Você já teve aquela sensação de que o ônibus demora a passar no ponto? De que bem na sua vez, ele está sempre muito cheio? E quando você não consegue entrar?
Foi pensando nesta situação que durante uma aula surgiu a “brilhante” ideia de estudar o comportamento dos ônibus na cidade de Presidente Prudente, no estado de São Paulo.
Mas não era na cidade inteira, pois isso levaria muito tempo e talvez fosse inviável.
Como estudantes de graduação em estatística e provavelmente usuários de ônibus na região, delimitamos um perímetro como área do estudo. Então selecionamos algumas linhas como amostra, determinamos os períodos do dia em que observaríamos as passagens de ônibus pelo ponto e registraríamos os eventos ocorridos em intervalos de 1 hora.
Você deve estar se perguntando: “como assim observaria e registraria?”
Isso mesmo! Há alguns anos não havia aplicativos para acompanhar os ônibus, como o Moovit, Citymapper, Trafi e ; por tanto, sem registros. O que os alunos faziam? Montavam grupos, se espalhavam nos pontos de ônibus da área escolhida e registravam quantos ônibus passavam por hora para cada linha.
Então se você está reclamando de organizar e limpar os dados antes de iniciar a análise, lembre-se de que você poderia estar em um ponto de ônibus, no calor intenso do interior de São Paulo, coletando dados.
OLÁ, PODE ME CHAMAR DE POISSON
Para entender a situação e deixar de reclamar das empresas de ônibus de forma empírica, recorremos a nossa amiga Distribuição de Poisson. Por meio dela foi possível calcular a probabilidade de uma linha de ônibus passar no ponto, em determinado intervalo de tempo. E para fazer isso, usamos essa maravilha aqui:
Onde λ representou o número médio de ocorrências das passagens de uma linha de ônibus em um ponto determinado em um intervalo de tempo (medido em horas), que nós havíamos coletado nos pontos de ônibus. t foi o tempo dos intervalos medidos em horas e k é quantidade de vezes que uma linha passou no ponto em determinado intervalo.
Imagina que essa imagem abaixo está representando seis linhas de ônibus, a quantidade de vezes que cada linha passou (eventos) e a probabilidade da ocorrência; ao longo do tempo. Digamos que o intervalo apresentado seja entre 7:00 e 8:00.
Por exemplo, a probabilidade de dois ônibus da linha amarela passar duas vezes em um ponto de ônibus A entre 7 e 8 horas da manhã é de 0,18. Ou mais, a probabilidade de 10 ônibus da linha roxa passar em um ponto B é de 0,06.
Com esse tipo análise chegamos a conclusões que nos possibilitaram apresentar resultados e diretrizes para melhorar o transporte público na região.
MOBILIDADE URBANA
Podemos definir a mobilidade urbana como a facilidade de deslocamento das pessoas em uma cidade, utilizando meios de transporte como ônibus, metrô, trem, bicicletas, patinetes; que melhorem as relações sociais e econômicas da sociedade.
Na época, este trabalho foi apenas o pontapé inicial para estudar as linhas de ônibus da cidade, em regiões próximas à Universidade. No entanto, ele foi levado adiante e serviu de guia para melhorar o planejamento das empresas de ônibus, tornando o transporte público mais eficiente e acessível no consumo do espaço urbano, atendendo os conceitos de mobilidade.
São trabalhos como esse que permitem as empresas e pessoas tomarem decisões baseadas em dados.
RESULTADOS
O Estatístico ou profissional de análise de dados, na maioria dos casos, não executa as ações, mas sugere o que deve ser feito. Nesse caso específico, me recordo de algumas sugestões:
- Aumentar o número de ônibus de linhas específicas em horário de pico;
- Aumentar e melhorar a distribuição dos pontos de ônibus seguindo um plano de mobilidade urbana;
- Revisar as linhas que atendem longos trajetos e passam poucas vezes nos pontos.
Se as empresas de ônibus executaram as sugestões, eu não sei. Mas o trabalho valeu como experiência e foi ótimo para conectar a teoria à realidade.
Acredito que é isso que falta na maioria das Universidades. Conectar teoria ao mundo real.
