Tesis para optar al grado de Magíster en Políticas Públicas / La incidencia distributiva del impuesto a los combustibles ha sido objeto de un debate político permanente en los últimos años, debido principalmente a un supuesto efecto regresivo sobre la clase media y los más pobres. Este trabajo analiza la incidencia distributiva del impuesto a los combustibles en el Gran Santiago durante el año 2009 para aquellos individuos que poseen automóvil. Se desarrolla una fórmula — que considera el número de autos particulares totales por comuna, los kilómetros recorridos en promedio por habitante, el rendimiento vehicular promedio según el tamaño y tipo de motor (diesel y gasolina), y el año de fabricación del automóvil — para calcular los litros de combustible utilizados, en promedio, durante un día laboral y determinar la carga tributaria por tipo de combustible a nivel comunal. Los resultados, según el índice Cuasi-Gini — que permite medir la progresividad o regresividad del impuesto a través de una curva de Lorenz que grafica el porcentaje acumulado del ingreso per cápita por comuna y el porcentaje acumulado de la carga tributaria — muestran una incidencia progresiva del impuesto a las gasolinas (0,63) y del impuesto al diesel (0,59) y una concentración de alrededor de 60% de la carga tributaria total en las seis comunas más ricas de Gran Santiago (Las Condes, Vitacura, Providencia, Lo Barnechea, Ñuñoa y La Reina).

Made available in DSpace on 2014-06-12T23:15:04Z (GMT). No. of bitstreams: 2 arquivo9183_1.pdf: 3734643 bytes, checksum: 84c2b156e03dc9e26311a297b5b3d774 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2006 / Este trabalho tem duas partes, ambas envolvendo espectroscopia no infravermelho e quimiometria. Na primeira parte, foram obtidos modelos de calibração multivariada baseados em dados espectrais nas regiões NIR e MIR para prever as principais propriedades de gasolinas comercializadas na região Nordeste. Foram coletadas 160 amostras de gasolinas e os modelos de calibração foram construídos considerando-se dados espectrais da região NIR (em dois caminhos ópticos diferentes - 1 e 10 mm) e MIR, dois algoritmos de calibração (mínimos quadráticos parciais - PLS e regressão linear múltipla - MLR), e diferentes pré-processamentos (derivada, alisamento e seleção de variáveis com o Algoritmo Genético, AG, ou o Algoritmo de Projeções Sucessivas, APS). Analisando-se os erros médios quadráticos relativos de previsão (RMSEPR) para os vários modelos, observou-se que todas as propriedades envolvidas podem ser preditas de forma satisfatória a partir do espectro NIR na faixa 1600-2500 nm (caminho óptico de 1 mm), com calibração por MLR e seleção de variáveis pelo algoritmo genético, com qualquer dos pré-processamentos utilizados.A outra parte trata do problema de transferência de calibração. Propôs-se uma nova estratégia para a construção de modelos de calibração robustos em relação a diferenças entre dois equipamentos. O APS foi utilizado para selecionar variáveis de forma a minimizar o erro de previsão para o conjunto de teste do equipamento primário, mas também para um pequeno conjunto de amostras medidas no equipamento secundário (amostras de transferência). Dois conjuntos de dados foram empregados: espectros MIR de gasolinas C, para previsão da propriedade T90% (temperatura para 90% de amostra destilada); e espectros NIR de amostras de milho para previsão do teor de umidade. Os modelos MLR robustos assim obtidos foram comparados a modelos PLS, utilizando-se padronização direta em etapas (PDS) para corrigir os espectros do equipamento secundário. Os erros de predição no equipamento secundário para os modelos MLR robustos foram comparáveis aos dos modelos PLS-PDS e levemente inferiores aos erros do modelo APSV-MLR

BUARQUE, Hugo Leonardo de Brito. Predição de propriedades de gasolinas a partir das suas composições. 2006. 206f. Tese (Doutorado em Física) - Curso de Pós-Graduação em Física, Universidade Federal do Ceará, Fortaleza, 2006. / Submitted by francisco lima (admir@ufc.br) on 2013-04-12T13:50:23Z No. of bitstreams: 1 2006_tese_hldbbuarque.pdf: 89844 bytes, checksum: 09dd0a3616e88ec1e47ab52519f63da5 (MD5) / Approved for entry into archive by Edvander Pires(edvanderpires@gmail.com) on 2014-02-25T20:59:40Z (GMT) No. of bitstreams: 1 2006_tese_hldbbuarque.pdf: 89844 bytes, checksum: 09dd0a3616e88ec1e47ab52519f63da5 (MD5) / Made available in DSpace on 2014-02-25T20:59:40Z (GMT). No. of bitstreams: 1 2006_tese_hldbbuarque.pdf: 89844 bytes, checksum: 09dd0a3616e88ec1e47ab52519f63da5 (MD5) Previous issue date: 2006 / Commercial gasolines are normally produced by blendin g hydrocarbon fractions obtained from the distillation of crude oil or from o ther petrochemical or refining processes, and carried through in order to comply with a variety of legal and ambient specifications at minimum cost. The quality for the use a nd commercialization of gasolines is evaluated through certain characteristics specified by governmental regulation. Such characteristics are usually determined by different methodologies and experimental techniques, since those depend on the ir constituents and their respective concentrations with a high complexity. Thus, blending of gasolines in petrochemical and refining industries is sometimes a very laborious procedure. The prediction of fuel properties from composition data is growing in importance in the last few years. Methods of group contribution have been usedin the last decades to predict properties of pure organic compounds and some mix ture parameters (e.g.,UNIFAC). However, most of the recent studies use artificial neural networks as a technique for prediction for fuel properties using the composition of classes of constituents or key-compounds as input data. The main a dvantage of a neural network is its capacity to extract general and unknown in formation for certain series of data (training), supplying useful and fast models for prediction. However, the use of neural networks trained to predict properties of fue ls produced from one given combination of petroleum fractions can not be suitable in the prediction of the characteristics of other gasolines produced from other orig ins due to the complexity and variability of gasoline composition. In this study, methods of multiple linear regression and artificial neural networks have been eval uated in the correlation and prediction of gasoline properties from information of composition obtained by gas chromatography, as well as a methodology for prediction of properties using a hybrid method composed of neural networks and group contribut ion. The developed model is evaluated and compared to other methods, revealing to be sufficiently promising for prediction of properties of pure components and com plex mixtures. / As gasolinas comerciais são normalmente produzidas a partir de combinações de frações oriundas da destilação do petróleo ou de outros processos petroquímicos e de refino e realizadas de modo a atender uma variedade de especificações legais e ambientais, com o mínimo de custo possível. A qualidade para o uso e comercialização de uma gasolina é avaliada através de cer tas características especificadas por leis e normas governamentais. Estas caracter ísticas são normalmente determinadas por diferentes metodologias e técnicas experimentais, haja vista que dependem dos seus constituintes e suas respecti vas concentrações com uma complexidade bastante elevada, tornando a formulação da gasolina originada em refinarias e petroquímicas, um procedime nto muitas vezes bastante laborioso. O intuito de se predizer propriedades de derivados de petróleo a partir de dados de composição é antigo e vem crescendo em importância nos últimos anos. Métodos de contribuição de grupos têm sido utilizados ao longo das últimas décadas para predizer propriedades de compostos orgânicos puros e alguns parâmetros de misturas (e.g., UNIFAC). Entretanto, a maior parte dos estudos mais recentes utiliza redes neurais artificiais como técnica para predição de propriedades de combustíveis usando a composição de grupos de compostos ou mesmo de compo stos-chave como informação de entrada. A principal vantagem de um a rede neural é sua capacidade de extrair informações gerais e desconhecidas pa ra certa série de dados (treinamento), fornecendo modelos de predição úteis e rápidos tanto para sistemas lineares como não-lineares. Porém, dada a complexidade e variabilidade dos constituintes das gasolinas, a utilização de redes neurais t reinadas para modelar as propriedades destes combustíveis produzidos a partir de uma dada combinação de frações petrolíferas pode não se adequar na predição da s características de gasolinas obtidas a partir de uma outra origem. Neste estudo, métodos de regressão linear múltipla e redes neurais artificiais foram avali ados na correlação e predição de propriedades de gasolinas a partir de informações de com posição obtidas por cromatografia gasosa, como também foi desenvolvida uma metodologia de predição de propriedades utilizando um método híbrido de redes neurais e contribuição de grupos. O modelo desenvolvido é avaliado e comparado aos demais, mostrando-se bastante promissor para predição de propriedades de componentes puros e misturas mais complexas.

AgÃncia Nacional do PetrÃleo / Commercial gasolines are normally produced by blending hydrocarbon fractions obtained from the distillation of crude oil or from other petrochemical or refining processes, and carried through in order to comply with a variety of legal and ambient specifications at minimum cost. The quality for the use and commercialization of gasolines is evaluated through certain characteristics specified by governmental regulation. Such characteristics are usually determined by different methodologies and experimental techniques, since those depend on their constituents and their respective concentrations with a high complexity. Thus, blending of gasolines in petrochemical and refining industries is sometimes a very laborious procedure. The prediction of fuel properties from composition data is growing in importance in the last few years. Methods of group contribution have been used in the last decades to predict properties of pure organic compounds and some mixture parameters (e.g., UNIFAC). However, most of the recent studies use artificial neural networks as a technique for prediction for fuel properties using the composition of classes of constituents or key-compounds as input data. The main advantage of a neural network is its capacity to extract general and unknown information for certain series of data (training), supplying useful and fast models for prediction. However, the use of neural networks trained to predict properties of fuels produced from one given combination of petroleum fractions can not be suitable in the prediction of the characteristics of other gasolines produced from other origins due to the complexity and variability of gasoline composition. In this study, methods of multiple linear regression and artificial neural networks have been evaluated in the correlation and prediction of gasoline properties from information of composition obtained by gas chromatography, as well as a methodology for prediction of properties using a hybrid method composed of neural networks and group contribution. The developed model is evaluated and compared to other methods, revealing to be sufficiently promising for prediction of properties of pure components and complex mixtures. / As gasolinas comerciais sÃo normalmente produzidas a partir de combinaÃÃes de fraÃÃes oriundas da destilaÃÃo do petrÃleo ou de outros processos petroquÃmicos e de refino e realizadas de modo a atender uma variedade de especificaÃÃes legais e ambientais, com o mÃnimo de custo possÃvel. A qualidade para o uso e comercializaÃÃo de uma gasolina à avaliada atravÃs de certas caracterÃsticas especificadas por leis e normas governamentais. Estas caracterÃsticas sÃo normalmente determinadas por diferentes metodologias e tÃcnicas experimentais, haja vista que dependem dos seus constituintes e suas respectivas concentraÃÃes com uma complexidade bastante elevada, tornando a formulaÃÃo da gasolina originada em refinarias e petroquÃmicas, um procedimento muitas vezes bastante laborioso. O intuito de se predizer propriedades de derivados de petrÃleo a partir de dados de composiÃÃo à antigo e vem crescendo em importÃncia nos Ãltimos anos. MÃtodos de contribuiÃÃo de grupos tÃm sido utilizados ao longo das Ãltimas dÃcadas para predizer propriedades de compostos orgÃnicos puros e alguns parÃmetros de misturas (e.g., UNIFAC). Entretanto, a maior parte dos estudos mais recentes utiliza redes neurais artificiais como tÃcnica para prediÃÃo de propriedades de combustÃveis usando a composiÃÃo de grupos de compostos ou mesmo de compostos-chave como informaÃÃo de entrada. A principal vantagem de uma rede neural à sua capacidade de extrair informaÃÃes gerais e desconhecidas para certa sÃrie de dados (treinamento), fornecendo modelos de prediÃÃo Ãteis e rÃpidos tanto para sistemas lineares como nÃo-lineares. PorÃm, dada a complexidade e variabilidade dos constituintes das gasolinas, a utilizaÃÃo de redes neurais treinadas para modelar as propriedades destes combustÃveis produzidos a partir de uma dada combinaÃÃo de fraÃÃes petrolÃferas pode nÃo se adequar na prediÃÃo das caracterÃsticas de gasolinas obtidas a partir de uma outra origem. Neste estudo, mÃtodos de regressÃo linear mÃltipla e redes neurais artificiais foram avaliados na correlaÃÃo e prediÃÃo de propriedades de gasolinas a partir de informaÃÃes de composiÃÃo obtidas por cromatografia gasosa, como tambÃm foi desenvolvida uma metodologia de prediÃÃo de propriedades utilizando um mÃtodo hÃbrido de redes neurais e contribuiÃÃo de grupos. O modelo desenvolvido à avaliado e comparado aos demais, mostrando-se bastante promissor para prediÃÃo de propriedades de componentes puros e misturas mais complexas.