UNIVERSIDAD NACIONAL DEL

ALTIPLANO - PUNO
FACULTAD DE INGENIERIA CIVIL
SECCION DE POSGRADO

Planificación y Gestión de Infraestructura

Vial
CÓDIGO :
PROGRAMA : Maestría en Ingeniería
de Transportes
Profesor : Fernando Ramiro
Castro Aragón
 Planeamiento en
Transporte
Expositor :
Fernando Ramiro Castro Aragón
fcastro@uni.edu.pe
 4ª SESION

PLANEAMIENTO Y EN
TRANSPORTE
PARTICION MODAL DE
VIAJES
 ¿Que es la distribución modal?
• Modos de transporte
– Motorizados/No Motorizados
– Baja capacidad/Alta capacidad
– Privados/Publicos
MODOS DE TRANSPORTE URBANO
 Privado o individual: a pie, bicicleta, motocicleta,
carro, camioneta.
 Público, colectivo o masivo: ómnibus, tranvía,
subterráneo, metro y tren.
 Semipúblico: taxi, mototaxi, viaje compartido
programado, vehículo fletado y vehículo
alquilado.
 Modos especiales: monorriel, teleférico,
elevador, embarcación y correas transportadoras.
 ¿Que es la distribución modal?
• Viajes entre orígenes y destinos

2
1

3
 ¿Que es la distribución modal?
• Objetivo: Entender las razones por las cuales
diferentes modos se emplean con diferentes
niveles de intensidad
 ¿Cuál es la importancia de la
distribución modal?
• Transporte
– Elemento esencial de la economía espacial
– Separación entre actividades productivas, de
consumo, de mantenimiento, recreativas, etc.

• Problemas relacionados con el transporte

 ¿Cuál es la importancia de la
distribución modal?
• Dada la importancia de la distribución modal
• Herramientas
– Para entender los factores que afectan la
distribución modal
– Para diseñar intervenciones
– Para anticipar cambios en el sistema
(intervenciones o externos)
 Distribución modal
• Problema de transporte

2
1 Congestión

Dos modos:
Automóvil y autobús
Dos zonas

¿Qué medidas se pueden adoptar para reducir el congestionamiento?

 Distribución modal
• ¿Cuáles son los factores que afectan la
intensidad de uso de cada modo?
 TRANSPORTE COLECTIVO X
TRANSPORTE INDIVIDUAL
 Transporte privado
Ventajas: libertad en la elección del horario de salida y
del recorrido, viaje de puerta a puerta en menos
tiempo y menor distancia de caminata, total
privacidad, gran confort interior, status social y
posibilidad de transportar volúmenes medianos de
carga.
Desventajas: inversión en la compra del vehículo, mayor
costo de los desplazamientos, pago de
estacionamiento y peajes y necesidad de manejar. Sin
contar las consecuencias negativas del uso masivo del
automóvil.
 TRANSPORTE COLECTIVO X
TRANSPORTE INDIVIDUAL
 Transporte público
Ventajas: seguridad y relativa comodidad a menor
costo unitario, democratización de la movilidad,
minimiza la necesidad de inversión para
ampliación del sistema vial y proporciona una
ocupación más racional del suelo.
Desventajas: rigidez de los horarios con falta de
flexibilidad en el trayecto, caminatas más largas,
mayor tiempo de viaje con necesidad de esperar
el vehículo de transporte y menor posibilidad de
transportar cargas.
 TRANSPORTE COLECTIVO X
TRANSPORTE INDIVIDUAL
• Acciones empleadas para reducir el uso del
carro: mejoría del transporte público colectivo,
implementación de medidas que proporcionen
prioridad al transporte público colectivo en las
vías, rotación de la flota, peajes urbanos,
incentivo al uso del viaje compartido
programado y del transporte fletado de
trabajadores y escolares, incentivo al uso de la
bicicleta y concientización de la población.
 ¿Cuál es la importancia de la
distribución modal?
• Uso eficiente de recursos
Eficiencia en el uso del espacio por 70 personas
en diferentes modos
 Nuevo orden de prioridades
• Peatones
• Ciclistas
• Transporte colectivo
• Transporte particular
 Modelos de elección discreta
dicotómica
• Modelos logit y probit

para obtener la cuantificación del aporte de

sus factores significativos en el análisis de la
repartición en los diferentes modos
disponibles de realizar los viajes.
• Elección del modo de transportarse es
probablemente uno de los más importantes
modelos clásicos en el planeamiento del
transporte.
• Rol clave del transporte público para
mantener el congestionamiento en niveles
razonables.
• Casi todos los modos de transporte público
disponibles hacen un uso más eficiente del
espacio vial que los carros particulares.
• Trenes subterráneos y otros modos con rieles
o ferrovías no requieren espacio vial adicional,
por lo tanto no contribuyen a la congestión.
• Aún más, si algunos conductores de carros
particulares fueran persuadidos para usar el servicio
del transporte público, el resto de usuarios del carro
particular se beneficiarían con niveles mejorados de
servicio.
• Es improbable que todos los propietarios que deseen
utilizar sus carros puedan ser acomodados en áreas
urbanas, sin sacrificar grandes partes del área para
vías y espacio para parqueos.
• La elección del modo es probablemente el
elemento más importante en el planeamiento
del transporte y la adopción de medidas
regulatorias.
• Afecta la eficiencia general con que se puede
viajar en áreas urbanas, la cantidad de espacio
urbano destinado a funciones de transporte y
determina un rango de opciones disponibles a
los viajeros.
• También es importante para viajes
interurbanos, donde modos ferroviarios
pueden proveer un modo más eficiente de
transporte (en términos de recursos
consumidos, incluido el espacio), aunque hay
una tendencia a incrementar los viajes
terrestres (en carro).
• Es importante desarrollar y utilizar modelos
sensibles a aquellos atributos del viaje que
influyen decisiones individuales en la elección
del modo de viaje.
• Alternativas deben ser expresadas en
términos de modificaciones hacia lo útil en
lugar de funciones inflexibles como el costo
generalizado de viaje.
 Factores que influyen en la elección del
modo
• 3 grupos:
1) características del viajero:
- disponibilidad o posesión de carro
- posesión de licencia de conducir
- estructura domiciliaria (pareja joven, pareja con
hijos, jubilados, solteros, etc.)
- ingresos
- decisiones coyunturales (necesidad de ir en carro al
trabajo, llevar a los hijos al colegio, etc.)
- densidad residencial
Factores que influyen en la elección del
modo

2) características del viaje:

- propósito del viaje: p.e., viaje al trabajo
normalmente en transporte público debido a
su regularidad y adaptación posible a largo
plazo
- hora del viaje: p.e., viajes de noche, difíciles
de acomodar al transporte público
Factores que influyen en la elección del
modo
3) características de las facilidades de transporte:
CUANTITATIVOS:
- tiempos de viaje relativos: tiempo en vehículo, tiempo de
espera, tiempo de caminata por cada modo
- costos monetarios relativos: costo del pasaje, combustible,
costos directos
- disponibilidad y costo del parqueo
CUALITATIVOS:
- confort y conveniencia
- confiabilidad y regularidad
- protección, seguridad
• Otras fuentes: Factores que influyen en la
elección modal
- Características del sistema de transportes
1. Razón entre tiempos de viaje
2. Razón costo de viaje
3. Razón servicio de viaje
4. Índices de accesibilidad
5. Usuarios por elección y usuarios cautivos
FACTORES PARAMETROS DE EVALUACION BUENO REGULAR MALO

Accesibilidad Distancia de caminata al inicio y al final <300 <300,500> >500

del viaje (m)

Declives en trayectos no exagerados por satisfactorio Deja que desear insatisfactorio

grandes distancias, paseos peatonales
revestidos y en buen estado, seguridad en
las calles, iluminación nocturna, etc.

Frecuencia de atención Headway, tiempo entre dos vehículos <300 <300,500> >500
consecutivos (min)

Tiempo de viaje Relación entre tiempos de viaje en <1,5 <1,5 ; 2,5> >2,5
ómnibus y en carro

hacinamiento Tasa de pasajeros de pie (pas/m2) <2,5 <2,5 ; 5> >5

Confiabilidad Viajes no realizados, o viajes con <1 <1,3> >3

adelantamiento > 3 min, o > 5 min (en %)

Seguridad Índice de accidentes (accidentes/100 mil <1 <1,2> >2

Km)

Características del ómnibus Edad y estado de conservación Menos de 5 años y en buen Entre 5 y 10 años y en Otras situaciones
estado buen estado

Nº puertas y ancho del corredor 3 puertas y corredor ancho 3 puertas y corredor Otras situaciones
ancho

Altura de las gradas, sobretodo de la 1ª pequeña Deja que desear grande

apariencia satisfactorio Deja que desear insatisfactorio

 Patrones de calidad para el transporte
público
FACTORES PARAMETROS DE EVALUACION BUENO REGULAR MALO

Características de paraderos señalización En todos Falta en algunos Falta en muchos

Protección del sol, lluvia, viento En la mayoría Falta en muchos En pocos

Banca En la mayoría Falta en muchos En pocos

apariencia satisfactoria Deja que desear insatisfactoria
Sistemas de informaciones Folletos con itinerarios y horarios sí Sí, pero precario No existen
disponibles
Informaciones adecuadas en paraderos sí Sí, pero precario No existen
Informes y reclamos (personalmente o sí Sí, pero precario No existen
por teléfono)
Conectividad Transbordos (%) < 15 <15,30> >30
Integración física sí Sí, pero precaria No existe
Integración tarifaria sí no no
Tiempo de espera en transbordos (min) < 15 <15,30> >30
Comportamiento de los Chofer conduciendo con habilidad y satisfactorio Deja que desear insatisfactorio
operadores cuidado
Choferes y cobradores serviciales y satisfactorio Deja que desear insatisfactorio
educados
Estado de las vías Vías pavimentadas y sin huecos, satisfactorio Deja que desear insatisfactorio
rompemuelles, cunetas y
señalización adecuada
PARTICION MODAL

LOGIT Y PROBIT
¿Cómo se estudia la partición modal?
• Métodos desagregados
– Decisiones a nivel individual

¿Autobús?

¿Automóvil?
 Modelos de Variable Dependiente
Limitada
• Son modelos que admiten variables
dependientes con valores restringidos.
– Valores positivos
– Valores binarios (modelos de elección discreta)
Valores múltiples restringidos
– Valores de recuento
 Modelos de elección discreta
• Cuando la variable dependiente refleja
decisiones individuales de respuestas
cerradas.
• Binaria (si, no; verdadero, falso; aprueba,
desaprueba).
• Multiple (Totalmente de acuerdo, de acuerdo,
en desacuerdo; Excelente, Bueno, regular,
malo; etc.)
 Modelos de elección discreta binaria
• Existen diferentes formas de obtener resultados de este tipo
de modelos
– Modelo de probabilidad lineal
– Modelo Logit
– Modelo Probit
 Modelo de probabilidad lineal
 En este caso Y es una variable aleatoria de Bernouilli de
parámetro p,

Y  0  1 X1   2 X 2  ...   k X k  
E[Y / X1 , X 2 ...]  0  1 X1   2 X 2  ...   k X k  

Pr ob[Y  1 / X1 , X 2 ...]  0  1 X1   2 X 2  ...   k X k  

 En este modelo las parámetros miden la variación en la probabilidad

de éxito (Y=1) ante una variación unitaria de la variable
dependiente.
 Como Y es una variable aleatoria de
Bernouilli
V [Y / X 1 , X 2 ...]  P[Y  1 \ X 1 , X 2 ] * (1  P[Y  1 \ X 1 , X 2 ])

• Despejando los errores al modelo.

  Y  0  1 X1   2 X 2  ...   k X k

V ( )  V (Y  0  1 X1   2 X 2  ...   k X k )  V (Y \ X1 , X 2 .. X k )
 Limitaciones
• Varianza de los errores no constante
• Para ciertas combinaciones de las variables
explicativas las probabilidades estimadas
pueden ser mayores a cero o menores a uno.
 Modelos Binarios
• binario y binomial

– binario: y asume valores de 0 o 1

– binomial: y es el número de “éxitos” en n
“intentos”

• distribuciones Pr( y | p )  p y (1  p)1 y

– Bernoulli:
n  y n y
– Binomial:
Pr( y | n, p )   y p (1  p )
 
 Enfoque Transformacional
• Modelo de probabilidad lineal
yi
– usa datos agregados (eventos/intentos): pi 
ni

– Enlace de “identidad” : pi  I (i )  xi 

– Predictor lineal : i  xi 

– problemas de predicción fuera de [0,1]

 El Modelo Logit
• Transformación logit :
 pi 
logit( pi )  log    i  xi 
 1  pi 
• logit inverso:
exp(i )
pi   (i )
1  exp(i )

• Garantizar que p esté en [0,1] para todos los

valores de x y 
 El Modelo Logit
• odds y ratios odds son la clave para entender
e interpretar el modelo

• La transformación log odds es un “stretching”

transformación para plotear probabilidades a
la línea real
 Odds and Probabilities
1.0
0.8
0.6
probability

0.4
0.2
0.0

0 5 10 15 20 25 30

odds
 Probabilidades y Log Odds
1.0
0.8
0.6
probability

0.4
0.2
0.0

-6 -4 -2 0 2 4 6

log(odds)
• La función logit es una parte importante de la
regresión logística
• En matemáticas, especialmente aquellas
aplicadas en estadísticas, el logit de un
número p entre 0 y 1 es:
¿Cómo se estudia la partición modal?
• Métodos desagregados
– Decisiones a nivel individual
– Una descripción mas realista del comportamiento
del usuario
• Sensitivos a una gama mas amplia de
parámetros
• Grandes proyectos de infraestructura
• Gestión de la demanda de transporte
 ¿Cómo se estudia la distribución
modal?
• ¿Cual es el proceso de toma de decisiones?
• Alternativas
¿Cómo se estudia la partición modal?

• Fundamentos microeconómicos
• El atractivo de las alternativas se representa
por medio del concepto microeconómico de
la utilidad
• La utilidad es lo que los
usuarios/consumidores desean maximizar
• La utilidad combina las características de las
alternativas y las del usuario
 LOGIT BINOMIAL
• Considerando solo 2 modos:
• Auto (A), ómnibus (B):

VA  k'
A
k' . x kA'

VB  k'
B
k' .x B
k'
 Modelo Logit Simple

• Consideremos un caso simple, logit binario:

exp  Vauto  1
Pauto  
exp  Vauto   exp  Vbus  1  exp   Vbus  Vauto  

 Vbus  Vauto   1  tbus  tauto    2  cbus  cauto  

  3  sex  sex     5   4 
 LOGIT BINOMIAL
• Considerando solo 2 modos:
• Auto (A), ómnibus (B):
V A
e
PA  V A VB
e e
 VB
e
PB  V A VB
e e
PA  PB  1
PB  1  PA
 LOGIT BINOMIAL
V A
e
V A VB V A
P1 PA e  e e  (V A VB )
A
  VB  VB  e
PB 1  PA e e
V A VB
e e
PA  (V A VB )
e
1  PA
PA
ln( )   (VA  VB )
1  PA
V A    .xA A
k' k'
k'

VB    .x B B
k' k'
k'

PA
ln( )   (VA  VB )  
1  PA
y  mx  b
¿Cómo se estudia la partición modal?
• Modelo de selección discreta

exp V1 
P1 
exp V1   exp V2 
1

1  exp V2  V1 
¿Cómo se estudia la partición modal?

• Función de utilidad típica

C
VVEH  0.25  1.2t  2.5t  0.3  1.1VEH
v a

R
– tv: tiempo de viaje
– ta: tiempo de acceso
– C: Costo de la alternativa
– R: Renta
– VEH: número de automóviles disponibles
¿Cómo se estudia la partición modal?

• Función de utilidad típica

C
VCAR  0.25  1.2t  2.5t  0.3  1.1CARS
t a

• ¿Cómo se interpreta esta función?

 ¿Cómo se estudia la partición modal?
• Modelo de selección discreta
• Para determinar la probabilidad de que la
alternativa sea seleccionada, se comparan los
valores de las utilidades

exp V1 
P1 
exp V1   exp V2 
Modelo logit
¿Cómo se estudia la partición modal?
• Modelo de selección discreta

exp V1 
P1 
exp V1   exp V2 
1

1  exp V2  V1 
 Ejemplo
• Selección de modo
• Estudiantes en una facultad dada
• Dos modos: Automóvil y autobús
• Distribución modal
– 46% bus (HSR)
– 54% Auto
 Ejemplo
• Funciones de utilidad estimadas

VHSR  1.484  0.0384tvHSR  0.0590taHSR

VAuto   0.0384tvAuto  2.5811P

• Preferencia innata por el autobús

• Tiempo de viaje
 Ejemplo

• Probabilidad
PHSR 
1
1  exp  1.484  0.0384  tv Auto  tvHSR   0.0590taHSR  2.5811P 
• Preferencia innata por el autobús
• Diferencias en tiempo de viaje
• Distribución de paradas
• Oferta de plazas de estacionamiento
• Importancia de la distribución modal
• Necesidad de herramientas para entender y
anticipar los impactos de cambios en el
sistema
LOGIT MULTINOMIAL
MODELOS DE UTILIDAD ALEATORIA
Propiedades del Logit Multinomial
a.- Dependencia de las diferencias de utilidades medibles o sistemáticas

Logit Binomial

Logit Multinomial

El modelo Logit Multinomial, tal como por todos los modelos aditivos,
es posible añadir o sustraer una constante a las utilidades
sistemáticas de todas las alternativas sin hacer variar las relativas
probabilidades de elección.
MODELOS DE UTILIDAD ALEATORIA

Propiedades del Logit Multinomial

b.- Influencia de la varianza de los restos o residuos aleatorios:
 MODELOS DE UTILIDAD ALEATORIA

Propiedades del Logit Multinomial

b.- Influencia de la varianza de los restos o residuos aleatorios:
a una menor varianza de los restos o residuos aleatorios
corresponde una mayor probabilidad de elección de la
alternativa de máxima utilidad sistemática
A un incremento de la varianza las diferentes alternativas tienden
a ser equiprobables
Modelo Logit Jerárquico

b) Versión del HL utilizada en la práctica

i) Su estructura se caracteriza por agrupar a todos los subconjuntos
de opciones correlacionadas entre si (esto es, más semejantes
entre si que otras) en jerarquías o nidos.
ii) Cada nido se representa, a su vez, por una “opción compuesta”
(“composite option”) frente al resto disponible.

iii) Es posible estimar al HL “secuencialmente” (como una serie de

MNL’s en cada nido) utilizando software estándar. Pero, aparte
de problemas con la potencial escasez de datos en nidos
asociados a opciones poco “populares”, hay que tener cuidado
con dejar fuera de la estimación a aquellas variables que sean
comunes a todas las opciones del nido.
 Modelo Logit Jerárquico

Recordar que el MNL funciona en base a diferencias, esto es:

exp Vi  1
Piq   V j  Vi  1 (t j  ti )   2 (C j  Ci )  
 exp V j  1   exp V j  Vi 
,
j j i

Las variables comunes, dejadas fuera del nido, deben reintegrarse

posteriormente al nivel superior, ya que afectan la elección entre NI
y el resto de las opciones en As(q).
La introducción del nido en la jerarquía superior se hace a través de
NI, a la cual se asocia una utilidad que representa a todo el nido y
tiene dos componentes:
- EMU o logsum, que corresponde al valor esperado de la utilidad
máxima entre las opciones del nido.
- El vector W de atributos comunes a los miembros del nido.
Se puede demostrar que EMU está dado por:
 
EMU  ln  exp Vi
 A A I  q  
 i 
(V’ es utilidad de Ai excluyendo los atributos W).
 Modelo Logit Jerárquico

De esta forma, la utilidad compuesta del nido es:

~
U    EMU   W
I

en que  y  son parámetros a estimar.

Finalmente, en el nivel superior se debe estimar otro MNL que incluya
a NI y al resto de las opciones no contenidas en el nido inferior.
iv) La probabilidad de elección de opciones en el nido es el producto de
la probabilidad marginal de escoger NI y la probabilidad condicional
de escoger Ai, dado que se escogió la opción compuesta.
v) El modelo también puede estimarse en forma “simultánea” (full
maximum likelihood) mediante ALOGIT, BIOGEM o LIMDEP, con
grandes ventajas, como ya veremos.
Algunas desventajas del método secuencial son bastante claras: por
ejemplo, la ya mencionada respecto al número de datos para nidos
con opciones con baja proporción de mercado, puede resultar en
errores que se transmiten a nidos superiores. Por otro lado, no es
posible – en general – que la misma variable (por ejemplo, tiempo
de viaje) tenga el mismo parámetro en distintos nidos.
 Modelo Logit Jerárquico

Ejemplo: Se puede elegir entre Bonos de Largo Plazo (A), Bonos

de Corto Plazo (B) y Acciones (C). Supongamos que se consideran
tres atributos: Costo inicial (CI), Rentabilidad Anual (RA) y Garantía
del Gobierno (G). La última es igual para ambos tipos de bono.
Parece razonable suponer que A y B son más similares entre si que
C (ya que son gubernamentales y tienen comportamiento distinto
que las acciones en el mercado).
Nido Gobierno:
Gob
VA   1I  CI A   2I  RAA
VB   1I  CI B   2I  RAB   3I
C A B
(  3I :constante específica)
 EMU Gob  lnexp V A   exp VB 
~
 U Gob    EMU Gob   3S  GGob
Esta utilidad debe compararse, en la jerarquía superior, con la
utilidad de las acciones, dada por:
VC   1S  CIC   2S  RAC   3S  GC   4S
 Modelo Logit Jerárquico

Entonces, las probabilidades de escoger cada opción son:

expVC 
P C  
 
expVC   exp U Gob
~

P A 
 
~
exp U Gob

expV A 
 
expVC   exp U Gob expV A   expVB 
~

P B  
 
~
exp U Gub

expVB 
 
expVC   exp U Gob expV A   expVB 
~
 Modelo Logit Jerárquico

vi) Diagnosis interna: 0<1

Caso límite ( = 1, correspondiente a  = ) implica que HL es
matemáticamente equivalente a MNL.
Así, si   1 (dado su error estándar), conviene re-estimar el modelo
como MNL por parsimonia.
HL no tiene, en principio, límite en cuanto a cantidad de nidos en
serie y paralelo:

Para esta estructura:

0 < 1  1
0 < 2  3  4  1
0 < 5  4  1
y sólo existe una relación
intuitiva entre 1 y 4.

- Si en cualquier nivel  < 0 o  > 0  estructura jerárquica incorrecta.

- Si   1, se debe colapsar nido al superior (y lo mismo si i  j ).
 Modelo Logit Jerárquico

Ejemplo: Si 1  1,
 Modelo Logit Jerárquico

c) Ventajas y complicaciones de la estimación simultánea del HL

Consideremos dos niveles jerárquicos; i representa opción del nido
superior y j una opción del nido inferior, en este caso:

U (i , j )  U i  U j / i
 V (i , j )   ( i , j )
 Vi  V j / i   i   j / i
 Pij  Pi  Pj / i
e iVj / i e Vi
En que: Pj / i  y Pi 
 e iVk / i
e
V j

Ak  A I  q  A j A S q 

Pj/i: probabilidad de elegir alternativa j del nido i.

Vj/i: utilidad representativa de la opción j al interior del nido i.
i, β: parámetros de escala del nido i y del nivel superior,
respectivamente
 Modelo Logit Jerárquico

En el caso de la utilidad de opciones o nidos del nivel superior, se

tiene:  
 Vi    X i  i  ln   e
iVk / i

 A  AI  q  
  k 
i

Xi son los atributos comunes a todas las opciones del nido; i es la

razón entre β y λi, y el termino ln(%) - llamado, por esto, logsum -
es la utilidad máxima esperada o EMU. i debe satisfacer que
0 < i  1 , igual que antes.
Sin embargo, para estimar el modelo hay que fijar uno de los factores
de escala; se puede demostrar que lo mejor (o más conveniente) es
fijar β = 1; en este caso, las utilidades al interior del nido deben
multiplicarse por λi = 1/ i; si esto no se hace, hay problemas al estimar
en forma simultánea modelos genéricos.
Desgraciadamente, esta no es la forma estándar como se estima el
modelo en ALOGIT (porque permite otras cosas, como veremos
más adelante); por ello hay que leer el manual y tener cuidado.
 Modelo Logit Jerárquico

En general, cuando se desea estimar modelos con variables

genéricas en ALOGIT, se debe especificar al nido superior de forma
tal que todas las alternativas tengan igual factor de escala; por
ejemplo, en el caso típico de A, B y M, se debe plantear:

Nido Artificial () Nido Transporte Público ()

A B M

Volveremos a este tipo de estructura al hablar de la estimación mixta

de modelos de PR y PD.
 LOGIT MULTINOMIAL
• Ejemplo: considerar 3 modos:
• Auto (A), ómnibus (B), metro (M)
• Aplicar el MNL binario:
• Usar probabilidades condicionales
MNL binario con jerarquías

Auto (A)
TP

Ómnibus (B) Metro (M)

P( M / TP)  exp(V M ) /(exp(V M )  exp(V B ))
P( B / TP)  1  P( M / TP)
P( A)  exp(U A) /(exp(U A)  exp(U TP ))
U TP   .EMU    k ' . x k '
k'

EMU  ln(exp(V M )  exp(V B ))

P A  P( A)
P M  P( M / TP).P(TP)  P( M / TP).(1  P A)
P B  P( B / TP).P(TP)  (1  P( M / TP).(1  P A)
0  1
0   1   2   3  ...   s  1
 Modelos Logit Probit
• Modelos que toman valores extrictamente entre
0y1

Pr ob[Y  1 / X 1 , X 2 ...]  G(0  1 X 1   2 X 2  ...   k X k )

Modelos Probit
Modelos Logit z

z G ( z )   ( z )    (v)dv
e
G( z) 

z2
1 e z
( z ) 
1
e 2
: Función de densidad
2

• Estos modelos se estiman por el método de

maxima verosimilitud
 Ejemplo
• Una muestra con 3 observaciones cada una de
las cuales solo tiene 2 alternativas (las
mismas); además suponga que solo existe un
atributo x, de modo que:
 . x1 q
e
P1q   . x1 q  . x2 q
e e
P2 q  1  P1q
 Observación (q) Opción elegida X1q X2q
1 1 5 3
2 1 1 2
3 2 3 4

L(q)  P11.P12 .P23

5  4
e e e
L( )  5 3 .  2 . 4 3
e e e e e e
5 3  2 4 3
ln( L( ))  5  ln(e  e )    ln(e  e )  4  ln(e  e )
ˆ  0.756
 Observación (q) P1q P2q
1 0.82 0.18
2 0.32 0.68
3 0.32 0.68

Es decir bajo el criterio de máxima utilidad, el modelo no predice

correctamente en el caso de la segunda observación.
 Análisis del pivoteo

Se conoce el modelo de demanda

La idea es predecir el comportamiento futuro respecto

a los viajes sobre la base del comportamiento actual y
los cambios en el nivel de servicio que experimentan
los usuarios
 Análisis del pivoteo
• Ventaja de este procedimiento
• No requiere un conocimiento detallado de los
datos del nivel de servicio actuales de cada
alternativa
• Solo se necesita las proporciones de mercado
actuales y los cambios propuestos en los
niveles de servicio
 Análisis del pivoteo
• Forma incremental del modelo Logit
U i
P .e
Pˆi  i

 Pj .e
A j A
U j

ˆ
P
• i nueva proporción de mercado
• P proporción original Ai
i
• cambio en utilidad (costo generalizado)
U i
de la alternativa Ai
• Resolver ejemplo pág 156
• Resolver ejemplo pág. 163, 164
• A continuación en las 3 siguientes láminas
datos de un problema de Repartición Modal
Logit Binomial ( para dos modos)
• Resolver en excel
 POR CARRO
POR TREN

PAR PROPORCION
O/D POR
C1 C2 C3 C4 K1 K2 K3 CARRO

A-U 23 3 120 40 19 10 72 0,82

B-U 20 3 96 40 17 8 64 0,8

C-U 18 3 80 40 14 10 28 0,88

D-U 15 3 68 40 14 12 20 0,95

A-V 26 4 152 60 23 10 104 0,72

B-V 19 4 96 60 18 9 72 0,9

C-V 14 4 60 60 11 9 36 0,76

D-V 12 4 56 60 12 11 28 0,93

A-W 30 5 160 80 25 10 120 0,51

B-W 20 5 100 80 16 8 92 0,56

C-W 15 5 64 80 12 9 36 0,58

D-W 10 5 52 80 8 9 24 0,64
 tiempo de viaje en vehículo (incluído el viaje en ruta
C1, K1 alimentadora para el caso de tren)

C2, K2 tiempo de caminata más tiempo de espera en minutos

costo monetario del viaje (combustible o valor del pasaje
C3, K3 según sea el caso) en rupias

C4 costo monetario del estacionamiento en rupias

C1, K1 8 rupias/minuto

C2, K2 2 rupias/minuto

1) Calibrar un modelo logit con esos datos.

2) Determinar que sucederá con la repartición modal de
viajes si en el futuro se duplica el costo de la gasolina
3) Determinar la nueva repartición modal si el gobierno
decide subvencionar los pasajes en tren.
A
U

W
D
GRACIAS