Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EJERCICIO 1
Una de las informaciones que se trataba de captar en la encuesta realizada era detectar
cuál de las dos líneas seleccionaba la persona, sabiendo que existe una LÍNEA 1 con
más frecuencia, pero más tiempo de recorrido, que otra LÍNEA 2 de menor frecuencia.
eθ ⋅ X 1
i
P =i
eθ ⋅ X 1 + eθ ⋅ X 2
1 i i
P2i = 1− P1i
L(θ ) = ∏∏ ( Pji )
gij
L(θ ) = P11 ⋅ P22 ⋅ P13 ⋅ P14 ⋅ P15 ⋅ P26 ⋅ P27 ⋅ P18 ⋅ P29 ⋅ P110
1 – Derivar parcialmente (en este caso, totalmente, porque sólo hay un parámetro)
respecto de θ. Pero es más cómodo si antes tomamos Ln en la función.
∂ ln( f (θ )) f ' (θ ) ∂e f (θ )
= ; = f ' (θ ) ⋅ e f (θ )
∂θ f (θ ) ∂θ
∂l (θ ) 11 ⋅ e11⋅θ + 16 ⋅ e16⋅θ 10 ⋅ e10⋅θ + 10 ⋅ e10⋅θ
= 11 − + 10 − +
∂θ e11⋅θ + e16⋅θ e10⋅θ + e10⋅θ
15 ⋅ e15⋅θ + 17 ⋅ e17⋅θ 11 ⋅ e11⋅θ + 9 ⋅ e 9⋅θ 9 ⋅ e 9⋅θ + 12 ⋅ e12⋅θ
+ 15 − + 11 − +9− +
e15⋅θ + e17⋅θ e11⋅θ + e 9⋅θ e 9⋅θ + e12⋅θ
16 ⋅ e16⋅θ + 11 ⋅ e11⋅θ 14 ⋅ e14⋅θ + 10 ⋅ e10⋅θ 13 ⋅ e13⋅θ + 13 ⋅ e13⋅θ
+ 11 − + 10 − + 13 − +
e16⋅θ + e11⋅θ e14⋅θ + e10⋅θ e13⋅θ + e13⋅θ
11 ⋅ e11⋅θ + 10 ⋅ e10⋅θ 9 ⋅ e 9⋅θ + 14 ⋅ e14⋅θ
+ 10 − +9−
e11⋅θ + e10⋅θ e 9⋅θ + e14⋅θ
x = eθ = 0,48526 ⇒ ln x = θ = −0,72307
2 – Representación gráfica de la función de log-verosimilitud respecto de θ. El máximo
coincide con el obtenido anteriormente mediante derivaciones matemáticas. En este
caso, la resolución es más aproximada.
-3,892
-3,893
-3,894
ln L(theta)
-3,895
-3,896
-3,897
-3,898
-0,76 -0,75 -0,74 -0,73 -0,72 -0,71 -0,7 -0,69 -0,68
Parámetro (theta)
P1i =
e −0,72307⋅ X1 + e −0,72307⋅ X 2
i i
P2i = 1− P1i
OBSERVACIÓN VALOR DE P
P1 P2
1 0,9738 0,0262
2 0,5 0,5
3 0,8094 0,1906
4 0,1906 0,8094
5 0,8975 0,1025
6 0,0262 0,9738
7 0,0525 0,9475
8 0,5 0,5
9 0,3267 0,6733
10 0,9738 0,0262
L(θ ) = P11 ⋅ P22 ⋅ P13 ⋅ P24 ⋅ P15 ⋅ P26 ⋅ P27 ⋅ P18 ⋅ P29 ⋅ P110
Derivando respecto a θ:
∂l (θ ) 5 ⋅ e16⋅θ 2 ⋅ e17⋅θ
= 11 − 11 + 11⋅θ + 10 − (10 ) + 15 − 15 + 15⋅θ +
17⋅θ
∂θ e + e16⋅θ e + e
2 ⋅ e11⋅θ 3 ⋅ e12⋅θ 5 ⋅ e16⋅θ
+ 9 − 9 + 11⋅θ + 9 − 9 + 9⋅θ + 11 − 11 + 16⋅θ +
e + e 9⋅θ e + e12⋅θ e + e11⋅θ
4 ⋅ e14⋅θ e11⋅θ
+ 10 − 10 + 14⋅θ + 13 − (13) + 10 − 10 + 11⋅θ +
e + e10⋅θ e + e10⋅θ
5 ⋅ e14⋅θ 5 ⋅ e16⋅θ 2 ⋅ e17⋅θ 2 ⋅ e11⋅θ 3 ⋅ e12⋅θ
+ 9 − 9 + 9⋅θ = − 11⋅θ
14⋅θ 16⋅θ
− 15⋅θ 17⋅θ
− 11⋅θ 9⋅θ
− 9⋅θ 12⋅θ
−
e + e e + e e + e e + e e + e
16⋅θ
5⋅e 4 ⋅ e14⋅θ e11⋅θ 5 ⋅ e14⋅θ 5 ⋅ x16
− 16⋅θ − − − = − 11 16 −
e + e11⋅θ e14⋅θ + e10⋅θ e11⋅θ + e10⋅θ e 9⋅θ + e14⋅θ x +x
2⋅ x 17
2⋅ x 11
3⋅ x 12
5⋅ x 16
4⋅ x 14
x11 5 ⋅ x14
− 15 − − − − − −
x + x17 x11 + x 9 x 9 + x12 x16 + x11 x14 + x10 x11 + x10 x 9 + x14
En este caso, no existe solución que iguale esta expresión a 0.
• El único valor que podría ser válido sería x=0. Sin embargo, los denominadores
nos quedarían nulos, con lo estaríamos dividiendo 0 entre 0, lo que es una
indeterminación.
• Incluso aunque x=0 fuera válido, no tiene sentido lógico, ya que, para calcular θ,
necesitaríamos obtener el logaritmo neperiano de x, que no existe si x=0.
50
d l (theta) / d theta
-50
-100
-150
-2,5 -2 -1,5 -1 -0,5 0 0,5 1 1,5 2 2,5
X
Por tanto, podemos extraer una importante conclusión de este apartado, dado que se ha
comprobado que, si entre las observaciones no hay ninguna que contenga una respuesta
“equivocada”, el modelo es inestimable.
La razón de esta circunstancia es que los modelos de elección discreta se basan en una
teoría probabilística. Si no hay nadie que se “equivoque”, el error sería nulo, y no
estamos ante un modelo probabilístico, sino determinista.
En dicho caso, el modelo logit multinomial que estamos intentando calibrar no tiene
sentido, ya que se basa en la hipótesis de que los errores siguen una distribución de
probabilidad según la Ley de Gumbel. Dado que los errores son nulos, evidentemente
no se ajustan a esta distribución, con lo que no es aplicable este tipo de modelo, ni
ningún otro que tenga un enfoque probabilístico.
eVi
Pi =
∑e
Vj
Para que existiera alguna probabilidad Pk nula, debería darse que la exponencial de Vk
fuera también nula, lo que sólo sucedería si la utilidad representativa tuviera valor - ∞.
Dado que esta utilidad representativa es una función de números reales, generalmente
con forma polinómica, es imposible que valga - ∞, por lo que no puede darse el caso de
que la probabilidad de elección de alguna alternativa sea nula.
Por otra parte, dado que la suma de las probabilidades de todas las alternativas
disponibles debe ser igual a la unidad, y dado que no hay ninguna probabilidad nula,
también podemos deducir que no habrá ninguna probabilidad igual a 1.
∂l (θ ) ∂ ln L(θ ) L ′(θ )
l ′(θ ) = = = ⇒ L ′(θ ) = l ′(θ ) ⋅ L(θ )
∂θ ∂θ L(θ ) L ′(θ ) = 0 ⇔ l ′(θ ) = 0
L(θ ) ≠ 0
Sin embargo, no basta con que la derivada se anule para que el punto sea un máximo
de la función. También es necesario que la segunda derivada sea negativa, para
demostrar que la función es cóncava hacia las ordenadas negativas. Dicha segunda
derivada de la función l(θ) valdrá:
∂ L (θ )
′
∂l ′(θ ) L(θ ) L ′′(θ ) ⋅ L(θ ) − L ′(θ ) ⋅ L ′(θ )
l ′′(θ ) = = =
∂θ ∂θ (L(θ ))2
Para el valor de theta en que las derivadas de L(θ) y l(θ) se anulan, esta expresión vale:
L ′′(θ ) ⋅ L(θ )
l ′′(θ ) =
(L(θ ))2
Además, como ya se ha demostrado anteriormente, L(θ) está comprendida entre 0 y 1,
pero sin alcanzar nunca dichos valores. Entonces, (L(θ))2 también estará en ese rango.
Así, dado que ambas funciones tienen valores positivos, podemos concluir que, para el
valor de theta que anula las derivadas de L(θ) y de l(θ), el signo de las segundas
derivadas coincide.
L(θ )
l ′′(θ ) = L ′′(θ ) ⋅
(L(θ ))2
0 < L(θ ) < 1 ⇒ Signo l ′′(θ ) = Signo L ′′(θ )
0 < (L(θ )) < 1
2
Considere un modelo logit binario para coche y autobús, con las siguientes funciones de
utilidad representativa:
Opción Nivel de
Individuo ta tb ca cb
escogida ingreso
1 Coche Alto 30,2 45,0 10 5
2 Coche Bajo 34,8 50,2 55 35
3 Bus Bajo 12,0 14,0 45 17
4 Bus Alto 45,0 50,6 8 5
5 Bus Bajo 15,3 20,5 50 17
6 Coche Alto 47,5 83,2 15 7
7 Bus Bajo 65,5 100,5 200 54
8 Coche Alto 22,0 30,4 13 4
1) Enumeración muestral
eVcoche
P(coche) = Vcoche
e + eVbus
2) Enfoque inocente
Vauto = 0,35 – 0,03 ta – 0,15 ca = 0,35 – 0,03 * 34,0 – 0,15 * 0,50 = – 0,745
3) Clasificación
A partir de los valores medios de los parámetros de las cuatro variables, se obtienen las
utilidades medias de cada estrato, así como su probabilidad de elección del coche. Esta
información se presenta en las tablas que siguen:
Por último, la proporción global se calcula ajustando las probabilidades de cada estrato
al número de individuos del mismo que configuran la población:
De este modo, la proporción agregada resulta exactamente igual que la obtenida por el
enfoque inocente. Ello es debido a que, en este caso, los dos estratos dividen a la
población en dos mitades exactamente iguales, por lo que al final la clasificación resulta
similar al promedio global.
Sin embargo, dado que en la población estos estratos no estarán exactamente igual
distribuidos, sí serían distintos los resultados Las proporciones que hay que emplear
son las de la población, no las de la muestra En este caso las desconocemos
EJERCICIO 3
Considere un modelo logit binario para coche y autobús, en el que las siguientes
funciones de utilidad representativa han sido estimada con base en una muestra de 750
individuos pertenecientes a un sector particular del área urbana:
Variable
Modo
t e c
Coche 25 5 1,40
Autobús 40 8 0,50
Este problema se puede resolver mediante un análisis de pivoteo, ya que conocemos las
proporciones de mercado de la población, así como las funciones de utilidad de las
diferentes alternativas.
p BUS ⋅ e ∆U BUS
pˆ BUS =
p BUS ⋅ e ∆U BUS + pCOCHE ⋅ e ∆U COCHE
pCOCHE ⋅ e ∆U COCHE
pˆ COCHE =
p BUS ⋅ e ∆U BUS + pCOCHE ⋅ e ∆U COCHE
Es decir, un 0,2% (variación absoluta, tomada como proporción final menos proporción
inicial) del total de la población dejará de emplear el autobús, comenzando a viajar en
coche. En variaciones relativas, tendremos que un 0,25% de los usuarios de coche dejan
de utilizarlo, y que el uso del autobús aumento un 1% respecto de su valor inicial.
En este caso, del 80,1% de proporción de uso del autobús, ésta desciende hasta un 57%,
produciéndose por tanto un cambio de modo (variación absoluta) en el 23,1% de los
usuarios.
Por tanto, se observa que el efecto de ambas modificaciones influye de manera superior
que el de cada una por separado (respecto de la situación original), como podríamos
esperar. En los casos anteriores había un trasvase (en variaciones absolutas) de usuarios
de un 0,2% y un 23,1%, mientras que, con las dos acciones conjuntamente, este valor es
de un 23,4% de usuarios, ligeramente superior a la suma de los anteriores.
Nota: Se podría calcular también este último apartado aplicando los cambios del coche a
las proporciones de mercado, una vez modificadas por la actuación sobre las tarifas del
autobús.
EJERCICIO 4
Para ello, realizaron una encuesta de preferencias declaradas a los trabajadores de dicho
polígono, en la que se les preguntaba si emplearían el transporte público o el vehículo
privado en una serie de escenarios hipotéticos de promoción del autobús. Las variables
que se incluyeron en dicha encuesta fueron: coste del viaje (ccoche y cbus), duración del
viaje (tcoche y tbus) e intervalo entre autobuses (Ibus).
Los resultados de 4 observaciones de la encuesta escogidas al azar son los que siguen:
ccoche cbus tcoche tbus Ibus Opción
Observación
(€) (€) (min) (min) (min) escogida
1 3,00 0,30 20 18 15 Bus
2 2,50 0,30 20 18 20 Coche
3 2,50 0,24 20 18 20 Bus
4 2,50 0,24 20 30 15 Coche
Empleando la formulación que nos aporta el enunciado, podemos calcular el coste del
tiempo de viaje de ambos modos (6 €/hora), y también del tiempo de espera (mitad del
intervalo) del autobús (10,5 €/hora). Finalmente, sumando a éstos el coste del viaje, se
obtiene el coste generalizado:
Dadas las funciones de utilidad que nos dan en el enunciado, el modelo se reduce un
logit binario.
Vcoche = θ * Cg, coche
Vbus = θ * Cg, bus
Así, únicamente existen dos alternativas con un solo atributo. Por tanto:
eθ ⋅Cgb
i
P =i
eθ ⋅Cgb + eθ ⋅Cg c
b i i
Pci = 1 − Pbi
1 – Derivar parcialmente (en este caso, totalmente, porque sólo hay un parámetro)
respecto de θ. Pero es más cómodo si antes tomamos Ln en la función.
∂ ln( f (θ )) f ' (θ ) ∂e f (θ )
= ; = f ' (θ ) ⋅ e f (θ )
∂θ f (θ ) ∂θ
3,41 ⋅ e 3, 41⋅θ + 5 ⋅ e 5⋅θ 3,41 ⋅ e 3, 41⋅θ + 3,41 ⋅ e 5⋅θ 1,59 ⋅ e 5⋅θ 1,59 ⋅ e 5⋅θ
= + 3, 41⋅θ = 3,41 + 3, 41⋅θ
e 3, 41⋅θ + e 5⋅θ e 3, 41⋅θ + e 5⋅θ e + e 5⋅θ e + e 5⋅θ
3,85 ⋅ e 3,85⋅θ + 4,5 ⋅ e 4,5⋅θ 3,85 ⋅ e 3,85⋅θ + 3,85 ⋅ e 4,5⋅θ 0,65 ⋅ e 4,5⋅θ 0,65 ⋅ e 4,5⋅θ
= + 3,85⋅θ = 3,85 + 3,85⋅θ
e 3,85⋅θ + e 4,5⋅θ e 3,85⋅θ + e 4,5⋅θ e + e 4,5⋅θ e + e 4,5⋅θ
3,79 ⋅ e 3,79⋅θ + 4,5 ⋅ e 4,5⋅θ 3,79 ⋅ e 3,79⋅θ + 3,79 ⋅ e 4,5⋅θ 0,71 ⋅ e 4,5⋅θ 0,71 ⋅ e 4,5⋅θ
= + = 3, 79 +
e 3,79⋅θ + e 4,5⋅θ e 3,79⋅θ + e 4,5⋅θ e 3,79⋅θ + e 4,5⋅θ e 3,79⋅θ + e 4,5⋅θ
4,55 ⋅ e 4,55⋅θ + 4,5 ⋅ e 4,5⋅θ 4,5 ⋅ e 4,55⋅θ + 4,5 ⋅ e 4,5⋅θ 0,05 ⋅ e 4,55⋅θ 0,05 ⋅ e 4,55⋅θ
= + = 4,5 +
e 4,55⋅θ + e 4,5⋅θ e 4,55⋅θ + e 4,5⋅θ e 4,55⋅θ + e 4,5⋅θ e 4,55⋅θ + e 4,5⋅θ
Y entonces, queda:
x = eθ = 0,3035 ⇒ ln x = θ = −1,1923
-2,3145
-2,31455
-2,3146
-2,31465
-2,3147
ln L(theta)
-2,31475
-2,3148
-2,31485
-2,3149
-2,31495
-2,315
-2,31505
-1,24 -1,23 -1,22 -1,21 -1,2 -1,19 -1,18 -1,17 -1,16 -1,15 -1,14
Parámetro (theta)
Tal y como se ha indicado en el apartado anterior, al ser un modelo logit binario, las
probabilidades de elección de cada modo se calculan según la formulación que sigue:
eθ ⋅Cgb
i
e −1,1923⋅Cgb
i
P =
b
i
−1,1923⋅Cg bi −1,1923⋅Cg ci
; Pci = 1 − Pbi
e +e
VALOR DE P
OBSERVACIÓN
Pbus Pcoche
1 0,87 0,13
2 0,68 0,32
3 0,70 0,30
4 0,48 0,52
Vemos que el modelo acierta en todas las observaciones, excepto en la 2ª, en la que
nosotros precedimos que el usuario elegirá el autobús, y sin embargo elige el coche.
Así, tendríamos un porcentaje de éxito del 75%.
Este problema se puede resolver mediante un análisis de pivoteo, ya que conocemos las
proporciones actuales de mercado de la población (30% en bus y 70% en coche), así
como las funciones de utilidad de las diferentes alternativas.
p BUS ⋅ e ∆U BUS
pˆ BUS =
p BUS ⋅ e ∆U BUS + p COCHE ⋅ e ∆U COCHE
pCOCHE ⋅ e ∆U COCHE
pˆ COCHE =
p BUS ⋅ e ∆U BUS + p COCHE ⋅ e ∆U COCHE
Así, dados los valores del enunciado, el primer paso sería calcular los costes
generalizados de cada modo en la situación actual y con las supuestas mejoras del
autobús:
Así, podemos calcular directamente los incrementos en los costes generalizados de cada
modo:
∆Cg coche = 4,50 − 4,50 = 0
∆Cg bus = 3,79 − 5,05 = −1,26
Los incrementos de utilidad de cada modo serán igual a estos incrementos de coste
generalizado, multiplicados por el parámetro theta antes calculado.
Entonces, las proporciones finales de mercado estimadas quedarían:
En este caso, seguimos teniendo un modelo logit binario, pero aparece una constante
específica en la función de utilidad del coche.
Vcoche = θ1 * Cg, coche + θ2
Vbus = θ1 * Cg, bus
Así, siguen existiendo dos alternativas, pero en este caso hay dos atributos. Por tanto:
eθ1⋅Cgb eθ1⋅Cg c +θ 2
i i
∂l (θ1 ,θ 2 ) ∂l (θ1 ,θ 2 )
=0 ; =0
∂θ1 ∂θ 2
EJERCICIO 5
Dados los valores promedio de las variables que se presentan en la tabla, se plantea un
esquema de elección de acuerdo al siguiente modelo logit jerárquico:
Transporte
masivo
• Nido superior
Vcoche = –0,03 tcoche – 0,02 ccoche + 1,25
Vtaxi = –0,03 ttaxi – 0,02 ctaxi – 0,20
VTM = 0,60 EMU
En un modelo logit jerárquico, se puede emplear la misma formulación que para el logit
multinomial, pero resolviendo el problema de forma secuencial.
Las probabilidades de elección dentro del nido son condicionadas a que se escoja el
nido completo. Entonces:
Vbus = –0,04 tbus – 0,03 cbus + 0,50 = –0,04 * 7,5 – 0,03 * 5,5 + 0,50 = 0,035
Vmetro = –0,04 tmetro – 0,03 cmetro = –0,04 * 5,5 – 0,03 * 3,6 = –0,328
(
P bus
TM
)
= Vbus
eVbus
=
e 0, 035
e + eVmetro e 0, 035 + e −0,328
= 0,590
(
P metro
TM
) = 1 − P(bus TM ) = 0,410
Vcoche = –0,03 tcoche – 0,02 ccoche + 1,25 = –0,03 * 4,5 – 0,02 * 23,0 + 1,25 = 0,655
Vtaxi = –0,03 ttaxi – 0,02 ctaxi – 0,20 = –0,03 * 5,5 – 0,02 * 15,0 – 0,20 = –0,665
Como vemos, el parámetro φ es, en este caso, igual a 0,60, y efectivamente está
comprendido entre 0 y 1.
eVcoche e 0, 655
P(coche) = = − 0 , 665
= 0,501
e Vcoche
+e +e Vtaxi VTM
e 0 , 655
+e +e 0 , 338
Vtaxi − 0 , 665
P(coche ) + P(taxi ) +
P(taxi ) = Vcoche
e e
= = 0,134 ⇒
e + eVtaxi + eVTM e 0, 655 + e − 0, 665 + e 0,338 + P(TM ) = 1
VTM 0 , 338
P(TM ) = V
e e
= 0, 655 −
= 0,365
e coche + e taxi + e TM
V V
e +e 0 , 665
+e 0 , 338
Y, finalmente, las probabilidades de las alternativas dentro del nido, quedan como
sigue:
(
P (bus ) = P (TM ) ⋅ P bus ) = 0,365 ⋅ 0,590 = 0,215
⇒ P (bus ) + P(metro ) = P (TM )
TM
(
P (metro ) = P (TM ) ⋅ P metro
TM
) = 0,365 ⋅ 0,410 = 0,150
A partir de este caso, derivamos el logit jerárquico. En este caso, debemos eliminar del
nido la variable que tiene igual valor para el bus y el metro, que, en este caso, es la
constante específica TP, e incluirla directamente en la utilidad compuesta del nido,
multiplicada por un parámetro desconocido α, con lo que quedaría TP*.
Así, dentro del nido, nos quedaría como sigue (igual que en el apartado anterior):
Y, para la jerarquía superior, habrá que añadir esta variable a la utilidad compuesta del
nido:
Sean dos ciudades A y B, que distan 900 km, que están unidas por una línea de
ferrocarril de mercancías que discurre por terreno montañoso. El tiempo de viaje entre
ambas (ttren) es de 20 horas, y la tarifa actual (ctren) es de 650 €/ton. Dado que el servicio
se utiliza a baja capacidad, se puede suponer que ttren es constante, e independiente del
volumen de tráfico (Vtren).
En una carretera casi paralela (suponer igual distancia) opera también un servicio de
camiones, en competencia directa con el ferrocarril, cuya velocidad media es de
60 km/h y cuya tarifa (ccam) es de 960 €/ton. Está también previsto un proyecto de
autopista que conecte también ambas ciudades, con el que se espera que los vehículos
pesados abandonen la carretera y utilicen la nueva infraestructura.
Por otra parte, la empresa del ferrocarril ha calculado una función de demanda, dada por
la formulación que sigue:
Se espera que el volumen total transportado entre las dos ciudades (Vtren + Vcam)
permanezca constante a medio plazo, e igual a 250 toneladas/hora.
En este caso, estamos ante otro tipo de métodos simplificados de reparto modal, donde
se nos da directamente la relación entre la demanda y las variables de cada modo. De
hecho, en la fórmula que nos dan para la demanda por ferrocarril y por carretera, los
exponentes tienen un significado similar a las elasticidades cruzadas, es decir, cómo
influyen los cambios en un modo de transporte sobre la demanda de los demás que están
en competencia con éste.
Para la situación actual, podemos calcular directamente los valores de las variables:
t tren = 20 horas
ctren = 650 € / ton
( ) ⋅ (650 960)
−0 , 7 −1, 5
− 0, 7 −1, 5
= 0,9 ⋅ tren ⋅ tren
Vtren t c
= 0,9 ⋅ 20 = 1,32
Vcam t cam c cam 15
Para el transporte por camión, supondremos que la tarifa se mantiene constante, ya que
no nos informan de ningún cambio. Sin embargo, el tiempo de viaje sí se modifica, y
comienza a ser función de la demanda:
( )
−0 , 7 −1, 5 −0 , 7
−1, 5
= 0,9 ⋅ tren ⋅ = 0,9 ⋅ 20
Vtren t ctren
⋅ 650 =
Vcam t cam ccam 6 + 0, 06 ⋅ V
cam 960
0,198 0,198 ⋅ Vcam
= ⇒ Vtren =
(6 + 0,06 ⋅ Vcam )−0,7 (6 + 0,06 ⋅ Vcam )−0,7
Y como, por otra parte, como sabemos que la demanda se mantendrá constante, se
puede resolver numéricamente el sistema de ecuaciones:
0,198 ⋅ Vcam
Vtren = Vtren = 135,6 ton / hora
(6 + 0,06 ⋅ Vcam ) − 0, 7
⇒
Vcam = 114,4 ton / hora
Vtren + Vcam = 250 ton / hora
Así pues, como resultaba lógico a priori, la introducción del servicio por autopista hace
que aumente la proporción de mercancías transportadas en camiones en un:
114,4 − 107,7
∆ prop cam = = 6,2%
107,7
c) Recalcular si:
−0 , 7 −1, 5 −0 , 7
= 0,9 ⋅ tren ⋅ ctren = 0,9 ⋅ 20
Vtren t
⋅
Vcam t cam c cam 6 + 0, 06 ⋅ V cam
(
⋅ 400
960
−1,5
)
=
0,411
(6 + 0,06 ⋅ Vcam ) − 0 , 7
⇒ Vtren =
0,411 ⋅ Vcam
(6 + 0,06 ⋅ Vcam )−0,7
0,411 ⋅ Vcam
Vtren = Vtren = 171,0 ton / hora
(6 + 0,06 ⋅ Vcam ) ⇒
−0 ,7
171,0 − 135,6
∆ proptren, resp b ) = = 26,1%
135,6
−0 , 7 −1, 5 −0 , 7
= 0,9 ⋅ tren ⋅ tren = 0,9 ⋅ 20
Vtren t c
⋅
Vcam t cam ccam
6 + 0,06 ⋅ Vcam
(
⋅ 650
960 + 5
) −1,5
=
0,200
(6 + 0,06 ⋅ Vcam ) −0 ,7
⇒ Vtren =
0,200 ⋅ Vcam
(6 + 0,06 ⋅ Vcam )−0,7
0,200 ⋅ Vcam
Vtren = Vtren = 136,0 ton / hora
(6 + 0,06 ⋅ Vcam ) ⇒
− 0, 7
136,0 − 135,6
∆ proptren, resp b ) = = 0,3%
135,6
• Ambas medidas
−0 , 7 −1, 5 −0 , 7
= 0,9 ⋅ tren ⋅ tren = 0,9 ⋅ 20
Vtren t c
⋅
Vcam t cam c cam 6 + 0 , 06 ⋅ V cam
(
⋅ 400
960 + 5
)−1, 5
=
0,414
(6 + 0,06 ⋅ Vcam ) − 0, 7
⇒ Vtren =
0,414 ⋅ Vcam
(6 + 0,06 ⋅ Vcam )−0,7
0,414 ⋅ Vcam
Vtren = Vtren = 171,4 ton / hora
(6 + 0,06 ⋅ Vcam ) −0 ,7
⇒
Vcam = 78,6 ton / hora
Vtren + Vcam = 250 ton / hora
171,4 − 135,6
∆ proptren, resp b ) = = 26,3%
135,6