Escolar Documentos
Profissional Documentos
Cultura Documentos
=
) ( * ) / (
) ( * ) / (
) / (
| |
| |
|
P x P
P x P
x P
(ec. 4)
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
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
ECIPERU 21
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:
o
i
= Razn de accidentes en una localizacin i (notar
que o
i
es considerada como una variable aleatoria
N
i
= Nmero de accidentes registrados en la localizacin
i durante el tiempo en cuestin.
V
i
= Nmero de vehculos que pasan a travs de la
localizacin i durante el tiempo en cuestin
f
i
( |N
i
, V
i
)
= Funcin densidad de probabilidad
asociada con la razn accidentes en una
localizacin i, dada por las observaciones N
i
y V
i
f
R
()
= Funcin densidad de probabilidad asociada con la
razn de accidentes a travs de la regin.
De esta manera, f
R
()
representa una gruesa estimacin
de la distribucin de probabilidad de la razn de
accidentes a travs de la regin, y f
i
( |N
i
, V
i
)
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:
} {
}
= s
0
) , / ( d V N f P
i i i o
(ec. 5)
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 o
i
) el actual nmero de
accidentes sigue una distribucin de Poisson con un valor
esperado V
i
, que es:
} {
i
V
n
i
i i i
e
n
V
V n N P
= = = *
!
) (
, /
(ec. 6)
A2. La distribucin de probabilidad de la razn regional de
accidentes f
R
()
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
o
|
| o o
I
=
e
F
R
(ec. 7).
Para unos o y | , de esta manera, el primer paso se
asocia con el anlisis bayesiano, debido a que la
determinacin de f
R
(), es necesaria para determinar los
valores de o y |. Teniendo en cuenta que existen
diferentes mtodos para obtener los valores o y |. El
ms comnmente usado para estimar los valores o y | es
el mtodo de los Momentos Estimados (MME) [8],
donde o 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
es la media del ejemplo de las razones observadas, s
2
la
varianza del ejemplo de las razones observadas, y m el
nmero de localizaciones que existen en la regin. Luego.
=
=
m
i i
i
p
V
N
m
1
*
1
(ec. 8).
) ( *
1
1
1
2
p
m
i i
i
V
N
m
s
=
=
(ec. 9).
Usando el mtodo de los Momentos Estimados, uno
selecciona un o y | tal que
p
= o/| y s
2
= o/|
2
, o lo
equivalente, | = u / s
2
y o = |u
Una vez que los valores o 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, f
i
( |N
i
, V
i
)
.
Esta funcin densidad es
obtenida usando el teorema Bayes. Esto es:
) ( ) , / ( ), , / ( o
R i i i i i i
f V N f V N f (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 f
i
( |N
i
, V
i
)
.
La cual es una
distribucin gamma. Sin embargo los parmetros
asociados con esta distribucin, o
i
y |
i
, son fcilmente
obtenidos de la original eleccin de o y | y los datos
observados, N
i
y V
i
de la siguiente manera:
i i
N + =o o
(ec. 11).
i i
V + = | |
(ec. 12).
De esta manera la funcin probabilidad asociada con la
razn de accidentes en una localizacin i (
i
)
.
Esta dada
por:
| o
o
o
|
* 1
* *
) (
) , / (
i i
i
e V N f
i
i
i i i
I
=
(ec. 13).
Notar que N
i
y V
i
incrementan, los parmetros de lugares
especficos (o
i
y |
i
) los cuales. podran ser fcilmente
determinados mediante los datos observados (N
i
y V
i
)
.
, 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
o > > ) , / (
i i i
V N P
(ec. 14).
ECIPERU 22
Donde o es un nivel de tolerancia, este valor de
tolerancia debe ser definido en funcin del grado del
grado de precisin que el investigador requiera.
1.2.1. Aplicacin de Mtodo de Bayes.
En la prctica existen dos comunes criterios para la
identificacin de localizaciones riesgosas Los cuales se
definen de la siguiente manera:
Criterio 1 (C1).
Siendo o
i
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 o
i
exceda
a p, es mayor que o.
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
o > > ) , / (
i i i
V N p o P
(ec. 15).
Se puede decir que una localizacin es un APL. En
consecuencia, la identificacin de localizaciones
riesgosas usando el criterio C1 envuelve la computacin
de:
) ( 1 ) , / ( p o P V N P
i i i i
s = >
(ec. 16).
o
|
| o
o
c
I
= >
}
* 1
0
1
* *
) (
1 ) , / ( e V N P
i
i
p
i
i
i i i
(ec. 17).
Si el valor computado es mayor que o , la localizacin es
definida como un APL.
Otra forma de expresar este criterio 1 es:
o
|
| o
o
c
I
=
+
+
}
) * ( ) 1 * (
0
*
* *
) (
1 e P
i cr
i cr
V
p
i
V
i (ec. 18).
Donde:
cr = taza crtica de accidentes en cada interseccin
De esta forma se puede calcular la razn crtica de cada
localizacin (cr), el cual es el valor de razn, para el
cual la probabilidad de que la razn observada o
i
sea
mayor a es igual a o ( 0.90,0.95 o 0.99). Este mtodo
permite hacer una tabla de valores o
i
y cr con la cual
se puede elaborar un grafico como comparacin.
Criterio 2 (C2)
Siendo o
i
la razn de accidentes observada en una
localizacin i, y r la razn de accidentes regional
observada en toda la regin, la localizacin i es
considerada un APL si la probabilidad de que o
i
exceda
r es mayor a o..
Donde la razn de accidentes regional observada es
definida como:
=
i
i
r
V
N
(ec. 19).
Lo que significa que, bajo este criterio una localizacin es
considerada un APL cuando:
o > > ) , / (
i i i
V N r o P
(ec. 20).
Igual a:
o
|
| o
o
c
I
=
}
) * ( ) 1 (
0
* *
) (
1
i i
i
e P
r
i
i
Si el valor computado es mayor que o , 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
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
tanto al Mtodo de Control de Calidad como al Mtodo de
Bayes, estos se definen de la siguiente manera:
- Criterio 1 (AR/ARc>1).
Donde:
AR = Es la razn de accidentes observada en cada
localizacin, esta notacin es valida tanto para el ranking
por mtodo de Control de Calidad como para el Mtodo
de Bayes.
ARc = Es la razn crtica de accidentes en cada
interseccin en el caso del Mtodo de Control de Calidad
y como cr para el Mtodo de Bayes
- Criterio 2 ((AR-ARc)*m)
Donde:
AR = Es la razn de accidentes observada en cada
interseccin, esta notacin es valida tanto para el ranking
por mtodo de Control de Calidad como para el Mtodo
de Bayes.
ARc = Es la razn crtica de accidentes en cada
interseccin en el caso del Mtodo de Control de Calidad
y como cr para el Mtodo de Bayes.
000 , 000 1
365 * *t TMDA
m =
(ec. 21).
donde:
TMDA = Promedio de volumen de trfico medio diario
anual.
t = tiempo de observacin.
ECIPERU 23
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
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.
ECIPERU 24
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