O tempo tem se tornado uma moeda cada vez mais importante na nossa sociedade. No contexto da universidade, é comum que alunos de graduação e pós conciliem aulas, atividades de extensão e de laboratório, bem como hobbies e suas vidas pessoais. É comum termos aulas, palestras, monitorias, reuniões e até mesmo experimentos que cubram parte do horário de almoço. Justamente por isso, nem sempre o estudante sabe se será possível almoçar no restaurante universitário, já que o tempo gasto nessa atividade pode depender de vários fatores, como o cardápio, a distância do bandejão, o clima e até mesmo o tempo de espera pelo ônibus circular. O objetivo dessa função, aqui chamada de BandejaR é, portanto, fornecer ao estudante uma estimativa melhor do tempo gasto para almoçar em cada um dos quatro bandejões da cidade universitária da USP.

A função bandejaR terá como base de dados um dataframe com o tempo estimado a pé de cada instituição de ensino superior até os quatro bandejões da cidade universitária. Não será considerada a ida ao bandejão através de ônibus circulares, uma vez que é sabido que eles são completamente imprevisíveis. Obs: Talvez, ela inclua também o tempo de carro, permitindo ao usuário que ele selecione um novo parâmetro “carro” que seria uma entrada de True or False e retornaria o tempo considerando esses dois meios de transporte. Uma vez que estamos considerando o tempo e a fila de cada bandejão, a função também já incluirá uma estimativa de fluxo de usuários, considerando o tamanho de cada bandejão, e uma estimativa categorizada de tamanho de fila para cada unidade. Outro parâmetro importante para essa função considera os cardápios de cada bandejão. Uma vez que é muito difícil considerar toda a variedade de opções que os bandejões podem oferecer, o parâmetro cardápio (subdividido em cada um dos bandejões) deverá categorizar o cardápio “global” de cada bandejão como “Bom”, “Médio” e “Ruim”. Nesse contexto, o usuário deverá considerar a opção não-PVT, uma vez que a maior parte das pessoas não é vegetariana/vegana e, portanto, a maior parte da fila deve ser de indivíduos que comem carne. Embora a classificação do cardápio seja subjetiva, acredito que grande parte dos usuários devem considerar mais ou menos as mesmas coisas como “Bom”, “Médio” e “Ruim”, dando à função uma estimativa consideravelmente acurada. A caracterização do cardápio, para essa função, implica na quantidade de fila que haverá naquele bandejão. Assim, um cardápio “Bom” terá uma fila maior, um cardápio “Médio” terá uma fila média e um cardápio “Ruim” terá uma fila pequena.

bandejaR (IES_origem,chuva = False,card_pref, card_fis, card_quim, card_cen) IES_origem: instituto de origem dentro da cidade universitária Chuva: pode ser True or False. Em caso de True, a função já considera uma fila menor, uma vez que a maior parte dos bandejões da USP não possuem cobertura para dias de chuva. Card_pref: avaliação geral do cardápio não-PVT do bandejão da Prefeitura (“Bom”, “Medio” e “Ruim”). Card_fis: avaliação geral do cardápio não-PVT do bandejão da Física (“Bom”, “Medio” e “Ruim”). Card_quim: avaliação geral do cardápio não-PVT do bandejão da Química (“Bom”, “Medio” e “Ruim”). Card_cen: avaliação geral do cardápio não-PVT do bandejão da Central (“Bom”, “Medio” e “Ruim”).

IES_origem é uma unidade da cidade universiária? Se não, escreve: “IES_origem precisa ser o código da unidade de ensino: ex: IB e não bio ou biologia. Está chovendo? Se não, escreve: “O default de chuva é false. Se estiver chovendo, você deve inserir “chuva = True” Card_pref é uma das três categorias? Se não, escreve: Card_pref deve ser uma das três categorias “Bom” ou “Medio” ou “Ruim”. Card_fis é uma das três categorias? Se não, escreve: Card_fis deve ser uma das três categorias “Bom” ou “Medio” ou “Ruim”. Card_quim é uma das três categorias? Se não, escreve: Card_quim deve ser uma das três categorias “Bom” ou “Medio” ou “Ruim”. Card_cen é uma das três categorias? Se não, escreve: Card_cen deve ser uma das três categorias “Bom” ou “Medio” ou “Ruim”.

• Item de lista ordenada Cria objeto deslocamento com o dataframe com as unidades de ensino nas linhas e os bandejões nas colunas,com o tempo de deslocamento entre elas
• Item de lista ordenada Cria objeto fluxo com o fluxo “pessoas/minuto” que cada bandejão é capaz de servir.
• Item de lista ordenada Cria o objeto fila que é um dataframe como número de pessoas na fila de cada bandejão, considerando uma fila “pequena”, “média” ou “grande” (o cardápio permite inferir o tamanho da fila).
• Item de lista ordenada Se chuva = TRUE, entra em um ciclo em que todas as filas serão consideradas pequenas
• O tempo final de cada bandejão é a estimativa de tempo da fila mais 2x o deslocamento (ida e volta)
• Item de lista ordenada Se chuva = False, entra em um ciclo em que o cardápio de cada bandejão insere o tamanho da fila.
• Item de lista ordenada Com base no tamanho da fila, estima-se o tempo gasto para servir a fila.
• Item de lista ordenada O tempo final de cada bandejão é a estimativa de tempo da fila mais 2x o deslocamento (ida e volta)
• Item de lista ordenada Retorna a estimativa de tempo para cada bandejão

Tabela com o instituto de origem, os 4 bandejões e a estimativa de tempo para cada um deles.

O esporte universitário tem crescido bastante nos últimos anos e com isso, tem crescido as competições esportivas dentro da universidade. Um grande desafio nesse contexto sempre foi fazer a conferência dos atletas regulares (aqueles com vínculo com sua respectiva atlética e escritos na competição) e dos atletas irregulares (aqueles sem vínculo com sua atlética ou não inscritos na competição). Geralmente, a conferência é feita de forma manual, através de documentos oficiais com foto e buscando os atletas em alguma base de dados, que pode ser digital ou não. A ideia por trás da função ConfAtletas é facilitar esse processo, tornando a conferência automática com base na pré-súmula (documento de pré-inscrição de atletas ao início de cada partida).

Entrada: ConfAtletas (pre_sumA, pre_sumB) pre_sumA: dataframe com os nomes, numero usp e cpf do atleta da equipe A (mandante) pre_sumB: dataframe com os nomes, numero usp e cpf do atleta da equipe B (visitante)

pre_sumA é um dataframe? Se não, escreve “pre_sumA deve ser um dataframe com nome, número usp e cpf dos atletas da equipe A” pre_sumB é um dataframe? Se não, escreve “pre_sumB deve ser um dataframe com nome, número usp e cpf dos atletas da equipe B”

• Cria um objeto ListAtletas que é um dataframe com nome, atlética, número usp e cpf dos atletas inscritos na competição
• Cria um objeto AtletasA que é a busca com base no cpf de todos os atletas da pre_sumA em ListAtletas.
• Cria um objeto AtletasB que é a busca com base no cpf de todos os atletas da pre_sumB em ListAtletas
• Retorna AtletasA e AtletasB

Retorna AtletasA e AtletasB com: Nome do atleta, nusp, cpf e atletica

Código da função: bandejar.r
Help:helpbandejar.txt
AnexoI: Planilha de deslocamentos a pé deslocamentos_bandejoes_andando.csv
AnexoII: Planilha de deslocamentos de carro deslocamentos_bandejoes_carro.csv
AnexoIII: Estimativa de espera do circularwaitingtimeparadox.txt