diff --git "a/docs/Estudos/Remo\303\247\303\243oRuidos.md" "b/docs/Estudos/Remo\303\247\303\243oRuidos.md"
new file mode 100644
index 0000000..1cdcab3
--- /dev/null
+++ "b/docs/Estudos/Remo\303\247\303\243oRuidos.md"
@@ -0,0 +1,86 @@
+# Remoção de ruídos
+
+## 1. O que é um ruído?
+
+Ao transformar os arquivos disponibilizados pela SEMOB (Secretaria de Mobilidade e Transporte) em um grafo, algumas paradas acabaram por ficar muito próximas. Essas paradas foram chamadas de ruídos.
+
+Eles passaram a se mostrar um problema, ao afetar o cálculo da melhor rota.
+
+A imagem abaixo mostra um exemplo de ruído:
+
+![Imagem1](./assets/Ruido.png)
+
+
+## 2. Eliminando ruídos
+
+Tendo em vista o problema que os ruídos haviam se tornado, foi necessário encontrar uma maneira de contorna-lo.
+
+Para isso foram idelizados alguns algortimos que poderiam resolver esses problemas. Os principais foram o de Média e Mediana e o da utilização do DBSCAN.
+
+### 2.1 Média e Mediana
+
+**Preparação para filtragem de paradas que não fazem parte de uma rota.** 
+
+O projeto consiste em calcular a média das distâncias entre as paradas e em seguida colocar um limiar abaixo para que as paradas muito próximas uma das outras sejam eliminadas.
+
+$$ média\ das\ distâncias = \sum_{i=0}^{n} \frac{distâncias_{i}}{n-1}$$
+
+$n: número\ de\ paradas$
+
+As etapas de dessa filtragem são:
+
+**Passo 1: Preparação dos Dados**
+
+- Deixar o dataframe das paradas em ordem ao longo da rota e indexadas.
+- Calular as distâncias entre paradas consecutivas.
+
+**Passo 2: Definição de Limiares**
+
+- Calcular a média das distâncias entre as paradas.
+- Calcular o desvio padrão das distâncias entre as paradas.
+- Definir um limiar que seja uma combinação da média e do desvio padrão, por exemplo, `limiar = média + k * desvio_padrao`, onde `k` é um fator que você pode ajustar com base na sensibilidade desejada.
+
+**Passo 3: Identificação e Eliminação de Paradas Próximas**
+
+- Iniciar um loop para percorrer todas as paradas da rota, começando pela primeira.
+- Para cada parada atual, calcular a distância até a próxima parada.
+- Se a distância for menor que o limiar definido no Passo 2, eliminar a próxima parada (atualize os dados originais para remover essa parada).
+- Reordenar a lista de paradas, se necessário, após a eliminação.
+- Voltar ao passo 3º caso não tenha chegado até a ultima parada.
+
+**Passo 4: Repetição e Verificação**
+
+- Repetir o Passo 3 até que não seja mais possível eliminar paradas (ou seja, a distância entre todas as paradas seja maior que o limiar).
+- Isso garantirá que todas as paradas próximas demais sejam removidas.
+- Verificar no gráfico se a qualidade da representação da rota melhorou visualizando os resultados no gráfico.
+
+**Resultado**
+
+Utilizar a média e mediana para reduzir os ruídos se mostrou um desafio, muitas das paradas acabavam sumindo, resultando em um grafo com muito menos paradas.
+
+Após esses resultados foi decidido que este não era o melhor metodo para a resolução do problema,sendo assim necessário procurar outro algoritmo capaz de reduzir os ruídos.
+
+### 2.2 DBSCAN
+
+O DBSCAN (Density-Based Spatial Clustering of Applications with Noise) é um algoritmo de clustering utilizado em mineração de dados e análise de padrões. Ele difere de outros métodos de clustering, como o K-means, por sua capacidade de descobrir grupos de formas arbitrárias e lidar com ruídos nos dados. O DBSCAN baseia-se na densidade de pontos em um espaço multidimensional, onde os pontos densos são considerados parte de um grupo, enquanto os pontos menos densos são tratados como ruído.
+
+O funcionamento do DBSCAN é relativamente simples. Ele começa selecionando um ponto de dados aleatório e verifica a densidade de pontos próximos a ele. Se houver pontos suficientes em uma vizinhança definida por um raio específico, o algoritmo inicia um novo cluster a partir desse ponto e explora seus vizinhos de maneira recursiva. Isso continua até que não haja mais vizinhos densos a serem adicionados ao cluster, marcando assim o fim do grupo. Os pontos que não se encaixam em nenhum cluster ou têm densidade muito baixa são classificados como ruído.
+
+**Resultado**
+
+O DBSCAN se mostrou uma excelente ferramenta ao conseguir eliminar grande parte dos ruídos do CSV utilizado para confeccionar os grafos.
+
+## 3. Proxímo Passo
+
+O proxímo passo é aplicar o DBSCAN no atual CSV para assim conseguir eliminar os ruídos, garantindo uma melhor precisão para o algortimo de melhor rota da API.
+
+## 4. Links Úteis
+
+- [DBSCAN](https://scikit-learn.org/stable/modules/generated/sklearn.cluster.DBSCAN.html)
+- [Uso do DBSCAN em trajetórias](https://www.mdpi.com/2220-9964/6/3/63)
+
+## 5. Histórico de Versão
+
+| Versão | Alteração | Responsável | Data |
+| - | - | - | - |
+| 1.0 | Criando documentação sobre ruídos | João Artur Leles | 23/10 |
\ No newline at end of file
diff --git a/docs/Estudos/assets/Ruido.png b/docs/Estudos/assets/Ruido.png
new file mode 100644
index 0000000..f9cfc7a
Binary files /dev/null and b/docs/Estudos/assets/Ruido.png differ