El mtodo de Bayes

aplicado en la
identificacin de las
localizaciones ms
propensas a sufrir
accidentes de trnsito

Rafael F. Feria Torres

Jorge A. Timan Rojas
El mtodo de Bayes

aplicado en la identificacin

de las localizaciones ms

propensas a sufrir accidentes de trnsito

Primera edicin digital

Enero, 2012

Lima - Per

Rafael F. Feria Torres &

Jorge A. Timan Rojas

PROYECTO LIBRO DIGITAL

PLD 0334

Editor: Vctor Lpez Guzmn

http://www.guzlop-editoras.com/
guzlopster@gmail.com
guzlopnano@gmail.com
facebook.com/guzlopster
twitter.com/guzlopster
428 4071 - 999 921 348
Lima - Per
 PROYECTO LIBRO DIGITAL (PLD)

El proyecto libro digital propone que los apuntes de clases, las tesis y los avances en investigacin
(papers) de las profesoras y profesores de las universidades peruanas sean convertidos en libro digital
y difundidos por internet en forma gratuita a travs de nuestra pgina web. Los recursos
econmicos disponibles para este proyecto provienen de las utilidades nuestras por los trabajos de
edicin y publicacin a terceros, por lo tanto, son limitados.

Un libro digital, tambin conocido como e-book, eBook, ecolibro o libro electrnico, es una
versin electrnica de la digitalizacin y diagramacin de un libro que originariamente es editado para
ser impreso en papel y que puede encontrarse en internet o en CD-ROM. Por, lo tanto, no reemplaza al
libro impreso.

Entre las ventajas del libro digital se tienen:

su accesibilidad (se puede leer en cualquier parte que tenga electricidad),
su difusin globalizada (mediante internet nos da una gran independencia geogrfica),
su incorporacin a la carrera tecnolgica y la posibilidad de disminuir la brecha digital (inseparable de
la competicin por la influencia cultural),
su aprovechamiento a los cambios de hbitos de los estudiantes asociados al internet y a las redes
sociales (siendo la oportunidad de difundir, de una forma diferente, el conocimiento),
su realizacin permitir disminuir o anular la percepcin de nuestras lites polticas frente a la supuesta
incompetencia de nuestras profesoras y profesores de producir libros, ponencias y trabajos de investiga-
cin de alta calidad en los contenidos, y, que su existencia no est circunscrita solo a las letras.

Algunos objetivos que esperamos alcanzar:

Que el estudiante, como usuario final, tenga el curso que est llevando desarrollado como un libro (con
todas las caractersticas de un libro impreso) en formato digital.
Que las profesoras y profesores actualicen la informacin dada a los estudiantes, mejorando sus
contenidos, aplicaciones y ejemplos; pudiendo evaluar sus aportes y coherencia en los cursos que dicta.
Que las profesoras y profesores, y estudiantes logren una familiaridad con el uso de estas nuevas
tecnologas.
El libro digital bien elaborado, permitir dar un buen nivel de conocimientos a las alumnas y alumnos
de las universidades nacionales y, especialmente, a los del interior del pas donde la calidad de la
educacin actualmente es muy deficiente tanto por la infraestructura fsica como por el personal docente.
E l p e r s o n a l d o c e n t e j u g a r u n r o l d e t u t o r, f a c i l i t a d o r y c o n d u c t o r d e p r o y e c t o s
de investigacin de las alumnas y alumnos tomando como base el libro digital y las direcciones electr-
nicas recomendadas.
Que este proyecto ayude a las universidades nacionales en las acreditaciones internacionales y
mejorar la sustentacin de sus presupuestos anuales en el Congreso.

En el aspecto legal:
Las autoras o autores ceden sus derechos para esta edicin digital, sin perder su autora, permitiendo
que su obra sea puesta en internet como descarga gratuita.
Las autoras o autores pueden hacer nuevas ediciones basadas o no en esta versin digital.

Lima - Per, enero del 2011

El conocimiento es til solo si se difunde y aplica

Vctor Lpez Guzmn

Editor
 EL MTODO DE BAYES APLICADO EN LA IDENTIFICACIN DE LAS
LOCALIZACIONES MS PROPENSAS A SUFRIR ACCIDENTES DE TRNSITO
a b
Rafael F. Feria Torres y Jorge A. Timan Rojas

RESUMEN.

La frecuencia y la razn de accidentes en una localizacin particular, son variables aleatorias cuyo verdadero valor no se
puede predecir con absoluta certeza, esto origina que el proceso de identificacin de las localizaciones ms propensas a
sufrir accidentes de trnsito (APL; por sus siglas en ingles) est sujeto a cierta incertidumbre.
Normalmente la identificacin de los APL se realiza con tcnicas estadsticas simples, tales como el mtodo del intervalo
de confianza y control de calidad. Sin embargo, debido a la limitacin que estos mtodos presentan ante fenmenos
estadsticos propios de variables aleatorias, es conveniente la utilizacin de metodologas ms elaboradas como el
anlisis Bayesiano que si considera los fenmenos estadsticos de regresin a la media y los efectos no relacionados.
Aun cuando el anlisis Bayesiano es un mtodo estadsticamente superior respecto de otros mtodos, su uso en el
anlisis de accidentes de trnsito no ha sido tan difundido como en la medicina. La razn principal radica no slo en la
propia complejidad del mtodo, sino en la dificultad de organismos locales de contar con un soporte tcnico adecuado.

El presente trabajo tiene como objetivo presentar un ejemplo prctico de aplicacin del mtodo Bayesiano en la
identificacin los APL en la ciudad de Piura.

ABSTRACT

The frequency of and the reason for accidents in a particular location are random variables, variables whose true value
cannot be predicted with absolute certainty. This means that the process of identification of the locations most prone to
suffer traffic accidents (APL - accident-prone locations) is subject to uncertainty.
Normally the identification of the APL is made with simple statistical techniques, such as the method of confidence
intervals and quality control. Nevertheless, due to the limitations of these methods, the use of more elaborated
methodologies, like Bayesian analysis, is advised. This type of analysis takes into account the statistical phenomena of
regression to the mean and the unrelated effects.
Even though Bayesian analysis is a statistically superior method, its use in the field of engineering, such as analysis of
traffic accidents, is not as widespread as the use of this methodology in the field of medicine. The main reason for this is
not only the complexity of the method, but also that is requires often unavailable technical support.

The objective of this paper is to present a practical example of the application of the Bayesian method in the identification
of the accident-prone locations (APL) in the city of Piura
.

1 Antecedentes.
Los mtodos estadsticos del intervalo de confianza y el
control de calidad, tradicionalmente usados para la
identificacin de localizaciones riesgosas o propensas a
sufrir accidentes de trnsito (APL; Accident Prone
Location), presentan limitaciones frente a fenmenos
estadsticos propios de variables aleatorias como la
regresin a la media.
Un tipo de anlisis que si toma en cuenta fenmenos
estadsticos propios de variables aleatorias es el mtodo
de Bayes, el cual considera al nmero de accidentes
esperado en una localizacin como una variable aleatoria
por si misma, la cual flucta sobre algn valor medio no
conocido.
Aunque el mtodo bayesiano es considerado como un
mtodo estadsticamente superior a los mtodos del
intervalo de confianza y de control de calidad, aun no es
tan ampliamente usado por las diferentes agencias que
realizan anlisis de accidentes, debido a su complejidad.
Adems, de la imposibilidad de contar con el soporte
tcnico adecuado.
a
Programa Acadmico de Ingeniera Civil de la Universidad de Piura.
b
Programa Acadmico de Ingeniera Civil de la Universidad de Piura.
El presente trabajo tiene como objetivo presentar la
ventajas del mtodo estadstico de Bayes frente a los
mtodo s estadsticos tradicionales. Adems de mostrar
un ejemplo prctico de aplicacin del mtodo Bayesiano
en la identificacin de las APL en la ciudad de Piura.
Los mtodos estadsticos tradicionales.
Tradicionalmente las agencias especializadas en la
identificacin de los APL han utilizados dos mtodos o
tcnicas estadsticas conocidas como:
Intervalo de Confianza.
La tcnica del Intervalo de Confianza, considera que el
nmero o frecuencia accidentes observada (AF) [1], as
como la razn o taza de accidentes observada (AR) [1]
tienen una distribucin normal.
Un punto es considerado como un APL s:
Ni X K * s (ec. 1)
Donde Ni es la frecuencia o razn de accidentes

ECIPERU 19
observada en una localizacin dada, X es la frecuencia
o razn promedio medida de un determinado conjunto de
datos, s es la desviacin estndar y K es obtenido de
una funcin de distribucin normal..
La credibilidad de esta tcnica estadstica ha sido
cuestionada por ser muy sensible a la variacin de la
media y desviacin estndar de un conjunto de datos de
frecuencia o razn, adems de no considerar la especial
naturaleza aleatoria de la ocurrencia de accidentes.
Control de Calidad.
El Mtodo del control de calidad considera que el
frecuencia y la razn de accidentes que ocurren en una
determinada localizacin durante un determinado tiempo
puede ser aproximados por una distribucin de Poisson.
Este fundamento es ampliamente aceptado entre
investigadores de proteccin de trfico y ha sido
investigado muchas veces, consiguiendo ser sustentado
con una basta cantidad de evidencia emprica. (Oppe
1982 [2]; 1992 [3]).
Nordon (1956) [4] obtuvo satisfactoriamente valores
aproximados del nmero y razn de accidentes crticos
usando las siguientes frmulas:
AFc a k a 0.5 (ec. 2)
ARc k / m 0.5 * m (ec. 3)
Donde k es una constante relacionada con la probabilidad
P:
Las localizaciones son consideradas como APL si los
valores de frecuencia o razn de accidentes observados
son mayores que los AFc ARc (Valores crticos)
calculados con las ecuaciones 8 y 9, siempre y cuando la
desviacin de su media esperada no puede ser
razonablemente atribuida a la fluctuacin aleatoria de la
ocurrencia de accidentes.
1.1. Mtodo de Bayes.
La tcnica del Control de Calidad de la Razn presenta
una importante limitacin en el anlisis variables
aleatorias como los accidentes de trnsito Nordon (1956)
[4], al no tomar en cuenta el efecto de fenmenos
estadsticos como la Regresin a la Media (RTM.).
El fenmeno de regresin a la media se refiere a la
tendencia en la cual eventos extremamente grandes son
seguidos por valores mucho menores o viceversa.
La figura N 01 ilustra el fenmeno de regresin a la
media, al considerar una localizacin hipottica donde los
promedios de accidentes registrados en los aos 1986 y
1988 varan considerablemente respecto de una
frecuencia anual de accidentes promedio de 7 accidentes
por ao, buscando siempre regresar al promedio en el
ao siguiente.
El tipo de anlisis que si toma en cuenta el fenmeno de
regresin a la media es el Anlisis de Bayesiano.
El teorema de Bayes puede ser matemticamente
definido como:
Si un cierto parmetro tiene una distribucin previa P()
y para un valor especfico , la probabilidad de generar x
observaciones esta dada por P(x/). La posterior
distribucin P(/x) de representa la determinacin de la
anterior dado que la observacin es dada por:
P( x / ) * P( ) (ec. 4)
P( / x)
P( x / ) * P( )
Tpicamente, la distribucin observada podra ser
representada por una distribucin Poisson o Binomial y
una distribucin a priori gamma o beta (Calvn, 1990 [6]).
Aunque el mtodo bayesiano es considera
estadsticamente como un mtodo superior respecto al
mtodo de control de calidad, este no es usado tan
ampliamente debido a su complejidad.
A continuacin se desarrollara en forma detallada la
metodologa de Bayes y su aplicacin en los anlisis para
la identificacin de localizaciones riesgosas o APL.
1.2. Desarrollo de la Metodologa de Bayes.
EL anlisis Bayesiano difiere significativamente del
anlisis estadstico clsico de accidentes. El motivo del
uso del anlisis Bayesiano es el deseo de tratar la razn
actual de accidentes de una localizacin, como una
variable aleatoria y el uso de una combinacin de las
caractersticas regionales de accidentes y la historia de
accidentes de una localizacin para luego determinar la
probabilidad de que la localizacin sea un APL. De esta
manera se mejora la forma de utilizacin de la informacin
aprovechable en la identificacin de las intersecciones
ms propensas a sufrir accidentes de trnsito.

El mtodo de Bayes de puede dividir en dos pasos. En el

Figura N 01. Efecto de regresin a la Media.
ECIPERU
primer paso, podemos tomar en cuenta la historia de
accidentes a travs de un conjunto de intersecciones
(todas las localizaciones con caractersticas similares
definidas dentro una regin.) El resultado de este paso es
una gruesa estimacin de la distribucin de probabilidad
de la razn de accidentes a travs de una regin. Luego
se puede usar esta distribucin regional y la historia de
accidentes de una determinada localizacin para obtener
una estimacin refinada de la distribucin de probabilidad
que es asociada con la razn de accidentes en una
localizacin particular. Naturalmente esta estimacin
refinada se obtiene para todas las localizaciones
20
definidas dentro de la regin, por lo tanto dos
localizaciones con una idntica historia de accidentes
tendrn una misma estimacin refinada. Con esta
estimacin refinada uno puede evaluar la probabilidad de
que alguna localizacin pueda ser riesgosa.
Para formalmente definir el proceso de identificacin del
mtodo Bayesiano, se requiere la siguiente notacin:
oi = Razn de accidentes en una localizacin i (notar
que oi es considerada como una variable aleatoria
Ni = Nmero de accidentes registrados en la localizacin
i durante el tiempo en cuestin.
Vi = Nmero de vehculos que pasan a travs de la
localizacin i durante el tiempo en cuestin
fi( |Ni , Vi) = Funcin densidad de probabilidad
asociada con la razn accidentes en una
localizacin i, dada por las observaciones Ni y Vi
fR() = Funcin densidad de probabilidad asociada con la
razn de accidentes a travs de la regin.
De esta manera, fR() representa una gruesa estimacin
de la distribucin de probabilidad de la razn de
accidentes a travs de la regin, y fi( |Ni , Vi) representa
la refinada estimacin de la distribucin de probabilidad
en la localizacin i, como previamente se discuti. Sin
embargo la funcin de distribucin acumulada asociada
con la razn de accidentes, i , esta dada por la ecuacin:
(ec. 5)
P f ( / N ,V )d
o
0
i i i
El desarrollo de este anlisis esta basado en las
siguientes suposiciones, las cuales son similares a las
dadas por Morn [7], Nordenet, adems de Hauer,
Persaud, y Glauz
A1. En una localizacin dada, cuando la razn de
accidentes es conocida (si oi ) el actual nmero de
accidentes sigue una distribucin de Poisson con un valor
esperado Vi, que es:
(Vi ) n Vi (ec. 6)
PNi n / i ,Vi *e
n!
A2. La distribucin de probabilidad de la razn regional de
accidentes fR() es una distribucin Gamma.
La primera suposicin indica el motivo por el cual la actual
razn de accidentes es explcitamente tratada como una
variable aleatoria, la distribucin condicional del nmero
de accidentes ( razn de accidentes dada) es una
distribucin de Poisson. La segunda suposicin implica
que:
* 1 * e (ec. 7).
FR
( )
Para unos y , de esta manera, el primer paso se
asocia con el anlisis bayesiano, debido a que la
determinacin de fR(), es necesaria para determinar los
valores de y . Teniendo en cuenta que existen
diferentes mtodos para obtener los valores y . El
ms comnmente usado para estimar los valores y es
el mtodo de los Momentos Estimados (MME) [8],
donde y son elegidos para que la media y la varianza
asociadas con la distribucin gamma sean iguales a la
media y la varianza del ejemplo. Esto es, permitir que X
2
es la media del ejemplo de las razones observadas, s la
varianza del ejemplo de las razones observadas, y m el
nmero de localizaciones que existen en la regin. Luego.
1 m Ni (ec. 8).
p *
m i 1 Vi
1 m
N (ec. 9).
s2 * ( i p )
m 1 i 1 Vi
Usando el mtodo de los Momentos Estimados, uno
2 2
selecciona un y tal que p = / y s = / , o lo
2
equivalente, = u / s y = u
Una vez que los valores y han sido determinados, el
primer paso ha sido completado. En el segundo paso, la
razn de accidentes observada en cada localizacin es
usada en combinacin con la gruesa estimacin de la
distribucin de probabilidad regional para obtener una
funcin densidad de probabilidad especfica en cada
localizacin, fi( |Ni , Vi). Esta funcin densidad es
obtenida usando el teorema Bayes. Esto es:
f i ( / N i ,Vi ),f i ( N i / ,Vi ) f R ( ) (ec. 10).
Dentro del mecanismo de trabajo del Anlisis Bayesiano,
es bien conocido que bajo las suposiciones A1 y A2, el
resultado es una distribucin fi( |Ni , Vi). La cual es una
distribucin gamma. Sin embargo los parmetros
asociados con esta distribucin, i y i, son fcilmente
obtenidos de la original eleccin de y y los datos
observados, Ni y Vi de la siguiente manera:
i Ni (ec. 11).
i Vi (ec. 12).
De esta manera la funcin probabilidad asociada con la
razn de accidentes en una localizacin i (i). Esta dada
por:
ii
f i ( / N i ,Vi ) * 1 * e *
i i (ec. 13).
( i )
Notar que Ni y Vi incrementan, los parmetros de lugares
especficos (i y i) los cuales. podran ser fcilmente
determinados mediante los datos observados (Ni y Vi)., y
el uso de una computadora.
Con el uso de las funciones de probabilidad la
identificacin de los APL es ms fcil, esto quiere decir
que si es un valor lmite en una aceptable razn de
accidentes, luego se quiere identificar una localizacin
como APL si la probabilidad es tal que i excede .
Esto es, si
P(i / N i ,Vi ) (ec. 14).
ECIPERU 21
Donde es un nivel de tolerancia, este valor de r
Ni (ec. 19).
tolerancia debe ser definido en funcin del grado del Vi
grado de precisin que el investigador requiera. Lo que significa que, bajo este criterio una localizacin es
considerada un APL cuando:
1.2.1. Aplicacin de Mtodo de Bayes.
P(oi r / N i ,Vi ) (ec. 20).
En la prctica existen dos comunes criterios para la
identificacin de localizaciones riesgosas Los cuales se
Igual a:
definen de la siguiente manera:
r
i i
Criterio 1 (C1). P 1 * ( 1) * e ( * )
i i

Siendo oi la razn de accidentes observada de una
localizacin i, y p la media de las razones de accidentes
observadas en toda la regin, la localizacin es
considerada una APL si la probabilidad de que oi exceda
a p, es mayor que .
Es necesario tener en cuenta que el Mtodo de Bayes
trata a la razn de accidentes en una determinada regin
como una variable aleatoria y obtiene una refinada
estimacin de esta distribucin de probabilidad, tal que, si
P(oi p / N i ,Vi )
Se puede decir que una localizacin es un APL. En
consecuencia, la identificacin de localizaciones
riesgosas usando el criterio C1 envuelve la computacin
de:
P(i / N i ,Vi ) 1 P(oi p)
p
i i
P(i / N i ,Vi ) 1 * 1 * e *
i 1
0
( i )
Si el valor computado es mayor que , la localizacin es
considerada como riesgosa o APL.
1.2.2. Ranking para priorizar el estudio de las
localizaciones riesgosas o APL .
Una vez ubicadas las localizaciones ms propensas a
sufrir accidentes de trnsito, es necesario definir un
ranking de peligrosidad. Esto permitir establecer un
orden de prioridad. El cual ser necesario para definir que
(ec. 15). localizaciones deben ser estudiadas y analizadas en
primera instancia, con el fin de establecer sus deficiencias
y las medidas correctivas que son necesarias para
atenuar la ocurrencia de accidentes en estos puntos.
Existen dos criterios para definir un ranking de riesgo de
ocurrencia de accidentes, los cuales se pueden aplicar
(ec. 16).
tanto al Mtodo de Control de Calidad como al Mtodo de
Bayes, estos se definen de la siguiente manera:
(ec. 17).

0
( i ) Criterio 1 (AR/ARc>1).

Si el valor computado es mayor que , la localizacin es Donde:

definida como un APL.
AR = Es la razn de accidentes observada en cada
Otra forma de expresar este criterio 1 es: localizacin, esta notacin es valida tanto para el ranking
por mtodo de Control de Calidad como para el Mtodo
p de Bayes.
i *V
cr i
(ec. 18).
P 1 * ( cr *Vi 1)
* e ( * )
( )
0 i
ARc = Es la razn crtica de accidentes en cada
interseccin en el caso del Mtodo de Control de Calidad
Donde: y como cr para el Mtodo de Bayes

cr = taza crtica de accidentes en cada interseccin Criterio 2 ((AR-ARc)*m)

De esta forma se puede calcular la razn crtica de cada Donde:

localizacin (cr), el cual es el valor de razn, para el AR = Es la razn de accidentes observada en cada
cual la probabilidad de que la razn observada oi sea interseccin, esta notacin es valida tanto para el ranking
mayor a es igual a ( 0.90,0.95 o 0.99). Este mtodo por mtodo de Control de Calidad como para el Mtodo
permite hacer una tabla de valores oi y cr con la cual de Bayes.
se puede elaborar un grafico como comparacin.
ARc = Es la razn crtica de accidentes en cada
Criterio 2 (C2) interseccin en el caso del Mtodo de Control de Calidad
y como cr para el Mtodo de Bayes.
Siendo oi la razn de accidentes observada en una
localizacin i, y r la razn de accidentes regional m
TMDA*t * 365 (ec. 21).
observada en toda la regin, la localizacin i es 1000,000
considerada un APL si la probabilidad de que oi exceda
r es mayor a .. donde:

Donde la razn de accidentes regional observada es TMDA = Promedio de volumen de trfico medio diario
definida como: anual.
t = tiempo de observacin.
ECIPERU 22
2 Aplicacin del Mtodo de Bayes en la ciudad de
Piura.
En el ao 2000 se elabor el trabajo de tesis [9], donde se
explicaban las diferentes tcnicas utilizadas en el anlisis
de accidentes de trnsito, especialmente el mtodo de
Bayes. La tesis buscaba identificar las intersecciones ms
riesgosas o propensas a sufrir accidentes (APL) de
Trnsito del distrito de Piura.
Los datos utilizados para el anlisis correspondieron a
1,152 accidentes registrados en 279 intersecciones del
distrito de Piura durante los aos 1998 y 1999.
El anlisis de accidentes encontr que en la ciudad de
Piura se producen entre 2 y 3 accidentes por da de los
cuales 1 produce daos personales. El 59% de los
accidentes de trnsito registrados en intersecciones no
produjeron ningn dao personal, el 40% produjeron al
menos un herido y el 1% dejaron muertos. Tambin se
registr que 612 personas sufrieron lesiones, de las
cuales 35% eran conductores, 31% pasajeros y 34%
peatones. As mismo, de las 14 personas muertas, el 43%
eran conductores, el 21% pasajeros y el 36% eran
peatones.
El estudio permiti observar entre otras cosas que el
control y registro de los accidentes de trnsito eran
deficiente ya que la polica enfoca el problema,
nicamente desde el punto de vista policial y judicial, lo
que genera que mucha informacin necesaria para un
buen anlisis de accidentes de trnsito no sea recopilada
de la manera adecuada.
Aplicando el mtodo del control de calidad, junto al criterio
de la razn de accidentes y con una confiabilidad de 95%
se identificaron con riesgosas o APL 25 intersecciones.
Mientras que aplicando el mtodo de Bayes se
identificaron como riesgosas o APL 20 intersecciones.
Figura N 02: Ciudad de Piura, Unidad Metropolitana.
La figura N 02 nos muestra la diferencia existente entre
los mtodo de control de calidad y mtodo de Bayes. Si
ECIPERU
bien ambas curvas tienen una tendencia logartmica,
podemos observa que la curva del mtodo de control de
calidad permite que ms valores de razn observada (25),
la superen; si lo comparamos con la curva obtenida con el
mtodo de Bayes (20). La consideracin antes
mencionada tiene una relacin directa con el mtodo de
regresin a la media, el cual contribuye para que la curva
del mtodo de Bayes sea ms conservadora que el
mtodo del control de calidad.
La aplicacin de los dos criterios para el ranqueo de
intersecciones riesgosas definieron a la interseccin Av.
Snchez Cerro Gullman, como la interseccin ms
propensa a sufrir accidentes de trnsito en la ciudad de
Piura.
Del diagnstico de los resultados de la aplicacin del
Mtodo de Bayes, considerado por algunos especialistas
como el mtodo ms adecuado para este tipo de anlisis,
se verific que 13 de las 20 intersecciones
semaforizadas, es decir el 65%, eran intersecciones de
alto riesgo de accidentes de trnsito. (Ver Figura N 03)
Figura N 03. Intersecciones Riesgosas y Semaforizadas.
3 Conclusiones.
Los mtodos estadsticos tradicionales no toman
en cuenta fenmenos estadsticos como la
regresin a la media y los efectos no
relacionados.
El mtodo de Bayes es el ms adecuado para la
identificacin de localizaciones con alto riesgo de
ocurrencia de accidentes de trnsito. Es incluso
mas conservador que el Mtodo de Control de
Calidad.
A pesar que el mtodo de Bayes no es muy
utilizado por las agencias de anlisis de
accidentes debido a su complejidad, Si es
posible su aplicacin con el adecuado soporte
tcnico, por lo tanto son las Universidades y los
profesionales especializados los llamados a
difundir su uso y aplicacin.
La instalacin de semforo nos garantiza la
reduccin de accidentes.
23
REFERENCIAS BIBLIOGRFICAS

1. Zeeger, C.V, and Deen, R.C (1977). Identification of hazardous locations on city streets, traffic Quarterly 31, pp
549-570.
2. Oppe, S., (1982). Detection and analysis of black spots with even small accident figures. R82-15, SWOV,
Leidschendam, The Netherlands.
3. Oppe, S., (1992). A comparison of some statistical techniques for road accident analysis. Accident Analysis and
Prevention, 24(4), pp. 397-423.
4. Nordon, M., Orlandsky, J., and Jacobs, H., (1956) Applications of statistical quality control techniques to analysis
of highway accident data, Bulletin 117, Highway Research Board, National Research Council, Washington, D,C.,
pp. 17-31.
5. Canavos, J (1988), Probabilidad y Estadstica, Captulo 8.5, pp. 285-287.
6. Calvin, T.M., (1990). Bayesian analysis, in Handbook of Statistical Methods for Engineers and Scientists,
Wadsworth H, Editor, Mcgraw-Hill
7. Morin, D.A.(1967) Application of statistical concepts to accident data. Highway Research Record 187, HRB,
National Research Council, Washington, D.C., pp 72-79.
8. Higle, J.L., Witkowsky, J.M. .Bayesian Identification of Hazardous Location. Transportation Research Record
11185, Transportation Research Boar, National Research Council, Washington, D.C., pp 24-36.
9. Ing. Rafael F. Feria Torres UDEP (2001). Tesis para obtener el Ttulo de Ingeniero Civil en la Universidad de
Piura, Tcnicas de anlisis de accidentes de trnsito con aplicacin a la ciudad de Piura.

E-mail: rferia@udep.edu.pe y jtimana@udep.edu.pe

ECIPERU 24