Escuela Técnica Superior de Ingenieros de Caminos,
Canales y Puertos
Máster Universitario en Investigación en Ingeniería
Civil
GUÍA DOCENTE DE LA ASIGNATURA
Modelos de Utilidad Aleatoria
Curso Académico 2009−2010
1. DATOS IDENTIFICATIVOS DE LA ASIGNATURA
Título/s Máster Universitario en Investigación en Ingeniería Civil (Optativa) Centro Escuela Técnica Superior de Ingenieros de Caminos, Canales y Puertos Módulo / materia
ASIGNATURAS OPTATIVAS EN INGENIERIA CIVIL MODULOS 2, 3 y 4 ESPECIALIDAD EN APLICACIÓN DE MODELOS A TRANSPORTE Y CONSTRUCCIÓN
Código y
denominación M830 Modelos de Utilidad Aleatoria Créditos ECTS 4 Curso / Cuatrimestre OTROS ( ) Web Idioma de impartición Español Forma de impartición Presencial
Departamento DPTO. TRANSPORTES Y TECNOLOGIA DE PROYECTOS Y PROCESOS Área de
conocimiento INGENIERIA E INFRAESTRUCTURA DE LOS TRANSPORTES Grupo docente
Profesor
responsable LUIGI DELL´OLIO E−mail [email protected]
Número despacho E.T.S. Ingenieros de Caminos, C.P.. Planta: + 1. DESP.ALUMNOS FIN DE CARRERA FF.CC. (1016)
2. CONOCIMIENTOS PREVIOS
Para una mejor comprensión y aprovechamiento de la asignatura se recomienda repasar conceptos básicos de econometría, estadística y técnicas de muestreo.
3. COMPETENCIAS GENÉRICAS Y ESPECÍFICAS DEL PLAN DE ESTUDIOS TRABAJADAS EN LA ASIGNATURA
Competencias genéricas Nivel
Profundizar en el conocimiento exhaustivo y meticuloso en el campo de estudio. 1 Desarrollar un análisis crítico del conocimiento y herramientas existentes, su aplicabilidad y límites. 1 Realizar propuestas originales e innovadoras de desarrollo del conocimiento ampliando su
profundidad y aplicabilidad. 1
Competencias específicas Nivel
Ser capaz de identificar, medir, enunciar, analizar, diagnosticar, modelizar y describir científica y técnicamente un problema del ámbito de la ingeniería. 1 Ser capaz de analizar integralmente problemas de ingeniería. 1 Ser capaz de plasmar el resultado de su trabajo en documentos que permitan la difusión, debate y explotación de los resultados de su trabajo. 1 Ser capaz de dimensionar sus recursos y organizar su propio trabajo de investigación, así como los medios materiales y humanos necesarios, para alcanzar los objetivos planteados. 1 Ser capaz de asumir con responsabilidad y ética su papel de investigador en ingeniería en un
contexto académico. 1
Ser capaz de autodiagnosticar sus carencias, definir sus necesidades de aprendizaje, establecer sus propios objetivos, aportar el esfuerzo necesario y medios para su consecución, y evaluar los resultados conseguidos.
1 Ser capaz de trabajar adecuadamente en equipos multidisciplinares, incluso liderándolos. 1 Ser capaz de entender y evaluar el impacto de sus soluciones, resultados y decisiones en un contexto
social, económico, ambiental y global. 1
Ser capaz de comunicar y defender eficazmente sus ideas, oralmente y por escrito ante expertos y
entre la comunidad científica en general. 1
3.1 RESULTADOS DE APRENDIZAJE DE LA ASIGNATURA
Identificar y utilizar técnicas de prognosis.
Construir modelos capaces de modelizar el comportamiento de sistemas complejos.
Identificar y utilizar técnicas estadísticas para calibrar y aplicar modelos complejos de cálculo. Predecir el comportamiento de situaciones prácticas de uso que se dan en la realidad.
4. OBJETIVOS DE LA ASIGNATURA
Aprender a construir modelos que permitan predecir el comportamiento de elementos o usuarios en la elección de modo en sistemas complejos de transporte.
Conocer las distintas metodologías de análisis.
Identificar y utilizar las técnicas básicas necesarias para recolectar datos y para su modelización. Identificar y utilizar las técnicas estadísticas adecuadas para especificar, estimar y aplicar modelos econométricos avanzados
5. MODALIDADES ORGANIZATIVAS Y MÉTODOS DOCENTES
ACTIVIDADES HORAS DE LA ASIGNATURA
ACTIVIDADES PRESENCIALES HORAS DE CLASE(A)
· Teoría (TE) 25
· Prácticas en Aula (PA) 15
· Prácticas de Laboratorio (PL) 0
Subtotal horas de clase 40
ACTIVIDADES DE SEGUIMIENTO(B)
· Tutorías (TU) 5
· Evaluacion (EV) 9
Subtotal actividades de seguimiento 14
Total actividades presenciales (A+B) 54
ACTIVIDADES NO PRESENCIALES
· Trabajo en grupo (TG) 25
· Trabajo autónomo (TA) 21
Total actividades no presenciales 46
HORAS TOTALES 100
6. ORGANIZACIÓN DOCENTE DE LA ASIGNATURA
CONTENIDOS TE PA PL TU EV TG TA Semana
1
Introducción
− Los modelos de utilidad aleatoria − Ámbito de aplicación
2 0,5 1 1
2
Nociones básicas de estadística − Los datos
− La notación matemática − Probabilidad
− Propiedades de las variables aleatorias − Tamaño muestral
− Contrates de Hipótesis − Algebra matricial
2 2 0,5 1 2
3
Los datos en los modelos de utilidad aleatoria − Preferencias Individuales
− Derivar un modelos básico
− Datos de Preferencias Reveladas (PR) − Datos de Preferencias Declaradas (PD) − Datos mixtos de PR−PD
6 2 0,5 1 5 3
4
Análisis de los datos en NLogit y LIMDEP − Introducción
− Inserción de los datos
− Análisis estadístico de los datos − Introducción a la modelización − Ejemplo practico
3 2 0,5 1 5 5 2
5
El Modelo Logit Multinomial − Estimación
− Interpretación de los resultados − Medidas de disposición al pago
− Cálculo de Probabilidades y funciones de Utilidad − Ejemplo practico
4 3 1 1 5 5 2
6
El Modelo Logit Jerárquico − Estimación
− Interpretación de los resultados
− Búsqueda de la mejor estructura jerárquica − Logit con datos mixtos
− Ejemplo practico
4 3 1 2 5 5 2
7
El Modelo Logit Mixto − Especificación funcional − Estimación
− Interpretación de los resultados
− Calculo de medidas de disponibilidad al pago − Ejemplo practico
4 3 1 2 5 6 2
TOTAL DE HORAS 25 15 0 5 9 25 21
TE Horas de teoría PA Horas de prácticas en aula PL Horas de prácticas de laboratorio TU Horas de tutoría
EV Horas de evaluación TG Horas de trabajo en grupo TA Horas de trabajo autónomo
7. METODOS DE EVALUACION
Descripción Tipología Eval. Final Recuper. % Realización de trabajo de curso en grupo.
Calidad documento elaborado Trabajo No Sí 30
Calif. mínima 0 Duración
Fecha realización Fin de Curso Condiciones recuperación Trabajos individuales
Observaciones El trabajo de curso en grupo consistirá en la modelización econométrica para previsión de la demanda de viajes utilizando una base de datos existente.
Realización de un trabajo individual.
Calidad documento elaborado Trabajo No Sí 20
Calif. mínima 0 Duración
Fecha realización Fin de Curso Condiciones recuperación Examen Oral
Observaciones Los trabajos individuales consistirán en la lectura y comprensión de textos científicos relacionados con la materia.
Presentación del trabajo en grupo Otros No Sí 20
Calif. mínima 0 Duración
Fecha realización Fin de Curso Condiciones recuperación
Observaciones En las exposiciones se valorará especialmente el grado de comprensión y asimilación de la asignatura.
Presentación del trabajo individual Otros No Sí 20
Calif. mínima 0 Duración
Fecha realización Fin de Curso Condiciones recuperación
Observaciones En las exposiciones se valorará especialmente el grado de comprensión y asimilación de la asignatura.
Participación en las clases Otros No Sí 10
Calif. mínima 0 Duración
Fecha realización Fin de Curso Condiciones recuperación
Observaciones
TOTAL 100
Observaciones
Observaciones para alumnos a tiempo parcial
8. BIBLIOGRAFÍA
HENSHER, D., ROSE, J. and GREENE, W., 2005. Applied Choice Analysis: A Primer. Cambridge, UK: Cambridge University Press.
LOUVIERE, J.J., HENSHER, D., and SWAIT J., 2000. Stated Choice Methods: Analysis and Application, Cambridge, UK: Cambridge University Press.
COMPLEMENTARIA
ADLER, T. and BEN−AKIVA, M., 1979. A theoretical and empirical model of trip chaining behavior. Transportation Research Part B, 13(3), pp. 243−257.
BEN−AKIVA, M., MCFADDEN, D., ABE, M., BO¨CKENHOLT, U., BOLDUC, D., GOPINATH, D., MORIKAWA, T., RAMASWAMY, V., RAO, V., REVELT, D. and STEINBERG, D., 1997. Modeling methods for discrete choice analysis. Marketing Letters, 8(3), pp. 273−286.
CARSON, R.T., LOUVIERE, J.J., ANDERSON, D.A., ARABIE, P., BUNCH, D.S., HENSHER, D.A., JOHNSON, R.M., KUHFELD, W.F., STEINBERG, D., SWAIT, J., TIMMERMANS, H. and WILEY, J.B., 1994. Experimental analysis of choice. Marketing Letters, 5(4), pp. 351−367.
DE PALMA, A., BEN−AKIVA, M., BROWNSTONE, D., HOLT, C., MAGNAC, T., MCFADDEN, D., MOFFATT, P., PICARD, N., TRAIN, K., WAKKER, P. and WALKER, J., 2008. Risk, uncertainty and discrete choice models. Marketing Letters, , pp. 1−17.
HENSHER, D., LOUVIERE, J. and SWAIT, J., 1998. Combining sources of preference data. Journal of Econometrics, 89(1−2), pp. 197−221.
HENSHER, D.A., 1994. Stated preference analysis of travel choices: the state of practice. Transportation, 21(2), pp. 107−133.
HENSHER, D.A. and BRADLEY, M., 1993. Using stated response choice data to enrich revealed preference discrete choice models. Marketing Letters, 4(2), pp. 139−151.
HENSHER, D.A. and GREENE, W.H., 2003. The mixed logit model: The state of practice. Transportation, 30(2), pp. 133−176.
ORTU´ZAR, J.D.D. and GARRIDO, R.A., 1994. A practical assessment of stated preferences methods. Transportation, 21(3), pp. 289−305.
RIZZI, L.I. and ORTU´ZAR, J.D.D., 2003. Stated preference in the valuation of interurban road safety. Accident Analysis and Prevention, 35(1), pp. 9−22.
SILLANO, M. and DE DIOS ORTU´ZAR, J., 2005. Willingness−to−pay estimation with mixed logit models: Some new evidence. Environment and Planning A, 37(3), pp. 525−550.
WALKER, J. and BEN−AKIVA, M., 2002. Generalized random utility model. Mathematical Social Science, 43(3), pp. 303−343.
WILLIAMS, H.C.W.L. and ORTUZAR, J.D., 1982. Behavioural theories of dispersion and the mis−specification of travel demand models. Transportation Research Part B, 16(3), pp. 167−219. Manual de Limdep y NLogit 4.0
Manual de SPSS
9. SOFTWARE
PROGRAMA / APLICACION CENTRO PLANTA SALA HORARIO
Nlogit 4.0 ETSICCyP 1 Departamento
de
Segun Calendario
Transportes SPSS ETSICCyP 1 Departamento de Transportes Segun Calendario 10. COMPETENCIAS LINGÜISTICAS Comprensión escrita Sí Compresión oral No Expresión escrita No Expresión oral No Sólo inglés No Observaciones
