Escolar Documentos
Profissional Documentos
Cultura Documentos
aplicado en la
identificacin de las
localizaciones ms
propensas a sufrir
accidentes de trnsito
aplicado en la identificacin
de las localizaciones ms
Enero, 2012
Lima - Per
PLD 0334
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.
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.
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.
El presente trabajo tiene como objetivo presentar la
Los mtodos estadsticos del intervalo de confianza y el ventajas del mtodo estadstico de Bayes frente a los
control de calidad, tradicionalmente usados para la mtodo s estadsticos tradicionales. Adems de mostrar
identificacin de localizaciones riesgosas o propensas a un ejemplo prctico de aplicacin del mtodo Bayesiano
sufrir accidentes de trnsito (APL; Accident Prone en la identificacin de las APL en la ciudad de Piura.
Location), presentan limitaciones frente a fenmenos
estadsticos propios de variables aleatorias como la Los mtodos estadsticos tradicionales.
regresin a la media.
Tradicionalmente las agencias especializadas en la
Un tipo de anlisis que si toma en cuenta fenmenos identificacin de los APL han utilizados dos mtodos o
estadsticos propios de variables aleatorias es el mtodo tcnicas estadsticas conocidas como:
de Bayes, el cual considera al nmero de accidentes
esperado en una localizacin como una variable aleatoria Intervalo de Confianza.
por si misma, la cual flucta sobre algn valor medio no
conocido. La tcnica del Intervalo de Confianza, considera que el
nmero o frecuencia accidentes observada (AF) [1], as
Aunque el mtodo bayesiano es considerado como un como la razn o taza de accidentes observada (AR) [1]
mtodo estadsticamente superior a los mtodos del tienen una distribucin normal.
intervalo de confianza y de control de calidad, aun no es
tan ampliamente usado por las diferentes agencias que Un punto es considerado como un APL s:
realizan anlisis de accidentes, debido a su complejidad. Ni X K * s (ec. 1)
Adems, de la imposibilidad de contar con el soporte
tcnico adecuado. Donde Ni es la frecuencia o razn de accidentes
a
Programa Acadmico de Ingeniera Civil de la Universidad de Piura.
b
Programa Acadmico de Ingeniera Civil de la Universidad de Piura.
ECIPERU 19
observada en una localizacin dada, X es la frecuencia El fenmeno de regresin a la media se refiere a la
o razn promedio medida de un determinado conjunto de tendencia en la cual eventos extremamente grandes son
datos, s es la desviacin estndar y K es obtenido de seguidos por valores mucho menores o viceversa.
una funcin de distribucin normal..
La figura N 01 ilustra el fenmeno de regresin a la
La credibilidad de esta tcnica estadstica ha sido media, al considerar una localizacin hipottica donde los
cuestionada por ser muy sensible a la variacin de la promedios de accidentes registrados en los aos 1986 y
media y desviacin estndar de un conjunto de datos de 1988 varan considerablemente respecto de una
frecuencia o razn, adems de no considerar la especial frecuencia anual de accidentes promedio de 7 accidentes
naturaleza aleatoria de la ocurrencia de accidentes. por ao, buscando siempre regresar al promedio en el
ao siguiente.
Control de Calidad.
El tipo de anlisis que si toma en cuenta el fenmeno de
El Mtodo del control de calidad considera que el regresin a la media es el Anlisis de Bayesiano.
frecuencia y la razn de accidentes que ocurren en una
determinada localizacin durante un determinado tiempo El teorema de Bayes puede ser matemticamente
puede ser aproximados por una distribucin de Poisson. definido como:
Este fundamento es ampliamente aceptado entre
investigadores de proteccin de trfico y ha sido Si un cierto parmetro tiene una distribucin previa P()
investigado muchas veces, consiguiendo ser sustentado y para un valor especfico , la probabilidad de generar x
con una basta cantidad de evidencia emprica. (Oppe observaciones esta dada por P(x/). La posterior
1982 [2]; 1992 [3]). distribucin P(/x) de representa la determinacin de la
anterior dado que la observacin es dada por:
Nordon (1956) [4] obtuvo satisfactoriamente valores
aproximados del nmero y razn de accidentes crticos P( x / ) * P( ) (ec. 4)
usando las siguientes frmulas: P( / x)
P( x / ) * P( )
Tpicamente, la distribucin observada podra ser
AFc a k a 0.5 (ec. 2)
representada por una distribucin Poisson o Binomial y
una distribucin a priori gamma o beta (Calvn, 1990 [6]).
ARc k / m 0.5 * m (ec. 3)
Aunque el mtodo bayesiano es considera
Donde k es una constante relacionada con la probabilidad estadsticamente como un mtodo superior respecto al
P: mtodo de control de calidad, este no es usado tan
ampliamente debido a su complejidad.
Las localizaciones son consideradas como APL si los
valores de frecuencia o razn de accidentes observados A continuacin se desarrollara en forma detallada la
son mayores que los AFc ARc (Valores crticos) metodologa de Bayes y su aplicacin en los anlisis para
calculados con las ecuaciones 8 y 9, siempre y cuando la la identificacin de localizaciones riesgosas o APL.
desviacin de su media esperada no puede ser
razonablemente atribuida a la fluctuacin aleatoria de la 1.2. Desarrollo de la Metodologa de Bayes.
ocurrencia de accidentes.
EL anlisis Bayesiano difiere significativamente del
1.1. Mtodo de Bayes. anlisis estadstico clsico de accidentes. El motivo del
uso del anlisis Bayesiano es el deseo de tratar la razn
La tcnica del Control de Calidad de la Razn presenta actual de accidentes de una localizacin, como una
una importante limitacin en el anlisis variables variable aleatoria y el uso de una combinacin de las
aleatorias como los accidentes de trnsito Nordon (1956) caractersticas regionales de accidentes y la historia de
[4], al no tomar en cuenta el efecto de fenmenos accidentes de una localizacin para luego determinar la
estadsticos como la Regresin a la Media (RTM.). 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.
f i ( / N i ,Vi ) * 1 * e *
i i (ec. 13).
La primera suposicin indica el motivo por el cual la actual ( i )
razn de accidentes es explcitamente tratada como una
variable aleatoria, la distribucin condicional del nmero Notar que Ni y Vi incrementan, los parmetros de lugares
de accidentes ( razn de accidentes dada) es una especficos (i y i) los cuales. podran ser fcilmente
distribucin de Poisson. La segunda suposicin implica determinados mediante los datos observados (Ni y Vi)., y
que: el uso de una computadora.
0
( i )
Siendo oi la razn de accidentes observada de una
localizacin i, y p la media de las razones de accidentes Si el valor computado es mayor que , la localizacin es
observadas en toda la regin, la localizacin es considerada como riesgosa o APL.
considerada una APL si la probabilidad de que oi exceda
a p, es mayor que . 1.2.2. Ranking para priorizar el estudio de las
localizaciones riesgosas o APL .
Es necesario tener en cuenta que el Mtodo de Bayes
trata a la razn de accidentes en una determinada regin Una vez ubicadas las localizaciones ms propensas a
como una variable aleatoria y obtiene una refinada sufrir accidentes de trnsito, es necesario definir un
estimacin de esta distribucin de probabilidad, tal que, si ranking de peligrosidad. Esto permitir establecer un
orden de prioridad. El cual ser necesario para definir que
P(oi p / N i ,Vi ) (ec. 15). localizaciones deben ser estudiadas y analizadas en
primera instancia, con el fin de establecer sus deficiencias
Se puede decir que una localizacin es un APL. En
y las medidas correctivas que son necesarias para
consecuencia, la identificacin de localizaciones
atenuar la ocurrencia de accidentes en estos puntos.
riesgosas usando el criterio C1 envuelve la computacin
de:
Existen dos criterios para definir un ranking de riesgo de
ocurrencia de accidentes, los cuales se pueden aplicar
P(i / N i ,Vi ) 1 P(oi p) (ec. 16).
tanto al Mtodo de Control de Calidad como al Mtodo de
Bayes, estos se definen de la siguiente manera:
p
i i
(ec. 17).
P(i / N i ,Vi ) 1 * 1 * e *
i 1
0
( i ) Criterio 1 (AR/ARc>1).
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 bien ambas curvas tienen una tendencia logartmica,
Piura. podemos observa que la curva del mtodo de control de
calidad permite que ms valores de razn observada (25),
En el ao 2000 se elabor el trabajo de tesis [9], donde se la superen; si lo comparamos con la curva obtenida con el
explicaban las diferentes tcnicas utilizadas en el anlisis mtodo de Bayes (20). La consideracin antes
de accidentes de trnsito, especialmente el mtodo de mencionada tiene una relacin directa con el mtodo de
Bayes. La tesis buscaba identificar las intersecciones ms regresin a la media, el cual contribuye para que la curva
riesgosas o propensas a sufrir accidentes (APL) de del mtodo de Bayes sea ms conservadora que el
Trnsito del distrito de Piura. mtodo del control de calidad.
Los datos utilizados para el anlisis correspondieron a La aplicacin de los dos criterios para el ranqueo de
1,152 accidentes registrados en 279 intersecciones del intersecciones riesgosas definieron a la interseccin Av.
distrito de Piura durante los aos 1998 y 1999. Snchez Cerro Gullman, como la interseccin ms
propensa a sufrir accidentes de trnsito en la ciudad de
El anlisis de accidentes encontr que en la ciudad de Piura.
Piura se producen entre 2 y 3 accidentes por da de los
cuales 1 produce daos personales. El 59% de los Del diagnstico de los resultados de la aplicacin del
accidentes de trnsito registrados en intersecciones no Mtodo de Bayes, considerado por algunos especialistas
produjeron ningn dao personal, el 40% produjeron al como el mtodo ms adecuado para este tipo de anlisis,
menos un herido y el 1% dejaron muertos. Tambin se se verific que 13 de las 20 intersecciones
registr que 612 personas sufrieron lesiones, de las semaforizadas, es decir el 65%, eran intersecciones de
cuales 35% eran conductores, 31% pasajeros y 34% alto riesgo de accidentes de trnsito. (Ver Figura N 03)
peatones. As mismo, de las 14 personas muertas, el 43%
eran conductores, el 21% pasajeros y el 36% eran
peatones.
3 Conclusiones.
ECIPERU 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.
ECIPERU 24