2. Metodologías de recolección de información

Al comenzar a trabajar con metodologías de recolección de información mediante encuestas, es fundamental considerar cómo se representarán esos datos para utilizarlos posteriormente en la modelación de transporte. Antes de cualquier estudio, deben evaluarse ciertos aspectos prácticos que determinan el nivel de detalle y, por lo tanto, el tipo de encuesta más adecuado.

El diseño de una encuesta es un proceso complejo que exige experiencia y un análisis cuidadoso, especialmente debido a varias restricciones comunes en los estudios de transporte. Una de las más importantes es la duración del estudio, que condiciona directamente el tiempo y los recursos que se podrán invertir en la fase de recolección de datos.

Es fundamental que un estudio de transporte esté bien balanceado para evitar que la etapa de recolección de datos consuma de manera desproporcionada el presupuesto. Otro factor crítico es el horizonte de predicción: si el año objetivo está muy próximo, habrá poco tiempo para recolectar información y será necesario usar técnicas diferentes; si el horizonte es muy lejano —20 años o más— las predicciones incorporarán inevitablemente grandes errores, por lo que el plan debe ser flexible y capaz de adaptarse en el tiempo.
También son esenciales los límites del área de estudio, que deben definirse según el área de interés real del fenómeno y no según divisiones político-administrativas. Además, se debe distinguir entre el área de interés (más amplia) y el área de estudio en detalle (más acotada), considerando que en 20 años esta área probablemente crecerá.
Finalmente, están los recursos del estudio, que incluyen disponibilidad y capacitación del personal, facilidades computacionales, tecnologías accesibles y restricciones de uso. También pueden existir limitaciones físicas, sociales o ambientales que condicionen el diseño de la encuesta.

Con todo esto, el analista debe resolver una de las decisiones más importantes al iniciar el estudio: el nivel de resolución o detalle, que definirá cómo se estructurará la información y qué tipo de análisis será posible realizar. En este sentido, podemos identificar tres importantes decisiones. El sistema de planificación, la definición de la red y los distintos periodos de análisis.

Para aplicar correctamente los modelos de transporte es necesario zonificar el área de estudio, dividiendo la ciudad en zonas relativamente homogéneas según uso de suelo y características de la población. Por ejemplo, en la Ciudad de México existen zonas residenciales que generan viajes en la punta de la mañana y zonas laborales o educativas que atraen viajes en ese mismo periodo. La zonificación permite representar y analizar estos flujos de manera sistemática.

Es conveniente que las zonas sean compatibles con divisiones administrativas existentes, para aprovechar otras fuentes de información oficial. La zonificación es una partición física del territorio, y no requiere que todas las zonas tengan el mismo tamaño.

El número de zonas depende de dos factores principales:

Un supuesto clave en la modelación es que todas las actividades dentro de una zona se representan mediante un centroide, un punto ficticio donde se concentran los orígenes y destinos de la zona. Así, todos los viajes comienzan y terminan en estos centroides, lo que permite simplificar la estructura espacial para su análisis.

Las zonas deben tener un tamaño adecuado para que el supuesto de concentración en un centroide no genere errores significativos. Una vez definida la zonificación, la siguiente decisión importante es la definición de la red vial, que representa la oferta de infraestructura por la cual se desplazan los viajes.
La red vial suele organizarse de manera jerárquica. En la parte superior se encuentra la red vial primaria, integrada por autopistas urbanas de alta capacidad y por las avenidas principales que actúan como corredores estructurantes de la ciudad. Por debajo de esta se encuentra la red vial secundaria, compuesta por calles de menor capacidad que brindan conectividad local dentro de las distintas zonas. Esta estructura jerárquica permite modelar adecuadamente cómo fluye el tráfico entre zonas y dentro de ellas.

Determinar cuántos niveles jerárquicos incluir en la red vial es fundamental: incorporar más tipos de calles mejora la representación del sistema real, pero incrementa la complejidad y el costo del modelo. La red vial no solo incluye calles y autopistas; también integra líneas de metro, corredores de autobús, ciclovías y vías peatonales, es decir, toda la infraestructura de movilidad disponible.

La tercera decisión importante es la definición de los periodos de análisis. Para evaluar un proyecto es necesario predecir las condiciones de operación de la red estratégica, pero estas condiciones cambian según el uso, la frecuencia y la capacidad de los servicios, y varían día a día, semana a semana o entre estaciones del año. Por ello, no es adecuado usar valores promedio.

Se deben distinguir periodos razonablemente homogéneos que representen de forma apropiada el comportamiento de la demanda y la oferta. El número de periodos dependerá del tipo de proyecto y del nivel de precisión requerido: más periodos ofrecen mayor exactitud, pero incrementan el costo y la duración del estudio.
En esencia, la periodización busca identificar un conjunto reducido de periodos que capture las condiciones operativas relevantes del sistema para que el análisis sea válido y manejable.

Antes de comenzar la recolección de información, es necesario delimitar el área de estudio, lo cual se hace trazando un cordón externo que encierra la zona de interés. Luego, esa área se divide mediante una zonificación, que permitirá representar espacialmente los viajes según sus orígenes y destinos.

Las necesidades básicas de información comienzan con un inventario completo de la infraestructura: la red vial, sus calles, autopistas y avenidas, todas debidamente codificadas para su uso en el modelo. Además, debe elaborarse un inventario de los servicios de transporte existentes, incluyendo toda la oferta de locomoción colectiva: metro, tren suburbano, corredores de autobús, líneas de transporte público y cualquier otro modo relevante. Esta información es fundamental para construir la representación de la red sobre la cual se aplicará el modelo.

Además de los servicios principales como metro o tren, la modelación debe incorporar todos los modos que operan en la ciudad: buses, taxis, taxis colectivos y cualquier otro servicio relevante, pues todos influyen en la oferta total de transporte.
También es necesaria información detallada sobre el uso del suelo, ya que los modelos relacionan los viajes con las actividades urbanas: para entender desplazamientos entre hogar y trabajo se debe conocer la ubicación de centros laborales, comercios, oficinas, colegios, hospitales y otros polos atractores o generadores de viajes.

Otra fuente esencial son los conteos o aforos de tráfico, donde se registran los vehículos que pasan por puntos de control estratégicos de la red; estos datos permiten calibrar y validar los modelos de asignación.
Finalmente, se requiere información socioeconómica de la población, porque características como ingreso, sexo y edad influyen en los patrones de viaje y en la elección modal, siendo determinantes para estimar la demanda con precisión.

La pregunta central es cómo recolectar toda la información necesaria para modelar el sistema de transporte. Una de las herramientas más importantes son las encuestas, especialmente las encuestas en hogares, que son las más completas y ricas en contenido. En ellas, encuestadores visitan directamente a las familias para obtener datos detallados sobre sus viajes, actividades, modos utilizados y características socioeconómicas.
Sin embargo, estas encuestas son también las más costosas y complejas de realizar, debido al tiempo, personal y logística que requieren. A pesar de ello, siguen siendo una de las principales fuentes de información para construir modelos de transporte, ya que ofrecen datos de alta calidad y permiten entender con precisión el comportamiento de viaje de la población.

Además de las encuestas en hogares, existen encuestas que pueden aplicarse en otros lugares, como oficinas o puntos de alta afluencia en la vía pública. En el ámbito del transporte distinguimos dos grandes tipos de encuestas.
Las encuestas de preferencias reveladas (PR) observan el comportamiento real de las personas: consisten en ir donde están los usuarios y registrar qué hacen efectivamente (qué modos usan, a qué hora viajan, qué rutas eligen, etc.).
Por otro lado, las encuestas de preferencias declaradas (PD) han adquirido gran relevancia en años recientes. En este caso, se presenta a las personas situaciones hipotéticas y se les pregunta qué elegirían si dichas alternativas existieran. Esto permite estudiar comportamientos frente a escenarios futuros o modos que todavía no están disponibles, como una nueva línea de metro o un sistema de transporte innovador.

Las encuestas de preferencias reveladas buscan registrar el comportamiento real de las personas, y dentro de ellas las más valiosas son las encuestas origen–destino aplicadas en hogares. Como ya comentamos, son costosas y difíciles de ejecutar porque dependen de que los hogares acepten recibir al encuestador y entregar información detallada sobre todos sus desplazamientos.
Este tipo de encuesta registra todos los viajes realizados por cada miembro del hogar, lo que la convierte en una fuente fundamental para estimar diversos modelos. Por ejemplo, permite construir modelos de generación de viajes, donde se relaciona el número de viajes realizados con las características del hogar y las personas que lo integran.

Las encuestas origen–destino también permiten estimar la partición modal, es decir, cómo las personas eligen entre distintos modos de transporte. Además, entregan información esencial sobre la distribución de longitudes de viaje, que describe cuánto viajan las personas y bajo qué condiciones, insumo clave para construir modelos de distribución.

Otro instrumento relevante son las encuestas de interceptación. En este tipo de levantamiento se detiene a personas mientras están utilizando algún modo de transporte: automovilistas en un semáforo (a veces con apoyo de la autoridad), o usuarios que se entrevistan directamente dentro de un bus, tren o cualquier otro vehículo. Estas encuestas permiten acceder a usuarios en movimiento y obtener información que no siempre es posible recopilar en el hogar.

Las encuestas de interceptación también pueden realizarse en estacionamientos, entrevistando a quienes acaban de llegar en automóvil, o en aeropuertos, conversando con personas que están por tomar un vuelo. La información obtenida es menos rica que la de una encuesta en hogares, porque solo capturamos datos del viaje interceptado, junto con algunos antecedentes socioeconómicos básicos.
Este tipo de encuesta permite levantar datos como origen y destino, propósito del viaje, y variables simples del encuestado como sexo, edad o, en algunos casos, ingreso. Aunque no son tan profundas como las encuestas hogar–OD, resultan muy útiles para construir matrices de generación de viajes.
¿Por qué? Porque al ubicar puntos de control a lo largo del cordón externo del área de estudio e interceptar a los usuarios en cada uno de ellos, se obtiene una cobertura amplia de los desplazamientos que ocurren dentro de la ciudad, permitiendo capturar patrones de viaje representativos y distribuidos espacialmente.

A diferencia de las encuestas en hogares —donde sería necesaria una muestra enorme para cubrir adecuadamente todos los flujos del área urbana— las encuestas de interceptación permiten obtener una cobertura amplia con un esfuerzo mucho menor. También permiten estimar la distribución de longitudes de viaje, un insumo clave para los modelos de distribución.

Otro componente esencial de la recolección de información son los conteos de tráfico o aforos. En ellos se registran pasajeros y vehículos en distintos puntos de la red, generando datos sobre flujos por tipo de vehículo y tasas de ocupación. En el caso de los automóviles, la ocupación es fácil de observar directamente desde la vía: basta con mirar cuántas personas viajan en cada unidad. Estos conteos complementan la información de encuestas y son cruciales para calibrar modelos, estimar cargas vehiculares y validar la asignación.

Determinar la ocupación de un bus desde la calle es mucho más difícil que hacerlo con automóviles. Desde un costado puedes ver asientos ocupados, vacíos o pasajeros de pie, pero factores como la posición del sol pueden distorsionar la percepción: si el sol da en un costado del bus, la mayoría de los pasajeros tenderá a ponerse en la zona de sombra. Desde afuera podría parecer un bus semivacío cuando, en realidad, está lleno pero cargado hacia un solo lado. Este tipo de sesgos observacionales obliga a tener mucho cuidado metodológico en los aforos de transporte público.

Además de encuestas y conteos, se necesita información complementaria sobre uso de suelo: valor comercial de terrenos, ubicación de oficinas, comercios, escuelas, áreas de servicios y otros tipos de actividades. Esta información permite entender cómo se distribuyen los generadores y atractores de viaje en la ciudad, lo que es fundamental para construir modelos de demanda coherentes.

Las encuestas de preferencias declaradas (PD) consisten en presentar a una persona una serie de escenarios hipotéticos para observar cómo elegiría ante cada situación. En lugar de registrar su comportamiento real, se le pide que evalúe alternativas que podrían existir en el futuro, como un nuevo modo de transporte, un cambio tarifario o una combinación distinta de atributos del viaje.

Las encuestas de preferencias declaradas presentan varias ventajas importantes. Primero, una vez que la persona acepta participar, podemos mantenerla unos minutos y obtener múltiples respuestas, evaluando distintos escenarios hipotéticos sin necesidad de ampliar la muestra.
Segundo, a diferencia de las encuestas de preferencias reveladas, donde los tiempos o costos de viaje deben ser medidos u obtenidos a partir de observaciones sujetas a error, en una encuesta declarada no hay error de medición: somos nosotros quienes definimos exactamente los atributos del escenario (tiempo, costo, frecuencia, etc.).
Esto abre la puerta a estudiar variables que en la práctica son muy difíciles de observar, como la comodidad o la confiabilidad del servicio. En una encuesta declarada, podemos especificar de manera clara qué entendemos por comodidad —por ejemplo, “disponibilidad de asiento”, “nivel de ocupación”, “temperatura adecuada”— y pedir a los participantes que tomen ese atributo en cuenta al tomar sus decisiones. Lo mismo ocurre con la confiabilidad, que podemos representar, por ejemplo, como “probabilidad de retraso” o “variabilidad del tiempo de viaje”.

Las encuestas de preferencias declaradas permiten analizar situaciones que no existen aún en la realidad. Si, por ejemplo, se quisiera evaluar la aceptación de un tren de alta velocidad entre dos ciudades —algo inexistente en muchos países— sería prácticamente imposible observar ese comportamiento en datos reales. Las personas no tienen una referencia clara, no pueden imaginar con precisión un modo que nunca han utilizado.
Las encuestas declaradas resuelven esto presentando el escenario hipotético de manera estructurada y comprensible: velocidad del tren, tiempo de viaje, costo, comodidad, confiabilidad y cualquier otro atributo relevante. Una vez planteada la situación, se les pide a los participantes que indiquen qué opción elegirían frente a las alternativas disponibles actualmente.
Gracias a este diseño, las preferencias declaradas permiten estudiar modos nuevos, tecnologías futuras, políticas que aún no se implementan y cualquier alternativa innovadora que no puede observarse mediante preferencias reveladas. Por eso constituyen una herramienta clave dentro de la modelación de transporte.

Las encuestas de preferencias declaradas también presentan desventajas, principalmente asociadas a sesgos que pueden distorsionar las respuestas. Uno de ellos es el sesgo de afirmación, donde la persona intenta responder aquello que cree que el encuestador desea escuchar, en lugar de expresar su verdadera preferencia. No es el más común, pero existe.

Más frecuente es el sesgo de racionalización: un encuestado que usa automóvil podría exagerar las ventajas del auto frente a un tren rápido hipotético, no porque realmente lo prefiera, sino para justificar su comportamiento actual y no aparecer como alguien que elige el automóvil por motivos de estatus u otros factores no racionales.

También está el sesgo de política, quizás el más evidente. Si la encuesta pregunta por un proyecto controversial —por ejemplo, un túnel que reduciría riesgos y demoras, pero cuyo uso estaría sujeto a un peaje alto— el encuestado podría responder no en función de su preferencia real, sino según su postura política respecto a la obra o al cobro del peaje. Este tipo de sesgo puede desviar fuertemente los resultados si no se controla adecuadamente.

En el sesgo de política, la persona no responde según lo que realmente haría, sino según lo que desea influir en la decisión pública. Puede incluso declarar que usaría un túnel con peaje elevado, no porque en verdad lo utilizaría, sino porque quiere que exista como opción para emergencias. La respuesta refleja su postura política o emocional más que su comportamiento real.

El último sesgo es el sesgo de no restricción, uno de los más importantes en encuestas de preferencias declaradas. Aquí el encuestado responde sinceramente lo que cree que haría, pero olvida las restricciones reales de su vida cotidiana. Por ejemplo, una persona puede declarar que usaría un nuevo metro porque le parece más conveniente, pero omite que diariamente debe llevar a sus hijos al colegio y luego desplazarse a su trabajo, algo que solo logra en automóvil. En la vida real, por tanto, no podría actuar como dice. Esta discrepancia entre la preferencia declarada y el comportamiento posible es crítica, porque puede distorsionar el modelo si no se controla adecuadamente.

Dado que no tenemos certeza de que las personas realmente se comportarán como declaran en una encuesta, es importante elegir cuidadosamente el tipo de diseño de preferencias declaradas. Existen tres grandes formas:

En el método de escalamiento, se presentan dos alternativas, pero en lugar de pedirle al encuestado que elija una, se le solicita que exprese su preferencia usando una escala semántica. Por ejemplo: “definitivamente elegiría la primera”, “probablemente elegiría la primera”, “me es indiferente”, “probablemente elegiría la segunda”, o “definitivamente elegiría la segunda”.
Este procedimiento permite medir no solo la elección, sino también el grado de seguridad o intensidad con que la persona prefiere una alternativa sobre la otra, lo que aporta más información que una simple elección binaria.

En conjunto, los tres métodos —elección, ranking y escalamiento— hacen que las encuestas de preferencias declaradas sean especialmente valiosas. Proporcionan múltiples respuestas por individuo, permiten estudiar atributos difíciles de observar como comodidad o confiabilidad, y permiten analizar alternativas que aún no existen en la realidad, lo que es crucial en planificación de transporte.

Para tomar decisiones y construir modelos confiables necesitamos buena información sobre múltiples aspectos de la demanda: cuántos viajes realizan las personas o los hogares, con qué propósito viajan, cuáles son sus orígenes y destinos, con qué frecuencia se desplazan, cuántos vehículos posee cada hogar y cuánto gasta en transporte.
También es esencial conocer información del transporte de carga: tipos de mercancías, proporción de viajes con camiones vacíos, patrones de distribución, entre otros.
Toda esta información no se puede obtener observando a toda la población; por eso utilizamos muestreo, y la herramienta principal para recolectar los datos pertinentes son las encuestas, que permiten capturar de manera estructurada el comportamiento de los usuarios y sus características relevantes para la modelación.

Las encuestas a personas y a transportistas de carga dependen directamente del muestreo, porque no es posible entrevistar a toda la población. Para ello utilizamos una muestra, que es un conjunto de individuos o unidades extraídas de la población sobre la cual queremos obtener información. A partir de esa muestra, y mediante técnicas estadísticas, es posible inferir los valores que realmente caracterizan a toda la población.
Para trabajar correctamente con una muestra debemos considerar cuatro elementos esenciales. El primero es identificar las unidades que componen la muestra, es decir, determinar qué elementos de la población estarán representados: pueden ser personas, hogares, vehículos, empresas de carga o cualquier unidad relevante según el estudio.

Además de identificar las unidades que compondrán la muestra, necesitamos definir con precisión la población de interés, es decir, el conjunto total de unidades —personas, hogares, vehículos, empresas— sobre las cuales queremos hacer inferencias. Luego viene la decisión del tamaño muestral: si la muestra es demasiado pequeña, no podremos inferir valores poblacionales con confiabilidad; si es demasiado grande, el costo del estudio puede volverse prohibitivo.
Otro elemento clave es cómo seleccionar cada unidad que entrará en la muestra, una decisión que está lejos de ser trivial.

Una muestra aleatoria es aquella en la que todas las unidades de la población tienen la misma probabilidad de ser seleccionadas. Por ejemplo, si queremos estimar cuántos viajes realiza un hogar, cada hogar de la ciudad debe tener idéntica probabilidad de ser elegido. Si algunos hogares tienen mayor probabilidad que otros, entonces la muestra deja de ser aleatoria y pueden aparecer sesgos.

Para determinar el tamaño adecuado de una muestra nos apoyamos en dos pilares fundamentales de la estadística: la Ley de los Grandes Números y el Teorema Central del Límite, que explican por qué y cómo las muestras permiten estimar parámetros poblacionales con un error controlable.

La Ley de los Grandes Números afirma que, a medida que aumenta el tamaño de la muestra, el promedio muestral de la variable estudiada se aproxima cada vez más al promedio real de la población. Este resultado es esencial: garantiza que una encuesta —basada en una muestra finita— puede ofrecer estimaciones confiables de los valores poblacionales.
Imaginar lo contrario sería desastroso. Si para que el promedio muestral convergiera al promedio poblacional fuera necesario realizar siempre un censo, entonces el muestreo perdería todo sentido. Tendríamos que elegir entre hacer un censo (costosísimo) o no hacer nada.
La Ley de los Grandes Números nos libera de ese dilema, al asegurar que no es necesario censar: con una muestra adecuadamente planificada podemos aproximar, tanto como deseemos, cualquier parámetro poblacional relevante.

El segundo pilar estadístico que utilizamos para el muestreo es el Teorema Central del Límite (TCL). Mientras que la Ley de los Grandes Números nos asegura que la media muestral converge a la media poblacional, el TCL nos dice a qué velocidad ocurre esa convergencia y cómo se comporta la distribución del estimador.

El resultado central del TCL establece que si tomamos la diferencia entre la media muestral y la media poblacional, y la dividimos por la desviación estándar del estimador, esa nueva variable aleatoria se distribuye aproximadamente como una Normal estándar, es decir, con media 0 y varianza 1.
Este hallazgo es padrísimo porque permite cuantificar la precisión del estimador y, sobre todo, calcular el tamaño muestral necesario para obtener una estimación dentro de un margen de error deseado.

En la fórmula para determinar el tamaño muestral:

'𝑛' representa justamente el tamaño de la muestra que necesitamos. El coeficiente de variación 'CV' se define como la desviación estándar poblacional dividida por la media poblacional 'CV=σ/x'; es una medida de cuán dispersa es la variable de interés respecto de su promedio.
El parámetro '𝐸' indica el grado de exactitud deseado: mientras más pequeño sea '𝐸' mayor precisión exigimos y, por lo tanto, más grande deberá ser la muestra.
El nivel de confianza, representado por '𝛼' expresa la probabilidad con la cual queremos acertar en la estimación. Para trabajar con ese nivel de confianza utilizamos el valor crítico '𝑍𝛼', que corresponde al punto de la distribución Normal estándar que deja un área α/2 en cada cola del test bilateral.

Para obtener el valor crítico '𝑍𝛼' recurrimos a las tablas de la distribución normal estándar acumulada. Si trabajamos con un nivel de confianza del 90% en un test de dos colas, debemos dejar un 5% de probabilidad en cada extremo de la distribución.
En la tabla buscamos los puntos que acumulan 0.05 y 0.95 de probabilidad. Como la distribución normal estándar es simétrica alrededor de cero, el valor que acumula el 95% es aproximadamente 1.645, mientras que el que acumula el 5% es –1.645. El intervalo entre estos dos puntos contiene justamente el 90% de la probabilidad, que corresponde al nivel de confianza deseado.
Ese valor, 𝑍= 1.645, es el que se utiliza en la fórmula del tamaño muestral para un nivel de confianza del 90%.

Tú buscas el valor de $Z$ que acumula exactamente el 95% de probabilidad ($0.9500$). Si miras la tabla, ese número exacto no existe. Observa la fila del 1.61: Columna 0.04: El valor es 0.94952. (Te faltan 0.0005 para llegar a 0.9500). En la columna 0.05: El valor es 0.95053. (Te pasas por 0.0005). Como el 0.9500 está exactamente a la mitad entre $0.9495$ y $0.9505$, el valor de $Z$ también debe estar exactamente a la mitad entre 1.64 y 1.65.Lo único que haces es promediar los dos valores:

Introducimos ahora dos tipos adicionales de muestreo: muestreo estratificado y muestreo basado en la elección, ambos muy usados en estudios de transporte.

Comencemos con el muestreo estratificado. La idea surge cuando la población puede dividirse en estratos —grupos relativamente homogéneos internamente, pero diferentes entre sí. Por ejemplo, una ciudad puede tener hogares tipo A, cuyo comportamiento es bastante uniforme, y hogares tipo B, mucho más diversos en sus patrones de viaje. En este caso, la varianza de la variable de interés será menor en los hogares tipo A y mayor en los tipo B. Para capturar bien esa variabilidad, resulta lógico encuestar más hogares tipo B y menos hogares tipo A.

Eso es precisamente el muestreo estratificado: se fijan cuotas para cada estrato en función de su importancia o variabilidad, pero dentro de cada estrato la selección sigue siendo aleatoria. Esto permite mejorar la precisión de las estimaciones sin aumentar el tamaño total de la muestra, haciéndolo un método muy eficiente para estudios de transporte.

Cuando decimos que la muestra es aleatoria dentro de cada estrato, significa que todos los hogares de ese estrato tienen la misma probabilidad de ser seleccionados Recuerda que esto ya lo habíamos mencionado antes.

Ahora bien, el muestreo estratificado no siempre es tan eficiente en costos como quisiéramos. Veamos un ejemplo: clasificamos los hogares según dos variables —tamaño del hogar y posesión vehicular— lo que produce cuatro estratos:

Este cruce genera cuatro categorías que representan proporciones distintas de la población.

El problema surge cuando definimos que en cada estrato vamos a encuestar exactamente 'N' hogares. Eso implica que el tamaño total de la muestra será:

Sin embargo, esto puede no ser eficiente. ¿Por qué? Porque algunos estratos representan una fracción muy grande de la población (como el de 50%), mientras que otros representan una fracción muy pequeña. Asignar el mismo número de encuestas a todos los estratos puede generar:

Este ejemplo muestra que el muestreo estratificado requiere una asignación correcta de cuotas, no simplemente igualar el número de encuestas por estrato.

Si no contamos con información previa para clasificar los hogares por estrato, el muestreo estratificado se vuelve mucho más costoso. En este ejemplo, uno de los estratos —hogares con 4 o menos personas y con vehículo— representa solo el 9% de la población. Para obtener '𝑛' hogares de ese estrato, debemos visitar aproximadamente
100/9≈11.1x𝑛 hogares por cada uno que realmente necesitamos encuestar.
Esto significa que, aunque la cuota total sea 4𝑛 hogares (uno por cada estrato), en la práctica debemos visitar 11.1x𝑛 hogares para poder cumplir la cuota del estrato más pequeño, descartando muchos hogares cuya cuota ya está cubierta.

Si, en cambio, tuviéramos caracterización previa de los hogares, bastaría con visitar solo los hogares del estrato correcto, y entonces sí el muestreo estratificado sería eficiente.

El muestreo basado en la elección consiste en fijar cuotas de encuestados según el modo de transporte que utilizan. Si en la población existen tres modos —auto, transporte público y caminata— podemos decidir, por ejemplo, encuestar un tercio de usuarios de cada modo, aunque en la realidad esos modos no tengan esa misma participación modal.

¿Por qué es útil este enfoque? Porque algunos modos se usan muy poco: bicicleta, combinaciones complejas, o ciertos servicios específicos. En un muestreo aleatorio o incluso estratificado, es muy probable que no encontremos suficientes usuarios de estos modos raros, lo que impediría estimar modelos de elección modal que los incluyan.
El muestreo basado en elección soluciona esto “yendo al modo”, es decir, buscando directamente individuos que usan ese modo, y asignando una cuota para asegurarnos de tener observaciones suficientes.

La regla clave se mantiene: dentro de cada modo, la selección debe ser aleatoria. Todo usuario del modo debe tener la misma probabilidad de ser elegido que cualquier otro usuario del mismo modo.

Este método permite capturar adecuadamente la diversidad modal y construir modelos más robustos, especialmente cuando se analizan modos minoritarios, nuevas opciones de movilidad o combinaciones multimodales.

Las encuestas basadas en elección son muy comunes en transporte: encuestas “a la vera del camino” a automovilistas, encuestas a usuarios de buses o trenes, ciclistas y peatones. En todos estos casos se selecciona a los encuestados según el modo que utilizan, y dentro de cada modo la elección es aleatoria.

Para ilustrar las diferencias entre muestreo aleatorio, muestreo estratificado y muestreo basado en elección, partimos con el caso de muestreo aleatorio puro.
En este ejemplo, la población se clasifica según ingreso (bajo 65%, alto 35%) y modo de transporte al trabajo (bus 60%, auto 40%). La matriz resultante muestra la proporción de individuos en cada combinación:

Estas cuatro celdas suman el 100% de la población y representan cómo se distribuyen simultáneamente modo e ingreso.

En un muestreo aleatorio, las proporciones observadas en la muestra tienden a replicar las proporciones poblacionales, salvo por el error muestral. Pero si aplicamos un muestreo estratificado, las proporciones dentro de cada estrato cambian porque ahora fijamos cuotas.

En este ejemplo, decidimos encuestar 75 personas de ingreso bajo y 25 personas de ingreso alto. Dentro de cada estrato, la selección sigue siendo aleatoria, así que para saber la probabilidad de que una persona de ingreso bajo use el bus debemos condicionar esa probabilidad al ingreso.

Usamos la matriz poblacional previa:

Entonces, para calcular:

aplicamos la definición clásica de probabilidad condicional:

Esto significa que, dentro del estrato de ingreso bajo, la probabilidad de que la persona viaje en bus es aproximadamente 69.2%, y la probabilidad de que viaje en auto es aproximadamente 30.8%.

Por lo tanto:

Es decir que el 51.9% de personas encuestadas son usuarios de bajos ingresos que usan el autobus.

En un muestro basado en la elección vamos a decidir, por ejemplo, encuestar a 75% de las personas que son usuarios de bus y al restante 25% de va personas que son usuarios del automóvil. Entonces ahora hagamos lo siguiente:

Es decir que el 56.3% de personas encuestadas son usuarios de bajos ingresos que usan el autobus.

Calculemos, en una muestra aleatoria, ¿Cuál es la probabilidad de que un individuo de ingreso bajo sea usuario de bus?

Si notas, es igual al muestreo estratificado obtenido anteriormente con 0.692, esto es así porque al interior del estrato el muestreo es aleatorio y por lo tanto, al interior del estrato podemos reproducir probabilidades poblacionales.

Aquí nota que da un valor diferente, esto quiere decir que tenemos un error. Este error se corrige al multiplicar cada probabilidad de cada modo de transporte por un factor.

Primero obtenemos el promedio total de viajes en autobús, y después en auto. Eso nos dará el factor para cada modo que usaremos para obtener lo que necesitamos.

Ahora observa como ya obtenemos el valor que estamos buscando.

Cuando calibramos o aplicamos modelos de transporte, existe la tentación de pensar que los modelos “están bien”, que los datos se recopilaron sin fallas y que la forma funcional elegida representa exactamente el comportamiento real.
Nada de eso es cierto. En la práctica, todos los modelos contienen errores, y debemos ser plenamente conscientes de ello. Los datos nunca son perfectos: pueden tener errores de medición, errores de muestreo, sesgos de no respuesta, inconsistencias en las encuestas o problemas en los aforos. Y los modelos tampoco son perfectos: las ecuaciones elegidas pueden no reflejar con precisión el comportamiento real, pueden faltar variables relevantes o la estructura teórica puede estar simplificada en exceso.
Reconocer estos errores no es un detalle menor; es parte del oficio. Solo entendiendo sus fuentes podemos evaluar correctamente la confiabilidad de un modelo y el alcance real de sus predicciones.

Ahora clasificamos los principales errores que afectan a la modelación de transporte. El primer grupo corresponde a errores asociados a los datos, donde encontramos:

El segundo gran grupo corresponde a los errores de muestreo, que ya se mostró anteriormente. Estos surgen porque trabajamos con muestras y no con censos, lo que implica que los resultados muestrales son aproximaciones a los valores poblacionales y siempre llevan asociado un margen de error estadístico.

Con esto tenemos seis tipos de error identificados:

En el modelo clásico trabajamos de manera secuencial: generación → distribución → partición modal → elección de ruta → asignación. Cada etapa usa como insumo los resultados de la etapa previa. Esto crea un efecto inevitable: los errores se propagan a lo largo de la cadena.

En el paso uno, el modelo recibe datos que ya pueden contener errores de medición. Además, su propia forma funcional tiene limitaciones, así que sus resultados salen con error.
El paso dos recibe esos resultados imperfectos y, además, incorpora nuevos datos de terreno que también contienen errores. De modo que ahora acumula errores propios + errores heredados del paso uno.
Y así sucesivamente en cada fase.

A veces estos errores se compensan (se contrarrestan) y el efecto final no es tan grande. Sin embargo, en otros casos —los más problemáticos— los errores se potencian, amplificándose en cada paso. Cuando esto ocurre, los resultados finales pueden tener márgenes de error tan grandes que pierden utilidad para la planificación.

Por eso es crucial que el modelador entienda cómo se propagan los errores, dónde pueden surgir y cómo controlarlos. En lo posible, debemos diseñar procesos y validaciones que favorezcan la cancelación de errores y eviten su amplificación.

El modelador debe ser siempre la persona más cauta al interpretar resultados. Es quien mejor conoce los datos, sus limitaciones, los errores acumulados y los supuestos detrás de cada ecuación. Ningún modelo entrega un número perfecto: aunque aparezcan muchos decimales, eso no convierte a la estimación en una verdad absoluta. La lectura correcta es siempre en términos de rangos, no de valores puntuales.

Además, existe una responsabilidad ética: explicar a los tomadores de decisiones —quienes responden ante la ciudadanía— cuáles son los errores, supuestos y niveles de incertidumbre asociados a los resultados que se les entregan. Recordemos lo visto en muestreo: si trabajamos con 95% de confianza y 5% de margen de error, entonces en aproximadamente 5 de cada 100 recomendaciones estaremos asumiendo una precisión que no es real.

Por eso, el modelador debe actuar con prudencia, comunicar con claridad las limitaciones y evitar la falsa sensación de exactitud que a veces generan las herramientas computacionales. La cautela y la transparencia son parte esencial de la práctica profesional en transporte.

Conociendo ya las distintas fuentes de error en modelación, es natural preguntarse cómo se relacionan esos errores con la complejidad del modelo. Aquí entendemos complejidad como incluir más variables, más parámetros o formas funcionales más elaboradas.

Aumentar la complejidad reduce los errores de especificación, porque incorporar más variables relevantes y mejorar la estructura del modelo ayuda a capturar mejor el comportamiento real. Sin embargo, esa misma complejidad incrementa los errores de muestreo, ya que cada nueva variable exige más información, más precisión y, por lo tanto, requiere muestras más grandes para mantener la misma confiabilidad.

Cuando sumamos todos los tipos de error —especificación, muestreo, medición, calibración, etc.— queda claro que el error total no es mínimo cuando el modelo es extremadamente complejo, sino en un punto intermedio, donde el equilibrio entre captar la realidad y evitar un exceso de ruido estadístico es óptimo.

La figura que normalmente acompaña este concepto muestra justamente esa curva:

La idea del nivel óptimo de complejidad puede ilustrarse comparando dos contextos distintos. Supongamos que el punto óptimo que encontramos corresponde a un país pobre, donde los errores de medición son altos debido a limitaciones en tecnología, infraestructura estadística o capacidad institucional.
Ahora imaginemos un país rico, que cuenta con mejores herramientas, registros más precisos y sistemas avanzados de captura de datos. Aunque ambos países utilicen “el mismo modelo”, el país rico enfrentará menores errores de medición, lo que le permite trabajar con un modelo más complejo sin que el error total aumente. De hecho, puede lograr un error total menor que el país pobre gracias a la mejor calidad de sus datos.

Esto se traduce en mayor precisión para tomar decisiones de política pública, porque los indicadores, las proyecciones y los análisis descansan sobre información más confiable.
En contraste, cuando la información es limitada o de calidad deficiente, lo más seguro es usar modelos más simples y robustos. De otro modo, aumentar la complejidad solo amplifica el ruido y genera predicciones menos confiables.

Por eso tiene sentido evitar la sobreespecificación: agregar variables o estructuras que los datos no pueden sostener suele empeorar el desempeño del modelo y aumentar su error total.

Para trabajar en fase predictiva es esencial identificar qué errores son más probables en nuestro modelo y, además de reconocerlos, anticiparlos. Esto nos lleva a cuatro fuentes típicas de error:

Todo esto se resume en el gráfico de incertidumbre: conforme avanzan los años, el índice de incertidumbre crece, primero de manera moderada —por errores del año base y del modelo— y luego de forma más acelerada por la incertidumbre futura y los posibles cambios estructurales.