[MUSIC] Buenas. Vamos a volver a nuestra materia de Modelo de Selección Discreta. Y dentro del curso Introducción a los Modelos de Demanda de Transporte. Hemos visto anteriormente modelos agregados de demanda. Estos modelos entregan números o proporciones, por ejemplo, números cuando decimos el número de viajes entre un origen y un destino. O alternativamente la última clase veíamos la proporción de viajes que viajan en, por ejemplo, transporte público versus transporte privado. Hoy día vamos a ver modelos desagregados de demanda, y en ese sentido lo que nos interesa ahora es mirar probabilidades de elegir desde el punto de vista de cada una de las personas. No como una proporción de un grupo. La ventaja que tienen los modelos desagregados de demanda, es que hacen un uso más eficiente de la información. Cuando yo utilizo cada una de las personas como un elemento, como un dato, yo tengo mucho más riqueza y variabilidades que cuando utilizo información respeto a un grupo. Por otro lado también de esa manera yo puedo tener acceso a toda la viabilidad que está inherente en la información correspondiente a muchas personas. Finalmente cuando trabajamos con información desagregada, con datos de personas, típicamente vamos a tener una menor probabilidad de sesgo debido a la correlación que suele existir entre unidades agregadas. Y para esto un muy buen ejemplo es el que se conoce como la falacia ecológica. En este gráfico yo tengo en el eje de las Y los viajes por hogar, y en el eje de las X tengo el ingreso. Si ustedes se fijan tengo datos correspondientes a una zona A que lo tengo en rojo, que muestran claramente que a medida que crece el ingreso, la cantidad de viaje por hogar aumenta. Lo mismo ocurre en la zona B que está pintada en azul, en que de nuevo, a medida que crece el ingreso, los viajes por hogar aumentan. Sin embargo, si ustedes se fijan, en la zona B los viajes por hogar, en vehículo deberíamos haber agregado, son muchos más fuertes el crecimiento que en la zona A. ¿Por qué podría ser esto? Por ejemplo porque en la zona B es una zona de tipo europeo en la cual por ejemplo tenemos muy cerca de cada uno de los hogares accesibilidades fáciles a, por ejemplo, tiendas, restaurantes, comercio, industria, etcétera. La zona A por ejemplo, podría ser una zona de tipo desarrollo más bien norteamericano, en que prácticamente para ir a cualquier parte se necesita un automóvil. Entonces, efectivamente los viajes motorizados crecen mayormente. Ahora, el punto de esta transparencia es lo siguiente, si ustedes toman ahora la media de la zona A y la media de la Zona B, you son la regresión entre esos dos puntos, verán que hay una línea negra que dice lo contrario. Dice que los viajes por hogar decrecerían con el ingreso, lo cual evidentemente es un error. Yo he construido el ejemplo acá para exagerar este punto. Sin embargo, basta con ver con que el crecimiento es diferente en las unidades agregadas. Para darse cuenta que el modelo agregado nunca, efectivamente, va a tener una chance de reproducir tan correctamente como el desagregado la situación que estamos estudiando. Por otro lado, es esperable que los modelos desagregados de demandan trabajar con esta información más rica, tengan una mejor estabilidad tanto en el tiempo como en el espacio. Esto es, si yo por ejemplo estimo un modelo hoy día y lo trato de aplicar en un tiempo más, es posible que ese modelo sea todavía pertinente. En cambio en el caso de que lo haga con unidades agregadas, eso puede que no suceda. Lo mismo cuando transfiere un modelo desde una ciudad, por ejemplo, en algún lugar a otra ciudad, que puede no ser realmente muy parecida. Así, vamos a tener que, cuando trabajamos con datos desagregados, nosotros esperamos que las preferencias individuales, y por tanto los comportamientos de las personas, sean más estables. Porque estamos trabajando precisamente con personas en lugar de con grupo. Finalmente, y esto es una cosa que se podría mejorar también en los modelos agregados, pero normalmente cuando uno trabaja con modelos desagregados incorpora mayor cantidad de variables de nivel de servicio en la ecuación. Por ejemplo en los modelos agregados trabajamos con un costo generalizado. Y el costo generalizado podría depender del tiempo de viaje, el tiempo de espera, el tiempo de caminata y del costo tarifario. Cuando trabajamos con modelos desagregados, además de todas esas cosas, podemos incorporar variables latentes que tienen que ver con comodidad, seguridad, confiabilidad. Y además es mucho más sencillo también incorporar el efecto, por ejemplo, de variables asociadas al al nivel socioeconómico de cada una de las personas. Así vamos a tener que esos modelos son efectivamente en general mejores. Ahora, cuando nosotros trabajamos en transporte con modelos desagregados, típicamente trabajamos con los modelos de elección de alternativa discretas. Y esto podemos aplicarlo a, por ejemplo, modelos de elección de destino del viaje, lo que antes llamábamos distribución. Modelo de elección del modo de transporte, lo que antes llamábamos partición modal. Y modelos por ejemplo que nos dicen cuál podría ser la ruta que sigue más frecuentemente una persona, estos son modelos de elección de ruta. Y todas estas cosas las podemos modelar de acuerdo a los principios de la teoría de la utilidad aleatoria, que veremos con detalles en las próximas clases.
