59

Modelo 1.

1. Ligado al procedimiento de estimación de capacidad,

2. a la técnica de medición de tiempo de recorrido y
3. a la medición del número de vehículos.

Modelo 2. Ligado al procedimiento de estimación de velocidad media (aforos)

3.3.3 Conclusión

Los dos modelos están encubiertos de errores importantes, por lo que

ninguno de los dos es adecuado para lograr nuestro objetivo con una ca-
lidad aceptable. Conviene pues, proponer uno alternativo que salve dichos
errores.
58

Modelo 1.

1. Cuando N/S tiende a ser 0 (baja demanda), el tt es 0. Esto es inconsis-

tente.
2. Cuando N/S tiende a ser 1(alta demanda), el tt es poco elevado.
3. Los incrementos de tt cuando N/S se acerca a 1 son marginales. Esto
no es compatible con la teoría de flujo vehicular.

Modelo 2.

1. La especificación de la velocidad media sólo es válida hasta una concen-

tración de 100 veh/km, más allá de este valor se obtienen velocidades
negativas.
2. Dicho modelo es cuasilineal, por lo que los tiempos de recorrido son
crecientes con tendencia lineal. Deberían en principio, ser más pronun-
ciados cuando los flujos se acercan a la capacidad máxima.

Error de resolución.

Indisponibilidad de observaciones suficientes de N/S y tt para ajus-

Modelo 1.
tar el modelo.

Modelo 2. Para determinar el tiempo de recorrido, no requiere ningún ajuste.

Error de estimación.

En el ajuste de los parámetros del modelo, al no disponer de garan-

Modelo 1.
tías de calidad de la regresión por mínimos cuadrados (t estadístico, coefi-
ciente de regresión, etcétera).

En la medición de los valores de concentración en campo, resulta

Modelo 2.
poco coherente que para estimar los valores de concentración se requiera
medir los de velocidad media cuando son dados por una de las especifica-
ciones. Esto llevará probablemente a disponer de dos valores de velocidad
para el mismo nivel de flujo.

Error exógeno.
 57

Modelo 2. Obtener la velocidad media a partir de la concentración:

vm = 48[1 − (k/100)1,15 )]

Modelo alimentado.

Modelo 1.Se requiere medir la capacidad vehicular del tramo, enseguida

cronometrar los tiempos de recorrido a diferentes horas del día (estimación
de la relación N/S)

Modelo 2. Se requiere estimar la concentración a partir de aforos:

1. Definido un tramo de longitud L, cuantificar los vehículos que se en-

cuentran en esa sección en un momento dado (fotografía aérea).
2. Medir velocidad media y flujo por medio de aforos (estación mecánica).

3.3.2 Solución parte 2: análisis del error

Error de percepción.

Modelo 1.

1. No toma en cuenta variables esenciales de la oferta como es la longitud

del tramo.
2. No toma en cuenta la interacción entre las relaciones macroscópicas.

Modelo 2.

1. No toma en cuenta explícitamente la noción de capacidad de la in-

fraestructura.

Error de formulación.
56

Donde:
tt : tiempo de recorrido
T : variables de tránsito
O : características de la oferta
D : características de la demanda

Modelo formal.

Modelo 1.

tt = αx/(N/S)−b

Modelo 2.

tt = x/vm

Modelo resoluble.

Modelo 1. Ajustar por regresión lineal (OLS), la forma

y = mx + b

Donde:
y = log(tt)
m = −b
x = log (y)
y = (N/S)
b = log (α)
 55

30

25
Especificacion 1

Especificacion 2

Tiempo de recorrido [minutos]

20

15

10

0
0 500 1000 1500 2000 2500 3000
Flujo [vehiculos/hora]

Figura 3.1. Tiempo de recorrido en función del flujo.

CARACTERISTICAS CANTIDAD DE HABITOS DE

DE LA DEMANDA VEHICULOS CONDUCCION
VARIABLES
ENDOGENAS
CARACTERISTICAS
DE LA OFERTA

NUMERO DE COMPORTAMIENTO DE
CARRILES LAS VARIABLES DE
TRANSITO
TIEMPO DE
LONGITUD DEL RECORRIDO
FLUJO
TRAMO
VELOCIDAD
CONCENTRACION
TRAZADO
GEOMETRICO

ESTADO DE LA
SUPERFICIE DE CAPACIDAD DE LA
RODAMIENTO INFRAESTRUCTURA

VARIABLES
TIPO DE REGULACION CONDICIONES SISTEMA DE
EXOGENAS
CLIMATOLOGICAS INFORMACION

Figura 3.2. Modelo semántico

3.3.1 Solución parte 1: análisis del modelo

Modelo semántico.

Fórmula característica.

tt = f (T (O, D))
54

3.2 Actividades

Considerando los artículos proporcionados, identifique cómo el autor cumplió

con los 13 pasos del proceso de simulación.

3.3 Evaluación

Un equipo de trabajo de la Secretaría de Transportes tiene encomendada la

tarea de determinar los tiempos de recorrido medios para los conductores
que utilizan el carril exclusivo de coches particulares de la vialidad Toluca-
Estado de México en el tramo que va de la Puerta Tollotzin a San Mateo
Atenco. Dicho tramo posee una longitud de 5 kilómetros y tres carriles por
sentido. De estudios previos se rescataron dos fórmulas características para
determinar los tiempos de trayecto.
1. tt = αx(N/S)−b donde α y β son parámetros ajustados por re-
gresión de datos observados, x es la distancia del tramo de observación y
(N/S) es la relación número de vehículos sobre capacidad de la infraestruc-
tura, el cual se encuentra en el rango .0 ≤ NS ≤ 1
2. tt = x/vm donde vm , velocidad media, está dada por la relación
v = 48[1 − (k/100)1,15 ] la concentración está dada por: k = q/v (flu-
jo/velocidad). La cual se determina a partir de aforos mecánicos realizados
sobre la sección de estudio.
En la figura 3.1 se ilustran los tiempos de recorrido arrojado por cada
especificación.
Preguntas:
1. Con base en la técnica de construcción de un modelo, determine: ¿cuál
de los modelos es el más pertinente para el caso de estudio?, justifique. De-
sarrolle todas las fases de la modelación hasta llegar al modelo alimentado.
2. Con base en la teoría de análisis de error de un modelo, determine igual-
mente: ¿cuál de los modelos es el más pertinente para el caso de estudio?
Evalúe cada una de las fuentes de error.
3. Con base en las preguntas 1 y 2, proponga mejoras a los modelos o
plantee uno nuevo.
3. Ejercicios y actividades

3.1 Lecturas

Goldman, T (ed.) (1998), Transportation models in the police-making

process: uses, misuses and lessons for the future. Proceedings from a sym-
posium of the problems of transportation analysis and modeling in the world
of politics, UCB. Berkeley.
Lectura 1: The promise and limitations of transportation modeling and
analysis (pp. 3-4)
Lectura 2: A response to Martin Wachs and Geneviene Guliano and dis-
cussion (pp. 7-8)
Lectura 3: Forum partes (a) the conformity Rule’s impact (pp. 10-12),
enforcement (pp. 12) y Transparency and acces to data (pp. 12).
Lectura 4: Discussion of “Perspectives on transportation, land use and air
quality models” (pp. 20-21)
Session 25/10/2003
Lectura 5: The roles of traffic models
Lectura 6: A new paradigm for modeling (pp. 27)
Lectura 7. Open discussion (pp. 38-40)
Lectura 8. Future innovations in transportation analysis (pp. 41-45)
Lectura 9. Conclusions (pp. 46-49)
52

Cuadro 2.2. Clases de error neto en un modelo.

Nivel Lugar
Concepción Elección de X , Y , ideas sobre los componentes de F
Formulación Formulación de F (relaciones de depencia entre
Variables explicativas y explicadas,
hipótesis matemáticas mínimas
Síntesis de las componentes elementales de F
Estimación Error en la resolución de F
Expresión matemática y numérica de F
Exógeno (error de observación de los valores particulares de X

X: es el vector de variables exógenas (el argumento, la causa)

F : es vector de la relación de dependencia (el mecanismo)
 51

tanto en la identificación y formulación de las relaciones “explicativas”

que constituyen el mecanismo, la concepción conceptual (o semántica
del modelo).
2. Error de formulación: consiste en sintetizar el mecanismo explicativo por
una fórmula característica justificable de un problema tipo de matemáti-
cas. Este error de formulación, procede de una falta de conformidad entre
la fórmula característica y la composición conceptual, de una falta de
coherencia lógica o de una caracterización insuficiente. Esta clase inte-
gra las hipótesis matemáticas mínimas de estas funciones (por ejemplo:
continuidad o crecimiento),
3. Error de resolución: en la resolución de la fórmula característica, si ésta
es alcanzada a través de un método heurístico o un método poco pre-
ciso. En el caso de una resolución por simulación numérica, el origen
del error puede deberse a restricciones informáticas: conclusión de las
simulaciones en un tiempo determinado (detenimiento de un algoritmo
iterativo), operaciones de precisión definida (redondeo).
4. Error de estimación: en la especificación funcional (explicación de las
funciones matemáticas) y numérica de los parámetros del modelo, dicho
de otra forma en la caracterización numérica completa de las relaciones
dependientes de las variables endógenas entre ella y hacia las variables
exógenas.
5. Error exógeno: en la aplicación de las variables exógenas recubiertas de
sesgos o de incertidumbre (error en los datos de entrada).

Las cinco fuentes anteriores separan el modelo de la realidad conformando

el error neto del modelo. Sin embargo, la realidad sólo se conoce a través de
observaciones que tengan cuenta del propio error. Este error de referencia
sobre el resultado del modelo se agrega al error neto para constituir el error
bruto del modelo. Es decir:

Y = F (X)

Donde: Y : es el vector de variables endógenas (la respuesta, el efecto)

50

Cuadro 2.1. Síntesis del estado de la práctica y de la investigación

Error Práctica Investigación

Codificación Poco formalizada Casi muda
Validación preventiva
de eficiencia variable
C. Semántica Elecciones intuitivas
que corresponden a las Contribuciones puntuales
particularidades de la
aplicación
Estimación Si, en el caso de funciones Numerosas
previstas en el programa Contribuciones puntuales
Resolución No hay pruebas Algunos estudios
empíricos
Propagación del En el mejor de los casos Algunas contribuciones
error pruebas de sensibilidad puntuales
Propagación de la incertidumbre Trabajos integradores
ligada a los flujos OD
Formal no hay conciencia Poco cuestionadas

Estos hechos muestran la necesidad,

1. a) de una síntesis y de una apreciación de los conceptos elaborados,

b) de contribuciones puntuales en cada fuente de error y
c) de una estrategia de conjunto respecto a la cual cada elemento
tomaría su lugar y sería puesto en relieve.

2.12 Análisis teórico del error

Es importante señalar que un inventario preciso de las fuentes de error

supondría un conocimiento absoluto de la realidad. Este conocimiento “so-
brenatural” sólo posee un valor de referencia abstracta, útil a título didácti-
co. Se consideran cinco clases de fuentes potenciales de error en un modelo:

1. Error de percepción: en la esquematización del sistema real en la defini-

ción y la elección de variables explicativas (exógenas) y explicadas (endó-
genas), en la consideración de relaciones de estos elementos y por lo
 49

Marche adiciona las varianzas sobre el ingreso del conjunto proveniente de

cada uno de los ejes mencionados con el objeto de obtener una varianza
global. Justifica el nivel de varianza asociada a cada eje por consideraciones
múltiples que hacen en definitiva jugar el papel de experto.

Balance. Esta síntesis revela oposiciones metodológicas:

1. Entre usuarios preocupados principalmente en el análisis de sensibili-

dad e investigadores que ponen el análisis de sensibilidad al servicio del
cálculo del error propagado.
2. Entre los defensores de experiencias numéricas y aquéllos del enfoque
econométrico analítico.
3. Entre contribuciones que se orientan a un objeto particular y aquéllos
de un enfoque integrador.

Estas oposiciones son la consecuencia de elecciones técnicas particulares,

mas no de desacuerdos en cuanto a las interpretaciones estadísticas.

2.11 Balance provisional

El cuadro inferior ?? recapitula el estado empírico y de investigación por

tipo de error en la modelación de la elección modal y de la afectación.
Respecto a la econometría clásica se constata:

1. La importancia particular de la codificación.

2. En lo que respecta a la afectación, la variedad de objetos de estimación,
partiendo de la dificultad de elaborar un marco probabilístico que en-
globaría todos los elementos implicados.
3. La necesidad de estudiar las otras fuentes de error no clásicas, princi-
palmente el error de cálculo.
4. La poca atención que recibe la propagación del error, que es ni más ni
menos que parte esencial de un estudio, con el objeto de apreciar el error
ligado al resultado de un modelo.
48

Respecto a la distribución espacial, (Bell 1991) propaga a través de un

modelo gravitacional la incertidumbre sobre los margenes de emisión y de
recepción (entre otros factores).

Los trabajos ingleses sobre la afectación en el seno de un esquema a cuatro etapas concluyen en la necesi-
(Ashley 1981) sintetiza una investigación sobre la
dad de investigaciones numéricas.
incertidumbre en la aplicación de un esquema a cuatro etapas. Evocan-
do sucesivamente la generalización, la distribución, la elección modal y la
afectación, examina y compara para cada etapa el error ligado a la esti-
mación, enseguida el error sobre los datos de entrada propagados mecáni-
camente en el modelo, finalmente el error de predicción ligado al ajuste
temporal entre la situación de la estimación y el horizonte de la simulación.
Para la etapa de las distribuciones, recomienda tratar los flujos OD de la
demanda como variables aleatorias, de la cual Ashley lamenta no poder
estimar las covarianzas.
El análisis de la etapa de afectación es menos rica, principalmente de-
bido al carácter estadístico rudimentario del procedimiento utilizado (el
modelo determinista a tiempo variable y demanda fija y homogénea). Ash-
ley prescribe simulaciones numéricas (de Monte Carlo) para establecer los
margénes de incertidumbre “a la salida”, a partir de margénes de incer-
tidumbre “a la entrada” sobre los flujos OD, así como sobre los parámetros
de las funciones de tiempo de recorrido y el coeficiente de compensación
entre tiempo y distancia.

2.10.3 Un enfoque integrador

Roger Marche desarrolló (1988-1991) una metodología para valorar las pre-
visiones de ingresos de una autopista de cuota. Identifica cuatro ejes prin-
cipales de error, que él supone independientes:

1. El nivel de los flujos por OD.

2. La media y la dispersión de los valores de tiempo.
3. Los tiempos de recorrido simulados.
4. Otros factores (tasa de inducción, etcétera).
 47

plitud del error, luego de su propagación el que importa directamente, mas

no la amplitud del mismo antes de que se propague.

En los buenos estudios de tráfico se

Para la práctica: algunos análisis de sensibilidad.
examina la sensibilidad de los resultados a las hipótesis. Por ejemplo, en
un estudio de anteproyecto de autopista de cuota, se prueba la sensibilidad
del nivel de ingresos al nivel medio del valor de tiempo. Estas operaciones
son muy útiles. Convendría complementarlas precisando las incertidumbres
exógenas; cuando el resultado depende de numerosos factores, es necesario
tomar en cuenta la relación entre factores, bajo la posibilidad de sobrees-
timar el error exógeno propagado.

Respecto a los modelos de elección discre-

Contribuciones puntuales a la investigación.
ta, se encuentran algunos trabajos sobre la propagación del error de esti-
mación. (Koppelman 1976) estudia el sesgo y el margen de incertidumbre
en la aplicación de un modelo binomial resultante del procedimiento de rea-
grupamiento de individuos. Aplicando la fórmula clásica de propagación de
errores, muestra que el error de agregación es relativamente independiente
del error sobre los parámetros de las variable alimentadoras. (Horowitz
1981) investiga los efectos potenciales de varias hipótesis restrictivas del
modelo logit multinomial. Examina:

1. Las hipótesis de independencia respecto a terceras alternativas, con-

cluyendo que es reducido mientras que la situación del proyecto per-
manezca cercana a la simulación de referencia.
2. El postulado de generalidad de los coeficientes de la función de utilidad
(la no generalidad significaría que los coeficientes podrían variar según
el individuo). La no verificación de este postulado podría inducir serias
dificultades.
3. La utilización de datos de referencia incorrectos para la estimación de los
paráme-
tros.

Horowitz ilustra los efectos potenciales sobre casos particulares sin indicar
los órdenes de magnitud de alcance general.
46

Entre los creadores de los programas de cómputo, prevalecen dos actitudes:

de un lado, un grupo de “pragmáticos” que afirman como lema que ningún
algoritmo puede converger tan rápido en un equilibrio; también adaptan el
procedimiento de afectación con el objeto de que entregue en pocas inter-
acciones un resultado “aceptable”. Esta es la posición de los que emplean
procedimientos heurísticos (carga por segmentos o incremental: antiguas
versiones de Davis, MinUTP, Tranplan o Polydrom). Su condición de con-
vergencia consiste simplemente en alcanzar un número fijo de interacciones.
El otro grupo lo conforman los fervientes admiradores de los modelos
matemáticos (sobre todo del algoritmo de Frank-Wolfe). Sugieren crite-
rios de convergencia basados sobre los valores característicos del programa
matemático que el algoritmo intenta resolver.
Al final de cuentas, ninguna de las dos actitudes culmina en una inter-
pretación estadística del nivel de convergencia que se alcanza en términos
finos. Consecuencia lógica: no existe un documento que discuta la precisión
de los cálculos.

Hasta ahora, los estudios sistemáticos del error de

Investigaciones fragmentadas.
cálculo consisten únicamente en experimentaciones numéricas en la com-
putadora (Horowitz 1986). Éstas incluyen:

1. Una definición del criterio de convergencia.

2. Una comparación de la evolución de estos criterios, en función de las
interacciones del algoritmo de equilibrio.

Al final de cuentas, se requieren nuevos estudios con el objeto de pro-

Balance.
fundizar en los trabajos de investigación anteriores y también de prescribir
reglas para sus aplicaciones prácticas. Las contribuciones de investigación
se centran en la puesta a punto de algoritmos, sin poner en tela de juicio las
fórmulas matemáticas a resolver, es decir, sin conciencia del riesgo sobre el
error formal.

2.10.2 Sobre la propagación del error exógeno

El error exógeno repercute sobre las simulaciones del modelo: el modelo

propaga el error exógeno. Respecto a los resultados del modelo, es la am-
 45

2.9.3 Apreciación del conjunto

Cada una de las contribuciones de investigación se limita al objeto de

la estimación. Muy pocos van más allá de exponer un método de es-
timación y cuantificar el error exógeno a propagar por medio del mo-
delo de elección de modo o itinerario (Koppelman 1976); (Gunn 1982);
(Bell 1983). Hace falta poner en relación teórica varios objetos respec-
to al error de estimación en un modelo de afectación. Los únicos inten-
tos han sido empíricos (los análisis de sensibilidad), parciales (procedi-
miento inglés del TAM restringido a los flujos orígenes destino) o agrega-
dos (Marche 1973) a la escala de una red.

2.10 Otras contribuciones

Las contribuciones a la auditoría técnica se refieren esencialmente a la

especificación y a la estimación. Sin embargo, pueden hallarse estudios
sobre el error de cálculo, el error de estimación y la propagación del error
en la estimación.

2.10.1 El error de cálculo: un desconocido

El error de cálculo aparece en los modelos de equilibrio donde las variables

endógenas no se expresan directamente en función de las variables exóge-
nas. Implica por lo tanto la afectación. Nace del detenimiento prematuro
de un algoritmo iterativo.

Los
Del lado práctico: cierto desentendimiento, no hay interpretación ni estudio del error de cálculo.
técnicos de modelación en un estudio de planeación son optimistas y pre-
sumen que el error de cálculo compensa las hipótesis sólidas de la mo-
delación: por ejemplo, respecto al principio de Wardrop, algunos dicen que
más vale no llevar la automatización a fondo de la elección de itinerario, ya
que existen conductores que no optimizan. Esta posición lleva a abandonar
el control del modelo.
También en materia de condición de convergencia, los usuarios de los mo-
delos operacionales se limitan a seguir las prescripciones de quien concibe
el programa de cómputo que están utilizando.
44

respecto: ejemplos de aplicación, diferentes formulaciones, pruebas de

validez, discusión de hipótesis, puesta a punto de programas de cóm-
puto para el cálculo, discusiones sobre las hipótesis, etc. En materia de
elección modal este modelo es bastante común pero sirve poco en la
afectación, debido a la falta de investigación empírica sobre los itinera-
rios realmente seguidos durante los desplazamientos.
2. Estimación de los flujos origen-destino. Un modelo de distribución espa-
cial sirve para reproducir flujos origen-destino a partir de informaciones
segmentadas y por lo tanto, se requiere de una interpretación proba-
bilística para estimar los parámetros del proceso de producción. Varias
contribuciones existen al respecto, ver (Ortuzar 1990) o (Bierlaire 1991)
para hallar las referencias. Se pueden diferenciar según los datos de
observación (entre encuestas OD y conteos o aforos): según la inter-
pretación probabilística (teoría del muestreo), según las hipótesis proba-
bilísticas sobre los OD y sobre los conteos, según el modelo de afectación
subyacente, según el método de estimación (máximo de verosimilitud o
mínimos cuadrados) o finalmente según el alcance práctico (dimensión
de los problemas abordables). No hacen falta proposiciones sino un mar-
co para el ensayo comparativo que permita probar tanto las combina-
ciones propuestas como las factibles.
3. Funciones de demanda. Por función de demanda se señala la dependen-
cia de un flujo OD hacia las características de la oferta sobre la relación
OD. Hay intrínsecamente una dimensión temporal, distinta a la dimen-
sión espacial inherente al modelo de distribución. Encontramos pocas
contribuciones relacionadas a la estimación de las funciones de deman-
da. En su lugar existen funciones de la escala del conjunto del territorio
o de una red donde se pierde la identidad de las relaciones OD.
4. Funciones de tiempo de recorrido. La estimación de las relaciones en-
tre tiempos de recorrido y flujo ha sido objeto de numerosas contribu-
ciones en ingeniería de tránsito, principalmente en el modo carretero,
ver (Taylor 1988) y (Cohen 1990) para una lista de referencias). Estas
contribuciones se pueden clasificar según traten un régimen estático o
dinámico, o según consideren la interacción a no entre las carreteras.
 43

2.9 Del lado de la investigación

2.9.1 Cada contribución se orienta a un objeto particular

Se ha visto en la práctica que la estimación de los modelos de tráfico de-

pende a la vez de las restricciones institucionales (orientación) y técnicas
(existencia de métodos econométricos rigurosos, disponibilidad de estos
métodos en los programas de cómputo del mercado). Del lado de la inves-
tigación, entre los trabajos relativos a la estimación, se encuentran también
contribuciones puntuales (McFadden 1974) y (Daly 1987) así como sínte-
sis extensas (Daganzo 1979), (Amemiya 1981), y (Ben-Akiva 1985): estos
últimos se refieren a los modelos de elección discreta que se han convertido
en los principales modelos de elección modal.
Cualquiera que sea el caso (contribución puntual o compilación), cada con-
tribución se orienta a un objeto dado, para el cual ha sido definido: (i) un
marco probabilístico; (ii) un método teórico de estimación habitualmente
elegido entre los mínimos cuadrados o el máximo de verosimilitud y (iii)
un método práctico de cálculo. Su alcance depende a la vez de la riqueza
del marco probabilístico (amplitud del objeto, representación de las inter-
acciones entre las variables aleatorias) y de la aplicación práctica.

2.9.2 ¿Qué marcos probabilísticos deben considerarse para la estimación?

En función del objeto de estimación, se caracterizan sintéticamente lo e-

sencial de las contribuciones de investigación:

1. Modelos de elección discreta. Se emplean para representar la elección

del itinerario o de un modo de transporte como una alternativa. Cada
alternativa, elegida con cierta frecuencia relativa, depende de las carac-
terísticas de las otras variantes y de los usuarios. En concreto, se formula
una función de utilidad para cada alternativa e individuo, se admite que
cada uno de ellos elige la variante que representa para la utilidad má-
xima. Frecuentemente, la función de utilidad se formula como la suma
de un término determinista y de un aleatorio. Los modelos de elección
discreta más extendidos son los modelos logit que corresponden a las
hipótesis particulares sobre los términos aleatorios incorporados en las
funciones de utilidad. Existe una gran cantidad de contribuciones al
42

La práctica limpia: tomar partido de las observaciones disponibles apoyándose en una her-
Algunos técnicos del transporte modifican los parámetros
ramienta utilizada.
del modelo con el objeto de mejorar en lo posible el ajuste, respecto a las
observaciones disponibles.
Entre las observaciones se encuentran no solamente los flujos, sino también
los tiempos de recorrido. Intuitivamente, esta base de ajuste es preferible si
se admite que la persona que se desplaza elige el itinerario de coste mínimo
(por lo tanto, se refiere a tiempos más que a flujos).
Para ajustar los resultados del modelo a las observaciones, es necesario apo-
yarse para dar órdenes y una máquina para ordenar. Las correcciones ma-
nuales de los parámetros aislados alcanzan rápidamente sus límites; só-
lo una automatización, por medio del empleo de un programa de cómputo
especia-
lizado permite llegar más lejos. Un programa de cómputo especializado
ofrece ventajas determinantes: legibilidad por parte de un agente exter-
no, potencia de cálculo que permite probar múltiples combinaciones. Este
tipo de herramientas existe en el caso de la elección modal (Alogit, CRT,
Hiellow), para la estimación de matrices origen-destino (incluidas en los
programas TRIPS, Saturn, emme2, polidrome, Oedipe) y a veces de mu-
chos objetos de estimación.
Estos procedimientos deben de aplicarse en el buen sentido, a fin de in-
corporar un sentido correcto a los datos de aplicación del modelo, no de
restringirlo brutalmente para hacer pasar con éxito las pruebas de vali-
dación.
Con la finalidad de prevenir eventuales excesos en la materia, el TAM
propone dejar de lado ciertas medidas de flujo y de tiempos de ajuste
para utilizarlos exclusivamente en el control de la actitud reproductiva
del modelo. De manera más teórica, es bueno que el método de ajuste
proceda de un marco probabilístico claramente definido al cual se adjunta
una interpretación física.
 41

4. A las funciones de tiempo de recorrido (funciones de oferta).

Esta topología de objetos corresponde naturalmente a las componente de

un modelo de elección de itinerario (primer grupo implicado igualmente a
la elección modal y a la elección horaria); permite también clasificar las
contribuciones a la estimación, que frecuentemente se orienta a un solo
grupo.
La mayor parte de los métodos de estimación comparten un principio
común: fijar los valores de ciertos parámetros, que forman a minimizar
cierto criterio de margen entre las observaciones y los resultados del mode-
lo que le corresponde. Los métodos se diferencían enseguida por su objeto
(los parámetros a fijar), por la expresión y la justificación del criterio de
margen (no siempre formalizado en la práctica), por las observaciones em-
pleadas.

2.8.2 Estado de la práctica

Contrariamente
La práctica sin herramienta especializada: constatar en lugar de actuar.
a las contribuciones teóricas que fijan sin restricción las hipótesis necesarias
a la resolución de un problema, los métodos prácticos dependen crucial-
mente de las condiciones materiales de la aplicación: pocas observaciones
(frecuentemente disparatadas o de calidad dudosa), así como pocas her-
ramientas operacionales.
Frecuentemente, en la ausencia de funciones especializadas en el progra-
ma de cómputo-operaciones, la parte “ajuste” de una aplicación se limita
a constatar los margénes entre las observaciones y la reconstitución pro-
ducida por el modelo. Este hecho se consuma generalmente a partir de
observaciones locales (por ejemplo: a nivel de un arco). Ciertos técnicos
de modelación modifican los parámetros según su intuición, sin garantías
sobre la eficiencia final de su intervención.
Frecuentemente, las consultorías en transporte producen un diagrama que
compara los flujos simulados con los flujos observados y afirman que el
ajuste es satisfactorio. Algunos van más lejos y miden la calidad de la
regresión por medio de indicadores estadísticos: el coeficiente de regre-
sión (Florian 1976), un error cuadrático medio o una distancia de khi-dos
(Thomas 1991).
40

la inducción, de la elección modal y de la diferenciación de los usuarios

(Morellet O. 1990)
Entre los trabajos dedicados a la elección circunstancial de la estructura de
un modelo, se pueden citar las comparaciones entre estructuras alternativas
de elección de transporte (Williams 1977), entre diferentes especificaciones
de funciones de utilidad para la elección modal (Gaudry 1978), (Bradley
1992). Existen además estudios sistemáticos de los efectos de hipótesis
particulares (Horowitz 1981), (Koppelman 1976). Estos trabajos tienen un
valor de demostración o de ejemplos, más que de prescripciones.

2.7.4 Balance

Existen contribuciones que aportan o comparan los mecanismos explica-

tivos. Las comparaciones, comunes en materia de elección modal, hacen
falta respecto a la afectación. De manera general, se constata que no llevan
casi la convicción de los técnicos de modelación.

2.8 Cuestiones de estimación

Se incluyen los aspectos ligados al error de media y al de fluctuación de

muestreo. Después de un posicionamiento sobre el problema de estimación,
se describen sucesivamente el estado de la práctica y el de la investigación.

2.8.1 Objetos y principios metodológicos de la estimación

La estimación se orienta a los parámetros que figuran en la formulación del

modelo. En un modelo de afectación se pueden reagrupar los parámetros
en cuatro grupos, según estén ligados:

1. A las elecciones discretas entre modos o itinerarios (valor de tiempo,

etcétera).
2. A la distribución espacial (matriz origen-destino).
3. A las funciones de demanda (elasticidad del volumen origen-destino a
la desutilidad del servicio).
 39

2.7.2 Del lado práctico, demasiado apoyo en los programas de cómputo

Respecto a la afectación, el técnico de transporte ejerce relativamente pocas

responsabilidades: los programas de cómputo son por lo regular bastante
rígidos. Las opciones son frecuentemente restringidas a los parámetros de
algunas variables, toda vez que la situación evoluciona en el sentido de una
mayor libertad de los usuarios.
En cuanto a la elección modal, la libertad es más grande: los usuarios
pueden generalmente segmentar la demanda y especificar para cada seg-
mento y modo una función de utilidad. Sin embargo, el usuario debe satis-
facerse (en la mayoría de los casos) con el uso de un modelo logit (multino-
mial o a etapas).
En total, el técnico de modelación permanece bastante restringido a las
elecciones metodológicas de los que desarrollan el programa de cómputo.
En las líneas así trazadas, frente a un problema dado, la especificación de
los mecanismos explicativos se convierte en una figura impuesta: afectación
de tipo logit sobre una red carretera poco congestionada, diferenciación de
valores de tiempo para un problema de peaje y arbitrajes modales según
un modelo logit.
Numerosos recursos teóricos, como son la elasticidad de la demanda o la ex-
plicación de restricciones de capacidad estática, permanecen todavía lejos
del alcance de los técnicos del transporte. De hecho este último, cuando
debe resumir los principios de modelación, está satisfecho con indicar el
nombre del programa empleado, en lugar de describir los mecanismos ex-
plicativos que ha elegido entre el conjunto de posibilidades ofrecidas por el
programa de cómputo.

2.7.3 Del lado de la investigación: algunas proposiciones a retomar

Entre las proposiciones positivas de la auditoría, se considera el aprovi-

sionamiento y la puesta en coherencia de los principios explicativos. En
efecto, proponer nuevas formas de modelación o volver coherentes varios
mecanismos explicativos, permiten ampliar el alcance de la auditoría, con
la condición de definir el método. Entre la puesta en coherencia de los meca-
nismos explicativos, se puede citar la integración simultánea de las cuatro
etapas del esquema clásico (Safwat 1988), el tratamiento simultáneo de
38

a los individuos (Heggie 1978) propone una metodología según las dimen-
siones siguientes: sexo, intervalo de edad, categoría socioprofesional, com-
posición del hogar, posición en el ciclo de vida, equipamiento en términos
de medios de transporte y accesibilidad a las redes.
En cuanto a la codificación y jerarquización de redes, en materia de
afectación se requiere de un consenso para proceder a codificar. Éste puede
ser en el orden de importancia de las carreteras o vialidades.
Referente a la selección de itinerarios, hacen falta referencias para la
afectación unimodal y multimodal. Existen algunas indicaciones relativas
a la tendencia de los autores de los desplazamientos a acercarse a una línea
recta (Tiaglacozzo 1973), a las características de los itinerarios elegidos
(Antonisse 1989), a los arbitrajes entre tiempo y distancia, o entre tiem-
po y precio (Marche 1973); pero no hay una guía general. Se abandona
generalmente al modelo cuidando de determinar el itinerario siguiendo un
criterio del camino más corto; por afectación multimodal conviene precisar
las circunstancias y las prácticas de cambios de modo en el transcurso del
desplazamiento.

2.7 Los mecanismos explicativos

Los mecanismos explicativos son la parte visible del iceberg de las especifi-
caciones. Se trata de las relaciones causales incluidas en el modelo, elegidos
entre múltiples posibilidades. Para consultar una lista de estas relaciones
respecto a la afectación estática ver por ejemplo: en el caso de la afectación
para los transportes colectivos con (Spiess 1985), y (De Cea 1993), y en
caso de la elección modal (Ortuzar 1990).

2.7.1 Uso de mecanismos explicativos arcaicos

La concepción de la mayor parte de los mecanismos explicativos es ya

antigua. Frecuentemente su origen proviene de ciencias diferentes a los
transportes: la idea de una interacción entre oferta y demanda se remonta
al siglo XVIII, la teoría de la utilidad aleatoria de los consumidores se
define en 1960 (Lancaster 1966) Entre las contribuciones a la economía de
transportes, se cita la diferenciación del valor de tiempo (Marche 1973) y
la repartición Logit a etapas (Ben-Akiva 1973).
 37

2. Verificación de la conexidad a través de la búsqueda sistemática del

camino más corto.
3. Verificación de la relación entre la longitud codificada de la carretera
y la distancia euclidiana entre los modos de los extremos (margen de
alerta 1.3).
4. Tiempo de recorrido ±10 % con un intervalo de confianza de 95 %.

Respecto a la demanda, el Traffic Appraisal Manual indica cómo asociar

las variantes individuales a cada caso de una matriz origen-destino (OD); a
cada actualización de la información (por ejemplo: nueva encuesta OD en
la región de estudio), las variaciones de las células implicadas son puestas
al día. Las varianzas de las OD deben ser afectadas sobre la red para
reproducir las varianzas relativas a los flujos de los arcos.
Con una gran cantidad de tareas repetitivas, que se vuelven fastidiosas
rápidamente, conviene automatizarse en la medida de lo posible. Los prin-
cipales paquetes de afectación proponen (o aplican por sistema) una gran
cantidad de pruebas en ese sentido: VISUM, Polydrom, Davis, pero sólo
algunos ingleses, por ejemplo Trips, ofrecen en versión estándard: opera-
ciones de detección prescritas por el TAM.

2.6.3 Contribución: realizar algunos estudios empíricos para guiar las demarcaciones
estadísticas

Por demarcación estadística se entiende toda operación que busca distin-

guir las clases: zonificación del territorio, segmentación de la demanda,
diferenciación de comportamientos, jerarquización de arcos de red, selec-
ción de itinerarios, etcétera.
En relación con la zonificación del territorio, se hallan reportes de ex-
periencias diversas de inclinaciones por un tratamiento puntal de los
orígenes destino ((Chapleau 1993)) y algunas investigaciones teóricas,
(McFadden 1975); (Bolduc 1989); (Ortuzar 1990), que muestran un ses-
go en la agregación espacial.
El principio de segmentar la demanda parece aceptado en materia de elec-
ción modal pero no completamente en materia de afectación. Para clasificar
36

Todas las operaciones anteriores requieren de la especifi-

La práctica corriente.
cación de un modelo. Puede decirse que se trata de especificaciones “ocul-
tas” del modelo. Su complejidad impide generalmente retomarlas y mejo-
rarlas en el curso de un estudio. Estas tareas son actualmente poco for-
malizadas: los científicos de los servicios correspondientes los delegan a los
técnicos, alejándose de ellas rápidamente. De esta forma, la profesión no
progresa hasta el punto de vista metodológico, las únicas prescripciones son
de orden general. El analista o técnico tiene como referencia, en materia
de afectación:

1. Principios muy generales, sintetizados en los manuales de enseñanza de

planeación de transporte (Ortuzar 1990) (Thomas 1991).
2. Recomendaciones específicas en los manuales de aplicación publicadas
por las asociaciones de ingenieros (por ejemplo TRB: Transportation
Research Board) que indican los tráficos emitidos o atraídos según la
hora del día por un centro comercial en función del total de empleos y
de la superficie de comercio.
3. Reglas imperativas, fijadas por documentos administrativos (varios ejem-
plos).

Frente a estas posibilidades o restricciones, el técnico conserva siempre más

autonomía. Una dirección rígida oculta frecuentemente un gran cantidad
de “pequeñas libertades” que se ofrecen, como contraparte, al personal
que ejecuta el estudio: codificación de arcos ficticios, división de orígenes-
destinos en varias partes, con el objeto de reproducir la situación existente
o de acercarse a los objetivos del solicitante del estudio.

2.6.2 La práctica limpia se logra por validación preventiva

Como ejemplo de procedimiento para la validación preventiva, se indican

enseguida las recomendaciones del Ministerio de Transportes inglés para
los estudios de proyecto carretero interurbano (HMSO 1991). Para una
red:

1. Control manual exhaustivo de las características de los arcos (tipo de

carretera, capacidad, velocidad libre, etcétera)
 35

2.6 Cuestiones de especificación

La especificación implica a la vez la codificación (por lo tanto, la esquema-

tización y la discretización) y los mecanismos explicativos. En un pro-
blema econométrico estandar, la codificación se reduce frecuentemente a
elecciones intuitivas. Por ejemplo, considerar series de datos sobre una base
anual en lugar de una mensual cuando se trata de hacer previsiones anuales.
En materia de modelación de tránsito, la codificación incluye numerosas
elecciones menos evidentes que justifican y relevan preguntas específicas.

2.6.1 ¿Es la codificación la cara oculta de la modelación?

Para simular la elección modal y la afectación,

Algunas operaciones de codificación.
es necesario esquematizar y codificar la oferta, así como la demanda. La
codificación de la oferta incluye:

1. La identificación de uno o varios modos de transporte.

2. Para cada modo, la abstracción del servicio real en una representación
de tipo informático: identificar las intersecciones y los arcos (tramos
viales), la asociación a cada arco de las características físicas típicas
(longitud, capacidad, costo, tiempos de cruce, etc.). A partir de estos
elementos se construye (habitualmente de manera automática gracias a
una herramienta previa) los itinerarios modales y por lo tanto se calculan
los atributos de tiempo, precio, confort, seguridad, etcétera.

La codificación de la demanda incluye:

1. La discretización del territorio de estudio en zonas de emisión y de re-

cepción de desplazamientos. La construcción de matrices origen-destino
obtenidas de las fases anteriores de la elección modal y de la afectación.
2. Para cada relación origen-destino, la especificación de comportamientos,
frecuentemente la segmentación en varios grupos de comportamientos
diferentes en los cuales cada uno está caracterizado por sus condiciones
de acceso a las redes modales, su valor de tiempo, la importancia acor-
dada al confort, etcétera.
34

Para calcular la relación calidad-precio (Akaike 1973) propone el criterio

AIC (An Information Critere) formulado como la diferencia entre el loga-
ritmo de la verosimilitud y la cantidad de parámetros, el total dividido por
el total de observaciones. Existen otras formulaciones comparables como
las de (Walter 1994) y (Judge 1988).
Las consideraciones estadísticas mencionadas son de orden muy general,
nos reenvían a la intuición física, sin juzgar el fenómeno representado. Se
les puede reprochar el modo de no considerar a los parámetros; algunas
especificaciones funcionales en relación con algunos parámetros contienen
de hecho una información más rica.

2.5.3 Balance

Al final de cuentas, el econometrista posee conceptos de herramientas por

tratar ciertos tipos de error, dan un territorio bien delimitado que no in-
cluye todo el error. Reconoce la importancia del juicio a priori en la es-
pecificación del modelo y acepta que es vano buscar circunscribir el juicio a
priori en la teoría econométrica. Al final de cuentas en las auditorías debe
reconocerse:

1. El papel del juicio a priori.

2. Que la econometría limita su objetivo al desarrollo de un enfoque que
busca la coherencia interna y la congruencia con la experiencia, sin bus-
car un conocimiento absoluto del fenómeno real.
3. Bajo las limitaciones anteriores, debe reconocerse la presencia del error
que puede distinguirse en diferentes grupos.

En lo subsecuente se reagrupa el error de medida y el error de fluctuación

de una muestra en un “error de estimación”. Es importante mencionar que
existen otras fuentes de error que la teoría econométrica no trata porque no
intervienen en sus modelos arqueotipos (como la regresión lineal), a saber
el error formal y el error algorítmico.
 33

tos principales (además de la corrección de sintaxis y de la transparencia

econométrica, que se suponen están aseguradas).

1. El alcance semántico, es decir, la proximidad de los mecanismos explica-

tivos a la representación teórica de la realidad.
2. La simplicidad de la expresión.
3. La congruencia con los datos experimentales.

Estos argumentos son de naturaleza y alcance diferente. Para mostrarlo

se comparan dos criterios de calidad y uno de precio para un producto
intercambiado en un mercado económico.
Los enfoques cuantitativos de esta discusión, se restringuen a confrontar
los dos últimos criterios, sin tomar en cuenta el primero, en el que la apre-
ciación sigue siendo el único valor de juicio a priori. Los enfoques se dividen
en dos grupos: el primero, reagrupa las comparaciones entre modelos que
se pueden asociar a un modelo común, mientras que los métodos de la
segunda clase son válidos para todos los casos.

2.5.1 ¿Existe un submodelo en común?

Si existe un submodelo común a dos modelos rivales, esto constituye una

referencia respecto a la cual la calidad de cada modelo rival puede medirse.
En efecto, cada modelo rival aparece como una restricción del submode-
lo, lo cual puede traducirse por restricciones sobre los valores de ciertos
parámetros. Existen pruebas para juzgar si dichas restricciones están bien
fundamentadas; se puede seleccionar el modelo rival para el cual la pro-
babilidad crítica de la aceptación de las hipótesis específicas es más alta,
entre otros principios.

2.5.2 Relaciones calidad-precio

Se evalúa la relación entre “calidad del ajuste” y “precio de obtención”

(cantidad de parámetros), esto para cada modelo, con el fin de seleccionar
el modelo que presente la relación más alta.
32

Zi de interpretación diferente) o la especificación funcional (pasar a una

regresión no lineal, etc). Sin embargo, la especificación nos reenvía a otros
criterios diferentes al ajuste de la muestra donde interviene igualmente el
"juicio a priori", basado en la intuición y las experiencias anteriores, que
restringe fuertemente el diseño del mecanismo explicativo.

2.4.2 Actuar sobre el error de medida

Para reducirlo conviene mejorar la técnica de colecta, de observación y la

muestra.
Otro tratamiento, en caso de error de medida importante sobre las variables
explicativas, consiste en tomar variables explicativas “instrumentales”, las
cuales deben estar fuertemente correlacionadas con las variables explicati-
vas inicialmente consideradas y no correlacionadas con los errores εi .

2.4.3 Fluctuación de la muestra

Este error puede ser confrontado a partir de dos tratamientos. Primera-

mente, reducir a priori este error haciendo crecer el tamaño de la muestra
(esto aumentará el costo de la encuesta), o también escogiendo un mejor
estimador. El segundo tratamiento no intenta reducir el error, sino tomarlo
en cuenta: se trata de asociar a la previsión el error que resulta de la fluc-
tuación de la muestra (particularmente de la varianza de los estimadores,
propagada por el mecanismo del modelo).

2.4.4 Medir el error de provisión

Para medir el error tanto de especificación como del muestreo, conviene

propagarlo por el mecanismo del modelo, con el objeto de asociarlo a la
incertidumbre en toda simulación. A continuación se precisa esto para el
MRLS (Wonnacott 1991).

2.5 Reglas de selección del modelo

¿Por qué y en nombre de qué preferir un modelo que otro para representar
un fenómeno? Las respuestas a esta pregunta proceden de tres argumen-
 31

Las seis hipótesis anteriores constituyen la base

Hipótesis básicas o suplementarias.
del Modelo Lineal Simple; son necesarias para determinar los estimadores
α, β en el sentido de los mínimos cuadrados ordinarios. Para ir más lejos,
principalmente para efectuar pruebas paramétricas con fines de inferencia,
es necesario agregar hipótesis complementarias como la normalidad de los
errores.

Interpretaciones del error. En el MRLS, el término aleatorio εi agrupa tres com-

ponentes:

1. Error de especificación, si la variable explicativa no es suficiente para

explicar todo la variabilidad
2. El error de medida (de observación) sobre las variables endógenas (Yi )
3. El error de fluctuación del muestreo puesto que de una muestra a la otra
las observaciones (y por lo tanto las estimaciones) varían.

Como la hipótesis H2 es particular, en el caso general, el error de medida

tiende igualmente a los Xi .
Es importante señalar que el error de especificación econométrico no es
sinónimo de error semántico. En efecto, un error semántico implica uno
de especificación econométrico y probablemente, de manera empírica, una
explicación insuficiente de la variabilidad. Sin embargo, una variabilidad
bien explicada significa por lo tanto ausencia de error semántico; a veces,
la variabilidad es explicada por razones incorrectas (la confusión clásica
entre causalidad y correlación).

2.4 ¿Cómo tratar el error?

Tratar el error significa intentar reducirlo, pero sobre todo tratar de medirlo
y considerarlo durante la predicción.

2.4.1 Actuar sobre la especificación

El primer tratamiento posible es cambiar la especificación del modelo mo-

dificando el conjunto de variables explicativas (reemplazar los Xi por los
30

nos dará un marco concreto que tendrá que completarse para tratar el caso
general.

Tipos de error en la teoría estadística estandar.

El MRLS consiste en la "explicación"de

El Modelo de Regresión Lineal Simple (MRLS).
una variable endógena (el efecto) por una variable exógena (la causa). Por
ejemplo, la cantidad de una cosecha a explicar por la cantidad de abono
utilizado:

Yi = α + βXi + εi ,

Donde:
i: índice de la observación
Yi : variable endógena, explicada
Xi : variable exógena, explicativa
α, β : coeficientes (parámetros) a estimar, llamados respectivamente or-
denada al origen y pendiente
εi : término aleatorio para integrar las partes del fenómeno inexplicados
por el analista
Las hipótesis probabilísticas sobre los términos aleatorios determinan el
modelo. Éste reposa sobre las seis hipótesis siguientes:
H1 : el modelo es lineal en Xi
H2 : los valores de los Xi son observados sin error
H3 : Cov(Xi ; εj ) = 0 entre los errores y las variables explicativas
H4 : los errores εi son centrados: E(εi ) = 0
H5 : los errores εi tienen la misma varianza: E(ε2i ) = σ 2ε
H6 : los errores εi verifican Cov(εi ; εj ) = 0 si i 6= j
 29

2. Al software en el momento que es confundido con un modelo mal descrito

y no certificado: ¿cómo decidir sobre el contenido del software?
3. Al investigador que se convierte en desarrollador de software se dedica
a la difusión comercial en detrimento de la información científica.
4. Al desarrollador de software que se convierte en investigador no se en-
cuentra en las mejores condiciones para hacer valer sus ideas originales.

2.2.5 Control mutual y recíproco

La separación clara entre las responsabilidades y tareas de la investigación,

el desarrollo de software y los estudios permite descentralizar el control de
calidad, de repartirlo entre los participantes, de manera que ellos ejerzan
sobre ellos mismos control o bien, uno sobre el otro.
Otra contribución posible sería la de subvencionar un organismo auditor y
certificador, encargado:

1. de una misión ligera de acompañamiento, de formalización y de memoria

del procesos descentralizado, y
2. de una misión más pesada que agregaría un pilotaje del proceso, la
responsabilidad de una formación, acciones a largo plazo (capitalización
metodológica) o puntuales (por ejemplo, centro de pruebas de software).

2.3 Antecedentes y recursos

Las ambiciones de auditoría técnica nacen de una doble realidad: insufi-

ciencia de prácticas actuales y falta de investigaciones específicas, parti-
cularmente en materia de afectación de tráfico. Con el objeto de preci-
sar estas realidades se cita a continuación el estado de la práctica y de la
investigación.

2.3.1 El discurso econométrico clásico

Para mostrar el discurso econométrico clásico sobre la incertidumbre y su

control, se emplea el ejemplo del modelo de regresión lineal simple. Esto
28

2. Un juicio crítico de las hipótesis del contexto y de los proyectos proba-

dos.
3. Un comentario de los resultados con el objeto, eventualmente, de poner
en evidencia los aspectos omitidos por el solicitante del estudio.

2.2.3 Los vectores privilegiados de la transparencia

Los elementos de control de calidad comparten una misma condición nece-

saria, la transparencia del objeto a controlar. Para asegurar la transparen-
cia, no es suficiente con garantizar el acceso libre de un controlador a los
objetos por controlar, ya que sería subestimar ampliamente su complejidad.
Conforme al viejo adagio “vverba volent, scripta manen” ("Las palabras
vuelan, los escritos permanecen"), estos vectores privilegiados son docu-
mentos adaptados a los objetivos implicados: reporte de investigación para
un modelo, documento técnico para un software y reporte de presentación
para un estudio.

2.2.4 Repartición racional de responsabilidades

¿Cómo se debe organizar racionalmente la elaboración de modelos, la pro-

ducción de software, la realización de estudios y el control de calidad? Se
preconiza una división de trabajo en la producción que se acuerda con una
separación de poderes en el control de calidad.
La división del trabajo consistiría en separar la producción por función:
investigación para la producción de modelos, función de desarrollo de soft-
ware, función de consultoría.
En materia de afectación, las empresas que desarrollan software de manera
industrial separan las células de desarrollo de la célula de utilización (por
ejemplo, la organización de MVA respecto al software TRIPS y la de INRO
respecto a EMME2).
Las confusiones entre las responsabilidades socavan no solamente el control
de calidad, sino también:

1. Al modelo en el momento que éste es confundido con un software, por

lo tanto insuficientemente descrito y explicado.
 27

qué sirve certificar un programa (software) si los principios no han sido

entendidos?
La calidad del estudio se define a partir de los criterios siguientes:

1. El realismo de las hipótesis del contexto.

2. La pertinencia de los proyectos tratados, su eficiencia.
3. La credibilidad de la simulación, que requiere a la vez de la fiabilidad
del dispositivo de resolución (software) y la calidad del modelo.

2.2.2 Objeto y naturaleza del control de calidad

Teniendo en cuenta las diferencias entre modelo, dispositivo de resolución

y estudio, se precisa a continuación un control de calidad adaptado a cada
objeto:

1. Verificar la riqueza y pertinencia de la composición semántica.

2. Verificar la corrección semántica y de sintaxis de la fórmula caracterís-
tica.
3. Controlar la resolubilidad.
4. Para la alimentación econométrica, apreciar y propagar el error exógeno.

Para el control de calidad del programa se sugiere:

1. Distinguir los modelos tratables, en función de las opciones abiertas al

usuario. La documentación técnica debería permitir cumplir con esta
misión. Sin embargo, no siempre es el caso.
2. Para cada modelo tratable, controlar la conformidad de los resultados
del software con los resultados esperados. Esto puede lograrse con datos
de prototipo.

El control de calidad de un estudio incluye:

1. Una inspección del método (por ejemplo, modelo y dispositivo de re-

solución).
26

necesario movilizar varias competencias científicas, por lo tanto probable-

mente varios agentes.
Se describen a continuación los elementos necesarios para el uso técnico.
Se partirá de la noción de calidad para enseguida definir un control de ca-
lidad, el cual se construye a partir de vectores privilegiados. La repartición
racional de tareas entre los que conciben los modelos, los desarrolladores
de herramientas para la solución de un problema y los encargados de es-
tudios podrían facilitar la producción de estudios auditables y un control
descentralizado.

2.2.1 Calidad del modelo, del dispositivo de resolución y del estudio

Las instancias de normalización (ISO8402, ISO9000, ISO9002) definen la

calidad como “el conjunto de propiedades y características de un produc-
to o servicio que le confiere la aptitud de satisfacer deseos externados o
implícitos”. Estas instancias distinguen entre la definición de calidad soli-
citada por el responsable de la obra (utilización que se convierte en calidad
requerida) y la calidad de realización solicitada por el responsable de obra
al empresario (medio para alcanzar la calidad requerida).
Se define la calidad técnica de un modelo contexto de su auditoría técnica
como el conjunto de las propiedades siguientes:

1. alcance explicativo (conceptual o semántica),

2. corrección formal,
3. resolubilidad y
4. transparencia econométrica.

La calidad del dispositivo de resolución (o programa) se integra en la trans-

parencia del modelo tratado y la fiabilidad del tratamiento.
La transparencia del modelo tratado está implícita en los procedimientos
de certificación de programas (software), y esta última centrada en la fia-
bilidad del tratamiento. Sin embargo, este tipo de certificación carece de
un verdadero valor y está supeditada a la transparencia del modelo. ¿De
 25

2.1.4 Una ficha de lectura

Para apreciar el papel potencial o real de un modelo en un proceso de

decisión particular, se sugiere establecer los siguientes cuestionamientos:

1. ¿Quiénes son los actores?, ¿cuáles son sus objetivos y restricciones?

2. Entre los actores, ¿quién posee un modelo?
3. ¿Quién los está evaluando?
4. ¿Quiénes comparten los resultados de sus modelos?
5. Si los resultados se comparten, ¿es libre o restringida?, ¿de qué manera?
6. Si los resultados compartidos están explicados en un reporte detallado y
trans-
parente, ¿su productor autoriza el acceso a los datos de la aplicación?

Estas preguntas abren la vía de una auditoría “socioinstitucional del

modelo”.

2.2 Plan instrumental

Los caracteres instrumentales de la auditoría técnica de un modelo recubren

a la vez:

1. Los instrumentos necesarios: recursos humanos, financieros y materiales,

así como su organización.
2. El empleo técnico de dicha auditoría, la cual es concebida como un
instrumento de fines prácticos: control del dispositivo de resolución de
un problema basado en un modelo y control del estudio producido con
el modelo.

El volumen de recursos necesarios para la auditoría de un modelo depende

probablemente de la complejidad de un modelo. Auditar un sistema de
modelos exige más recursos que auditar un solo modelo del sistema. La
estructura de los recursos debe respetar la pluralidad de las disciplinas: es
24

1. Transparentar lo mejor posible y compartir los resultados sin tomar

partido por un proyecto dado
2. Defender un proyecto por las garantías científicas del modelo, el cual es
empleado con el inconveniente de un esclarecimiento de calidad.
3. Solicitar las “garantías científicas” pero sin la preocupación de un es-
clarecimiento de calidad, únicamente con el empleo forzado del modelo,
o la presentación de resultados que no tienen ninguna relación con el
modelo.
4. Esclarecer la mejor posible y guardar los resultados para sí mismo.
5. Análogamente al caso anterior pero defendiendo un proyecto dado por
una aplicación forzada.

2.1.3 El ejemplo de la planeación del transporte

El término de estudio-tomar partido ha sido forjado para designar cier-

tos estudios o proyectos para justificar proyectos de transporte de manera
extremadamente parcial. Toda indignación bajo este punto de vista será
inocente.
Más profundamente, algunos han denunciado el empleo de los modelos de
tráfico al servicio de una ideología, por ejemplo: aquella de “todo al au-
tomóvil” en relación con los modelos de tráfico urbano (Dupuy 1975). En
Francia, esta crítica ha tenido sus frutos. Desde ahora, el poder público
está cada vez más circunspecto en relación con estos modelos. Ahora no
son los únicos que disponen de los recursos necesarios para la modelación.
Otros actores se han provisto de herramientas de este tipo: los colectivos
locales (municipios), los concesionarios del transporte, los banqueros y has-
ta las consultorías. En estas condiciones la relación entre actores debería
ser más equitativa: las pseudogarantías científicas no son las únicas de-
terminantes porque están compartidas. A veces la relación de fuerzas se
ha orientado hacia los poderes públicos y los otros actores. Algunos ac-
tores, menos restringidos, han puesto a punto modelos más eficientes que
conservan celosamente, pues ello les otorga una posición de fuerza.
2. Razones para auditar

2.1 Aspectos sociales e instrumentales

La presente sección examina las consideraciones de orden social o institu-

cional.

2.1.1 Plan social e instrumental

Debido a su naturaleza, desarrollo, organización y creencias, la sociedad

influye sobre el modelo y uso. Por ejemplo:

La hipótesis que considera que el usuario del sistema de transporte puede

hacer una elección de itinerario es inherente a una sociedad liberal.
Los estudios actuales de tráfico movilizan recursos informáticos inima-
ginables hace dos generaciones.

Recíprocamente, el modelo influye sobre la sociedad:

Por su utilización didáctica transmite y difunde elementos de compren-

sión.
Por las consecuencias prácticas de su aplicación, estas consecuencias
merecen un examen.

2.1.2 El modelo como elemento para aclarar o apoyar

Un actor que interviene en un proceso de decisión tiene dos razones funda-

mentales para emplear un modelo: a) esclarecer un problema y b) defender
una argumentación. Estas dos funciones se combinan de diversas maneras
según los intereses del actor:
 Parte II

Las razones para auditar el error

20

1.5.6 Confusiones frecuentes

1. Se confunde el término modelos con un programa o paquete de cómputo.

2. El investigador que desarrolla un paquete de cómputo se dedica a la
actividad comercial en detrimento de la información científica.
3. El que desarrolla un paquete de cómputo y se vuelve investigador no
se encuentra en las mejores condiciones para hacer valer sus ideas ori-
ginales.
 19

12. Implementación. El éxito de la fase de implementación depende de la

calidad con que las siete fases previas fueron realizadas. Si los usuarios
del modelo han sido fuertemente implicados en la comprensión de la
naturaleza del modelo, sus datos de entrada y salida, la probabilidad de
éxito en la implementación será elevada. En contraposición, si el modelo,
sus hipótesis y consideraciones no han sido comunicadas correctamente,
la implementación seguramente presentará dificultades poniendo en tela
de juicio la validez del modelo de simulación.

En términos generales, el proceso de construcción de un modelo se divide

en cuatro fases:
La primera fase se compone de los pasos: formulación del problema y or-
denamiento de objetivos. Es una fase de conocimiento y orientación. El
establecimiento inicial del problema es por lo general “difuso” y los obje-
tivos iniciales tendrán que ser redefinidos, por lo que el plan original del
proyecto tendrá que ser ajustado. Los ajustes y aclaraciones tendrán que
hacerse en esta fase o quizá en la siguiente.
La segunda fase está relacionada con la construcción del modelo y con la
colecta de datos. Incluye los pasos siguientes: conceptualización del mo-
delo, colecta de datos, portabilidad, verificación y validación. Durante es-
ta fase se requiere una retroalimentación entre los diferentes pasos. La
exclusión del usuario de esta etapa podría incidir posteriormente en la
implementación.
La tercera fase se refiere a la ejecución del programa. Incluye los pasos
siguientes: diseño experimental, resultado de las ejecuciones y análisis, y
ejecuciones adicionales. Esta fase podría requerir un plan robusto de prue-
bas del modelo de simulación.
La cuarta fase se refiere a la implementación e incluye los pasos de do-
cumentación y reportes e implementación. Quizá el punto más crucial en
todo el proceso es la validación, debido a que un modelo no válido puede
llevar a resultados erróneos. Por lo que la implementación puede volverse
costosa o peligrosa (o ambas) si se lleva a cabo.
 18

al periodo de análisis, la duración de las ejecuciones del programa (cor-

ridas), el número de variaciones en cada corriente, etcétera.
9. Resultados del programa y análisis. Con base en estos elementos es nece-
sario generar medidas o índices de desempeño del sistema analizado.
Estos valores son de utilidad para evaluar de manera agregada o de-
sagregada las ventajas o inconvenientes de cada una de las alternativas
analizadas.
10. Número de ejecuciones del programa. Con base en los análisis de los
resultados de las ejecuciones previas del programa, se determina si se
requieren ejecuciones adicionales o diseños de sistemas para complemen-
tar el estudio.
11. Documentación y reporte. Existen dos tipos de reportes: el del progra-
ma y el del proceso. El primero es necesario en caso de que un usuario
diferente al analista inicial desee usar esta herramienta (para verificarlo
o para realizar un nuevo análisis), de esta forma sabrá cómo operar-
lo. Las malas experiencias originadas por una información inadecuada
del programa son elementos suficientes para mostrar al analista esta
necesidad. Otra razón para documentar el programa es que los usua-
rios pueden modificar ordenadamente sus parámetros para entender su
efecto sobre los indicadores del desempeño y con ello, obtener un mayor
conocimiento de las condiciones de variación del sistema. Un punto im-
portante en la documentación consiste en reportar continuamente y en
orden cronológico las decisiones más importantes durante el desarrollo
del proyecto. En (Musselman 1998) se propone que la frecuencia del re-
porte al menos sea mensual, y que se elaboren varios reportes parciales:
“Es mejor trabajar en varias etapas que con fechas de entrega únicas”.
Los elementos de un proyecto final incluyen la especificación del modelo,
las demostraciones de los prototipos, las animaciones, los resultados de
las pruebas, los análisis intermedios, la documentación del programa,
los reportes parciales y las presentaciones. Los resultados de todos los
análisis deberán ser reportados clara y concisamente en el reporte final.
Esto permitirá a los usuarios del modelo revisar la formulación final, los
sistemas alternativos que fueron considerados, el criterio bajo el cual las
alternativas fueron comparadas, el resultado de los experimentos y las
soluciones recomendadas para el problema.
 17

un incremento en los costos de construcción del mismo. No es necesario

hacer una correspondencia exacta entre el sistema real en el modelo sino
sólo incluir la esencia de este último.
4. Colecta de datos. Existe una constante interrelación entre la construc-
ción del modelo y la colecta de datos necesarios para alimentarlo. Debido
a que la complejidad del modelo cambia, los datos necesarios al mismo
también pueden hacerlo. Debido a que la colecta de estos datos toma
un tiempo bastante importante respecto a la duración del estudio, es
necesario iniciar lo antes posible con la colecta; generalmente, al mismo
tiempo que las primeras etapas de diseño del modelo. Los objetivos del
estudio dictan, en gran parte, la clase de datos que pueden ser colecta-
dos. Esta información también es importante para el ajuste del modelo.
5. Portabilidad. Debido a que los sistemas del mundo real resultan de mo-
delos que requieren una gran cantidad de almacenaje y recursos infor-
máticos, el modelo debería ser desarrollado en un formato común.
6. Verificación. Las verificaciones se refieren principalmente al programa
de cómputo preparado para la simulación del modelo. Se busca deter-
minar si el programa está desempeñándose correctamente. Esta verifi-
cación es difícil en modelos complejos y en ocasiones imposible (más
adelante se darán elementos para verificar la consistencia de un progra-
ma). Si los parámetros de entrada y la estructura lógica del modelo son
correctamente representados en la computadora, la verificación ha sido
completada. En la mayoría de los casos el sentido común se emplea para
completar este paso.
7. Validación. Es la comprobación de que el modelo es una representación
aproximada de un sistema real. Es usualmente alcanzada a través de la
calibración o ajuste del modelo. Este último es un proceso interactivo
que permite comparar los resultados del modelo al comportamiento ac-
tual del sistema con el objeto de modificar los parámetros del modelo
hasta el momento que el modelo reproduzca la realidad con una calidad
juzgada como aceptable.
8. Diseño experimental. En esta fase se determinan las alternativas que
serán simuladas. Frecuentemente esta decisión está ligada a los recursos
consumidos en cada “corrida” del programa. Para cada sistema diseña-
do que será objeto de simulaciones se requiere tomar decisiones relativas
16

2. La mayoría de las herramientas de simulación poseen módulos para el

análisis de datos.
3. La simulación se desarrolla más rápidamente ahora que antes.
4. Los modelos de forma cerrada no son pertinentes para analizar los sis-
temas que existen en la práctica, razón por la que existe poca probabi-
lidad de que puedan desarrollarse soluciones al respecto.

1.5.5 Pasos en un proceso de simulación

1. Formulación del problema. Cada análisis debería de iniciar con la defini-

ción del problema. Si esta definición es proporcionada por los que toman
decisiones, o por aquellos que tienen el problema, el analista debe ase-
gurarse que está siendo descrito de manera clara. Si la definición del
problema corre a manos del analista es importante que los que toman
decisiones estén de acuerdo con su planteamiento y formulación. Sin
embargo, hay ocasiones en que el problema es reformulado conforme el
progreso del estudio.
2. Ordenamiento de objetivos y plan de conjunto. Los objetivos indican
las preguntas a resolver por la simulación. A este nivel, una decisión
importante debe tomarse en relación con el lugar donde la simulación
es una metodología pertinente. El plan de conjunto debería de incluir
una definición de las alternativas de sistemas a ser consideradas y un
método para evaluar su eficiencia. También debería de incluir el plan de
estudio en términos del total de personas incluidas, el costo del estudio
y el número de días requeridos para concluir cada fase del trabajo con
los resultados anticipados al fin de cada etapa.
3. Conceptualización del modelo. La construcción del modelo de un sis-
tema implica arte y ciencia (de Palma 2004). El arte de la modelación
es soportada por la habilidad para extraer los elementos esenciales del
problema, para seleccionar y modificar las suposiciones que caracteri-
zan el sistema y entonces, enriquecer y elaborar el modelo hasta llegar
a resultados aproximativos. De esta forma es mejor iniciar con mode-
los simples, llevándolo posteriormente hacia una mayor complejidad. Sin
embargo, la complejidad del modelo no debe rebasar los propósitos para
los cuales fue construido. La violación de este principio sólo llevará a
 15

6. Se pueden identificar las variables o factores que más afectan o benefician

el
desempeño del sistema.
7. Se pueden efectuar análisis de estrangulamiento o de cuello de botella
que permiten identificar los puntos a mejorar del sistema.
8. Un estudio de simulación puede ayudar a entender cómo funciona el
sistema en lugar de considerar cómo piensan los individuos que funciona.
9. Las situaciones hipotéticas, qué sucede si, pueden analizarse.

1.5.4 Desventajas de la simulación

1. La construcción de un modelo requiere un entrenamiento especial. Es un

arte que se aprende con el tiempo y a través de la experiencia. Adicional-
mente, si dos modelos son construidos por dos componentes individuales,
pueden tenerse ciertas similitudes, pero existen pocas probabilidades que
se obtenga el mismo modelo.
2. Los resultados de la simulación pueden ser difíciles de interpretar. Dado
que muchos resultados son esencialmente variables aleatorias (basadas
en entradas aleatorias), por lo que puede ser difícil determinar cuándo
una observación es el resultado de las interrelaciones del sistema o de la
aleatoriedad.
3. La modelación y el análisis pueden consumir mucho tiempo y ser cos-
tosas. La restricción de recursos para la modelación y el análisis puede
resultar en un modelo y un análisis no suficientes para alcanzar los ob-
jetivos establecidos.
4. La simulación es empleada en algunos casos en que la solución analítica
se puede obtener.

Las contrapartes de estas desventajas pueden ser:

1. Existen modelos genéricos (llamados simuladores) que incluyen parte o

todo el modelo de análisis, cuya aplicación sólo se limita a la disponi-
bilidad de datos.
14

3. La simulación no es pertinente si el problema puede ser resuelto a través

de experimentación simple (por ejemplo, el caso de los autoservicios para
determinar la variación de los tiempos de espera de los usuarios cuando
se agrega una ventanilla de atención).
4. No use la simulación si los costos exceden los ahorros.
5. La simulación no debe emplearse si los recursos financieros o de tiempo
no están disponibles.
6. Si no existen datos para un modelo alimentado es mejor no emplear la
simulación.
7. No emplear la simulación si no existe la capacidad para validar y verificar
el modelo.
8. Si existen expectativas irracionales o una sobreestimación de las virtudes
de la modelación.
9. Si el comportamiento del sistema es tan complejo y no puede ser
definido.

1.5.3 Ventajas de la simulación

Algunas ventajas de la modelación son (Pegden 1995):

1. Se pueden explorar la factibilidad o viabilidad de nuevas políticas, pro-

cedimientos de operación, reglas de decisión, flujos de información o
procedimientos organizacionales sin necesidad de detener las operaciones
del sistema real.
2. Se pueden probar las innovaciones técnicas, de sistemas de transporte
de gestión, etc. sin necesidad de dedicar recursos para su adquisición.
3. Puede ser verificada la factibilidad de cómo o por qué ocurren ciertos
fenómenos.
4. El tiempo puede ser manejado para acelerar o retardar el fenómeno en
investigación y así conocer sus efectos a diversos horizontes de tiempo.
5. Se puede obtener un mejor conocimiento de la interacción de las va-
riables que intervienen en el fenómeno, proceso o sistema analizado.
 13

4. El cambio de los datos de entrada y la observación de los resultados

permite obtener conocimientos sobre cuál es el efecto de las variables
más trascendentes y cómo interactúan las variables.
5. La simulación puede ser utilizada como una herramienta pedagógica
para reforzar las metodologías de las soluciones analíticas.
6. La simulación puede ser utilizada para experimentar con nuevos diseños
o políticas, antes de la implementación, y para conocer el efecto de estas
medidas.
7. La simulación puede ser empleada para verificar las soluciones analíticas.
8. Simulando las diferentes capacidades de una máquina se pueden deter-
minar sus necesidades.
9. Los modelos diseñados con propósito de entrenamiento permiten apren-
der sin los costos e interrupciones de un aprendizaje en campo o en el
trabajo.
10. Las animaciones permiten mostrar la operación simulada de un sistema.
11. Los sistemas modernos (fábricas, plantas de tratamiento de aguas, ser-
vicios de organización) son tan complejos que la interacción de sus ele-
mentos puede observarse a través de la simulación.

1.5.2 Pertinencia negativa de la simulación

En (Banks, 1997) se proponen nueve reglas para determinar cuando una

simulación no es adecuada.

1. La simulación no es pertinente cuando el problema puede ser resuelto

por sentido común (por ejemplo, en una estación de servicio con llegada
de usuarios y tiempo de servicio conocido).
2. La simulación no es pertinente si el problema puede ser resuelto analíti-
camente (por ejemplo, el tiempo de espera media del ejemplo anterior,
bajo ciertas condiciones, puede determinarse a partir de nomogramas
existentes como los de (Liberman, 1995).
12

la misma para delinear inferencias relativas a las características operativas

del sistema real.
El comportamiento del sistema, tal como es considerado en el tiempo, se
estudia desarrollando un modelo de simulación. Este modelo usualmente
toma la forma de un conjunto de consideraciones referidas a la operación
del sistema. Estas consideraciones son expresadas por medio de relaciones
matemáticas, lógicas y simbólicas entre las entidades o sujetos de interés
del sistema. Una vez desarrollado y validado, un modelo puede ser em-
pleado para investigar una amplia variedad de cuestionamientos acerca del
sistema real. Los cambios potenciales del sistema pueden ser primeramente
simulados con el objeto de predecir su impacto en el desempeño del sis-
tema. La simulación también puede ser empleada como una herramienta
de análisis en la predicción del efecto de los cambios que existirán en el
sistema, y como una herramienta de diseño para predecir el desempeño de
nuevos sistemas bajo un conjunto de circunstancias.

1.5.1 Pertinencia positiva de una herramienta de simulación

La disponibilidad de lenguajes de simulación para objetivos específicos, las

capacidades de cálculo, cada vez más importante, de las computadoras y
los avances en la metodología de la simulación han hecho de la simulación
una de las herramientas más aceptadas en investigación de operaciones y
análisis de sistemas. Así, la simulación puede emplearse para los siguientes
propósitos (Banks, 2000):

1. La simulación desarticula el estudio y la experimentación en interac-

ciones internas de un sistema complejo o de un subsistema dentro de un
sistema complejo.
2. Los cambios informacionales, organizacionales y ambientales pueden ser
simulados, y las alteraciones en el comportamiento del modelo pueden
observarse.
3. El conocimiento adquirido durante el diseño del modelo de simulación
puede ser de gran interés para sugerir mejoras en el sistema analizado.
 11

4. Para tomar en cuenta explícitamente la incertidumbre ligada a las

hipótesis de aplicación.

Para dar estas garantías es necesario auditar el modelo de la composición

conceptual a la alimentación econométrica. Auditar el modelo en el sentido
de detectar los eventuales errores, de tomar las medidas de corrección o
en su caso reducirlas. Una auditoría favorable demuestra la utilidad del
modelo respecto al conocimiento del sistema estudiado.

1.4.5 Las garantías técnicas

Para demostrar la buena fundamentación de un modelo, es necesario tomar

medidas técnicas efectuando varios controles:

1. Auditoría conceptual o semántica. Primeramente, verificar la similitud

del modelo conceptual a la representación abstracta de la realidad.
2. Auditoría formal. Este control se centra en la consistencia lógica y en la
posibilidad de resolución del modelo- dicho de otra forma, la coherencia-
con el fin de asegurar que las dependencias son suficientes para deter-
minar las variables endógenas.
3. Auditoría algorítmica. Este control se orienta en el dispositivo técnico de
simu-
lación y su capacidad efectiva para producir el resultado esperado.
4. Auditoría econométrica. Es el último control y se centra sobre la validez
empírica del modelo, sobre su capacidad para reproducir las observa-
ciones y sobre la fiabilidad de su simulación.

Las cuatro etapas anteriores constituyen la auditoría técnica del modelo.

1.5 Simulación

Es la imitación del funcionamiento de un proceso del mundo real o de un

sistema en el tiempo. Por medio de una computadora, la simulación lleva
a la generación de la historia artificial de un sistema y a la observación de
10

al resultado, lo que da una garantía técnica en relación con el modelo ali-

mentado.
Las modalidades de interpretación (omisión, travestismo, etc.) dependen
en lo absoluto del contenido del modelo, pero en la práctica el solici-
tante del estudio actúa en función de sus propios intereses y de sus
restricciones particulares. La imposición de reglas relativas a la presentación
de las hipótesis y de los resultados puede prevenir eventuales desviaciones.
Tales reglas proceden de argumentos técnicos aunque implican la adminis-
tración del proceso de decisión (por ejemplo, la Secretaría de Transportes
inglesa impone reglas de método y presentación para todo estudio de tráfico
carretero).
Tratamiento de las oposiciones pragmáticas. El argumento de la poca uti-
lidad práctica de los estudios se refiere únicamente a la función de ayuda
a la decisión (sólo en casos particulares). Las otras funciones, como la del
conocimiento, no son afectadas.
En relación con la eventual limitación del modelo calculable respecto a
la presentación conceptual, debe mencionarse que se relaciona más a de-
sarrollar un esfuerzo de modelación que a rechazar las aplicaciones en las
cuales el modelo ha sido proporcionado.
Las limitaciones de los medios y la falta de medidas son argumentos cer-
canos de las dudas relativas a los datos de aplicación.

1.4.4 Balance final: se requiere de garantías técnicas

Las realidades evocadas anteriormente llevan a la necesidad de tomar

garantías técnicas de los modelos:

1. Para verificar su utilidad con fines de comprensión teórica, de pedagogía,

de prospectiva, de ayuda a la decisión.
2. Para aprobar o desechar una aptitud empírica en el caso de una apli-
cación cuantitativa particular.
3. Para asegurar el proporcionamiento entre el sistema estudiado y las
preguntas planteadas.
 9

d) La incertidumbre relativa a los datos de aplicación debido a la falta

de mediciones suficientes.

Estos argumentos son aceptables si sintetizan esfuerzos serios para mejorar

el modelo o simplemente para hacer un buen uso de ellos. De lo contrario
estos argumentos sólo reflejan una abdicación técnica disimulada con una
máscara sociológica.

1.4.3 Síntesis

Los argumentos a favor de la modelación son aceptables a condición de

contar con una garantía técnica. Los argumentos a favor de la modelación se
sostienen en razón de la posibilidad de empleo al servicio de objetivos bien
determinados: comprensión técnica, pedagogía, perspectiva, ayuda lúcida
a la decisión. Por lo tanto, están condicionados a la calidad técnica del
modelo.
Contra las oposiciones filosóficas conviene definir la propia. Se ha men-
cionado que las oposiciones filosóficas pueden ser refutadas por argumen-
tos empíricos o utilitaristas. Una refutación a la “incapacidad del modelo”
nunca es global sino que permanece siendo local a una aplicación particular
o aun más, a una interpretación particular de esta aplicación. Sin embar-
go, un reproche de incapacidad traduce de todas formas una duda global a
priori. Es más conveniente refutar el axioma de incapacidad a priori en la
modelación ya que cada modelo puede intentar sobrepasar las pruebas de
cada aplicación. ¿Queda por definir qué pruebas?, lo que nos lleva al tema
de las garantías técnicas.
Respuestas a las oposiciones sociológicas. Las oposiciones sociológicas re-
quieren de garantías que se refieren a las circunstancias de empleo, las
hipótesis de aplicación y las modalidades de interpretación.
En relación con las circunstancias de empleo para prevenir una aplicación
inocente o brutal, conviene examinar el proporcionamiento del modelo
respecto al sistema a estudiar y a tomar una garantía técnica sobre el
modelo semántico. Para las hipótesis de aplicación, principalmente los va-
lores a asignar a las variables exógenas, conviene adoptar las hipótesis más
creíbles y cuantificar la incertidumbre ligada a ella: al propagar esta incer-
tidumbre por medio del modelo, se puede explicar la incertidumbre ligada
8

3. Aplicación “inocente” o brutal. Se pueden llamar reticencias contra el

empleo tan general o tan rápido de modelos alimentados, frutos del en-
tusiasmo inmoderado para aplicar a todo tipo de situaciones, máquinas
de generación de números.
4. Empleo maquiavélico de las previsiones cuantitativas. Dado que un mo-
delo de simulación cuantitativa puede aclarar una decisión (por ejemplo
en materia de planeación), si uno de los actores del proceso solicita el
estudio, estará tentado a utilizar el modelo para el apoyo de una estrate-
gia propia. En este sentido existen varios niveles de manipulación: la di-
simulación (omitir a propósito ciertos aspectos que lleven a los otros ac-
tores a reflexionar), el travestismo (interpretar algunos resultados de ma-
nera poco clara), la falsificación (obtención de resultados sobre medida
gracias a un ajuste ad hoc del modelo). Es importante señalar que el ar-
gumento de la orientación maquiavélica ejerce al final de cuentas efectos
perniciosos: desvía a los modeladores del modelo y reduce progresiva-
mente el método técnico, hasta eliminar de los modelos conceptuales o
formales el soporte empírico y el carácter experimental. Otro argumento
de naturaleza sociológica es la nocividad de un modelo que esclarecería
tan netamente las implicaciones de una decisión: algunos sostienen que
un proceso de decisión para su buen desarrollo, requiere de cierta am-
bigüedad, favorable a un “compromiso de la incomprensión” que ac-
tuaría como aceite en los rodamientos de la sociedad. En este caso, cor-
responde a los actores del proceso tomar decisiones.
5. Argumentos pragmáticos. Al final de cuentas, los mismos técnicos de la
modelación presentan argumentos que inducen a limitar el empleo de la
modelación:
a) La nula utilidad práctica de una modelación que sirve únicamente
para acompañar una decisión ya tomada y no a esclarecer una de-
cisión por tomar.
b) Las dificultades de la formalización y del empleo de un modelo con-
ceptual complejo lo que incita a estar satisfecho con representaciones
más simples.
c) Las restricciones económicas, en recursos humanos y financieros que
obligan arealizar el estudio de manera vasta o muy simplificada.
 7

factores, entonces el modelo alimentado puede no solamente representar

una situación de referencia, sino además simular los efectos de posibles
decisiones o evoluciones, por lo que puede servir para esclarecer algunas
decisiones. De igual modo, puede sostener la comprensión cualitativa y
la prospectiva. Para un sujeto de análisis como la demanda del trans-
porte, el análisis cualitativo no es suficiente para jerarquizar los factores
determinantes por lo que es necesario una cuantificación para apreciar
sus papeles respectivos.

1.4.2 Argumentos en contra (caso de los modelos del transporte)

1. Oposiciones filosóficas. Los modelos son inútiles. ¿Cuál es la utilidad

final de un modelo de previsión? Si la evolución de un sistema es per-
fectamente previsible (determinado previamente), de qué sirve entonces
predecir si de todos modos acontecerá necesariamente? Este argumen-
to, también llamado “sofisma perezoso” (Curien 1989), manifiesta, sin
duda, una ausencia de libre albedrío de los actores. ¿Puede conside-
rarse adecuado un enfoque cuantitativo cuando el carácter evolutivo, la
inestabilidad o la complejidad del sistema estudiado es tan alta? Las
dos oposiciones filosóficas son susceptibles de refutarse con argumen-
tos empíricos que muestran la exactitud de ciertas previsiones. Desde el
punto de vista de la utilidad económica, se puede constatar que si los
actores (económicos) están dispuestos a pagar por una modelización,
entonces ésta tiene una justificación económica y más aún en medida
que los precios son elevados. Al argumento de la incapacidad fundamen-
tal de un enfoque cuantitativo se puede responder que el buen artesano
y una buena herramienta no se sustituyen el uno por el otro. Por lo
que, un análisis cualitativo puede ser sustentado y prolongado por un
modelo cuantitativo capaz de proyectar sistemáticamente los principios
explicativos puestos en juego. La interrogación sobre la utilidad final del
modelo cuantitativo puede ser devuelta, si todo está determinado con
anterioridad, entonces el empleo del modelo es valioso para la crítica,
para la refutación de la crítica, etcétera.
2. Oposiciones sociológicas: el modelo fácil a devastar o nocivo. Las oposi-
ciones de tipo sociológicas se sujetan esencialmente a las circunstancias
y condiciones de empleo de los modelos.
6

1.3.5 Modelo físico

Generalmente son representaciones a escala reducida de sistemas. Por

ejemplo, las maquetas arquitectónicas, los túneles de viento, modelos mari-
nos. Estos modelos son adecuados para tratar ciertos problemas físicos,
pero están claramente limitados a aspectos de diseño (Ortúzar 1994).

1.4 Modelación

1.4.1 Argumentos a favor

1. Toda representación abstracta contiene un modelo semántico. Un mo-

delo semántico reúne las ideas y las intuiciones relativas a un objeto
o a un sistema. La identificación de los componentes y la puesta en e-
videncia de las relaciones proveen los ingredientes necesarios para una
representación abstracta. Esta representación no sólo puede cumplir un
papel didáctico, al proporcionar una imagen simplificada de un sistema
eventualmente complejo, sino que también puede ser un instrumento
para la concertación y la discusión entre los actores de un proceso de
decisión. La representación abstracta implica no sólo cualquier método
cuantitativo que busca reproducir o predecir un estado empírico, sino
que también implica un análisis prospectivo, que se apoya sobre una
identificación de las principales relaciones para imaginar evoluciones
posibles. De la calidad del modelo conceptual depende aquélla de la
prospectiva.
2. Los modelos formales y calculables son una de las etapas necesarias para
la cuantificación. El modelo formal cumple una función más terminada
que el modelo semántico. La formulación matemática sirve para definir
una coherencia preparatoria de la cuantificación. El modelo resoluble
precede necesariamente a la aplicación cuantitativa (una fórmula sin
dispositivo de resolución se convierte en letra muerta).
3. El modelo alimentado permite esclarecer las decisiones. Este modelo
cumple funciones de representación y de simulación, o en todo caso de
prospección. Las consecuencias prácticas son evidentes: si el sistema
estudiado tiene (real o virtualmente) una existencia empírica influen-
ciada por la decisión de ciertos actores o por la evolución de ciertos
 5

1. Mecanismo explicativo. Es una relación elemental.

2. Contenido semántico o composición semántica. Es el conjunto de meca-
nismos explicativos del modelo conceptual. Ejemplos: el sistema de
transporte, sus actores y sus relaciones. En materia de asignación: iden-
tificar un desplazamiento como el consumo de un bien económico; iden-
tificar al autor de un desplazamiento como un actor económico que
demanda el buen desplazamiento, definir la elección de itinerario como
la búsqueda del camino más corto y por lo tanto de un bien de precio
mínimo; suponer que los demandantes conocen y por lo tanto pueden
elegir los caminos, definir el desplazamiento como un costo generaliza-
do precisando sus atributos (costo directo, costo indirecto o subjetivo,
etcétera).
3. Fórmula característica. Es la síntesis en lenguaje matemático de los
mecanismos explicativos bajo la forma de un problema de tipo matemáti-
cas aplicadas. Para obtener la fórmula característica de un modelo se
puede definir una notación matemática para cada elemento, ensegui-
da expresar cada mecanismo explicativo como una relación elemental
que una, por medio de una función, cada uno de los elementos inter-
nos (variables endógenas) y externos (variables exógenas). Finalmente,
unir las relaciones formales en una fórmula sintética que se convierte en
característica al asociarlo a un marco matemático de referencia.

1.3.2 Modelo formal

Designa la unión del modelo semántico y de la fórmula característica.

1.3.3 Modelo resoluble

El modelo formal unido a un dispositivo de resolución que determina los

valores de las variables endógenas en función de las variables exógenas. Por
ejemplo, un modelo de asignación puede integrar un modelo de afectación
formal y un algoritmo de resolución.

1.3.4 Modelo alimentado

Un modelo resoluble unido a datos de aplicación a un caso particular dado.

4

El sistema se compone de los siguientes elementos:

1. Entidad. Es un objeto de interés en el sistema.

2. Atributo. Es una propiedad de la entidad.
3. Actividad. Es un periodo de duración determinada.

1.2.1 Estado de un sistema

Colección de variables necesarias para describir el sistema en un momento

dado (relativo a los objetivos del estudio).

1. Evento. Es un suceso que puede cambiar el estado del sistema.

2. Endógeno. Se refiere a las actividades y eventos que ocurren al interior
del sistema.
3. Exógeno. Por oposición se refiere a las actividades y eventos del contexto
o ambiente que afectan al sistema.

1.2.2 Tipos de sistema

1. Discretos. Es aquel en el que la(s) variable(s) de estado sólo puede(n)

tomar un conjunto de valores infinitos.
2. Continuos. Análogamente, son aquellos en el que la(s) variable(s) de es-
tado puede(n) asumir un número infinito de valores, es decir, cambia(n)
continuamente en el tiempo.

1.3 Tipos de modelo

1.3.1 Modelo conceptual, semántico o fenomenológico

Es el esquema teórico en el que hay una definición de sistemas y de subsis-

temas (por lo tanto de contexto), y una calificación de relaciones (causali-
dad, simultaneidad), etcétera.
1. Definiciones

1.1 Modelo

1. Esquema teórico que busca dar cuenta de un proceso, de relaciones

existentes entre diversos elementos de un sistema.
2. Conjunto de ecuaciones y de relaciones que sirven para representar y
estudiar un sistema complejo.
3. Conjunto de características que posee en común una familia de sistemas
homomorfos.
4. Esquema teórico de un sistema o realidad compleja que se elabora para
facilitar su comprensión y estudio (Vox 2003).

Es decir, un modelo se refiere a un sistema en el cual opera una abstracción

(c, a) que sirve para representar (a,b) y analizar (d) o simular (b). A veces
se agrega una función de prospección (modelos predictivos) y una regla
de evaluación que sirve para definir, probar o clasificar variantes (Leurent
1997).

1.2 Sistema

Es un grupo de objetos que están ligados por alguna interacción regular o

en interdependencia con el fin de lograr un propósito.
Un sistema es frecuentemente afectado por cambios que ocurren fuera del
sistema. Tales cambios ocurren en el sistema contextual o ambiental. En la
modelación de sistemas es necesario definir las fronteras entre el sistema y
su contexto o ambiente. Esta última decisión dependerá de los propósitos
del estudio.
 Parte I

Conceptos de simulación y modelación

7. Metodología de corrección y expansión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

7.1. Metodología de corrección y expansión para EOD a hogares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

7.1.1. Corrección por tamaño familiar y sociodemografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

7.1.2. Correcciones adicionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131

7.1.3. Corrección para el sesgo de no-respuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133

7.1.4. Metodología de imputación de ingreso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134

7.2. Metodología de corrección y expansión para EOD de interceptación . . . . . . . . . . . . . . . . . . . . . . . . . . 138

8. Recomendaciones para la validación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141

8.1. Metodología general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141

8.1.1. Recomendación 1: usar información independiente para examinar el subreporte de viajes . 144

8.1.2. Recomendación 2: si se utiliza ajuste de matrices (ME2 o similar) es esencial reservar

información independiente para validar la matriz final . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144

8.2. Otras mediciones complementarias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145

8.2.1. Medición de flujo vehicular . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145

8.2.2. Encuesta a vehículos de carga . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149

8.2.3. Medición de niveles de servicio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149

Parte III. Metodología para la realización de encuestas de movilidad

4. Objetivos y componentes de una encuesta de movilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

5. Aspectos generales de la metodología propuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

5.1. Introducción y objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

5.2. Método de encuesta y tamaño de ciudad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

5.2.1. Características de las ciudades pequeñas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

5.2.2. Características de las ciudades medias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

5.2.3. Características de las metrópolis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

5.2.4. Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

5.2.5. Principales lineamientos de la metodología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

6. Definición de tamaños de muestra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

6.1. Aspectos generales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

6.2. Tipos de encuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

6.3. Definición del marco muestral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

6.4. Dimensión temporal de la muestra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

6.5. Cálculo del tamaño muestral de una EODH según distintos objetivos . . . . . . . . . . . . . . . . . . . . . . . . . 82

6.6. Diseño muestral para encuestas de interceptación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

6.6.1. Consideraciones generales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

6.6.2. Marco muestral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88

6.6.3. Tamaño muestral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

6.7. Método de encuesta y diseño de los formularios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

6.7.1. La EOD a hogares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

6.7.2. La EOD de interceptación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110

6.8. Recomendaciones para el procesamiento computacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

6.8.1. Digitalización de las encuestas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

6.8.2. Recomendaciones para la validación computacional de digitación de EODH . . . . . . . . . . . . . 119

6.8.3. Georreferenciación de orígenes y destinos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125

 2.6. Cuestiones de especificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

2.6.1. ¿Es la codificación la cara oculta de la modelación? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

2.6.2. La práctica limpia se logra por validación preventiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

2.6.3. Contribución: realizar algunos estudios empíricos para guiar las demarcaciones estadísticas 37

2.7. Los mecanismos explicativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

2.7.1. Uso de mecanismos explicativos arcaicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

2.7.2. Del lado práctico, demasiado apoyo en los programas de cómputo . . . . . . . . . . . . . . . . . . . . . . 39

2.7.3. Del lado de la investigación: algunas proposiciones a retomar . . . . . . . . . . . . . . . . . . . . . . . . . 39

2.7.4. Balance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

2.8. Cuestiones de estimación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

2.8.1. Objetos y principios metodológicos de la estimación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

2.8.2. Estado de la práctica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

2.9. Del lado de la investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

2.9.1. Cada contribución se orienta a un objeto particular . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

2.9.2. ¿Qué marcos probabilísticos deben considerarse para la estimación? . . . . . . . . . . . . . . . . . . . . 43

2.9.3. Apreciación del conjunto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

2.10. Otras contribuciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

2.10.1. El error de cálculo: un desconocido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

2.10.2. Sobre la propagación del error exógeno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

2.10.3. Un enfoque integrador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

2.11. Balance provisional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

2.12. Análisis teórico del error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

3. Ejercicios y actividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

3.1. Lecturas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

3.2. Actividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

3.3. Evaluación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

3.3.1. Solución parte 1: análisis del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

3.3.2. Solución parte 2: análisis del error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

3.3.3. Conclusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
 1.5.5. Pasos en un proceso de simulación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

1.5.6. Confusiones frecuentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

Parte II. Las razones para auditar el error

2. Razones para auditar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2.1. Aspectos sociales e instrumentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2.1.1. Plan social e instrumental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2.1.2. El modelo como elemento para aclarar o apoyar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2.1.3. El ejemplo de la planeación del transporte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2.1.4. Una ficha de lectura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

2.2. Plan instrumental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

2.2.1. Calidad del modelo, del dispositivo de resolución y del estudio . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.2.2. Objeto y naturaleza del control de calidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

2.2.3. Los vectores privilegiados de la transparencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

2.2.4. Repartición racional de responsabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

2.2.5. Control mutual y recíproco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2.3. Tipos de error en la teoría estadística estandar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2.3.1. El Modelo de Regresión Lineal Simple (MRLS) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2.3.2. Hipótesis básicas o suplementarias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2.3.3. Interpretaciones del error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.4. ¿Cómo tratar el error? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.4.1. Actuar sobre la especificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.4.2. Actuar sobre el error de medida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

2.4.3. Fluctuación de la muestra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

2.4.4. Medir el error de provisión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

2.5. Reglas de selección del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

2.5.1. ¿Existe un submodelo en común? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

2.5.2. Relaciones calidad-precio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

2.5.3. Balance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Índice general

Parte I. Conceptos de simulación y modelación

1. Definiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.1. Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.2. Sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.2.1. Estado de un sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.2.2. Tipos de sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.3. Tipos de modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.3.1. Modelo conceptual, semántico o fenomenológico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.3.2. Modelo formal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.3.3. Modelo resoluble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.3.4. Modelo alimentado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.3.5. Modelo físico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.4. Modelación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.4.1. Argumentos a favor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.4.2. Argumentos en contra (caso de los modelos del transporte) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.4.3. Síntesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1.4.4. Balance final: se requiere de garantías técnicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

1.4.5. Las garantías técnicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

1.5. Simulación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

1.5.1. Pertinencia positiva de una herramienta de simulación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

1.5.2. Pertinencia negativa de la simulación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

1.5.3. Ventajas de la simulación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

1.5.4. Desventajas de la simulación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

 Agradecimientos

Este evento académico y estas notas pudieron ser concretadas gracias al apoyo incondi-
cional de la Facultad de Ingenieria, a través del programa PIFI-2002, la Coordinación
General de Investigación de la UAEM, por medio de un apoyo especial para la organi-
zación de eventos académicos, el Consejo Nacional de Ciencia y Tecnología a través del
proyecto de investigación 41078 y el Instituto Mexicano del Transporte al dar las faci-
lidades necesarias para que los investigadores mencionados participaran como ponentes
y como asistentes. Agradecemos también a las entidades públicas y privadas que dieron
un empuje definitivo a esta primera parte del diplomado y sin cuya participación no se
hubiera concretado esta iniciativa. Finalmente, damos las gracias a Montserrat Rojas L.
y Silvia García G. por su invaluable apoyo en la edición del documento.
libro Modelos econométricos de elección discreta del profesor Ortúzar. El módulo "Tópicos
avanzados de economía del transporte" puede ser consultado en los artículos (Jara-Díaz
2003); (Jara-Díaz 2003); (Jara-Díaz 1987) del profesor Jara Díaz.

El documento ha sido estructurado en tres partes. La primera está dedicada a definir

nociones relativas a la modelación y simulación empleadas en la planeación del transporte,
así como su pertinencia, ventajas y desventantajas. Introduce también los conceptos de
modelo semántico, formal, resoluble y alimentado, alrededor del cual se articula una teoría
que permite identificar las fuentes de error en los modelos de transporte. La parte dos, se
compone de tres capítulos, presenta una descripción de las fuentes de error más comunes
pronunciándose por un esquema de auditoría en la práctica de la modelación. Finalmente,
se presenta un esquema para el análisis teórico del error y se desarrolla un ejemplo donde
se aplica la teoría presentada. La tercera parte de las notas, consta de cinco capítulos
donde se desarrolla una metodología para la aplicación de encuestas de movilidad. Para
ello, se definen primerante los objetivos y elementos de dichas encuestas y posteriormente
se desarrollan las etapas tipicas de una encuesta: de diseño muestral, diseño de encuestas,
corrección y expansión y validación. La metodología descrita se va ilustrando con las
experiencias obtenidas durante las diferentes encuestas de movilidad aplicadas en Santiago
de Chile.

Óscar Sánchez

Juan de Dios Ortúzar

Septiembre 2004
Prefacio

En México, la tareas de modelación y la planeación de los sistemas de transporte en

general y del transporte urbano en particular la realizan mayoritariamente las empresas de
consultoría a petición de las entidades gubernamentales. Una de las razones que explican
esta situación es la inexistencia de una base crítica de profesionales, tanto a nivel local,
regional y nacional como en los ámbitos de la educación y del gobierno, que enriquezca
con sus análisis las alternativas de solución de los problemas de transporte. En efecto, los
funcionarios de las entidades públicas, encargados de la regulación y operación de los sis-
temas de transporte, carecen en su mayoría de los elementos técnicos necesarios para va-
lorar las propuestas de las empresas consultoras. Los técnicos en consultoría, por su parte,
no emplean necesariamente las técnicas de modelación más apropiadas para resolver un
problema determinado. Los docentes por su parte, no actualizan sus conocimientos respec-
to a los avances en modelación y planeación por lo que no pueden formar profesionales que
se inserten en el mercado nacional y aporten conocimientos pertinentes a la problemática
actual.

El panorama anterior nos ha motivado a emprender diversas acciones en el ámbito de la

formación profesional. Las notas siguientes corresponden a la primera parte del diplomado
Métodos y Modelos de Planeación en el Transporte, que se llevó a cabo de septiembre a
diciembre de 2003 en la Facultad de Ingeniería de la UAEM. El diplomado en conjunto
consta de 12 módulos. Durante este periodo se abordaron los seis primeros que están
básicamente relacionados con la ingeniería y la economía del transporte, la modelación
y la simulación así como las técnicas de encuesta y ajuste de modelos econométricos.
Los módulos “Metodología de la ingeniería del transporte”, “Elementos para el análi-
sis económico de la demanda mediante modelos matemáticos” y “Economía aplicada al
transporte” fueron impartidos por investigadores del Instituto Mexicano del Transporte
como son: Víctor Islas, Guillermo Torres y Marco Antonio López. Los últimos dos mó-
dulos fueron impartidos por los reconocidos profesores: Juan de Dios Ortúzar y Sergio
Jara Díaz, de la Pontificia Universidad Católica de Chile y de la Universidad de Chile,
respectivamente.

Las notas recogen la información de los módulos Çonceptos básicos de modelación" y

"Técnicas de encuestas" presentadas por Óscar Sánchez y Juan de Dios Ortúzar. La
información correspondiente al módulo "Tópicos avanzados de econometría" se halla en el
 Dr. en Q. RAFAEL LÓPEZ CASTAÑARES

Rector

M. en A. Ed. MARICRUZ MORENO ZAGAL

Secretaria de Docencia

M. en A. P. JOSÉ MARTÍNEZ VILCHIS

Secretario de Administración

M. en C. EDUARDO GASCA PLIEGO

Secretario de Rectoría

DR. CARLOS ARRIAGA JORDÁN

Coordinador General de Investigación y Estudios Avanzados

ING. ENRIQUE MAZA COTERO

Director de la Facultad de Ingeniería

ING. BENJAMÍN LANDEROS OLGUÍN

Subdirector Académico de la Facultad de Ingeniería

M. en A. P. VÍCTOR MANUEL PÉREZ GARCÍA

Subdirector Administrativo de la Facultad de Ingeniería

DR. JAIME DE LA COLINA MARTÍNEZ

Coordinador de Investigación y Estudios de Posgrado

de la Facultad de Ingeniería

DR. ÓSCAR SÁNCHEZ FLORES

Coordinador del Doctorado en Ingeniería opción Transporte

de la Facultad de Ingeniería
Juan de Dios Ortúzar, Oscar Sánchez

Métodos y modelos en la planeación del

transporte
Notas

Versión 2 (revisada)

7 de octubre de 2004

UAEM