Monte Carlo e Acidente de Transito

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/320263067
Fundamentos de Estatística Aplicados na Reconstrução de Acidentes

de Trânsito: Introdução ao Método de Monte Carlo
Presentation · October 2017

DOI: 10.13140/RG.2.2.10891.80162
CITATIONS READS
0 181
1 author:
Wilson Toresan Jr
Instituto-Geral de Perícias do Rio Grande do Sul
20 PUBLICATIONS 6 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Fundamentos de Estatística Aplicados na Reconstrução de Acidentes de Trânsiito View project
All content following this page was uploaded by Wilson Toresan Jr on 07 October 2017.
The user has requested enhancement of the downloaded file.

Fundamentos de Estatística Aplicados em Reconstrução de Acidentes de Trânsito:
Introdução ao Método de Monte Carlo
Palestrante:
Dr. Eng. Wilson Toresan Jr
Perito Criminal – IGP/RS
wtoresan@gmail.com
1
Fundamentos de Estatística aplicados em Reconstrução de Acidentes de Trânsito:
INTRODUÇÃO
1. Introdução
2. O Método de Monte Carlo
3. Aplicação do MMC/Planilha Excel (exemplos)
4. Análise da Sensibilidade: Propagação da Incerteza (exemplos)
5. Bibliografia Complementar Recomendada
Copyright 2016: Toresan

INTRODUÇÃO
Na realização de cálculos em reconstrução de acidentes de trânsito,

os parâmetros de entrada possuem um grau de incerteza em seus
valores, que propaga-se para os resultados.
Não há como saber os valores exatos do

comprimento de uma marca de frenagem, do valor
de um coeficiente de atrito entre um pneu e
pavimento, dos ângulos de saída dos movimentos do
centros de gravidade de dois automóvel pós-
colisão,...
Podem-se obter faixas de valores das variáveis através

da realização de medições diretas ou pesquisa
bibliográfica.
3

INTRODUÇÃO
Métodos Utilizados para a Análise de Incertezas:
1. Valores mínimos/máximos;
2. Cálculo diferencial;
3. Método das Diferenças Finitas;
4. Método de Monte Carlo;
5. ...

INTRODUÇÃO
O Método de Monte Carlo (MMC) utiliza-se de uma técnica

estatística/computacional que permite analisar como as incertezas
combinadas das variáveis de entrada propagam-se para os
resultados nos cálculos.
Permite uma análise de probabilidades dos resultados obtidos a partir

do conhecimento das Funções Densidade de Probabilidade das
variáveis estudadas.

O MÉTODO DE MONTE CARLO
Passo-a-Passo:
1. Utilização de um modelo matemático (equação) que represente o

fenômeno físico em questão;
y = f(d, , m, , ...)
2. Identificar os variáveis de entrada que são utilizadas na equação;

Passo-a-Passo:
3. Realização de um estudo sobre as incertezas das variáveis de

entrada na equação:
- Faixa de valores possíveis;
- Distribuição de Probabilidade.
* Ver referências bibliográficas.

Funções Densidade de Probabilidade – Acidentes de Trânsito
Distribuição de Probabilidade Uniforme e Contínua
Função Densidade de Probabilidade

0.003 - Utilização quando não há informações sobre a distribuição de
probabilidade.
0.0025
Frequência relativa
0.002 - Consideração conservadora.
0.0015 - Qualquer valor da faixa de valores possui a mesma

probabilidade de ocorrer.
0.001
- Propagação da incerteza maior no resultado calculado.
0.0005
0 - Requer os valores mínimos e máximos possíveis da

900 1000 1100 1200 1300 1400 1500 variável
massa (kg)
REVISÃO Copyright 2016: Toresan

Distribuição de Probabilidade Uniforme e Contínua
Função Densidade de Probabilidade 1 1 axb

f (x)    0,0025
0.003 b  a (1400  1000) (função densidade de probabilidade)
0.0025
Frequência relativa
0.002

a  b  (1000  1400)  1200 (média)
0.0015 2 2
0.001
(b  a). 12 (1400  1000). 12

0.0005
   115.47 (desvio padrão)
0
12 12
900 1000 1100 1200 1300 1400 1500
massa (kg)
1085  P( x )  1315  (1315  1085).0,025  0.575 (probabilidade para 1)
9

Distribuição de Probabilidade Normal ou Gaussiana
- Requer o valor médio () e o desvio padrão ().
- Valor mais provável é o valor médio ().
- Probabilidade conforme o número de desvios padrões ()

em torno do valor médio ().
- Utilização para variáveis cujo valor depende de fatores

aleatórios.

10

2
1  x  
1   
2  
f (x)  .e -  x  +
 2 (função densidade de probabilidade)
1 n
   xi (média)
n i1
1 n
  i x   2
(desvio padrão)
n i1
Função Densidade de Probabilidade 11

Regra dos 68%, 95% e 99,7%
12
Cálculo da probabilidade P(a  x  b):

x b
P( x )   f ( x )dx
x a
A integral calcula a área sob a curva da função densidade de probabilidade f(x)

no intervalo indicado (a  x  b).
13

Distribuição de Probabilidade Normal Padronizada
- distribuição normal com  = 0 e  = 1.
- função densidade de probabilidade f(z):

z2
1 
f ( z)  e 2
2
x
- onde: z

Z b
- cálculo de probabilidade acumulada: P( z )   f (z)dz
Z  
14

Calculando P(X) para distribuições de probabilidades normais não-padronizadas
Exemplo: Um grande número de testes de frenagem foi realizado para obter-se o

coeficiente de atrito entre os pneus de automóveis e de uma pista com pavimento
asfáltico (rodas travadas). O valor médio dos resultados foi de 0,750 e o desvio padrão
de 0,050.
Deseja-se saber qual a probabilidade de obter-se um coeficiente de atrito menor ou

igual a 0,7.
15

Funções Densidade de Probabilidade
... Exemplo
x   0,7  0,75
- cálculo de z: z   1
 0,05
- cálculo da probabilidade acumulada:
P(X  0,7) = P(Z  -1) = 0,158655 ou 15,86%
- Excel 2013: DIST.NORMP.N(z, verdadeiro) 16

Funções Densidade de Probabilidade
... Exemplo
17

Como determinar as incertezas?
Exemplo/fontes de pesquisa de incertezas:
coeficiente de atrito (f) para automóvel com

freio convencional:
distribuição de probabilidade: Normal
 = 0,755 (valor médio)
 = 0,053 (desvio padrão)
 - 2  f   + 2 (95% de confiança)
onde comprar: www.store.iptm.org/products
quanto custa: US$36,00 + correio
0,649  f  0,861 18


Desaceleração longitudinal: automóvel
as fases de uma frenagem
diagrama mostrando
gráfico obtido com o
uso de acelerômetro
19


Desaceleração longitudinal: automóvel
Equipamento Vericom 2000
Toyota Camry
Freio ABS (linha azul)
μ1 = 0, 932 * valor médio

t = 2,05 s
v = 67,45 km/h (18,73 m/s)
d = 20,96 m * distância de frenagem
20

Exemplo/fontes de pesquisas de incertezas:
Dados relativos à fatores humanos:
onde comprar: www.lawyersandjudges.com

quanto custa: US$99,00 + correio
21

Passo-a-Passo:
4. Inicia-se o processo estocástico:

- geração de valores aleatórios para as variáveis de entrada na
equação, dentro da faixa de valores possíveis e considerando-se
a distribuição de probabilidade determinada;
- cálculo da variável de saída para cada geração de valores

aleatórios para as variáveis de entrada;
22

Passo-a-Passo:
5. Análise estatística dos resultados:

- Cálculo do valor médio e do desvio padrão para a variável de saída;
- Análise gráfica: Função Densidade de Probabilidade;
* Teorema do Limite Central
23

APLICAÇÃO D0 MÉTODO DE MONTE CARLO
Exemplo 1: Atropelamento
- comprimento das marcas de frenagem: 75 m

- pavimento asfáltico.
24

Exemplo 1: Atropelamento ...
Cálculo de velocidade: Método tradicional:
 = 0,7 (coeficiente de atrito)

d = 75 m (comprimento das marcas de frenagem)
vf = 0 km/h (velocidade ao final)
g = 9,81 m/s2
v i  v 2f  2gd  0  20,7 9,8175  32,09m / s  115,52km / h

25

Cálculo de velocidade com faixa de valores mínimo e

máximo:
Variáveis:
0,65    0,85 (coeficiente de atrito)
75 m  d  76 m (comprimento das marcas de frenagem)
vf = 0 km/h (velocidade ao final)
g = 9,81 m/s2
v i min   v 2f  2gd  0  20,659,8175  30,92m / s  111,33km / h
v i max   v 2f  2gd  0  20,859,8176  35,60m / s  128,16km / h

26

Cálculo de velocidade pelo MMC/Excel:
Variáveis:
 = 0,75;  = 0,05 (distribuição Normal)
75 m  d  76 m (distribuição uniforme)
vf = 0 km/h
g = 9,81 m/s2
Modelo matemático:
v i  v 2f  2gd
27

28

Por que 15.000 amostras (n)?
* Diaz-Emparanza, Ignacio. “Is Small Monte Carlo

Analysis a Good Analysis?” Statistical Papers, 43
(2002) print:
Indica que para o MMC, com 95% de confiança de

que o valor médio obtido possui uma precisão de
0,8 %.
29

30

31

32

33

Resultado pelo MMC
- Confiabilidade de 95% (2):
111,9 km/h  vi  127,9 km/h
- Confiabilidade de 99,7% (3):
107,9 km/h  vi  131,9 km/h
Comparando ...
Método tradicional: vi = 115,5 km/h

34
Método Max/Min: 111,3 km/h  vi  128,1 km/h
35

ANÁLISE DA SENSIBILIDADE: PROPAGAÇÃO DA INCERTEZA
A análise de sensibilidade é uma ferramenta utilizada para

determinar como as incertezas das medições influenciam nos
resultados obtidos nas equações de reconstrução de acidentes
de trânsito.
36

1. Análise gráfica da variação dos parâmetros das equações
v  2gd
- A inclinação da reta no gráfico (md) indica

quanto (km/h/m) a equação é sensível à
variação da distância de frenagem.
- Quanto maior md, maior a sensibilidade da

equação à variável estudada;
37

v  2gd
70 m  d  80 m
f = 0,75
∆y 123,5 −115,5 8 km
md = = = = 0,8 /m
∆x 80 −70 10 h
A equação de velocidade tem uma

sensibilidade de 0,8 km/h/m para cada
“metro” de incerteza da distância de
frenagem.
38

Incerteza da equação de
velocidade (ur) com relação à
incerteza na medida da distância:
ur = md ud = 0,8 . (0.5) = 0,4 km/h
onde: ud é a incerteza na medida

da distância: 0.5 m
39

v  2gd
0,65 m  f  0,85 m
d = 75 m
∆y 127,3 −111,3 16 km
mf = = = = 80
∆x 0,85 −0,65 0,20 h
ur = mf uf = 80 0.05 = 4 km/h
uF é a incerteza na medida do coeficiente

de atrito: 0.05 (adimensional)
40

Combinando as Incertezas de Duas ou Mais Variáveis
A combinação destas duas incertezas na equação de velocidade é feita da

forma (soma das variâncias individuais):
∆yi 2
ur = ui = 0,4 2 + 4 2 = 4,02 km/h
∆xi
41

2. Derivadas parciais
Quando a equação não varia linearmente com as variáveis?
Para calcular a inclinação de uma função r (neste caso a equação) com mais
de uma variável dependente e não linear, utiliza-se derivadas parciais:
r = f (X1, X2, ..., Xi) é a equação

1/2 utilizada que contém as variáveis
2 2 2 usadas.
𝜕r 𝜕r 𝜕r
ur = u + u + …+ u
𝜕X1 X1 𝜕X2 X2 𝜕Xi Xi ur é a incerteza da equação
considerando-se as incertezas das
variáveis combinadas.
uXi é a incerteza da variável Xi em

torno da média.
42

3. Métodos numéricos (Diferenças Finitas)
Aproximação das derivadas parciais anteriores, usando diferenças finitas:
r r ( X i  u Xi )  r ( X i  u Xi )
  o( h 2 )
X i 2u Xi
Considerando-se
1. A equação r = f (X1, X2, ..., Xi) é linear próximo ao valor nominal;
2. Os número de desvios padrões são iguais para as variáveis;
3. As variáveis da equação são independentes entre si.
43

3. Métodos numéricos (Diferenças Finitas Centrais)
2
 r (X i  u Xi )  r (X i  u Xi ) 
n
ur  
2

i 1  2 
onde:
ur : incerteza da equação, considerando-se as incertezas das variáveis

n: número de variáveis da equação
X i : varáveis da equação
uXi : incerteza da variável X i
r Xi ± uXi : valor da equação considerando a variável Xi subtraída/somada à
incerteza desta variável e mantendo o valor nominal das demais variáveis.
Ver solução numérica proposta: (SAE 2003-01-0489, Bartlett and Fonda).

44

Solução numérica proposta: (SAE 2003-01-0489, Bartlett and Fonda).
n 2 2 1/2
r − r X i − uXi + r − r X i + uXi
ur =
2
i=1
onde:
ur : incerteza da equação, considerando-se as incertezas das variáveis

n: número de variáveis da equação
r: valor nominal da equação
Xi : varáveis da equação
uXi : incerteza da variável X i
r X i ± uXi : valor da equação considerando a variável X i subtraída/somada à
incerteza desta variável e mantendo o valor nominal das demais variáveis. 45


v  2gd
u 2r
n
 
 i
  i

 r  r (X i  u X ) 2  r  r (X i  u X ) 2 


i 1  2 

INCERTEZA DA EQUAÇÃO
RELACIONADA A INCERTEZA DA
VARIÁVEL INDIVIDUALMENTE
46

Exemplo 2: Utilização da CQML em evento de colisão
SOLUÇÃO (2 = 0)
V1  254,3(1 )d1
(veículos com as rodas travadas)
V2  254,3( 2 )d2
m1V1sen(1 )  m 2 V2 sen( 2 )
v1 
m1sen(1 )
m1V1 cos(1 )  m 2 V2 cos( 2 )  m1v1 cos(1 )

v2 
m2
47

Exemplo 2: Utilização da CQML em evento de colisão ...
48

49

50

51

52

53


Variáveis de Entrada Resultados
m1 = 1.100 kg v1 = 57,9 km/h
m2 = 1.100 kg v2 = 19,5 km/h
d1 = 11,1 m
MÉTODO TRADICIONAL

d2 = 2,4 m v2 
m2
 = 0,75
m1V1sen(1 )  m 2 V2 sen( 2 )
V1 = 46 km/h v1 
m1sen(1 )
V2 = 21,4 km/h
1 = 250 graus
2 = 0 graus
1 = 246 graus
2 = 326 graus 54


Variáveis de Entrada Resultados
MÉTODO DOS VALORES MÍNIMO/MÁXIMO
m1 = (1.000 a 1200) kg v1 = (52,0 a 63,2) km/h

m2 = (1.000 a 1200) kg v2 = (16,3 a 22,7) km/h
d1 = (10,1 a 12,1) m
d2 = (2,0 a 3,2) m v2 
m2
 = (0,65 a 0,85)
m1V1sen(1 )  m 2 V2 sen( 2 )
V1 = (40,8 a 51,1) km/h v1 
m1sen(1 )
V2 = (18,2 a 26,3) km/h
1 = (245 a 255) graus
2 = 0 graus
1 = (241 a 251) graus
2 = (321 a 331) graus 55


Variáveis de Entrada Distribuição
m1 = (1.000 a 1200) kg Uniforme
m2 = (1.000 a 1200) kg Uniforme
MÉTODO DE MONTECARLO
d1 = (10,1 a 12,1) m Uniforme

d2 = (2,0 a 3,2) m Uniforme v2 
m2
 = (0,75 ± 0,05) Normal
m1V1sen(1 )  m 2 V2 sen( 2 )
V1 = (45,97 ± 1,92) km/h Normal v1 
m1sen(1 )
V2 = (22.22 ± 1,66) km/h Normal
1 = (245 a 255) graus Uniforme
2 = 0 graus Uniforme
1 = (241 a 251) graus Uniforme
2 = (321 a 331) graus Uniforme 56


57


v1 (km/h) v2 (km/h)
valor médio 57,98 19,53 v2 
m2
desvio padrão 3,17 4,36
- 2 51,6 10,80 m1V1sen(1 )  m 2 V2 sen( 2 )
v1 
m1sen(1 )
+ 2 64,3 28,25
58

VEÍCULO 1
Função Densidade de Probabilidade (v1) Função Densidade de Probabilidade

0.0350000 Acumulada (v1)
0.0300000 1.2000000
Frequencia Relativa
0.0250000 1.0000000
Probabilidade
0.0200000 0.8000000
0.0150000 0.6000000 51 %
0.0100000 0.4000000
0.2000000 57,9 km/h

0.0050000
0.0000000
0.0000000
46.78
47.98
49.17
50.37
51.56
52.75
53.95
55.14
56.34
57.53
58.73
59.92
61.12
62.31
63.51
64.70
65.90
67.09
68.29
69.48
70.68
46.78
47.74
48.69
49.65
50.60
51.56
52.52
53.47
54.43
55.38
56.34
57.30
58.25
59.21
60.16
61.12
62.08
63.03
63.99
64.94
65.90
66.86
67.81
68.77
69.72
70.68 velocidade (km/h)
velocidade (km/h)
59

VEÍCULO 2
Função Densidade de Probabilidade (v2) Função Densidade de Probabilidade

0.025 Acumulada (v2)
1.2000000
0.02
1.0000000
Título do Eixo
Probabilidade
0.015 0.8000000
0.6000000 49 %
0.01
0.4000000
0.005
0.2000000
0 0.0000000
19,5 km/h
10.00
11.24
12.48
13.71
14.95
16.19
17.43
18.67
19.91
21.14
22.38
23.62
24.86
26.10
27.34
28.57
29.81
31.05
32.29
7.52
8.76
13.00
17.00
21.00
25.00
29.00
33.00
37.00
41.00
45.00
49.00
53.00
57.00
61.00
65.00
69.00
73.00
77.00
81.00
85.00
89.00
93.00
97.00
101.00
1.00
5.00
9.00
Título do Eixo velocidade (km/h)
60


MÉTODO DAS DIFERENÇAS FINITAS
61


MÉTODO DAS DIFERENÇAS FINITAS
62

... Comparando os resultados:
Método tradicional:
v1 = 57,9 km/h e v2 = 19,5 km/h
Método Max/Min:
v1 = (52,0 a 63,2) km/h
v2 = (16,3 a 22,7) km/h
Método de Monte Carlo (95% confiança):

v1 = (51,6 a 64,3) km/h
v2 = (10,80 a 28,25 km/h
Diferenças Finitas (2):

v1 = (52,3 a 63,3) km/h
63
v2 = (12,6 a 26,3) km/h
BIBLIOGRAFIA COMPLEMENTAR RECOMENDADA
Publicações da SAE TECHNICAL PAPERS SERIES:
SAE 940719, Garrison Kost et. al. Use of Monte Carlo Simulation Techniques in Accident
Reconstruction.
SAE 940720, Denis P. Wood et. al. Monte Carlo Simulation Methods Applied to Accident
Reconstruction and Avoidance Analysis.
SAE 940722, Raymond M. Brach. Uncertainty in Accident Reconstruction Calculations.
SAE 950135, Renard G. Tubergen. The technique of Uncertainty Analysis as Applied to the
Momentum Equation for Accident Reconstruction.
SAE 2001-01-3347, Nathan A. Rose et. al. Integrating Monte Carlo Simulation, Momentum
Based Impact Modeling, and Restitution Data to Analyze Crash Severity.
64

SAE 2002-01-0546, Wade Bartlett et. al. Evaluating the Uncertainty in Various Measurement
Tasks Common to Accident Reconstruction.
SAE 2003-01-0487, Wade Bartlett. Conducting Monte Carlo Analysis with Spreadsheet
Programs.
SAE 2003-01-0489, Wade Bartlett et. al. Evaluating Uncertainty in Accident Reconstruction with
Finite Differences.
SAE 2006-01-0715, Wojciech Wach et al. Uncertainty Analysis of the Preimpact Phase of
Pedestrian Collision.
65

SAE 2007-01-0741, Richard M. Ziernicki. Considerations for Applying and Interpreting Monte
Carlo Simulation Analyses in Accident Reconstruction.
Publicações da IPTM:
IPTM 2014, Fundamentals of Statistics for Traffic Crash Reconstruction, Andrew Rich et. al. 1st
edition.
IPTM 2013, Fundamentals of Traffic Crash Reconstruction, John Daily et. al. 5th edition.
66

Publicações disponíveis na internet:
2004, Multiple Vehicle Collisions. John Daily et. al. Disponivel em www.jhscientific.com.
2003, Development and Evaluation of Driver Perception-Response Equations Based Upon

Meta-Analysos. Jeff W. Muttart et. al. Disponivel em: www.crashsafetyresearch.com
2007, Monte Carlo Analysis for Accident reconstruction. Wade Bartlett et. al. Disponivel em:
www. mfes.com
67

OBRIGADO!
Dr. Eng. Wilson Toresan Jr

Perito Criminal – IGP/RS
wtoresan@gmail.com
68

Exemplo 1: Atropelamento ... Estudo da Evitabilidade
69

Cálculo : Método tradicional:
v1 = 115,5 km/h (32,1 m/s - velocidade de tráfego)

d1 = 75 m (distância de frenagem)
d2 = 7,9 m (distância frenagem-atropelamento)
t = 1,5 s (tempo de percepção-reação)
d3 = v1 . t = 48,1 m (distância de percepção-reação)
d4 = d2 + d3 = 7,9 + 48,1 = 56 m (distância do local da percerpção+reação até o atropelamento)
v2  v12  2g(d 2)  30.3 m/s = 109 km/h (velocidade do atropelamento)

70

Cálculo : Método de Monte Carlo:
d1 = (75 ± 0,5) m; (Distribuição Uniforme) (distância de frenagem)

 = (0.75 ± 0,05) m; (Distribuição Normal) (coeficiente de atrito)
71


Cálculo da velocidade de tráfego:
111,9 km/h  v  127,7 km/h
72


73

d1 = (75 ± 0,5) m; (Distribuição Uniforme) (distância de frenagem)

 = (0.75 ± 0,05) m; (Distribuição Normal) (coeficiente de atrito)
t = (1.849 ± 0,191) m; (tempo PR) (distância de frenagem)
74


Cálculo da velocidade de atropelamento:
105,9 km/h  v  121 km/h
Obs: Para uma velocidade de tráfego de:

111,9 km/h  v  127,7 km/h
75

Cálculo : Método tradicional:
v3 = 80 km/h (22,2 m/s - velocidade de tráfego)

d5 = (v2)2/(2g) = 35,9 m (distância de frenagem)
t = 1,5 s (tempo de percepção-reação)
d6 = v1 . t = 33,3 m (distância de percepção-reação)
d7 = d5 + d6 = 35,9 + 33,3 = 69,2 m (distância de percerpção+reação + distância de frenagem)
d8 = (d4 – d6) = 22,7 m (distância de frenagem até o atropelamento)
v4  v32  2g(d8)  13,4 m/s = 48,2 km/h (velocidade do atropelamento)

76


Cálculo da velocidade de atropelamento:
11,2 km/h  v  53,7 km/h
Obs: para uma velocidade de tráfego de

80 km/h!
77

View publication stats

Monte Carlo e Acidente de Transito

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Monte Carlo e Acidente de Transito

Enviado por

Direitos autorais:

Formatos disponíveis

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Fundamentos de Estatística Aplicados na Reconstrução de Acidentes

Presentation · October 2017

Fundamentos de Estatística Aplicados na Reconstrução de Acidentes de Trânsiito View project

The user has requested enhancement of the downloaded file.

Introdução ao Método de Monte Carlo

Copyright 2016: Toresan

Na realização de cálculos em reconstrução de acidentes de trânsito,

Não há como saber os valores exatos do

Podem-se obter faixas de valores das variáveis através

Copyright 2016: Toresan

Métodos Utilizados para a Análise de Incertezas:

Copyright 2016: Toresan

O Método de Monte Carlo (MMC) utiliza-se de uma técnica

Permite uma análise de probabilidades dos resultados obtidos a partir

Copyright 2016: Toresan

O MÉTODO DE MONTE CARLO

1. Utilização de um modelo matemático (equação) que represente o

2. Identificar os variáveis de entrada que são utilizadas na equação;

Copyright 2016: Toresan

O MÉTODO DE MONTE CARLO

3. Realização de um estudo sobre as incertezas das variáveis de

* Ver referências bibliográficas.

Copyright 2016: Toresan

O MÉTODO DE MONTE CARLO

Funções Densidade de Probabilidade – Acidentes de Trânsito

Distribuição de Probabilidade Uniforme e Contínua

Função Densidade de Probabilidade

0.002 - Consideração conservadora.

0.0015 - Qualquer valor da faixa de valores possui a mesma

0 - Requer os valores mínimos e máximos possíveis da

REVISÃO Copyright 2016: Toresan

O MÉTODO DE MONTE CARLO

Funções Densidade de Probabilidade – Acidentes de Trânsito

Distribuição de Probabilidade Uniforme e Contínua

Função Densidade de Probabilidade 1 1 axb

(b  a). 12 (1400  1000). 12

REVISÃO Copyright 2016: Toresan

O MÉTODO DE MONTE CARLO

Funções Densidade de Probabilidade – Acidentes de Trânsito

Distribuição de Probabilidade Normal ou Gaussiana

- Requer o valor médio () e o desvio padrão ().

- Valor mais provável é o valor médio ().

- Probabilidade conforme o número de desvios padrões ()

- Utilização para variáveis cujo valor depende de fatores

Função Densidade de Probabilidade

REVISÃO Copyright 2016: Toresan

O MÉTODO DE MONTE CARLO

Funções Densidade de Probabilidade – Acidentes de Trânsito

Distribuição de Probabilidade Normal ou Gaussiana

REVISÃO Copyright 2016: Toresan

O MÉTODO DE MONTE CARLO

Funções Densidade de Probabilidade – Acidentes de Trânsito

Distribuição de Probabilidade Normal ou Gaussiana

Regra dos 68%, 95% e 99,7%

O MÉTODO DE MONTE CARLO

Funções Densidade de Probabilidade – Acidentes de Trânsito

Distribuição de Probabilidade Normal ou Gaussiana

Cálculo da probabilidade P(a  x  b):

A integral calcula a área sob a curva da função densidade de probabilidade f(x)

REVISÃO Copyright 2016: Toresan

O MÉTODO DE MONTE CARLO

Funções Densidade de Probabilidade – Acidentes de Trânsito