AGREGAR IMAGEN

Introducción

…………..

Contexto

El paquete nycflights13 contiene información sore todos los vueles que partieron desde Nueva York(EWR, JFL, LGA) en destinos a los Estados Unidos en 2013. Fueron 336,776 vuelos en total. Para ayudar a comprender las causas de los retrasos, también incluye otros ocnjuntos de datos útiles.

Este paquete incluye las siguientes tablas:

  • flights = todos los vuelos que salieron de NUeva York en el 2013
  • weather = datos metereológicos por hora de cada aeropuerto
  • planes = información de construcción de cada avión
  • airports = nombres y ublicaciones de aeropuertos
  • airlines = relación entre nombres y códigos de las aerolíneas

Fuente: Origen de los datos

Instalar paquetes y llamar librerías

#install.packages("nycflight13")
library(nycflights13)
#install.packages("tidyverse")
library(tidyverse)
## Warning: package 'tidyverse' was built under R version 4.3.3
## Warning: package 'ggplot2' was built under R version 4.3.3
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.4
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ ggplot2   3.5.0     ✔ tibble    3.2.1
## ✔ lubridate 1.9.3     ✔ tidyr     1.3.0
## ✔ purrr     1.0.2     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
#install.packages("dplyr")
library(dplyr)
#install.packages("ggplot2")
library(ggplot2)
#install.packages("")
library(broom)
## Warning: package 'broom' was built under R version 4.3.3

Guardar base de datos

flights <- flights
weather <- weather
planes <- planes
airports <- airports
airlines <- airlines

Relación entre las bases de datos

agregar imagen

Data Wrangling

1. Funciones básicas de manejo de datos

Select

La función select sirve para seleccionar columnos de un table (data frame).

df1 <- flights %>% select(carrier, flight) # Selección de columnas específicas
df2 <- flights %>% select(carrier:distance) # Selección de rango de columnas
df3 <- flights %>% select(-carrier, -flight) # Eliminar columnas específicas
df4 <- flights %>% select(-carrier: -flight) # Eliminar rango de columnas
df5 <- flights %>% select(aerolinea = carrier) # Selecciona una columna y le cambia el nombre
df6 <- flights %>% rename(aerolinea = carrier) # Cambia el nombre de una columna

Filter

La función Filter sirve para seleccionar renglones de un tabla(data frame).

df7 <- flights %>% filter(dep_delay >=500) # Extrae renglones que cumplan condición
# Condicionales: Igual ==, Desigual =!=, Mayor que >, Mayor o igual que >=, Menor o igual que <=
# Operadores lógicos: AND &, OR |, NOT !
df8 <- flights %>% filter(dep_delay >=500, dep_delay <=600) # Extrae renglones que cumplan con dos condiciones
df9 <- flights %>% slice(1000: 1099) # Extrae los números de los renglones indicados, sin importar sus valores

Distinct

La función distinct sirve para eliminar renglones duplicados.

df10 <- distinct(flights) # Dejar solo los renglones diferentes, borra todos los repetidos.

Merge

La función merge sirve para juntar bases de datos.

bdgrande <- merge(flights, airlines, by="carrier")
bdgrande2 <- merge(bdgrande,planes, by="tailnum")

Mutate

bdgrande_con_dist_mts <- mutate(bdgrande2, dist_mts = distance*1.609)
#Agrega variables nuevas caluladas a partir de variables existentes en la base de datos.

Ejercicios

  1. Encuentra todos los vuelos que tuvieron un atraso en llegada de 2 horas o más.
ejercicio1 <- bdgrande2 %>% filter(arr_delay>=120)
  1. Encuentra todos los vuelos que llegaron a Houston (IAN O HOU)
ejercicio2 <- bdgrande2 %>% filter(dest== "IAH" | dest == "HOU")
  1. Encuentra todos los vuelos operados por United, American o Delta.
ejercicio3 <- bdgrande2 %>% filter(carrier %in% c("UA", "AA", "DL"))
  1. Encuentra todos los vuelos que despegaron en Julio, Agosto o Septiembre
ejercicio4 <- bdgrande2 %>% filter(month %in% c(7, 8, 9))
ejercicio4a <- bdgrande2 %>% filter(month == 7 | month == 8 | month == 9) 
  1. Encuentra todos los vuelos que arrivaron más de 2 horas tarde, pero no despegaron tarde.
ejercicio5 <- bdgrande2 %>% filter(arr_delay>120 & dep_time == sched_dep_time)
ejercicio5a <- bdgrande2 %>% filter(arr_delay>120 & dep_delay<=0)
  1. Encuentra todos los vuelos que se retrasaron al menos 1 hora, pero que llegaron antes 30 minutos o más.
ejercicio6 <- bdgrande2 %>% filter(dep_delay>=60 & arr_delay<=-30)
  1. Encuentra todos los vuelos que salieron entre la medianoche y las 6 a.m.
ejercicio7 <- bdgrande2 %>% filter(dep_time %in% c("2400", "100", "200", "300", "400", "500", "600"))
ejercicio7a <- bdgrande2 %>% filter(dep_time==2400 | dep_time<=600) 
ejercicio7b <- bdgrande2 %>% filter(hour %in% c("0", "1", "2", "3", "4", "5", "6"))

Arrange

Similar a filter () pero en lugar de seleccionar renglones, los ordena de menor a mayor.

df11 <- arrange(bdgrande2, year.x, month, day)

Para acomodar de mayor a menor.

df12 <- arrange(bdgrande2, year.x, desc(month), day)

Summarize

Colapsa una tabla a un sólo renglón

# Obtén el retraso promedio de salida de despegue de todos los vuelos
summarize(bdgrande2, mean(dep_delay, na.rm=TRUE))
##   mean(dep_delay, na.rm = TRUE)
## 1                      13.17979

Group by

Agrupa tabla basado en algunas columnas.

# Obtener el retraso promedio de despegue por día
por_dia <- group_by(bdgrande2, year.x, month, day)
summarize(por_dia, mean(dep_delay, na.rm=TRUE))
## `summarise()` has grouped output by 'year.x', 'month'. You can override using
## the `.groups` argument.
## # A tibble: 365 × 4
## # Groups:   year.x, month [12]
##    year.x month   day `mean(dep_delay, na.rm = TRUE)`
##     <int> <int> <int>                           <dbl>
##  1   2013     1     1                           10.7 
##  2   2013     1     2                           14.4 
##  3   2013     1     3                           11.1 
##  4   2013     1     4                           10.0 
##  5   2013     1     5                            5.70
##  6   2013     1     6                            7.98
##  7   2013     1     7                            6.49
##  8   2013     1     8                            3.10
##  9   2013     1     9                            3.17
## 10   2013     1    10                            1.89
## # ℹ 355 more rows

Evidencia 1 New York (Hecha en clase)

1. Cargar en memoria la tabla “flights” y mostrar su contenido

# La carga a a memoria se hizo en el paso anterior
flights
## # A tibble: 336,776 × 19
##     year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
##    <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
##  1  2013     1     1      517            515         2      830            819
##  2  2013     1     1      533            529         4      850            830
##  3  2013     1     1      542            540         2      923            850
##  4  2013     1     1      544            545        -1     1004           1022
##  5  2013     1     1      554            600        -6      812            837
##  6  2013     1     1      554            558        -4      740            728
##  7  2013     1     1      555            600        -5      913            854
##  8  2013     1     1      557            600        -3      709            723
##  9  2013     1     1      557            600        -3      838            846
## 10  2013     1     1      558            600        -2      753            745
## # ℹ 336,766 more rows
## # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## #   tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## #   hour <dbl>, minute <dbl>, time_hour <dttm>

2. Consulta la estructura de “flights”

str(flights)
## tibble [336,776 × 19] (S3: tbl_df/tbl/data.frame)
##  $ year          : int [1:336776] 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 ...
##  $ month         : int [1:336776] 1 1 1 1 1 1 1 1 1 1 ...
##  $ day           : int [1:336776] 1 1 1 1 1 1 1 1 1 1 ...
##  $ dep_time      : int [1:336776] 517 533 542 544 554 554 555 557 557 558 ...
##  $ sched_dep_time: int [1:336776] 515 529 540 545 600 558 600 600 600 600 ...
##  $ dep_delay     : num [1:336776] 2 4 2 -1 -6 -4 -5 -3 -3 -2 ...
##  $ arr_time      : int [1:336776] 830 850 923 1004 812 740 913 709 838 753 ...
##  $ sched_arr_time: int [1:336776] 819 830 850 1022 837 728 854 723 846 745 ...
##  $ arr_delay     : num [1:336776] 11 20 33 -18 -25 12 19 -14 -8 8 ...
##  $ carrier       : chr [1:336776] "UA" "UA" "AA" "B6" ...
##  $ flight        : int [1:336776] 1545 1714 1141 725 461 1696 507 5708 79 301 ...
##  $ tailnum       : chr [1:336776] "N14228" "N24211" "N619AA" "N804JB" ...
##  $ origin        : chr [1:336776] "EWR" "LGA" "JFK" "JFK" ...
##  $ dest          : chr [1:336776] "IAH" "IAH" "MIA" "BQN" ...
##  $ air_time      : num [1:336776] 227 227 160 183 116 150 158 53 140 138 ...
##  $ distance      : num [1:336776] 1400 1416 1089 1576 762 ...
##  $ hour          : num [1:336776] 5 5 5 5 6 5 6 6 6 6 ...
##  $ minute        : num [1:336776] 15 29 40 45 0 58 0 0 0 0 ...
##  $ time_hour     : POSIXct[1:336776], format: "2013-01-01 05:00:00" "2013-01-01 05:00:00" ...
# int:entero (sin decimales)
# num:numérico (con decimales)
# chr: caractér (letras)
# date: fecha (en R va año-mes-dia)
# POSIXct:formato fecha y hora

3. ¿Cuál es la clase “flights” y qué significa?

class(flights)
## [1] "tbl_df"     "tbl"        "data.frame"
# Las 5 clases de objetos
# 1. numeric: Número real o décimal
# 2. integer: Números enteros
# 3. Complex: Números complejos
# 4. Character: Caractéres 
# 5. Logical: TRUE o FALSE

# Las 4 clases de objetos compuestos son:
# 1. list: lista
# 2. Matrix: Matriz
# 3. Array: colección de objetos
# 4. data.frame: base de datos

4. ¿Cuántas columnas y renglones tiene “flights”?

# Número de columnas
ncol(flights)
## [1] 19
# Numero de renglones
nrow(flights)
## [1] 336776
# Dimensión
dim(flights)
## [1] 336776     19

5. Muestra los primeros 6 renglones de “flights”. Tambien los ultimos 6

head(flights)
## # A tibble: 6 × 19
##    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
##   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
## 1  2013     1     1      517            515         2      830            819
## 2  2013     1     1      533            529         4      850            830
## 3  2013     1     1      542            540         2      923            850
## 4  2013     1     1      544            545        -1     1004           1022
## 5  2013     1     1      554            600        -6      812            837
## 6  2013     1     1      554            558        -4      740            728
## # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## #   tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## #   hour <dbl>, minute <dbl>, time_hour <dttm>
tail(flights)
## # A tibble: 6 × 19
##    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
##   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
## 1  2013     9    30       NA           1842        NA       NA           2019
## 2  2013     9    30       NA           1455        NA       NA           1634
## 3  2013     9    30       NA           2200        NA       NA           2312
## 4  2013     9    30       NA           1210        NA       NA           1330
## 5  2013     9    30       NA           1159        NA       NA           1344
## 6  2013     9    30       NA            840        NA       NA           1020
## # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## #   tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## #   hour <dbl>, minute <dbl>, time_hour <dttm>
# Si quisieramos 7 renglones: head(flights,7)

6. Muestra los estadisticos descriptivos de “flights”

summary(flights)
##       year          month             day           dep_time    sched_dep_time
##  Min.   :2013   Min.   : 1.000   Min.   : 1.00   Min.   :   1   Min.   : 106  
##  1st Qu.:2013   1st Qu.: 4.000   1st Qu.: 8.00   1st Qu.: 907   1st Qu.: 906  
##  Median :2013   Median : 7.000   Median :16.00   Median :1401   Median :1359  
##  Mean   :2013   Mean   : 6.549   Mean   :15.71   Mean   :1349   Mean   :1344  
##  3rd Qu.:2013   3rd Qu.:10.000   3rd Qu.:23.00   3rd Qu.:1744   3rd Qu.:1729  
##  Max.   :2013   Max.   :12.000   Max.   :31.00   Max.   :2400   Max.   :2359  
##                                                  NA's   :8255                 
##    dep_delay          arr_time    sched_arr_time   arr_delay       
##  Min.   : -43.00   Min.   :   1   Min.   :   1   Min.   : -86.000  
##  1st Qu.:  -5.00   1st Qu.:1104   1st Qu.:1124   1st Qu.: -17.000  
##  Median :  -2.00   Median :1535   Median :1556   Median :  -5.000  
##  Mean   :  12.64   Mean   :1502   Mean   :1536   Mean   :   6.895  
##  3rd Qu.:  11.00   3rd Qu.:1940   3rd Qu.:1945   3rd Qu.:  14.000  
##  Max.   :1301.00   Max.   :2400   Max.   :2359   Max.   :1272.000  
##  NA's   :8255      NA's   :8713                  NA's   :9430      
##    carrier              flight       tailnum             origin         
##  Length:336776      Min.   :   1   Length:336776      Length:336776     
##  Class :character   1st Qu.: 553   Class :character   Class :character  
##  Mode  :character   Median :1496   Mode  :character   Mode  :character  
##                     Mean   :1972                                        
##                     3rd Qu.:3465                                        
##                     Max.   :8500                                        
##                                                                         
##      dest              air_time        distance         hour      
##  Length:336776      Min.   : 20.0   Min.   :  17   Min.   : 1.00  
##  Class :character   1st Qu.: 82.0   1st Qu.: 502   1st Qu.: 9.00  
##  Mode  :character   Median :129.0   Median : 872   Median :13.00  
##                     Mean   :150.7   Mean   :1040   Mean   :13.18  
##                     3rd Qu.:192.0   3rd Qu.:1389   3rd Qu.:17.00  
##                     Max.   :695.0   Max.   :4983   Max.   :23.00  
##                     NA's   :9430                                  
##      minute        time_hour                     
##  Min.   : 0.00   Min.   :2013-01-01 05:00:00.00  
##  1st Qu.: 8.00   1st Qu.:2013-04-04 13:00:00.00  
##  Median :29.00   Median :2013-07-03 10:00:00.00  
##  Mean   :26.23   Mean   :2013-07-03 05:22:54.64  
##  3rd Qu.:44.00   3rd Qu.:2013-10-01 07:00:00.00  
##  Max.   :59.00   Max.   :2013-12-31 23:00:00.00  
## 

Conclusión

En este trabajo pudimos utlizar las funciones más comunes del análisis exploratorio, el cual es el primer paso para cualquier trabajo de manipulación de datos.

Evidencia 1 Analítica descriptiva

Exploración

flights

# Consulta la estructura de cada data frame
# Para el data frame flights
data(flights) 
str(flights)
## tibble [336,776 × 19] (S3: tbl_df/tbl/data.frame)
##  $ year          : int [1:336776] 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 ...
##  $ month         : int [1:336776] 1 1 1 1 1 1 1 1 1 1 ...
##  $ day           : int [1:336776] 1 1 1 1 1 1 1 1 1 1 ...
##  $ dep_time      : int [1:336776] 517 533 542 544 554 554 555 557 557 558 ...
##  $ sched_dep_time: int [1:336776] 515 529 540 545 600 558 600 600 600 600 ...
##  $ dep_delay     : num [1:336776] 2 4 2 -1 -6 -4 -5 -3 -3 -2 ...
##  $ arr_time      : int [1:336776] 830 850 923 1004 812 740 913 709 838 753 ...
##  $ sched_arr_time: int [1:336776] 819 830 850 1022 837 728 854 723 846 745 ...
##  $ arr_delay     : num [1:336776] 11 20 33 -18 -25 12 19 -14 -8 8 ...
##  $ carrier       : chr [1:336776] "UA" "UA" "AA" "B6" ...
##  $ flight        : int [1:336776] 1545 1714 1141 725 461 1696 507 5708 79 301 ...
##  $ tailnum       : chr [1:336776] "N14228" "N24211" "N619AA" "N804JB" ...
##  $ origin        : chr [1:336776] "EWR" "LGA" "JFK" "JFK" ...
##  $ dest          : chr [1:336776] "IAH" "IAH" "MIA" "BQN" ...
##  $ air_time      : num [1:336776] 227 227 160 183 116 150 158 53 140 138 ...
##  $ distance      : num [1:336776] 1400 1416 1089 1576 762 ...
##  $ hour          : num [1:336776] 5 5 5 5 6 5 6 6 6 6 ...
##  $ minute        : num [1:336776] 15 29 40 45 0 58 0 0 0 0 ...
##  $ time_hour     : POSIXct[1:336776], format: "2013-01-01 05:00:00" "2013-01-01 05:00:00" ...
ncol(flights)
## [1] 19
nrow(flights)
## [1] 336776
dim(flights)
## [1] 336776     19
head(flights)
## # A tibble: 6 × 19
##    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
##   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
## 1  2013     1     1      517            515         2      830            819
## 2  2013     1     1      533            529         4      850            830
## 3  2013     1     1      542            540         2      923            850
## 4  2013     1     1      544            545        -1     1004           1022
## 5  2013     1     1      554            600        -6      812            837
## 6  2013     1     1      554            558        -4      740            728
## # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## #   tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## #   hour <dbl>, minute <dbl>, time_hour <dttm>
tail(flights)
## # A tibble: 6 × 19
##    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
##   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
## 1  2013     9    30       NA           1842        NA       NA           2019
## 2  2013     9    30       NA           1455        NA       NA           1634
## 3  2013     9    30       NA           2200        NA       NA           2312
## 4  2013     9    30       NA           1210        NA       NA           1330
## 5  2013     9    30       NA           1159        NA       NA           1344
## 6  2013     9    30       NA            840        NA       NA           1020
## # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## #   tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## #   hour <dbl>, minute <dbl>, time_hour <dttm>
summary(flights)
##       year          month             day           dep_time    sched_dep_time
##  Min.   :2013   Min.   : 1.000   Min.   : 1.00   Min.   :   1   Min.   : 106  
##  1st Qu.:2013   1st Qu.: 4.000   1st Qu.: 8.00   1st Qu.: 907   1st Qu.: 906  
##  Median :2013   Median : 7.000   Median :16.00   Median :1401   Median :1359  
##  Mean   :2013   Mean   : 6.549   Mean   :15.71   Mean   :1349   Mean   :1344  
##  3rd Qu.:2013   3rd Qu.:10.000   3rd Qu.:23.00   3rd Qu.:1744   3rd Qu.:1729  
##  Max.   :2013   Max.   :12.000   Max.   :31.00   Max.   :2400   Max.   :2359  
##                                                  NA's   :8255                 
##    dep_delay          arr_time    sched_arr_time   arr_delay       
##  Min.   : -43.00   Min.   :   1   Min.   :   1   Min.   : -86.000  
##  1st Qu.:  -5.00   1st Qu.:1104   1st Qu.:1124   1st Qu.: -17.000  
##  Median :  -2.00   Median :1535   Median :1556   Median :  -5.000  
##  Mean   :  12.64   Mean   :1502   Mean   :1536   Mean   :   6.895  
##  3rd Qu.:  11.00   3rd Qu.:1940   3rd Qu.:1945   3rd Qu.:  14.000  
##  Max.   :1301.00   Max.   :2400   Max.   :2359   Max.   :1272.000  
##  NA's   :8255      NA's   :8713                  NA's   :9430      
##    carrier              flight       tailnum             origin         
##  Length:336776      Min.   :   1   Length:336776      Length:336776     
##  Class :character   1st Qu.: 553   Class :character   Class :character  
##  Mode  :character   Median :1496   Mode  :character   Mode  :character  
##                     Mean   :1972                                        
##                     3rd Qu.:3465                                        
##                     Max.   :8500                                        
##                                                                         
##      dest              air_time        distance         hour      
##  Length:336776      Min.   : 20.0   Min.   :  17   Min.   : 1.00  
##  Class :character   1st Qu.: 82.0   1st Qu.: 502   1st Qu.: 9.00  
##  Mode  :character   Median :129.0   Median : 872   Median :13.00  
##                     Mean   :150.7   Mean   :1040   Mean   :13.18  
##                     3rd Qu.:192.0   3rd Qu.:1389   3rd Qu.:17.00  
##                     Max.   :695.0   Max.   :4983   Max.   :23.00  
##                     NA's   :9430                                  
##      minute        time_hour                     
##  Min.   : 0.00   Min.   :2013-01-01 05:00:00.00  
##  1st Qu.: 8.00   1st Qu.:2013-04-04 13:00:00.00  
##  Median :29.00   Median :2013-07-03 10:00:00.00  
##  Mean   :26.23   Mean   :2013-07-03 05:22:54.64  
##  3rd Qu.:44.00   3rd Qu.:2013-10-01 07:00:00.00  
##  Max.   :59.00   Max.   :2013-12-31 23:00:00.00  
## 

¿Cuáles son los campos y sus tipos de datos? Los campos del conjunto de datos flights y sus tipos de datos son:

  • year: int (entero) - Año del vuelo.
  • month: int (entero) - Mes del vuelo.
  • day: int (entero) - Día del vuelo.
  • dep_time: int (entero) - Hora de salida real del vuelo.
  • sched_dep_time: int (entero) - Hora de salida programada del vuelo.
  • dep_delay: num (número) - Retraso de salida en minutos.
  • arr_time: int (entero) - Hora de llegada real.
  • sched_arr_time: int (entero) - Hora de llegada programada.
  • arr_delay: num (número) - Retraso de llegada en minutos.
  • carrier: chr (carácter) - Código de la aerolínea.
  • flight: int (entero) - Número del vuelo.
  • tailnum: chr (carácter) - Número de cola del avión.
  • origin: chr (carácter) - Aeropuerto de origen.
  • dest: chr (carácter) - Aeropuerto de destino.
  • air_time: num (número) - Tiempo en el aire en minutos.
  • distance: num (número) - Distancia del vuelo en millas.
  • hour: num (número) - Hora programada de salida (hora).
  • minute: num (número) - Hora programada de salida (minutos).
  • time_hour: POSIXct (dttm) - Fecha y hora del vuelo.

weather

# Para el data frame weather
data(weather) 
str(weather)
## tibble [26,115 × 15] (S3: tbl_df/tbl/data.frame)
##  $ origin    : chr [1:26115] "EWR" "EWR" "EWR" "EWR" ...
##  $ year      : int [1:26115] 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 ...
##  $ month     : int [1:26115] 1 1 1 1 1 1 1 1 1 1 ...
##  $ day       : int [1:26115] 1 1 1 1 1 1 1 1 1 1 ...
##  $ hour      : int [1:26115] 1 2 3 4 5 6 7 8 9 10 ...
##  $ temp      : num [1:26115] 39 39 39 39.9 39 ...
##  $ dewp      : num [1:26115] 26.1 27 28 28 28 ...
##  $ humid     : num [1:26115] 59.4 61.6 64.4 62.2 64.4 ...
##  $ wind_dir  : num [1:26115] 270 250 240 250 260 240 240 250 260 260 ...
##  $ wind_speed: num [1:26115] 10.36 8.06 11.51 12.66 12.66 ...
##  $ wind_gust : num [1:26115] NA NA NA NA NA NA NA NA NA NA ...
##  $ precip    : num [1:26115] 0 0 0 0 0 0 0 0 0 0 ...
##  $ pressure  : num [1:26115] 1012 1012 1012 1012 1012 ...
##  $ visib     : num [1:26115] 10 10 10 10 10 10 10 10 10 10 ...
##  $ time_hour : POSIXct[1:26115], format: "2013-01-01 01:00:00" "2013-01-01 02:00:00" ...
ncol(weather)
## [1] 15
nrow(weather)
## [1] 26115
dim(weather)
## [1] 26115    15
head(weather)
## # A tibble: 6 × 15
##   origin  year month   day  hour  temp  dewp humid wind_dir wind_speed wind_gust
##   <chr>  <int> <int> <int> <int> <dbl> <dbl> <dbl>    <dbl>      <dbl>     <dbl>
## 1 EWR     2013     1     1     1  39.0  26.1  59.4      270      10.4         NA
## 2 EWR     2013     1     1     2  39.0  27.0  61.6      250       8.06        NA
## 3 EWR     2013     1     1     3  39.0  28.0  64.4      240      11.5         NA
## 4 EWR     2013     1     1     4  39.9  28.0  62.2      250      12.7         NA
## 5 EWR     2013     1     1     5  39.0  28.0  64.4      260      12.7         NA
## 6 EWR     2013     1     1     6  37.9  28.0  67.2      240      11.5         NA
## # ℹ 4 more variables: precip <dbl>, pressure <dbl>, visib <dbl>,
## #   time_hour <dttm>
tail(weather)
## # A tibble: 6 × 15
##   origin  year month   day  hour  temp  dewp humid wind_dir wind_speed wind_gust
##   <chr>  <int> <int> <int> <int> <dbl> <dbl> <dbl>    <dbl>      <dbl>     <dbl>
## 1 LGA     2013    12    30    13  37.0  21.9  54.0      340       17.3      20.7
## 2 LGA     2013    12    30    14  36.0  19.9  51.8      340       13.8      21.9
## 3 LGA     2013    12    30    15  34.0  17.1  49.5      330       17.3      21.9
## 4 LGA     2013    12    30    16  32    15.1  49.2      340       15.0      23.0
## 5 LGA     2013    12    30    17  30.9  12.9  46.7      320       17.3      NA  
## 6 LGA     2013    12    30    18  28.9  10.9  46.4      330       18.4      NA  
## # ℹ 4 more variables: precip <dbl>, pressure <dbl>, visib <dbl>,
## #   time_hour <dttm>
summary(weather)
##     origin               year          month             day       
##  Length:26115       Min.   :2013   Min.   : 1.000   Min.   : 1.00  
##  Class :character   1st Qu.:2013   1st Qu.: 4.000   1st Qu.: 8.00  
##  Mode  :character   Median :2013   Median : 7.000   Median :16.00  
##                     Mean   :2013   Mean   : 6.504   Mean   :15.68  
##                     3rd Qu.:2013   3rd Qu.: 9.000   3rd Qu.:23.00  
##                     Max.   :2013   Max.   :12.000   Max.   :31.00  
##                                                                    
##       hour            temp             dewp           humid       
##  Min.   : 0.00   Min.   : 10.94   Min.   :-9.94   Min.   : 12.74  
##  1st Qu.: 6.00   1st Qu.: 39.92   1st Qu.:26.06   1st Qu.: 47.05  
##  Median :11.00   Median : 55.40   Median :42.08   Median : 61.79  
##  Mean   :11.49   Mean   : 55.26   Mean   :41.44   Mean   : 62.53  
##  3rd Qu.:17.00   3rd Qu.: 69.98   3rd Qu.:57.92   3rd Qu.: 78.79  
##  Max.   :23.00   Max.   :100.04   Max.   :78.08   Max.   :100.00  
##                  NA's   :1        NA's   :1       NA's   :1       
##     wind_dir       wind_speed         wind_gust         precip        
##  Min.   :  0.0   Min.   :   0.000   Min.   :16.11   Min.   :0.000000  
##  1st Qu.:120.0   1st Qu.:   6.905   1st Qu.:20.71   1st Qu.:0.000000  
##  Median :220.0   Median :  10.357   Median :24.17   Median :0.000000  
##  Mean   :199.8   Mean   :  10.518   Mean   :25.49   Mean   :0.004469  
##  3rd Qu.:290.0   3rd Qu.:  13.809   3rd Qu.:28.77   3rd Qu.:0.000000  
##  Max.   :360.0   Max.   :1048.361   Max.   :66.75   Max.   :1.210000  
##  NA's   :460     NA's   :4          NA's   :20778                     
##     pressure          visib          time_hour                    
##  Min.   : 983.8   Min.   : 0.000   Min.   :2013-01-01 01:00:00.0  
##  1st Qu.:1012.9   1st Qu.:10.000   1st Qu.:2013-04-01 21:30:00.0  
##  Median :1017.6   Median :10.000   Median :2013-07-01 14:00:00.0  
##  Mean   :1017.9   Mean   : 9.255   Mean   :2013-07-01 18:26:37.7  
##  3rd Qu.:1023.0   3rd Qu.:10.000   3rd Qu.:2013-09-30 13:00:00.0  
##  Max.   :1042.1   Max.   :10.000   Max.   :2013-12-30 18:00:00.0  
##  NA's   :2729

¿Cuáles son los campos y sus tipos de datos? Los campos del conjunto de datos weather y sus tipos de datos son:

  • origin: chr (carácter) - Código del aeropuerto de origen.
  • year: int (entero) - Año de la observación meteorológica.
  • month: int (entero) - Mes de la observación meteorológica.
  • day: int (entero) - Día de la observación meteorológica.
  • hour: int (entero) - Hora de la observación meteorológica.
  • temp: num (número) - Temperatura en grados Fahrenheit.
  • dewp: num (número) - Punto de rocío en grados Fahrenheit.
  • humid: num (número) - Humedad relativa en porcentaje.
  • wind_dir: num (número) - Dirección del viento en grados.
  • wind_speed: num (número) - Velocidad del viento en millas por hora.
  • wind_gust: num (número) - Ráfaga de viento en millas por hora.
  • precip: num (número) - Precipitación en pulgadas.
  • pressure: num (número) - Presión atmosférica en milibares.
  • visib: num (número) - Visibilidad en millas.
  • time_hour: POSIXct (dttm) - Fecha y hora de la observación meteorológica.

planes

# Para el data frame planes
data(planes) 
str(planes)
## tibble [3,322 × 9] (S3: tbl_df/tbl/data.frame)
##  $ tailnum     : chr [1:3322] "N10156" "N102UW" "N103US" "N104UW" ...
##  $ year        : int [1:3322] 2004 1998 1999 1999 2002 1999 1999 1999 1999 1999 ...
##  $ type        : chr [1:3322] "Fixed wing multi engine" "Fixed wing multi engine" "Fixed wing multi engine" "Fixed wing multi engine" ...
##  $ manufacturer: chr [1:3322] "EMBRAER" "AIRBUS INDUSTRIE" "AIRBUS INDUSTRIE" "AIRBUS INDUSTRIE" ...
##  $ model       : chr [1:3322] "EMB-145XR" "A320-214" "A320-214" "A320-214" ...
##  $ engines     : int [1:3322] 2 2 2 2 2 2 2 2 2 2 ...
##  $ seats       : int [1:3322] 55 182 182 182 55 182 182 182 182 182 ...
##  $ speed       : int [1:3322] NA NA NA NA NA NA NA NA NA NA ...
##  $ engine      : chr [1:3322] "Turbo-fan" "Turbo-fan" "Turbo-fan" "Turbo-fan" ...
ncol(planes)
## [1] 9
nrow(planes)
## [1] 3322
dim(planes)
## [1] 3322    9
head(planes)
## # A tibble: 6 × 9
##   tailnum  year type               manufacturer model engines seats speed engine
##   <chr>   <int> <chr>              <chr>        <chr>   <int> <int> <int> <chr> 
## 1 N10156   2004 Fixed wing multi … EMBRAER      EMB-…       2    55    NA Turbo…
## 2 N102UW   1998 Fixed wing multi … AIRBUS INDU… A320…       2   182    NA Turbo…
## 3 N103US   1999 Fixed wing multi … AIRBUS INDU… A320…       2   182    NA Turbo…
## 4 N104UW   1999 Fixed wing multi … AIRBUS INDU… A320…       2   182    NA Turbo…
## 5 N10575   2002 Fixed wing multi … EMBRAER      EMB-…       2    55    NA Turbo…
## 6 N105UW   1999 Fixed wing multi … AIRBUS INDU… A320…       2   182    NA Turbo…
tail(planes)
## # A tibble: 6 × 9
##   tailnum  year type               manufacturer model engines seats speed engine
##   <chr>   <int> <chr>              <chr>        <chr>   <int> <int> <int> <chr> 
## 1 N996DL   1991 Fixed wing multi … MCDONNELL D… MD-88       2   142    NA Turbo…
## 2 N997AT   2002 Fixed wing multi … BOEING       717-…       2   100    NA Turbo…
## 3 N997DL   1992 Fixed wing multi … MCDONNELL D… MD-88       2   142    NA Turbo…
## 4 N998AT   2002 Fixed wing multi … BOEING       717-…       2   100    NA Turbo…
## 5 N998DL   1992 Fixed wing multi … MCDONNELL D… MD-88       2   142    NA Turbo…
## 6 N999DN   1992 Fixed wing multi … MCDONNELL D… MD-88       2   142    NA Turbo…
summary(planes)
##    tailnum               year          type           manufacturer      
##  Length:3322        Min.   :1956   Length:3322        Length:3322       
##  Class :character   1st Qu.:1997   Class :character   Class :character  
##  Mode  :character   Median :2001   Mode  :character   Mode  :character  
##                     Mean   :2000                                        
##                     3rd Qu.:2005                                        
##                     Max.   :2013                                        
##                     NA's   :70                                          
##     model              engines          seats           speed      
##  Length:3322        Min.   :1.000   Min.   :  2.0   Min.   : 90.0  
##  Class :character   1st Qu.:2.000   1st Qu.:140.0   1st Qu.:107.5  
##  Mode  :character   Median :2.000   Median :149.0   Median :162.0  
##                     Mean   :1.995   Mean   :154.3   Mean   :236.8  
##                     3rd Qu.:2.000   3rd Qu.:182.0   3rd Qu.:432.0  
##                     Max.   :4.000   Max.   :450.0   Max.   :432.0  
##                                                     NA's   :3299   
##     engine         
##  Length:3322       
##  Class :character  
##  Mode  :character  
##                    
##                    
##                    
## 

¿Cuáles son los campos y sus tipos de datos? Los campos del conjunto de datos planes y sus tipos de datos son:

  • tailnum: chr (carácter) - Número de cola del avión.
  • year: int (entero) - Año de fabricación del avión.
  • type: chr (carácter) - Tipo de avión, en este caso todos son de ala fija con múltiples motores.
  • manufacturer: chr (carácter) - Fabricante del avión.
  • model: chr (carácter) - Modelo del avión.
  • engines: int (entero) - Número de motores del avión.
  • seats: int (entero) - Número de asientos del avión.
  • speed: int (entero) - Velocidad del avión, aunque la mayoría de los registros parecen no tener esta información (NA).
  • engine: chr (carácter) - Tipo de motor del avión, la mayoría son turbofán.

airports

# Para el data frame airports
data(airports) 
str(airports)
## tibble [1,458 × 8] (S3: tbl_df/tbl/data.frame)
##  $ faa  : chr [1:1458] "04G" "06A" "06C" "06N" ...
##  $ name : chr [1:1458] "Lansdowne Airport" "Moton Field Municipal Airport" "Schaumburg Regional" "Randall Airport" ...
##  $ lat  : num [1:1458] 41.1 32.5 42 41.4 31.1 ...
##  $ lon  : num [1:1458] -80.6 -85.7 -88.1 -74.4 -81.4 ...
##  $ alt  : num [1:1458] 1044 264 801 523 11 ...
##  $ tz   : num [1:1458] -5 -6 -6 -5 -5 -5 -5 -5 -5 -8 ...
##  $ dst  : chr [1:1458] "A" "A" "A" "A" ...
##  $ tzone: chr [1:1458] "America/New_York" "America/Chicago" "America/Chicago" "America/New_York" ...
##  - attr(*, "spec")=
##   .. cols(
##   ..   id = col_double(),
##   ..   name = col_character(),
##   ..   city = col_character(),
##   ..   country = col_character(),
##   ..   faa = col_character(),
##   ..   icao = col_character(),
##   ..   lat = col_double(),
##   ..   lon = col_double(),
##   ..   alt = col_double(),
##   ..   tz = col_double(),
##   ..   dst = col_character(),
##   ..   tzone = col_character()
##   .. )
ncol(airports)
## [1] 8
nrow(airports)
## [1] 1458
dim(airports)
## [1] 1458    8
head(airports)
## # A tibble: 6 × 8
##   faa   name                             lat   lon   alt    tz dst   tzone      
##   <chr> <chr>                          <dbl> <dbl> <dbl> <dbl> <chr> <chr>      
## 1 04G   Lansdowne Airport               41.1 -80.6  1044    -5 A     America/Ne…
## 2 06A   Moton Field Municipal Airport   32.5 -85.7   264    -6 A     America/Ch…
## 3 06C   Schaumburg Regional             42.0 -88.1   801    -6 A     America/Ch…
## 4 06N   Randall Airport                 41.4 -74.4   523    -5 A     America/Ne…
## 5 09J   Jekyll Island Airport           31.1 -81.4    11    -5 A     America/Ne…
## 6 0A9   Elizabethton Municipal Airport  36.4 -82.2  1593    -5 A     America/Ne…
tail(airports)
## # A tibble: 6 × 8
##   faa   name                        lat    lon   alt    tz dst   tzone          
##   <chr> <chr>                     <dbl>  <dbl> <dbl> <dbl> <chr> <chr>          
## 1 ZTY   Boston Back Bay Station    42.3  -71.1    20    -5 A     America/New_Yo…
## 2 ZUN   Black Rock                 35.1 -109.   6454    -7 A     America/Denver 
## 3 ZVE   New Haven Rail Station     41.3  -72.9     7    -5 A     America/New_Yo…
## 4 ZWI   Wilmington Amtrak Station  39.7  -75.6     0    -5 A     America/New_Yo…
## 5 ZWU   Washington Union Station   38.9  -77.0    76    -5 A     America/New_Yo…
## 6 ZYP   Penn Station               40.8  -74.0    35    -5 A     America/New_Yo…
summary(airports)
##      faa                name                lat             lon         
##  Length:1458        Length:1458        Min.   :19.72   Min.   :-176.65  
##  Class :character   Class :character   1st Qu.:34.26   1st Qu.:-119.19  
##  Mode  :character   Mode  :character   Median :40.09   Median : -94.66  
##                                        Mean   :41.65   Mean   :-103.39  
##                                        3rd Qu.:45.07   3rd Qu.: -82.52  
##                                        Max.   :72.27   Max.   : 174.11  
##       alt                tz              dst               tzone          
##  Min.   : -54.00   Min.   :-10.000   Length:1458        Length:1458       
##  1st Qu.:  70.25   1st Qu.: -8.000   Class :character   Class :character  
##  Median : 473.00   Median : -6.000   Mode  :character   Mode  :character  
##  Mean   :1001.42   Mean   : -6.519                                        
##  3rd Qu.:1062.50   3rd Qu.: -5.000                                        
##  Max.   :9078.00   Max.   :  8.000

¿Cuáles son los campos y sus tipos de datos? Los campos del conjunto de datos airports y sus tipos de datos son:

  • origin: chr (carácter) - Código del aeropuerto.
  • name: chr (carácter) - Nombre del aeropuerto.
  • lat: num (número) - Latitud del aeropuerto.
  • lon: num (número) - Longitud del aeropuerto.
  • alt: num (número) - Altitud del aeropuerto en pies.
  • tz: num (número) - Zona horaria del aeropuerto, basada en el desplazamiento del UTC.
  • dst: chr (carácter) - Indicador de horario de verano (p. ej., “A” para horario de verano, “N” para no observarlo).
  • tzone: chr (carácter) - Zona horaria del aeropuerto en texto, por ejemplo, “America/New_York”.

airlines

# Para el data frame airlines
data(airlines) 
str(airlines)
## tibble [16 × 2] (S3: tbl_df/tbl/data.frame)
##  $ carrier: chr [1:16] "9E" "AA" "AS" "B6" ...
##  $ name   : chr [1:16] "Endeavor Air Inc." "American Airlines Inc." "Alaska Airlines Inc." "JetBlue Airways" ...
ncol(airlines)
## [1] 2
nrow(airlines)
## [1] 16
dim(airlines)
## [1] 16  2
head(airlines)
## # A tibble: 6 × 2
##   carrier name                    
##   <chr>   <chr>                   
## 1 9E      Endeavor Air Inc.       
## 2 AA      American Airlines Inc.  
## 3 AS      Alaska Airlines Inc.    
## 4 B6      JetBlue Airways         
## 5 DL      Delta Air Lines Inc.    
## 6 EV      ExpressJet Airlines Inc.
tail(airlines)
## # A tibble: 6 × 2
##   carrier name                  
##   <chr>   <chr>                 
## 1 OO      SkyWest Airlines Inc. 
## 2 UA      United Air Lines Inc. 
## 3 US      US Airways Inc.       
## 4 VX      Virgin America        
## 5 WN      Southwest Airlines Co.
## 6 YV      Mesa Airlines Inc.
summary(airlines)
##    carrier              name          
##  Length:16          Length:16         
##  Class :character   Class :character  
##  Mode  :character   Mode  :character

¿Cuáles son los campos y sus tipos de datos?

Los campos del conjunto de datos airlines y sus tipos de datos son:

  • carrier: chr (carácter) - Código de dos letras de la aerolínea.
  • name: chr (carácter) - Nombre completo de la aerolínea.

Manipulación de datos

1 Consultar dataframe

#Al consultar l DataFrame nos permite visualizar la base de datos *flights*.
view(flights)

2 Encuentra los datos descriptivos del data frame flights. Identifica la media de las distancias recorridas en millas.

#la media (Mean) de la distancia es de 1040 millas, lo que indica que, en promedio, los vuelos en este conjunto de datos recorren una distancia de 1040 millas.
summary(flights)
##       year          month             day           dep_time    sched_dep_time
##  Min.   :2013   Min.   : 1.000   Min.   : 1.00   Min.   :   1   Min.   : 106  
##  1st Qu.:2013   1st Qu.: 4.000   1st Qu.: 8.00   1st Qu.: 907   1st Qu.: 906  
##  Median :2013   Median : 7.000   Median :16.00   Median :1401   Median :1359  
##  Mean   :2013   Mean   : 6.549   Mean   :15.71   Mean   :1349   Mean   :1344  
##  3rd Qu.:2013   3rd Qu.:10.000   3rd Qu.:23.00   3rd Qu.:1744   3rd Qu.:1729  
##  Max.   :2013   Max.   :12.000   Max.   :31.00   Max.   :2400   Max.   :2359  
##                                                  NA's   :8255                 
##    dep_delay          arr_time    sched_arr_time   arr_delay       
##  Min.   : -43.00   Min.   :   1   Min.   :   1   Min.   : -86.000  
##  1st Qu.:  -5.00   1st Qu.:1104   1st Qu.:1124   1st Qu.: -17.000  
##  Median :  -2.00   Median :1535   Median :1556   Median :  -5.000  
##  Mean   :  12.64   Mean   :1502   Mean   :1536   Mean   :   6.895  
##  3rd Qu.:  11.00   3rd Qu.:1940   3rd Qu.:1945   3rd Qu.:  14.000  
##  Max.   :1301.00   Max.   :2400   Max.   :2359   Max.   :1272.000  
##  NA's   :8255      NA's   :8713                  NA's   :9430      
##    carrier              flight       tailnum             origin         
##  Length:336776      Min.   :   1   Length:336776      Length:336776     
##  Class :character   1st Qu.: 553   Class :character   Class :character  
##  Mode  :character   Median :1496   Mode  :character   Mode  :character  
##                     Mean   :1972                                        
##                     3rd Qu.:3465                                        
##                     Max.   :8500                                        
##                                                                         
##      dest              air_time        distance         hour      
##  Length:336776      Min.   : 20.0   Min.   :  17   Min.   : 1.00  
##  Class :character   1st Qu.: 82.0   1st Qu.: 502   1st Qu.: 9.00  
##  Mode  :character   Median :129.0   Median : 872   Median :13.00  
##                     Mean   :150.7   Mean   :1040   Mean   :13.18  
##                     3rd Qu.:192.0   3rd Qu.:1389   3rd Qu.:17.00  
##                     Max.   :695.0   Max.   :4983   Max.   :23.00  
##                     NA's   :9430                                  
##      minute        time_hour                     
##  Min.   : 0.00   Min.   :2013-01-01 05:00:00.00  
##  1st Qu.: 8.00   1st Qu.:2013-04-04 13:00:00.00  
##  Median :29.00   Median :2013-07-03 10:00:00.00  
##  Mean   :26.23   Mean   :2013-07-03 05:22:54.64  
##  3rd Qu.:44.00   3rd Qu.:2013-10-01 07:00:00.00  
##  Max.   :59.00   Max.   :2013-12-31 23:00:00.00  
## 

3. Criterios para encontrar aerolíneas

df <- flights %>% 
  select(carrier, distance, origin, dest) %>%
  filter(distance > mean(distance, na.rm= TRUE)) %>% 
  arrange(desc(distance))

print(df)
## # A tibble: 127,665 × 4
##    carrier distance origin dest 
##    <chr>      <dbl> <chr>  <chr>
##  1 HA          4983 JFK    HNL  
##  2 HA          4983 JFK    HNL  
##  3 HA          4983 JFK    HNL  
##  4 HA          4983 JFK    HNL  
##  5 HA          4983 JFK    HNL  
##  6 HA          4983 JFK    HNL  
##  7 HA          4983 JFK    HNL  
##  8 HA          4983 JFK    HNL  
##  9 HA          4983 JFK    HNL  
## 10 HA          4983 JFK    HNL  
## # ℹ 127,655 more rows

4. Suma y Media de las distancias recorridas por carrier

# Encuentra la suma y la media de las distancias recorridas por carrier, elimina los NA’S e interpreta que significa la suma y la media de las distancias recorridas.


dfDR <- df %>% 
  group_by(carrier, origin, dest) %>% 
  summarise(suma_distancia= sum(distance, na.rm= TRUE), 
            media_distancia= mean(distance, na.rm= TRUE)) %>% 
# Ordena en forma descendente por distancia recorrida
    arrange(desc(carrier), desc(suma_distancia))
## `summarise()` has grouped output by 'carrier', 'origin'. You can override using
## the `.groups` argument.
dfDR
## # A tibble: 150 × 5
## # Groups:   carrier, origin [26]
##    carrier origin dest  suma_distancia media_distancia
##    <chr>   <chr>  <chr>          <dbl>           <dbl>
##  1 WN      EWR    HOU          1377136            1411
##  2 WN      LGA    DEN          1158300            1620
##  3 WN      EWR    DEN          1105845            1605
##  4 WN      EWR    PHX           919323            2133
##  5 WN      LGA    HOU           606900            1428
##  6 WN      EWR    AUS           448192            1504
##  7 WN      EWR    MSY           347766            1167
##  8 VX      JFK    LAX          4447575            2475
##  9 VX      JFK    SFO          3656604            2586
## 10 VX      EWR    SFO          2008395            2565
## # ℹ 140 more rows

5.Observa tus resultados de la última tabla y agrega tus interpretaciones.

  • La tabla muestra cómo algunas aerolíneas, como Southwest (WN) y Virgin America (VX), dominan ciertas rutas en términos de la suma total y la media de las distancias recorridas. Por ejemplo, Southwest tiene una presencia notable en rutas desde EWR y LGA hacia destinos como Houston (HOU), Denver (DEN), y Phoenix (PHX), mientras que Virgin America destaca en vuelos de largo alcance desde JFK hacia Los Ángeles (LAX) y San Francisco (SFO).

  • La información sugiere que las aerolíneas tienen preferencias específicas por aeropuertos cuando se trata de operar sus rutas más largas. Virgin America utiliza JFK para sus vuelos transcontinentales, reflejando posiblemente la demanda de viajeros por servicios premium en rutas de largo alcance desde y hacia este aeropuerto. Mientras tanto, Southwest parece concentrar sus operaciones en EWR y LGA, aeropuertos que quizás ofrezcan ventajas estratégicas para sus modelos de negocio enfocados en el mercado doméstico.

###6. Identificar aerolíneas líderes en los aeropuertos

#Se identifica si las aerolíneas líderes son las mismas en los tres aeropuertos cuyo origen es Nueva York ya sea el John F. Kennedy (JFK), el de LaGuardia (LGA) o el de Newark Liberty (EWR)

df_JFK <- dfDR %>% 
  filter(origin == "JFK") %>% arrange(carrier, desc(suma_distancia))

df_JFK
## # A tibble: 69 × 5
## # Groups:   carrier, origin [8]
##    carrier origin dest  suma_distancia media_distancia
##    <chr>   <chr>  <chr>          <dbl>           <dbl>
##  1 9E      JFK    MSY           515352            1182
##  2 9E      JFK    DFW           507715            1391
##  3 9E      JFK    MCI           307188            1113
##  4 9E      JFK    SAT            84111            1587
##  5 9E      JFK    AUS             3042            1521
##  6 AA      JFK    LAX          7962075            2475
##  7 AA      JFK    SFO          3677292            2586
##  8 AA      JFK    MIA          2418669            1089
##  9 AA      JFK    SJU          1756202            1598
## 10 AA      JFK    LAS          1436472            2248
## # ℹ 59 more rows
df_LGA <- dfDR %>% 
  filter(origin == "LGA") %>% arrange(carrier, desc(suma_distancia))

df_LGA
## # A tibble: 31 × 5
## # Groups:   carrier, origin [9]
##    carrier origin dest  suma_distancia media_distancia
##    <chr>   <chr>  <chr>          <dbl>           <dbl>
##  1 9E      LGA    MCI            94095            1107
##  2 9E      LGA    SRQ            81666            1047
##  3 9E      LGA    RSW            72360            1080
##  4 9E      LGA    DFW            19446            1389
##  5 9E      LGA    MSY             1183            1183
##  6 AA      LGA    DFW          6717204            1389
##  7 AA      LGA    MIA          4323720            1096
##  8 B6      LGA    FLL          2354288            1076
##  9 B6      LGA    RSW           394200            1080
## 10 B6      LGA    SRQ           382155            1047
## # ℹ 21 more rows
df_EWR <- dfDR %>% 
  filter(origin == "EWR") %>% arrange(carrier, desc(suma_distancia))

df_EWR
## # A tibble: 50 × 5
## # Groups:   carrier, origin [9]
##    carrier origin dest  suma_distancia media_distancia
##    <chr>   <chr>  <chr>          <dbl>           <dbl>
##  1 AA      EWR    DFW          2818088            1372
##  2 AA      EWR    MIA          1158780            1085
##  3 AA      EWR    LAX           895710            2454
##  4 AS      EWR    SEA          1715028            2402
##  5 B6      EWR    FLL          1476090            1065
##  6 B6      EWR    SJU           609432            1608
##  7 B6      EWR    RSW           389820            1068
##  8 DL      EWR    SLC           697026            1969
##  9 EV      EWR    MCI          1480752            1092
## 10 EV      EWR    OMA           852768            1134
## # ℹ 40 more rows

7. Conclusión: Evidencia 1

Los aeropuertos de Nueva York presentan diferencias significativas en cuanto a las operaciones de las aerolíneas líderes, lo que afecta la elección de aerolíneas por parte de los viajeros (A). Cada aeropuerto, debido a su ubicación, capacidad y acuerdos con las aerolíneas, tiende a favorecer diferentes patrones de tráfico y preferencias de aerolíneas, lo cual se refleja en las operaciones diarias y las rutas servidas desde cada terminal (R). Al analizar los datos agrupados por aeropuerto de origen (JFK, LGA, EWR) y comparar las distancias totales y medias recorridas por las aerolíneas, se observó que aerolíneas como American Airlines y Delta Air Lines tienen una presencia dominante en JFK con rutas de largo alcance, mientras que en LGA, aerolíneas como Southwest muestran un enfoque en destinos nacionales más cortos. En EWR, United Air Lines destaca por servir tanto rutas nacionales como internacionales de largo alcance, demostrando la variabilidad en las operaciones de las aerolíneas líderes dependiendo del aeropuerto de Nueva York desde el cual operan (E). Esta variabilidad subraya la importancia de elegir el aeropuerto adecuado en función de la aerolínea preferida y el destino, afectando directamente la experiencia de viaje del pasajero.

7. Reporte ejecutivo

Reporte Ejecutivo: Análisis de Aerolíneas de Mayor Tráfico en Aeropuertos de Nueva York

Objetivo: +Este reporte presenta un análisis detallado sobre las aerolíneas con mayor tráfico aéreo en términos de origen y destino, utilizando el conjunto de datos de vuelos que cubre todos los aeropuertos de Nueva York. El enfoque principal es identificar las aerolíneas líderes en los aeropuertos JFK (John F. Kennedy) y LGA (LaGuardia), basado en la suma y media de las distancias recorridas.

Metodología: +El análisis se realizó mediante la manipulación y exploración del dataframe flights, que incluye registros de vuelos detallados. Se aplicaron filtros para seleccionar vuelos con distancias superiores a la media y se agruparon los datos por aerolínea, origen y destino para calcular la suma y la media de las distancias recorridas. Este enfoque permitió identificar las aerolíneas con mayor presencia y actividad en los aeropuertos mencionados.

Hallazgos Clave:

Aeropuerto JFK: +American Airlines (AA): Lidera en rutas de largo alcance, destacando en destinos como LAX y SFO, con una suma de distancias recorridas significativa.

+Delta Air Lines (DL): Si bien no se detalló completamente en este reporte, se reconoce a Delta por su fuerte presencia en JFK, especialmente en vuelos internacionales y transcontinentales.

Aeropuerto LGA:

+American Airlines (AA): Muestra una sólida operación, especialmente en rutas nacionales como DFW y MIA.

+Southwest Airlines (WN): Aunque no se especificó en el análisis inicial, se espera que tenga un volumen significativo de operaciones dada su estrategia de punto a punto.

Interpretaciones:

+Los datos reflejan la estrategia operativa de las aerolíneas en términos de selección de aeropuerto, con American Airlines y Delta Air Lines aprovechando JFK para rutas de largo alcance, mientras que LGA sirve más a vuelos nacionales.

+La concentración de rutas y distancias por aerolínea subraya la importancia de JFK y LGA como centros clave para operaciones tanto nacionales como internacionales.

Conclusiones y Recomendaciones:

Estrategia de Aerolíneas: Es crucial que las aerolíneas continúen evaluando sus operaciones +en los aeropuertos de Nueva York para maximizar la eficiencia y satisfacer la demanda del mercado. La elección del aeropuerto debe alinearse con la estrategia general de la aerolínea y las preferencias de los viajeros.

+Desarrollo de Infraestructura: Para los administradores de aeropuertos, es fundamental considerar estos patrones de tráfico al planificar mejoras en la infraestructura y servicios. La adaptación a las necesidades de las aerolíneas líderes puede mejorar la experiencia general del pasajero y optimizar el flujo de tráfico.

+Monitoreo Continuo: Se recomienda mantener un monitoreo continuo de las tendencias de tráfico aéreo para adaptarse rápidamente a los cambios en el comportamiento de las aerolíneas y los pasajeros, asegurando así la eficiencia y la competitividad en el mercado.

Evidencia 2 - Analítica descriptiva (Integración de datos a través de modelo entidad-relación) y el compromiso ético y ciudadano

Modelo Entidad-Relación

Se ha solicitado hacer un estudio sobre la situación actual de la aerolínea American Airlines ya que se necesita revisar sus destinos, horarios y aviones con los que cuenta para hacer propuestas de aumento o reducción de vuelos por destino y horarios, así como la cantidad de aviones.

bdgrande <-merge(flights,airlines, by="carrier")
bdgrande2 <-merge(bdgrande,planes, by="tailnum")
bdgrande3 <- left_join(bdgrande2,weather,by=c("origin","time_hour"))
bdgrande4 <- left_join(bdgrande3, airports, by = c("origin" = "faa"))

Consulta y explora el data frame planes y weather para que conozcas su contenido.

view(flights)

Información para cada vuelo/span>

#Se necesita saber de cada vuelo, la aerolínea, el aeropuerto de origen y el aeropuerto destino.Función: select()




#En la consulta anterior se necesita conocer el nombre de la aerolínea.Función: left_join()

Cantidad de vuelos por destino

#Se identifica la cantidad de vuelos por cada destino para identificar cuáles son los destinos más buscados.Función: select() y count()

flights_in <- select(flights, carrier, origin, dest)
flights_in <- left_join(flights_in, airlines, by = "carrier")

# Destinos más buscados por destino
dmb <- bdgrande3 %>% select(carrier, dest)
cdmb <- dmb %>% count(dest)

# Destinos más buscados por aerolínea
da <- dmb %>% count(dest, carrier)

print(cdmb)
##     dest     n
## 1    ABQ   245
## 2    ACK   265
## 3    ALB   439
## 4    ANC     6
## 5    ATL 14673
## 6    AUS  2055
## 7    AVL   275
## 8    BDL   442
## 9    BGR   375
## 10   BHM   297
## 11   BNA  3967
## 12   BOS 13683
## 13   BQN   883
## 14   BTV  2586
## 15   BUF  4627
## 16   BUR   365
## 17   BWI  1379
## 18   BZN    35
## 19   CAE   116
## 20   CAK   864
## 21   CHO    52
## 22   CHS  2869
## 23   CLE  2885
## 24   CLT 12299
## 25   CMH   973
## 26   CRW    16
## 27   CVG  3490
## 28   DAY  1478
## 29   DCA  7282
## 30   DEN  7027
## 31   DFW  3056
## 32   DSM   562
## 33   DTW  7496
## 34   EGE   132
## 35   EYW    17
## 36   FLL 11681
## 37   GRR   760
## 38   GSO  1606
## 39   GSP   843
## 40   HDN    14
## 41   HNL   705
## 42   HOU  2107
## 43   IAD  5650
## 44   IAH  6676
## 45   ILM   110
## 46   IND  1693
## 47   JAC    22
## 48   JAX  2693
## 49   LAS  5342
## 50   LAX 15516
## 51   LEX     1
## 52   LGB   650
## 53   MCI  1984
## 54   MCO 13234
## 55   MDW  4102
## 56   MEM  1789
## 57   MHT  1008
## 58   MIA  5312
## 59   MKE  2783
## 60   MSN   572
## 61   MSP  5868
## 62   MSY  3762
## 63   MTJ    12
## 64   MVY   216
## 65   MYR    59
## 66   OAK   304
## 67   OKC   346
## 68   OMA   849
## 69   ORD 11189
## 70   ORF  1143
## 71   PBI  6385
## 72   PDX  1343
## 73   PHL  1550
## 74   PHX  4596
## 75   PIT  2472
## 76   PSE   360
## 77   PSP    19
## 78   PVD   376
## 79   PWM  2352
## 80   RDU  3601
## 81   RIC  2436
## 82   ROC  2405
## 83   RSW  3483
## 84   SAN  2363
## 85   SAT   678
## 86   SAV   804
## 87   SBN    10
## 88   SDF  1149
## 89   SEA  3532
## 90   SFO 12767
## 91   SJC   319
## 92   SJU  4731
## 93   SLC  2457
## 94   SMF   276
## 95   SNA   812
## 96   SRQ  1198
## 97   STL  3782
## 98   STT   219
## 99   SYR  1749
## 100  TPA  6799
## 101  TUL   315
## 102  TVC    75
## 103  TYS   588
## 104  XNA   357
print(da)
##     dest carrier     n
## 1    ABQ      B6   245
## 2    ACK      B6   265
## 3    ALB      EV   439
## 4    ANC      UA     6
## 5    ATL      9E    57
## 6    ATL      DL 10497
## 7    ATL      EV  1764
## 8    ATL      FL  2150
## 9    ATL      MQ    44
## 10   ATL      UA   103
## 11   ATL      WN    58
## 12   AUS      9E     2
## 13   AUS      B6   735
## 14   AUS      DL   357
## 15   AUS      UA   664
## 16   AUS      WN   297
## 17   AVL      9E    10
## 18   AVL      EV   265
## 19   BDL      EV   435
## 20   BDL      UA     7
## 21   BGR      9E     1
## 22   BGR      EV   374
## 23   BHM      EV   297
## 24   BNA      9E   454
## 25   BNA      DL     1
## 26   BNA      EV  2170
## 27   BNA      MQ    61
## 28   BNA      WN  1281
## 29   BOS      9E   860
## 30   BOS      AA    15
## 31   BOS      B6  4371
## 32   BOS      DL   972
## 33   BOS      EV   159
## 34   BOS      UA  3294
## 35   BOS      US  4012
## 36   BQN      B6   587
## 37   BQN      UA   296
## 38   BTV      9E     2
## 39   BTV      B6  1361
## 40   BTV      EV  1223
## 41   BUF      9E   793
## 42   BUF      B6  2789
## 43   BUF      DL     3
## 44   BUF      EV  1042
## 45   BUR      B6   365
## 46   BWI      9E   820
## 47   BWI      EV   352
## 48   BWI      WN   207
## 49   BZN      UA    35
## 50   CAE      9E     3
## 51   CAE      EV   113
## 52   CAK      FL   864
## 53   CHO      EV    52
## 54   CHS      9E   333
## 55   CHS      B6   613
## 56   CHS      EV  1922
## 57   CHS      UA     1
## 58   CLE      9E   323
## 59   CLE      EV   588
## 60   CLE      MQ    87
## 61   CLE      OO    24
## 62   CLE      UA  1863
## 63   CLT      9E   272
## 64   CLT      B6   729
## 65   CLT      EV  2508
## 66   CLT      MQ    32
## 67   CLT      UA     2
## 68   CLT      US  8474
## 69   CLT      YV   282
## 70   CMH      9E    12
## 71   CMH      EV   820
## 72   CMH      MQ   141
## 73   CRW      MQ    16
## 74   CVG      9E  1473
## 75   CVG      DL     4
## 76   CVG      EV  2013
## 77   DAY      9E   344
## 78   DAY      EV  1134
## 79   DCA      9E  1016
## 80   DCA      DL     2
## 81   DCA      EV  1717
## 82   DCA      MQ    58
## 83   DCA      UA     2
## 84   DCA      US  4487
## 85   DEN      B6   333
## 86   DEN      DL  1043
## 87   DEN      F9   635
## 88   DEN      UA  3613
## 89   DEN      WN  1403
## 90   DFW      9E   362
## 91   DFW      AA  1613
## 92   DFW      EV     8
## 93   DFW      UA  1073
## 94   DSM      9E    84
## 95   DSM      EV   478
## 96   DTW      9E   958
## 97   DTW      DL  3841
## 98   DTW      EV  2545
## 99   DTW      MQ   149
## 100  DTW      OO     2
## 101  DTW      UA     1
## 102  EGE      AA    25
## 103  EGE      UA   107
## 104  EYW      DL    17
## 105  FLL      AA     1
## 106  FLL      B6  6403
## 107  FLL      DL  2903
## 108  FLL      UA  2374
## 109  GRR      9E    39
## 110  GRR      EV   721
## 111  GSO      9E     1
## 112  GSO      EV  1605
## 113  GSP      9E    96
## 114  GSP      EV   747
## 115  HDN      UA    14
## 116  HNL      HA   342
## 117  HNL      UA   363
## 118  HOU      B6   711
## 119  HOU      WN  1396
## 120  IAD      9E   614
## 121  IAD      B6   675
## 122  IAD      EV  4048
## 123  IAD      OO     1
## 124  IAD      UA     1
## 125  IAD      YV   311
## 126  IAH      UA  6676
## 127  ILM      EV   110
## 128  IND      9E   382
## 129  IND      DL     2
## 130  IND      EV  1306
## 131  IND      UA     3
## 132  JAC      DL     2
## 133  JAC      UA    20
## 134  JAX      9E   373
## 135  JAX      B6  1026
## 136  JAX      DL     1
## 137  JAX      EV  1293
## 138  LAS      AA    87
## 139  LAS      B6  1277
## 140  LAS      DL  1673
## 141  LAS      UA  1940
## 142  LAS      VX   365
## 143  LAX      AA  3178
## 144  LAX      B6  1665
## 145  LAX      DL  2501
## 146  LAX      UA  5592
## 147  LAX      VX  2580
## 148  LEX      9E     1
## 149  LGB      B6   650
## 150  MCI      9E   337
## 151  MCI      DL    82
## 152  MCI      EV  1565
## 153  MCO      AA    87
## 154  MCO      B6  6322
## 155  MCO      DL  3661
## 156  MCO      UA  3164
## 157  MDW      WN  4102
## 158  MEM      9E     3
## 159  MEM      DL   432
## 160  MEM      EV  1354
## 161  MHT      9E    10
## 162  MHT      EV   998
## 163  MIA      AA   851
## 164  MIA      DL  2929
## 165  MIA      UA  1532
## 166  MKE      9E   298
## 167  MKE      EV  1118
## 168  MKE      FL    59
## 169  MKE      WN  1308
## 170  MSN      9E     1
## 171  MSN      EV   571
## 172  MSP      9E  1208
## 173  MSP      DL  2864
## 174  MSP      EV  1773
## 175  MSP      MQ    17
## 176  MSP      OO     4
## 177  MSP      UA     2
## 178  MSY      9E   412
## 179  MSY      B6  1069
## 180  MSY      DL  1129
## 181  MSY      EV   590
## 182  MSY      UA   264
## 183  MSY      WN   298
## 184  MTJ      UA    12
## 185  MVY      9E    66
## 186  MVY      B6   150
## 187  MYR      EV    59
## 188  OAK      B6   304
## 189  OKC      EV   346
## 190  OMA      DL     1
## 191  OMA      EV   846
## 192  OMA      UA     2
## 193  ORD      9E   989
## 194  ORD      AA  2500
## 195  ORD      B6   898
## 196  ORD      EV     2
## 197  ORD      MQ    47
## 198  ORD      OO     1
## 199  ORD      UA  6752
## 200  ORF      9E   374
## 201  ORF      EV   769
## 202  PBI      B6  3098
## 203  PBI      DL  1466
## 204  PBI      EV     6
## 205  PBI      UA  1815
## 206  PDX      B6   320
## 207  PDX      DL   458
## 208  PDX      UA   565
## 209  PHL      9E   867
## 210  PHL      DL     2
## 211  PHL      EV    49
## 212  PHL      US   624
## 213  PHL      YV     8
## 214  PHX      B6   353
## 215  PHX      DL   469
## 216  PHX      UA  1106
## 217  PHX      US  2240
## 218  PHX      WN   428
## 219  PIT      9E   826
## 220  PIT      B6    90
## 221  PIT      DL   250
## 222  PIT      EV  1304
## 223  PIT      UA     2
## 224  PSE      B6   360
## 225  PSP      VX    19
## 226  PVD      EV   376
## 227  PWM      B6  1304
## 228  PWM      DL   235
## 229  PWM      EV   813
## 230  RDU      9E   868
## 231  RDU      B6   797
## 232  RDU      EV  1659
## 233  RDU      MQ   276
## 234  RDU      UA     1
## 235  RIC      9E   322
## 236  RIC      EV  2114
## 237  ROC      9E   273
## 238  ROC      B6  1403
## 239  ROC      EV   729
## 240  RSW      9E    67
## 241  RSW      B6  1930
## 242  RSW      DL   426
## 243  RSW      UA  1060
## 244  SAN      AA    30
## 245  SAN      B6   645
## 246  SAN      DL   575
## 247  SAN      UA  1113
## 248  SAT      9E    51
## 249  SAT      DL   303
## 250  SAT      UA   324
## 251  SAV      EV   804
## 252  SBN      EV    10
## 253  SDF      9E   255
## 254  SDF      EV   891
## 255  SDF      UA     3
## 256  SEA      AS   714
## 257  SEA      B6   507
## 258  SEA      DL  1213
## 259  SEA      UA  1098
## 260  SFO      AA  1209
## 261  SFO      B6  1028
## 262  SFO      DL  1858
## 263  SFO      UA  6475
## 264  SFO      VX  2197
## 265  SJC      B6   318
## 266  SJC      VX     1
## 267  SJU      AA    80
## 268  SJU      B6  2664
## 269  SJU      DL  1301
## 270  SJU      UA   686
## 271  SLC      B6   355
## 272  SLC      DL  2102
## 273  SMF      B6   276
## 274  SNA      UA   812
## 275  SRQ      9E    77
## 276  SRQ      B6   827
## 277  SRQ      DL   265
## 278  SRQ      EV    29
## 279  STL      AA   494
## 280  STL      DL     1
## 281  STL      EV  1826
## 282  STL      UA     2
## 283  STL      WN  1459
## 284  STT      AA     1
## 285  STT      DL    30
## 286  STT      UA   188
## 287  SYR      9E   159
## 288  SYR      B6  1265
## 289  SYR      EV   325
## 290  TPA      9E     3
## 291  TPA      B6  2722
## 292  TPA      DL  2129
## 293  TPA      EV     1
## 294  TPA      UA  1944
## 295  TUL      EV   315
## 296  TVC      EV    68
## 297  TVC      MQ     7
## 298  TYS      9E   265
## 299  TYS      EV   323
## 300  XNA      EV   292
## 301  XNA      MQ    65
#Posteriormente Agregar el nombre de la aerolínea al data frame anterior.Función: left_join()

Aerolíneas y Destinos: Mañana, Tarde, Noche y Madrugada

#Se necesita conocer las aerolíneas (clave y nombre) y destinos que vuelan por la Mañana: de 6 a 12, Tarde: de 12 a 19 , Noche: de 19 a 24 y Madrugada de 24 a 6.



#Posteriormente agregar un nuevo campo a la tabla con el nombre de clas_horario y agrega, mañana, tarde, noche y madrugada según sea el caso.Función: select(), left_join(), mutate(),ifelse con in

Cantidad de vuelos por aerolínea y destino que hay por la Mañana, Tarde, Noche y Madrugada

#Se necesita saber la cantidad de vuelos por aerolínea y destino que hay por la Mañana, Tarde, Noche y Madrugada.Función: group_by() y count()

Destinos a los que vuela American Airlines en Madrugada

#se necesita saber a qué destinos vuela la aerolínea American Airlines Inc.-AA  durante la madrugada. Función: select(),filter(),group_by()

¿Qué aviones utiliza la aerolínea AA?, y ¿Cuántos vuelos se han realizado con cada uno? elimina los NA’s

#Se presenta la aerolínea, tipo, motor, número de asientos y la cantidad de vuelos que se han realizado con cada uno de los aviones.Se elimina los NA's  Función: left_join(), select(), filter(), group_by(), count()

Interpretaciones de la evidencia 2

………….

Visualización de Datos

Dentro de las aerolíneas el retraso tanto en la hora de partida como en la hora de llegada a su destino van generando indicadores negativos.

Vuelos con retraso en ida y regreso

#Se solicita analizar para la aerolínea American Airlines si los vuelos que tienen retraso en la partida también tienen retraso en la hora de llegada.Realiza una visualización con una gráfica Scatterplot.

Tendencia de la temperatura

##Visualiza la tendencia de la temperatura durante los primeros 15 días del mes de Enero en los vuelos que parten del aeropuerto “Newark,  EWR”, utilizar una gráfica de línea.

Temperatura más frecuente

#Visualiza la temperatura más frecuente en los primeros 15 días del mes de Enero, utilizar un histrograma

Facets

#Utiliza Facets para observar cómo varía la temperatura en cada mes en él histograma del punto anterior

Vuelos que salieron de Nueva York en el 2013

#Número de vuelos que salieron de Nueva York en 2013 por aerolínea (mostrar solamente las 10 aerolíneas con más vuelos), utilizar gráfica de barras.

Grafica de pie

#Visualiza el punto anterior en una gráfica de pie.

Relación Flights and Airports

#Relaciona el data frame flights con el data frame airports a través del campo destino ¿cómo lograr estas relación?

Data frame

#Crea un nuevo data frame con el punto anterior únicamente con los 5 carriers con más vuelos por destino.

3 visualizaciones

#Realiza una visualización del punto anterior de las siguientes tres formas.

Reporte ejecutivo

#elabora un reporte ejecutivo utilizando los resultados obtenidos.

10. Conclusiónes de la evidencia 2

Compromiso ético y ciudadano

Describe el valor de la integridad.

Reflexión Personal:

¿ cómo puedes actuar con respeto y honestidad en los negocios y en el uso de datos cuando realices análisis de datos y estés en contacto con los datos de una empresa?

Alma: xxx: xxx:

Agrega al menos 3 bibliografías y cítalas en el punto anterior. http://codigoeticaeintegridad.com/

CASO: ¿Por qué se retrasan los vuelos en Nueva York?

Merge

bdgrande <-merge(flights,airlines, by="carrier")
bdgrande2 <-merge(bdgrande,planes, by="tailnum")
bdgrande3 <- left_join(bdgrande2,weather,by=c("origin","time_hour"))
bdgrande4 <- left_join(bdgrande3, airports, by = c("origin" = "faa"))

¿Cómo los retrasos varían con el número de asientos?

df1 <- bdgrande2 %>% select(dep_delay, seats)
df2 <- df1 %>% filter(seats >= 2 & seats <= 100)
df3 <- df1 %>% filter(seats >100)
summarize(df2, mean(dep_delay, na.rm=TRUE))
##   mean(dep_delay, na.rm = TRUE)
## 1                      16.90538
summarize(df3, mean(dep_delay, na.rm=TRUE))
##   mean(dep_delay, na.rm = TRUE)
## 1                      11.14191
summary(df1)
##    dep_delay           seats      
##  Min.   : -43.00   Min.   :  2.0  
##  1st Qu.:  -5.00   1st Qu.: 55.0  
##  Median :  -1.00   Median :149.0  
##  Mean   :  13.18   Mean   :136.7  
##  3rd Qu.:  11.00   3rd Qu.:189.0  
##  Max.   :1301.00   Max.   :450.0  
##  NA's   :4199
summary(df2)
##    dep_delay          seats       
##  Min.   :-32.00   Min.   :  2.00  
##  1st Qu.: -6.00   1st Qu.: 20.00  
##  Median : -2.00   Median : 55.00  
##  Mean   : 16.91   Mean   : 53.71  
##  3rd Qu.: 19.00   3rd Qu.: 55.00  
##  Max.   :798.00   Max.   :100.00  
##  NA's   :3237
summary(df3)
##    dep_delay           seats      
##  Min.   : -43.00   Min.   :102.0  
##  1st Qu.:  -4.00   1st Qu.:149.0  
##  Median :  -1.00   Median :179.0  
##  Mean   :  11.14   Mean   :183.4  
##  3rd Qu.:   9.00   3rd Qu.:200.0  
##  Max.   :1301.00   Max.   :450.0  
##  NA's   :962

Relación entre todos los asientos disponibles y los retrasos, sin filtrar por tamaño del avión.

Después de encontrar la media de los retrasos en vuelos con menos y más de 100 asientos, se puede observar que la media de retrasos es mayor en aviones con más asientos, sin embargo, no se puede asegurar que exista una correlación directa con el motivo de ¿por qué llegan tarde los vuelos?, ya que la diferencia de datos en notable en ambos casos. Ademas, la media se ve afectada no solo por la cantidad de datos (vuelos que tienen retraso), sino por el valor de dichos datos (el tiempo de retraso). Esto implica, que llevamos a cabo un análisis gráfico para ver la distribución de los datos y evaluar si debemos continuar con esta línea de estudio o debemos enfocarnos en otros aspectos. A continuación se llevan a cabo los análisis gráficos.

ggplot(df1, aes(x = factor(seats), y = dep_delay)) +
  geom_point(alpha = 0.5, position = position_jitter(width = 0.2)) +  # Añade un poco de 'jitter' para evitar la superposición de puntos  
  labs(title = "Retrasos por Asientos",
       x = "Número de Asientos",
       y = "Retraso (minutos)") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5),  # Centrar el título
        axis.title.x = element_text(face = "bold"),  # Negrita para la etiqueta del eje X
        axis.title.y = element_text(face = "bold"),  # Negrita para la etiqueta del eje Y
        axis.text.x = element_text(angle = 45, hjust = 1))  # Rotar etiquetas para mejor
## Warning: Removed 4199 rows containing missing values or values outside the scale range
## (`geom_point()`).

La gráfica muestra los retrasos en minutos dependiendo de la cantidad de asientos disponibles en los aviones. Se observa, que el retraso más significativo lo tiene un avión de 377 asientos, con un retraso de casi 1300 minutos, mientras que el retraso menos significativo lo tiene un avión de 12 personas, con retraso de unos pocos minutos. No obstante, la gráfica, no presenta ningún patrón claro que indique una relación directa entre el número de asientos y los retrasos. Por esta razón, decidimos cambiar la línea de enfoque del proyecto.

Influencia de las Condiciones Climáticas en los Retrasos de Vuelos

names(bdgrande3)
##  [1] "tailnum"        "carrier"        "year.x"         "month.x"       
##  [5] "day.x"          "dep_time"       "sched_dep_time" "dep_delay"     
##  [9] "arr_time"       "sched_arr_time" "arr_delay"      "flight"        
## [13] "origin"         "dest"           "air_time"       "distance"      
## [17] "hour.x"         "minute"         "time_hour"      "name"          
## [21] "year.y"         "type"           "manufacturer"   "model"         
## [25] "engines"        "seats"          "speed"          "engine"        
## [29] "year"           "month.y"        "day.y"          "hour.y"        
## [33] "temp"           "dewp"           "humid"          "wind_dir"      
## [37] "wind_speed"     "wind_gust"      "precip"         "pressure"      
## [41] "visib"
names(bdgrande4)
##  [1] "tailnum"        "carrier"        "year.x"         "month.x"       
##  [5] "day.x"          "dep_time"       "sched_dep_time" "dep_delay"     
##  [9] "arr_time"       "sched_arr_time" "arr_delay"      "flight"        
## [13] "origin"         "dest"           "air_time"       "distance"      
## [17] "hour.x"         "minute"         "time_hour"      "name.x"        
## [21] "year.y"         "type"           "manufacturer"   "model"         
## [25] "engines"        "seats"          "speed"          "engine"        
## [29] "year"           "month.y"        "day.y"          "hour.y"        
## [33] "temp"           "dewp"           "humid"          "wind_dir"      
## [37] "wind_speed"     "wind_gust"      "precip"         "pressure"      
## [41] "visib"          "name.y"         "lat"            "lon"           
## [45] "alt"            "tz"             "dst"            "tzone"

Modelo de regresión

# Filtrar vuelos con origen en Nueva York y con retrasos positivos en bdgrande3
ny_delays <- bdgrande3 %>%
  filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)

# Ajustamos el modelo de regresión lineal con los vuelos filtrados
modelo <- lm(dep_delay ~ temp + dewp + humid + wind_speed + wind_dir + wind_gust + precip + pressure + visib, data = ny_delays)

summary(modelo)
## 
## Call:
## lm(formula = dep_delay ~ temp + dewp + humid + wind_speed + wind_dir + 
##     wind_gust + precip + pressure + visib, data = ny_delays)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -67.92 -28.45 -16.96   9.87 712.15 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 387.33018   52.90640   7.321 2.53e-13 ***
## temp          0.20980    0.17893   1.173 0.240994    
## dewp         -0.13696    0.19528  -0.701 0.483106    
## humid         0.35920    0.10862   3.307 0.000944 ***
## wind_speed   -0.42784    0.12804  -3.342 0.000834 ***
## wind_dir     -0.02444    0.00442  -5.529 3.25e-08 ***
## wind_gust     0.59045    0.10994   5.371 7.90e-08 ***
## precip      -25.61640   20.24863  -1.265 0.205849    
## pressure     -0.36168    0.04903  -7.377 1.67e-13 ***
## visib        -0.93722    0.31923  -2.936 0.003329 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 49.5 on 26000 degrees of freedom
##   (86786 observations deleted due to missingness)
## Multiple R-squared:  0.02614,    Adjusted R-squared:  0.0258 
## F-statistic: 77.55 on 9 and 26000 DF,  p-value: < 2.2e-16
# Obtenemos los coeficientes del modelo
coeficientes <- tidy(modelo)

# Filtramos para excluir el intercepto de la visualización si es necesario
coeficientes <- coeficientes %>%
  filter(term != "(Intercept)")

# Creamos la gráfica utilizando ggplot2
ggplot(coeficientes, aes(x = reorder(term, estimate), y = estimate, fill = estimate)) +
  geom_bar(stat = "identity") +
  geom_errorbar(aes(ymin = estimate - std.error, ymax = estimate + std.error), width = 0.2) +
  coord_flip() +  # Invertimos las coordenadas para tener una visualización horizontal
  scale_fill_gradient(low = "blue", high = "red") +  # Usamos un gradiente de color
  labs(title = "Impacto de Variables Climáticas en Retrasos de Vuelos",
       x = "Coeficiente Estimado",
       y = "Variables Climáticas") +
  theme_minimal() +
  theme(legend.position = "none")  # Eliminamos la leyenda para una visualización más limpia

La influencia de las condiciones climáticas sobre los retrasos de los vuelos en Nueva York es multifacética y compleja, abarcando diversas variables como la temperatura, el punto de rocío, la humedad, la velocidad y dirección del viento, las ráfagas de viento, la precipitación, la presión atmosférica y la visibilidad. Cada una de estas variables climáticas contribuye de manera distinta a la puntualidad de las salidas aéreas, según se evidencia en el modelo de regresión lineal analizado. La humedad y las ráfagas de viento muestran una asociación positiva con los retrasos, indicando que altos niveles de humedad y ráfagas más intensas tienden a incrementar los tiempos de retraso. Específicamente, la humedad presenta un coeficiente de 0.35920 con un valor p significativo, y las ráfagas de viento un coeficiente de 0.59045, también significativo. Por contraparte, la velocidad del viento y la presión atmosférica tienen efectos negativos, con coeficientes de -0.42784 y -0.36168 respectivamente, sugiriendo que velocidades mayores del viento y altas presiones pueden disminuir los retrasos. Notablemente, la dirección del viento tiene un impacto negativo menor (-0.02444), lo que podría reflejar cómo ciertas direcciones son más favorables para las operaciones aéreas. Sin embargo, la temperatura, el punto de rocío y la precipitación no resultaron ser significativas en este modelo, lo que sugiere que su impacto directo sobre los retrasos de salida puede ser menos pronunciado en este conjunto de datos específico. A pesar de la significancia estadística de varias de estas variables climáticas, el modelo en su conjunto solo explica aproximadamente el 2.58% de la variabilidad en los retrasos (R-cuadrado ajustado de 0.0258), lo que resalta la existencia de otros factores influyentes no capturados en el modelo actual. Este resultado subraya la necesidad de un enfoque más holístico para entender completamente los retrasos de vuelo, considerando no solo las condiciones climáticas sino también elementos operativos, de tráfico y logísticos.

Visibilidad

# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays <- bdgrande3 %>%
  filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)

# Analizar el retraso medio por nivel de visibilidad
delay_by_visib_meters <- ny_delays %>%
  mutate(visib_meters = visib * 1609.34) %>%  # Convertir visibilidad a metros
  group_by(visib_meters) %>%
  summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
  arrange(desc(mean_delay))
delay_by_visib_meters
## # A tibble: 21 × 2
##    visib_meters mean_delay
##           <dbl>      <dbl>
##  1          0        117. 
##  2        193.        85.6
##  3       2012.        73.5
##  4       2816.        70.5
##  5         96.6       69.4
##  6        805.        64.6
##  7       1207.        64.1
##  8       1609.        59.3
##  9        402.        56.1
## 10      12875.        53.2
## # ℹ 11 more rows
# Gráfico de los retrasos medios por visibilidad
ggplot(delay_by_visib_meters, aes(x = visib_meters, y = mean_delay)) +
  geom_point(aes(color = mean_delay), size = 3, alpha = 0.6) + # Puntos de datos con color basado en el retraso medio
  geom_smooth(aes(color = mean_delay), method = "loess", se = FALSE, size = 1) + # Línea de tendencia suavizada sin banda de confianza
  scale_color_gradient(low = "blue", high = "red") + # Gradiente de color de azul (retrasos bajos) a rojo (retrasos altos)
  theme_minimal() + # Tema minimalista
  theme(legend.position = "none") + # Ocultar leyenda
  labs(
    title = "Retraso Medio de Salida por Visibilidad",
    subtitle = "Puntos coloreados por el retraso medio, con línea de tendencia suavizada",
    x = "Visibilidad (metros)",
    y = "Retraso medio (minutos)"
  )
## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
## `geom_smooth()` using formula = 'y ~ x'
## Warning: Removed 1 row containing non-finite outside the scale range
## (`stat_smooth()`).
## Warning: The following aesthetics were dropped during statistical transformation:
## colour.
## ℹ This can happen when ggplot fails to infer the correct grouping structure in
##   the data.
## ℹ Did you forget to specify a `group` aesthetic or to convert a numerical
##   variable into a factor?
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).

El gráfico muestra la relación entre la visibilidad y el retraso medio de los vuelos. Observando la línea de tendencia suavizada y la dispersión de los puntos, se puede identificar una tendencia que sugiere que los retrasos tienden a ser más largos cuando la visibilidad es baja. Una baja visibilidad puede ser un factor contribuyente a los retrasos.

Temperatura

# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays <- bdgrande3 %>%
  filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)

# Convertir temperatura a grados Celsius y analizar el retraso medio
delay_by_temp_celsius <- ny_delays %>%
  mutate(temp_celsius = (temp - 32) * 5/9) %>%  # Convertir F a C
  group_by(temp_celsius) %>%
  summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
  arrange(temp_celsius)
delay_by_temp_celsius
## # A tibble: 167 × 2
##    temp_celsius mean_delay
##           <dbl>      <dbl>
##  1        -11.7       30.5
##  2        -11.1       50.0
##  3        -10.6       51.0
##  4        -10.5      100. 
##  5        -10         37.0
##  6         -9.4       52.0
##  7         -8.9       35.1
##  8         -8.3       37.9
##  9         -7.8       47.1
## 10         -7.2       37.4
## # ℹ 157 more rows
# Gráfico de los retrasos medios por temperatura en grados Celsius
ggplot(delay_by_temp_celsius, aes(x = temp_celsius, y = mean_delay)) +
  geom_bar(stat = "identity", fill = "steelblue") +
  labs(title = "Retraso medio de salida por temperatura",
       x = "Temperatura (°C)",
       y = "Retraso medio (minutos)") +
  theme_minimal()
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).

La gráfica ilustra cómo varía el retraso medio de los vuelos en función de la temperatura en grados Celsius. Parece que no hay una tendencia clara y consistente que relacione las temperaturas con los retrasos de los vuelos; los datos están bastante dispersos. Algunos puntos de temperatura específicos muestran picos de retraso notables, pero no se observa un patrón uniforme que sugiera que los retrasos aumentan o disminuyen linealmente con la temperatura.

Además, el hecho de que algunos picos de retraso sean muy altos podría indicar días específicos con condiciones extremas o eventos no recurrentes que afectaron significativamente los tiempos de retraso. Estas anomalías podrían ser el resultado de condiciones meteorológicas severas, problemas operativos singulares o una combinación de factores que no están directamente relacionados con la temperatura.

Punto de rocío

# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays <- bdgrande3 %>%
  filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)

# Convertir el punto de rocío a grados Celsius y analizar el retraso medio
delay_by_dewp_celsius <- ny_delays %>%
  mutate(dewp_celsius = (dewp - 32) * 5/9) %>%  # Convertir F a C
  group_by(dewp_celsius) %>%
  summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
  arrange(dewp_celsius)
delay_by_dewp_celsius
## # A tibble: 146 × 2
##    dewp_celsius mean_delay
##           <dbl>      <dbl>
##  1        -23.3        6.5
##  2        -22.8       38.8
##  3        -22.2       35.3
##  4        -21.7       33.9
##  5        -21.1       37.9
##  6        -20.6       52.4
##  7        -20         49.0
##  8        -19.4       50.2
##  9        -18.9       43.8
## 10        -18.3       38.7
## # ℹ 136 more rows
# Gráfico de los retrasos medios por punto de rocío en grados Celsius
ggplot(delay_by_dewp_celsius, aes(x = dewp_celsius, y = mean_delay)) +
  geom_line(group=1) +  # Agregamos group=1 para asegurar que geom_line conecte los puntos en orden
  geom_point() +  # Agregamos puntos para ver los datos individuales
  labs(title = "Retraso medio de salida por punto de rocío",
       x = "Punto de Rocío (°C)",
       y = "Retraso medio (minutos)") +
  theme_minimal()
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_line()`).
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).

En esta visualización, se observa una gran dispersión en los datos, con algunos valores de punto de rocío asociados con picos significativos en los retrasos medios de salida. No obstante, no hay una tendencia clara que indique que los retrasos aumentan o disminuyen de manera sistemática con puntos de rocío más altos o más bajos. En cambio, la variabilidad de los retrasos parece ser alta a lo largo de todo el rango de valores de punto de rocío.

Si bien algunos picos altos en el gráfico podrían sugerir días específicos o condiciones particulares donde el punto de rocío estuvo relacionado con retrasos mayores (posiblemente debido a niebla densa o condiciones de congelación a temperaturas cercanas a 0°C), la falta de una tendencia consistente implica que el punto de rocío por sí solo no puede considerarse como una causa única y directa de los retrasos en los vuelos. Es probable que otros factores, como las condiciones de operación del aeropuerto, el tráfico aéreo, y otras variables meteorológicas, también jueguen un papel importante en los retrasos.

Humedad relativa

# Filtrar vuelos con origen en Nueva York y con retrasos positivos desde bdgrande3
ny_delays <- bdgrande3 %>%
  filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)

# Analizar el retraso medio por humedad relativa
delay_by_humidity <- ny_delays %>%
  group_by(humid) %>%
  summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
  arrange(humid)

# Gráfico de los retrasos medios por humedad relativa
ggplot(delay_by_humidity, aes(x = humid, y = mean_delay)) +
  geom_line(group = 1, colour = "darkgreen") + # Usamos geom_line para ver la tendencia
  geom_point(colour = "forestgreen") + # Usamos geom_point para ver cada punto de datos
  labs(title = "Retraso medio de salida por humedad relativa",
       x = "Humedad Relativa (%)",
       y = "Retraso medio (minutos)") +
  theme_minimal()
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_line()`).
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).

La gráfica muestra la relación entre la humedad relativa y el retraso medio de salida de los vuelos. Observando la distribución de los puntos, parece que hay una amplia variabilidad en los retrasos a lo largo de todo el rango de humedad relativa, sin una tendencia clara que vincule directamente los niveles de humedad con el incremento o disminución de los retrasos.

Hay varios picos altos de retrasos a través del espectro de humedad relativa, pero no se aprecia un patrón sistemático; es decir, no se observa que los retrasos sean consistentemente mayores a niveles de humedad más altos o más bajos. Esto sugiere que la humedad por sí sola no puede ser considerada como una causa única y directa de los retrasos.

Dirección del viento.

# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays_wind <- bdgrande3 %>%
  filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)

# Analizar el retraso medio por dirección del viento
delay_by_wind_dir <- ny_delays_wind %>%
  group_by(wind_dir) %>%
  summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
  arrange(wind_dir)

# Gráfico de los retrasos medios por dirección del viento
ggplot(delay_by_wind_dir, aes(x = wind_dir, y = mean_delay)) +
  geom_point(aes(color = mean_delay), size = 3) +  # Puntos de datos coloreados por el retraso medio
  geom_smooth(method = "loess", color = "red", se = FALSE) +  # Línea de tendencia suavizada
  scale_color_viridis_c() +  # Escala de color para los puntos
  labs(title = "Retraso medio de salida por dirección del viento",
       x = "Dirección del Viento (grados)",
       y = "Retraso medio (minutos)") +
  theme_minimal() +
  theme(legend.position = "none")  # Ocultar la leyenda para simplificar
## `geom_smooth()` using formula = 'y ~ x'
## Warning: Removed 1 row containing non-finite outside the scale range
## (`stat_smooth()`).
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).

Al inicio, para direcciones de viento más bajas, los retrasos parecen ser más altos; luego, hay un descenso de los retrasos a medida que la dirección del viento se aproxima a los 180 grados, lo que suele representar vientos que soplan de sur a norte. Después, la tendencia se invierte, y los retrasos comienzan a aumentar nuevamente para direcciones de viento superiores a 180 grados. Esto indica que ciertas direcciones del viento están más favorablemente asociadas con operaciones de vuelo eficientes, posiblemente debido a la orientación de las pistas en los aeropuertos y cómo los vientos pueden facilitar o dificultar el despegue y aterrizaje de los aviones. En muchos aeropuertos, las pistas están diseñadas para ser utilizadas con mayor eficiencia cuando los vientos predominantes soplan en ciertas direcciones, lo que podría explicar por qué ciertos rangos de dirección del viento tienen retrasos promedio menores.

Ráfagas de viento

# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays_gust <- bdgrande3 %>%
  filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)

# Analizar el retraso medio por ráfagas de viento
delay_by_wind_gust <- ny_delays_gust %>%
  group_by(wind_gust) %>%
  summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
  arrange(wind_gust)

# Gráfico de los retrasos medios por ráfagas de viento
ggplot(delay_by_wind_gust, aes(x = wind_gust, y = mean_delay)) +
  geom_line(aes(group = 1), colour = "darkred") +  # Línea para conectar los puntos
  geom_point(colour = "red", size = 2, alpha = 0.5) +  # Puntos para cada observación
  labs(title = "Retraso medio de salida por ráfagas de viento",
       x = "Ráfagas de Viento (nudos)",
       y = "Retraso medio (minutos)") +
  theme_minimal() +
  theme(legend.position = "none")
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_line()`).
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).

Observando la tendencia general, parece haber una relación entre la intensidad de las ráfagas de viento y los retrasos medios de salida: a medida que las ráfagas de viento aumentan, los retrasos también tienden a aumentar, lo que podría sugerir que condiciones de viento más intensas dificultan las operaciones de vuelo y contribuyen a retrasos más significativos.

Alrededor de los 50 nudos, la gráfica muestra una disminución notable en los retrasos medios de salida. Esta caída puede ser resultado de diferentes factores. En un día con ráfagas de viento de aproximadamente 50 nudos, podría haber habido menos vuelos programados, lo que a veces puede resultar en un menor promedio de retraso si unos pocos vuelos se retrasaron menos de lo normal. También es posible que las medidas de mitigación en aeropuertos estén más preparadas para lidiar con ráfagas de viento de esta intensidad, reduciendo así el impacto en los retrasos.

Presión atmosférica.

# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays_pressure <- bdgrande3 %>%
  filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)

# Analizar el retraso medio por presión atmosférica
delay_by_pressure <- ny_delays_pressure %>%
  group_by(pressure) %>%
  summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
  arrange(pressure)

# Gráfico de los retrasos medios por presión atmosférica
ggplot(delay_by_pressure, aes(x = pressure, y = mean_delay)) +
  geom_point(aes(color = mean_delay), size = 2, alpha = 0.6) +  # Puntos de datos coloreados por el retraso medio
  geom_smooth(method = "loess", color = "darkblue", se = FALSE) +  # Línea de tendencia suavizada
  scale_color_gradient(low = "lightblue", high = "darkblue") +  # Escala de color para los puntos
  labs(title = "Retraso medio de salida por presión atmosférica",
       x = "Presión Atmosférica (hPa)",
       y = "Retraso medio (minutos)") +
  theme_minimal() +
  theme(legend.position = "none") 
## `geom_smooth()` using formula = 'y ~ x'
## Warning: Removed 1 row containing non-finite outside the scale range
## (`stat_smooth()`).
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).

En general, hay una tendencia decreciente: a medida que aumenta la presión atmosférica, los retrasos medios tienden a disminuir. Esto podría sugerir que condiciones de alta presión, que a menudo están asociadas con tiempo más estable y despejado, podrían conducir a menos retrasos en los vuelos.

Sin embargo, también hay una dispersión considerable de los puntos, especialmente en rangos medios de presión, donde los retrasos varían ampliamente. Algunos puntos con baja presión atmosférica muestran retrasos muy largos, lo cual podría estar relacionado con mal tiempo, como tormentas, que son más comunes en áreas de baja presión.

La línea curva que se ajusta a los datos sugiere una relación no lineal, lo que puede reflejar la complejidad de cómo la presión atmosférica influye en las operaciones del aeropuerto y en los retrasos de los vuelos. Las condiciones de baja presión no solo pueden traer mal tiempo, sino también desafíos en la gestión del tráfico aéreo y en la planificación de las rutas de vuelo.

Precipitación

# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays_precip <- bdgrande3 %>%
  filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)

# Convertir la cantidad de precipitación de pulgadas a milímetros
# y analizar el retraso medio
delay_by_precip_mm <- ny_delays_precip %>%
  mutate(precip_mm = precip * 25.4) %>%  # Convertir precipitación a milímetros
  group_by(precip_mm) %>%
  summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
  arrange(precip_mm)

# Gráfico de los retrasos medios por cantidad de precipitación en milímetros
ggplot(delay_by_precip_mm, aes(x = precip_mm, y = mean_delay)) +
  geom_point(aes(color = mean_delay), size = 2, alpha = 0.6) +  # Puntos de datos coloreados por el retraso medio
  geom_smooth(method = "loess", color = "darkgreen", se = FALSE) +  # Línea de tendencia suavizada
  scale_color_gradient(low = "lightgreen", high = "darkgreen") +  # Escala de color para los puntos
  labs(title = "Retraso medio de salida por cantidad de precipitación",
       x = "Precipitación (mm)",
       y = "Retraso medio (minutos)") +
  theme_minimal() +
  theme(legend.position = "none") 
## `geom_smooth()` using formula = 'y ~ x'
## Warning: Removed 1 row containing non-finite outside the scale range
## (`stat_smooth()`).
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).

Observando la línea de tendencia, parece haber una relación positiva entre la cantidad de precipitación y el retraso promedio de los vuelos. Inicialmente, con poca o ninguna precipitación, los retrasos son mínimos. A medida que la precipitación aumenta hasta alrededor de 10 mm, los retrasos se mantienen relativamente estables, lo que sugiere que pequeñas cantidades de lluvia no tienen un gran impacto en los horarios de los vuelos.

Después de los 10 mm de precipitación, la línea de tendencia comienza a ascender, lo que indica que a medida que la cantidad de lluvia aumenta, también lo hace el retraso promedio en la salida de los vuelos.

Velocidad del viento.

# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays_wind_speed <- bdgrande3 %>%
  filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)

# Convertir la velocidad del viento de nudos a km/h
# y analizar el retraso medio
delay_by_wind_speed_kmh <- ny_delays_wind_speed %>%
  mutate(wind_speed_kmh = wind_speed * 1.852) %>%  # Convertir velocidad del viento a km/h
  group_by(wind_speed_kmh) %>%
  summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
  arrange(wind_speed_kmh)

# Gráfico de los retrasos medios por velocidad del viento en km/h
ggplot(delay_by_wind_speed_kmh, aes(x = wind_speed_kmh, y = mean_delay)) +
  geom_point(aes(color = mean_delay), size = 2, alpha = 0.6) +  # Puntos de datos coloreados por el retraso medio
  geom_smooth(method = "loess", color = "darkorange", se = FALSE) +  # Línea de tendencia suavizada
  scale_color_gradient(low = "yellow", high = "red") +  # Escala de color para los puntos
  labs(title = "Retraso medio de salida por velocidad del viento",
       x = "Velocidad del Viento (km/h)",
       y = "Retraso medio (minutos)") +
  theme_minimal() +
  theme(legend.position = "none")  
## `geom_smooth()` using formula = 'y ~ x'
## Warning: Removed 1 row containing non-finite outside the scale range
## (`stat_smooth()`).
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).

Podemos observar que cuando la velocidad del viento es baja (cercana a 0 km/h), los retrasos medios parecen estar en torno a los 40 minutos. A medida que la velocidad del viento aumenta, los retrasos se mantienen relativamente estables o aumentan ligeramente hasta cierto punto, tras el cual los retrasos aumentan de manera más notable con la velocidad del viento. Esto sugiere que hasta cierta velocidad del viento, los retrasos no son significativamente afectados, pero después de superar ese umbral, los retrasos empiezan a aumentar con velocidades de viento más altas.

La tendencia alcanza un pico alrededor de los 40-60 km/h, lo que indica que dentro de este rango de velocidades de viento es donde los retrasos de salida de vuelos son mayores. Después de este pico, la línea de tendencia disminuye, lo que podría sugerir que los retrasos disminuyen para velocidades de viento incluso más altas. Sin embargo, la presencia de pocos datos en este rango superior hace que sea menos confiable inferir una tendencia clara para altas velocidades de viento.

Los puntos en rojo que están por encima de la tendencia general podrían representar días en los que hubo condiciones excepcionales que causaron retrasos mayores a los esperados para las velocidades de viento observadas. Estos podrían ser días con otros factores agravantes, como tormentas, baja visibilidad, o problemas operativos en el aeropuerto que no están directamente relacionados con la velocidad del viento.

Retraso por aeropuerto

names(bdgrande3)
##  [1] "tailnum"        "carrier"        "year.x"         "month.x"       
##  [5] "day.x"          "dep_time"       "sched_dep_time" "dep_delay"     
##  [9] "arr_time"       "sched_arr_time" "arr_delay"      "flight"        
## [13] "origin"         "dest"           "air_time"       "distance"      
## [17] "hour.x"         "minute"         "time_hour"      "name"          
## [21] "year.y"         "type"           "manufacturer"   "model"         
## [25] "engines"        "seats"          "speed"          "engine"        
## [29] "year"           "month.y"        "day.y"          "hour.y"        
## [33] "temp"           "dewp"           "humid"          "wind_dir"      
## [37] "wind_speed"     "wind_gust"      "precip"         "pressure"      
## [41] "visib"
   # Calculamos el retraso promedio por aeropuerto de origen y el porcentaje de vuelos retrasados
retraso_por_aeropuerto <- bdgrande3 %>%
  group_by(origin) %>%
  summarise(
    retraso_promedio = mean(dep_delay, na.rm = TRUE),  # Calculamos el retraso promedio excluyendo NA
    vuelos = n(),  # Contamos el número total de vuelos para cada aeropuerto
    vuelos_retrasados = sum(dep_delay > 0, na.rm = TRUE),  # Contamos los vuelos retrasados
    porcentaje_retrasados = vuelos_retrasados / vuelos * 100  # Calculamos el porcentaje de vuelos retrasados
  ) %>%
  arrange(desc(retraso_promedio))  # Ordenamos por el retraso promedio descendente

# Mostramos los resultados
print(retraso_por_aeropuerto) 
## # A tibble: 3 × 5
##   origin retraso_promedio vuelos vuelos_retrasados porcentaje_retrasados
##   <chr>             <dbl>  <int>             <int>                 <dbl>
## 1 EWR                15.2 114927             50942                  44.3
## 2 JFK                12.2  94142             36278                  38.5
## 3 LGA                11.3  75101             25576                  34.1
# Crear una gráfica que muestra tanto el retraso promedio como el porcentaje de vuelos retrasados
ggplot(retraso_por_aeropuerto, aes(x = origin)) +
  geom_col(aes(y = retraso_promedio), fill = "steelblue", width = 0.4, position = position_dodge(width = 0.5)) +
  geom_col(aes(y = porcentaje_retrasados), fill = "firebrick", width = 0.4, position = position_dodge(width = 0.5), alpha = 0.5) +
  scale_y_continuous(sec.axis = sec_axis(~., name = "Porcentaje de Vuelos Retrasados")) +
  labs(title = "Retraso Promedio y Porcentaje de Vuelos Retrasados por Aeropuerto de Origen",
       x = "Aeropuerto de Origen",
       y = "Retraso Promedio (minutos)") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

  • EWR (Aeropuerto de Newark Liberty International) tiene el retraso promedio más alto con 15.2 minutos y el mayor porcentaje de vuelos retrasados con un 44.3%.

  • JFK (Aeropuerto Internacional John F. Kennedy) tiene un retraso promedio de 12.2 minutos y un 38.5% de sus vuelos están retrasados.

  • LGA (Aeropuerto LaGuardia) presenta el menor retraso promedio con 11.3 minutos y el menor porcentaje de vuelos retrasados con un 34.1%.

Esta grafica sugiere que hay una tendencia entre estos tres aeropuertos donde EWR tiende a tener retrasos más largos y una mayor proporción de vuelos retrasados en comparación con JFK y LGA.

Retrasos promedio por mes y aeropuerto de origen

summary_delay_month_bdgrande3 <- bdgrande3 %>%
  group_by(month.x) %>%
  summarise(avg_delay = mean(dep_delay, na.rm = TRUE),
            total_flights = n(),
            total_delayed_flights = sum(dep_delay > 0, na.rm = TRUE),
            perc_delayed_flights = total_delayed_flights / total_flights * 100)

summary_delay_month_bdgrande3
## # A tibble: 12 × 5
##    month.x avg_delay total_flights total_delayed_flights perc_delayed_flights
##      <int>     <dbl>         <int>                 <int>                <dbl>
##  1       1     10.7          22525                  8415                 37.4
##  2       2     11.4          20617                  7910                 38.4
##  3       3     14.2          24244                  9955                 41.1
##  4       4     14.1          23954                  9260                 38.7
##  5       5     13.2          24370                  9922                 40.7
##  6       6     21.5          23792                 11120                 46.7
##  7       7     22.6          24795                 12216                 49.3
##  8       8     13.2          24876                 10340                 41.6
##  9       9      6.93         23361                  6721                 28.8
## 10      10      6.71         24651                  7702                 31.2
## 11      11      5.81         23300                  7292                 31.3
## 12      12     17.3          23685                 11943                 50.4
ggplot(bdgrande3, aes(x = month.x, y = dep_delay, fill = origin)) +
  stat_summary(fun = "mean", geom = "col", position = "dodge") +
  labs(x = "Mes", y = "Retraso promedio (minutos)", fill = "Aeropuerto") +
  ggtitle("Retraso promedio por mes y aeropuerto") +
  scale_fill_manual(values = c("green", "red", "blue")) +  # Paleta de colores personalizada
  theme_minimal() + 
  scale_x_continuous(breaks = 1:12, labels = c("Ene", "Feb", "Mar", "Abr", "May", "Jun", "Jul", "Ago", "Sep", "Oct", "Nov", "Dic")) +  # Etiquetas de meses actualizadas
  theme(plot.title = element_text(hjust = 0.5))
## Warning: Removed 4199 rows containing non-finite outside the scale range
## (`stat_summary()`).

  • Meses con mayores retrasos: En el gráfico, los meses (Junio, Julio y, en menor medida, Diciembre) tienen los retrasos promedio más altos. Esto también se refleja en la tabla, con Junio y Julio teniendo los retrasos promedio más altos (21.5 y 22.6 minutos, respectivamente). El mes de Diciembre muestra un aumento significativo en el retraso promedio.

  • Meses con menores retrasos: Septiembre , Octubre y noviembre son los meses con los retrasos promedio más bajos, lo que es consistente con el gráfico y los datos de la tabla (6.93, 6.71 y 5.81 minutos respectivamente).

  • Porcentaje de vuelos retrasados: Al observar la tabla, Diciembre tiene el porcentaje más alto de vuelos retrasados (50.4%), seguido de cerca por Julio (49.3%) y junio por (46.7). Estos porcentajes coinciden con los picos más altos de retraso promedio, sugiriendo que cuando hay más vuelos retrasados, también aumenta el retraso promedio.

  • Comparación entre aeropuertos: El gráfico muestra que, en general, LGA tiende a tener los menores retrasos promedio, mientras que EWR muestra los mayores. JFK parece tener una tendencia intermedia entre los tres aeropuertos.

  • Posibles razones para el patrón de retraso: Variaciones estacionales: Los meses de verano y Diciembre pueden tener más retrasos debido a una mayor demanda de viajes durante las vacaciones de verano y las fiestas de fin de año. Las inclemencias del tiempo también pueden ser una causa común de retraso durante estos períodos.

Volumen de tráfico: Un mayor volumen de tráfico aéreo puede llevar a un aumento en los retrasos. Esto parece ser especialmente cierto en los meses de verano y Diciembre, que podrían coincidir con picos en los viajes de vacaciones.

Operaciones de los aeropuertos: Las diferencias en los retrasos entre los aeropuertos pueden deberse a varias razones, incluyendo la capacidad del aeropuerto, la gestión del tráfico aéreo y la infraestructura local. Algunos aeropuertos podrían estar más equipados para manejar grandes volúmenes de tráfico o condiciones climáticas adversas.

Promedio de Retraso de Vuelo por Hora del Día

bdgrande3 <- bdgrande3 %>%
  mutate(
    hour_of_day = sched_dep_time %/% 100,  # Extrae la hora del tiempo de salida programado
    dep_delay = ifelse(is.na(dep_delay), 0, dep_delay)  # Trata los NA en dep_delay como 0 para este análisis
  )
retraso_promedio_por_hora <- bdgrande3 %>%
  group_by(hour_of_day) %>%
  summarise(retraso_promedio = mean(dep_delay, na.rm = TRUE)) %>%
  arrange(hour_of_day)
retraso_promedio_por_hora
## # A tibble: 19 × 2
##    hour_of_day retraso_promedio
##          <dbl>            <dbl>
##  1           5            0.692
##  2           6            2.00 
##  3           7            2.11 
##  4           8            4.44 
##  5           9            4.65 
##  6          10            6.55 
##  7          11            7.22 
##  8          12            9.06 
##  9          13           11.7  
## 10          14           14.7  
## 11          15           17.7  
## 12          16           19.1  
## 13          17           21.1  
## 14          18           21.7  
## 15          19           24.9  
## 16          20           24.3  
## 17          21           24.9  
## 18          22           18.1  
## 19          23           13.7
ggplot(retraso_promedio_por_hora, aes(x = hour_of_day, y = retraso_promedio)) +
  geom_line() +  # Línea para conectar los puntos de retraso promedio
  geom_point() +  # Puntos para resaltar cada hora
  labs(title = "Promedio de Retraso de Vuelo por Hora del Día",
       x = "Hora del Día",
       y = "Retraso Promedio (minutos)") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5))

Puntos clave + Horas de la mañana (5-11 a.m.): Los retrasos son relativamente bajos en las primeras horas de la mañana y comienzan a incrementarse lentamente a partir de las 8 a.m.

  • Mediodía y primeras horas de la tarde (12-5 p.m.): Durante estas horas, se observa un aumento constante y significativo en los retrasos promedio.

  • Tarde (6-9 p.m.): Los retrasos alcanzan su máximo entre las 6 p.m. y las 9 p.m., lo que podría deberse al tráfico acumulado a lo largo del día y a posibles factores operacionales que se deterioran a medida que el día avanza (por ejemplo, la fatiga del personal, la acumulación de retrasos anteriores, etc.).

  • Noche (10 p.m. en adelante): A partir de las 10 p.m., los retrasos comienzan a disminuir, probablemente debido a que hay menos vuelos programados y más tiempo para recuperarse de cualquier retraso acumulado durante el día.

Posibles razones para estos patrones: + Acumulación de retrasos: Como los vuelos operan en una red interconectada, los retrasos a primera hora pueden tener un efecto dominó a lo largo del día, causando mayores retrasos a medida que el día avanza.

  • Tráfico aéreo: Las horas pico de viaje, especialmente en la tarde, pueden llevar a un mayor tráfico aéreo y, por consiguiente, a mayores retrasos.

  • Operaciones en tierra: El tiempo necesario para las operaciones en tierra (mantenimiento, carga de equipaje, abordaje, etc.) puede aumentar durante el día debido a la fatiga del personal o al incremento de pasajeros durante las horas pico.

Relación entre la antigüedad de un avión y sus retrasos

bdgrande3 <- bdgrande3 %>%
  filter(!is.na(year.y)) %>%
  mutate(age = 2013 - year.y) %>%  # Asumiendo que los datos de vuelo son de 2013
  filter(age >= 0)  # Asegurar que la antigüedad sea lógica
age_delay_summary_bdgrande3 <- bdgrande3 %>%
  group_by(age) %>%
  summarise(
    avg_dep_delay = mean(dep_delay, na.rm = TRUE),
    n = n()
  ) %>%
  filter(n > 100)  # Filtrar grupos con suficientes datos
age_delay_summary_bdgrande3
## # A tibble: 36 × 3
##      age avg_dep_delay     n
##    <dbl>         <dbl> <int>
##  1     0         10.6   4630
##  2     1          9.59  7252
##  3     2         11.8   6046
##  4     3         12.5   3797
##  5     4         10.9   6632
##  6     5         13.1  17878
##  7     6         13.7  15300
##  8     7         14.4  13203
##  9     8         14.5  14369
## 10     9         16.0  15706
## # ℹ 26 more rows
ggplot(age_delay_summary_bdgrande3, aes(x = age, y = avg_dep_delay)) +
  geom_line(color = "blue", na.rm = TRUE) +
  geom_point(color = "blue", na.rm = TRUE) +  # Añadir puntos para mayor claridad
  labs(title = "Retraso Promedio de Salida por Antigüedad del Avión",
       x = "Antigüedad del Avión (años)",
       y = "Retraso Promedio de Salida (minutos)") +
  theme_minimal()

  • Existen picos en los retrasos promedio para ciertas edades de los aviones. Por ejemplo, los aviones de 9 años tienen un retraso promedio notablemente más alto que los de edades inmediatamente anteriores o posteriores.

  • Hacia el final de la gráfica, se observa un aumento general en el retraso promedio para aviones de mayor antigüedad, especialmente en el rango de 40 años.

Conclusión

Bibliografías

---
title: "Evidencia Final"
author: "Alma Santiago - A00836636, Diego Serna - A01285490, Osvaldo Tello - A01285642"
date: "2024-03-04"
output: 
  html_document:
    toc: TRUE
    toc_float: TRUE
    code_download: TRUE
    theme: cosmo
---

AGREGAR IMAGEN

# <span style="color: red;">Introducción</span> 
..............


# <span style="color: red;">Contexto</span> 
El paquete **nycflights13** contiene información sore todos los vueles que partieron desde Nueva York(EWR, JFL, LGA) en destinos a los Estados Unidos en 2013. Fueron 336,776 vuelos en total. Para ayudar a comprender las causas de los retrasos, también incluye otros ocnjuntos de datos útiles.  

Este paquete incluye las siguientes tablas:

+ flights = todos los vuelos que salieron de NUeva York en el 2013  
+ weather = datos metereológicos por hora de cada aeropuerto  
+ planes = información de construcción de cada avión  
+ airports = nombres y ublicaciones de aeropuertos  
+ airlines = relación entre nombres y códigos de las aerolíneas  

Fuente:
[Origen de los datos](https://cran.r-project.org/web/packages/nycflights13/nycflights13.pdf)


# <span style="color: red;">Instalar paquetes y llamar librerías</span>
```{r}
#install.packages("nycflight13")
library(nycflights13)
#install.packages("tidyverse")
library(tidyverse)
#install.packages("dplyr")
library(dplyr)
#install.packages("ggplot2")
library(ggplot2)
#install.packages("")
library(broom)

```

# <span style="color: red;">Guardar base de datos</span> 
```{r}
flights <- flights
weather <- weather
planes <- planes
airports <- airports
airlines <- airlines
```

# <span style="color: red;">Relación entre las bases de datos</span> 
agregar imagen

# <span style="color: red;">Data Wrangling</span> 
## <span style="color: blue;">1. Funciones básicas de manejo de datos</span> 
### <span style="color: black;">Select</span> 
La función *select* sirve para seleccionar columnos de un table (*data frame*).
```{r}
df1 <- flights %>% select(carrier, flight) # Selección de columnas específicas
df2 <- flights %>% select(carrier:distance) # Selección de rango de columnas
df3 <- flights %>% select(-carrier, -flight) # Eliminar columnas específicas
df4 <- flights %>% select(-carrier: -flight) # Eliminar rango de columnas
df5 <- flights %>% select(aerolinea = carrier) # Selecciona una columna y le cambia el nombre
df6 <- flights %>% rename(aerolinea = carrier) # Cambia el nombre de una columna
```

### <span style="color: black;">Filter</span> 
La función *Filter* sirve para seleccionar renglones de un tabla(*data frame*).
```{r}
df7 <- flights %>% filter(dep_delay >=500) # Extrae renglones que cumplan condición
# Condicionales: Igual ==, Desigual =!=, Mayor que >, Mayor o igual que >=, Menor o igual que <=
# Operadores lógicos: AND &, OR |, NOT !
df8 <- flights %>% filter(dep_delay >=500, dep_delay <=600) # Extrae renglones que cumplan con dos condiciones
df9 <- flights %>% slice(1000: 1099) # Extrae los números de los renglones indicados, sin importar sus valores
```

### <span style="color: black;">Distinct</span> 
La función *distinct* sirve para eliminar renglones duplicados.
```{r}
df10 <- distinct(flights) # Dejar solo los renglones diferentes, borra todos los repetidos.
```

### <span style="color: black;">Merge</span> 
La función *merge* sirve para juntar bases de datos.
```{r}
bdgrande <- merge(flights, airlines, by="carrier")
bdgrande2 <- merge(bdgrande,planes, by="tailnum")
```

### <span style="color: black;">Mutate</span> 
```{r}
bdgrande_con_dist_mts <- mutate(bdgrande2, dist_mts = distance*1.609)
#Agrega variables nuevas caluladas a partir de variables existentes en la base de datos.
```

### <span style="color: black;">Ejercicios</span> 
1. Encuentra todos los vuelos que tuvieron un atraso en llegada de 2 horas o más.
```{r}
ejercicio1 <- bdgrande2 %>% filter(arr_delay>=120)
```

2. Encuentra todos los vuelos que llegaron a Houston (IAN O HOU)
```{r}
ejercicio2 <- bdgrande2 %>% filter(dest== "IAH" | dest == "HOU")
```

3. Encuentra todos los vuelos operados por United, American o Delta.
```{r}
ejercicio3 <- bdgrande2 %>% filter(carrier %in% c("UA", "AA", "DL"))
```

4. Encuentra todos los vuelos que despegaron en Julio, Agosto o Septiembre
```{r}
ejercicio4 <- bdgrande2 %>% filter(month %in% c(7, 8, 9))
ejercicio4a <- bdgrande2 %>% filter(month == 7 | month == 8 | month == 9) 
```

5. Encuentra todos los vuelos que arrivaron más de 2 horas tarde, pero no despegaron tarde.
```{r}
ejercicio5 <- bdgrande2 %>% filter(arr_delay>120 & dep_time == sched_dep_time)
ejercicio5a <- bdgrande2 %>% filter(arr_delay>120 & dep_delay<=0)
```

6. Encuentra todos los vuelos que se retrasaron al menos 1 hora, pero que llegaron antes 30 minutos o más.
```{r}
ejercicio6 <- bdgrande2 %>% filter(dep_delay>=60 & arr_delay<=-30)
```

7. Encuentra todos los vuelos que salieron entre la medianoche y las 6 a.m.
```{r}
ejercicio7 <- bdgrande2 %>% filter(dep_time %in% c("2400", "100", "200", "300", "400", "500", "600"))
ejercicio7a <- bdgrande2 %>% filter(dep_time==2400 | dep_time<=600) 
ejercicio7b <- bdgrande2 %>% filter(hour %in% c("0", "1", "2", "3", "4", "5", "6"))
```

### <span style="color: black;">Arrange</span> 
Similar a filter () pero en lugar de seleccionar renglones, los ordena de menor a mayor.
```{r}
df11 <- arrange(bdgrande2, year.x, month, day)
```

Para acomodar de mayor a menor.
```{r}
df12 <- arrange(bdgrande2, year.x, desc(month), day)
```

### <span style="color: black;">Summarize</span> 
Colapsa una tabla a un sólo renglón
```{r}
# Obtén el retraso promedio de salida de despegue de todos los vuelos
summarize(bdgrande2, mean(dep_delay, na.rm=TRUE))
```

### <span style="color: black;">Group by</span> 
Agrupa tabla basado en algunas columnas.
```{r}
# Obtener el retraso promedio de despegue por día
por_dia <- group_by(bdgrande2, year.x, month, day)
summarize(por_dia, mean(dep_delay, na.rm=TRUE))
```

# <span style="color: red;">Evidencia 1 New York (Hecha en clase)</span>
### <span style="color: black;">1. Cargar en memoria la tabla "flights" y mostrar su contenido</span>
```{r}
# La carga a a memoria se hizo en el paso anterior
flights
```

### <span style="color: black;">2. Consulta la estructura de "flights" </span>
```{r}
str(flights)
# int:entero (sin decimales)
# num:numérico (con decimales)
# chr: caractér (letras)
# date: fecha (en R va año-mes-dia)
# POSIXct:formato fecha y hora

```

### <span style="color: black;">3. ¿Cuál es la clase "flights" y qué significa?</span>
```{r}
class(flights)

# Las 5 clases de objetos
# 1. numeric: Número real o décimal
# 2. integer: Números enteros
# 3. Complex: Números complejos
# 4. Character: Caractéres 
# 5. Logical: TRUE o FALSE

# Las 4 clases de objetos compuestos son:
# 1. list: lista
# 2. Matrix: Matriz
# 3. Array: colección de objetos
# 4. data.frame: base de datos
```

### <span style="color: black;">4. ¿Cuántas columnas y renglones tiene "flights"?</span>
```{r}
# Número de columnas
ncol(flights)
# Numero de renglones
nrow(flights)
# Dimensión
dim(flights)
```

### <span style="color: black;">5. Muestra los primeros 6 renglones de "flights". Tambien los ultimos 6 </span>
```{r}
head(flights)
tail(flights)
# Si quisieramos 7 renglones: head(flights,7)

```

### <span style="color: black;">6. Muestra los estadisticos descriptivos de "flights"</span>
```{r}
summary(flights)
```

### <span style="color: black;">Conclusión</span>
En este trabajo pudimos utlizar las funciones más comunes del análisis exploratorio, el cual es el primer paso para cualquier trabajo de manipulación de datos.


# <span style="color:red;">Evidencia 1 Analítica descriptiva</span> 

## <span style="color: blue;">Exploración</span> 


### <span style="color: black;">flights</span> 

```{r}
# Consulta la estructura de cada data frame
# Para el data frame flights
data(flights) 
str(flights)
ncol(flights)
nrow(flights)
dim(flights)
head(flights)
tail(flights)
summary(flights)
```

¿Cuáles son los campos y sus tipos de datos? 
Los campos del conjunto de datos flights y sus tipos de datos son:

+ year: int (entero) - Año del vuelo.
+ month: int (entero) - Mes del vuelo.
+ day: int (entero) - Día del vuelo.
+ dep_time: int (entero) - Hora de salida real del vuelo.
+ sched_dep_time: int (entero) - Hora de salida programada del vuelo.
+ dep_delay: num (número) - Retraso de salida en minutos.
+ arr_time: int (entero) - Hora de llegada real.
+ sched_arr_time: int (entero) - Hora de llegada programada.
+ arr_delay: num (número) - Retraso de llegada en minutos.
+ carrier: chr (carácter) - Código de la aerolínea.
+ flight: int (entero) - Número del vuelo.
+ tailnum: chr (carácter) - Número de cola del avión.
+ origin: chr (carácter) - Aeropuerto de origen.
+ dest: chr (carácter) - Aeropuerto de destino.
+ air_time: num (número) - Tiempo en el aire en minutos.
+ distance: num (número) - Distancia del vuelo en millas.
+ hour: num (número) - Hora programada de salida (hora).
+ minute: num (número) - Hora programada de salida (minutos).
+ time_hour: POSIXct (dttm) - Fecha y hora del vuelo.

### <span style="color: black;">weather</span> 
```{r}
# Para el data frame weather
data(weather) 
str(weather)
ncol(weather)
nrow(weather)
dim(weather)
head(weather)
tail(weather)
summary(weather)
```

¿Cuáles son los campos y sus tipos de datos? 
Los campos del conjunto de datos weather y sus tipos de datos son:

+ origin: chr (carácter) - Código del aeropuerto de origen.
+ year: int (entero) - Año de la observación meteorológica.
+ month: int (entero) - Mes de la observación meteorológica.
+ day: int (entero) - Día de la observación meteorológica.
+ hour: int (entero) - Hora de la observación meteorológica.
+ temp: num (número) - Temperatura en grados Fahrenheit.
+ dewp: num (número) - Punto de rocío en grados Fahrenheit.
+ humid: num (número) - Humedad relativa en porcentaje.
+ wind_dir: num (número) - Dirección del viento en grados.
+ wind_speed: num (número) - Velocidad del viento en millas por hora.
+ wind_gust: num (número) - Ráfaga de viento en millas por hora.
+ precip: num (número) - Precipitación en pulgadas.
+ pressure: num (número) - Presión atmosférica en milibares.
+ visib: num (número) - Visibilidad en millas.
+ time_hour: POSIXct (dttm) - Fecha y hora de la observación meteorológica.


### <span style="color: black;">planes</span> 
```{r}
# Para el data frame planes
data(planes) 
str(planes)
ncol(planes)
nrow(planes)
dim(planes)
head(planes)
tail(planes)
summary(planes)
```

¿Cuáles son los campos y sus tipos de datos? 
Los campos del conjunto de datos planes y sus tipos de datos son:

+ tailnum: chr (carácter) - Número de cola del avión.
+ year: int (entero) - Año de fabricación del avión.
+ type: chr (carácter) - Tipo de avión, en este caso todos son de ala fija con múltiples motores.
+ manufacturer: chr (carácter) - Fabricante del avión.
+ model: chr (carácter) - Modelo del avión.
+ engines: int (entero) - Número de motores del avión.
+ seats: int (entero) - Número de asientos del avión.
+ speed: int (entero) - Velocidad del avión, aunque la mayoría de los registros parecen no tener esta información (NA).
+ engine: chr (carácter) - Tipo de motor del avión, la mayoría son turbofán.


### <span style="color: black;">airports</span> 
```{r}
# Para el data frame airports
data(airports) 
str(airports)
ncol(airports)
nrow(airports)
dim(airports)
head(airports)
tail(airports)
summary(airports)
```

¿Cuáles son los campos y sus tipos de datos? 
Los campos del conjunto de datos airports y sus tipos de datos son:

+ origin: chr (carácter) - Código del aeropuerto.
+ name: chr (carácter) - Nombre del aeropuerto.
+ lat: num (número) - Latitud del aeropuerto.
+ lon: num (número) - Longitud del aeropuerto.
+ alt: num (número) - Altitud del aeropuerto en pies.
+ tz: num (número) - Zona horaria del aeropuerto, basada en el desplazamiento del UTC.
+ dst: chr (carácter) - Indicador de horario de verano (p. ej., "A" para horario de verano, "N" para no observarlo).
+ tzone: chr (carácter) - Zona horaria del aeropuerto en texto, por ejemplo, "America/New_York".

### <span style="color: black;">airlines</span> 
```{r}
# Para el data frame airlines
data(airlines) 
str(airlines)
ncol(airlines)
nrow(airlines)
dim(airlines)
head(airlines)
tail(airlines)
summary(airlines)
```

¿Cuáles son los campos y sus tipos de datos? 

Los campos del conjunto de datos airlines y sus tipos de datos son:

+ carrier: chr (carácter) - Código de dos letras de la aerolínea.
+ name: chr (carácter) - Nombre completo de la aerolínea.


## <span style="color: blue;">Manipulación de datos</span> 

### <span style="color: black;">1 Consultar dataframe</span>

```{r}
#Al consultar l DataFrame nos permite visualizar la base de datos *flights*.
view(flights)
```

### <span style="color: black;">2 Encuentra los datos descriptivos del data frame flights. Identifica la media de las distancias recorridas en millas.</span>
```{r}
#la media (Mean) de la distancia es de 1040 millas, lo que indica que, en promedio, los vuelos en este conjunto de datos recorren una distancia de 1040 millas.
summary(flights)

```

### <span style="color: black;">3. Criterios para encontrar aerolíneas</span> 

```{r}
df <- flights %>% 
  select(carrier, distance, origin, dest) %>%
  filter(distance > mean(distance, na.rm= TRUE)) %>% 
  arrange(desc(distance))

print(df)
```


### <span style="color: black;">4. Suma y Media de las distancias recorridas por carrier</span> 
```{r}
# Encuentra la suma y la media de las distancias recorridas por carrier, elimina los NA’S e interpreta que significa la suma y la media de las distancias recorridas.


dfDR <- df %>% 
  group_by(carrier, origin, dest) %>% 
  summarise(suma_distancia= sum(distance, na.rm= TRUE), 
            media_distancia= mean(distance, na.rm= TRUE)) %>% 
# Ordena en forma descendente por distancia recorrida
    arrange(desc(carrier), desc(suma_distancia))
dfDR

```

### <span style="color: black;">5.Observa tus resultados de la última tabla y agrega tus interpretaciones.</span>

+ La tabla muestra cómo algunas aerolíneas, como Southwest (WN) y Virgin America (VX), dominan ciertas rutas en términos de la suma total y la media de las distancias recorridas. Por ejemplo, Southwest tiene una presencia notable en rutas desde EWR y LGA hacia destinos como Houston (HOU), Denver (DEN), y Phoenix (PHX), mientras que Virgin America destaca en vuelos de largo alcance desde JFK hacia Los Ángeles (LAX) y San Francisco (SFO).

+ La información sugiere que las aerolíneas tienen preferencias específicas por aeropuertos cuando se trata de operar sus rutas más largas. Virgin America utiliza JFK para sus vuelos transcontinentales, reflejando posiblemente la demanda de viajeros por servicios premium en rutas de largo alcance desde y hacia este aeropuerto. Mientras tanto, Southwest parece concentrar sus operaciones en EWR y LGA, aeropuertos que quizás ofrezcan ventajas estratégicas para sus modelos de negocio enfocados en el mercado doméstico.



###<span style="color: black;">6. Identificar aerolíneas líderes en los aeropuertos</span>
```{r}
#Se identifica si las aerolíneas líderes son las mismas en los tres aeropuertos cuyo origen es Nueva York ya sea el John F. Kennedy (JFK), el de LaGuardia (LGA) o el de Newark Liberty (EWR)

df_JFK <- dfDR %>% 
  filter(origin == "JFK") %>% arrange(carrier, desc(suma_distancia))

df_JFK

df_LGA <- dfDR %>% 
  filter(origin == "LGA") %>% arrange(carrier, desc(suma_distancia))

df_LGA

df_EWR <- dfDR %>% 
  filter(origin == "EWR") %>% arrange(carrier, desc(suma_distancia))

df_EWR

```

### <span style="color: black;">7. Conclusión: Evidencia 1</span>
Los aeropuertos de Nueva York presentan diferencias significativas en cuanto a las operaciones de las aerolíneas líderes, lo que afecta la elección de aerolíneas por parte de los viajeros (A). Cada aeropuerto, debido a su ubicación, capacidad y acuerdos con las aerolíneas, tiende a favorecer diferentes patrones de tráfico y preferencias de aerolíneas, lo cual se refleja en las operaciones diarias y las rutas servidas desde cada terminal (R). Al analizar los datos agrupados por aeropuerto de origen (JFK, LGA, EWR) y comparar las distancias totales y medias recorridas por las aerolíneas, se observó que aerolíneas como American Airlines y Delta Air Lines tienen una presencia dominante en JFK con rutas de largo alcance, mientras que en LGA, aerolíneas como Southwest muestran un enfoque en destinos nacionales más cortos. En EWR, United Air Lines destaca por servir tanto rutas nacionales como internacionales de largo alcance, demostrando la variabilidad en las operaciones de las aerolíneas líderes dependiendo del aeropuerto de Nueva York desde el cual operan (E). Esta variabilidad subraya la importancia de elegir el aeropuerto adecuado en función de la aerolínea preferida y el destino, afectando directamente la experiencia de viaje del pasajero.


### <span style="color: black;">7. Reporte ejecutivo</span>

**Reporte Ejecutivo: Análisis de Aerolíneas de Mayor Tráfico en Aeropuertos de Nueva York**

**Objetivo:** 
+Este reporte presenta un análisis detallado sobre las aerolíneas con mayor tráfico aéreo en términos de origen y destino, utilizando el conjunto de datos de vuelos que cubre todos los aeropuertos de Nueva York. El enfoque principal es identificar las aerolíneas líderes en los aeropuertos JFK (John F. Kennedy) y LGA (LaGuardia), basado en la suma y media de las distancias recorridas.

**Metodología:** 
+El análisis se realizó mediante la manipulación y exploración del dataframe flights, que incluye registros de vuelos detallados. Se aplicaron filtros para seleccionar vuelos con distancias superiores a la media y se agruparon los datos por aerolínea, origen y destino para calcular la suma y la media de las distancias recorridas. Este enfoque permitió identificar las aerolíneas con mayor presencia y actividad en los aeropuertos mencionados.

**Hallazgos Clave:**

Aeropuerto JFK:
+American Airlines (AA): Lidera en rutas de largo alcance, destacando en destinos como LAX y SFO, con una suma de distancias recorridas significativa.

+Delta Air Lines (DL): Si bien no se detalló completamente en este reporte, se reconoce a Delta por su fuerte presencia en JFK, especialmente en vuelos internacionales y transcontinentales.


Aeropuerto LGA:

+American Airlines (AA): Muestra una sólida operación, especialmente en rutas nacionales como DFW y MIA.

+Southwest Airlines (WN): Aunque no se especificó en el análisis inicial, se espera que tenga un volumen significativo de operaciones dada su estrategia de punto a punto.


**Interpretaciones:**

+Los datos reflejan la estrategia operativa de las aerolíneas en términos de selección de aeropuerto, con American Airlines y Delta Air Lines aprovechando JFK para rutas de largo alcance, mientras que LGA sirve más a vuelos nacionales.

+La concentración de rutas y distancias por aerolínea subraya la importancia de JFK y LGA como centros clave para operaciones tanto nacionales como internacionales.

**Conclusiones y Recomendaciones:**

Estrategia de Aerolíneas: Es crucial que las aerolíneas continúen evaluando sus operaciones +en los aeropuertos de Nueva York para maximizar la eficiencia y satisfacer la demanda del mercado. La elección del aeropuerto debe alinearse con la estrategia general de la aerolínea y las preferencias de los viajeros.

+Desarrollo de Infraestructura: Para los administradores de aeropuertos, es fundamental considerar estos patrones de tráfico al planificar mejoras en la infraestructura y servicios. La adaptación a las necesidades de las aerolíneas líderes puede mejorar la experiencia general del pasajero y optimizar el flujo de tráfico.

+Monitoreo Continuo: Se recomienda mantener un monitoreo continuo de las tendencias de tráfico aéreo para adaptarse rápidamente a los cambios en el comportamiento de las aerolíneas y los pasajeros, asegurando así la eficiencia y la competitividad en el mercado.


# <span style="color: red;"> Evidencia 2 - Analítica descriptiva (Integración de datos a través de modelo entidad-relación)  y el compromiso ético y ciudadano</span>

## <span style="color: blue;">Modelo Entidad-Relación</span>

Se ha solicitado hacer un estudio sobre la situación actual de la aerolínea American Airlines ya que se necesita revisar sus destinos, horarios y aviones con los que cuenta para hacer propuestas de aumento o reducción de vuelos por destino y horarios, así como la cantidad de aviones.

```{r}
bdgrande <-merge(flights,airlines, by="carrier")
bdgrande2 <-merge(bdgrande,planes, by="tailnum")
bdgrande3 <- left_join(bdgrande2,weather,by=c("origin","time_hour"))
bdgrande4 <- left_join(bdgrande3, airports, by = c("origin" = "faa"))
```


## <span style="color: black;">Consulta y explora el data frame planes y weather para que conozcas su contenido.</span>

```{r}
view(flights)
```


## <span style="color: black;">Información para cada vuelo/span>

```{r}
#Se necesita saber de cada vuelo, la aerolínea, el aeropuerto de origen y el aeropuerto destino.Función: select()




#En la consulta anterior se necesita conocer el nombre de la aerolínea.Función: left_join()


```


## <span style="color: black;">Cantidad de vuelos por destino</span>
```{r} 
#Se identifica la cantidad de vuelos por cada destino para identificar cuáles son los destinos más buscados.Función: select() y count()

flights_in <- select(flights, carrier, origin, dest)
flights_in <- left_join(flights_in, airlines, by = "carrier")

# Destinos más buscados por destino
dmb <- bdgrande3 %>% select(carrier, dest)
cdmb <- dmb %>% count(dest)

# Destinos más buscados por aerolínea
da <- dmb %>% count(dest, carrier)

print(cdmb)
print(da)

#Posteriormente Agregar el nombre de la aerolínea al data frame anterior.Función: left_join()


```



## <span style="color: black;">Aerolíneas y Destinos: Mañana, Tarde, Noche y Madrugada</span>
```{r}
#Se necesita conocer las aerolíneas (clave y nombre) y destinos que vuelan por la Mañana: de 6 a 12, Tarde: de 12 a 19 , Noche: de 19 a 24 y Madrugada de 24 a 6.



#Posteriormente agregar un nuevo campo a la tabla con el nombre de clas_horario y agrega, mañana, tarde, noche y madrugada según sea el caso.Función: select(), left_join(), mutate(),ifelse con in


```


## <span style="color: black;"> Cantidad de vuelos por aerolínea y destino que hay por la Mañana, Tarde, Noche y Madrugada</span>
```{r}
#Se necesita saber la cantidad de vuelos por aerolínea y destino que hay por la Mañana, Tarde, Noche y Madrugada.Función: group_by() y count()
```



## <span style="color: black;"> Destinos a los que vuela American Airlines en Madrugada</span>
```{r}
#se necesita saber a qué destinos vuela la aerolínea American Airlines Inc.-AA  durante la madrugada. Función: select(),filter(),group_by()



```

## <span style="color: black;"> ¿Qué aviones utiliza la aerolínea AA?, y ¿Cuántos vuelos se han realizado con cada uno? elimina los NA's</span>

```{r}
#Se presenta la aerolínea, tipo, motor, número de asientos y la cantidad de vuelos que se han realizado con cada uno de los aviones.Se elimina los NA's  Función: left_join(), select(), filter(), group_by(), count()


```


## <span style="color: black;"> Interpretaciones de la evidencia 2</span>
.............


## <span style="color: blue;"> Visualización de Datos</span>
Dentro de las aerolíneas el retraso tanto en la hora de partida como en la hora de llegada a su destino van generando indicadores negativos. 


### <span style="color: black;">Vuelos con retraso en ida y regreso</span>

```{r}
#Se solicita analizar para la aerolínea American Airlines si los vuelos que tienen retraso en la partida también tienen retraso en la hora de llegada.Realiza una visualización con una gráfica Scatterplot.


```

### <span style="color: black;">Tendencia de la temperatura</span>

```{r}
##Visualiza la tendencia de la temperatura durante los primeros 15 días del mes de Enero en los vuelos que parten del aeropuerto “Newark,  EWR”, utilizar una gráfica de línea.



```

### <span style="color: black;">Temperatura más frecuente</span>
```{r}
#Visualiza la temperatura más frecuente en los primeros 15 días del mes de Enero, utilizar un histrograma

```


### <span style="color: black;">Facets</span>
```{r}
#Utiliza Facets para observar cómo varía la temperatura en cada mes en él histograma del punto anterior
```

### <span style="color: black;">Vuelos que salieron de Nueva York en el 2013</span>
```{r}
#Número de vuelos que salieron de Nueva York en 2013 por aerolínea (mostrar solamente las 10 aerolíneas con más vuelos), utilizar gráfica de barras.
```

### <span style="color: black;">Grafica de pie</span>
```{r}
#Visualiza el punto anterior en una gráfica de pie.
```

### <span style="color: black;">Relación Flights and Airports</span>
```{r}
#Relaciona el data frame flights con el data frame airports a través del campo destino ¿cómo lograr estas relación?
```

### <span style="color: black;">Data frame</span>
```{r}
#Crea un nuevo data frame con el punto anterior únicamente con los 5 carriers con más vuelos por destino.

```

### <span style="color: black;">3 visualizaciones</span>
```{r}
#Realiza una visualización del punto anterior de las siguientes tres formas.


```


### <span style="color: black;">Reporte ejecutivo</span>
```{r}
#elabora un reporte ejecutivo utilizando los resultados obtenidos.



```

## <span style="color: black;">10. Conclusiónes de la evidencia 2</span>







## <span style="color: black;">Compromiso ético y ciudadano</span> 
Describe el valor de la integridad.


## <span style="color: black;">Reflexión Personal:

 ¿ cómo puedes actuar con respeto y honestidad en los negocios y en el uso de datos cuando realices análisis de datos y estés en contacto con los datos de una empresa?

Alma:
xxx:
xxx:

Agrega al menos 3 bibliografías y cítalas en el punto anterior.
http://codigoeticaeintegridad.com/



# <span style="color: red;" >CASO: ¿Por qué se retrasan los vuelos en Nueva York?</span></span>



### [Merge]{style="black: blue;"}

```{r}
bdgrande <-merge(flights,airlines, by="carrier")
bdgrande2 <-merge(bdgrande,planes, by="tailnum")
bdgrande3 <- left_join(bdgrande2,weather,by=c("origin","time_hour"))
bdgrande4 <- left_join(bdgrande3, airports, by = c("origin" = "faa"))


```

### [¿Cómo los retrasos varían con el número de asientos?]{style="color: black;"}

```{r}
df1 <- bdgrande2 %>% select(dep_delay, seats)
df2 <- df1 %>% filter(seats >= 2 & seats <= 100)
df3 <- df1 %>% filter(seats >100)
summarize(df2, mean(dep_delay, na.rm=TRUE))
summarize(df3, mean(dep_delay, na.rm=TRUE))
summary(df1)
summary(df2)
summary(df3)
```


### [Relación entre todos los asientos disponibles y los retrasos, sin filtrar por tamaño del avión.]{style="color: black;"}

Después de encontrar la media de los retrasos en vuelos con menos y más de 100 asientos, se puede observar que la media de retrasos es mayor en aviones con más asientos, sin embargo, no se puede asegurar que exista una correlación directa con el motivo de ¿por qué llegan tarde los vuelos?, ya que la diferencia de datos en notable en ambos casos. Ademas, la media se ve afectada no solo por la cantidad de datos (vuelos que tienen retraso), sino por el valor de dichos datos (el tiempo de retraso). Esto implica, que llevamos a cabo un análisis gráfico para ver la distribución de los datos y evaluar si debemos continuar con esta línea de estudio o debemos enfocarnos en otros aspectos. A continuación se llevan a cabo los análisis gráficos.

```{r}
ggplot(df1, aes(x = factor(seats), y = dep_delay)) +
  geom_point(alpha = 0.5, position = position_jitter(width = 0.2)) +  # Añade un poco de 'jitter' para evitar la superposición de puntos  
  labs(title = "Retrasos por Asientos",
       x = "Número de Asientos",
       y = "Retraso (minutos)") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5),  # Centrar el título
        axis.title.x = element_text(face = "bold"),  # Negrita para la etiqueta del eje X
        axis.title.y = element_text(face = "bold"),  # Negrita para la etiqueta del eje Y
        axis.text.x = element_text(angle = 45, hjust = 1))  # Rotar etiquetas para mejor
```

La gráfica muestra los retrasos en minutos dependiendo de la cantidad de asientos disponibles en los aviones. Se observa, que el retraso más significativo lo tiene un avión de 377 asientos, con un retraso de casi 1300 minutos, mientras que el retraso menos significativo lo tiene un avión de 12 personas, con retraso de unos pocos minutos. No obstante, la gráfica, no presenta ningún patrón claro que indique una relación directa entre el número de asientos y los retrasos. Por esta razón, decidimos cambiar la línea de enfoque del proyecto.


### [ Influencia de las Condiciones Climáticas en los Retrasos de Vuelos]{style="color: black;"}

```{r}
names(bdgrande3)
names(bdgrande4)

```

Modelo de regresión

```{r}
# Filtrar vuelos con origen en Nueva York y con retrasos positivos en bdgrande3
ny_delays <- bdgrande3 %>%
  filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)

# Ajustamos el modelo de regresión lineal con los vuelos filtrados
modelo <- lm(dep_delay ~ temp + dewp + humid + wind_speed + wind_dir + wind_gust + precip + pressure + visib, data = ny_delays)

summary(modelo)

# Obtenemos los coeficientes del modelo
coeficientes <- tidy(modelo)

# Filtramos para excluir el intercepto de la visualización si es necesario
coeficientes <- coeficientes %>%
  filter(term != "(Intercept)")

# Creamos la gráfica utilizando ggplot2
ggplot(coeficientes, aes(x = reorder(term, estimate), y = estimate, fill = estimate)) +
  geom_bar(stat = "identity") +
  geom_errorbar(aes(ymin = estimate - std.error, ymax = estimate + std.error), width = 0.2) +
  coord_flip() +  # Invertimos las coordenadas para tener una visualización horizontal
  scale_fill_gradient(low = "blue", high = "red") +  # Usamos un gradiente de color
  labs(title = "Impacto de Variables Climáticas en Retrasos de Vuelos",
       x = "Coeficiente Estimado",
       y = "Variables Climáticas") +
  theme_minimal() +
  theme(legend.position = "none")  # Eliminamos la leyenda para una visualización más limpia

```

La influencia de las condiciones climáticas sobre los retrasos de los vuelos en Nueva York es multifacética y compleja, abarcando diversas variables como la temperatura, el punto de rocío, la humedad, la velocidad y dirección del viento, las ráfagas de viento, la precipitación, la presión atmosférica y la visibilidad. Cada una de estas variables climáticas contribuye de manera distinta a la puntualidad de las salidas aéreas, según se evidencia en el modelo de regresión lineal analizado. La humedad y las ráfagas de viento muestran una asociación positiva con los retrasos, indicando que altos niveles de humedad y ráfagas más intensas tienden a incrementar los tiempos de retraso. Específicamente, la humedad presenta un coeficiente de 0.35920 con un valor p significativo, y las ráfagas de viento un coeficiente de 0.59045, también significativo. Por contraparte, la velocidad del viento y la presión atmosférica tienen efectos negativos, con coeficientes de -0.42784 y -0.36168 respectivamente, sugiriendo que velocidades mayores del viento y altas presiones pueden disminuir los retrasos. Notablemente, la dirección del viento tiene un impacto negativo menor (-0.02444), lo que podría reflejar cómo ciertas direcciones son más favorables para las operaciones aéreas. Sin embargo, la temperatura, el punto de rocío y la precipitación no resultaron ser significativas en este modelo, lo que sugiere que su impacto directo sobre los retrasos de salida puede ser menos pronunciado en este conjunto de datos específico. A pesar de la significancia estadística de varias de estas variables climáticas, el modelo en su conjunto solo explica aproximadamente el 2.58% de la variabilidad en los retrasos (R-cuadrado ajustado de 0.0258), lo que resalta la existencia de otros factores influyentes no capturados en el modelo actual. Este resultado subraya la necesidad de un enfoque más holístico para entender completamente los retrasos de vuelo, considerando no solo las condiciones climáticas sino también elementos operativos, de tráfico y logísticos.


Visibilidad
```{r}
# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays <- bdgrande3 %>%
  filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)

# Analizar el retraso medio por nivel de visibilidad
delay_by_visib_meters <- ny_delays %>%
  mutate(visib_meters = visib * 1609.34) %>%  # Convertir visibilidad a metros
  group_by(visib_meters) %>%
  summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
  arrange(desc(mean_delay))
delay_by_visib_meters

# Gráfico de los retrasos medios por visibilidad
ggplot(delay_by_visib_meters, aes(x = visib_meters, y = mean_delay)) +
  geom_point(aes(color = mean_delay), size = 3, alpha = 0.6) + # Puntos de datos con color basado en el retraso medio
  geom_smooth(aes(color = mean_delay), method = "loess", se = FALSE, size = 1) + # Línea de tendencia suavizada sin banda de confianza
  scale_color_gradient(low = "blue", high = "red") + # Gradiente de color de azul (retrasos bajos) a rojo (retrasos altos)
  theme_minimal() + # Tema minimalista
  theme(legend.position = "none") + # Ocultar leyenda
  labs(
    title = "Retraso Medio de Salida por Visibilidad",
    subtitle = "Puntos coloreados por el retraso medio, con línea de tendencia suavizada",
    x = "Visibilidad (metros)",
    y = "Retraso medio (minutos)"
  )

```

El gráfico  muestra la relación entre la visibilidad y el retraso medio de los vuelos. Observando la línea de tendencia suavizada y la dispersión de los puntos, se puede identificar una tendencia que sugiere que los retrasos tienden a ser más largos cuando la visibilidad es baja. Una baja visibilidad puede ser un factor contribuyente a los retrasos.


Temperatura 
```{r}
# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays <- bdgrande3 %>%
  filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)

# Convertir temperatura a grados Celsius y analizar el retraso medio
delay_by_temp_celsius <- ny_delays %>%
  mutate(temp_celsius = (temp - 32) * 5/9) %>%  # Convertir F a C
  group_by(temp_celsius) %>%
  summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
  arrange(temp_celsius)
delay_by_temp_celsius

# Gráfico de los retrasos medios por temperatura en grados Celsius
ggplot(delay_by_temp_celsius, aes(x = temp_celsius, y = mean_delay)) +
  geom_bar(stat = "identity", fill = "steelblue") +
  labs(title = "Retraso medio de salida por temperatura",
       x = "Temperatura (°C)",
       y = "Retraso medio (minutos)") +
  theme_minimal()
```

La gráfica ilustra cómo varía el retraso medio de los vuelos en función de la temperatura en grados Celsius. Parece que no hay una tendencia clara y consistente que relacione las temperaturas con los retrasos de los vuelos; los datos están bastante dispersos. Algunos puntos de temperatura específicos muestran picos de retraso notables, pero no se observa un patrón uniforme que sugiera que los retrasos aumentan o disminuyen linealmente con la temperatura.

Además, el hecho de que algunos picos de retraso sean muy altos podría indicar días específicos con condiciones extremas o eventos no recurrentes que afectaron significativamente los tiempos de retraso. Estas anomalías podrían ser el resultado de condiciones meteorológicas severas, problemas operativos singulares o una combinación de factores que no están directamente relacionados con la temperatura.


Punto de rocío
```{r}
# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays <- bdgrande3 %>%
  filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)

# Convertir el punto de rocío a grados Celsius y analizar el retraso medio
delay_by_dewp_celsius <- ny_delays %>%
  mutate(dewp_celsius = (dewp - 32) * 5/9) %>%  # Convertir F a C
  group_by(dewp_celsius) %>%
  summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
  arrange(dewp_celsius)
delay_by_dewp_celsius

# Gráfico de los retrasos medios por punto de rocío en grados Celsius
ggplot(delay_by_dewp_celsius, aes(x = dewp_celsius, y = mean_delay)) +
  geom_line(group=1) +  # Agregamos group=1 para asegurar que geom_line conecte los puntos en orden
  geom_point() +  # Agregamos puntos para ver los datos individuales
  labs(title = "Retraso medio de salida por punto de rocío",
       x = "Punto de Rocío (°C)",
       y = "Retraso medio (minutos)") +
  theme_minimal()

```
En esta visualización, se observa una gran dispersión en los datos, con algunos valores de punto de rocío asociados con picos significativos en los retrasos medios de salida. No obstante, no hay una tendencia clara que indique que los retrasos aumentan o disminuyen de manera sistemática con puntos de rocío más altos o más bajos. En cambio, la variabilidad de los retrasos parece ser alta a lo largo de todo el rango de valores de punto de rocío.

Si bien algunos picos altos en el gráfico podrían sugerir días específicos o condiciones particulares donde el punto de rocío estuvo relacionado con retrasos mayores (posiblemente debido a niebla densa o condiciones de congelación a temperaturas cercanas a 0°C), la falta de una tendencia consistente implica que el punto de rocío por sí solo no puede considerarse como una causa única y directa de los retrasos en los vuelos. Es probable que otros factores, como las condiciones de operación del aeropuerto, el tráfico aéreo, y otras variables meteorológicas, también jueguen un papel importante en los retrasos.

Humedad relativa
```{r}
# Filtrar vuelos con origen en Nueva York y con retrasos positivos desde bdgrande3
ny_delays <- bdgrande3 %>%
  filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)

# Analizar el retraso medio por humedad relativa
delay_by_humidity <- ny_delays %>%
  group_by(humid) %>%
  summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
  arrange(humid)

# Gráfico de los retrasos medios por humedad relativa
ggplot(delay_by_humidity, aes(x = humid, y = mean_delay)) +
  geom_line(group = 1, colour = "darkgreen") + # Usamos geom_line para ver la tendencia
  geom_point(colour = "forestgreen") + # Usamos geom_point para ver cada punto de datos
  labs(title = "Retraso medio de salida por humedad relativa",
       x = "Humedad Relativa (%)",
       y = "Retraso medio (minutos)") +
  theme_minimal()
```
La gráfica muestra la relación entre la humedad relativa y el retraso medio de salida de los vuelos. Observando la distribución de los puntos, parece que hay una amplia variabilidad en los retrasos a lo largo de todo el rango de humedad relativa, sin una tendencia clara que vincule directamente los niveles de humedad con el incremento o disminución de los retrasos.

Hay varios picos altos de retrasos a través del espectro de humedad relativa, pero no se aprecia un patrón sistemático; es decir, no se observa que los retrasos sean consistentemente mayores a niveles de humedad más altos o más bajos. Esto sugiere que la humedad por sí sola no puede ser considerada como una causa única y directa de los retrasos.

Dirección del viento.
```{r}
# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays_wind <- bdgrande3 %>%
  filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)

# Analizar el retraso medio por dirección del viento
delay_by_wind_dir <- ny_delays_wind %>%
  group_by(wind_dir) %>%
  summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
  arrange(wind_dir)

# Gráfico de los retrasos medios por dirección del viento
ggplot(delay_by_wind_dir, aes(x = wind_dir, y = mean_delay)) +
  geom_point(aes(color = mean_delay), size = 3) +  # Puntos de datos coloreados por el retraso medio
  geom_smooth(method = "loess", color = "red", se = FALSE) +  # Línea de tendencia suavizada
  scale_color_viridis_c() +  # Escala de color para los puntos
  labs(title = "Retraso medio de salida por dirección del viento",
       x = "Dirección del Viento (grados)",
       y = "Retraso medio (minutos)") +
  theme_minimal() +
  theme(legend.position = "none")  # Ocultar la leyenda para simplificar
```
Al inicio, para direcciones de viento más bajas, los retrasos parecen ser más altos; luego, hay un descenso de los retrasos a medida que la dirección del viento se aproxima a los 180 grados, lo que suele representar vientos que soplan de sur a norte. Después, la tendencia se invierte, y los retrasos comienzan a aumentar nuevamente para direcciones de viento superiores a 180 grados.
Esto indica que ciertas direcciones del viento están más favorablemente asociadas con operaciones de vuelo eficientes, posiblemente debido a la orientación de las pistas en los aeropuertos y cómo los vientos pueden facilitar o dificultar el despegue y aterrizaje de los aviones. En muchos aeropuertos, las pistas están diseñadas para ser utilizadas con mayor eficiencia cuando los vientos predominantes soplan en ciertas direcciones, lo que podría explicar por qué ciertos rangos de dirección del viento tienen retrasos promedio menores.


Ráfagas de viento
```{r}
# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays_gust <- bdgrande3 %>%
  filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)

# Analizar el retraso medio por ráfagas de viento
delay_by_wind_gust <- ny_delays_gust %>%
  group_by(wind_gust) %>%
  summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
  arrange(wind_gust)

# Gráfico de los retrasos medios por ráfagas de viento
ggplot(delay_by_wind_gust, aes(x = wind_gust, y = mean_delay)) +
  geom_line(aes(group = 1), colour = "darkred") +  # Línea para conectar los puntos
  geom_point(colour = "red", size = 2, alpha = 0.5) +  # Puntos para cada observación
  labs(title = "Retraso medio de salida por ráfagas de viento",
       x = "Ráfagas de Viento (nudos)",
       y = "Retraso medio (minutos)") +
  theme_minimal() +
  theme(legend.position = "none")
```
Observando la tendencia general, parece haber una relación entre la intensidad de las ráfagas de viento y los retrasos medios de salida: a medida que las ráfagas de viento aumentan, los retrasos también tienden a aumentar, lo que podría sugerir que condiciones de viento más intensas dificultan las operaciones de vuelo y contribuyen a retrasos más significativos.

Alrededor de los 50 nudos, la gráfica muestra una disminución notable en los retrasos medios de salida. Esta caída puede ser resultado de diferentes factores. En un día con ráfagas de viento de aproximadamente 50 nudos, podría haber habido menos vuelos programados, lo que a veces puede resultar en un menor promedio de retraso si unos pocos vuelos se retrasaron menos de lo normal. También es posible que las medidas de mitigación en aeropuertos estén más preparadas para lidiar con ráfagas de viento de esta intensidad, reduciendo así el impacto en los retrasos.


Presión atmosférica.
```{r}
# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays_pressure <- bdgrande3 %>%
  filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)

# Analizar el retraso medio por presión atmosférica
delay_by_pressure <- ny_delays_pressure %>%
  group_by(pressure) %>%
  summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
  arrange(pressure)

# Gráfico de los retrasos medios por presión atmosférica
ggplot(delay_by_pressure, aes(x = pressure, y = mean_delay)) +
  geom_point(aes(color = mean_delay), size = 2, alpha = 0.6) +  # Puntos de datos coloreados por el retraso medio
  geom_smooth(method = "loess", color = "darkblue", se = FALSE) +  # Línea de tendencia suavizada
  scale_color_gradient(low = "lightblue", high = "darkblue") +  # Escala de color para los puntos
  labs(title = "Retraso medio de salida por presión atmosférica",
       x = "Presión Atmosférica (hPa)",
       y = "Retraso medio (minutos)") +
  theme_minimal() +
  theme(legend.position = "none") 
```

En general, hay una tendencia decreciente: a medida que aumenta la presión atmosférica, los retrasos medios tienden a disminuir. Esto podría sugerir que condiciones de alta presión, que a menudo están asociadas con tiempo más estable y despejado, podrían conducir a menos retrasos en los vuelos.

Sin embargo, también hay una dispersión considerable de los puntos, especialmente en rangos medios de presión, donde los retrasos varían ampliamente. Algunos puntos con baja presión atmosférica muestran retrasos muy largos, lo cual podría estar relacionado con mal tiempo, como tormentas, que son más comunes en áreas de baja presión.

La línea curva que se ajusta a los datos sugiere una relación no lineal, lo que puede reflejar la complejidad de cómo la presión atmosférica influye en las operaciones del aeropuerto y en los retrasos de los vuelos. Las condiciones de baja presión no solo pueden traer mal tiempo, sino también desafíos en la gestión del tráfico aéreo y en la planificación de las rutas de vuelo.

Precipitación
```{r}
# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays_precip <- bdgrande3 %>%
  filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)

# Convertir la cantidad de precipitación de pulgadas a milímetros
# y analizar el retraso medio
delay_by_precip_mm <- ny_delays_precip %>%
  mutate(precip_mm = precip * 25.4) %>%  # Convertir precipitación a milímetros
  group_by(precip_mm) %>%
  summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
  arrange(precip_mm)

# Gráfico de los retrasos medios por cantidad de precipitación en milímetros
ggplot(delay_by_precip_mm, aes(x = precip_mm, y = mean_delay)) +
  geom_point(aes(color = mean_delay), size = 2, alpha = 0.6) +  # Puntos de datos coloreados por el retraso medio
  geom_smooth(method = "loess", color = "darkgreen", se = FALSE) +  # Línea de tendencia suavizada
  scale_color_gradient(low = "lightgreen", high = "darkgreen") +  # Escala de color para los puntos
  labs(title = "Retraso medio de salida por cantidad de precipitación",
       x = "Precipitación (mm)",
       y = "Retraso medio (minutos)") +
  theme_minimal() +
  theme(legend.position = "none") 
```

Observando la línea de tendencia, parece haber una relación positiva entre la cantidad de precipitación y el retraso promedio de los vuelos. Inicialmente, con poca o ninguna precipitación, los retrasos son mínimos. A medida que la precipitación aumenta hasta alrededor de 10 mm, los retrasos se mantienen relativamente estables, lo que sugiere que pequeñas cantidades de lluvia no tienen un gran impacto en los horarios de los vuelos.

Después de los 10 mm de precipitación, la línea de tendencia comienza a ascender, lo que indica que a medida que la cantidad de lluvia aumenta, también lo hace el retraso promedio en la salida de los vuelos. 



Velocidad del viento.
```{r}
# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays_wind_speed <- bdgrande3 %>%
  filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)

# Convertir la velocidad del viento de nudos a km/h
# y analizar el retraso medio
delay_by_wind_speed_kmh <- ny_delays_wind_speed %>%
  mutate(wind_speed_kmh = wind_speed * 1.852) %>%  # Convertir velocidad del viento a km/h
  group_by(wind_speed_kmh) %>%
  summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
  arrange(wind_speed_kmh)

# Gráfico de los retrasos medios por velocidad del viento en km/h
ggplot(delay_by_wind_speed_kmh, aes(x = wind_speed_kmh, y = mean_delay)) +
  geom_point(aes(color = mean_delay), size = 2, alpha = 0.6) +  # Puntos de datos coloreados por el retraso medio
  geom_smooth(method = "loess", color = "darkorange", se = FALSE) +  # Línea de tendencia suavizada
  scale_color_gradient(low = "yellow", high = "red") +  # Escala de color para los puntos
  labs(title = "Retraso medio de salida por velocidad del viento",
       x = "Velocidad del Viento (km/h)",
       y = "Retraso medio (minutos)") +
  theme_minimal() +
  theme(legend.position = "none")  
```


Podemos observar que cuando la velocidad del viento es baja (cercana a 0 km/h), los retrasos medios parecen estar en torno a los 40 minutos. A medida que la velocidad del viento aumenta, los retrasos se mantienen relativamente estables o aumentan ligeramente hasta cierto punto, tras el cual los retrasos aumentan de manera más notable con la velocidad del viento. Esto sugiere que hasta cierta velocidad del viento, los retrasos no son significativamente afectados, pero después de superar ese umbral, los retrasos empiezan a aumentar con velocidades de viento más altas.

La tendencia alcanza un pico alrededor de los 40-60 km/h, lo que indica que dentro de este rango de velocidades de viento es donde los retrasos de salida de vuelos son mayores. Después de este pico, la línea de tendencia disminuye, lo que podría sugerir que los retrasos disminuyen para velocidades de viento incluso más altas. Sin embargo, la presencia de pocos datos en este rango superior hace que sea menos confiable inferir una tendencia clara para altas velocidades de viento.

Los puntos en rojo que están por encima de la tendencia general podrían representar días en los que hubo condiciones excepcionales que causaron retrasos mayores a los esperados para las velocidades de viento observadas. Estos podrían ser días con otros factores agravantes, como tormentas, baja visibilidad, o problemas operativos en el aeropuerto que no están directamente relacionados con la velocidad del viento.



### [ Retraso por aeropuerto]{style="color: brown;"}


```{r}
names(bdgrande3)
```

```{r}
   # Calculamos el retraso promedio por aeropuerto de origen y el porcentaje de vuelos retrasados
retraso_por_aeropuerto <- bdgrande3 %>%
  group_by(origin) %>%
  summarise(
    retraso_promedio = mean(dep_delay, na.rm = TRUE),  # Calculamos el retraso promedio excluyendo NA
    vuelos = n(),  # Contamos el número total de vuelos para cada aeropuerto
    vuelos_retrasados = sum(dep_delay > 0, na.rm = TRUE),  # Contamos los vuelos retrasados
    porcentaje_retrasados = vuelos_retrasados / vuelos * 100  # Calculamos el porcentaje de vuelos retrasados
  ) %>%
  arrange(desc(retraso_promedio))  # Ordenamos por el retraso promedio descendente

# Mostramos los resultados
print(retraso_por_aeropuerto) 
```


```{r}
# Crear una gráfica que muestra tanto el retraso promedio como el porcentaje de vuelos retrasados
ggplot(retraso_por_aeropuerto, aes(x = origin)) +
  geom_col(aes(y = retraso_promedio), fill = "steelblue", width = 0.4, position = position_dodge(width = 0.5)) +
  geom_col(aes(y = porcentaje_retrasados), fill = "firebrick", width = 0.4, position = position_dodge(width = 0.5), alpha = 0.5) +
  scale_y_continuous(sec.axis = sec_axis(~., name = "Porcentaje de Vuelos Retrasados")) +
  labs(title = "Retraso Promedio y Porcentaje de Vuelos Retrasados por Aeropuerto de Origen",
       x = "Aeropuerto de Origen",
       y = "Retraso Promedio (minutos)") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))
```


+ EWR (Aeropuerto de Newark Liberty International) tiene el retraso promedio más alto con 15.2 minutos y el mayor porcentaje de vuelos retrasados con un 44.3%.

+ JFK (Aeropuerto Internacional John F. Kennedy) tiene un retraso promedio de 12.2 minutos y un 38.5% de sus vuelos están retrasados.

+ LGA (Aeropuerto LaGuardia) presenta el menor retraso promedio con 11.3 minutos y el menor porcentaje de vuelos retrasados con un 34.1%.

Esta grafica sugiere que hay una tendencia entre estos tres aeropuertos donde EWR tiende a tener retrasos más largos y una mayor proporción de vuelos retrasados en comparación con JFK y LGA.


### [ Retrasos promedio por mes y aeropuerto de origen]{style="color: black;"}

```{r}
summary_delay_month_bdgrande3 <- bdgrande3 %>%
  group_by(month.x) %>%
  summarise(avg_delay = mean(dep_delay, na.rm = TRUE),
            total_flights = n(),
            total_delayed_flights = sum(dep_delay > 0, na.rm = TRUE),
            perc_delayed_flights = total_delayed_flights / total_flights * 100)

summary_delay_month_bdgrande3
```


```{r}
ggplot(bdgrande3, aes(x = month.x, y = dep_delay, fill = origin)) +
  stat_summary(fun = "mean", geom = "col", position = "dodge") +
  labs(x = "Mes", y = "Retraso promedio (minutos)", fill = "Aeropuerto") +
  ggtitle("Retraso promedio por mes y aeropuerto") +
  scale_fill_manual(values = c("green", "red", "blue")) +  # Paleta de colores personalizada
  theme_minimal() + 
  scale_x_continuous(breaks = 1:12, labels = c("Ene", "Feb", "Mar", "Abr", "May", "Jun", "Jul", "Ago", "Sep", "Oct", "Nov", "Dic")) +  # Etiquetas de meses actualizadas
  theme(plot.title = element_text(hjust = 0.5))

```


+ **Meses con mayores retrasos**: En el gráfico, los meses (Junio, Julio y, en menor medida, Diciembre) tienen los retrasos promedio más altos. Esto también se refleja en la tabla, con Junio y Julio teniendo los retrasos promedio más altos (21.5 y 22.6 minutos, respectivamente). El mes de Diciembre muestra un aumento significativo en el retraso promedio.

+ **Meses con menores retrasos**: Septiembre , Octubre y noviembre son los meses con los retrasos promedio más bajos, lo que es consistente con el gráfico y los datos de la tabla (6.93, 6.71 y 5.81 minutos respectivamente).

+ **Porcentaje de vuelos retrasados**: Al observar la tabla, Diciembre tiene el porcentaje más alto de vuelos retrasados (50.4%), seguido de cerca por Julio (49.3%) y junio por (46.7). Estos porcentajes coinciden con los picos más altos de retraso promedio, sugiriendo que cuando hay más vuelos retrasados, también aumenta el retraso promedio.

+ **Comparación entre aeropuertos**: El gráfico muestra que, en general, LGA tiende a tener los menores retrasos promedio, mientras que EWR muestra los mayores. JFK parece tener una tendencia intermedia entre los tres aeropuertos.

+ **Posibles razones para el patrón de retraso**:
 *Variaciones estacionales*: Los meses de verano y Diciembre pueden tener más retrasos debido a una mayor demanda de viajes durante las vacaciones de verano y las fiestas de fin de año. Las inclemencias del tiempo también pueden ser una causa común de retraso durante estos períodos.

 *Volumen de tráfico*: Un mayor volumen de tráfico aéreo puede llevar a un aumento en los retrasos. Esto parece ser especialmente cierto en los meses de verano y Diciembre, que podrían coincidir con picos en los viajes de vacaciones.

 *Operaciones de los aeropuertos*: Las diferencias en los retrasos entre los aeropuertos pueden deberse a varias razones, incluyendo la capacidad del aeropuerto, la gestión del tráfico aéreo y la infraestructura local. Algunos aeropuertos podrían estar más equipados para manejar grandes volúmenes de tráfico o condiciones climáticas adversas.



### [Promedio de Retraso de Vuelo por Hora del Día]{style="color: black;"}

```{r}
bdgrande3 <- bdgrande3 %>%
  mutate(
    hour_of_day = sched_dep_time %/% 100,  # Extrae la hora del tiempo de salida programado
    dep_delay = ifelse(is.na(dep_delay), 0, dep_delay)  # Trata los NA en dep_delay como 0 para este análisis
  )
```

```{r}
retraso_promedio_por_hora <- bdgrande3 %>%
  group_by(hour_of_day) %>%
  summarise(retraso_promedio = mean(dep_delay, na.rm = TRUE)) %>%
  arrange(hour_of_day)
retraso_promedio_por_hora
```

```{r}
ggplot(retraso_promedio_por_hora, aes(x = hour_of_day, y = retraso_promedio)) +
  geom_line() +  # Línea para conectar los puntos de retraso promedio
  geom_point() +  # Puntos para resaltar cada hora
  labs(title = "Promedio de Retraso de Vuelo por Hora del Día",
       x = "Hora del Día",
       y = "Retraso Promedio (minutos)") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5))
```

**Puntos clave**
+ **Horas de la mañana (5-11 a.m.):** Los retrasos son relativamente bajos en las primeras horas de la mañana y comienzan a incrementarse lentamente a partir de las 8 a.m.

+ **Mediodía y primeras horas de la tarde (12-5 p.m.):** Durante estas horas, se observa un aumento constante y significativo en los retrasos promedio.

+ **Tarde (6-9 p.m.):** Los retrasos alcanzan su máximo entre las 6 p.m. y las 9 p.m., lo que podría deberse al tráfico acumulado a lo largo del día y a posibles factores operacionales que se deterioran a medida que el día avanza (por ejemplo, la fatiga del personal, la acumulación de retrasos anteriores, etc.).

+ **Noche (10 p.m. en adelante):** A partir de las 10 p.m., los retrasos comienzan a disminuir, probablemente debido a que hay menos vuelos programados y más tiempo para recuperarse de cualquier retraso acumulado durante el día.


**Posibles razones para estos patrones:**
+ **Acumulación de retrasos:** Como los vuelos operan en una red interconectada, los retrasos a primera hora pueden tener un efecto dominó a lo largo del día, causando mayores retrasos a medida que el día avanza.

+ **Tráfico aéreo:** Las horas pico de viaje, especialmente en la tarde, pueden llevar a un mayor tráfico aéreo y, por consiguiente, a mayores retrasos.

+ **Operaciones en tierra:** El tiempo necesario para las operaciones en tierra (mantenimiento, carga de equipaje, abordaje, etc.) puede aumentar durante el día debido a la fatiga del personal o al incremento de pasajeros durante las horas pico.



### [Relación entre la antigüedad de un avión y sus retrasos]{style="color: black;"}
```{r}
bdgrande3 <- bdgrande3 %>%
  filter(!is.na(year.y)) %>%
  mutate(age = 2013 - year.y) %>%  # Asumiendo que los datos de vuelo son de 2013
  filter(age >= 0)  # Asegurar que la antigüedad sea lógica
```

```{r}
age_delay_summary_bdgrande3 <- bdgrande3 %>%
  group_by(age) %>%
  summarise(
    avg_dep_delay = mean(dep_delay, na.rm = TRUE),
    n = n()
  ) %>%
  filter(n > 100)  # Filtrar grupos con suficientes datos
age_delay_summary_bdgrande3
```

```{r}
ggplot(age_delay_summary_bdgrande3, aes(x = age, y = avg_dep_delay)) +
  geom_line(color = "blue", na.rm = TRUE) +
  geom_point(color = "blue", na.rm = TRUE) +  # Añadir puntos para mayor claridad
  labs(title = "Retraso Promedio de Salida por Antigüedad del Avión",
       x = "Antigüedad del Avión (años)",
       y = "Retraso Promedio de Salida (minutos)") +
  theme_minimal()
```

+ Existen picos en los retrasos promedio para ciertas edades de los aviones. Por ejemplo, los aviones de 9 años tienen un retraso promedio notablemente más alto que los de edades inmediatamente anteriores o posteriores.

+ Hacia el final de la gráfica, se observa un aumento general en el retraso promedio para aviones de mayor antigüedad, especialmente en el rango de 40 años.

## <span style="color: black;">Conclusión </span> 

## <span style="color: black;">Bibliografías</span> 


