modelo_predictivo
Emilio Martínez - A01177730
2023-09-11
Contexto: Una empresa de renta de bicicletas quiere obtener un pronostico de rentas mensuales para el próximo año.
El “file.choose() fue hecho a través de la consola de R”
df <- read.csv("C:\\Users\\memil\\OneDrive\\Desktop\\aaTecDeMonterrey\\5to Semestre\\SemanaTecProgra\\rentadebicis (2).csv")
summary(df)## hora dia mes año
## Min. : 0.00 Min. : 1.000 Min. : 1.000 Min. :2011
## 1st Qu.: 6.00 1st Qu.: 5.000 1st Qu.: 4.000 1st Qu.:2011
## Median :12.00 Median :10.000 Median : 7.000 Median :2012
## Mean :11.54 Mean : 9.993 Mean : 6.521 Mean :2012
## 3rd Qu.:18.00 3rd Qu.:15.000 3rd Qu.:10.000 3rd Qu.:2012
## Max. :23.00 Max. :19.000 Max. :12.000 Max. :2012
## estacion dia_de_la_semana asueto temperatura
## Min. :1.000 Min. :1.000 Min. :0.00000 Min. : 0.82
## 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:0.00000 1st Qu.:13.94
## Median :3.000 Median :4.000 Median :0.00000 Median :20.50
## Mean :2.507 Mean :4.014 Mean :0.02857 Mean :20.23
## 3rd Qu.:4.000 3rd Qu.:6.000 3rd Qu.:0.00000 3rd Qu.:26.24
## Max. :4.000 Max. :7.000 Max. :1.00000 Max. :41.00
## sensacion_termica humedad velocidad_del_viento
## Min. : 0.76 Min. : 0.00 Min. : 0.000
## 1st Qu.:16.66 1st Qu.: 47.00 1st Qu.: 7.002
## Median :24.24 Median : 62.00 Median :12.998
## Mean :23.66 Mean : 61.89 Mean :12.799
## 3rd Qu.:31.06 3rd Qu.: 77.00 3rd Qu.:16.998
## Max. :45.45 Max. :100.00 Max. :56.997
## rentas_de_no_registrados rentas_de_registrados rentas_totales
## Min. : 0.00 Min. : 0.0 Min. : 1.0
## 1st Qu.: 4.00 1st Qu.: 36.0 1st Qu.: 42.0
## Median : 17.00 Median :118.0 Median :145.0
## Mean : 36.02 Mean :155.6 Mean :191.6
## 3rd Qu.: 49.00 3rd Qu.:222.0 3rd Qu.:284.0
## Max. :367.00 Max. :886.0 Max. :977.0#Día es de 1 - 19, no hasta el 31.
#La base de datos es de 2011-2012.
#Día 1 = Domingo
options(scipen = 9999)plot(df$temperatura, df$rentas_totales, main="Influencia de la temperatura sobre las rentas", xlab="Temperatura", ylab="Rentas Totales")
regresion <- lm(rentas_totales ~ hora + dia + mes + año + estacion + dia_de_la_semana + asueto + temperatura + sensacion_termica + humedad + velocidad_del_viento, data =df)
summary(regresion)##
## Call:
## lm(formula = rentas_totales ~ hora + dia + mes + año + estacion +
## dia_de_la_semana + asueto + temperatura + sensacion_termica +
## humedad + velocidad_del_viento, data = df)
##
## Residuals:
## Min 1Q Median 3Q Max
## -305.52 -93.64 -27.70 61.85 649.10
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -166088.13519 5496.44048 -30.217 < 0.0000000000000002
## hora 7.73502 0.20700 37.368 < 0.0000000000000002
## dia 0.38436 0.24819 1.549 0.12150
## mes 9.99563 1.68200 5.943 0.00000000289
## año 82.58441 2.73229 30.225 < 0.0000000000000002
## estacion -7.77367 5.17712 -1.502 0.13324
## dia_de_la_semana 0.43929 0.69180 0.635 0.52545
## asueto -4.86435 8.36472 -0.582 0.56089
## temperatura 1.58175 1.03786 1.524 0.12752
## sensacion_termica 4.74849 0.95523 4.971 0.00000067607
## humedad -2.11520 0.07884 -26.827 < 0.0000000000000002
## velocidad_del_viento 0.55819 0.18086 3.086 0.00203
##
## (Intercept) ***
## hora ***
## dia
## mes ***
## año ***
## estacion
## dia_de_la_semana
## asueto
## temperatura
## sensacion_termica ***
## humedad ***
## velocidad_del_viento **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 141.7 on 10874 degrees of freedom
## Multiple R-squared: 0.3891, Adjusted R-squared: 0.3885
## F-statistic: 629.6 on 11 and 10874 DF, p-value: < 0.00000000000000022regresion2 <- lm(rentas_totales ~ hora + mes + año + sensacion_termica + humedad + velocidad_del_viento, data =df)
summary(regresion2)##
## Call:
## lm(formula = rentas_totales ~ hora + mes + año + sensacion_termica +
## humedad + velocidad_del_viento, data = df)
##
## Residuals:
## Min 1Q Median 3Q Max
## -308.60 -93.85 -28.34 61.05 648.09
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -166245.29647 5495.62373 -30.250 < 0.0000000000000002
## hora 7.73428 0.20700 37.364 < 0.0000000000000002
## mes 7.57371 0.42071 18.002 < 0.0000000000000002
## año 82.66237 2.73191 30.258 < 0.0000000000000002
## sensacion_termica 6.17185 0.16891 36.539 < 0.0000000000000002
## humedad -2.12076 0.07858 -26.988 < 0.0000000000000002
## velocidad_del_viento 0.62084 0.17708 3.506 0.000457
##
## (Intercept) ***
## hora ***
## mes ***
## año ***
## sensacion_termica ***
## humedad ***
## velocidad_del_viento ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 141.7 on 10879 degrees of freedom
## Multiple R-squared: 0.3886, Adjusted R-squared: 0.3883
## F-statistic: 1153 on 6 and 10879 DF, p-value: < 0.00000000000000022datos <- data.frame(hora = 12, mes = 1:12, año = 2013, sensacion_termica = 23.66, humedad = 61.89, velocidad_del_viento = 12.79)
predict(regresion2,datos)## 1 2 3 4 5 6 7 8
## 277.1523 284.7260 292.2997 299.8734 307.4471 315.0209 322.5946 330.1683
## 9 10 11 12
## 337.7420 345.3157 352.8894 360.4631