# Contexto El paquete nycflights13 contiene infromación sobre todos los vuelos que partieron desde Nueva York (EWR, JFK y LGA) a destinos en los Estados Unidos. Fueron 336,776 vuelos en total. Para ayudar a comporender las causas de los restrasos, tambien incluye otros conjuntos de datos útiles.

Este paquete incluye las siguientes tablas:

  • flights = todos los vuelos que salieron de Nueva York en 2013*
  • weather = datos metereológicos por hora de cada aeropuerto
  • planes = información de contruccion de cada avión.
  • airports = nombres y ubicaciones de aeropuertos.
  • airlines = relación entre nombres y códigos de las aerolíneas

fuente: Origen de datos

Instalar Paquetes y llamar librerias

# install.packages("nycflights13")
library(nycflights13)
# install.packages("tidyverse")
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.5
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ ggplot2   3.5.0     ✔ tibble    3.2.1
## ✔ lubridate 1.9.3     ✔ tidyr     1.3.1
## ✔ 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

Guardar las bases de datos

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

Relación entre las bases de datos

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

# La carga a memoria se hizo en el paso anteriror
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”

# int: entero
# num: numerico (con decimales)
# chr: caracter (letras)
# POSIXct: formato fecha y hora
# date: fecha

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

class(flights)
## [1] "tbl_df"     "tbl"        "data.frame"
# Las 5 clases de objetos son:
# 1. numeric: Número real o decimales
# 2. integer: números enteros
# 3. complex: números complejos
# 4. character: caractéres (texto)
# 5. logical: TRUE o FALSE

# Las 4 clases de objetos compuestos son:
# 1. list: lista
# 2. matrix: matris serie de columnas
# 3. array: colección de objetos
# 4. data.frame: base de datos

4. ¿Cuántas columnas y renglones tiene “flights”? ¿Cuál es su dimensión?

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

5. Muestra los primeros 6 renglones de “flights”

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 estadísticos 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

Gracias a la realización de este trabajo pudimos ver que la situación por la que se retrasan los vuelos ciertos dias de la semana, es por cambios climáticos, por vuelos que en sí vienen atrasados de otro destino o por congestion aerea en los despuegues y aterrizajes, con la realizacion de este trabajo llegamos a la conclusion de que, los vuelos tenian mayor tiempo y porcentaje de atraso en las horas de la tarde con un atraso de 22 min y un porcentaje de 49, sin embargo por la mañana apenas tenian tiempo de atraso y un porcentaje mas bajo en la mañana se atrasan entre 1:16 min y 1:48 y un porcentaje de 21.7.

LS0tCnRpdGxlOiAiRXZpZGVuY2lhIDEiCmF1dGhvcjogIkFsZm9uc28gQ2FubyBBMDEzNTEzNzMiCmRhdGU6ICIyMDI0LTAzLTEzIgpvdXRwdXQ6IAogaHRtbF9kb2N1bWVudDogCiAgICB0b2M6IFRSVUUKICAgIHRvY19mbG9hdDogVFJVRQogICAgY29kZV9kb3dubG9hZDogVFJVRQogICAgdGhlbWU6IHlldGkKLS0tCgohW10oQzpcXFVzZXJzXFxhbnRvblxcRG93bmxvYWRzXFxidWJsa24ucG5nKQojIDxzcGFuIHN0eWxlPSAiY29sb3I6IFJlZDsiPkNvbnRleHRvPC9zcGFuPgpFbCBwYXF1ZXRlICpueWNmbGlnaHRzMTMqIGNvbnRpZW5lIGluZnJvbWFjacOzbiBzb2JyZSB0b2RvcyBsb3MgdnVlbG9zIHF1ZSBwYXJ0aWVyb24gZGVzZGUgTnVldmEgWW9yayAoRVdSLCBKRksgeSBMR0EpIGEgZGVzdGlub3MgZW4gbG9zIEVzdGFkb3MgVW5pZG9zLiBGdWVyb24gMzM2LDc3NiB2dWVsb3MgZW4gdG90YWwuIFBhcmEgYXl1ZGFyIGEgY29tcG9yZW5kZXIgbGFzIGNhdXNhcyBkZSBsb3MgcmVzdHJhc29zLCB0YW1iaWVuIGluY2x1eWUgb3Ryb3MgY29uanVudG9zIGRlIGRhdG9zIMO6dGlsZXMuICAKCkVzdGUgcGFxdWV0ZSBpbmNsdXllIGxhcyBzaWd1aWVudGVzIHRhYmxhczogIAoKKyBmbGlnaHRzID0gdG9kb3MgbG9zIHZ1ZWxvcyBxdWUgc2FsaWVyb24gZGUgTnVldmEgWW9yayBlbiAyMDEzKiAgCisgd2VhdGhlciA9IGRhdG9zIG1ldGVyZW9sw7NnaWNvcyBwb3IgaG9yYSBkZSBjYWRhIGFlcm9wdWVydG8gIAorIHBsYW5lcyA9IGluZm9ybWFjacOzbiBkZSBjb250cnVjY2lvbiBkZSBjYWRhIGF2acOzbi4gIAorIGFpcnBvcnRzID0gbm9tYnJlcyB5IHViaWNhY2lvbmVzIGRlIGFlcm9wdWVydG9zLiAgCisgYWlybGluZXMgPSByZWxhY2nDs24gZW50cmUgbm9tYnJlcyB5IGPDs2RpZ29zIGRlIGxhcyBhZXJvbMOtbmVhcwoKZnVlbnRlOiAKW09yaWdlbiBkZSBkYXRvc10oaHR0cHM6Ly9jcmFuLnItcHJvamVjdC5vcmcvd2ViL3BhY2thZ2VzL255Y2ZsaWdodHMxMy9ueWNmbGlnaHRzMTMucGRmKQoKIyA8c3BhbiBzdHlsZT0gImNvbG9yOiBvcmFuZ2U7Ij5JbnN0YWxhciBQYXF1ZXRlcyB5IGxsYW1hciBsaWJyZXJpYXM8L3NwYW4+CgpgYGB7cn0KIyBpbnN0YWxsLnBhY2thZ2VzKCJueWNmbGlnaHRzMTMiKQpsaWJyYXJ5KG55Y2ZsaWdodHMxMykKIyBpbnN0YWxsLnBhY2thZ2VzKCJ0aWR5dmVyc2UiKQpsaWJyYXJ5KHRpZHl2ZXJzZSkKYGBgCgojIDxzcGFuIHN0eWxlPSAiY29sb3I6IEdyZWVuOyI+R3VhcmRhciBsYXMgYmFzZXMgZGUgZGF0b3M8L3NwYW4+CmBgYHtyfQpmbGlnaHRzIDwtIGZsaWdodHMKd2VhdGhlciA8LSB3ZWF0aGVyCnBsYW5lcyA8LSBwbGFuZXMKYWlycG9ydHMgPC0gYWlycG9ydHMKYWlybGluZXMgPC0gYWlybGluZXMgCmBgYAoKIyA8c3BhbiBzdHlsZT0gImNvbG9yOiBSZWQ7Ij5SZWxhY2nDs24gZW50cmUgbGFzIGJhc2VzIGRlIGRhdG9zIDwvc3Bhbj4KIVtdKEM6XFxVc2Vyc1xcYW50b25cXERvd25sb2Fkc1xccmVsYXRpb25hbC1ueWNmbGlnaHRzICgxKS5wbmcpCgoKIyA8c3BhbiBzdHlsZT0gImNvbG9yOiBCbHVlOyI+IDEuIENhcmdhciBlbiBtZW1vcmlhIGxhIHRhYmxhICJmbGlnaHRzIiB5IG1vc3RyYXIgc3UgY29udGVuaWRvIDwvc3Bhbj4KYGBge3J9CiMgTGEgY2FyZ2EgYSBtZW1vcmlhIHNlIGhpem8gZW4gZWwgcGFzbyBhbnRlcmlyb3IKZmxpZ2h0cwpgYGAKCiMgPHNwYW4gc3R5bGU9ICJjb2xvcjogQmx1ZTsiPiAyLiBDb25zdWx0YSBsYSBlc3RydWN0dXJhIGRlICJmbGlnaHRzIiA8L3NwYW4+CmBgYHtyfQojIGludDogZW50ZXJvCiMgbnVtOiBudW1lcmljbyAoY29uIGRlY2ltYWxlcykKIyBjaHI6IGNhcmFjdGVyIChsZXRyYXMpCiMgUE9TSVhjdDogZm9ybWF0byBmZWNoYSB5IGhvcmEKIyBkYXRlOiBmZWNoYQpgYGAKIyA8c3BhbiBzdHlsZT0gImNvbG9yOiBCbHVlOyI+IDMuIMK/Q3XDoWwgZXMgbGEgY2xhc2UgZGUgImZsaWdodHMieSBxdWUgc2lnbmlmaWNhPyA8L3NwYW4+CmBgYHtyfQpjbGFzcyhmbGlnaHRzKQojIExhcyA1IGNsYXNlcyBkZSBvYmpldG9zIHNvbjoKIyAxLiBudW1lcmljOiBOw7ptZXJvIHJlYWwgbyBkZWNpbWFsZXMKIyAyLiBpbnRlZ2VyOiBuw7ptZXJvcyBlbnRlcm9zCiMgMy4gY29tcGxleDogbsO6bWVyb3MgY29tcGxlam9zCiMgNC4gY2hhcmFjdGVyOiBjYXJhY3TDqXJlcyAodGV4dG8pCiMgNS4gbG9naWNhbDogVFJVRSBvIEZBTFNFCgojIExhcyA0IGNsYXNlcyBkZSBvYmpldG9zIGNvbXB1ZXN0b3Mgc29uOgojIDEuIGxpc3Q6IGxpc3RhCiMgMi4gbWF0cml4OiBtYXRyaXMgc2VyaWUgZGUgY29sdW1uYXMKIyAzLiBhcnJheTogY29sZWNjacOzbiBkZSBvYmpldG9zCiMgNC4gZGF0YS5mcmFtZTogYmFzZSBkZSBkYXRvcwpgYGAKCiMgPHNwYW4gc3R5bGU9ICJjb2xvcjogQmx1ZTsiPiA0LiDCv0N1w6FudGFzIGNvbHVtbmFzIHkgcmVuZ2xvbmVzIHRpZW5lICJmbGlnaHRzIj8gwr9DdcOhbCBlcyBzdSBkaW1lbnNpw7NuPyA8L3NwYW4+CmBgYHtyfQoKIyBOw7ptZXJvIGRlIGNvbHVtbmFzCm5jb2woZmxpZ2h0cykKCiNOw7ptZXJvIGRlIHJlbmdsb25lcwpucm93KGZsaWdodHMpCgojRGltZW5zacOzbgpkaW0oZmxpZ2h0cykKYGBgCgojIDxzcGFuIHN0eWxlPSAiY29sb3I6IEJsdWU7Ij4gNS4gTXVlc3RyYSBsb3MgcHJpbWVyb3MgNiByZW5nbG9uZXMgZGUgImZsaWdodHMiIDwvc3Bhbj4KYGBge3J9CmhlYWQoZmxpZ2h0cykKdGFpbChmbGlnaHRzKQojIFNpIHF1aXNpZXJhbW9zIDcgcmVuZ2xvbmVzOiBoZWFkKGZsaWdodHMsNykKYGBgCgojIDxzcGFuIHN0eWxlPSAiY29sb3I6IEJsdWU7Ij4gNi4gTXVlc3RyYSBsb3MgZXN0YWTDrXN0aWNvcyBkZXNjcmlwdGl2b3MgZGUgImZsaWdodHMiIDwvc3Bhbj4KYGBge3J9CnN1bW1hcnkoZmxpZ2h0cykKYGBgCgojIDxzcGFuIHN0eWxlPSAiY29sb3I6IEJsdWU7Ij4gQ29uY2x1c2nDs24gPC9zcGFuPgpHcmFjaWFzIGEgbGEgcmVhbGl6YWNpw7NuIGRlIGVzdGUgdHJhYmFqbyBwdWRpbW9zIHZlciBxdWUgbGEgc2l0dWFjacOzbiBwb3IgbGEgcXVlIHNlIHJldHJhc2FuIGxvcyB2dWVsb3MgY2llcnRvcyBkaWFzIGRlIGxhIHNlbWFuYSwgZXMgcG9yIGNhbWJpb3MgY2xpbcOhdGljb3MsIHBvciB2dWVsb3MgcXVlIGVuIHPDrSB2aWVuZW4gYXRyYXNhZG9zIGRlIG90cm8gZGVzdGlubyBvIHBvciBjb25nZXN0aW9uIGFlcmVhIGVuIGxvcyBkZXNwdWVndWVzIHkgYXRlcnJpemFqZXMsIGNvbiBsYSByZWFsaXphY2lvbiBkZSBlc3RlIHRyYWJham8gbGxlZ2Ftb3MgYSBsYSBjb25jbHVzaW9uIGRlIHF1ZSwgbG9zIHZ1ZWxvcyB0ZW5pYW4gbWF5b3IgdGllbXBvIHkgcG9yY2VudGFqZSBkZSBhdHJhc28gZW4gbGFzIGhvcmFzIGRlIGxhIHRhcmRlIGNvbiB1biBhdHJhc28gZGUgMjIgbWluIHkgdW4gcG9yY2VudGFqZSBkZSA0OSwgc2luIGVtYmFyZ28gcG9yIGxhIG1hw7FhbmEgYXBlbmFzIHRlbmlhbiB0aWVtcG8gZGUgYXRyYXNvIHkgdW4gcG9yY2VudGFqZSBtYXMgYmFqbyBlbiBsYSBtYcOxYW5hIHNlIGF0cmFzYW4gZW50cmUgMToxNiBtaW4geSAxOjQ4IHkgdW4gcG9yY2VudGFqZSBkZSAyMS43LgotLS0KCg==