Neste artigo, implementa-se em Python uma metodologia descrita na literatura para calcular intervalos de credibilidade associados à medição de velocidade em vídeos de acidentes de trânsito. Dada a recorrente interpretação equivocada de intervalos de confiança como de probabilidade, especialmente pela imprensa e usuários finais dos laudos periciais, parece mais apropriado que a incerteza inerente à velocidade estimada por vídeo seja reportada como um intervalo de probabilidade legítimo. Em uma busca sistemática na literatura, foi encontrada uma abordagem de programação probabilística desenvolvida justamente para este fim. O presente artigo trata da implementação dessa abordagem em uma linguagem de programação gratuita e de código aberto e reconhecidamente apropriada para computação científica. A ideia é disponibilizar à comunidade de cientistas forenses uma ferramenta computacional confiável que facilite o uso de intervalos de credibilidade bayesianos nas perícias de cálculo de velocidade por vídeo. Adotou-se como estratégia de validação do código a comparação direta com os resultados do estudo norteador da implementação, sendo utilizados nos testes os mesmos dados experimentais desta referência. Essa comparação revelou achados numéricos e gráficos praticamente idênticos. Também foi observada uma latência computacional satisfatória para o uso prático. Enfim, o código em Python delineado neste trabalho parece viável como ferramenta pericial.
This study presents the implementation, in Python, of a methodology described in the literature for calculating credibility intervals associated with speed estimation from traffic accident videos. Due to the frequent misinterpretation of confidence intervals as probability statements, especially by the media and end-users of forensic reports, this work advocates reporting the inherent uncertainty in video-based speed estimates as a legitimate probability interval. A systematic literature review identified a probabilistic programming approach specifically designed for this purpose. The proposed implementation uses a free, open-source programming language widely adopted in scientific computing. As its main contribution, this study provides the forensic science community with a reliable computational tool that facilitates the application of bayesian credibility intervals in forensic speed estimation analyses. Validation was performed by direct comparison with the results from the reference study, using the same experimental dataset. The tests revealed nearly identical numerical and graphical results, along with computational performance suitable for practical forensic use. These findings support the feasibility and applicability of the Python-based tool as an auxiliary resource in traffic accident investigations.
Este artículo presenta la implementación, en Python, de una metodología descrita en la literatura para calcular intervalos de credibilidad asociados a la estimación de velocidad en vídeos de accidentes de tráfico. La frecuente confusión entre intervalos de confianza y declaraciones de probabilidad, especialmente entre los medios de comunicación y usuarios finales de informes periciales, motiva la adopción de un enfoque bayesiano que permita reportar la incertidumbre como un intervalo de probabilidad legítimo. Tras una revisión sistemática de la literatura, se identificó un método de programación probabilística diseñado específicamente para este fin. La implementación se realizó en un lenguaje de programación gratuito, de código abierto y ampliamente reconocido por su aplicación en computación científica. Como contribución principal, se ofrece a la comunidad forense una herramienta computacional robusta y fiable que facilita la utilización de intervalos de credibilidad bayesianos en análisis de velocidad basados en vídeo. La validación del código se llevó a cabo mediante comparación directa con los resultados del estudio de referencia, empleando el mismo conjunto de datos experimentales. Los resultados mostraron equivalencia numérica y gráfica, además de un tiempo de procesamiento adecuado para su uso práctico en el contexto pericial.
