Desde el nodo que ahora está más cercano al nodo inicial (nodo 5), haga conexiones con los nodos
más cercanos (nodos 6 y 9). Escriba el tiempo acumulado de viaje para cada nodo.
Paso 4. El tiempo hacia el nodo 6 pasando por el nodo 5 es más corto que el tiempo pasando por la zona 2. Por
tanto, se borra el arco 2-6.
Paso 5. Tres nodos están a igual distancia del nodo inicial (nodos 3, 6 y 9). Seleccione el nodo con el número
más bajo (nodo 3) y agregue los arcos correspondientes a los nodos 4 y 7.
Paso 6. De los tres nodos a igual distancia, el nodo 6 es el siguiente más cercano al nodo inicial. Haga conexión
con las zonas 7 y 10. Elimine el arco 6-7.
Paso 7. La construcción prosigue desde el nodo 9 a los nodos 10 y 13. Elimine el arco 9-10.
Paso 8. Construya desde el nodo 7.
Paso 10. Construya desde el nodo 10, y elimine el arco 10-11,
~ 36 ~
Paso 12. Construya desde el nodo 8, y elimine el arco 11-12.
Paso 13. Construya desde el nodo 15, y elimine el arco 14-15.
Paso 14. Construye desde el nodo 12, y elimine el arco 15-16.
Para encontrar la trayectoria mínima desde cualquier nodo hasta el nodo 1, siga la trayectoria en sentido
inverso. Por ejemplo, los arcos para la trayectoria mínima desde la zona 1 hasta la zona 11 son 7-11, 3-7, 2-3 y
1-2. Entonces se repite este proceso para las otras 15 zonas, para producir los árboles para cada una de las
zonas en el área de estudio. En la figura 13 se ilustra el árbol producido para la zona 1.
Figura 13. Árbol de trayectoria mínima para la zona 1. (Fuente REF.1)
Ejemplo 11.
Cargando la red para usar el método de la trayectoria mínima
En la tabla 14 se muestran los arcos que están sobre la trayectoria mínima, para cada uno de los nodos que se
conectan al nodo 1. También se muestra el número de viajes de automóvil entre la zona 1 y todas las demás
zonas. A partir de estos resultados, se determina el número de viajes para cada arco. Para ilustrar, el arco 1-2 lo
usan los viajes desde el nodo 1 hasta los nodos, 2, 3, 4, 7, 8, 11, 12, 15 y 16. Entonces, los viajes entre estos
pares de nodos se asignan al arco 1-2 como se ilustra en la tabla 14. Los volúmenes son 50, 75, 80, 60, 30,
80, 25, 20 y 85 para un total de 505 viajes para el arco 1-2 desde el nodo 1.
Tabla 14. Arcos sobre la trayectoria mínima para los viajes

desde
Desdeel nodo 1Viajes Arcos en la trayectoria mínima
Hacia
1 2 50 1-2
3 75 1-2,2-3
4 80 1-2, 2-3, 3-7, 7-8, 4-8
5 100 1-5
6 125 1-5, 5-6
~ 37 ~
7 60 1-2, 2-3, 3-7
8 30 1-2, 2-3, 3-7,7-8
9 90 1-5, 5-9
10 40 1-5, 5-6, 6-10
11 80 1-2, 2-3, 3-7, 7-11
12 25 1-2,2-3, 3-7, 7-8, 8-12
13 70 1-5, 5-9, 9-13
14 60 1-5, 5-9, 9-13, 13-14
15 20 1-2,2-3, 3-7, 7-11, 11-15
16 85 1-2,2-3,3-7,7-8,8-12,12-16
Solución: Para calcular el número de viajes que deben asignarse a cada arco, de los que han sido generados en
el nodo 1, y distribuidos a los nodos 2 hasta el 16 (tabla 15). Se completaría un proceso similar para cargar la
red para todos los demás pares de zonas. Los cálculos para la asignación del tránsito, así como para otras
paradas en el sistema del modelo de predicción, pueden realizarse con el uso de programas para computadoras.
Tabla 15. Asignación de viajes del nodo 1 hacia los arcos de la red
de vialidades
Arco. Viajes sobre el enlace Total
1-2 50, 75, 80, 60, 30, 80, 25,20,85 =505
2-3 75, 80, 60, 30, 8O, 25, 20, =455
1-5 100, 125, 90, 40, 70, 60 =485
5-6 125, 40 =165
7-8 80,30,25,85 =220
4-8 80 =80
5-9 90,70,60 =220
6-10 40 =40
7-11 80, 20 =100
8-12 25 85 =110
9-13 70, 60 =130
11-15 20 =20
12-16 85 =85
13-14 60 =60
5.3. La restricción de la capacidad

es un refinamiento del método de la trayectoria mínima en el cual, después de que todo el tránsito ha sido
asignado a un arco, se ajustan los tiempos de viaje para cada arco, con base en la capacidad del arco y en el
número de viajes para cada arco, requiere de asignaciones repetidas y de ajustes del tiempo de viaje hasta que se
alcanza un equilibrio.
El número de viajes que se asigna a cada arco se compara con la capacidad del mismo, para determinar cuánto se
ha reducido el tiempo de viaje en el arco. Con el uso de relaciones entre el volumen y el tiempo de viaje (o la
velocidad), es posible recalcular el nuevo tiempo de viaje para el arco. Entonces se hace una reasignación con
base en estos nuevos valores. El proceso iterativo continúa hasta que se alcance un equilibrio.
La relación volumen-velocidad que se usa comúnmente en los programas de computadora, que fue desarrollada
por el Departamento de Transporte de Estados Unidos, se ilustra en la figura 14 y se expresa con la siguiente
fórmula:
~ 38 ~
(13)
donde
t = tiempo de viaje sobre el arco
to = tiempo de viaje de flujo libre
V = volumen del arco
C = capacidad del arco
Figura 14. Tiempo de viaje contra volumen del vehículo. (Fuente

REF.1)
Ejemplo 12.
Cálculo del tiempo de viaje para capacidad restringida
En el ejemplo 11, el volumen para el arco 1-5 fue de 485 y el tiempo de viaje fue de 2 minutos. Si la capacidad
del arco es de 500, determine el tiempo de viaje en el arco que debe usarse, para la siguiente iteración en la
asignación del tránsito.
Solución:
=2.27 minutos
6.Otros métodos para la predicción de la demanda.
6.1. Análisis de tendencias
Este enfoque para estimar la demanda se basa en la extrapolación de tendencias pasadas. Por ejemplo, para
predecir la cantidad de tránsito en un camino rural, se grafican los datos de aforos vehiculares de años
anteriores contra el tiempo. Entonces, para calcular el volumen de tránsito para una fecha futura, se extrapola
hacia adelante a la línea de tendencia, o si no, se usa la tasa de crecimiento promedio. Con frecuencia se
~ 39 ~
desarrolla una expresión matemática con el uso de técnicas estadísticas, o también una relación
semilogarítmica. Aunque es de aplicación simple, el análisis de línea de tendencia, tiene la desventaja de que
las estimaciones de la demanda, se basan en extrapolaciones del pasado y entonces no se toman en cuenta los
cambios que pueden ser dependientes del tiempo.
6.1.1. Elasticidad de la demanda
La demanda de viaje también puede determinarse si se conoce la relación entre la demanda y una variable de
servicio que sea clave (tal como el costo de viaje). Si V es el volumen (demanda) para un nivel de servicio X
dado, entonces la elasticidad de la demanda, E(V), es el cambio porcentual del volumen dividido entre el
cambio porcentual del nivel de servicio, o sea
(14)
(15)
Ejemplo 13.
Predicción de la reducción de la fluidez del tránsito debido a un incremento de tarifa
Para ilustrar el uso de la elasticidad de la demanda, una regla aproximada en la industria del tránsito establece
que para cada 1 por ciento de aumento en las tarifas, habrá un tercio del 1 por ciento de reducción en la fluidez
del tránsito. Si la fluidez actual es de 2000/día para una tarifa de 30 centavos, ¿cuál será la fluidez si la tarifa
aumenta a 40 centavos?
Solución: En este caso E(V) = 1/3 y
Esto significa que la nueva fluidez del tránsito es 2000 — 222 = 1778 pasajeros/día.
7. Anexos.
7.1. Regresión Lineal simple

Los valores observados son Y , X.
(16)
~ 40 ~
Figura 15. Diagrama de datos esparcidos.(Fuente REF.2)
representa el error correspondiente a la ia observación; es decir la diferencia entre el

valor observado y el valor estimado por la curva de regresión.
El error total de la estimación se expresa como la suma del error en cada punto observado:
En las condiciones matemáticas, encontrar los valores de a y b que minimizan la suma:
Figura 16. Regresión lineal.(Fuente REF.2)
~ 41 ~
Sustituyendo el valor de por a + bXi
Tomando las derivadas parciales de S con respecto a a y b e igualando a cero
Dividiendo por 2 y reestructurando las condiciones dan
La aplicación de la regla de Cramer lleva a.
Sustituyendo los valores promedios de las observaciones y definidos como
donde N es el número total de datos experimentales, pueden volverse a escribir como
Dividiendo por el número de observaciones N y sustituyendo obtenemos
Sustituyendo el valor de b obtenido
~ 42 ~
Figura 17. La correlación. (Fuente REF.2)
7.2. Regresión Nolineal directa.
Figura 18. No linealidad. (Fuente REF.2)
Ejemplo 14 :
Parábola de los mínimos Cuadrados.

Encaje una ecuación de la forma a los datos siguientes:
Y 30 40 65 85
X 2 3 4 5
Solución: los parámetros desconocidos a , b, y c son computados minimizando la suma de desviaciones

cuadradas, o
Las ecuaciones características siguientes son el resultado de tomar las derivadas parciales de S con respecto a a
, b, y c e igualarlas a cero :
~ 43 ~
Sustituyendo los datos dados en las ecuaciones características:
qué, resolviendo simultáneamente, da los valores siguientes:

a = 16, b = 1.5, y c = 2.5
Así la parábola que más se ajusta a los datos es:
7.3. Regresión lineal múltiple.
ECUACION GENERAL
Y = viajes G n = numero de datos; = ( constantes );
X1...... Xn = ( Variables independientes : población (P), empleos (E), ingresos (I), autos (A))
En forma matricial.
~ 44 ~
7.4. Prueba de CONSISTENCIA de los PARAMETROS α y β y del MODELO.
Ŷ = α + βx
El estimador derivado para β es:
Expandiendo el numerador se tiene
Si denominamos
Entonces
Lo cual demuestra que β es una combinación lineal de los valores de Y.
El valor esperado de β es :
Y la varianza de β es :
~ 45 ~
Y el valor de la desviación estándar de β es :
Donde σ2 es la varianza de los valores de Y dado X ( la cual se asume constante ).

El valor estimado de σ2 es S2 :
7.5. Prueba de hipótesis para los parámetros α y β .
7.5.1. Parámetro α :
La hipótesis nula es Ho : α = 0
La hipótesis alterna es Ho : α ≠ 0
Para que se pueda rechazar la hipótesis nula el valor de α debe estar fuera del rango definido por:
Donde es el valor estimado del parámetro α verdadero de la población.
El valor de C se obtiene de la distribución de probabilidades t-student para un grado de confianza w y N – 2

grados de libertad.
El valor de w usualmente es 5 – 10 %. Se utiliza N – 2 grados de libertad ya que la estimación de

α y β reduce los valores de información independientes en 2. Para el caso de M variables independientes (β1
….. βj ….. βM ) los grados de libertad son N – ( M + 1 ).
~ 46 ~
Utilizando la distribución t :
La varianza estimada de α es :
7.5.2.Parámetro β :
La hipótesis nula es Ho : β = 0
La hipótesis alterna es Ho : β ≠ 0
El intervalo de no rechazo de la hipótesis nula :
Si β cae dentro de este rango no se pude rechazar la hipótesis nula ( β = 0 ) ; por lo que se concluye que, en base
a la data disponible, Y no depende de X. Si β está fuera de este rango se pude aceptar la relación entre Y y X
con un grado de confianza 1 – w .
Recordando que :
El valor estimado de σ es S y de de modo que :
~ 47 ~
7.6.Prueba de ajuste global del modelo.

La Hipótesis nula establece que la correlación múltiple es igual a 0. La prueba se realiza verificando la
consistencia estadística de la relación entre la variable explicada ( Y ) y las variables independientes ( X ).
La bondad o ajuste global del modelo se representa mediante la relación entre la variación explicada, reflejada
en el modelo, por medio de la recta de regresión y la variación total observada en la variable dependiente
menos la que toma en cuenta la regresión; es decir , los residuos ( términos de error ).
Esta relación, al ser un cociente, toma la forma de una distribución de probabilidades “F”
Donde :
SSREG = Suma de cuadrados de las desviaciones explicadas por la regresión.
SSRES : Suma de cuadrados de la variación no explicada o residual
K : numero de variables independientes en el modelo XS

N : tamaño de la muestra (ej : numero de zonas )
La razón F tiene una distribución similar a la función de distribución de probabilidades “ F “ con

K y ( N – K – 1 ) grados de libertad.
Coeficiente de determinación de la regresión.
SST : suma total de desviaciones al cuadrado, con respecto al promedio.
~ 48 ~
Y la suma de cuadrados del error ( residuos ) es :
La variación no explicada es :
y la variación explicada es :
esta relación se define como coeficiente de determinación de la regresión.
Si se expresa en términos de SSR ( suma de cuadrados de la regresión )
Ejemplo 15.
Se tienen los siguientes datos de viajes y población para 12 zonas , calibre el mejor modelo que se ajuste a
los datos y verifique que las variables son significativas y el modelo es consistente.
MODELO : Y = α + β*X
Tabla de datos:
Zona Viajes Población

No. Y X
1 44 89
2 46 76
3 33 59
4 43 104
5 39 94
6 37 48
7 29 37
8 34 66
9 46 83
10 52 91
11 33 72
12 46 64
~ 49 ~
Tabla de cálculos:
Obs No. Y X Y2 X2
1 44 89 1936 7921 43.7 0.3 0.09 14.7 12.5
2 46 76 2116 5776 40.7 5.3 27.88 34.0 0.3
3 33 59 1089 3481 36.8 -3.8 14.64 51.4 11.2
4 43 104 1849 10816 47.1 -4.1 17.08 8.0 48.5
5 39 94 1521 8836 44.8 -5.8 34.14 1.4 21.9
6 37 48 1369 2304 34.3 2.7 7.25 10.0 34.3
7 29 37 841 1369 31.8 -2.8 7.77 124.7 70.2
8 34 66 1156 4356 38.4 -4.4 19.62 38.0 3.0
9 46 83 2116 6889 42.3 3.7 13.52 34.0 4.7
10 52 91 2704 8281 44.2 7.8 61.53 140.0 15.9
11 33 72 1089 5184 39.8 -6.8 46.29 51.4 0.1
12 46 64 2116 4096 38.0 8.0 64.45 34.0 4.8
40.2 73.6
19902 69309 314.28 541.67 227.39
0.23 23.3
0.09 6.47
0.42 5.61
F GLib 7.24 10
MODELO :
541=314.28+227.39
2
R = 1 – SSRESIDUOS / SST = 1 – 314.28/541.67 = 0.42
~ 50 ~
Intervalos de confianza : ( 10% ) : w/2 = 5%
Valor de α :
C = [ t5% , 10 ] *
De la distribución t-student t5% , 10 = 1.813
C = 1.813*6.21 = 11.26
-11.26 ≤ ≤ 11.26 intervalo de no rechazo.
En este caso α = 23.31 se rechaza la hipótesis nula y α es significativo al 10%.
Prueba para β :
t5% , 10 = 1.813
-0.185 ≤ ≤ 0.185 intervalo de no rechazo.
Valor estimado de β = 0.23 se rechaza la hipótesis nula.
Modelo
Para el modelo global :
SSREG =227.39 K=1 N=12 (N –K – 1 ) = 10 SSRES = 314.28
De la distribución F con ( 1 , 10 ) F! = 4.96
F > F! entonces la relación tiene consistencia estadística.
~ 51 ~
8. Conclusiones
La estimación de la demanda de viajes urbanos comprende una serie de tareas. Entre éstas el análisis de la
población y de la economía, predicciones de uso del suelo, generación de viajes, distribución de viajes, selección
del modo y asignación del tránsito. El desarrollo de programas de computadora para calcular los elementos
dentro de cada tarea, ha simplificado en gran medida la implementación del proceso de estimación de la
demanda. También se requieren estimaciones de la demanda de viajes, para determinar una evalua ción
económica de las diferentes alternativas del sistema.
Generación de viajes es la estimación de los viajes totales que generan cada zona de una región de estudio. Para
el estudio de la región, esta se divide en zonas de características relativamente homogéneas: residencial,
comercial, turística, escolar, agrícola, (por actividad), minera, portuaria, etc. La generación de viajes en cada
zona se expresa como una función de sus características socio-económicas, las cuales deben ser atributos de
fácil y confiable medición, como: población, nivel de ingreso, producción, espacio comercial, hectáreas
cultivadas, facilidades turísticas, número de empleos, tenencia de automóviles, etc.El propósito de los modelos
de distribución espacial es estimar el destino de los viajes originados en cada zona. Esta atracción depende del
propósito de los viajes; por lo que es usual calibrar los modelos según el motivo del viaje.
La distribución modal se estima en base a la funciones de utilidad de cada modo, las cuales reflejan los atributos
(tiempo, costo, seguridad, confiabilidad, confort, etc. ). Estas funciones son extraídas de la teoría
microeconómica.
La Asignación del tránsito es la etapa final para el proceso de estimación en el transporte, es determinar las
rutas reales en calles y carreteras que se usarán y el número de automóviles y de autobuses que se espera en
cada tramo de la red, es el procedimiento que se usa para determinar los volúmenes esperados de tránsito.
9. Bibliografía
1. Ingeniería de Transito y Carreteras
Tercera Edicion Nicolas J. Garber Lester A. Hoel Thomson
Capitulo 12 págs. 541-575
2. Transportation Engineering & Planning
( C.S Papacostas P.D.Prevedouros Third Edition Prentice Hall )
Parte 2 Capitulo 8 pag ( 348-442 )
3. Principles of Highway Engineering and Trafic Analysis
Fred L. Mannering , Walter P. Kilareski ( Second Edition Wiley )
Capitulo 8 pag 251-285.
4. Transportation Engineering & Planning
(C.S Papacostas P.D.Prevedouros Third Edition Prentice Hall)
Parte 4 Capitulo 13 pag ( 588-607 )
5. Probabilidad y estadística para ingenieros
Ronald E. Walpole,Raymond H. Myers,Sharon L. Myers Prentice HALL Sexta Edicion.
6. Probabilidad y estadística para ingeniería y ciencias
Jay L Devore Thomson Sexta Edicion.
7. Apuntes de la Profesora Ivet Anguizola.
8. Apuntes del Profesor Angelino Harris.
~ 52 ~

Analisis de La Demanda de Transporte Planificacion PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Analisis de La Demanda de Transporte Planificacion PDF

Cargado por

Copyright:

Formatos disponibles

Ingeniería de Transportes I

Facultad de Ingeniería Civil

Análisis de la Demanda de viajes.

1.1. Enfoques para la estimación de la demanda.

1.2. Factores que influyen en la demanda de viajes.

1.3. Secuencia de etapas para la estimación de viajes.

Figura 1. Proceso para la estimación de viajes. (Fuente REF.1)

2.1. Clasificación cruzada.

El desarrollo de las curvas de generación de viajes a partir de datos de la familia

Número Viajes Ingreso por Automóviles

Tabla .2 Número y porcentaje de familias en cada categoría de ingreso contra tenencia de

Figura 3.Familias por tenencia de automóviles y categoría de ingresos.

Tabla .3 Promedio de viajes por familia contra ingreso y tenencia de automóviles

Figura 5. Viajes por objetivo y categoría de ingresos.

2.2. Modelo lineal de Generación de Viajes:

Gi = f(Xi) generalmente la f(Xi) se estima como un modelo lineal

Gi = α + β1*X1i + β2*X2i + ………+ βi*Xmi (1)

Regresión lineal múltiple.

Población Número de Ingresos Número Número de

Población Número de Ingresos Número Número de

Modelo General : Y = a + b1*X1 + b2*X2 + b3*X3 + b4*X4

Calibración por regresión lineal múltiple.

∑= 214925 49808 97139 75427 208814

5.54E+08 1045926709 807983948 249732483 185635231 362250523 2379969813 132312404

X3^2 X4^2 X1*Y X2*Y X3*Y X4*Y

487857335 295278811 2321336984 545920897 1029441681 778886453

Resolviendo el sistema lineal:

20 214925 49808 97139 75427 a 208814

214925 2379969813 553615683 1045926709 807983948 b1 2321336984

49808 553615683 132312404 249732483 185635231 b2 = 545920897

75427 807983948 185635231 362250523 295278811 b4 778886453

a= -6253.58 Sa = 9067.41 R^2= 0.79

Y = -6253.58 + 1.32*X1 -1.01*X2 + 1.21*X3 -0.23*X4

G = -6253.58 + 1.32*P -1.01*A + 1.21*I -0.23*E

3.1. Modelo de gravedad.

Gi : total de viajes generados en la zona i Aj : grado de atracción de la zona j ( número de empleos,

El modelo de distribución espacial calibrado tiene la forma:

Zona D 1.5 Km Zona F

GA = TAB + TAC + TAD + TAE + TAF + TAG

TAB = 26246.72 = 26247 viajes/día

Verificación GA = ∑Tij 63000 = 26247+13931+16239+3929+2213+441

Figura 6. Calibración de los factores F.

Uso de los factores F calibrados y de la iteración

Tabla 4. Producción y atracción de viajes para un área de estudio de tres

Tabla 5. Tiempo de viaje entre zonas (minutos)

Paso 2. Haga cálculos similares para las zonas 2 y 3.

T2-1 = 188 ; T2-3 = 85 ; T2-3 = 57 ; P2 = 330

Tabla 6. Tiempo de viaje contra factor de fricción.

Tabla 7. Viajes de zona a zona: primera iteración

Paso 4. Calcule los factores de atracción ajustados de acuerdo con la fórmula

Paso 8. Haga cálculos similares para las zonas 2 y 3.

T2-1 = 153 ; T2-2 = 112 ; T2-3 = 65 ; P2 = 330

Tabla 8. Viajes de zona a zona: segunda iteración

3.2. Modelos de factor de crecimiento

Predicción de viajes con el uso del modelo Fratar

Los cálculos son como sigue:

Cálculos similares arrojan

Tabla 9. Generación de viajes actuales y factores de crecimiento

Generación de Factor de Generación de viajes en

C D Generación total de viajes

4. Selección del modo o Distribución modal.

Modelos para selección modal

4.1. Métodos de generación directa.

Gi = α + β1X1i + β2X2i + ………+ βi*Xmi (1)

Modelo General : Y = a + b1X1 + b2X2 + b3X3 + b4X4

X3^2 X4^2 X1Y X2Y X3Y X4Y

Y = -6253.58 + 1.32X1 -1.01X2 + 1.21X3 -0.23X4

G = -6253.58 + 1.32P -1.01A + 1.21I -0.23E

UK = a0 + a1Ck + a2Tk + ……….

X1YC X2YC X1*X2 X1^2

MODELO Y = -1.36 -0.06X1-0.07X2