Documente Academic
Documente Profesional
Documente Cultură
PRELIMINARII
PROBABILITĂȚI. VARIABILE
ALEATOARE
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.
Exemplu
Se aruncă un zar de două ori. Să se determine probabilitățile
evenimentelor:
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 .
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.
(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:
3
(c ) σ ( A )=σ ( A ) .
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 .
(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 .
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
VARIABILE ALEATOARE
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
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 ) .
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.
(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
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 .
t
F ( t )= ∫ ρ ( x ) dx
−∞ , se numește densitatea de
repartiție a v.a. f .
10
Teoremă: Funcția de repartiție are următoarele proprietăți:
1. ρ ( t ) ≥0 ;
∞
2.
∫−∞ ρ ( t ) dt=1 ;
b
p ( a≤t <b )=∫ ρ ( x ) dx
3. a ;
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
1) REPATIȚIA 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
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, .. . .
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
( 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.
0 , x <0
ρ ( x)= {
λe− λx , x≥0 , unde λ>0 .
5) REPARTIȚIA GAMMA
0 , x≤0
ρ ( x) =
{ 1
Γ ( α +1 ) β α +1
x α
e
−
x
β
, x≥0
, unde α>−1; β >0 .
15
0 , x≤0
ρ ( x ) =ρm−1,1 ( x ) =
{ 1
Γ (m)
x m−1 e−x , x> 0
.
∞
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 .
∞ x
1 itx α
−
β −α −1
ϕ f ( t )= α +1 ∫ e x e dx=. ..=( 1−iβt )
Γ ( α+1 ) β 0 .
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
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
- 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 .
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:
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 .
n 1 n
g= (∏ ) √ ∏
i=1
n
xi =
n
i=1
xi
.
(2)
19
n
h= n
∑ x1
i=1 i .
(3)
n
∑ xi k i
m p = i=1n
∑ ki
i=1 .
(4)
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:
(9)
1
√
σ = ∑ ( x i−m )
n i=1
2
Tabelul 2.1.
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%
n
1
D= ∑ ( x −m )2
n i=1 i .
(10)
n
1
D= ∑ ( x i−m ) 2
n−1 i=1 .
(11)
(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:
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.
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)
unde
μ3 - reprezintă momentul centrat de ordinul trei, determinat cu
relația:
25
n
1
μ3 = ∑ ni ( xi −m )3
n i =1 .
(19)
2
( μ4)
β 2=
( σ 2 )3 ,
(20)
APLICAȚIA 1.
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
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.
28
Valoarea centrală km/h 52.50 Se aplică relația (8).
5
Momentele centrate 48.000 ; 1. 403⋅10
de ordinul 1 și 3
Se aplică (18); (19) și (20).
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.).
31
k=1+3 ,322⋅lg ( n ) .
(21)
1
2 5
k 1 =4⋅[ 0 ,75⋅( n−1 ) ] .
(22)
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.
Mărimea eșantionului
N <150 N >150
N >150
32
(Shapiro-Wald)
k k1
k2
Alegerea uneia din cele trei valori recomandate pentru numărul claselor
de grupare, se face funcție de dimensiunea N a eșantionului .
33
astfel determinate exprimă o tendință a valorilor de a coverge local crescător
sau descrescător, spre valoarea centrală a fiecărei clase.
x max −x min
a=
k ,
(25)
unde :
x max - este valoarea cea mai mare din șirul ordonat de date;
j j−1
l inf =l sup ;
j j
l sul =l inf +a⋅j ,
(26)
a
l cj=l inf
j
+ + ( j−1 )⋅a
2 .
(27)
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.).
n
Numărul de date j de date conținute într-o clasă, reprezintă
frecvența de apariție în clase a valorilor.
f j =n j .
(28)
35
fj
fr= .
j n
(29)
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)
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)
r
1
(
fc q =
)
∑ f ⋅100 [ % ] ; r ∈ { 1 ,. . ., k } .
n q=1 q
(34)
APICAȚIA 2.
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.
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
39
prognozăm cu suficientă fidelitate limitele fluxului de vehicule, raportat la
condițiile de trafic existente sau impuse în modelele dezvoltate.
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.
41
N!
C kN =
în care : k ! ( N −k ) !
(36)
m=F⋅N ,
(37)
Mo=( N +1 )⋅F ,
(38)
σ =√ N⋅F⋅( 1−F ) ,
(39)
42
reprezentând o modalitate de cuantificare temporală a v.a. discrete, fiind dat
de relația:
N
M ( t )=( 1−F+F⋅e t ) ,
(40)
APLICAȚIA 3.
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.
APLICAȚIA 4.
Comentariu și rezolvare
M3 Mo
Sensul de k F P [ veh/obs ] [ veh/obs ]
Δ=|M−Mo|
¿10−3
deplasare
45
Toate aceste estimări sunt în măsură să completeze informațiile de
trafic în vederea realizării programelor de estimare propuse.
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.
46
k
λ
f ( k < λ )= ⋅e−λ
k! .
(42)
1 0 , 02
Me=λ+ −
3 λ .
(43)
t
( )
P (t , λ )=e λ e −1 .
(44)
APLICAȚIA 5.
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
1
λ= [ ( 0⋅106 ) + ( 1⋅162 )+.. .+ ( 6⋅1 ) ]=0 , 83022
106+162+58+21+0+2+1
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
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.
APLICAȚIA 6.
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
λ=1,92 .
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
APLICAȚIA 7.
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.
1
λ= ( 1+4 +16+0+24 +1+2+5 )=6 ,625
8 .
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.
- 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.
−λx
λ⋅e , x≥0
f x ,λ =
( ) { 0 , x <0 ,
(45)
− λx
1−e , x≥0
{
F ( x , λ )=
0 , x<0 .
(46)
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)
APLICAȚIA 8.
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.
APLICAȚIA 9.
57
0 , 025
λ= =2,5⋅10−5 [ accidente /veh ]
100 .
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 ] ).
( 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)
F ( t )=φ ( t−m
σ ) .
(52)
σ 2 t2
M ( t )=e
( mt +
2 )
.
(53)
60
APLICAȚIA 9.
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
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
( ln x −m )2
1 2σ 2
f ( x ,m , σ )= ⋅e
xσ √ 2 π .
(54)
σ2
μ+
2
m=e ,
(55)
Me=e μ .
(56)
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)
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.
∞
Γ ( x )=∫ t x−1⋅e−t dt
0 .
(59)
()
Γ = √ π =∫ e−u du
2 −∞ .
(60)
α −βx
β ⋅e
f ( x , α , β ) =x α−1
Γ ( α) , x>0 .
(61)
x
F ( x ,α , β )=∫ f ( x , α , β ) dx
0 .
(62)
65
Distribuția Weibull
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)
k
t
(
F ( t )=1−e λ
−)
.
(65)
APLICAȚIA 10.
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
68
540 600 660 720 780 840 900 960
Nr. mediu Veh/T 4 3 2 4 1 3 1 1
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)
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.
%
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