1.

PRELIMINARII
PROBABILITĂȚI. VARIABILE
ALEATOARE

Definiția clasică a probabilității

Probabilitatea a fost privită, fie dintr-un punct de vedere „psihologic”

ca măsurând gradul de siguranță al observatorului, relativ la producerea sau
neproducerea unui fenomen, fie “statistic” ca frecvență de apariție a unui
fenomen într-un număr mare de experimente independente.

Din punct de vedere clasic, definiția care s-a dovedit cea mai eficientă
în calcule, a fost aceea care a plecat de la conceptul de egală posibilitate.
Acest lucru înseamnă că numărul de posibilități într-un experiment este finit
și toate posibilitățile au aceeași șansă.

Probabilitatea unui eveniment care constă din mai multe astfel de

posibilități este raportul dintre numărul cazurilor favorabile și numărul
cazurilor posibile. Utilizarea acestei definiții presupune că într-un fel sau
altul putem număra stările posibile și pe cele favorabile.

Exemplu
Se aruncă un zar de două ori. Să se determine probabilitățile
evenimentelor:

Suma fețelor celor două zaruri este 6.

Ambele zaruri au fața cu același număr.

Soluție
Cazurile posibile în cele două situații sunt: ( 1,1 ) , ( 1,2 ) ,..., ( 6,6 ) , în
număr de 36.

1
 Cazurile favorabile sunt: ( 1,5 ) , ( 2,4 ) , ( 3,3 ) , ( 4,2 ) , ( 5,1 ) , deci 5.
nr . cazuri. favorabile 5
p= =
atunci nr . cazuri. posibile 36 .
Cazurile favorabile sunt: ( 1,1 ) , ( 2,2 ) , ( 3,3 ) , ( 4,4 ) , (5,5 ) , ( 6,6 ) ,deci 6

6 1
p= =
atunci 36 6 .

Definiția axiomatică a probabilității

În general evenimentele se exprimă prin propoziții.Propozițiile,

obținute prin operațiile logicii matematice ( ¿,∨,− ) , între propoziții care
exprimă evenimente; exprimă la rândul lor alte evenimente.

Probabilitatea este definită pe o mulțime Ω de evenimente care o

dată cu evenimentele A și B conține și evenimentele următoare exprimate
prin operațiile logice and , or , -
A∧B−Așș și B
A∨B−A sau B
A - non A , Ω⊂P ( E ) .
E - evenimentul sigur (cert)
φ - evenimentul imposibil.
De asemenea presupunem că au loc următoarele relații:

Comutativitatea A∧B=B∧ A ; A∨B=B∨ A ;

Asociativitatea
A∧ ( B∧C ) =( A∧B )∧C ; A∨( B∨C )=( A∨B )∨C ;

2
 Distributivitatea
A∧ ( B∨C ) =( A∧B )∨( A∧C ) ; A∨( B∧C )=( A∨B ) ∧( A∨C ) ;
Absorția ( A∧B ) ∨A= A ; ( A∨B )∧ A=A ;
Legile lui de Morgan A∨B=A∧B; A∧B=A∨B ;
Evenimentele cert și imposibil se caracterizează prin:

{Φ∧E∧A=
A=Φ;Φ∨ A=A
A ; E∨ A=E
;
Evenimentul non A sau contrar lui A are proprietățile:
A∧A=φ; A∨A=E.

Definiție: O mulțime de evenimente cu proprietățile de mai sus se

numește câmp de evenimente sau algebră de evenimente sau algebră Boole.

Relațiile de mai sus nu sunt independente , deci nu formează un set

minimal de axiome pentru algebrele Boole. Pe de altă parte ele implică alte

relații importante , cum ar fi A=A. Următoarea teoremă descrie asemenea

câmpuri de evenimente prin submulțimi.

Teorema lui Stone:

Fie M o mulțime de evenimente cu proprietățile de mai sus. Atunci
există o mulțime E și o submulțime Ω⊂P ( E ) ce verifică la proprietățile:

(i) φ ∈Ω, E ∈Ω ;
( ii ) ∀ A , B∈ Ω⇒ A∪B ∈Ω ;
( iii ) ∀ A , B∈ Ω⇒ A ¿ ∈Ω ;
și o bijecție σ : P ( E ) →Ω astfel ca:

(a) σ ( A∨B ) =σ ( A )∪σ ( B ) ;

(b) σ ( A∧B ) =σ ( A )∩σ ( B ) ; σ ( φ ) =φ ; σ ( E )=E .

3
 (c ) σ ( A )=σ ( A ) .

Teorema arată în esență că orice câmp de evenimente poate fi

reprezentat prin submulțimi ale aceleași mulțimi E . Operației and între
evenimente îi corespunde intersection mulțimilor , operației or îi corespunde
union mulțimilor, iar negației - îi corespunde complementara,
evenimentul sigur sau cert E corespunde mulțimii totale E , iar
evenimentul imposibil φ corespunde mulțimii vide φ .

Definiție: O mulțime Ω⊂P ( E ) cu proprietățile ( i ) , ( ii ) și ( iii )

din teorema lui Stone se numește clan,algebră de evenimente sau câmp de
evenimente. Uneori se mai numește și algebră de mulțimi.

Propoziție: Fie Ω⊂P ( E ) un câmp de evenimente:

n n

( a ) Dacă A 1 , A2 ,. .. , A n ∈Ω atunci
¿ A i ∈Ω intersect A i ∈Ω
i=1 și i=1 ;
( b ) Dacă A ∈Ω atunci A ∈Ω .

Definiția axiomatică a probabilității:

Fie Ω⊂P ( E ) un câmp de evenimente. Se numește probabilitate pe

Ω , o funcție p:Ω→R ce satisface la proprietățile:

(i) p ( A ) ∈ [ 0,1 ] ,∀ A ∈Ω ;
( ii ) p ( A∪B )= p ( A ) + p ( B ) dacă A∩B=Φ ;
( iii ) p (Φ )=0 , p ( E )=1 .

Tripletul ( E ,Ω , p ) îl vom numi câmp de probabilitate.

Teoremă: Fie ( E ,Ω , p ) un câmp de probabilitate. Atunci:

4
 (1) p ( A )=1− p ( A ) ,∀ A ∈Ω;
( 2 ) Dacă A 1 , A2 ,. .. , A n ∈Ω și A i ∩A j=Φ pentru
n n

i≠ j ,i, j ∈ {1,2, ... ,n } atunci i=1 i( )

p ¿ A =∑ p ( A
i=1
i
;
)
(3) p ( A∪B )= p ( A ) + p ( B )− p ( A∩B ) , ∀ A, B∈ Ω ;
(4 ) A ⊂B ⇒ p ( A ) ≤p ( B ) .

VARIABILE ALEATOARE

Definiție: O funcție f : E→ R se numește variabilă aleatoare (pe

scurt v.a.) , dacă pentru orice interval deschis ( a , b ) ⊂ R , avem
f −1 [ ( a , b ) ] ∈ Ω . O funcție f : E→C se numește variabilă aleatoare
dacă Re ( f ) și Im ( f ) sunt variabile aleatoare reale.

Variabilele aleatoare care iau un număr finit de valori se numesc

variabile aleatoare simple.

v , v ,..., v n valorile distincte ale lui f și fie

Fie 1 2 A i =f
−1
( vi) . În
aceste condiții variabila aleatoare se scrie:

v 1 , dacă , x∈ A 1

{
f ( x )= v 2 , dacă , x∈ A 2
... .... ... .. .. . .... . .. ..
v n ,dacă , x ∈ A n
.
Fiecărei variabile aleatoare f îi vom asocia o diagramă , notată tot
cu f :

5
 v1 v2 v 3 . .. vn
f:
( p 1 p2 p 3 . .. pn ) , numită distribuția sau
repartiția variabilei aleatoare.

Valorile
v 1 , v 2 ,..,v n sunt în general distincte, iar evenimentele A j ,
j=1,n , formează o partiție a lui E , dacă
A i , A j sunt disjuncte
n
¿ A i =E p1 + p2 + .. .+ p n =1 .
pentru i≠ j și i=1 . Este clar atunci că

Pentru o variabilă aleatoare simplă definim:

Definiție:
n n
M ( f )=∑ v i p i=∑ v i p ( f =v i )
( i ) valoarea medie a lui f: i =1 i =1 ;
n
M ( f )=m k ( f )=∑ v ki pi =M ( f k )
( ii ) momentul de ordinul k: k
i=1 ;
( iii ) momentul centrat de ordinul k:
n
μk ( f )=∑ ( v i −M ( f ) )k pi =M [ ( f −M ( f ) )k ]
i =1 ;
( iv ) dispersia:
2 2
D ( f )=σ 2 ( f )=∑ ( v i−M ( f ) ) ⋅pi =M [ ( f −M ( f ) ) ]=μ2 ( f )
;
( v ) funcția caracteristică: f c : R →C sau
n
iv j t
ϕ f : R→C , f c ( t ) =ϕ f ( t )=∑ e ⋅p j ;
j=1

( vi ) funcția de repartiție: F : R→ R ,
F ( t )= p ( { x ∈ X|f ( x ) <t } )= p ( f < t ) .

6
 Vom nota în general cu { a< f <b } evenimentul
f −1 [ ( a , b ) ] = { x ∈ X|a<f ( x<b ) } , iar probabilitatea acestuia cu
p ( a<f < b ) .

Teoremă (proprietățile valorii medii)

Fie ( X , Ω, p ) un câmp de probabilitate finit și f , f 1 ,f 2 , ... variabile
aleatoare pe X. Atunci:
1. Dacă f ≡C ( ct . ) ⇒ M ( f )=C ;
2. Dacă α=ct . ⇒ M ( αf )=αM ( f ) ;
3. M ( f 1 + f 2 )=M ( f 1 ) + M ( f 2 )
și de aici
M ( f 1 + f 2 + .. .+f n ) =M ( f 1 ) + M ( f 2 ) +.. .+ M ( f n )
și
M ( af + bg )=aM ( f ) +bM ( g ) ;
M ( f −M ( f ) )=0 ; a,b constante ;
4. Dacă f 1 și f 2 sunt independente atunci
M ( f 1⋅f 2 )=M ( f 1 )⋅M ( f 2 )
;
5. Dacă f ≥0 ⇒ M ( f ) ≥0 ;
6. Dacă f ≥g⇒ M ( f )≥M ( g ) ;
7. |M ( f )|≤max|f| .

Teoremă (proprietățile dispersiei)

1. f =C a.p.t.(constant) ⇔ D ( f ) =0 ;
2
2. D ( a⋅f )=a D ( f ) ,a fiind o constantă;
3. Dacă f 1 , f 2 sunt independente
⇒ D ( f 1 + f 2 ) =D ( f 1 ) + D ( f 2 )
.

7
 f −M ( f )
Definiție: Dacă f este o v.a. atunci expresia √D (f ) se
numește deviația standard a lui f.

Definiție: Fie ( X , Ω, p ) un σ câmp de probabilitate. O funcție

f : X →R se numește variabilă aleatoare , dacă pentru ∀ c ∈ R ,

mulțimea { ω∈ Ω|f ( ω ) <c } este un eveniment din Ω . Adesea vom nota

−1
mulțimea de mai sus prin {f < c } sau f [ (−∞ ,c ) ] .

Propoziție: f : X →R este o v.a. ⇔ este îndeplinită una din

condițiile:

(a) ∀ c ∈ R ⇒ { f <c } ∈Ω ;
(b) ∀ c ∈ R ⇒ { f ≤c } ∈Ω ;
(c ) ∀ c ∈ R ⇒ { f >c } ∈Ω ;
(d ) ∀ c ∈ R ⇒ { f ≥c } ∈Ω ;
(e) ∀ c ∈ R ⇒ { α≤f <β } ∈ Ω .

Teoremă:
f
f ±g , f⋅g ,
Dacă f și g sunt v.a. atunci și g sunt v.a. .

Fie
f ( ω )=v i ,ω∈ Ei , pentru , i=1 , n . Atunci valoarea medie a lui
f se definește prin:

M ( f )=∑ v i⋅p ( Ei )
i .
∫ f⋅dp ∫ f ( ω)⋅dp ( ω)
Vom nota această expresie prin X sau X .
Avem proprietățile mediei:

8
 f =c ⇒∫ fdp=c
1. Dacă X ;
∫ ( αf +βg ) dp=α ∫ fdp+β ∫ gdp
2. X X X ;
n n

3. X
( )
∫ ∑ f i dp=∑ ∫ f i dp
i=1 i=1 X ;
4. Dacă f 1 și f 2 sunt independente atunci

∫ ( f 1⋅f 2 ) dp=(∫ f 1 dp )⋅(∫ f 2 dp )

X X X ;
f ≥0 ⇒∫ fdp≥0
5. Dacă X ;
f ≥g⇒ ∫ fdp ≥∫ gdp
6. X X ;
|∫ fdp|≤max|f|
7. X .

Momentul de ordinul k se definește ca pentru v.a. simple

M k ( f )=mk ( f )=M ( f k ) =∫ f k dp
X .
Momentul centrat de ordinul k :
μk ( f )=M [ ( f −M ( f ) )k ] =∫ ( f −M ( f ) )k dp
X .

Dispersia se definește de asemenea ca pentru v.a. simple:

2
D ( f )=M [ ( f −M ( f )) 2 ] =∫ [ ( f −M ( f ) )2 ] dp=M 2 ( f )−[ M ( f ) ]
X .

Unei v.a. generale nu-i putem atașa distribuția sau repartiția ca în cazul
v.a. simple, ele luând în general o infinitate de valori. În cazul particular când
mulțimea valorilor v.a. este numărabilă
v 1 , v 2 ,..., v n ,... iar evenimentele

9
 Ei ={ f =vi }
au probabilitățile
pi , putem spune că f are repartiția
sau distribuția:

v1 v2 . . . v n .. . v
f:
( p 1 p2 . . .. pn .. . )()
= i
pi i=1 ,∞
.

∞
M ( f )=∫ fdp=∑ v i⋅pi
În acest caz X i=1 , iar
∞
2
D ( f )=∑ [ v i −M ( f ) ] ⋅p i
i=1 .

Funcția de repartiție. Densitatea de probabilitate

Fie f : X →R o v.a. definită pe spațiul probabilizat X . Asociem

lui f , o funcție F : R→ R , definită prin formula F ( t )= p ( f <t ) .
Funcția F nu mai apare ca depinzând explicit de X . Ea conține
informații “probabilistice”despre f , independent de natura elementelor
din X . Este posibil ca aceeași funcție F să corespundă la v.a. diferite,
definite pe același spațiu X sau pe spații diferite.

Definiție: Funcția F : R→ R , cu F ( t )= p ( f <t ) , f fiind o v.a.

se numește funcția de repartiție a acestei v.a. .

Definiție: Fie o variabilă aleatoare f cu funcția de repartiție F . O

funcție ρ :R → [ 0 ,∞ ] , integrabilă cu probabilitatea că :

t
F ( t )= ∫ ρ ( x ) dx
−∞ , se numește densitatea de
repartiție a v.a. f .

10
 Teoremă: Funcția de repartiție are următoarele proprietăți:

1. F este monoton crescătoare;

F ( −∞ ) = lim F ( t )=0 F ( ∞ ) =lim F ( t ) =1
2. t→−∞ ; t→ ∞ ;
3. F este continuă la stânga;
4. p ( a≤f <b )=F ( b )−F ( a ) ;
5. Reciproc dacă o funcție F : R→ R are proprietățile de mai
sus , atunci ∃ un câmp de probabilitate ( X , Ω, p ) și o v.a. pe X , care
are pe F ca funcție de repartiție.

Teoremă: Densitate de probabilitate a unei v.a. are proprietățile:

1. ρ ( t ) ≥0 ;
∞

2.
∫−∞ ρ ( t ) dt=1 ;
b
p ( a≤t <b )=∫ ρ ( x ) dx
3. a ;

4. Reciproc dacă o funcție integrabilă ρ :R →R are proprietățile

1.−3 . , atunci ∃ un câmp de probabilitate ( X , Ω, p ) și o v.a. pe X
, care admite pe ρ ca densitate de probabilitate

Avem că:
∞ ∞ ∞ ∞
M ( f )= ∫ xdF ( x )= ∫ xρ ( x ) dx M k ( f )= ∫ x dF ( x )= ∫ x k ρ ( x ) dx
k
−∞ −∞ ; −∞ −∞
.

11
 ∞
k k
μk ( f )= ∫ [ ( x−M ( f ) ) ] dF ( x )=∫ [ ( x− M ( f ) ) ] ρ ( x ) dx
−∞ ;
∞ ∞
2 2
D ( f )= ∫ [ ( x−M ( f ) ) ] dF ( x )= ∫ [ ( x−M ( f ) ) ] ρ ( x ) dx
−∞ −∞ .

LEGI CLASICE DE
PROBABILITATE

În cele ce urmează vom studia câteva legi frecvent întâlnite în aplicații.

Când discutăm o asemenea lege , subînțelegem că ∃ un câmp de
probabilitate ( X , Ω, p ) și o v.a. f : X →R , care are ca funcție de
repartiție pe F și ca densitate de probabilitate pe ρ .

1) REPATIȚIA BINOMIALĂ

Fie v.a. simplă

0 1 . .. k ... n
f:
( C 0n p 0 q n C 1n p1 q n−1 k k n−k
. .. C n p q n n 0
. . . Cn p q ) ,

unde p∈ [ 0,1 ] , p+q=1 , n ∈ N . O asemenea v.a. se numește

binomială.

12
 Funcția caracteristică este :

n
n
ϕ f ( t )= ∑ eitk C kn pk qn−k =( peit +q ) 2
k =0 , i =−1 .

De aici se obține:

1 1 n−1
M ( f )= ϕ ,f ( 0 )= n ( peit +q ) = pie it|t=0 =np ;
(a) i i

1 ,,
M 2 (f )= ϕ ( 0 )=n2 p2 + npq ;
2 f
(b) i

2
(c ) D ( f )=M 2 ( f )−[ M ( f ) ] =npq .

2) REPARTIȚIA POISSON

Spunem că f este o v.a. de tip Poisson dacă ia valori întregi pozitive

λk −λ
p ( f =k )= e
și k! , unde λ>0 . Repartiția unei astfel de variabile
aleatoare este:

13
 0 1 2 . .. n . .. n
f:
( e−λ
λ −λ
1!
e
2!
2
λ −λ
e . ..
n
λ −λ
n!
e . ..
= λ −λ
n!
e )( )
n

n =0,1,2, .. . .

λ - se numește parametrul variabilei aleatoare.

Funcția caracteristică este

n n k
itk − λ λk −λ ( e it λ ) −λ λe it λ ( eit −1 )
ϕ f ( t )= ∑ e e =e ∑ =e e =e
k =0 k! k =0 k! .

Prin urmare:

1
M ( f )= ϕ ,f ( 0 )=λ
(a) i ;
1 ,,
M 2 (f )= 2 f
ϕ ( 0 )=λ2 + λ
(b) i ;
2
(c ) D ( f )=M 2 ( f )−[ M ( f ) ] =λ .

3) REPARTIȚIA NORMALĂ

Spunem că o v.a. f admite o repartiție normală de parametrii m

și σ , dacă densitatea ei de probabilitate este:

( x −m )2
−
1 2 σ2
ρ ( x) = e
σ √2 π .

14
 2
V.a. cu repartiția normală, de valoare medie m și dispersie σ -o
vom numi de tipul N ( m,σ ) . Legea normală a apărut în legătură cu teoria
erorilor de măsurare.

4) REPARTIȚIA EXPONENȚIALĂ NEGATIVĂ

Se numește astfel o v.a. cu densitatea de probabilitate:

0 , x <0
ρ ( x)= {
λe− λx , x≥0 , unde λ>0 .

Plecând de la definiție obținem:

5) REPARTIȚIA GAMMA

Se numește astfel o repartiție cu densitatea de probabilitate:

0 , x≤0
ρ ( x) =
{ 1
Γ ( α +1 ) β α +1
x α
e
−
x
β
, x≥0
, unde α>−1; β >0 .

Cel mai frecvent se utilizează cazul β=1 ;α+1=m , când avem:

15
 0 , x≤0
ρ ( x ) =ρm−1,1 ( x ) =
{ 1
Γ (m)
x m−1 e−x , x> 0
.

Funcția gamma se definește prin:

∞
Γ ( x )=∫ e−t t x−1 dt
0 , pentru x>0 .
Următoarele proprietăți se cunosc de la cursul de analiză matematică:

Γ ( x+1 ) =xΓ ( x ) ;
Γ ( 12 )= √ π .

Funcția caracteristică se calculează astfel :

∞ x
1 itx α
−
β −α −1
ϕ f ( t )= α +1 ∫ e x e dx=. ..=( 1−iβt )
Γ ( α+1 ) β 0 .

Caracteristicile numerice sunt:

1
M ( f )=β ( α +1 ) = ϕ,f ( 0 )
(a) i ;
1 ,,
M2(f )= ϕ ( 0 )=β 2 ( α +1 ) ( α + 2 )
2 f
(b) i ;
2 2
(c ) D ( f )=M 2 ( f ) −[ M ( f ) ] =β ( α + 1 ) .

−m
În cazul β=1 , α=m−1 , se obține
ϕ f ( t )=( 1−mt ) ,
valoarea medie =m , dispersia =m .

16
 2. NOȚIUNI DE STATISTICĂ
MATEMATICĂ ȘI
PROBABILITĂȚI UTILIZATE
ÎN TRAFICUL RUTIER

Evaluările de perspectivă efectuate pentru caracterizarea traficului

rutier sunt de cele mai multe ori bazate pe prognoze și estimări. În aceste
condiții se pune problema obținerii datelor de pornire (intrare în algoritm)
care să ofere credibilitate maximă și să fie suficient de representative pentru
fenomenul de trafic analizat.

În ce măsură datele pe care le utilizăm sunt de “încredere”? La această

întrebare se poate răspunde numai apelând la instumentul statistic de
analiză , capabil să asigure extrapolarea unor observații punctuale la întreg
fenomenul sau la evenimentul analizat. Astfel evaluarea statistică, rezultat al
investigării stării de trafic la un moment dat , sau într-un interval de timp
determinat, constitue un instrument necesar și de neeludat în dezvoltarea
prognozelor și estimărilor.

Necesitatea de a obține valori credibile și în același timp representative

pentru starea traficului la un moment dat, a impus acest instrument de lucru.
Este importantă caracterizarea statistică a traficului, pentru a obține datele de
pornire pertinente, care să asigure o dezvoltare credibilă a studiilor sau
programelor destinate modelării fluxurilor de vehicule sau ierarhizării
acceselor într-o intersecție dată.

În acest sens, datele obținute prin observații (sondaj) sau prin colectare
automată trebuie supuse unui proces de prelucrare statistică, care are în
vedere atât identificarea unor tendințe probabile a șirurilor de valori, cât și
gruparea lor funcție de tendințele probabile demonstrate prin criterii
matematice stabile.

17
 2.1.1. INDICATORI STATISTICI

Șirurile de date obținute în urma monitorizării traficului constitue

eșantioane ce cuprind valori înregistrate în intervale de timp impuse .
Prelucrarea statistică a acestor eșantioane de valori constă în identificarea
tendințelor principale de evoluție a fenomenelor observate (monitorizate).

Sunt evidențiate trei importante categorii de parametrii statistici, care

pot fi utilizați în evaluarea datelor de trafic, astfel:

(a) parametrii de grupare (denumiți și de tendință) care exprimă

tendința șirului de a coverge crescător sau descrescător spre o
anumită valoare, inclusă în șirul de date.
(b) parametrii de împrăștiere (denumiți și de dispersie) care arată
proprietatea naturală a șirului de date de a se distribui în mod
aleatoriu sau predilect în intervalul în care șirul ia valori.
(c) parametrii speciali destinați caracterizării coplexe a șirului de date,
în scopul identificării tendințelor de probabilitate a șirului.

Eșantionul de date rezultat în urma monitorizării indicatorilor de trafic

formează un șir de valori caracterizat prin:

- valoarea minimă x rSub { size 8{min } } care reprezintă cea mai mică înregistrare
numerică a șirului de date.
- valoarea maximă x rSub { size 8{ max } } care reprezintă înregistrarea cu valoarea
cea mai mare din șirul de date format de eșantion.
- lungimea șirului de date n reprezintă numărul de date din
eșantion.
- domeniul de valori al eșantionului limitat superior și inferior de
x max , respective de x min .

Parametrii de grupare sau de tendință sunt urmărtorii:

18
 - media de sondaj m a șirului de date, care reprezintă valoarea
ponderată a datelor din șir. Sunt definite matematic și au utilitate în
evaluările de trafic rutier, următoarele medii statistice:

- media aritmetică de sondaj este un indicator de poziție, care oferă o

informare globală privind valoarea cea mai credibilă a șirului de date, spre
care tind crescător sau descrescător celelalte date din șir și se determină cu
relația:

n
1
m= ∑ x i
n i =1 ,
(1)
unde n - este numărul de date din eșantion supus prelucrării

statistice,
x i -valoare a șirului de date din eșantion, i=1,n .

Media aritmetică de sondaj reprezintă valoarea cea mai utilizată în

evaluările specifice traficului rutier și permite evidențierea caracteristicei
predominante de raportare a indicatorilor de trafic analizați.Acest indicator
are proprietatea că suma algebrică a abaterilor diferitelor valori de la medie
este nulă.

- media geometrică – reprezintă un indicator caracteristic seriilor de

numere positive și permite evaluarea șirului de date în raport cu
produsul acestora , conform relației:

n 1 n
g= (∏ ) √ ∏
i=1
n
xi =
n

i=1
xi
.
(2)

- media armonică – reprezintă inversul mediei artitmetice de sondaj

și arată caracterul de variațiea al valorilor inverse din șir , fiind dată de:

19
 n
h= n
∑ x1
i=1 i .
(3)

- media de așteptare – reprezintă valoarea combinată a parametrului

evaluat statistic de un indicator ce definește puterea valorii medii. Se
determină cu relația:

n
∑ xi k i
m p = i=1n
∑ ki
i=1 .
(4)

În cazul evaluărilor de trafic rutier, media de așteptare poate reprezenta

rezultatul evaluării simultane a:

- timpilor de sosire într-un punct de traseu cu viteza înregistrată de

fiecare vehicul.
- durata parcursului și viteza medie înregistrată.
- durata staționărilor și numărul de vehicule staționate într-un areal
determinat.

Acest indicator se exprimă în unități de măsură specifice variabile,

factorul de așteptare având o contribuție materializată în cuantificarea
valorii variabile.

- Mediana de sondaj a șirului de date

M
e este considerată ca fiind
valoarea față de care frecvența valorilor mai mici decât aceasta , este egală
cu frecvența valorilor mai mari decât aceasta. Practic mediana de sondaj
divide șirul inițial în două subșiruri care conțin același număr de date .
Pentru determinarea medianei de sondaj, valorile se distribuie în ordine
crescătoare sau descrescătoare . Mediana de sondaj este un indicator al șirului

20
ordonat de valori. Se determină cu relații distincte, funcție de caracterul
șirului (par sau impar) astfel:

M e=x n+1
- pentru n număr impar: 2 ,
(5)
1
M e= x +x
- pentru n număr par:
(
2 n2 n2 +1 ) .
(6)

-Modul de sondaj
M o al șirului de date, exprimă legătura statistică a
tendinței de grupare, existentă între media de sondaj și mediană, exprimată
prin relația:

M o =m+ 3 ( M e−m )
.
(7)

x
-Valoarea centrală c împarte domeniul în care șirul de date ia
valori, în două zone egale, în care însă frecvența de repartiție a valorilor nu
este aceeași. Se determină cu relația:

1
x c= x +x
2 ( max min ) .
(8)
Referitor la parametrii tendinței de grupare, analiza comparată a
acestora oferă o imagine de ansamblu privind caracterul simetric al repartiției
dispunerii datelor din șir, constituind din acest punct de vedere un instrument
valoros în evaluarea legii de distribuție probabile ce guvernează fenomenul
analizat.

21
 Parametrii tendinței de împrăștiere sunt în măsură să arate modul în
care valorile din eșantion sunt distribuite în întreg domeniul corespunzător
șirului. În mod curent, acești indicatori arată poziția datelor din eșantion, față
de valoarea mediei aritmetice de sondaj. Principalii parametrii statistici ai
ascestei tendințe sunt:

- Abaterea medie pătratică de sondaj σ se determină cu relația:

(9)
1
√
σ = ∑ ( x i−m )
n i=1
2

Dacă se consideră un șir din n valori (fig.2.1), a căror dispunere într-

un sistem de coordonate indică un nivel de împrăștiere aleatoriu, abaterea
medie patratică (sau deviația standard) oferă o imagine orientativă a
“degenerării grupării”datelor.

În practica curentă statistică, deviația standard arată cu nivel de

încredere ridicat, în ce măsură datele din eșantion sunt “credibile”, adică pot
fi luate în considerare la evaluarea fenomenelor observate.

Astfel de estimări statistice arată în ce măsură datele din eșantion se

încadrează în intervale caracteristice din domeniul de valori, acoperite de
secvența ±σ (tab.2.1).

Tabelul 2.1.

Cuantumul procentual al valorilor din șir acoperite prin dispersie.

Nr.crt. Interval ±kσ Procent din gradul de

acoperire al șirului

1. σ 68.27%
2. 1.645 σ 90%
3. 1.960 σ 95%
22
 4. 2 σ 95.450%
5. 2.576 σ 99%
6. 3 σ 99.7300%
7. 3.2906 σ 99.9%
8. 4 σ 99.993666%
9. 5 σ 99.99994267%
10. 6 σ
99.9999998027%
11. 7 σ
99.9999999997440%

Dispersia șirului de date D sau dispersia de sondaj se determină cu

relația:

n
1
D= ∑ ( x −m )2
n i=1 i .
(10)

Dispersia de sondaj poate fi utilizată și ca estimare a dispersiei din

populația originară, considerându-se în acest caz relația:

n
1
D= ∑ ( x i−m ) 2
n−1 i=1 .
(11)

În mod analog, se definește și abaterea medie pătratică,

corespunzătoare estimației din populația originară cu relația:

(12)
σ=
√ 1
∑ ( x −m )2
n−1 i=1 i .

23
 Amplitudinea șirului de date A este dată de diferența dintre
valoarea cea mai mare
x max și valoarea cea mai mică x min din șirul de
date:

A=x max −x min .

(13)

PARAMETRII SPECIALI oferă informații suplimentare privind

tendința de încadrare a observației ectuate în legi de distribuție discrete sau
continue. Totodată arată în ce măsură sunt fezabile abordări privind
caracterul aleatoriu sau predictibil al fenomenului analizat. Această grupă de
parametrii stabilește conexiuni între cele două grupe statistice și permite
analiza concomitentă a influenței parametrilor din grupele de indicatori
detaliați anterior.
Acești parametri permit estimarea cu un grad mai bun de aproximare a
prognozei de trafic (distribuția fluxului de autovehicule).

Momentul de ordin r M r reprezintă o modalitate de caracterizare (în

anumite condiții) a distribuției variabilei aleatoare evaluate statistic. Se
determină cu relația:

n
1
M r= ∑ ( x )r
n i =1 i .
(14)

C
Coeficientul de variație al șirului de sondaj v , face legătura între
cei doi indicatori de bază ce exprimă tendințele opuse ale șirurilor de valori
(convergența crescătoare-descrescătoare spre valoarea medie și dispersia în
întreg domeniul în care șirul ia valori). Se determină cu relația:

σ
C v=
m .
(15)

24
 Raportat la teoria traficului rutier, acest indicator este utilizat la
determinarea “zgomotului” parametrilor dinamici ai autovehiculului singular.

Abaterea medie absolută

A m a șirului de date este determinată cu
relația:

n
1
A m= ∑ k i|x i−m|
n i=1 ,
(16)
unde
k i -este frcvența absolută a valorii x i în intervalele de
observare.

z
Abaterea normată i este un indicator de observare punctuală a unor
intervale din eșantion. Se determină cu relația:

xi −m
z i=
σ .
(17)

Coeficientul de asimetrie β 1 , definește tendința de asimetrie a

dispunerii valorilor în interval, prin evaluarea gradului de înclinare a pantei
curbei densității de probabilitate în vecinătatea modului de sondaj . Se
determină cu relația:
2
( μ3)
β 1=μ3
( σ 2 )3 ,
(18)

unde
μ3 - reprezintă momentul centrat de ordinul trei, determinat cu
relația:

25
 n
1
μ3 = ∑ ni ( xi −m )3
n i =1 .
(19)

Coeficientul de boltire β 2 se obține prin particularizarea relației

coeficientului de asimetrie:

2
( μ4)
β 2=
( σ 2 )3 ,
(20)

μ4 - fiind momentul centrat de ordinul patru.

APLICAȚIA 1.

Se consideră datele obținute în urma efectuării unui sodaj de trafic pe

o arteră principală de intrare – ieșire într-un oraș, în aceeași perioadă a
zilei, dar în zile diferite și luni calendaristice dintr-un an prezentate în
tabelul 2.2.
Se solicită evaluarea statistică a eșantionului de date pentru analiza
caracteristicii vitezei de deplasare în zona de observare.

Tabelul 2.2. Eșantion valori viteze în trafic

Nr.obs. Vit [ km/h ] Nr.obs. Vit [ km/h ] Nr.obs. Vit

[ km/h ]

26
 1. 49 11. 59 21. 17
2. 48 12. 47 22. 70
3. 22 13. 41 23. 53
4. 30 14. 59 24. 55
5. 28 15. 41 25. 54
6. 44 16. 42 26. 49
7. 48 17. 45 27. 44
8. 43 18. 46 28. 48
9. 45 19. 66 29. 44
10. 88 20. 72 30. 43

Algoritm de rezolvare

O primă remarcă referitoare la șirul de date este aceea că reprezintă

rezultatul unei observări discrete. În consecință nu există o localizare în timp
a valorilor măsurate și conform enunțului, nu se face referire la identificarea
continuității momentului înregistrării vitezelor. Asfel în vederea prelucrării
statistice a datelor este necesară o ordonare crescătoare a valorilor din șir,
obținându-se un nou șir de valori care are o proprietate distinctă: valorile au
pierdut semnificația momentului înregistrării în timp, dar sunt ordonate după
un criteriu statistic (tab.2.3.).

Tabelul 2.3. Șirul ordonat de valori.

Nr.crt. Vit [ km/h ] Nr.crt. Vit [ km/h ] Nr.crt. Vit

[ km/h ]
1. 17 11. 44 21. 49
2. 22 12. 44 22. 53
3. 28 13. 45 23. 54
4. 30 14. 45 24. 55
5. 41 15. 46 25. 59
6. 41 16. 47 26. 59
7. 42 17. 48 27. 66
8. 43 18. 48 28. 70
9. 43 19. 48 29. 72
10. 44 20. 49 30. 88

27
 Calcul mediei statistice de sondaj nu necesită această ordonare a
valorilor. De altfel, cu excepția medianei de sondaj, nici ceilalți indicatori
statistici nu ar necesita operația efectuată. Totuși, în virtutea celor enunțate
anterior, operația nu aduce prejudicii evaluării setului de date și proprietăților
șirului inițial. Grafic, cele două șiruri de valori sunt prezentate în fig.2.2.
Indicatorii statistici calculați se prezintă împreună cu observațiile
aferente înlocuirii numerice necesare, în talelul 2.4.

Tabelul 2.4. Indicatorii statistici calculați

Indicatorul U.M. Valoare Observații

Media de sondaj km/h 48.000 Se aplică relația (1)

Media geometrică km/h 45.757 Se aplică relația (2).

Media armonică h/km 0.021 Se aplică relația (3).

Mediana de sondaj km/h 46.500 Se aplică (5)

Modul de sondaj km/h 43.500 Se aplică relația (7).

28
 Valoarea centrală km/h 52.50 Se aplică relația (8).

Abaterea medie km/h 14.088 Se aplică relația (9).

pătratică

Dispersia km2 /h2 198.467 Se aplică relația

(10).

Amplitudinea șirului km/h 71.000 Se aplică relația (13).

Coeficientul de 0.293 Se aplică relația (15).

variație

5
Momentele centrate 48.000 ; 1. 403⋅10
de ordinul 1 și 3
Se aplică (18); (19) și (20).

Analiza indicatorilor statistici oferă o serie de informații utile privind

particularitățile fenomenului observat. Compararea valorilor obținute după
anumite criterii oferă posibilitatea orientării etapelor următoare de prelucrare
matematică în vederea determinării legii de variație a observării și
caracterizării ( în acest caz : tendința de distribuție a vitezei pe artera de drum
monitorizată ) tendințelor specifice șirului de valori.

O primă cocluzie ce reiese din compararea rezultatelor este că

indicatorii tendinței de grupare sunt mai apropiați de media geometrică decât
de cea aritmetică, fapt ce denotă că fenomenul observat nu are caracterul de
normalitate ce indică un trafic fluent și stabil.
De asemenea există o suspiciune că sondajul de trafic nu este suficient
pentru a caracteriza regimul de viteză. Dacă analizăm valorile indicatorilor
tendinței de grupare, abaterea maximă față de media de sondaj este de 4,5 și
aceasta este simetrică atât superior cât și inferior (fig.2.3.).
Raportat însă la media geometrică, abaterea maximă este doar de 2,25
(exceptând valoarea centrală care arată o deviere 7,25). Totuși în valori

29
absolute abaterile sunt compatibile atât în cazul comparării cu media
aritmetică cât și pentru media geometrică.
Constatarea este un argument al faptului că datele de trafic înregistrate
sunt credibile și pot constitui referința privind caracteristicile de viteză.
De asemenea se poate afirma că sondajul efectuat a surprins momente
caracteristice din repartiția regimului de viteze (fig.2.4.).
O evaluare comparată a mediei de sondaj și a abaterii medii pătratice
arată faptul că față de șirul ordonat de valori, gruparea datelor este suficient
de bună (deci concludența eșantionului poate fi acceptabilă), deoarece
intervalul: media de sondaj ± abaterea medie pătratică cuprinde aproape în
totalitate șirul ordonat de valori (fig.2.5.).

2.1.2. GRUPAREA DATELOR STATISTICE ȘI FRECVENȚE

CARACTERISTICE

Indicatorii statistici nu oferă în totalitate informații privind evaluarea

eșantionului rezultat în urma observării de trafic. Determinările bazate pe
observații discrete, permit efectuarea unor asocieri, care nu alterează setul de
valori sau interpretarea rezultatelor. Identificarea unei normalități a
distribuției valorilor, este necesară pentru a putea fi intrepretate seturi mari de
date.

În acest scop, datele sunt grupate, în așa numitele clase de valori.

Caracteristic acestor grupări este tendința tuturor valorilor din interiorul unei
clase de a coverge spre o valoare centrală din interiorul intervalului de clasă.
În cele mai multe cazuri, statistica de trafic, face raportarea directă la variația
orară sau în intervale de timp mai mici de ordinul a 10, 15, sau 30 de minute.

Acest gen de reprezentare a variațiilor de trafic rutier sunt cele mai

comune și predomină în toate activitățile ce sunt destinate modelării
fluxurilor rutiere sau în vederea optimizării aceeselor în intersecții
semaforizate. Spre exemplificare să considerăm rezultatul unei monitorizări
de viteze pe o arteră urbană (fig.2.6.). Datele furnizate prin intermediul
observării radar sunt prezentate în Anexa 1.
30
 Sunt însă situații în care pentru o evaluare corectă și în scopul obținerii
unor date primare cât mai credibile, necesare modelărilor de trafic, acest gen
de evaluare statistică nu este cel mai potrivit și dă naștere la erori de proiect
care au repercusiuni asupra acțiunilor de normalizare a traficului.

Desigur, a se lucra direct pe setul de date colectate în urma observării-

monitorizării de trafic este facil și mai rapid, eliminându-se însă astfel o
importantă etapă din “ pregătirea statistică” a eșantionului: gruparea lor
funcție de tendințe și valori de referință. Aceasta poate aduce prejudicii
privind identificarea corectă a valorilor ce indică reala tendință privind
variația parametrului (sau parametrilor) de trafic analizat.

Îndeosebi când eșantioanele de date provin din observații discrete, ce

au fost efectuate în perioade de timp dispersate de-a lungul unui an
calendaristic, sau în cazul necesității identificării tendințelor de
macrofluctuație a traficului, gruparea în clase de distribuție a șirurilor de
valori, constitue o etapă obligatorie în evaluarea eșantioanelor de date.

Aceste tendințe constitue și un bun indicator privind legea de distribuție

probabilă, care modelează cât mai fidel evoluția parametrilor măsurați.

Particularitatea este din plin exploatată în cazul determinărilor efectuate

pentru un anumit regim stabil de trafic (pentru care, se spune că artera de
circulație prezintă o tendință de încărcare normală).

Ordonarea și gruparea datelor, se face prin distribuirea acestora în clase

de valori, care cuprind toate rezultatele observației sau măsurătorilor
efectuate, ce se încadrează într-un interval de mărime impus și corelat cu
volumul de date disponibil.

Numărul k de clase în care se grupează valorile supuse unei prelucrări

statistice se determină funcție de mărimea n a eșantionului. Relația
recomandată pentru determinarea numărului de clase este:

31
 k=1+3 ,322⋅lg ( n ) .
(21)

Din valoarea calculată cu relația (21), se extrage partea întreagă, fără a

se efectua rotunjiri inferior sau superior, indiferent de tendința părții
zecimale.

Pentru un număr redus de date (sub 25 de valori), gruparea în clase este

puțin semnificativă, suplimentul de informație obținut fiind neconcludent.

În cazul în care setul de valori este relativ ridicat (>100), este

recomandată pentru determinarea numărului de clase relația:

1
2 5
k 1 =4⋅[ 0 ,75⋅( n−1 ) ] .
(22)

Shapiro-Wald, recomandă în cazul eșantioanelor statistice de volum

mare, relația:

n
k 2=
5 .
(23)
Valori orientative ale numărului de clase, determinat funcție de
dimensiunea n a eșantionului prelucrat, pentru seturi de date de volum
distinct, se prezintă în tabelul 2.5.

Tabelul 2.5. Valori pentru numărul de clase determinate funcție

de mărimea eșantionului

Mărimea eșantionului

N <150 N >150
N >150

32
 (Shapiro-Wald)

k k1
k2

Nr.Valori Nr.clase Nr.Val. Nr.clase Nr.Val. Nr.clase

<32 5 <150 27 <200 30

32-47 6 150 28 200 40

48-76 7 200 31 250 50

77-150 8 250 34 300 60

>255 9 400 41 350

70

>511 10 500 45 450

90

Valorile din tabel trebuie acceptate în contextul tehnicii de stabilire a

numărului de clase, menționate anterior.

Alegerea uneia din cele trei valori recomandate pentru numărul claselor
de grupare, se face funcție de dimensiunea N a eșantionului .

Uzual, sunt agreate valorile k și k 1 , valorile k 2 fiind mai rar

utilizate în determinările de trafic, lipsind observațiile macro ce pot constitui
argument al unui management global de trafic rutier.

Gruparea valorilor în clase de repartiție necesită stabilirea unor

intervale restrictive, în care datele din eșantion vor fi încadrate.

Intervalele astfel determinate exprimă o tendință a valorilor de a

coverge local, spre valoarea centrală a fiecărei clase.

Gruparea valorilor în clase de repartiție necesită stabilirea unor

intervale restrictive în care datele din eșantion vor fi încadrate. Intervalele

33
astfel determinate exprimă o tendință a valorilor de a coverge local crescător
sau descrescător, spre valoarea centrală a fiecărei clase.

Amplitudinea a (distanța intervalului de clasă), ce caracterizează

intervalul unei clase, se determină cu relația:

x max −x min
a=
k ,
(25)

unde :
x max - este valoarea cea mai mare din șirul ordonat de date;

x min - valoarea cea mai mică din șirul de date.

Intervalul unei clase va fi deci mărginit de două valori: limita

inferioară și superioară, care se determină cu relații de forma:

j j−1
l inf =l sup ;
j j
l sul =l inf +a⋅j ,
(26)

unde j=1,...,k reprezintă ordinul clasei.

j
Valoarea centrală l c a clasei de repartiție de ordin j se determină cu
relația:

a
l cj=l inf
j
+ + ( j−1 )⋅a
2 .
(27)

Se face specificarea că limita inferioară a primului interval este identică

cu valoarea minimă din șir, iar limita superioară a ultimului interval este
valoarea maximă din șirul ordonat de valori.

Dezvoltarea acestei grupări în clase de repartiție, permite identificarea

valorilor de referință față de care se va interpreta șirul de date conținut în

34
eșantion . Asfel devin mai puțin importante valorile efective (conținute în
eșantion), cât tendința pe care acestea o exprimă, în raport cu grupările
realizate pe criterii statistice. Tendința, este evaluată față de valorile centrale
ale fiecărui intrerval, fapt ce dă noi valențe analizei datelor din eșantion,
constituind o primă abordare probabilistică a observațiilor efectuate. Din
acest punct de vedere se poate spune că devin mai puțin importante datele
efective, crescând semnificația intervalelor în care acestea se grupează,
precum și valoarea centrală a acestor intervale (fig.2.7.).

Efectiv, gruparea în clase de repartiție arată câte din valorile

eșantionului (observațiilor) se încadrează în fiecare din aceste intervale
predefinite.

În cazul obsevațiilor de trafic prezentată în graficul din fig.2.6.,

gruparera în clase de repartiție arată o distribuție de valori conform
reprezentării grafice din fig.2.8.

După cum se poate observa din graficul menționat, se constată că există

deja o ordonare logică a datelor și sunt create premizele formulării unor
aprecieri preliminarii, argumente de valorile conținute în fiecare interval de
grupare.

Modul de variație a unui fenomen analizat prin evaluări statistice este

dat de indicatorul fecvență de repartiție. Sunt două tipuri de frecvențe care
oferă informații distincte privind comportarea șirului de date :

- frecvența de repartiție a datelor (valori aleatorii);

- frecvența cumulată de repartiție a datelor.

n
Numărul de date j de date conținute într-o clasă, reprezintă
frecvența de apariție în clase a valorilor.

f j =n j .
(28)

Raportul dintre numărul de date conținut în clasă și numărul total al

datelor din eșantion reprezintă frecvența relativă. Se determină cu relația:

35
 fj
fr= .
j n
(29)

În statistică se utilizează frecvent și noțiunea de frecvență relativă

procentuală, care se determină cu relația:

fj
f pr = ¿ 100
j n [%] .
(30)
Referitor la frecvențele de grupare în clase, proprietatea acestora de a
reprezenta toate datele din șir permite dezvoltarea relațiilor de evaluare-
verificare globală, relații care constitue în același timp pentru utilizator o
modalitate de verificare a corectitudinii calculelor efectuate, astfel:

n
∑ f j=n;
j=1
n

∑ f r =1 ; j
j=1
n

∑ f pr =100 % j
j=1
(31)

Frecvevența cumulată reprezintă un indicator ce permite evaluarea

repartiției de valori, în contextul global, al întregului set de date dispuse în
interval.

Ca și în cazul frecvențelor de repartiție în clase se disting următoarele

frecvențe cumulate caracteristice:
-frecvența cumulată absolută, determinată cu relația:

r
fc q = ∑ f q ;r ∈ {1 , .. . , k } ;
q=1
(32)

36
 -frecvența cumulată relativă, determinată după criteriu similar, cu
deosebirea că raportarea se face la numărul total de valori din șir, prin relația:

r
1
fc q =
N
∑ f q ;r ∈ {1 , .. . , k } ;
q=1
(33)

-frecvența cumulată procentuală, exprimare mai aproape de domeniu

statistic decât cel al probabilităților, este dată de relația:

r
1
(
fc q =
)
∑ f ⋅100 [ % ] ; r ∈ { 1 ,. . ., k } .
n q=1 q
(34)

Comparat, cele două tipuri caracteristice de exprimare a frecvenței de

apariție în clase a valorilor din eșantionul de date sunt reprezentate grafic în
fig.2.9.

După cum se poate observa indiferent de modalitatea de exprimare

cantitativă (numeric în valori absolute, procentual sau în valori relative),
repartițiile sunt identice ca evoluție pentru fiecare frecvență caracteristică
(absolută și cumulată).

APICAȚIA 2.

În cazul monitirizării de trafic reprezentată grafic în figura 2.7. să se

efectueze gruparea în clase și să se determine frecvențele caracteristice
pentru grupul de parametrii înregistrați:viteza de trafic, caracteristica de
lungime a :”țintei radar” și intervalul de succesiune. Șirul de date
înregistrate de către radar (cele 150 de valori), însoțite de elementele de
identificare a înregistrării (variabila de timp și caracteristica de lungime a
vehiculului), sunt redate integral în Anexa 1, acest șir fiind utilizat și pentru
aplicația 1.

37
 Astfel, pot fi formulate aprecieri privind distribuția câmpului de viteze,
corelat cu condițiile de trafic din teren: de regulă vitezele de deplasare
cuprinse în intervalul 35-45 km/h au cea mai mare pondere și peste 60% din
totalul înregistrărilor, corespunzând domeniului de viteze admis în ciclul de
deplasare urban.

Există însă și valori extreme cauzate de :

- valorile inferioare sunt caracteristice reducerii vitezei de deplasare
în apropierea de semafor;
- valorile superioare sunt specifice tendinței de trecere în perioada de
final a unui verde-galben la semaforul situate în apropierea punctului de
observare.

Este deci important în analiza câmpului de variație a mărimilor

înregistrate, corelarea datelor prelucrate statistic cu condițiile efective de
trafic din teren, aceasta permițând formularea unor aprecieri pertinente, ce
asigură decizii corecte în optimizarea sau organizarea circulației vehiculelor.
Valorile calculate se prezintă în tabelul 2.6.

Tabelul 2.6. Valori calculate (Aplicația 2)

Indicatorul/parametrul Simbol Valoare Obs.

Număr de clase k 8,00 Valoare obținută prin
rotunjire
Media de sondaj m 39,24 km/h
Deviația standard σ 12,56 km/h
Amplitudine clase a 10,00 km/h

Nr. de ord. Valoare Frec. de Frec. Frec.

clase centrală apariție cumulată relativă
K1 15 9 9 0.06000
K2 25 23 32 0.15333
K3 35 45 77 0.30000
K4 45 43 120 0.28667

38
 K5 55 21 141 0.14000
K6 65 7 148 0.04667
K7 75 1 149 0.00667
K8 85 1 150 0.00667

În tabelul menționat s-a considerat ca fiind importanți în ghidarea

mersului rezolvării aplicației, doar pașii de referință parcurși, astfel:

- determinarea numărului de clase k ;

- media statistică de sondaj, pentru a se putea observa poziția
intervalelor cu reprezentare majoră de valori față de acest indicator
al tendinței de grupare;
- deviația standard, la care se constată o valoare apropiată de cea
calculată pentru amplitudinea intervalelor de grupare, constatare
importantă din punct de vedere al concludenței șirului de date
analizat și al observării efectuate.

2.2. NOȚIUNI DE PROBABILITATE

O tendință firească în modelarea și optimizarea sistemelor de trafic o

reprezintă dezvoltarea unor modele (considerate cele mai probabile) care să
reproducă cu maximă fidelitate derularea fluxurilor de vehicule. Și cu atât
mai mult cu cât se pune în discuție identificarea celor mai probabile
evenimente în derularea traficului, este necesar să se apeleze la instrumente
specifice estimației.

Sensibilitatea acestui instrument matematic utilizat în scopul

optimizării mișcării fluxurilor de vehicule, este cu atât mai mare cu cât
nivelul de trafic este mai ridicat și mai puțin previzibil. Desigur nu vom putea
spune cu siguranță că printr-un anumit segment de drum vor trece exact un
anumit număr de vehicule, la o anumită oră și într-o anumită zi din
săptămână. Dar, instrumentul probabilistic de estimare ne va permite să

39
prognozăm cu suficientă fidelitate limitele fluxului de vehicule, raportat la
condițiile de trafic existente sau impuse în modelele dezvoltate.

Sunt câțiva termini specifici teoriei probabilităților care trebuie

explicitați pentru o mai bună înțelegere a noțiunilor tratate în continuare.

- Populație: totalitatea indivizilor (subiecților) care sunt luați în

considerare și au în comun o caracteristică, proprietate comună.
- Eșantion: extrageri din populație (pe criterii în general aleatorii)
destinate să furnizeze informații asupra populației, constituind
astfel suportul deciziei referitoare la populație sau procesul generat
de populație.
- Probă : cantitate prelevată printr-o singură extragere dintr-un
eșantion.
- Valoare observată: măsura unei caracteristici determinate ca
rezultat al observării sau încercării (testării).
- Valoare estimată: valoarea unei caracteristici obținută în urma
estimării unui fenomen (proces) studiat.
- Variabilă aleatoare: variabilă care poate lua orice valoare dintr-un
ansamblu (mulțime) determinat de valori și căreia îi este asociată o
distribuție de probabilitate.
- Repartiția de probabilitate: funcție care determină probabilitatea ca
o v.a. să ia o valoare oarecare sau să aparțină unei mulțimi de
valori dintr-un domeniu de referință considerat.
- Disponibilitate: însușirea unui sistem sau a unui proces de a fi apt
pentru îndeplinirea funcției specificate la un moment dat sau într-un
interval de timp impus.

Teoria probabilităților ia în considerare evenimentul, acesta

reprezentând rezultatul unei experiențe, derulate în variabile condiții. În
general, mediul probabilistic lucrează cu câmpuri de evenimente, adică cu
mulțimi de rezultate individualizate prin valori efective și care pot fi evaluate
singular sau în grup funcție de natura efectivă a analizei.

2.2.1. Legi de distribuție pentru variabile aleatoare de tip discret

40
 Legile de distribuție pentru variabilele aleatoare de tip discret sunt bine
reprezentate în analiza și prognoza traficului rutier, îndeosebi pentru
prelucrarea datelor rezultate din observații, rezultate fie în urma unor
măsurători izolate, fie în urma unor colectări neomogene de date, ce constitue
totuși materialul aflat la dispoziție pentru efectuarea evaluărilor.
De regulă, se ia în considerare la dezvoltarea modelelor de probabilitate
prin legi de distribuție discrete, probabilitatea de producere a unor
evenimente, care nu au o distribuție și o continuitate în timp determinată.
Astfel, orice fenomen a cărui legitate de variație în timp poate fi discutată în
baza a diverse aspecte determinative, poate fi analizat prin intermediul legilor
de repartiție specifice v.a. discrete.

Distribuția binomială: reprezintă din punct de vedere al traficului rutier

un instrument de lucru cu resurse generoase, care permite evaluarea (de tip
probabilistic) de producere a unor fenomene independente, care nu au o
legitate demonstrată de derulare în timp, specific traficului rutier: lungimea
plutonului de vehicule în așteptare la un semfor, numărul de vehicule care
trec printr-o intersecție pe durata de verde în condițiile plutonului neomogen,
numărul de vehicule ce depășesc pe un sector de drum viteza legală de
deplasare, probabilitatea selectării unei rute de deplasare pentru un nod de
artere de trafic, etc.

Conexă problemelor statistice, distribuția binomială permite evaluarea

posibilității de producere a unui fenomen selectat dintr-un câmp de
evenimente probabile, asociind acestei probabilități o șansă de succes sau
insucces.

Indicatorii caracteristici repartiției binomiale sunt :

- probabilitatea de succes a evenimentului, dată de relația:

P ( k , N )=C kN F k ( 1−F )N−k ,

(35)

41
 N!
C kN =
în care : k ! ( N −k ) !
(36)

N – reprezintă numărul total de probe ( elemente ale mulțimii

observațiilor);

k – numărul evenimentelor favorabile;

F- funcția empirică care declanșează evenimentul, poate să fie o

funcție cunoscută sau o funcție al cărui rezultat se determină pe cale
experimentală.
Nu sunt puține cazuri în care valoarea acestei funcții este impusă ca o
probabilitate (rată) de succes a unui eveniment considerat a avea șanse de
apariție.

Indicatorii caracteristici ai acestei repartiții sunt:

- numărul mediu al evenimentelor probababile, se determină cu
relația:

m=F⋅N ,
(37)

- modulul de sondaj al repaetiției este dat de relația:

Mo=( N +1 )⋅F ,
(38)

- abaterea medie pătratică specifică repartiției este de forma:

σ =√ N⋅F⋅( 1−F ) ,
(39)

- momentul probabilității de distribuție, reprezintă un indicator ce

permite evaluarea așteptării (probabilității) de succes a distribuției propuse,

42
reprezentând o modalitate de cuantificare temporală a v.a. discrete, fiind dat
de relația:

N
M ( t )=( 1−F+F⋅e t ) ,
(40)

în care t- reprezintă variabila de timp asociată probabilității funcției

generatoare.

Practic, repartiția (distribuția) binomială dezvoltă pe baza unui algoritm

de probabilitate, frecvențe specifice ce exprimă rata de succes a unui
eveniment. Acest fapt este evidențiat îndeosebi prin intermediul
reprezentărilor grafice, specifice indicatorului de probabilitate (fig.2.10).

Derivat din statistica matematică în general este reprezentată și

frecvența cumulată a probabilității de succes a evenimentelor k. Aceasta
permite o identificare graduată a posibilelor valori accesibile, prin calculele
efectuate.

APLICAȚIA 3.

Se consideră un eșantion format din 17 autovehicule ce urmează să

teacă printr-o intersecție semaforizată. Să se determine care este
probabilitatea de trecere prin intersecție a 0,2,5,7,9,11,15 și 17
autovehicule, cunoscând că funcția ce guvernează această probabilitate
1 3 1 5 7
; ; ;
poate lua valori: 8 8 2 8 și 8 .
Comentariu și rezolvare. În enunțul Aplicației 3, s-a utilizat noțiunea
de funcție de probabilitate, care în fapt reprezintă funcția empirică care poate
guverna rata de succes a evenimentelor (posibilitatea de trecere prin
intersecție a numărului de autovehicule considerat).
Explicit se pune problema densității de probabilitate a ratei de succes a
evenimentului:

43
 prin intersecție trec 0,2,…17 autovehicule dacă funcția empirică ce
1 7
,..,
declanșează evenimentul este: 8 8 . Se menționează că valorile acestei
funcții sunt cuprinse în intervalul [ 0,1 ] .
Rezolvarea aplicației se rezumă la aplicarea strictă a relațiilor: (35)-
(40), valorile obținute fiind prezentate în tabelul 2.7.

Tabelul 2.7. Indicatorii de repartiție calculați

Funcția de probabilitate empirică generatoare F

1 3 1 5
Indicatorul 8 8 2 8
7
8

Media vehiculelor [ veh ] 2,125 6,375 8,5 10,5 14,875

Modul statistic [ veh ] 2,25 6,75 9 11,25 15,75

În Anexa 2 se prezintă tabelar valorile calculate pentru densitatea de

probabilitate precum și cele corespunzătoare funcției cumulative a ratei de
succes a evenimentelor.

Graficul de variație al indicatorului densitate de probabilitate pentru

datele aplicației se prezintă în fig.2.11., în formă compusă (3D), pentru
întregul set de parametrii considerați.

APLICAȚIA 4.

Se consideră un nod divisor de trafic (fig.2.12), în care se efectuează o

observație discretă și prin care într-un interval caracteristic, sosesc în pluton
20 de autovehicule. Admițând valorile funcției empirice acceptate pentru
prognoza încărcării arterelor divizoare de trafic marcate în figura
44
menționată , să se determine probabilitatea de succes a unui număr de
treceri pe arterele I,II,III și IV, astfel: artera I – 8 vehicule, artera II – 5
vehicule, artera III – 3 vehicule și artera IV – 4 vehicule.Pentru
probabilitățile determinate să se calculeze valorile medii și modulul de
sondaj caracteristic.

Comentariu și rezolvare

Aplicând relațiile (35) și (36), se determină probabilitatea de trecere,

valorile calculate fiind prezentate în tabelul 2.8. În mod similar se determină
valorile mediei și momentului de sondaj cu relațiile (37) și (38).
Din analiza datelor obținute, se constată că estimarea are o rată de
succes (deci credibilitate) destul de bună, având în vedere faptul că
diferențele înregistrate în valorile mediei și modulului sunt relative mici, sub
1%.
Rezultatele obținute pot fi extrapolate în scopul efectuării unor evaluări
globale de tipul: probabilitatea încărcării fiecărei artere la un număr de 1000
vehicule sosite în punctul divizor, probabilitatea ca pe una din artere să treacă
un număr de N de vehicule, etc.

Tabelul 2.8. Date inițiale și valori calculate (Aplicația 4)

M3 Mo
Sensul de k F P [ veh/obs ] [ veh/obs ]
Δ=|M−Mo|
¿10−3
deplasare

I 8 0.28 0.092367957 5.88 5.60

−3
2. 8⋅10
II 5 0.22 0.192298636 4.62 4.40 2⋅10−3
III 3 0.37 0.022402648 7.77 7.40
3 .7⋅10−3
IV 4 0.13 0.149064845 2.73 2.60
−3
1. 3⋅10

45
 Toate aceste estimări sunt în măsură să completeze informațiile de
trafic în vederea realizării programelor de estimare propuse.

Repartiția Poisson, este un caz limită al repartiției binomiale, aplicată

în general eșantioanelor formate dintr-un număr mare de observații, atunci
când probabilitatea de succes a unui eveniment este foarte redusă . În
domeniul traficului rutier, această lege de distribuție este utilizată pentru
prognoza accidentelor de trafic sau în cazul prognozei ratei de încălcare a
normelor de conducere preventivă, fiind luate în considerare evenimente de
tipul:
- trecerea pe culoarea roșie a semaforului;
- întoarcerea pe sectoare de drum cu restricție în acest sens;
- forțarea trecerii la nivel peste calea ferată,etc.

În cazul distribuției Poisson, valoarea caracteristică o reprezintă

incidența medie a evenimentului, care are o rată constantă de producere
independentă, dată de relația:

k max
1
λ= ⋅∑ k⋅n k
N k =0 ,
(41)
unde:
k - reprezintă numărul de repetări ale evenimentului;
nk - numărul de probe în care s-a repetat evenimentul;
N- numărul total de evenimente analizate.

Densitatea de probabilitate în apariția evenimentului exprimă șansa

incidenței într-un interval de timp caracteristic sau raportat la un eșantion
reprezentativ și este dată de relația:

46
 k
λ
f ( k < λ )= ⋅e−λ
k! .
(42)

Mediana statistică specifică distribuției Poisson se determină uzual cu

o relație de aproximare de forma :

1 0 , 02
Me=λ+ −
3 λ .
(43)

Probabilitataea de producere a evenimentului sau funcția care

declanșează evenimentul are de regulă valori mici, deci șansa de apariție este
rară, valorile uzuale ale acestei fiind mai mici de 0,1.

Momentul generator al funcției este de forma:

t
( )
P (t , λ )=e λ e −1 .
(44)

Din analiza relațiilor de definire a acestei repartiții se poate constata că

ea reprezintă un caz particular al repartiției binomiale, având la origine
dezvoltarea distribuției Gamma generalizate.

APLICAȚIA 5.

Pentru o intersecție semaforizată, monitorizată video în perioada unei

săptămâni de funcționare (180000 autovehicule), s-au înregistrat prin
tehnica observării de sondaj, trecerile pe culoarea roșie a semaforului.
Cunoscând numărul de autovehicule care au trecut în această perioadă prin
intersecție (180000), precum și rezultatul sondajului privind numărul de
astfel de infracțiuni comise, să se determine probabilitatea de producere a
0,..6 evenimente de acest tip.

47
 Tabelul 2.9. Rezolvarea observațiilor pentru: trecerea pe culoarea roșie
a semaforul.

Numărul de evenimente
k 0 1 2 3 4 5 6
Nivelul de repetare
nk 106 162 58 21 0 2
1

Comentariu și rezolvare

În traficul rutier urban se întâlnesc frecvent situații în care voluntar sau

involuntar, conducătorii auto trec pe culoarea roșie a semaforului. Deși acest
tip de evenimente rutiere are o rată redusă, totuși nu se exclude posibilitatea
apariției acestei infracțiuni. În consecință, trebuie analizat și acest fenomen
iar funcție de rezultatul analizei se pot aplica măsuri care să ducă la
diminuarea acestui fenomen.
Am luat în considerare în acest exemplu un parametru k în măsură
n
să exemplifice amploarea fenomenului analizat: de câte ori pe durate de
observare egale se produc 0,1,2,..6 treceri pe culoarea roșie.
Este important după cum vom observa în urma aplicării algoritmului de
calcul nivelul de incidență al repetabilității trecerilor și astfel se vor putea
formula aprecieri privind riscul apariției fiecărei clase k de fenomene
observate.
Se determină utilizând datele din tabel valoarea parametrului
caracteristic λ .
48
 Aplicând relația (41), se obține înlocuirea numerică și valoarea
calculată alăturată:

1
λ= [ ( 0⋅106 ) + ( 1⋅162 )+.. .+ ( 6⋅1 ) ]=0 , 83022
106+162+58+21+0+2+1

Cunoscând numărul total al observațiilor și valoarea parametrului

caracteristic, se determină valorea indicatorului densitate de probabilitate a
apariției evenimentului cu relația (42), rezultând valorile din tabelul alăturat:

Tabelul 2.10.
Valorile calculate ale indicatorilor de distribuție pentru
repartiția Poisson

k f (k , λ ) P (k , λ )
0 0. 43594789 0.435947891
1 0. 36193813 0. 797886020
2 0.15024641 0. 948132435
3 0. 04157982 0. 989712256
−3
4 8.63023023 ¿10 0.998342486
−3
5 1.43301962 ¿10 0. 999775506
−4
6 1. 98289925 ¿10 0. 999973796

După aceasta sunt permisive formulări ale unor propuneri de măsuri

pentru descurajarea evenimentului, prin metode specifice.
Am dori totuși să nu se creeze o impresie totalitară conform căreia tot
ce trece pe culoarea roșie este o infracțiune voită. Sunt cazuri ce iau
amploare, legate de derularea traficului în condiții de congestie, când
ital presiunea plutonului de vehicule din spate este insistentă sau când
oprirea bruscă, la apariția culorii galbene (trecerea spre roșu) poate cauza
tamponării în lanț. În această situație intervine și problema indeciziei la

49
alternanța galben- roșu care continuă să creeze numeroase discuții
contradictorii privind obiectivitatea sancționării acestui tip de contravenție.
O altă problemă o constitue faptul că o perioadă scurtă de verde creează
un discomfort (stress) conducătorului auto, proporțional cu frecvența opririlor
în vederea apropierii de intersecție, fără ca aceasta să fie depășită, ceea ce
determină tendința de “forțare a trecerii”. Grafic, cei doi parametrii
caracteristici au variația prezentată în figura 2.13.

Concluzie : din analiza rezultatelor obținute, se constată că

probabilitatea de apariție a patru sau mai mult de patru treceri pe culoarea
roșie a semaforului este extrem de rară și poate fi cazul unor evenimente stict
accidentale, ceea ce nu caracterizeză traficul prin zona de semaforizare
propusă.
Dacă însă analizăm incidența ca cel puțin un vehicul, sau două vehicule
să treacă pe culoarea roșie, atunci ținând cont de nivelul ridicat de
probabilitate 0,36 și riscul pe care-l reprezintă acest eveniment pentru
derularea în siguranță a traficului, este cazul să se analizeze eventual calitatea
semaforizării.

APLICAȚIA 6.

Se consideră observarea cu echipament radar a regimului de viteză pe

o arteră urbană. Considerând rezultatele înregistrate, grupate în intervale de
viteze comform tabelului alăturat, să se determine probabilitatea ca viteza
legală admisă să fie depășită cu:10,20, 30, 40 și 50 de km/h.

Tabelul 2.11. Repartiția statistică avitezelor observate.

Interval de 20 30 40 50 60 70 80 90
viteze ¿ - - - - - - - -
[ km/h ] 20 30 40 50 60 70 80 90 100
Nr.
vehicule 2 39 32 41 77 37 14 1 2
încadrate

Comentariu și rezolvare

50
 Depășirea vitezei legale admise constitue o practică cu grave consecințe
asupra siguranței traficului. Fenomenul a luat amploare și este favorizat în
bună măsură de câteva aspecte ce vizează: performanțele dinamice ale
autovehiculelor, psihologia conducătorilor auto (direct legată de grupa de
vârstă), modalitatea de organizare - sistematizare a arterelor de trafic, etc.
Exemplul analizat constitue din acest punct de vedere un rezultat tipic
al înregistrărilor de trafic.
În scopul rezolvării acestei aplicații, se impune în prealabil reducerea ei
la o problemă de tip probabilistic. În acest scop, vom considera o ierarhizare
a evenimentelor k funcție de gradul de risc pe care-l reprezintă. Astfel,
deplasarea sub limita de viteză admisă va fi considerat eveniment de rang 0,
iar depășirea acesteia cu intervale de câte 10 km/h vor constitui evenimente
de rang 1, 6. Efectuând calculele, se obțin datele de trafic prezentate în
tabelul alăturat:

Tabelul 2.12.

Interval de viteze
[ km/h ] ¿ 50 50-60 60-70 70-80 80-90
90-100
k 0 1 2 3 4 5
Nr.vehicule
încadrate 94 77 37 14 1 2
Nk

Utilizând noul tablou de date rezultate în urma reordonării acestora

pentru a răspunde cerinței statistice și de probabilitate, se determină cu relația
(41) valoarea parametrului caracteristic λ:

λ=1,92 .

Se calculează valorile indicatorilor de distribuție, rezultatele obținute

fiind prezentate în tabelul 2.13.

51
 Tabelul 2.13. Valori analitice

k f (k , λ )
P ( k ,λ )
0 0.147 0.147
1 0.281 0.428
2 0.27 0.698
3 0.173 0.871
4 0.083 0.954
5 0.032 0.986

Grafic, variația indicatorilor prezentați în tabelul 2.13., este redată în

figura 2.14.

Concluzie : Din analiza graficelor de variație se constată următoarele:

- incidența depășirii vitezei maxime admise este destul de ridicată, fapt

ce își gășeste o serie de cauze legate de regimul sancționării contravenției
referitoare la viteză (aplicarea de amenzi și puncte de sancționare se face
numai dacă viteza a fost depășită cu minim 10 km/h, deci se circulă la limita
legalității) dar și permisivitatea condițiilor de trafic;
- analiza nu a acoperit complet câmpul probabil de viteze ce pot fi
întâlnite pe sectorul de drum monitorizat, astfel că probabilitatea de a se
înregistra și viteze mai mari 100km/h nu este de neglijat având o rată de
succes de peste 1,4%.
- ponderea relativ ridicată a vitezelor mari, indică un sector de drum cu
o permisivitate mărită și datele trebuie corelate cu evenimentele de trafic
înregistrate în zona de observare, în scopul creșterii siguranței țn trafic.

APLICAȚIA 7.

La monitorizarea unui lot de 150 de vehicule pe durata parcurgerii a

50.000 km, privind înregistrarea unor evenimente de trafic (accidente), s-au
obținut următoarele date pentru 8 momente de monitorizare (evenimente

52
înregistrate în fiecare moment de observare): 1,4,16,24, 0, 1,2,5. Să se
determine probabilitatea de apariție a accidentelor și să se generalizeze
modelul evenimentelor probabile.

Comentariu și rezolvare:
Aplicația propusă analizează incidența producerii accidentelor de trafic,
pe sectoare de drum, supuse monitorizării fie în urma efectuării unor lucrări
de sistematizare – reabilitare, fie prin prisma avertizărilor venite din partea
poliției rutiere. În general se derulează observații care constau în epuizarea
unui parcurs suficient de mare ca să ofere informații relevante din punct de
vedere al datelor de trafic. Practica curentă nu solicită în mod expres
observarea continuă, fiind agreate tehnici de sondare, în intervale discrete de
observare. Astfel, rezultatele înregistrate permit dezvoltarea unor funcții
predictive care să ofere estimări credibile a ratei de producere a accidentelor
de trafic, specifică arealului monitorizat.

Pentru exemplul considerat, valoarea parametrului caracteristic se

determină utilizând relația (41), pentru care înlocuirea numerică ne dă:

1
λ= ( 1+4 +16+0+24 +1+2+5 )=6 ,625
8 .

Densitatea de probabilitate sau rata de producere a evenimentului va fi

determinată cu relația (42), rezultând astfel valori prezentate în fig.2.15.
Din analiza graficului de variație a densității de probabilitate de
producere a evenimentului, se constată că față de valoarea ponderată de 6,625
accidente, cele 150 de autovehicule monitorizate au produs cu o șansă de
probabilitate mai ridicată un accident, astfel că într-un număr redus de cazuri,
lotul de 150 de autovehicule va produce un număr de 4 sau 5 accidente.
Desigur, aici nu analizăm cauzele implicării în accidente ( măsură în
care conducătorul auto a fost autor sau victimă a unei situații de trafic
conflictuale), faptul consumat însă rămâne consemnat ca eveniment de trafic,
cu toate consecințele ce decurg din aceasta: costuri dirtecte, costuri sociale și
perturbări în derularea fluentă a circulației rutiere.

53
 Statistica analizată și concretizată prin repartiția de probabilitate are
însă efect direct din punct de vedere al ingineriei traficului rutier asupra
măsurilor permisive și necesare privind marcarea și semnalizarea
corespunzătoare a tronsonului de drum, astfel ca asemenea evenimente să nu
cunoască o incidență atât de ridicată.

2.2.2. Legi de distribuție pentru variabile aleatoare de tip continuu

Legile de distribuție specifice v.a. continue, sunt destinate modelării

proceselor, în scopul evidențierii modului de variație în timp a fenomenelor
observate. Estimări, prognoze privind dinamica unor evenimente pot fi
formulate cu ajutorul acestui instrument matematic care stă la baza și analiza
unor fenomene de trafic.
Semnificative în modelarea fenomenelor de trafic rutier sunt
următoarele tipuri de distribuții:
- Distribuția exponențială;
- Distibuția normală cu varianta derivată din aceasta de tip log-
normală;
- Distribuția Gamma;
- Distribuția Wiebull.

Este de semnalat că aceste modele de distribuții sunt completate de

ansamblul repartițiilor probabilistice fundamentale, între care repartiția
Gamma are un rol esențial.

Distribuția exponențială, este un instrument matematic frecvent

utilizat în analiza fenomenelor de trafic rutier, caracterizând cu suficientă
relevanță o serie de situații cum sunt:

- fenomenele de așteptare;
- lungimea plutoanelor de vehicule;
- fenomene de variație în timp a traficului;
- evidențierea proceselor specifice determinării capacității de
circulație a arterelor rutiere.

54
 Constitue instrumentul prin intermediul căruia sunt descrise
fenomenele evolutive între evenimente independente continue și cu rată
constantă, reprezentând o formă de explicitare a proceselor stohastice de tip
Poisson.

Parametrul caracteristic al distribuției este inversul mediei de sondaj,

notat cu λ , care exprimă în esență rata constantă specifică (de succes), în
derularea evenimentelor.

Indicatorii caracteristici ai distribuției exponențiale sunt:

-densitatea de probabilitate a evenimentelor dată de relația:

−λx
λ⋅e , x≥0
f x ,λ =
( ) { 0 , x <0 ,
(45)

unde λ reprezintă rata de succes a evenimentului.

-distribuția cumulativă, dată de relația:

− λx
1−e , x≥0
{
F ( x , λ )=
0 , x<0 .
(46)

-indicatorul media distribuției:

1
m=
λ .
(47)

-mediana distribuției:

ln 2
Me=
λ .
(48)

55
 -momentul generator al funcției MF , dat de relația ce conține
explicit variabila de timp:

−1
t
( )
MF ( t , λ )= 1−
λ ,
(49)

unde t este variabila de timp generatoare de funcție.

Densitatea de probabilitate a timpului de funcționare, reprezintă

indicatorul probabilistic cu relevanță deosebită din punct de vedere al
exemplificării distribuției exponențiale, întrucât pune în evidență factorul
λ , rata de succes a evenimentului și oferă informații consistente privind
variația fenomenelor (fig.2.16).

APLICAȚIA 8.

Se consideră observarea de trafic referitoare la incidența virajului la

dreapta într-o intersecție cu fluxul principal de vehicule pe direcția înainte
(fig.2.17). Considerând datele medii de trafic prezentate în (fig.2.16), să se
determine valoarea densității de probabilitate a virajului la dreapta în
ipoteza că prin intersecție trec 1000,2000,…,20000 de autovehicule.

Comentariu și algoritm de rezolvare: Într-o primă etapă de abordare se

impune evaluarea problemei din punct de vedere al datelor inițiale
disponibile. Se constată astfel din fig.2.17., că numărul de vehicule ce intră în
intersecție în intervalul de observare este de 95 (80+15), din care doar 15 vor
efectua virajul la dreapta. Astfel, valoarea parametrului λ , determinat din
relația (47) va fi:

1 15
λ= = =0 , 158 [ %veh ]
m 95 .

56
 Este preferabil ca pașii următori de rezolvare a aplicației să se facă
utilizând mediul de operare Excell, MathCAD sau MATLAB, ce ar ușura
mult sarcina de calcul, având în vedere gradul de dificultate ridicat al
operațiilor necesare. În acest scop se iterează în prima fază variabila de timp.
Utilizând relația (45) se calculează valoarea indicatorului densitate de
probabilitate, rezultatele obținute fiind prezentate grafic în fig.2.18.

x :=1000+ ( i−1 )⋅1000 ; i=1,...,20 .

O particularitate esențială rezidă din evaluarea exponențială a

distribuției virajului la dreapta : la creșterea valorilor de trafic pe artera
principală, ponderea celor care virează scade exponențial astfel încărcarea
suplimentară rămâne pe artera de bază și constitue factor de risc pentru
condițiile de trafic, în timp ce artera secundară va păstra un flux relativ
constant.
Este cazul arterelor ce alimentează zone rezidențiale de cartier sau al
unor artere ce constitue intrări în spații private ( unități economice, ansamblu
de locuințe, parcări private, spații cu caracter social, etc).

APLICAȚIA 9.

Cunoscând că pentru un tronson de drum rapid, rata accidentelor este

de 0,025 evenimente la 100 de vehicule, să se determine valorile
indicatorilor: densitate de probabilitate, valoarea medie accidente, valoarea
mediană și funcția cumulativă de distribuție a accidentelor, valori
corespunzătoare unui trafic de 10.000 vehicule.

Comentariu și algoritm de rezolvare: Din enunțul aplicației poate fi

identificat parametrul rată de succes a evenimentelor λ , care însă trebuie
exprimat în unități convenționale de forma : accidente/veh.:

57
 0 , 025
λ= =2,5⋅10−5 [ accidente /veh ]
100 .

În continuare, aplicând relațiile de calcul (45) – (48), se obțin valorile

indicatorilor ceruți de enunțul aplicației și care sunt prezentați sintetic , cu
referiri la relațiile utilizate în tabelul 2.15.

Tabelul 2.15. Valorile indicatorilor caracteristici calculați

Indicatorul U.M. Valoarea Obs.

calculată
−5
Rata accidentelor acc/veh 2,5⋅10 Rel.
(47)
−5
Densitatea de probabilit acc/veh 1,947⋅10 Rel.
(45)
Valoarea medie accident veh/evenim. 40000 Rel.
(47)
Valoarea mediană caract.veh/evenim. 27773 Rel.
(48)
Funcția cumulativă de - 0,221 Rel. (46)
distribuție

Interpretarea rezultatelor: valorile calculate arată următoarele aspecte

de trafic:

- la fiecare 40000 de vehicule ce rulează pe sectorul de drum, există

probabilitatea producerii unui eveniment de trafic;
- deoarece valoarea mediană este mult coborâtă sub valoarea mediei,
estimarea poate să fie insuficientă și în domeniul de valori : 27773
– flux de 40000 de vehicule există riscul de producere a
accidentelor de trafic;

58
 - valoarea funcției cumulative de distribuție arată totuși că sectorul de
drum este cu risc scăzut ( în condițiile în care acest indicator poate
lua valori în intervalul [ 0,1 ] ).

Distribuția normală, reprezintă un instrument matematic cu o largă

aplicabilitate în estimările și evaluările de trafic rutier. Este utilizată
îndeosebi pentru determinarea condițiilor de trafic specifice unui anumit
segment orar, corelat cu stabilitatea derulării fluxului de autovehicule.

Distribuția poartă denumirea de Gauss-Laplace în memoria marilor

matematicieni clasici ce au dezvoltat teoria și au demonstrat aplicatibilitatea
acesteia pentru determinarea erorilor de măsurare. În exprimarea uzuală mai
poate fi întâlnită sub denumirea de clopotul lui Gauss, datorită formei
caracteristice a variației densității de probabilitate.
Reprezintă cea mai uzuală modalitate de reprezentare cantitativă a unei
multitudini de fenomene naturale, în care se încadrează și cele de trafic rutier.
Este caracterizată prin doi parametri statistici determinați pentru
această disatribuție:
- parametrul de localizare: μ și care reprezintă din punct de
vedere statistic media de sondaj, asociată fenomenului analizat;
- parametrul de sacră (de scalare): σ , care este din punct de vedere
statistic abaterea medie pătratică (deviația standard) a șirului de
date asociat fenomenului analizat.

Caracteristic acestei repartiții este indicatorul densitate de probabilitate

a evenimentului, f ( μ , λ , x ) care se determină cu relația:

( x−μ )2
−
1 2 σ2
f ( μ , λ , x) = ⋅e
σ √2 π .
(50)

59
 Pentru definirea funcției cumulative de distribuție a evenimentelor
probabile, se utilizează expresia integralei Laplace, care permite normarea
funcțiilor caracteristice pentru distribuția normală:

x u2
1 −
2
φ ( x )= ∫ ⋅e du
−∞ √ 2 π .
(51)

Distribuția cumulativă specifică repartiției normale se determină cu

ajutorul integralei Laplace, utilizând relația:

F ( t )=φ ( t−m
σ ) .
(52)

Momentul generator al funcției se determină cu relația:

σ 2 t2

M ( t )=e
( mt +
2 )
.
(53)

Din punct de vedere al aplicațiilor destinate analizei traficului rutier, o

importanță deosebită o reprezintă indicatorul: densitate de probabilitate a
ratei de succes a evenimentelor. Aceasta permite identificarea caracteristicilor
traficului rutier derulat în intervale de timp din punct de vedere al încărcării
arterelor, permițând estimarea privind: derularea unui trafic constant sau
fluctuant , funcție de încadrarea în rata de normalitate (fig.2.19).
Corespunzător indicatorului densitate de probabilitate , distribuția
cumulativă a ratei de succes a evenimentelor de probabilitate normală sunt
prezentate în fig.2.20.

60
 APLICAȚIA 9.

Se consideră observarea de trafic, derulată cu contoare automate,prin

care s-au înregistrat volumele de vehicule care trec în intervale de timp
normate, pe o arteră de trafic. În urma înregistrărilor s-a solicitat
determinarea caracterului încărcării arterei rutire monitorizate, privind
consistența traficului și identificarea perioadelor cu un trafic caracteristic,
atât pentru totalul vehiculelor înregistrate cât și pentru pincipala categorie
de participanți la trafic pe artera respectivă (autoturisme). Datele de trafic
înregistrate sunt prezentate în tabelul 2.16.

Tabelul 2.16. Observare automată de trafic în două zile

consecutive.

Ora

Ziua I 7– 8 – 9 – 10 – 11 – 12 – 13 – 14 – 15 – 16 – 17 – 18
8 9 10 11 12 13 14 15 16 17 18 19
Veh.total 634 816 778 820 880 918 858 848 939 956 1078 977
din care
turisme 556 712 694 706 766 751 721 701 785 948 873 854
Ziua II
Veh.total687 761 798 855 842 860 882 836 943 1018 1025 975
din care
turisme585 650 720 755 702 748 749 693 821 917 936 894

Comentariu și algoritm de rezolvare: Problema prelucrării datelor de

trafic nu este simplă şi gradul de complexitate nu este determinat de volumul
datelor de trafic prelucrate. Desigur, cu cât volumul de date este mai mare, cu
atât sarcina operatorului (statisticianului) este mai amplă. Sunt însă o serie de
algoritmi care de altfel stau la baza unor programe soft de prelucrare a datelor

61
de trafic și care vin în ajutorul operatorilor, contribuind la reducerea
semnificativă de efort uman și timpul alocat acestor activități.
În consecință, pentu exemplificarea repartiției normale vom lua în
cosiderare setul de date ordonat statistic, pregătit pentru determinarea
indicatorilor primari.
După cum se poate constata din figura 2.21., datele de trafic înregistrate
prezintă fluctuații orare, atât pentru valorile totale de trafic cât și în ceea ce
privește participantul major la trafic.
Conform enunțului aplicației, în prima fază se impune ordonarea
crescătoare a șirului de valori, această organizare a șirului de date nu va
afecta cocludența rezultatelor obținute, deoarece, în acest caz, variabila de
timp analizată o reprezintă volumele orare de trafic și nu momentul din zi la
care s-a efectuat înregistrarea.
Aplicând relațiile statistice cunoscute, se determină valoarea celor doi
parametrii caracteristici ai repartiției normale: media de sondaj și abaterea
medie pătratică, pentu cele două seturi de date selectate: valori totale trafic și
participația automobilelor la trafic. Cu aceste date statistice, se calculează
valoarea indicatorilor: densitate de distribuție și distribuția cumulativă,
rezultatele obținute fiind prezentate grafic în figurile 2.22. și 2.23.
După cum se poate observa, valoarea maximă a densității de
probabilitate a volumelor de vehicule, corespunde mediei statistice de sondaj,
a cărei valoare calculată a fost de 874,33 veh/h. În cazul autoturismelor,
centrarea spre valoarea medie este mai pronunțată, fapt argumentat și de
apropierea maximului densității de probabilitate de media statistică de sondaj
(759,875 veh/h). Aceste constatări arată cu prisosință ( precum și graficul de
variație al indicatorului) că încărcarea arterei de trafic urmează o lege de
distribuție normală, ce poate avea următoarele consecințe din punct de vedere
al traficului derulat:
- componența traficului este relativ constantă pe parcursul
săptămânii;
- artera de circulație este utilizată (încărcată) uniform și predictibil;
- sectorul de drum este permisiv unor planuri de optimizare privind
creșterea fluenței traficului.

62
 Distribuția log-normală

Este derivată din legea de distribuție normală și permite modelarea cu

mai multă fidelitate a derulării fluxurilor de vehicule pe arterele rutiere, unde
se pot identifica cu frecvență mai redusă situațiile în care se identifică trafic
staționar, de rată normală.
În general, particularitatea constă în modul de exprimare a valorii
exponențialei, în condițiile în care parametrii caracteristici sunt aceeași ca și
în cazul distribuției normale.

Densitatea de probabilitate a evenimentelor se determină cu relația:

( ln x −m )2
1 2σ 2
f ( x ,m , σ )= ⋅e
xσ √ 2 π .
(54)

Media de repartiție log-normală, se detrmină cu relația:

σ2
μ+
2
m=e ,
(55)

unde μ - reprezintă media statistică parametrică rezultată din

prelucrarea datelor din eșantion.

Mediana repartiției este de forma:

Me=e μ .
(56)

Modul de repartiție fiind în acest caz:

2
Mo=e μ−σ .
(57)

63
 Distribuția cumulativă, derivă și în acest caz din laplacianul corectat
cu modul de variație al variabilei de timp:

ln t−m
F ( t )=φ ( σ ) .
(58)

Spre deosebire de cazul distribuției normale, pentru distribuția log-

normală se pot identifica variații ale indicatorului densitate de probabilitate
care apropie interpretarea indicatorilor de alte distribuții probabile (fig.2.24.).

Distribuția cumulativă, însumează rata evenimentelor probabile și

permite identificarea modului de adiție în termeni de probabilitate,
contribuind la identificarea gradului de succes (de realizare) a fenomenului
analizat (fig.2.25).

Practic, acest indicator este mai des utilizat în cuantificarea efectului

distribuției log-normale asupra volumelor de trafic, sau a evenimentelor
probabile. În cazul analizei traficului derulat pe artere divizoare sau în cazul
identificării probabilității de trecere la semafor, această lege de distibuție
poate oferi un suport eficient, cu condiția aplicării în cazul unui trafic de rată
variabilă a densității de vehicule.

Distibuția Gamma – generalizată

Reprezintă o distribuție specifică variabilelor aleatoare continue, cu

aplicabilitate semnificativă în dezvoltarea aplicațiilor referitoare la teoria
așteptării, sau în cazul analizei proceselor, dezvoltate pe criterii statistice.
Este caracterizată de prezența a doi parametrii ce definesc această distribuție:

α - parametrul de formă care permite identificarea variației

indicatorilor de probabilitate caracteristici și valorile acestui parametru pot
duce la asocierea acestei distribuții cu cea exponențială, sau Weibull sau în
unele cazuri ( mai rar) distibuția normală.

64
 β - parametrul de scară, ce determină domeniul de valori a
indicatorilor identificați; în mod curent valoarea acestui parametru duce la
apropierea distribuției de cea exponențială.

Este generată prin intermediul funcției Gamma, caracterizată de

relația:

∞
Γ ( x )=∫ t x−1⋅e−t dt
0 .
(59)

Funcția prezintă câteva caracteristici ce sunt valorificate în dezvoltarea

distribuției de tip Gamma.

Γ ( n+1 )=n!=n ( n−1 ) ( n−2 )⋅. ..⋅2⋅1;

Γ ( 0 )=1 ;
∞
1 2

()
Γ = √ π =∫ e−u du
2 −∞ .
(60)

Densitatea de probabilitate pentru această această distribuție se

determină cu relația (fig.2.26):

α −βx
β ⋅e
f ( x , α , β ) =x α−1
Γ ( α) , x>0 .
(61)

Distribuția cumulativă este dată de relația (fig.2.27) :

x
F ( x ,α , β )=∫ f ( x , α , β ) dx
0 .
(62)

65
 Distribuția Weibull

Este considerată ca fiind cuprinzătoare din punct de vedere al

fenomenelor observate, aceasta “simulând” cu aceeași precizie de
determinare , evenimente ce urmează o distribuție de tip exponențial sau
normal. Este în general mai puțin aplicată pentru analizele dezvoltate în
domeniul traficului rutier unde se pornește în general de la premiza “intuirii”
unei distibuții a evenimentelor probabile în baza datelor statistice colectate.
Specifică distribuțiilor de tip continuu este particularizarea prin
prezența a trei parametrii caracteristici:

- k - parametrul de formă, număr real pozitiv, care identifică

modul de variație a indicatorilor caracteristici;
- λ -parametrul de scară ce identifică domeniul în care indicatorii
caracteristici iau valori, fiind de asemenea un număr real pozitiv;
- θ -parametrul originii de timp, acesta fiind luat în considerare ca
și variabilă îndeosebi în cazul analizelor statistice de tip
demografic, sau în cazul raportării analizelor la populația originală
ce face obiectul evaluării de probabilitate.

În cele mai frecvente analize de tip Weibull, se apreciază valoarea

parametrului originii de timp ca fiind nulă, caz în care se ia în considerație
distribuția:Weibull biparametrică.

Indicatorul densitate de probabilitate a evenimentelor posibile se

determină cu relația:

k
( t−θλ ) , t ≥0
{
k−1
k t −θ −

( )
f (t , k , λ , θ)= λ λ
⋅e

0 ,t <0 .
(63)

66
 În cazul distribuției biparametrice, relația caracteristică pentru
determinarea densității de probabilitate a evenimentelor este de forma:

k
( tλ )
{
k −1
k t −

()
f ( t , k , λ )= λ λ
⋅e ,t ≥0
0,t<0 .
(64)

Funcția cumulativă caracteristică distribuției Weibull biparametrice

este de forma:

k
t
(
F ( t )=1−e λ
−)
.
(65)

Reprezentarea grafică a variației indicatorului caracteristic permite

evidențierea afirmațiilor anterioare privind capacitatea de „ simulare” a
distribuțiilor de tip normal și exponențial (fig.2.28).

APLICAȚIA 10.

Se consideră sondajul de trafic privind distribuția numărului de

vehicule în așteptare la semafor, pe durata unei zile. Cunoscând valorile
medii orale detaliate pentru perioada de funcționare a semaforului, să se
determine legea de distribuție probabilă pentru încadrarea de probabilitate
a fenomenului analizat (tab.2.17).

Tabelul 2.17. Nr. mediu de vehicule în așteptate la fiecare ciclu T de

semaforizare

Interval orar h 6,00 7,00 8,00 9, 00 10,00 11,00 12,00 13,00

7,00 8,00 9,00 10,00 11,00 12,00 13,00 14,00
67
Nr.mediu Veh/T 1 2 7 8 8 5 4 6

Interval orar h 14,00 15,00 16,00 17,00 18,00 19,00 20,00 21,00
15,00 16,00 17,00 18,00 19,00 20,00 21,00 22,00
Nr.mediu Veh/T 4 3 2 4 1 3 1 1

Comentariu și algoritm

Pentru rezolvarea aplicației este necesară o analiză prealabilă a datelor

existente în concordanță cu formularea cerinței de rezolvare. În acest caz,
pentru evidențierea încadrării în repartiția Weibull, este necesară
determinarea valorii parametrilor caracteristici: parametrul de formă și
Parametrul de scară. Deci se poate considera că aplicația face referire la
“feed-back-ul” determinării de tip Weibull.
De asemenea, considerând că fenomenul se încadrează în grupa
distribuțiilor continue de probabilitate, apare necesitatea stabilirii unei forme
de exprimare unitară, coerentă a variabilei de timp. Alegând ca unitate de
exprimare a timpului minutele, rezultă că observațiile au fost defalcate în
intervale de 60 de minute și în consecință durata totală de observare a fost de
960 minute. Cu aceste specificări tabelul 2.17. va fi de forma (v. Tab.2.18):

Tabelul 2.18. Nr. mediu de vehicule în așteptare la fiecare ciclu T de

semaforizare, detaliat pe durata de observare

60 – 120 – 180 – 240 – 300 – 360 – 420 –

Interval orar h 0 – 60
120 180 240 300 360 420 480
Nr. mediu Veh/T 1 2 7 8 8 5 4 6
480 – 540 – 600 – 660 – 720 – 780 – 840 – 900 –
Interrval orar h

68
 540 600 660 720 780 840 900 960
Nr. mediu Veh/T 4 3 2 4 1 3 1 1

Se constată ca și în cazul legii de distribuție Weibull, este foarte

important a se determina parametrii caracteristici k , λ și θ . În acest
scop literatura de specialitate pune dispoziție câteva metode din care
amintim: metoda analitică (numerică), metoda grafo- analitică și metoda
grafo- analitică modificată.
Metoda analitică este bazată pe estimarea și verificarea celor trei
parametrii, utilizând în acest scop un algoritm destul de laborios care necesită
în cele mai multe dintre cazuri calculatoare numerice pentru evaluarea
indicatorilor caracteristici.
Tehnica analitică de determinare a coeficienților și estimare a
indicatorilor este utilizată în două variante: determinarea punctuală și
determinarea prin intervale de încredere.
Evaluarea indicatorilor pe cale analitică impune respectarea unui
algoritm de determinare atât acestora cât și a parametrilor caracteristici.
Metoda grafo-analitică se bazează pe utilizarea rețelelor de
probabilitate de tip Weibull, fiind utilizate următoarele situații:
- există un număr relativ mic de date observate;
- repartiția este necunoscută, cazul unor fenomene nou studiate;
- necesitatea efectuării unor prime evaluări estimative cu caracter
informativ în vederea prelucrării ulterioare, riguroase prin metoda
analitică;
- situațiile care necesită o testare rapidă, în vederea verificării
conformității cu prescripțiile impuse prin programul de dirijare a
circulației sau în scopul obținerii unor viziuni de ansamblu asupra
rezultatelor sau de optimizare a semaforizării.

În elaborarea metodei grafo – analitice se are în vedere echivalența

ecuațiilor:
k 1
−(
R ( t ) =e λ
t−θ
)
;
(
ln ln
)
R (t )
=β ln ( t−k )− λ ln θ
;
(66)
Y =βX +C .

69
 După cum rezultă din echivalențele (66), între termenii ln ( ln R ( t ) ) și
ln ( t−k ) se stabilește o corelație de tip liniar. Practica utilizării metodei
apelează la funcția de defectare F ( t ) , distribuția cumulativă a
evenimentelor probabile, astfel încât în toate dezvoltările aplicative din
domeniu, vom regăsi acest indicator. Se trasează dreapta Weibull funcție de
F ( t ) și t−k (fig.2.29).
O metodologie de rezolvare a aplicațiilor referitoare la repartiția
Weibull, respectă următorul algoritm:
- calculul valorilor funcției F (t ) ;
- trasarea graficului funcției F ( t ) funcție de t−k ,
considerându-se că α=0 și se obține curba l;
- pe aceeași diagramă se trasează trei drepte echidistante paralele la
axa parametrului t-k, care vor intersecta curba l în trei puncte
natate A,B și C;
-
t ,t ,t
se determină valorile abscisei celor trei puncte A,B,C: A B C ;
- cu aceste valori se recalculează parametrul α , avându-se în
vedere că linia curbă l se va transforma cu noul parametru într-o
dreaptă de tip Weibull.Se va avea în vedere că α verifică
ecuația:

t A t C −t 2B
k=
t A−2t B +t C .
(67)
- determinarea parametrului η se face astfel: utilizând următorul
raționament: pentru Y =0 se obține η=t−k , deci valoarea
η este valoarea citită în punctul de intersecție al dreptei Weibull
cu axa t -k;
- determinarea parametrului λ se face ținând cont de faptul că
acesta reprezintă chiar panta dreptei Weibull:

70
 λ=tgθ0 .
(68)

Practic se procedează astfel: din punctul de intersecție al dreptei

Weibull cu orizontala se ridică abscisa pe scara OX , se dă o variație de o
unitate pe axa X , după care se coboară până la intersectarea dreptei
Weibull, pe orizontală citindu-se tocmai valoarea coeficientului λ .
Deoarece dezvoltarea matematică a algoritmului este suficient de
laborioasă, se propune rezolvarea aplicației (urmând pașii explicitați) în
mediul MathLAB, în vederea determinării valorilor parametrilor
caracteristici.
Algoritmul dezvoltat permite vizualizarea graduată a rezolvării
aplicației, constituind un real suport în predicția distribuției de vehicule ce
sosesc într-o intersecție. Utilizând interfața de operare , se introduc datele
inițiale și se lansează comenzile de execuție pentru determinarea parametrilor
caracteristici (fig.2.30).
După cum se poate observa din fig.2.30 , calculul parametrilor
caracteristici ai repartiției oferă rezultate cu cinci zecimale, considerate
suficiente pentru relevanța aplicabilității la un larg spectru de aplicații.
Pașii de rezolvare a aplicației constau în:
- stabilirea numărului de intervale de discretizare a domeniului de
timp, funcție de intervalul caracteristic;
- introducerea datelor inițiale în format impus, conform cerințelor
aplicației;
- lansarea comenzii de trasare grafică a variației indicatorului R ( t ) ,
funcția de distribuție a evenimentului favorabil (fig.2.31)
- lansarea comenzii de calcul a parametrilor caracteristici: parametrul de
formă notat în program cu beta și parametrul de scară (în aplicație notat cu
lambda);
- reprezentarea grafică a distribuției Weibull trasată cu datele de
program calculate (fig.2.32).

Aplicația permite vizualizarea în prealabil a parametrului caracteristic

ce face corelarea între metoda grafo – analitică și metoda pur matematică de
calcul (parametrul calculat este indicat în fig.2.30 cu a).

71
 Suplimentar , această aplicație permite identificarea nivelului de
relevanță al încadrării distribuției de date în modelul Weibull. În acest sens
este utilizat testul Hi pătrat , test care face corelația între rezultatele
experimentale și cele calculate. În fereastra de operare a aplicației, câmpul
destinat acestei etape de rezolvare este notat cu C.
Testul oferă atât informația analitică, cât și informația grafică, rezultată
din trasarea pe același grafic a funcției R ( t ) calculată și determinată
analitic (fig.2.33).
După cum se poate constata din rezultatul obținut în urma aplicării
testului de concludență, distribuția timpilor de așteptare la semafor, corelat cu
numărul de vehicule în așteptare , poate fi analizată cu ajutorul repartiției
Weibull. Valoarea Hi pătrat obținută indică o abatere de 1,8680% (sub 2%),
valoare acceptabilă în condițiile unei analize de trafic.
Se recomandă algoritmii Weibull în analizele de trafic deoarece în mod
automat, funcție de valorile de calcul obținute se poate face trecerea spre alte
legi de distribuție anlizate anterior: distribuția exponențială, distribuția
normală și distribuția log-normală. În acest mod, se asigură trecerea de la
modelele generalizate (Weibull) la modelele particulare care sunt întâlnite
fecvent în modelările de trafic.
Rezultatele obținute pentru aplicația 10 se prezintă sintetic în tabelul
2.19.

Tabelul 2.19. Centralizatorul valorilor calculate pentru

Aplicația 10.

Indicatorul Lambda Parametrul Parametrul Testul

de formă de scară Hi pătrat

Simbol λ β α

%
U.M. - Veh/h Veh/h %
−2
Valoare 4 ,6932⋅10 2,1485 1,8756
1,8669

72
COLECTAREA ȘI PRELUCRAREA
DATELOR ÎN TRANSPORTURI

73
74