C2 - Indicatori Statistici

SISTEME AVANSATE DE TRANSPORT RUTIER
1. INSTRUMENTE MATEMATICE DE ANALIZĂ A FLUXURILOR RUTIERE
Autor: Daniela FLOREA

Viaţa modernă este confruntată cu situaţii contradictorii: cu cât mai des suntem în
criză de timp, cu atât mai mult suntem puşi în situaţia de a aştepta: la supermarket,
la bancă sau oricare alt serviciu, la accesarea internet-ului sau când apelăm un
număr prin telefon. Dar, cel mai des, aşteptările din traficul rutier urban, de la
intersecţii sau trecerile de pietoni şi parcări, precum şi la apariţia situaţiilor de urgenţă
pe orice drum (un accident, un blocaj de circulaţie) pot genera multe minute de
întârziere pentru oricare dintre participanţii la trafic.
Inginerul de trafic se confruntă cu o problemă majoră pe care trebuie să o rezolve,
problema apariţiei şi dizolvării şirurilor de aşteptare sau cozilor. Rezolvarea acestui
tip de problemă se realizează pe baza analizei fluxurilor rutiere cu ajutorul teoriei
probabilităţilor şi statisticii matematice.
Multe dintre serviciile urbane se confruntă cu incertitudini privind timpul de
producere, tipul, locaţia şi mărimea cererii de transport. Poate fi amintit, de exemplu,
că asistenţa de urgenţă - asigurată de poliţie, ambulanţă, pompieri şi servicii de
intervenţie sau utilizarea de către acestea a amenajărilor rutiere publice şi private
diferă de la o zi la alta.
Inginerii de trafic cunosc faptul că există modele statistice care permit estimarea
numărului de călătorii care sunt efectuate în anumite intervale de timp. Dar
localizarea şi momentul exact al unei cereri particulare de transport nu pot fi
prognozate. Aceste incertitudini pot cauza congestia sistemului chiar şi atunci când,
capacitatea de circulaţie, exprimată ca valoare medie, este asigurată. Analiza acestei
categorii de date se realizează folosind variabilele aleatoare.
1.1. SĂ NE REAMINTIM DE STATISTICA MATEMATICĂ

Cercetarea statistică reprezintă procesul de cunoaştere a fenomenelor de masă
cu ajutorul metodelor statistice. Ea se desfăşoară în trei etape sau faze succesive:
1. culegerea datelor sau observarea statistică;
2. prelucrarea datelor primare şi obţinerea indicatorilor statistici şi derivaţi;
3. analiza şi interpretarea rezultatelor prelucrării.
Etapele cercetării statistice trebuie organizate astfel încât să reducă la minimum
riscul unei erori de culegere, prelucrare şi analiză.
1.1.1. Culegerea datelor statistice

Observarea statistică constă în culegerea, după criterii bine stabilite a valorilor
caracteristicilor prevăzute în programul cercetării, de exemplu:
• înregistrarea volumelor de trafic pe în anumite intervale de timp,
• înregistrarea vitezelor vehiculelor unui flux rutier sau înregistrarea vitezei unui
autovehicul pe anumite porţiuni de drum,
• înregistrarea intervalelor de timp sau spaţiu dintre vehiculele care se succed
într-un flux de circulaţie,
• înregistrarea numărului de vehicule care trec printr-o secţiune a unui drum, etc.
În procesul observării statistice, datele trebuie să îndeplinească anumite condiţii:
6
PARTEA I - Managementul fluxurilor rutiere
• condiţia de volum care presupune culegerea datelor după un program care

să asigure relevanţa cercetării;
• condiţia de calitate care impune înregistrarea unor date autentice, reale,
care nu prezintă erori.
Observarea statistică este o acţiune care necesită pregătirea resurselor umane
ce vor fi folosite pentru colectarea datelor, dar şi resurse materiale adecvate, care nu
sunt foarte ieftine (de exemplu, radare pentru înregistrarea vitezelor sau aparatura de
supraveghere şi înregistrare a traficului care să ofere valori ale fluxurilor rutiere, dar
şi cronometre şi aparatură de măsurare a distanţelor).
Astfel, proiectarea unei observări statistice trebuie să ţină seama de rezolvarea
unor probleme metodologice şi organizatorice.
1.1.1.1. Programul observării statistice

Programul observării statistice cuprinde următoarele elemente de bază:
• Scopul observării, subordonat celui al cercetării statistice, constă în
enunţarea obiectivelor prevăzute a fi realizate.
• Obiectivul observării îl constituie populaţia cercetată, de exemplu,
cercetarea circulaţiei rutiere pe o singură bandă de circulaţie sau pe toate
benzile, pe un singur sens sau pe ambele sensuri de pe o arteră rutieră.
Trebuie specificată locaţia, dar şi intervalul de timp.
• Unitatea de observare, o oră, o zi sau alt interval de timp definit.
• Programul observării: constă în stabilirea tuturor caracteristicilor care trebuie
să fie înregistrate, a modalităţilor de culegere a datelor. Programul se poate
concretiza prin întrebări, care sunt înscrise în formulare statistice – fişe în
cazul unei singure unităţi de observare şi liste, în cazul mai multor unităţi de
observare.
• Formulare şi instrucţiuni de înregistrare. Fişele şi listele trebuie însoţite de
instrucţiuni sau recomandări metodologice şi tehnice imprimate direct pe
formular sau în anexe.
• Timpul de observare – se poate referi la:
o Un moment critic care să surprindă fenomenul în mod static;
o O perioadă mai mare, o săptămână, o lună sau chiar un an, pentru
observările de tip continuu.
Timpul cât durează înregistrarea este funcţie de volumul înregistrărilor,
consistenţa programului, numărul de persoane implicate.
• Locul unde sunt raportate – de obicei coincide cu locaţia organizatorului
cercetării statistice.
• Probleme organizatorice – sunt luate în considerate pentru a asigura
condiţiile impuse unei cercetări de acest tip. Se studiază materialele obţinute
din cercetări anterioare similare, lista locaţiilor de înregistrare, hărţi, etc.
Observarea statistică se realizează întotdeauna pe baza măsurătorilor sau
observaţiilor directe asupra fenomenului supus cercetării.
1.1.1.2. Metode de observare statistică

După modul de organizare, observaţiile statistice pot fi:
• Observări permanente realizate cu ajutorul aparaturii de înregistrare;
7
• Observări speciale: recensăminte sau anchete de circulaţie.

După momentul când se realizează:
• Curente
• Periodice (la un anumit interval de timp – recensăminte);
• Unice sau observări speciale se referă la consemnarea statistică a unui
eveniment repetabil.
După numărul unităţilor înregistrate:
• Totale – în care se culeg informaţii sub forma rapoartelor sau recensămintelor,
de la toate unităţile (ex. unităţi de transport dintr-o anumită ţară sau regiune).
1.1.1.3. Erorile de observare statistică

În situaţia în care, în urma înregistrării datelor, se constată că acestea nu
concordă cu realitatea, neconcordanţele se încadrează în erorile de observare.
Influenţa acestor erori asupra cercetării statistice se concretizează în obţinerea
unor indicatori afectaţi de erori - chiar dacă metodologia de calcul a fost corectă -
care vor genera concluzii şi decizii deformate.
Erorile de înregistrare se clasifică în două categorii:
• Erori de înregistrare întâmplătoare – erorile care pot fi numeroase putând
apărea din neatenţie, dar care afectează mai puţin rezultatele observării.
• Erori de înregistrare sistematice – erori care produc abateri semnificative
datorate în special neînţelegerii corecte a metodologiei de culegere a datelor
sau lipsei de experienţă.
Prevenirea apariţiei erorilor de observare poate fi realizată prin următoarele
acţiuni:
• Formularea şi transmiterea unor instrucţiuni clare şi menţionarea riscului
datorat erorilor umane.
• Elaborarea unor formulare complete conţinând toate elementele ce trebuie
înregistrate.
• Stabilirea unor „chei de control” utilizabile încă din faza de colectare a datelor.
• Efectuarea unor observări de probă şi corectarea eventualelor lipsuri pentru
îmbunătăţirea formularelor.
• Prevenirea persoanelor care comunică date asupra scopului şi importanţei
obţinerii unor date, autentice.
1.1.1.4. Controlul datelor statistice

Datele culese trebuie verificate pentru a descoperi eventualele erori de observare
şi corectarea acestora.
În funcţie de specificul modului de verificare a informaţiilor culese, controlul poate
fi:
• Control cantitativ: se referă la verificarea înregistrării efectuate.
• Control calitativ: poate fi control logic sau control aritmetic.
o Controlul logic se referă la compararea datelor cu date anterior obţinute şi
permite depistarea erorilor sistematice.
8
o Controlul aritmetic presupune verificarea calculelor efectuate de către

observatori, aplicarea cheilor de control bazate pe relaţii de balanţă cu
scopul de a verifica autenticitatea datelor.
Corectarea erorilor de observare este posibilă doar dacă specificul cercetării
statistice permite acest lucru. În cazul observaţiilor efectuate asupra circulaţiei
rutiere, fenomenele nu mai pot fi reproduse, dar verificarea fişelor privind
consumurile realizate de vehiculele transportului public este posibilă.
Pentru îndepărtarea datelor care nu sunt autentice, statistica a elaborat o serie de
teste. Acestea urmăresc eliminarea datelor afectate de erori grosolane, dar numai în
situaţia în care acest tip de date nu deţine o pondere importantă.
1.1.2. Metode de prelucrare primară a datelor

Datele culese în etapa observării trebuie supuse prelucrării primare, destinate
ordonării lor şi pentru a enunţa concluziile generale cu privire la fenomenul observat.
În prima etapă datele culese vor fi:
• centralizate
• grupate
• reprezentate sub formă de: serii, tabele, grafice.
În cea de-a doua etapă, datele sunt supuse unei prelucrări bazate pe metode
complexe, de fineţe cu scopul de a obţine informaţii suplimentare superioare din
punct de vedere calitativ şi al semnificaţiei ştiinţifice.
Centralizarea datelor pe clase sau subclase are ca rezultat cunoaşterea mai
detaliată a fenomenului, ceea ce va permite analiza lui pe baze structurale.
Centralizarea datelor poate fi efectuată numai dacă :
• s-a efectuat controlul datelor culese;
• datele ce urmează a fi însumate sunt comparabile, adică se referă la aceeaşi
caracteristică statistică observată şi valorile sunt exprimate în aceeaşi unitate
de măsură.
Modul de grupare a datelor se referă la separarea unităţilor unei populaţii în
grupe omogene luând în considerare una sau mai multe caracteristici. Metoda
grupării trebuie să asigure o structură care să permită încadrarea şi stocarea datelor,
pentru ca evidenţele sistematice să fie posibile.
De asemenea, este util să se cunoască fenomenul analizat, precum şi
schimbările structurale care s-au produs în timp şi să se poată evidenţia efectele
cauzelor sistematice.
Metoda grupării statistice are la bază două noţiuni:
• Caracteristica de grupare: variabila faţă de care mărimile urmărite sunt
repartizate pe grupe cât mai omogene. Mărimea variabilei considerată
caracteristică de grupare este exprimată în cifre, dar şi în litere.
• Intervalul de variaţie: reprezintă un grup omogen de variante, despărţit de
restul grupului prin limitele superioară şi inferioară. Intervalele pot fi:
o egale sau inegale
o închise sau deschise
o cu variaţie discretă sau cu variaţie continuă.
Datele sunt sistematizate prin grupare urmând etapele următoare:
9
Pasul 1. Determinarea amplitudinii, A

A = x max − x min (1.1)
unde:
xmax – nivelul maxim al caracteristicii observate,
xmin – nivelul minim al caracteristicii observate.
Pasul 2. Stabilirea mărimii intervalului de grupare, k având următoarele
posibilităţi:
• dacă se cunoaşte numărul de grupe, relaţia este:
A x − x min
k = = max ; (1.2)
r r
• dacă nu se cunoaşte numărul grupelor, se recomandă relaţia lui H.A. Sturges,
x − x min
k = max , (1.3)
1 + 3 ,22 ⋅ lg n
unde, n este numărul de elemente.
Pasul 3. Formarea intervalelor de grupare pornind de la xmin sau de la o valoare
puţin mai mică la care se adaugă mărimea intervalului de grupare.
Mărimea intervalului de grupare se poate obţine:
• ca diferenţă între două limite inferioare sau superioare a două grupe alăturate;
• ca diferenţă între limita superioară şi cea inferioară a aceleiaşi grupe.
În practică, grupele se mai numesc clase.
1.1.3. Prezentarea datelor statistice

Pentru a putea fi prelucrate, datele statistice se pot prezenta sub forma de serii,
tabele sau grafice.
Seria statistică este prezentarea paralelă a două şiruri de date, în care:
• primul şir reprezintă caracteristica de grupare (numită în continuare, valoarea
argumentului variabilei aleatoare), iar
• cel de-al doilea şir, rezultatul centralizării frecvenţelor sau valorilor unei alte
caracteristici cu care se află în raport de interdependenţă.
Seriile statistice se pot clasifica după următoarele criterii:
• După conţinutul caracteristicii de grupare:
o Serii statistice de timp (dinamice, cronologice) - prezintă valorile
caracteristicii în funcţie de timp);
o Serii statistice de spaţiu sau teritoriale - prezintă centralizarea frecvenţelor
sau valorilor caracteristicii studiate în funcţie de spaţiu sau teritoriu;
o Serii statistice de repartiţie – reprezintă dependenţa caracteristicii în raport
cu frecvenţele corespondente; această serie se mai numeşte de repartiţie
de frecvenţe.
Prezentarea datelor sub forma seriilor are avantajul că permite stabilirea tendinţei
de evoluţie a caracteristicii cercetate, precum şi a repetabilităţii fenomenului.
Tabelele statistice conţin cel puţin două coloane, prima coloană conţine valorile
variabilei studiate care delimitează grupele sau clasele, iar cea de-a doua conţine
observaţiile Ni, obţinute pentru fiecare grupă sau clasă.
10
Tabelele sunt simple când se realizează o grupare simplă după o singură

caracteristică (cantitativă sau calitativă). În cazul tabelelor combinate sunt luate în
considerare mai multe caracteristici. Tabelele cu dublă intrare prezintă grupe formate
prin variaţia concomitentă a două caracteristici, iar în rubrici frecvenţe comune ale
ambelor variabile. Când există o dependenţă între cele două caracteristici tabelul se
numeşte tabel de corelaţie.
Pentru stabilirea legăturilor între fenomene pe baza corelării logice a celor două
caracteristici se folosesc tabele de asociere.
Reprezentări grafice. Graficele constituie o modalitate expresivă de
reprezentare a datelor. Elementele unei reprezentări grafice sunt:
• titlul,
• reţeaua (în cazul când este utilă),
• scara de reprezentare,
• legenda,
• mărimile ce definesc axele şi unităţile de măsură, dacă este cazul,
• notele explicative.
Graficele pot fi realizate sub forma:
• Diagrame prin coloane, în plan sau tridimensional, care sunt reprezentări sub
forma dreptunghiurilor având baze egale cu unitatea caracteristicii cercetate
şi înălţimile proporţionale cu mărimea indicatorilor reprezentaţi. Aceste
diagrame se mai numesc histograme şi sunt recomandate în evidenţierea
caracteristicilor variabilelor aleatoare discrete.
• Diagrama prin puncte recomandată în cazul variabilelor de tip continuu.
• Diagrama polară sau radială se construieşte folosind o reţea radială.
• Diagrama prin suprafeţe (sau volume) în care ariile sunt proporţionale cu
mărimile indicatorilor oferind o reprezentare sugestivă.
1.1.4. Indicatori statistici

Indicatorul statistic este expresia numerică a unui fenomen, obţinut ca rezultat al
procesului de cercetare asupra unui fenomen aleator, având un conţinut real, obiectiv
determinat.
Indicatorii statistici pot fi indicatori primari şi derivaţi.
Indicatorii primari sau mărimi absolute caracterizează fenomenul sau procesul,
din punct de vedere cantitativ, exprimând direct nivelul de dezvoltare al caracteristicii
cercetate.
Indicatorii derivaţi se obţin în faza de prelucrare a mărimilor absolute prin
comparaţii, abstractizări şi generalizări, având un caracter abstract, chiar dacă uneori
(în cazul mediilor) se exprimă în unităţi de măsură specifice.
Statistica recurge la teste bazate pe principiile teoriei probabilităţilor pentru ca
mărimea derivată să fie raţională şi realistă şi să corespundă naturii fenomenului sau
procesului cercetat.
Mărimi relative. Trecerea de la concret la abstract, de la mărimile absolute la
cele derivate este realizată prin compararea datelor prin rapoarte rezultând mărimi
relative. Altfel spus, mărimea relativă sau indicatorul relativ este rezultatul comparării
a două caracteristici sau indicatori statistici şi exprimă printr-un singur număr raportul
dintre o valoare a caracteristicii şi baza de raportare sau de comparaţie.
11
Dacă fiecare element sau grup de elemente ale populaţiei statistice, Ni este
raportat la volumul total N, cu N = ∑ N i , în funcţie de natura datelor, conţinutul
i
informaţional al mărimii relative de structură poate fi de frecvenţă relativă, pondere,
probabilitate sau chiar, greutate specifică.
În paragrafele următoare se foloseşte notaţia
pi = f i = N i (1.4)
∑ Ni
i
pentru care ∑ pi = ∑ f i =1.

i i
În reprezentarea rezultatelor statistice, se poate utiliza exprimarea sub forma

procentelor, %. În acest caz, pornind de la relaţiile anterioare, se obţine:
Ni
pi = f i = ⋅ 100 [%], (1.5)
∑ Ni
i
iar,
∑ pi = ∑ f i = 100 % . (1.6)
i i
Frecvenţele absolute ca şi cele relative vor fi folosite în continuare pentru

definirea variabilelor aleatoare.
1.2. VARIABILE ALEATOARE
1.2.1. Definirea variabilelor aleatoare

Variabile aleatoare sunt notate de obicei cu majuscule, de exemplu X, Y sau Z.
Fiecare dintre acestea reprezintă un set complet de corespondenţe între rezultatele
unui experiment şi probabilitatea de producere a evenimentului.
Variabilele aleatoare utilizate în ingineria traficului rutier pot fi vitezele vehiculelor
sau distanţele dintre vehiculele unui flux rutier, dar şi numărul vehiculelor care
sosesc într-o secţiune a unui drum.
Funcţie de tipul mărimii investigate, variabilele aleatoare pot fi de tip discret –
VAD şi de tip continuu - VAC.
Variabila aleatoare de tip discret, X este definită dacă se cunoaşte valoarea
argumentului (valoarea experimentală) xi, precum şi funcţia de probabilitate a
acestuia, p(xi) sau pi.
Funcţia de probabilitatea variabilei aleatoare X de argument xi, se notează
p X (x ) ≡ P {X = x} . (1.7)
Astfel,
⎛ x0 x1 . . . xn ⎞
X = ⎜⎜ ⎟, (1.8)
⎝ p0 p1 . . . pn ⎟⎠
n
cu x i = 0 , 1, 2 , ... , iar 0 ≤ pi ≤ 1 şi ∑ pi =1.
i =0
12
Variabila aleatoare poate fi definită şi cu ajutorul frecvenţei absolute de apariţie a

n
evenimentului Ni. Dacă numărul total de observaţii este N, atunci ∑ Ni = N , deci:
i =0
⎛ x0 x1 . . . x n ⎞
X = ⎜⎜ ⎟⎟ . (1.9)
⎝ N0 N1 . . . N n ⎠
Pentru modelarea statistică a fenomenelor descrise de variabile aleatoare sunt
folosite anumite mărimi statistice. Pentru înţelegerea acestor caracteristici, este utilă
definirea funcţiei de repartiţie.
Fie o variabilă aleatoare X, un număr real xi şi F(xi) probabilitatea ca X să ia valori
mai mici decât x, adică
F (x i ) = P ( X < x i ) . (1.10)
Funcţia F definită prin ecuaţia precedentă poartă numele de funcţie de repartiţie a
variabilei aleatoare X.
Dacă X este o variabilă discretă având repartiţia
[x i , p(x i )] , pentru i = 0,1,2,...,
atunci se poate scrie
F (x i ) = P {X ≤ x i } = ∑ p X (x i ) . (1.11)
xi ≤ x
Exprimat în cuvinte, funcţia de repartiţie în punctual x este dată de suma

probabilităţilor valorilor în stânga lui x sau suma probabilităţilor (frecvenţelor relative)
cumulate în sens crescător.
Avem:
∑ p(x j ) ,
i
F (x i + 0 ) = (1.12)
j =0
i −1
F (x i − 0 ) = ∑ p(x j ) (1.13)
j =0
şi
P (a ≤ X < b ) = F (b ) − F (a ) . (1.14)
Trebuie reţinut că, în cazul variabilelor aleatoare discrete, funcţia de distribuţie
cumulată este o funcţie în trepte care porneşte de la valoarea x=0 cu valoarea p0.
Valoarea maximă tinde la valoarea 1 corespunzătoare lui xi=xmax.
~
În cazul variabilelor de tip continuu, X probabilitatea discretă pi devine
densitate de probabilitate p X (x ) , iar variabila aleatoare este definită astfel:
~ ⎛x ⎞
X = ⎜⎜ ⎟⎟ , (1.15)
⎝ p X (x )⎠
iar semnul ∑ devine integrală ∫ .
Dacă se notează F (x ) funcţia de distribuţie, densitatea de probabilitate are

proprietatea că:
13
dF (x )
p X (x ) = , iar p X (x ) ⋅ dx ≥ 0 , (1.16)
dx
rezultă,
x
F (x ) = ∫ p X (x ) ⋅ dx , (1.17)
−∞
similar cu frecvenţa cumulată în sens crescător,

x2
P (x1 ≤ x ≤ 2 ) = ∫ p X (x ) ⋅ dx = F (x2 ) − F (x1 ) , (1.18)
x1
iar
+∞
∫ p X (x ) = 1 (1.19)
−∞
n
similar cu ∑ pi =1.
i =0
Densitatea de probabilitate în acest caz este interpretată ca probabilitatea

măsurării unei valori x în intervalul ∆x = x 2 − x1 . Aria totală de sub curba densităţii de
probabilitate este unitară, iar probabilitatea măsurării este de 100%.
1.2.2. Caracteristicile de bază ale variabilelor aleatoare
1.2.2.1. Indicatorii tendinţei centrale

Simpla analiză a valorilor variabilelor aleatoare pe baza frecvenţelor şi a graficelor
oferă o imagine sumară asupra modului în care variază valorile unei caracteristici
statistice, fără a putea formula nici o ipoteză privind tendinţa generală a acesteia.
În scopul analizei trăsăturilor esenţiale ale fenomenului studiat este necesar să se
determine anumite valori reprezentative sub forma indicatorilor sintetici
generalizatori.
Tendinţa centrală reprezintă punctul în jurul căreia se grupează valorile variabilei
aleatoare respective şi necesită definirea mai multor tipuri de indicatori:
a) mărimile medii;
b) indicatorii medii de poziţie numiţi şi medii de structură.
a). Media variabilei aleatoare X notată M(X) sau x în cazul concret al cercetării
experimentale.
În cazul variabilelor aleatoare discrete,
n
M (X ) = x = ∑ x i ⋅ pi (1.20)
xi = 0
În cazul variabilelor aleatoare de tip continuu,

+∞
M (X ) = x = ∫ x ⋅ p X (x ) ⋅ dx (1.21)
−∞
Dacă media este definită ca moment, ea reprezintă momentul teoretic necentrat

de ordinul întâi.
Momentul teoretic necentrat de ordinul k este dat de relaţia:
14
( X ) = M (X )=
+∞
M k k
∫x
k
⋅ p X (x ) ⋅ dx . (1.22)
−∞
b). Indicatorii medii de poziţie sunt reprezentaţi de quantile şi modul.

Quantilele sunt valori concrete ale variabilei aleatoare care împart graficul funcţiei
de repartiţie (graficul frecvenţei cumulate în sens crescător) în părţi egale.
Se numeşte quantila de ordinul α, valoarea xα aleasă astfel încât:
F (x α ) = P ( X < x α ) = α . (1.23)
În cazul în care X este o variabilă aleatore discretă egalitatea enunţată nu poate fi
asigurată pentru orice valoare a lui α. Dacă există o soluţie xα a ecuaţiei F (x ) = α ,
pot exista o infinitate de valori cuprinse în intervalul ce separă două valori posibile.
Quantila de ordinul ½ poartă numele de mediană teoretică a variabilei
aleatoare X, notată
1
x me = . (1.24)
2
Prin mediană se înţelege acea valoare a argumentului variabilei aleatoare pentru
care probabilitatea ca variabila aleatoare X să ia valori inferioare lui xme este egală cu
probabilitatea ca să ia valori superioare lui xme. Exprimat în termeni matematici:
P ( X < x me ) = P ( X > x me ) . (1.25)
Quantila de ordinul ¼ poartă numele de quantila inferioară , iar cea de ordinul ¾
se numeşte quantila superioară.
Modulul sau moda variabilei aleatoare discrete X, este acea valoare a
argumentului xi pentru care funcţia de probabilitate pX(xi) este maximă. O repartiţie
poate avea un singur modul fiind numită unimodală sau mai multe module, caz în
care se numeşte multimodală.
În cazul variabilei de tip continuu, modulul notat xmo reprezintă valoarea lui x
pentru care densitatea este maximă, deci
dp X (x )
=0 (1.26)
dx
dacă funcţia este derivabilă. În general ecuaţia are o singură soluţie, deci repartiţia
este unimodală.
dF (x )
Cum p X (x ) = , ţinând seama de relaţia anterioară, rezultă că modulul
dx
verifică ecuaţia
dF 2 (x )
=0. (1.27)
dx 2
Aceasta arată că în punctul x = x mo , graficul funcţiei de repartiţie are un punct de
inflexiune.
1.2.2.2. Indicatorii variaţiei

Indicatorii tendinţei centrale nu dau nici o indicaţie asupra împrăştierii, respectiv a
modului în care valorile variabilei aleatoare se abat între ele sau faţă de valoarea
medie ca centru de grupare. Centrul de grupare pentru două variabile aleatoare
poate fi acelaşi, dar gradul de împrăştiere să fie diferit.
15
Indicatorii variaţiei pot fi grupaţi astfel:

a) Amplitudinea absolută a variaţiei, A se obţine ca diferenţă între valoarea
maximă şi valoarea minimă a valorilor xi ale variabilei aleatoare,
A = x max − x min . (1.28)
Amplitudinea relativă, A% se calculează raportând amplitudinea absolută la
media aritmetică a valorilor înregistrate,
A x − x min
A% = ⋅100 = max ⋅100 . (1.29)
x x
Amplitudinea relativă permite compararea gradului de variaţie a două variabile
aleatoare în care caracteristica de grupare se exprimă în unităţi de măsură diferite şi
în special la alegerea numărului de grupe şi a mărimii intervalului de grupare
deoarece nu oferă posibilitatea cunoaşterii structurii interioare a variabilei.
Abaterile individuale absolute, di sunt determinate ca diferenţa dintre fiecare
valoare xi şi medie:
d i = xi − x . (1.30)
Abaterile individuale relative, di% calculate ca raport între abaterea absolută şi
nivelul mediu al caracteristicii studiate:
d x −x
d % = i ⋅100 = i ⋅100 . (1.31)
x x
Abaterile individuale pot fi pozitive sau negative în funcţie de mărimea fiecărui
termen în raport cu media, în practică fiind utilizate valorile extreme, abaterea
individuală minimă şi cea maximă.
Deoarece indicatorii enunţaţi nu caracterizează întreaga variaţie a caracteristicii
studiate, se vor utiliza indicatorii sintetici ai variaţiei.
b) Indicatorii sintetici ai variaţiei
Acest tip de indicatori caracterizează gradul de variaţie luând în considerare toate
valorile caracteristice ale variabilei aleatoare. În cercetările statistice ale diferitelor
fenomene sunt folosiţi indicatorii prezentaţi în continuare.
Abaterea medie liniară, d calculată ca o medie aritmetică simplă sau ponderată
a abaterilor termenilor faţă de medie, luate în valoare absolută:
∑ xi −x
i
d = . (1.32)
∑ Ni
i
Dispersia variabilei aleatoare X, notată D2(X) sau D2, se calculează ca o medie

aritmetică simplă sau ponderată a pătratelor abaterilor valorilor argumentului xi faţă
de media lor şi reprezintă momentul teoretic centrat de ordinul al doilea.
Momentul teoretic centrat de ordinul k este dat de relaţia:
n k
D ( X ) = Dk =
k
∑ [x i − M ( X )] ⋅ pi , (1.33)
i =0
∑ (x i − x )
2
⋅ Ni
2 i
sau σ = (1.34)
∑ Ni
i
16
pentru cazul variabilelor discrete, şi

+∞
D k ( X ) = Dk = M [x − M ( X )]k = ∫ [xi − M ( X )]k ⋅ p X (x ) ⋅ dx , (1.35)
−∞
pentru cazul variabilelor de tip continuu.

Deci, dispersia, ca moment teoretic centrat de ordinul al doilea, are expresia
generală:
+∞
D ( X ) = D2 = M [ X − M ( X )] = ∫ [x − M ( X )] ⋅ p X (x ) ⋅ dx =
2 2 2
−∞
2 . (1.36)
+∞ ⎛ +∞ ⎞
= ∫ x 2 ⋅ p X (x ) ⋅ dx − ⎜⎜ ∫ x ⋅ p X (x ) ⋅ dx ⎟⎟
−∞ ⎝ −∞ ⎠
Dispersia este în mod frecvent notată cu simbolul σ 2X . Dispersia, ca indicator
abstract, nu are formă concretă de exprimare şi arată modul în care valorile
caracteristicii gravitează în jurul mediei.
Abaterea medie pătratică sau abaterea standard notată D(X) sau σ X se
calculează ca rădăcina pătrată a dispersiei. Faţă de abaterea medie liniară, abaterea
standard ia în considerare importanţa fiecărei valori a caracteristicii xi. Este utilă în
calculele de corelaţie, la estimarea erorilor, la verificarea semnificaţiei unor indicatori
statistici. Inconvenientul constă în faptul că nu permite compararea variaţiei a două
variabile aleatoare având caracteristici exprimate în unităţi diferite.
Pentru valoarea k=3, se poate calcula momentul centrat de ordinul al treilea,
notat D3. Acesta este important pentru a defini simetria unei repartiţii:
3
( ) ( )
D3 = M [X − M (x )] = M X 3 − 3 M X 2 M ( X ) + 2[M ( X )] .
2
(1.37)
Pentru a analiza asimetria unei repartiţii se foloseşte indicatorul numit coeficient
de asimetrie notat β1 şi calculat cu relaţia:
D3
β1 = . (1.38)
[D ( X )]
2
3
2
Pentru repartiţiile simetrice β1=0, pentru repartiţiile cu asimetrie dreapta, β1>0, iar
pentru repartiţiile cu asimetrie de stânga, β1< 0.
Pentru a analiza ascuţirea unei repartiţii, se determină coeficientul de exces,
β2 folosind relaţia
D4
β2 = (1.39)
[D ( X )]
2 2
în care D4 reprezintă momentul centrat de ordinul al patrulea şi se calculează cu

relaţia:
4
( ) ( ) ( )
D4 = M [X − M ( X )] = M X 4 − 4 M X 3 M ( X ) + 6 M X 2 [M ( X )] − 3[M ( X )] .
2 4
(1.40)
Pentru a putea spune că o repartiţie este mai ascuţită în raport cu o alta, este
necesar să existe o repartiţie de bază cu care să se efectueze comparaţia. Această
repartiţie “etalon” este cea normală şi se obţine pentru β2=3. O repartiţie cu β2<3 este
mai turtită decât cea normală, iar cea cu β2>3 este mai ascuţită decât cea normală.
17
Coeficientul de variaţie C X reprezintă o mărime cantitativă adimensională

determinată ca raportul dintre abaterea standard şi media variabilei aleatoare.
σ
CX = X (1.41)
x
sau exprimat în procente,
σ
C X = X ⋅100 [%] (1.41.a)
x
În cazul în care coeficientul de variaţie se poate calcula ca raport între abaterea
medie liniară şi media variabilei aleatoare,
d
C 'X = ⋅100 [%] , (1.42)
x
iar raportul între cei doi coeficienţi de variaţie este
σX d
⋅100 > ⋅100 . (1.43)
x x
Coeficientul de variaţie, indiferent de relaţia de calcul poate lua valori între 0 –
100%. Pentru valoarea zero, toate valorile caracteristicii fiind egale între ele şi
respectiv cu valoarea medie, variabila aleatoare descrie un fenomen omogen şi
datele sunt bine grupate.
Valorile caracteristicii prezintă un grad ridicat de omogenitate pentru valori ale
coeficientului de variaţie mai mici de 35%, iar pentru valori mai mari de 70 - 75%
variaţia este foarte mare, media nu este semnificativă şi nu caracterizează seria de
date analizate.
1.2.2.4. Funcţia generatoare

Funcţia generatoare, PX (t ) se obţine înlocuind argumentul x prin ext, în relaţia
mediei unei variabile aleatoare X.
Pentru variabile aleatoare discrete:
( )
n
PX (t ) = M e xt = ∑ pi ⋅ e x i t (1.44a)
i =0
Pentru variabile aleatoare discrete de tip continuu:
( )
+∞
PX (t ) = M e xt = ∫ p X (x ) ⋅ e
xt
dt . (1.44b)
−∞
Funcţia generatoare are proprietatea:

⎧n
( )
⎪∑ pi ⋅ x i = M X = M k pentru VAD
k k
d PX (t )
k
⎪i =1
t = 0 = ⎨+ ∞ . (1.45)
( )
k
dt ⎪ p (x ) ⋅ x k ⋅ dx = M X k = M
⎪⎩−∫∞ X k pentru VAC
unde, Mk este momentul teoretic necentrat de ordinul k şi poate fi folosit la calculul

parametrilor repartiţiilor. Astfel, dispersia reprezintă diferenţa dintre momentul
teoretic necentrat de ordinul al doilea şi pătratul mediei variabilei aleatoare.
D 2 ( X ) = M2 − M12 . (1.46)
Funcţia generatoare este folosită în modelarea proceselor dependente de timp.
18
1.2.3. Procesul Poisson

Modelarea cu ajutorul probabilităţilor reprezintă un proces extrem de important în
analizele referitoare la ingineria transporturilor. Procesul Poisson poate fi adesea
aplicat în producerea evenimentelor în timp. În cazul traficului rutier, ca eveniment
poate fi considerată, de exemplu: sosirea vehiculelor într-o intersecţie la întreruperea
funcţionării unui semafor. Aceste sosiri sunt considerate de către inginerul de trafic,
ca fiind „sosiri”, asemeni clienţilor la o bancă. Procesele Poisson pot fi extinse în
aplicaţiile spaţiale cu scopul de a modela localizarea cererii de transport în cazul unui
oraş. Pentru a aplica un astfel de proces au fost formulate patru postulate descrise în
continuare.
1. Probabilitatea ca în intervalul de timp ∆t să sosească cel puţin un vehicul este
de aproximativ λ ⋅ ∆t . Unde λ se numeşte intensitatea sosirii sau rata sosirii. În
aplicaţiile numerice acest parametru este determinat prin măsurători. De
exemplu, un număr de 5 autobuze/oră într-o staţie, etc.
2. Numărul de sosiri de tip Poisson ce se produc la un moment dat sau într-un
interval de timp de valoare fixă nu depinde de momentul de început al
intervalului sau de numărul de sosiri înregistrate înainte de interval.
3. Numărul de sosiri ce se produc în intervalele de timp sunt variabile aleatoare
independente.
4. Ştiind că o anumită sosire de tip Poisson se produce la un moment dat,
probabilitatea ca altă sosire să se producă exact în acelaşi timp este nulă.
Deci nu se pot produce două sosiri simultan. Astfel, în analiza fluxurilor rutiere
pe o secţiune a unui drum, se colectează date de pe fiecare bandă de
circulaţie separat.
Figura 1.1. Exemplificarea sosirii vehiculelor

Considerând că în intervalul de timp [0,t] sau T, se produce un număr de sosiri,
N(t) având rata sosirii λ , dacă sosirile se produc după un proces Poisson, intervalele
de timp dintre sosirile succesive sunt distribuite cu parametrul λ , independent de
ceea ce s-a întâmplat în trecut.
Astfel, dacă N(t) are distribuţie Poisson cu parametrul λt , atunci,
P [N (t ) = x ] =
(λt ) x − λt
e , x = 0 , 1, 2 , ... . (1.47)
x!
Caracteristicile de bază ale procesului Poisson sunt definite de următoarele
relaţii:
Media: M [N (t )] = λ ⋅ t
Dispersia σ 2N (t ) = λ ⋅ t
1
Coeficientul de variaţie: C X2 =
λt
19
1.3. LEGI DE DISTRIBUŢIE SAU DE LEGI DE REPARTIŢIE

Modelarea matematică a fenomenelor descrise de variabilele aleatoare poate fi
realizată cu ajutorul:
• distribuţiilor de tip discret: binomială, Poisson, binomial-negativă, geometrică –
în cazul variabilelor aleatoare discrete;
• distribuţiilor de tip continuu: uniformă, normală, exponenţială, Erlang, etc - în
cazul variabilelor aleatoare de tip continuu.
1.3.1. Legi de distribuţie ale variabilelor aleatoare discrete
1.3.1.1. Distribuţia binomială

O variabilă aleatoare X are o distribuţie binomială de parametrii p şi n are
următoarea distribuţie:
P ( X = x ) = Cnx ⋅ p x ⋅ (1 − p )
n−x
, (1.48)
unde:
x = 1, 2 , ... ,
n - parametrul distribuţiei binomiale, poate lua valori din mulţimea numerelor
naturale;
p – funcţia de probabilitate, 0 ≤ p ≤ 1 .
Ne reamintim că:
n!
Cnx = . (1.49)
x ! (n − x )!
O variabilă aleatoare binomială poate fi interpretată ca suma celor n experimente
alternative de parametru p.
Caracteristicile de bază ale acestei legi sunt prezentate sintetic în tabelul 1.1.
Tabelul 1.1: Caracteristicile distribuţiei binomiale
Caracteristica Notaţie Relaţia de calcul Observaţii
P ( X = x ) = C nx ⋅ p x ⋅ (1 − p )
n−x
Media M (X ) ≡ x n⋅p
Dispersia D 2 ( X ) ≡ D2 ≡ σ 2X n ⋅ p ⋅ (1 − p ) M (X ) > D2 (X )
Determinarea
Abaterea standard D( X ) ≡ σ X np(1 − p ) parametrilor p şi n
cunoscând media şi
dispersia
Coeficientul de np(1 − p )
CX ⎧ x − σ 2X
variaţie np ⎪ p =
⎪ x
⎨ 2
σX ⎪n = x
Eroarea standard ε ε=
N ⎪⎩ x − σ 2X
Numărul
σ 2X
observaţiilor pentru N N=
o eroare impusă ε2
20
1.3.1.2. Distribuţia Poisson

O variabilă aleatoare X are o distribuţie binomială definită de relaţia:
λx ⋅ e − λ
P (X = x ) = , (1.50)
x!
unde:
x = 1, 2 , ... ,
λ - parametrul distribuţiei binomiale, egal cu media şi dispersia variabilei
aleatoare;
e – baza logaritmului natural.
Figura 1.2: Distribuţia Poisson

Tabelul 1.2. Caracteristicile distribuţiei Poisson
λx ⋅ e − λ
P (X = x ) =
x!
Media M (X ) ≡ x λ
Dispersia D 2 ( X ) ≡ D2 ≡ σ 2X λ
M (X ) = D2 (X )
Abaterea standard D( X ) ≡ σ X λ Determinarea
parametrilor p şi n
Coeficientul de λ 1
CX = dispersia
variaţie λ λ λ = x = σ 2X
σX
Eroarea standard ε ε=
N
Numărul σ 2X
observaţiilor
N N= 2
ε
21
1.3.1.3. Distribuţia binomial-negativă

O variabilă aleatoare X are o distribuţie binomială de parametrii p şi k are
următoarea distribuţie:
P ( X = x ) = C xk +−1k −1 ⋅ p k ⋅ (1 − p ) ,
x
(1.51)
unde:
x = 1, 2 , ... ,
k - parametrul distribuţiei binomial-negative, poate lua valori din mulţimea
numerelor naturale mai mari decât 1;
p – funcţia de probabilitate, 0 ≤ p ≤ 1
Figura 1.3: Distribuţia binomial negativă

Un caz particular al distribuţiei binomial-negative corespunde parametrului k=1,
distribuţia fiind cunoscută ca distribuţia geometrică.
Tabelul 1.3: Caracteristicile distribuţiei binomial-negative
P ( X = x ) = C xk +−1k −1 ⋅ p k ⋅ (1 − p )
x
k (1 − p )
Media M (X ) ≡ x
p M (X ) < D2 (X )
k (1 − p ) Determinarea
Dispersia D 2 ( X ) ≡ D2 ≡ σ 2X parametrilor p şi
p2
n cunoscând
1 media şi
Abaterea standard D( X ) ≡ σ X k (1 − p )
p dispersia
⎧ x
Coeficientul de
CX
1 ⎪p = σ2
variaţie k (1 − p ) ⎪ X
⎨ 2
σX ⎪k = x
Eroarea standard ε ε= ⎪ σ 2X − x
N ⎩
Numărul σ 2X
observaţiilor
N N=
ε2
22
1.3.1.4. Distribuţia geometrică

O variabilă aleatoare X are o distribuţie geometrică de parametru p şi are
următoarea formă:
P ( X = x ) = p ⋅ (1 − p ) ,
x
(1.52)
unde:
x = 1, 2 , ... ,
p – funcţia de probabilitate, 0 ≤ p ≤ 1 .
Tabelul 1.4. Caracteristicile distribuţiei geometrice
P ( X = x ) = p ⋅ (1 − p )
x
(1 − p )
Media M (X ) ≡ x
p
M (X ) < D2 (X )
(1 − p )
Dispersia D 2 ( X ) ≡ D2 ≡ σ 2X 2
Determinarea
p parametrilor p şi n
1
Abaterea standard D( X ) ≡ σ X (1 − p ) dispersia
p ⎧ x
Coeficientul de 1 ⎪p = σ2
CX ⎪ X
variaţie 1− p ⎨ 2
⎪k = x
σX ⎪ σ 2X − x
Eroarea standard ε ε= ⎩
N
Numărul σ 2X
observaţiilor
N N=
ε2
1.3.2. Legi de distribuţie ale variabilelor aleatoare de tip continuu

În ingineria de trafic sunt utilizate următoarele distribuţii de tip continuu:
1.3.2.1. Distribuţia normală
În analiza fenomenelor din natură, se constată ca majoritatea măsurătorilor pot fi

descrise prin repartiţia normală sau variabilele pot fi supuse unei transformări ce
conduce la o repartiţie, exact sau aproximativ normală.
Luând în considerare variabila aleatoare continuă, X care ia valori reale cuprinse în
intervalul (− ∞,+∞ ) , se spune că X are o repartiţie normală de parametrii m şi σ notată
N(m,σ) dacă probabilitatea asociată intervalului (x1, x2) este egală cu aria cuprinsă
între abscisă, ordonatele ridicate din punctele x1 şi x2 şi curba normală descrisă de
ecuaţia
−
( x −m )2
1
p X (X ) = ⋅e 2 σ2 , (1.53)
σ 2π
unde:
23
π - 3,14159
e - 2,71828, baza logaritmului natural
σ - abaterea medie pătratică.
Curba normală se numeşte standard sau normală, dacă media m=0.
Figura 1.4: Distribuţia normală

Proprietăţile repartiţiei normale standard sunt:
• Este simetrică faţă de ordonată;
• Pentru valoarea x=0, se obţine valoarea maximă a probabilităţii, aproximativ
valoarea 1 ≈ 0 ,4 ;
2π
• Pentru valorile cuprinse în intervalul (-1, +1) este concavă şi pentru valori cuprinse
în afara acestui interval, convexă;
• Aria totală de sub curba de probabilitate este egală cu valoarea 1.
Figura 1.5: Forma curbei distribuţiei normale pentru diferite valori ale σ
Dacă se notează cu Φ (x ) aria de sub curba definită de funcţia de probabilitate
24
t2
1 −
ϕ (x ) = ⋅e pentru cazul în care σ=1 şi media este m=0, s-a demonstrat că
2
2π
funcţia de repartiţie este
x 0 x
1
F (x;0;1) = ∫ f (t;0;1)dt = ∫ f (t;0;1)dt + ∫ f (t;0;1) = 2 + Φ(x ) . (1.54)
−∞ −∞ 0
Funcţia Φ (x ) cunoscută sub numele de funcţia integrală a lui Laplace permite

determinarea probabilităţii ca variabila aleatoare X cu repartiţie normală de parametrii
(m,σ) să ia valori într-un interval a şi b. Astfel,
⎛ε⎞ ⎛a−m⎞
P (a < x < b ) = Φ⎜ ⎟ − Φ⎜ ⎟ (1.55)
⎝σ⎠ ⎝ σ ⎠
Valoarea ε este mai mare decât abaterea variabilei în raport cu media,
x −m ≤ε (1.56)
adică,
−ε+m < x < m+ε (1.57)
ceea ce va conduce la aşa numita „regulă a celor trei sigma”:
P ( x − m < 3 σ ) = 2 Φ (3 ) − 1 . (1.58)
În tabelele statistice se găseşte pentru Φ (3 ) = 0 ,9987 , obţinând:

P ( x − m < 3 σ ) = 2 ⋅ 0 ,9987 − 1 = 0 ,9974 . (1.59)
Relaţia precedentă arată că probabilitatea ca valoarea absolută să depăşească

valoarea 3σ este
1 − 0 ,9974 = 0 ,0026 (1.60)
adică, practic valoarea zero.
Caracteristicile principale ale celorlalte repartiţii de tip continuu sunt prezentate în
tabelul 1.5, respectiv tabelul 1.6.
1.3.2.2. Repartiţia Pearson de tipul III (Gama generalizată)

O variabilă aleatoare are o repartiţie Pearson de tipul III cu parametrii a şi b (a>0,
b>0), dacă are densitatea de probabilitate
b a a −1 −bx
p X (x ) = x e , 0 < x < ∞. (1.61)
Γ( a )
Această repartiţie se foloseşte în ingineria traficului rutier pentru descrierea
distanţelor şi intervalelor în timp dintre autovehiculele unui flux rutier.
Deoarece în condiţii normale aceşti doi parametri nu pot fi egali cu zero, este
necesar ca relaţia anterioară să fie modificată. Modificarea se realizează prin mărirea
argumentului x cu c unităţi, mai precis se stabileşte un nou argument t = x + c .
Substituind pe x = t − c pentru ecuaţia densităţii de probabilitate se obţine relaţia:
ba
p X (x ) = (x − c )a−1 e −b(x −c ) . (1.62)
Γ( a )
25
Tabelul 1.5 prezintă cazurile particulare ale distribuţiei gama generalizată,

respectiv distribuţia Erlang şi distribuţia exponenţială.
1.3.2.3. Caracteristicile de bază ale distribuţiilor de tip continuu.

Tabelul 1.5: Legi de distribuţie de tip continuu
Distribuţia Densitatea de probabilitate Media Dispersia
b a a −1 −bx a a
p X (x ) = x e sau
Gama Γ( a ) b b2
generalizat
(Pearson III)
ba a a
p X (x ) = (x − c )a−1 e −b(x −c ) +c
Γ( a ) b b2
f (t ) =
(qa )
a
(t )a −1 e −aqt sau
Γ(a )
f (x ) =
(ka )
a
(x )a −1 e − akx
Γ(a )
Este un caz particular al distribuţiei Gama
generalizat pentru care
a a
Erlang
a a b b2
b= sau b = , unde:
t x
q este intensitatea fluxului de autovehicule

k este concentraţia fluxului rutier
t - media intervalelor în timp dintre vehicule
x - media intervalelor de spaţiu dintre vehicule
Caz particular al distribuţiei Erlang.

Repartiţia 1 1
Pentru a=1,
exponenţială q q2
f (t ) = q ⋅ e − qt .
⎧ 1 a −1
−
x
⎪
p X ( x ) = ⎨ b a Γ( a ) x e , pentru ⋅ x ≥ 0
b
⎪ 0 , pentru ⋅ x < 0
⎩
Gama ab ab2
∞
Γ(a ) = ∫ x a −1e − x dx .
0
26
Tabelul 1.6: Legi de distribuţie de tip continuu (continuare)
Distribuţia Densitatea de probabilitate Media Dispersia
⎧ 1
Uniformă
⎪
p X (x ) = ⎨ b − a
, pentru a ≤ x ≤ b b+a (a − b )2
⎪⎩0 , pentru x < a; x > b 2 12
2
1 ⎛ x −m ⎞
1 − ⎜ ⎟
Normală p X (x ) = e 2⎝ σ ⎠ m σ2
σ 2π
⎧ 1
x a −1 (1 − x ) pentru , 0 ≤ x ≤ 1
b −1
⎪
p X ( x ) = ⎨ β( a, b )
⎪⎩ 0 , pentru 0 < x ; x > 1 ab
×
1 a (a + b )2
Beta
β( a, b ) = ∫ x a −1
(1 − x ) b −1
dx ; p, q > 0 ; a+b 1
0
a + b +1
Γ( a ).Γ( b )
sau : β( a, b ) =
Γ( a + b )
2
⎛ c2 − c1 ⎞
⎜ ⎟ ×
Beta (x − c1 )a−1 (c 2 − x )b−1 bc1 + ac 2 ⎝ a+b ⎠
pX ( x ) = pentru c1 < x < c 2
β( a, b )(c 2 − c1 )
generalizat a + b −1
a+b ab
(Pearson I)
a + b +1
1.4. ESTIMAREA PARAMETRILOR ŞI CRITERII DE VERIFICARE STATISTICĂ

Estimarea parametrilor datelor experimentale constă în evaluarea valorilor
variabilelor experimentale pentru a verifica concordanţa dintre modelul repartiţiei
teoretice şi modelul repartiţiei datelor experimentale.
Estimarea se poate face în două moduri:
• Estimarea punctuală, când pentru parametrul estimat se calculează o singură
valoare;
• Estimarea prin intervale de încredere când, pentru fiecare parametru, se
calculează un interval de încredere.
O variabilă aleatoare se consideră determinată dacă este cunoscută mulţimea
valorilor x ale argumentului şi funcţia de probabilitate pi ( x ) sau densitatea de
probabilitate fX(x), după cum variabila este discretă sau continuă. Funcţia pi ( x ) sau
fX(x) se poate realiza în diverse moduri:
- Cu ajutorul teoriei probabilităţilor se stabileşte schema probabilistică în care se
încadrează caracteristica studiată şi prin raţionament se determină expresia
analitică a funcţiei pi ( x ) sau fX(x). Acestea sunt repartiţiile teoretice, de exemplu
repartiţiile: binomială, Poisson, geometrică, exponenţială, normală etc.
- Se înregistrează sub formă de frecvenţe, valorile caracteristicii studiate pentru
fiecare valoare a argumentului, când variabila este discretă, sau pe intervale
convenabile, când variaţia este continuă, obţinându-se tabele numerice. Astfel de
repartiţii se obţin în probleme concrete prin experienţe şi, de aceea, se numesc
empirice.
27
Încadrarea unei repartiţii empirice într-o schemă probabilistică cu o anumită

repartiţie teoretică corespunde descoperirii unei legităţi de desfăşurare a caracteristicii
studiate. Dacă se cunoaşte modelul matematic al legii respective, pot fi rezolvate
variantele problemelor puse de practică.
Fie, cunoscută, variabila aleatoare X cu repartiţia empirică, dată prin frecvenţele
absolute:
⎛ x , x 2 , ..., x n ⎞ n
X ⎜⎜ 1 ⎟⎟; cu ∑N i = N; (1.63)
⎝ N1 , N 2 , ..., N n ⎠ i =1
sau prin frecvenţele relative (probabilităţile):

⎛ x , x 2 , ..., x n ⎞ n
Ni
X ⎜⎜ 1 ⎟⎟; cu ∑p i = 1; si pi = . (1.64)
⎝ p1 , p2 , ..., pn ⎠ i =1 N
Se ataşează variabila aleatoare X ′ cu distribuţia teoretică:
⎡ x ⎤
X ′⎢ ⎥. (1.65)
⎣f X ( x )⎦
Presupunând că cele două variabile aleatoare X şi X ′ sunt identice, se determină
funcţia f X ( x ) a repartiţiei teoretice, astfel ca:
f X ( x ) = pi , i = 1,2,..., n . (1.66)
Funcţia f X ( x ) depinde de anumiţi parametri a j , j = 1,2,..., m , adică are forma:
f X ( x; a1, a2 ,..., am ) , (1.67)

astfel, sistemul se scrie:
f X ( x, a1, a2 ,..., am ) = pi ; i = 1,2,..., n , (1.68)
şi devine un sistem de n ecuaţii cu m necunoscute, în care, practic, numărul ecuaţiilor
este mult mai mare decât cel al necunoscutelor. Problema care se pune este de a
determina care este acea valoare a parametrului pentru care există probabilitatea
maximă de realizare. Această problemă de calcul aproximativ se numeşte estimarea
parametrilor.
După estimarea parametrilor repartiţiei teoretice se dispune de două variabile
aleatoare:
- variabila aleatoare cu repartiţia empirică:
⎛ x , x 2 , ..., x n ⎞ n
X ⎜⎜ 1 ⎟⎟; cu ∑N i = N; (1.69)
⎝ N1 , N 2 , ..., N n ⎠ i =1
- variabila aleatoare cu repartiţia teoretică:

⎛ x , x 2 , ..., x n ⎞ n
X ′⎜⎜ 1 ⎟⎟; cu ∑ N′ = N; (1.70)
⎝ N1′ , N 2′ , ..., N n′ ⎠
i
i =1
construită cu frecvenţele Ni′, i = 1,2,..., n ,

Ni′ = N ⋅ pi . (1.71)
28
Figura 1.6. Reprezentarea grafică a criteriului χ2.

Frecvenţele absolute au semnificaţi: Ni - numărul valorilor din clasa Si , N - numărul
total de valori, n - numărul claselor Si.
Practic cele două repartiţii se deosebesc una de alta. Problema care se pune este
de a stabili dacă deosebirea dintre cele două variabile este întâmplătoare,
semnificativă sau nu. Pentru a soluţiona această problemă, se utilizează mai multe
criterii de testare statistică. Dintre acestea, cel mai utilizat în teoria traficului rutier este
criteriul Hi-pătrat (χ2) care se poate aplica datelor grupate.
Pentru aplicarea acestui criteriu se determină valoarea lui χ2, dată de suma
abaterilor frecvenţelor empirice faţă de frecvenţele teoretice la pătrat, raportate la
frecvenţele teoretice, astfel:
χ =∑
2
n
(Ni − Ni′ )2 =∑
n
Ni2
−N. (1.72)
i =1 Ni′ i =1 Ni′
Criteriul χ2 are reprezentarea grafică din figura 1.6. care, aşa cum se poate
observa, depinde de valoarea ν a gradelor de libertate.
Graficul este caracterizat de următoarele caracteristici:
• Aria de sub curbă este egală cu unitatea;
• Valoarea de început este χ2=0.
Curba nu este simetrică; când ν (deci numărul observaţiilor) creşte, curba devine
similară cu cea normală. Se face precizarea că numărul gradelor de libertate este
ν = n − l − 1 , unde n este numărul intervalelor de grupare (numărul claselor Si ), iar l -
numărul parametrilor repartiţiei teoretice.
De exemplu, dacă repartiţia este binomială sau Poisson, distribuţii care au un
singur parametru, atunci l = 1 şi ν = n − 1 − 1 = n − 2 grade de libertate.
Dacă legea este normală, care are doi parametri, atunci l = 2 şi
ν = n − 2 − 1 = n − 3 grade de libertate.
Deci, numărul gradelor de libertate este o noţiune statistică strâns legată de
cantitatea de informaţie de care se dispune în cercetarea care se efectuează.
29
Figura 1.7. Variaţia lui χ2 pentru δ = 0,05 şi α = 0,95.

Este recomandabil ca atunci când se aplică testul χ2, să fie N≥50, Ni≥5 şi 10 ≤ n ≤
20. Când au mai puţin de cinci elemente clasele extreme se contopesc cu cele
alăturate şi numărul υ scade corespunzător (ν = n − 3 ). Dacă numai o clasă se
contopeşte cu cea alăturată, atunci ν = n − 2 . În situaţia când toate clasele au mai
mult de cinci elemente, atunci ν = n − 1 .
Eficienţa testului creşte când în fiecare clasă se află aproximativ acelaşi număr de
date. Testul are o mai mare putere de discriminare în cazul repartiţiilor simetrice şi dă
rezultate bune în cazul verificării parametrilor repartiţiilor empirice normale.
Tabelul 1.7 prezintă valorile χ2 pentru un anumit prag de siguranţă, δ sau interval
de încredere, δ = 1 − α , intervalul care acoperă cu o probabilitate dată valoarea unui
parametru ce trebuie estimat.
Probabilitatea cunoscută δ se mai numeşte coeficient sau nivel de încredere, iar
α = 1 − δ se numeşte nivel de semnificaţie şi reprezintă probabilitatea ca parametrul
teoretic ce trebuie estimat să se afle în afara intervalului de încredere.
Cu cât P este mai aproape de valoarea 1, cu atât este mai mare siguranţa că
parametrul ce trebuie estimat este acoperit cu intervalul de încredere.
Aplicarea criteriului χ2 pentru un anumit prag de siguranţă δ, se reduce a verifica
dacă:
P ( χ 2 < χ 02 ) = 1 − δ , (1.73)
unde χ 02 , este valoarea care se adoptă din tabelul 1.7 pentru numărul gradelor de
libertate ν = n − 3 , unde n este numărul de componente ale variabilelor aleatoare sau
numărul intervalelor de grupare a datelor observate.
Dacă χ 2 < χ 02 , se consideră că între repartiţia empirică şi cea teoretică există
concordanţă cu coeficientul de încredere α = 1 − δ . Figura 1.7 prezintă variaţia lui χ2 în
funcţie de ν pentru α = 0,05 şi α = 0,95.
30
Tabelul 1.7: Valorile χ2 pentru un anumit prag de siguranţă δ .

ν χ 02 ,995 χ 02 ,99 χ 02 ,975 χ 02 ,95 χ 02 ,05 χ 02 ,025 χ 02 ,01 χ 02 ,005 ν
1 0,000 0,000 0,001 0,004 3,841 5,024 6,635 7,879 1

2 0,010 0,020 0,051 0,103 5,991 7,378 9,210 10,597 2
3 0,072 0,115 0,216 0,352 7,815 9,348 11,345 12,838 3
4 0,207 0,297 0,484 0,711 9,488 11,143 13,277 14,860 4
5 0,412 0,554 0,831 1,145 11,070 12,832 15,086 16,750 5
6 0,676 0,872 1,237 1,635 12,592 14,449 16,812 18,548 6

7 0,989 1,239 1,690 2,167 14,067 16,013 18,475 20,278 7
8 1,344 1,646 2,180 2,733 15,507 17,535 20,090 21,955 8
9 1,735 2,088 2,700 3,325 16,919 19,023 21,666 23,589 9
10 2,156 2,558 3,247 3,940 18,307 20,483 23,209 25,188 10
11 2,609 3,053 3,816 4,575 19,675 21,920 24,725 26,757 11

12 3,074 3,571 4,404 5,226 21,026 23,337 26,217 28,300 12
13 3,565 4,107 5,009 5,892 22,362 24,736 27,688 29,819 13
14 4,075 4,660 5,629 6,571 23,685 26,119 29,141 31,319 14
15 4,601 5,229 6,262 7,261 24,996 27,488 30,578 32,801 15
16 5,142 5,812 6,908 7,962 26,296 28,845 32,000 34,267 16

17 5,697 6,408 7,564 8,672 27,587 30,191 33,409 35,718 17
18 6,265 7,015 8,231 9,390 28,869 31,526 34,805 37,156 18
19 6,844 7,633 8,907 10,117 30,144 32,852 36,191 38,582 19
20 7,434 8,260 9,591 10,851 31,410 34,170 37,566 39,997 20
21 8,034 8,897 10,283 11,591 32,671 35,479 38,932 41,401 21

22 8,643 9,542 10,982 12,338 33,924 36,781 40,289 42,796 22
23 9,260 10,196 11,689 13,091 35,172 38,076 41,638 44,181 23
24 9,886 10,856 12,401 13,848 36,415 39,364 42,980 45,558 24
25 10,520 11,524 13,120 14,611 37,652 40,646 44,314 46,928 25
26 11,160 12,198 13,844 15,379 38,885 41,923 45,642 48,290 26

27 11,808 12,879 14,573 16,151 40,113 43,194 46,963 49,645 27
28 12,461 13,565 15,308 16,928 41,337 44,461 48,278 50,993 28
29 13,121 14,256 16,047 17,708 42,557 45,722 49,588 52,336 29
30 13,787 14,953 16,791 18,493 43,773 46,979 50,892 53,672 30
Figura 1.7. este divizată în 3 arii notate I, II, III.

Valorile cuprinse în aria I indică o concordanţă excepţională a datelor, încât ne
putem îndoi de faptul că ele sunt aleatoare.
Aria III include valori ale lui χ2, care corespund discrepanţelor între valorile
teoretice şi cele experimentale. Când valorile lui χ2, ”cad” în această arie se constată o
nepotrivire între experiment şi teorie.
Dacă valoarea lui χ2 este cuprinsă în domeniul II tinzând spre aria I, atunci există
dovezi rezonabile că probele testului sunt compatibile. Valorile care tind spre regiunea
III indică concordanţa îndoielnică a datelor.
31
1.5. PROCESE DE AŞTEPTARE ÎN EVOLUŢIA TRAFICULUI
Autori: Corneliu COFARU

Daniela FLOREA
1.5.1. Bazele şi clasificarea sistemelor de aşteptare

Procesele de aşteptare în evoluţia traficului sunt fenomene care apar mai ales în
intersecţii (noduri) sau puncte de trafic intens (staţii de benzină, vamă, puncte de
control), precum şi în traficul fluent şi se manifestă prin formarea coloanelor (cozilor,
şirurilor) de autovehicule.
Pentru descrierea acestor procese sunt folosite modele ale teoriei aşteptării, cu
ajutorul cărora se pot determina mărimile statistice referitoare la numărul vehiculelor
care aşteaptă, variaţia numărului de autovehicule oprite şi timpii de aşteptare.
http://www.eventhelix.com/RealtimeMantra/CongestionControl/queueing_theory.htm
Modelele de aşteptare sunt influenţate de etapele formării unei cozi:
• procesul de sosire;
• disciplina cozii;
• tipul serviciului.
Prin procesul de sosire trebuie descris felul şi numărul de sosiri ale
autovehiculelor într-o coadă, respectiv la sistemul de servire. Coada de aşteptare este
definită ca numărul de unităţi care aşteaptă pentru servire şi nu conţine unităţile care
tocmai au fost servite.
Disciplina cozii descrie ordinea sosirii, servirii şi plecării din coadă. Pot fi amintite
modelele:
• Primul sosit – primul servit (First-in-first-out) - FIFO,
• Ultimul sosit – primul servit (Last-in-first-out) - LIFO,
• Servire aleatoare – (Service-in-random) - SIRO.
Figura 1.8.Timpul de aşteptare în sistem

Luând în considerare sistemul de servire, trebuie să se facă diferenţa între
numărul posturilor de servire şi structura lor (în paralel sau în serie).
32
Caracteristic pentru locurile de servire sunt: timpul de aşteptare şi probabilitatea de

aşteptare.
Timpul de aşteptare în sistem, ds are două componente:
• aşteptarea în şir şi
• timpul de servire.
Într-o cazul fluxurilor de trafic, timpul de aşteptare în şir conţine timpul petrecut în
sistem de la sosire până la plecarea din sistem care este compus din:
• timpul corespunzător staţionărilor,
• timpul de mers înainte,
• timpul de frânare şi de accelerare, tv şi
• timpul de serviciu, tf.
Datorită dificultăţii măsurării acestor timpi, se recomandă determinarea timpilor
pierduţi (întârzieri), care rezultă din diferenţa dintre timpul corespunzător trecerii unui
vehicul fără oprire şi cel corespunzător situaţiei reale, figura 1.8.
Mai simplu, sunt stabilite punctele de intersecţie teoretice ale traiectoriilor
autovehiculelor la o viteză constantă cu secţiunea de drum corespunzătoare.
Întârzierea nu conţine şi pierderea de timp datorată accelerării după secţiunea
considerată.
Definirea modelului de aşteptare se face după cel puţin trei parametri X/Y/c, unde:
• X descrie modelul sosirii:
• X=M sosiri după distribuţia Poisson;
• X=D sosiri deterministe (la intervale regulate de timp);
• X=G sosiri după un model general;
• X=Mn sosiri după un proces Poisson, dar intensitatea sosirii depinde de
numărul vehiculelor din coadă, la un moment dat.
• Y descrie tipul de serviciu:
• Y=M servire după distribuţie exponenţial-negativă;
• Y=D distribuţie deterministă, serviciu constant;
• Y=Mn distribuţie exponenţial-negativă a timpilor de servire cu intensitate
dependentă de numărul vehiculelor din coadă.
• c - numărul punctelor de servire (servere).
http://www.eventhelix.com/RealtimeMantra/CongestionControl/m_m_1_queue.htm
La analiza întârzierilor fluxurilor (de exemplu, performanţelor intersecţiilor) care se
intersectează, este necesar să se cunoască şi comportamentul conducătorului unui
vehicul care virează sau intersectează un flux de trafic principal din poziţia unui flux de
trafic secundar. Un model simplificat ia în calcul comportamentul fiecărui conducător
auto prin mărimea intervalului temporal dintre vehiculele fluxului principal.
Pentru un conducător care aşteaptă să se infiltreze într-un flux principal, un
interval de timp suficient de mare va fi
α(t ) = P (t − t g ) , (1.74)
unde P (x ) , este probabilitatea ca autovehiculul să se infiltreze în intervalul t, având
proprietatea că P (x ) = 0 , pentru x < 0 şi P (x ) = 1 pentru x > 0 .
33
Procesul de infiltrare ale loc la limita intervalului de timp t g , având ca valoare 4…5
secunde. Dacă în calcul sunt considerate mai multe vehicule care aşteaptă un interval
de timp suficient de mare, atunci valoarea medie a intervalului de timp dintre
vehiculele următoare va fi de 2 … 3 secunde.
Dacă sosirea vehiculelor are loc după un proces Poisson, iar plecarea respectă o
distribuţie exponenţială a intervalelor de timp dintre autovehicule, se poate exprima
capacitatea de circulaţie pentru fluxurile secundare, Vt/h,
M
Q = f ⋅ e −β ⋅ − α ,) (1.75)
e −1
unde:
M – valoarea fluxului principal;
tg – limita intervalului de timp dintre vehiculele din fluxul principal ce poate fi
valorificat de vehiculele fluxului secundar, s;
tf – limita de timp dintre două vehicule ale fluxului secundar, s;
M
α= tf , (1.76)
3600
β=
M
3600
(t g − t f ), (1.77)
f = 1 − 10 −7 M 2 . (1.78)
Dacă procesul de descărcare a şirului este descris prin distribuţia Gamma,
capacitatea de circulaţie a fluxului secundar folosind relaţia propusă de Segloch este:
⎛t − t + tf ⎞
⎜ g 2 ⎟⎠
N (t ) = ⎝ , pentru t > t g − t f . (1.79)
tf 2
1.5.2. Modelele stohastice de aşteptare în traficul staţionar

Utilizarea modelelor de aşteptare este redusă la puţine cazuri, întrucât trebuie
luate în considerare o serie de restricţii:
• procesele de sosire şi plecare staţionare;
• rata de sosire a autovehiculelor λ < µ , rata de plecare;
• disciplina cozii după modelul FIFO;
• populaţie infinită.
Deci, considerând primele două condiţii, modelele vor fi de tipul M/M/1.
Presupunând:
• distribuţia Poisson pentru sosiri,
1
• rata medie a sosirii λ , ⎡ t ⎤ , deci timpul de sosire , exprimat în secunde, iar,
V
⎢⎣ s ⎥⎦ λ
rata medie a plecării µ, ⎡ t ⎤ ,

V
•
⎢⎣ s ⎥⎦
1
timpul mediu de servire pentru o singură unitate de servire este t = ,(s).
µ
Alte notaţii des folosite sunt:
N – numărul unităţilor în sistem (în aşteptare sau în curs de servire);
34
ρ - factorul de serviciu (intensitatea de trafic) care arată, în medie, numărul de

unităţi care apar pe durata timpului mediu de serviciu în sistem;
P0 - Probabilitatea să nu fie nici un autovehicul în sistemul de aşteptare (numărul
de autovehicule din coadă şi în servire):
λ
P0 = 1 − , (1.80)
µ
Pn – probabilitatea, independentă de timp, de a fi n unităţi în sistem (în aşteptare
sau în curs de servire):
n n
⎛λ⎞ ⎛λ⎞ ⎛ λ⎞
Pn = ⎜⎜ ⎟⎟ ⋅ P0 = ⎜⎜ ⎟⎟ ⋅ ⎜⎜1 − ⎟⎟ . (1.81)
⎝µ⎠ ⎝µ⎠ ⎝ µ⎠
L – numărul mediu de autovehicule în aşteptare sau în curs de servire;
l - numărul mediu de autovehicule în aşteptare;
D – timpul mediu de aşteptare (întârzierea medie) în sistem;
d - timpul mediu de aşteptare (întârzierea medie) în şir;
A(t) – distribuţia intervalelor de timp dintre sosiri consecutive; a(t) va fi densitatea
de probabilitate a acestei distribuţii;
B(t) – distribuţia timpilor de serviciu (sau a duratelor de serviciu); b(t) va fi
densitatea de probabilitate a acestei distribuţii.
Tabelul 1.8 prezintă o sinteză a modelelor de aşteptare precum şi caracteristicile
principale, folosind notaţiile explicate în continuare:
Considerând
λ λ
1 − P0 = şi ρ = , (1.82)
µ µ
factorul de serviciu sau intensitatea de trafic exprimă gradul de folosire al
sistemului şi este egal cu probabilitatea ca unitatea de servire să fie pe deplin
solicitată.
• Numărul mediu de autovehicule în aşteptare, l şi timpul mediu de aşteptare în
l
şir, d , sunt în relaţia l = λ ⋅ d respectiv, d = .
λ
• Modelul M/Ek/1. Dacă se consideră o distribuţie exponenţială având parametrul
serviciului (plecării) k, densitatea de probabilitate:
1
f (t ) = ⋅ (µk )k ⋅ e −µkt ⋅ t k −1 , (1.83)
(k − 1)!
se obţin valorile prezentate în tabelul 1.8.
• Modelul M/M/m. Este cazul sistemului de aşteptare care lucrează în paralel. Se
presupune că unităţile de servire sunt identice (cazul semafoarelor care deservesc
mai multe benzi de circulaţie pe aceeaşi fază cu aceeaşi rată de sosire şi de
plecare sau servire).
Probabilitatea ca în sistem să nu se afle nici un vehicul este dată de relaţia:
−1
⎡m −11 ⎛ λ ⎞ n 1 ⎛ λ ⎞ m ⎛ µm ⎞⎤
P0 = ⎢ ∑ ⋅ ⎜⎜ ⎟⎟ + ⋅⎜ ⎟ ⋅ ⎜⎜ ⎟⎟⎥ (1.84)
⎢⎣ n =1 n ⎝ µ ⎠ m! ⎜⎝ µ ⎟⎠ ⎝ µm − λ ⎠⎥⎦
35
Tabelul 1.8: Caracteristicile modelelor de aşteptare

Sistemul de Numărul mediu de vehicule în Timpul mediu de aşteptare în
aşteptare sistem, l şir, d
λ 1
M/M/1
µ−λ µ−λ
2
⎛λ ⎞
M/Ek/1 k + 1 ⎜⎝ µ ⎟⎠ λ k +1
⋅
λ
+
1
⋅ + 2 k µ(µ − λ ) µ
2k 1 − λ µ
µ
1 λ (2 µ − λ ) 1 (2µ − λ )
M/D/1 ⋅ ⋅ ⋅
2 µ 2 (µ − λ ) 2 µ (µ − λ )
m 2
λ2 σ 2 + ⎛⎜ λ ⎞⎟ λ2 σ 2 + ⎛⎜ λ ⎞⎟
⎝ µ⎠ λ 1
⋅ ⎝ µ⎠ + 1
M/G/1 +
µ λ 2 ⎛⎜1 − λ ⎞⎟ µ
2 ⎛⎜1 − λ ⎞⎟ µ⎠
⎝ µ⎠ ⎝
m m
λµ⎛⎜ λ ⎞⎟ µ⎛⎜ λ ⎞⎟
M/M/m ⎝ µ⎠ P +
λ ⎝ µ⎠ P0+
1
(m − 1)! (µm − λ )2 0
µ (m − 1)! (µm − λ )2
µ
iar probabilitatea ca în sistem să se afle n vehicule:

⎧ 1 ⎛λ⎞
n
⎪ ⎜ ⎟ P0 pentru n ≤ m − 1
⎪ n! ⎜⎝ µ ⎟⎠
Pn = ⎨ n
(1.85)
⎪ 1 ⎛λ⎞
⎪ m! m n −m ⎜⎜ µ ⎟⎟ P0 pentru n≥m
⎩ ⎝ ⎠
Figura 1.9.Timpul mediu de aşteptare.

Variaţia timpului mediu de aşteptare în sistem, ca funcţie de intensitatea
traficului, ρ = λ este dată în figura 1.9 pentru diferite modele.
µ
Evoluţia funcţiei arată o dependenţă neliniară care, de la valoarea ρ = 0
corespunzător întârzierii medii d = 1 , va ajunge pentru ρ → 1 la valori foarte mari. Se
36
constată că, prin reducerea factorului de serviciu ρ , întârzierea medie scade

substanţial indiferent de model. În cazul modelelor D/D/1 este posibil ca ρ > 1 .
1.5.3. Întârzierile în intersecţii în cazul traficului staţionar

În cazul vehiculelor din fluxul secundar care aşteaptă pentru a se infiltra în fluxul
principal, întârzierile se determină funcţie de intervalele de timp din fluxul principal F(t)
şi distribuţia intervalelor de intrare α(t ) .
Dacă aceste intervale α(t ) sunt distribuite exponenţial în fluxul principal
F (t ) = λ ⋅ e λt , iar funcţia α(t ) = P (t − t g ) , întârzierea medie corespunzătoare celui mai
mic interval de timp (gol) tg este:
− (1 − λt g )
λt g
e
d = , (1.86)
λ
iar dispersia acestor intervale de timp,
− (2 λt g )e
2 λt g λt g
2
e −1
σ = . (1.87)
λ2
Aceste relaţii se referă la cazul în care autovehiculul nu trebuie să frâneze (nu
este incomodat) la intrarea în fluxul principal de pe prima bandă de circulaţie.
Autovehiculele fluxului secundar care vor fi obligate să aştepte, sosesc cu o tărie
orară q n ⎡ t ⎤ şi pleacă cu rata µ ⎡ t ⎤ , intersectând în zona nodală fluxul principal
V V
⎢⎣ h ⎥⎦ ⎢⎣ h ⎥⎦
q P ⎡ t ⎤ , respectiv λ ⎡ t ⎤ . Intervalele temporale dintre vehicule în ambele cazuri

V V
⎢⎣ h ⎥⎦ ⎢⎣ h ⎥⎦
sunt distribuţii exponenţiale.
În cazul traversării unui flux principal, respectiv pentru a vira, vehiculele din fluxul
secundar necesită existenţa unor intervale minime t g , în fluxul principal.
Dacă mai multe vehicule în fluxul secundar, solicită integrarea în fluxul principal,
infiltrarea va avea loc după ce vehiculul din faţă, aflat la un interval de timp tf (s), s-a
integrat.
Ecuaţia ce descrie întârzierile vehiculului din fluxul secundar d = D , care poate fi
exprimată cu o relaţie de forma:
D = p0 ⋅ D1 + (1 − p0 ) ⋅ D2 + Dh . (1.88)
Funcţie de poziţia autovehiculului în şir, se determină:
- pentru vehiculul din prima poziţie:
D1 =
[e λt g
− (1 + λt g ) ] + t = [e
− (1 + γ )
+ tf ,
γ
] (1.89)
f
λ λ
- pentru un vehicul care la sosirea sa găseşte x vehicule care aşteaptă în poziţiile
( x + 1, x , x − 1,...,1,2 ) până la prima poziţie de aşteptare,
D2 =
e
λt g
(1 − e ) = e (1 − e ) ;
− λt f γ −α
(1.90)
λ λ
- pentru vehiculele din fluxul secundar în poziţia h, rezultă:
37
Dh =
[( )( ) ] (
e γ e γ − γ 1 − e −α − α ⋅ e −α β e β + e γ − 1 − γ + e γ 1 − e β
−
) ( ) (1.91)
⎛λ γ β⎞ ⎛λ ⎞
λ ⋅ ⎜⎜ − e + e ⎟⎟ λ ⋅ ⎜⎜ + e β − 1 − β ⎟⎟
⎝µ ⎠ ⎝µ ⎠
cu:
α = λt f , β = λ (t g − t f ) şi γ = λt g .
Pentru valorile t g = 6 s , t f = 3 ,2 s pentru intersectări şi t g = 5 ,2 s şi t f = 2 ,7 s în
cazul virărilor, se obţin diagramele din figura 1.10.
Probabilitatea ca nici un vehicul să nu aştepte este dată de următoarea ecuaţie:
p0 = P ( X = 0 ) =
λ−µe ( λt g
−e
(
λ t g −t f )
) (
λ − µ e γ − eβ )
λ−µe [ (
λ t g −t f )
− (1 + λ (t g − t f )) ] =
(
λ − µ e β − (1 + β)
.
) (1.92)
Staţionaritatea sistemului de aşteptare şi deci capacitatea intersecţiei apare numai

dacă p0 > 0 . Tăria maximă a fluxului secundar rezultă din:
(
− λ t g −t f )
e e −β
µ < µ max = ⋅λ = α ⋅λ. (1.93)
e λt f − 1 e −1
Astfel, rezultă formula de bază a lui Hardes cu capacitatea, Q:
Q = µ max ⋅ 3600 ⎡ t ⎤ .
V
(1.94)
⎢⎣ h ⎥⎦
După Brilon, se poate calcula p0 , într-o aproximaţie destul de bună:
qn
p0 = 0 ,98 − . (1.95)
Q
Figura 1.10.Timpul mediu de aşteptare pentru vehiculele din fluxul principal lateral în funcţie
de tăria fluxului principal qp şi a fluxului lateral qn pentru intersectări şi virări.
Dacă se consideră o intersecţie semaforizată cu o singură bandă pe sens, se pot
formula diferite modele. Ele se deosebesc, în principal, prin ipotezele care se fac
asupra sosirii autovehiculelor precum şi a plecărilor pe timpul de verde (C-tR).
Dacă se consideră originea diagramei spaţiu-timp la sfârşitul timpului de roşu tR,
atunci:
• L(t) va reprezenta numărul de autovehicule din sistem la momentul t, adică
vehiculele care aşteaptă şi vehiculele care tocmai pleacă şi
38
• A(t) distribuţia intervalelor de timp între sosirile consecutive în intervalul (0,t).

Întârzierea totală D a tuturor vehiculelor pe durata unui ciclu C, se poate calcula
considerând:
• D1 - întârzierea vehiculelor sosite până la sfârşitul timpului de roşu şi
• D2 - întârzierea vehiculelor sosite pe durata eliberării intersecţiei, deci:
tR C
D = D1 + D2 = ∫ [L(0 ) + A(t )]dt + ∫ [L(t )]dt . (1.96)
0 tR
Dacă sosirile A(t) sunt considerate de tip Poisson, iar plecările sunt descrise de o
distribuţie exponenţială,
A( t ) = λt , (1.97)
atunci,
⎧⎪tR ⎫⎪ ⎡ λt 2 ⎤
D1 = ⎨ ∫ [L(0 ) + A(t )]dt ⎬ = t R ⎢{L(0 )} + R ⎥ , (1.98)
⎪⎩ 0 ⎪⎭ ⎣⎢ 2 ⎦⎥
presupunând că:
1
• fiecare autovehicul are nevoie de un interval de timp constant t = (unde µ
µ
este rata plecării (de curgere) în timpul eliberării pentru a părăsi sistemul de
aşteptare);
• timpul de evacuare (C-tR) este un multiplu de t, dacă pe parcursul unui ciclu vin
în medie mai puţine vehicule decât pot pleca pe durata evacuării (C-tR),
C − tR t
atunci va rezulta un trafic nesaturat λC < , respectiv λt < 1 − R .
t C
Cea de-a doua componentă poate fi exprimată folosind relaţia:
1
[ ( )]
D2 = t (1 − λt )−2 λt R + (1 − λt ) 2 λt R ⋅ L( 0 ) + λ2 t R 2 + λt R .
2
(1.99)
Valoarea întârzierii totale pe durata unui ciclu va fi:

λt R ⎡ 2 ⎛ 1 ⎞⎤
D= ⎢t R + L( 0 ) + z⎜1 + ⎟⎥ . (1.100)
2 (1 − λt ) ⎣ λ ⎝ 1 − λt ⎠ ⎦
În cazul unui trafic redus, L( 0 ) = 0 , deoarece este puţin probabil ca pe durata
ciclului anterior să fi rămas autovehicule.
Dacă nu există această situaţie, atunci analiza sistemului de aşteptare se
complică. Pentru cel mai simplu caz al procesului de sosire în care intervalele de timp
1 1
dintre vehicule = sunt constante, L(t) se află analitic, iar L(0 ) = 0 , relaţia pentru D
λ q
se reduce la:
q ⋅ tR
D= (t R + t ) . (1.101)
2 (1 − qt )
Dacă se consideră:
C − tR
• t R = (1 − a )C şi qt = aρ , pentru a = - gradul de utilizare a timpului de
C
verde efectiv şi
39
• dacă se ia în considerare fiecare vehicul care soseşte pe durata fiecărui ciclu,

D
qC , întârzierea medie corespunzătoare este , rezultă din [12] relaţia:
qC
d =
(1 − a )2 ⋅ C . (1.102)
2 (1 − a ⋅ ρ )
Rezultatul este o măsură pentru întârzierea minimă. Pentru cazul în care L(0)
nu este luat în calcul, Webster a determinat întârzierea în cazul sosirilor de tip
Poisson, pentru intervale de timp între plecările succesive distribuite exponenţial şi
cicluri de durată mare:
1
=
(1 − a )2 ⋅ C + ρ 2 − 0 ,65 ⋅ ⎛ C ⎞ 3
⋅ ρ (2 +5 a ) ,
d ⎜ 2⎟ (1.103)
2 (1 − a ⋅ ρ) 2 λ(1 − ρ) ⎝λ ⎠
C − tR λ ⋅t
cu a = şi ρ = . (1.104)
C a
Relaţia se recomandă pentru valori mari ale produsului λt pentru care în [57] a
fost determinat L(0) – numărul de autovehicule la începutul timpului de verde, cu
relaţia:
1 (−1,33 µ (C −tR ) )⋅ ρ
1− ρ
L(0 ) = e , (1.105)
2 (1 − ρ )
pentru care întârzierea medie este :
C (1 − a )2 (1 − a ) L(0 )
d = + ⋅ . (1.106)
2 (1 − aρ ) 1 − aρ λ
Akcelik a simplificat relaţia lui Miller,
(r − ρ 0 )
L(0 ) = 1,5 , (1.107)
(1 − ρ)
µ(C − t R )
pentru ρ > ρ 0 , cu ρ 0 = 0 ,67 + . (1.108)
600
Optimizarea unui program de semaforizare, prin minimizarea întârzierilor totale la
o intersecţie semaforizată, a generat alte modele care au fost validate de rezultatele
empirice. Miller a propus un astfel de model pentru minimalizarea întârzierilor:
⎡ ⎛ 2 λt + t R − 1 ⎞ ⋅ I ⎤
λt R ⎢ ⎜ C ⎟⎠ ⎥
D≈ t C + ⎝
⎢R ⎥, (1.109)
2 (1 − λt ) ⎢ ⎛
λ⎜1 − t R ⎞
− λt ⎟ ⎥
⎢⎣ ⎝ C ⎠ ⎥⎦
care are ca premisă cu privire la procesul de sosire pentru rata sosirii λ şi coeficientul
de variaţie a acesteia în funcţie de independenţa sosirii, I.
Pentru o intersecţie cu 4 intrări întârzierea minimă este o mărime de forma:
1
D = ∑ Di , (1.110)
C
1
⎡ t I T (1 − λi t i ) ⎤ 2
V +⎢ i i V ⎥ (1 − Tv i )−1
⎣ Tv i ⎦
C= , (1.111)
λi t i
1−
πi
40
[ ]
−1
(λi t i I i )1 2 + ⎛⎜1 − TV C ⎞⎟ (λi t i λ j t j )12 (λi t i I i )1 2 − (λ j t j I j )1 2
Tv i = ⎝ ⎠ , (1.112)
(λi t i I i )1 2 + (λ j t j I j )1 2
unde, TV este suma timpilor de verde care apar la fiecare ciclu, iar i şi j caracterizează
direcţiile care se intersectează, Tv i timpul de verde al unui acces i.
1.5.4. Modele de aşteptare deterministe în traficul nestaţionar

În cazul traficului nestaţionar atât pentru sosiri cât şi pentru plecări, apare variaţia
mărimilor în funcţie de timp.
Dacă se consideră rata sosirii q (t )⎡ t ⎤ , rata plecării s (t )⎡Vt ⎤ , raportul

V
⎢⎣ timp ⎥⎦ ⎢⎣ timp ⎥⎦
q (t ) reprezintă randamentul unei unităţi de trafic.
s (t )
O privire macroscopică asupra situaţiei traficului permite analiză matematică a
fluxurilor rutiere aflate în mişcare.
Pentru caracterizarea aglomerărilor de scurtă durată poate fi considerat blocajul
unui acces sau întreruperea unui flux într-o intersecţie semaforizată.
Figura 1.11: Modelul de aşteptare determinist în cazul traficului nestaţionar

O formulare generală a modelului determinist în cazul apariţiei unei aglomerări
temporare a unei intersecţii, este prezentată în figura 1.11, în care numărul total al
vehiculelor care sosesc este dat de relaţia:
t
Q (t ) = ∫ q (t )dt , (1.113)
0
iar numărul de vehicule care pleacă este:

t
Q(t ) = ∫ s (t )dt . (1.114)
0
Numărul de autovehicule în sistem la momentul t, L(t), considerând q (t ) > s (t ) la

t=0, rezultă din diferenţa ambelor linii de sumă:
41
t
L(t ) = ∫ [q (t ) − s (t )]dt . (1.115)
0
Durata aglomerării t, poate fi determinată din condiţia

L(t d ) = 0 . (1.116)
Întârzierea totală D, pentru toate autovehiculele, este dată de suprafaţa
determinată de liniile sumă Q(t ) şi S (t ) :
td td
D= ∫ [q (t ) − s (t )] ⋅ t ⋅ dt = ∫ [Q(t ) − S (t )] ⋅ dt (1.117)
0 0
Timpul mediu de aşteptare al fiecărui vehicul este:

d =D , (1.118)
N
unde, N reprezintă numărul de autovehicule blocate. N se calculează după situaţie, ca
produsul q ⋅ t d sau s ⋅ t d . Numărul de vehicule din sistem este l = D .
td
Figura 1.12. Timpii de aşteptare în cazul formării unei unde de şoc în intersecţie
42
În figura 1.13 sunt prezentate mărimile care descriu trei exemple tipice pentru
diferite rate de sosire şi plecare.
Cazurile a şi b descriu un flux de trafic fluent care pe o perioadă de timp T este
blocat de un flux cu o rată de curgere redusă f (s ) care este egală cu randamentul
punctului de blocare. Situaţia a) poate fi folosită pentru cazul unui acces la o
intersecţie semaforizată.
Figura 1.13. Analiza sistemelor de aşteptare cu diferite valori ale ratei de sosire şi plecare.
Dacă t d este egal cu durata ciclului C, atunci la un timp de roşu t R ,
T = (1 − a ) ⋅ C , (1.119)
care rezultă la un grad de utilizare
1
ρ= =1 (1.120)
as
cu
C − tR
a= , (1.121)
C
întârzierea medie pentru fiecare autovehicul este:
T C
d = = (1 − a ) , ρ = 1 . (1.122)
2 2
Relaţia generală este:
⎧ 1 (1 − a )2 C
⎪d = pentru aρ ≤ 1,
⎨ 2 1 − aρ (1.123)
⎪ d =∞ pentru aρ > 1,
⎩
relaţie stabilită în [12].
Cazul c) arată o supraîncărcare pe durata T datorită unei rate foarte mari de
sosire.
Ecuaţiile întârzierilor în cazul modelului determinist de aşteptare pot fi determinate
prin ecuaţiile undelor de şoc, figura 1.12.
43
Tabelul 1.9: Parametrii şirurilor de aşteptare
Durata s f(s ) − s q − f(q )

td T T T
aglomerării s −q q −s s − f(q )
d max Întârzierea q − f(s ) q −s

individuală T T T
maximă q s
Întârzierea 1 1 q − f(s ) 1 q −s
d individuală T T T
medie 2 2 q 2 s
l max Numărul maxim

de vehicule din qT T [q − f ( s )] T(q − s )
sistem
Numărul mediu 1 1 1
l de vehicule din qT T [q − f ( s )] T(q − s )
sistem 2 2 2
Numărul total
qT
s
qT
[f ( s ) − s ] sT
[q − f ( s )]
N de vehicule
blocate s −q q −s [s − f ( q )]
1 s 1 2 [q − ( s )] ⋅ [f ( s ) − s ]
Întârzierea qT 2 T 1 2 [q − f (q )](q − s )
D 2 s −q 2 q −s T
totală 2 [s − f (q )]
1.5.5. Modele de aşteptare la limita traficul liber – trafic parţial condiţionat

Analiza întârzierilor în punctele în care se formează o undă de şoc poate fi folosită
în cazul traficului mai puţin intens, pe baza distribuirii probabilităţii sosirilor şi plecărilor
autovehiculelor.
Pentru factorul de serviciu ρ = λ = 1 , rezultă întârzieri nule în cazul unor modele
µ
deterministe şi o pierdere infinită pentru modele uniforme, figura 1.14.
Figura 1.14. Reprezentarea calitativă a lungimii cozii de aşteptare şi a indicelui de calitate

pentru timpul pierdut, funcţie de componenta uniformă (u), deterministă (d) şi aleatoare (a).
44
Modelele realiste trebuie să ia în considerare probabilitatea proceselor plecărilor şi

sosirilor autovehiculelor ca dependenţă de timp, de cererea de trafic şi randament.
Pentru traficul mai puţin intens, a fost stabilită o soluţie de transformare a funcţiei de
echilibru teoretic probabilă într-o funcţie care are dreapta funcţiei deterministe ca
asimptotă.
În figura 1.14 se regăsesc atât componenta uniformă Pu , cât şi componenta de
supraîncărcare Pa , aleatoare.
Componenta uniformă Pu se bazează pe suprapunerea intervalelor temporale şi
este reprezentată de obicei de durata timpului de roşu ( t R timp de oprire).
Componenta Pa este reprezentată ca funcţie de numărul de autovehicule La ,
PU = f (LU ) care trebuie evacuate pe durata timpului de verde, V din coada
supraîncărcată.
La analiza întârzierilor într-un nod, a fost propusă următoarea relaţie pentru
lungimea medie a cozii LU :
ST ⎡ 12 (ρ − ρ 0 ) ⎤
LU = ⎢(ρ − 1) + (ρ − 1)2 + ⎥ , pentru ρ < ρ 0 , (1.124)
4 ⎢⎣ ST ⎥⎦
unde:
ST – numărul maxim de autovehicule care pot trece în intervalul de timp T (S
măsurat în vehicule/oră, iar T în ore);
ρ = q - gradul de încărcare cu vehicule, tăria traficului de curgere, [Vt/h];
S
(
ρ 0 = 0 ,67 + s C − t R
) , cu s [Vt/h], tăria traficului fluid;
600
( )
S = s C − t R , în [Vt/h], randamentul accesului;
C
T(h) – perioada de timp în care s-a măsurat tăria q [Vt/h];
Dacă ρ < 0 ,9 există o influenţă foarte mare asupra valorilor LU.
Dacă intervalul de timp T este relativ mic, pentru o tărie a traficului q 2 < S , coada
se dizolvă la momentul:
t 2 = [(ρ − 1)(1 − ρ 2 )] ⋅ T , unde ρ 2 =

q2 . (1.125)
S
Pentru a neglija întârzierile datorate vehiculelor care apar după T se adoptă
q 2 = 0 şi t 2 = (ρ − 1)T .
Pentru calculul întârzierilor şi opririlor precum şi a numărului de autovehicule din
sistem, pot fi folosite modele detaliate verificate experimental pe domeniul lui ρ:
qC (1 − a )2
D= + LU r , (1.126)
2 (1 − aρ )
numărul de opriri pe vehicul, h [opriri/vehicul]:
⎛ 1 − a LU ⎞
h = fh ⎜⎜ + ⎟⎟ , (1.127)
⎝ 1 − 1ρ qC ⎠
iar numărul vehiculelor din sistem la începutul eliberării, L:
45
L = qt R + LU , (1.128)
unde se cunoaşte semnificaţia fiecărei notaţii în parte.
Dacă se consideră fh=0,9 se ţine seama şi de vehiculele care nu ajung la o oprire
totală.
Timpul pierdut mediu pe fiecare vehicul, d , este:
d =D , (1.129)
q
iar numărul de opriri pe oră este:
H = h ⋅q . (1.130)
Deoarece, în acest model se presupune că fiecare vehicul intră în şirul de
aşteptare imediat ce ajunge la linia de oprire, atunci lungimea adevărată a cozii este
subevaluată.
Se consideră, în acest caz lungimea reală a cozii:
L
Le = 1,1 ⋅ L = . (1.131)
⎛ 1⎞
⎜1 − ⎟q
⎝ v⎠
Se adoptă l=7,2 m distanţa dintre vehicule, pentru viteza v=14,4 m/s.
Lungimea maximă a cozii din această condiţie apare la puţin timp după afişarea
culorii verzi a semaforului:
L
Lmax = . (1.132)
1 − aρ
46
1. INSTRUMENTE MATEMATICE DE ANALIZĂ A FLUXURILOR RUTIERE.............. 6

1.1. Să ne reamintim de statistica matematică.......................................................... 6
1.1.1. Culegerea datelor statistice ......................................................................... 6
1.1.1.1. Programul observării statistice .............................................................. 7
1.1.1.2. Metode de observare statistică ............................................................. 7
1.1.1.3. Erorile de observare statistică............................................................... 8
1.1.1.4. Controlul datelor statistice..................................................................... 8
1.1.2. Metode de prelucrare primară a datelor ...................................................... 9
1.1.3. Prezentarea datelor statistice .................................................................... 10
1.1.4. Indicatori statistici ...................................................................................... 11
1.2. Variabile aleatoare ........................................................................................... 12
1.2.1. Definirea variabilelor aleatoare .................................................................. 12
1.2.2. Caracteristicile de bază ale variabilelor aleatoare ..................................... 14
1.2.2.1. Indicatorii tendinţei centrale ................................................................ 14
1.2.2.2. Indicatorii variaţiei ............................................................................... 15
1.2.2.4. Funcţia generatoare............................................................................ 18
1.2.3. Procesul Poisson....................................................................................... 19
1.3. Legi de distribuţie sau de legi de repartiţie....................................................... 20
1.3.1. Legi de distribuţie ale variabilelor aleatoare discrete ................................. 20
1.3.1.1. Distribuţia binomială............................................................................ 20
1.3.1.2. Distribuţia Poisson .............................................................................. 21
1.3.1.3. Distribuţia binomial-negativă ............................................................... 22
1.3.1.4. Distribuţia geometrică ......................................................................... 23
1.3.2. Legi de distribuţie ale variabilelor aleatoare de tip continuu ...................... 23
1.3.2.1. Distribuţia normală .............................................................................. 23
1.3.2.2. Repartiţia Pearson de tipul III (Gama generalizată) ............................ 25
1.3.2.3. Caracteristicile de bază ale distribuţiilor de tip continuu...................... 26
1.4. Estimarea parametrilor şi criterii de verificare statistică ................................... 27
1.5. Procese de aşteptare în evoluţia traficului ....................................................... 32
1.5.1. Bazele şi clasificarea sistemelor de aşteptare........................................... 32
1.5.2. Modelele stohastice de aşteptare în traficul staţionar................................ 34
1.5.3. Întârzierile în intersecţii în cazul traficului staţionar.................................... 37
1.5.4. Modele de aşteptare deterministe în traficul nestaţionar ........................... 41
1.5.5. Modele de aşteptare la limita traficul liber – trafic parţial condiţionat......... 44
47

C2 - Indicatori Statistici

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

C2 - Indicatori Statistici

Încărcat de

Drepturi de autor:

Formate disponibile

SISTEME AVANSATE DE TRANSPORT RUTIER

1. INSTRUMENTE MATEMATICE DE ANALIZĂ A FLUXURILOR RUTIERE

Autor: Daniela FLOREA

1.1. SĂ NE REAMINTIM DE STATISTICA MATEMATICĂ

1.1.1. Culegerea datelor statistice

• condiţia de volum care presupune culegerea datelor după un program care

1.1.1.1. Programul observării statistice

1.1.1.2. Metode de observare statistică

• Observări speciale: recensăminte sau anchete de circulaţie.

1.1.1.3. Erorile de observare statistică

1.1.1.4. Controlul datelor statistice

o Controlul aritmetic presupune verificarea calculelor efectuate de către

1.1.2. Metode de prelucrare primară a datelor

Pasul 1. Determinarea amplitudinii, A

1.1.3. Prezentarea datelor statistice

Tabelele sunt simple când se realizează o grupare simplă după o singură

1.1.4. Indicatori statistici

pentru care ∑ pi = ∑ f i =1.

În reprezentarea rezultatelor statistice, se poate utiliza exprimarea sub forma

Frecvenţele absolute ca şi cele relative vor fi folosite în continuare pentru

1.2. VARIABILE ALEATOARE

1.2.1. Definirea variabilelor aleatoare

Variabila aleatoare poate fi definită şi cu ajutorul frecvenţei absolute de apariţie a

Exprimat în cuvinte, funcţia de repartiţie în punctual x este dată de suma

iar semnul ∑ devine integrală ∫ .

Dacă se notează F (x ) funcţia de distribuţie, densitatea de probabilitate are

similar cu frecvenţa cumulată în sens crescător,

Densitatea de probabilitate în acest caz este interpretată ca probabilitatea

1.2.2. Caracteristicile de bază ale variabilelor aleatoare

1.2.2.1. Indicatorii tendinţei centrale

În cazul variabilelor aleatoare de tip continuu,

Dacă media este definită ca moment, ea reprezintă momentul teoretic necentrat

b). Indicatorii medii de poziţie sunt reprezentaţi de quantile şi modul.

1.2.2.2. Indicatorii variaţiei

Indicatorii variaţiei pot fi grupaţi astfel:

Dispersia variabilei aleatoare X, notată D2(X) sau D2, se calculează ca o medie

pentru cazul variabilelor discrete, şi

pentru cazul variabilelor de tip continuu.

în care D4 reprezintă momentul centrat de ordinul al patrulea şi se calculează cu

Coeficientul de variaţie C X reprezintă o mărime cantitativă adimensională

1.2.2.4. Funcţia generatoare

Pentru variabile aleatoare discrete de tip continuu:

Funcţia generatoare are proprietatea:

unde, Mk este momentul teoretic necentrat de ordinul k şi poate fi folosit la calculul

1.2.3. Procesul Poisson

Figura 1.1. Exemplificarea sosirii vehiculelor

1.3. LEGI DE DISTRIBUŢIE SAU DE LEGI DE REPARTIŢIE

1.3.1. Legi de distribuţie ale variabilelor aleatoare discrete

1.3.1.1. Distribuţia binomială

Caracteristica Notaţie Relaţia de calcul Observaţii

1.3.1.2. Distribuţia Poisson

Figura 1.2: Distribuţia Poisson

Caracteristica Notaţie Relaţia de calcul Observaţii

1.3.1.3. Distribuţia binomial-negativă

Figura 1.3: Distribuţia binomial negativă

1.3.1.4. Distribuţia geometrică

1.3.2. Legi de distribuţie ale variabilelor aleatoare de tip continuu

1.3.2.1. Distribuţia normală

În analiza fenomenelor din natură, se constată ca majoritatea măsurătorilor pot fi

Figura 1.4: Distribuţia normală

Funcţia Φ (x ) cunoscută sub numele de funcţia integrală a lui Laplace permite

În tabelele statistice se găseşte pentru Φ (3 ) = 0 ,9987 , obţinând:

Relaţia precedentă arată că probabilitatea ca valoarea absolută să depăşească