Evidencia
Antonio Díaz A00837259
2024-03-10
Contexto
El paquete nycflights13 contiene información sobre todos los vuelos que partieron desde Nueva York (EWR, JFK Y LGA) a destinos en los Estados Unidos en 2013. Fueron 336,776 vuelos en total. Para ayudar a comprender las causas de los retrasos, también incluye otros conjuntos de datos útiles.
Este paquete incluye las siguientes tablas:
- flights = todos los vuelos que salieron de New York en 2013
- weather = datos metereológicos por hora de cada aeropuerto
- planes= información de construcción de cada avión
- airports = nombres y ubicaciones de aeropuertos
- airlines= relación entre nombres y códigos de las aerolíneas
Fuente:
Origen
de los datos
Instalar paquetes y llamar librerías
# install.packages("nycflights13")
library(nycflights13)
# install.packages("tidyverse")
library(tidyverse)
# install.packages("dplyr")
library(dplyr)
# install.packages(ggplot2)
library(ggplot2)Parte 1. Exploración de datos
Cargar bases de datos
airports <- airports
flights <- flights
weather <- weather
planes <- planes
airlines <- airlinesDataFrame “airports”
# Mostrar contenido
airports## # A tibble: 1,458 × 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/…
## 2 06A Moton Field Municipal Airport 32.5 -85.7 264 -6 A America/…
## 3 06C Schaumburg Regional 42.0 -88.1 801 -6 A America/…
## 4 06N Randall Airport 41.4 -74.4 523 -5 A America/…
## 5 09J Jekyll Island Airport 31.1 -81.4 11 -5 A America/…
## 6 0A9 Elizabethton Municipal Airport 36.4 -82.2 1593 -5 A America/…
## 7 0G6 Williams County Airport 41.5 -84.5 730 -5 A America/…
## 8 0G7 Finger Lakes Regional Airport 42.9 -76.8 492 -5 A America/…
## 9 0P2 Shoestring Aviation Airfield 39.8 -76.6 1000 -5 U America/…
## 10 0S9 Jefferson County Intl 48.1 -123. 108 -8 A America/…
## # ℹ 1,448 more rows# Ver la estructura
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()
## .. )# Consultar clase de objeto
class(airports)## [1] "tbl_df" "tbl" "data.frame"# Observar el tamaño del data frame
ncol(airports)## [1] 8nrow(airports)## [1] 1458dim(airports)## [1] 1458 8# Mostrar primeros y últimos renglones
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…# Estadísticos descriptivos
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. : 8.000airports:
- faa(character) = Código del aeropuerto
- name(character) = Nombre del aeropuerto
- lat(numeric) = Latitud
- lon(numeric) = Longitud
- alt(numeric) = Altitud
- tz(numeric) = Diferencia de zona horaria con GMT
- dst(character) = Horario de verano
- tzone(character) = Zona horaria
DataFrame “flights”
# Mostrar contenido
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># Ver la estructura
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" ...# Consultar clase de objeto
class(flights)## [1] "tbl_df" "tbl" "data.frame"# Observar el tamaño del data frame
ncol(flights)## [1] 19nrow(flights)## [1] 336776dim(flights)## [1] 336776 19# Mostrar primeros y últimos renglones
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># Estadísticos descriptivos
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
## flights:
- year(integer) = Año
- month(integer) = Mes
- day(integer) = Día
- dep_time(integer) = Tiempo de partida
- sched_dep_time(integer) = Tiempo de salida programado
- dep_delay(numeric) = Retraso en salida (minutos)
- arr_time(integer) = Tiempo de llegada
- sched_arr_time(integer) = Tiempo de llegada programado
- arr_delay(numeric) = Retraso en salida (minutos)
- carrier(character) = Aerolínea
- flight(integer) = Número del vuelo
- tailnum(character) = Número de avión
- origin(character) = Origen
- dest(character) = Destino
- air_time(numeric) = Tiempo total en el aire (minutos)
- distance(numeric) = Distancia entre aeropuertos (millas)
- hour(numeric) = Hora programada de salida
- minute(numeric) = Minuto programado de salida
- time_hour(POSIXct) = Fecha y hora del vuelo
DataFrame “weather”
# Mostrar contenido
weather## # A tibble: 26,115 × 15
## origin year month day hour temp dewp humid wind_dir wind_speed
## <chr> <int> <int> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 EWR 2013 1 1 1 39.0 26.1 59.4 270 10.4
## 2 EWR 2013 1 1 2 39.0 27.0 61.6 250 8.06
## 3 EWR 2013 1 1 3 39.0 28.0 64.4 240 11.5
## 4 EWR 2013 1 1 4 39.9 28.0 62.2 250 12.7
## 5 EWR 2013 1 1 5 39.0 28.0 64.4 260 12.7
## 6 EWR 2013 1 1 6 37.9 28.0 67.2 240 11.5
## 7 EWR 2013 1 1 7 39.0 28.0 64.4 240 15.0
## 8 EWR 2013 1 1 8 39.9 28.0 62.2 250 10.4
## 9 EWR 2013 1 1 9 39.9 28.0 62.2 260 15.0
## 10 EWR 2013 1 1 10 41 28.0 59.6 260 13.8
## # ℹ 26,105 more rows
## # ℹ 5 more variables: wind_gust <dbl>, precip <dbl>, pressure <dbl>,
## # visib <dbl>, time_hour <dttm># Ver la estructura
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" ...# Consultar clase de objeto
class(weather)## [1] "tbl_df" "tbl" "data.frame"# Observar el tamaño del data frame
ncol(weather)## [1] 15nrow(weather)## [1] 26115dim(weather)## [1] 26115 15# Mostrar primeros y últimos renglones
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># Estadísticos descriptivos
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 :2729weather:
- origin(character) = Origen
- year(integer) = Año
- month(integer) = Mes
- day(integer) = Día
- hour(numeric) = Hora
- temp(numeric) = Temperatura (°F)
- dewp(numeric) = Punto de rocío (°F)
- humid(numeric) = Humedad relativa
- wind_dir(numeric) = Dirección del viento (°)
- wind_speed(numeric) = Velocidad del viento (mph)
- wind_gust(numeric) = Ráfaga de viento (mph)
- precip(numeric) = Precipitación (pulgadas)
- pressure(numeric) = Presión al nivel del mar (milibares)
- visib(numeric) = Visibilidad (millas)
- time_hour(POSIXct) = Fecha y Hora
DataFrame “planes”
# Mostrar contenido
planes## # A tibble: 3,322 × 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…
## 7 N107US 1999 Fixed wing multi… AIRBUS INDU… A320… 2 182 NA Turbo…
## 8 N108UW 1999 Fixed wing multi… AIRBUS INDU… A320… 2 182 NA Turbo…
## 9 N109UW 1999 Fixed wing multi… AIRBUS INDU… A320… 2 182 NA Turbo…
## 10 N110UW 1999 Fixed wing multi… AIRBUS INDU… A320… 2 182 NA Turbo…
## # ℹ 3,312 more rows# Ver la estructura
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" ...# Consultar clase de objeto
class(planes)## [1] "tbl_df" "tbl" "data.frame"# Observar el tamaño del data frame
ncol(planes)## [1] 9nrow(planes)## [1] 3322dim(planes)## [1] 3322 9# Mostrar primeros y últimos renglones
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…# Estadísticos descriptivos
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
##
##
##
## planes:
- tailnum(character) = Número de avión
- year(integer) = Año de fabricación
- type(character) = Tipo de avión
- manufacturer(character) = Fabricante
- model(character) = Modelo
- engines(integer) = Número de motores
- seats(integer) = Número de asientos
- speed(integer) = Velocidad Promedio (mph)
- engine(character) = Tipo de motor
DataFrame “airlines”
# Mostrar contenido
airlines## # A tibble: 16 × 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.
## 7 F9 Frontier Airlines Inc.
## 8 FL AirTran Airways Corporation
## 9 HA Hawaiian Airlines Inc.
## 10 MQ Envoy Air
## 11 OO SkyWest Airlines Inc.
## 12 UA United Air Lines Inc.
## 13 US US Airways Inc.
## 14 VX Virgin America
## 15 WN Southwest Airlines Co.
## 16 YV Mesa Airlines Inc.# Ver la estructura
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" ...# Consultar clase de objeto
class(airlines)## [1] "tbl_df" "tbl" "data.frame"# Observar el tamaño del data frame
ncol(airlines)## [1] 2nrow(airlines)## [1] 16dim(airlines)## [1] 16 2# Mostrar primeros y últimos renglones
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.# Estadísticos descriptivos
summary(airlines)## carrier name
## Length:16 Length:16
## Class :character Class :character
## Mode :character Mode :characterairlines:
- carrier(character) = Aerolínea
- name(character) = Nombre Completo de aerolínea
Parte 2. Manipulación de datos
Relación entre las bases de datos
Combinar bases de datos
bdgrande <- merge(flights,airlines, by="carrier")
bdgrande2 <- left_join(bdgrande,planes, by="tailnum")
bdgrande3 <- left_join(bdgrande2,weather, by=c("origin","time_hour"))Estadísticos descriptivos del dataframe combinado
summary(bdgrande3)## carrier year.x month.x day.x
## Length:336776 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 : 6.549 Mean :15.71
## 3rd Qu.:2013 3rd Qu.:10.000 3rd Qu.:23.00
## Max. :2013 Max. :12.000 Max. :31.00
##
## dep_time sched_dep_time dep_delay arr_time sched_arr_time
## Min. : 1 Min. : 106 Min. : -43.00 Min. : 1 Min. : 1
## 1st Qu.: 907 1st Qu.: 906 1st Qu.: -5.00 1st Qu.:1104 1st Qu.:1124
## Median :1401 Median :1359 Median : -2.00 Median :1535 Median :1556
## Mean :1349 Mean :1344 Mean : 12.64 Mean :1502 Mean :1536
## 3rd Qu.:1744 3rd Qu.:1729 3rd Qu.: 11.00 3rd Qu.:1940 3rd Qu.:1945
## Max. :2400 Max. :2359 Max. :1301.00 Max. :2400 Max. :2359
## NA's :8255 NA's :8255 NA's :8713
## arr_delay flight tailnum origin
## Min. : -86.000 Min. : 1 Length:336776 Length:336776
## 1st Qu.: -17.000 1st Qu.: 553 Class :character Class :character
## Median : -5.000 Median :1496 Mode :character Mode :character
## Mean : 6.895 Mean :1972
## 3rd Qu.: 14.000 3rd Qu.:3465
## Max. :1272.000 Max. :8500
## NA's :9430
## dest air_time distance hour.x
## 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 name
## Min. : 0.00 Min. :2013-01-01 05:00:00.00 Length:336776
## 1st Qu.: 8.00 1st Qu.:2013-04-04 13:00:00.00 Class :character
## Median :29.00 Median :2013-07-03 10:00:00.00 Mode :character
## 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
##
## year.y type manufacturer model
## Min. :1956 Length:336776 Length:336776 Length:336776
## 1st Qu.:1999 Class :character Class :character Class :character
## Median :2002 Mode :character Mode :character Mode :character
## Mean :2001
## 3rd Qu.:2006
## Max. :2013
## NA's :57912
## engines seats speed engine
## Min. :1.00 Min. : 2.0 Min. : 90.0 Length:336776
## 1st Qu.:2.00 1st Qu.: 55.0 1st Qu.:105.0 Class :character
## Median :2.00 Median :149.0 Median :126.0 Mode :character
## Mean :1.99 Mean :136.7 Mean :150.8
## 3rd Qu.:2.00 3rd Qu.:189.0 3rd Qu.:127.0
## Max. :4.00 Max. :450.0 Max. :432.0
## NA's :52606 NA's :52606 NA's :335813
## year month.y day.y hour.y
## Min. :2013 Min. : 1.000 Min. : 1.00 Min. : 1.00
## 1st Qu.:2013 1st Qu.: 4.000 1st Qu.: 8.00 1st Qu.: 9.00
## Median :2013 Median : 7.000 Median :16.00 Median :13.00
## Mean :2013 Mean : 6.531 Mean :15.67 Mean :13.17
## 3rd Qu.:2013 3rd Qu.: 9.000 3rd Qu.:23.00 3rd Qu.:17.00
## Max. :2013 Max. :12.000 Max. :31.00 Max. :23.00
## NA's :1556 NA's :1556 NA's :1556 NA's :1556
## temp dewp humid wind_dir
## Min. : 10.94 Min. :-9.94 Min. : 12.74 Min. : 0.0
## 1st Qu.: 42.08 1st Qu.:26.06 1st Qu.: 43.99 1st Qu.:130.0
## Median : 57.20 Median :42.80 Median : 57.73 Median :220.0
## Mean : 57.00 Mean :41.63 Mean : 59.56 Mean :201.5
## 3rd Qu.: 71.96 3rd Qu.:57.92 3rd Qu.: 75.33 3rd Qu.:290.0
## Max. :100.04 Max. :78.08 Max. :100.00 Max. :360.0
## NA's :1573 NA's :1573 NA's :1573 NA's :9796
## wind_speed wind_gust precip pressure
## Min. : 0.000 Min. :16.11 Min. :0.0000 Min. : 983.8
## 1st Qu.: 6.905 1st Qu.:20.71 1st Qu.:0.0000 1st Qu.:1012.7
## Median :10.357 Median :24.17 Median :0.0000 Median :1017.5
## Mean :11.114 Mean :25.25 Mean :0.0046 Mean :1017.8
## 3rd Qu.:14.960 3rd Qu.:28.77 3rd Qu.:0.0000 3rd Qu.:1022.8
## Max. :42.579 Max. :66.75 Max. :1.2100 Max. :1042.1
## NA's :1634 NA's :256391 NA's :1556 NA's :38788
## visib
## Min. : 0.000
## 1st Qu.:10.000
## Median :10.000
## Mean : 9.256
## 3rd Qu.:10.000
## Max. :10.000
## NA's :1556# Ver estadísticos descriptivos de la distancia en millas
summary(bdgrande3["distance"])## distance
## Min. : 17
## 1st Qu.: 502
## Median : 872
## Mean :1040
## 3rd Qu.:1389
## Max. :4983La media de la distancia recorrida en millas es 1040 mi
Aerolíneas han recorrido distancias superiores a la media
# Crear nuevo dataframe compuesto de aerolínea, distancia, origen y destino
distancias <- bdgrande3 %>% select(carrier,distance,origin,dest)
# Incluir unicamente aerolíneas que recorrieron una distancia superior a la media
distancias <- filter(distancias,distance > 1040)
# Ordenar por distancia en forma descendente
distancias <- arrange(distancias,desc(distance))Encontrar la suma y media de las distancias recorridas por aerolínea eliminando valores vacios
# Distancia total y distancia media por aerolínea
distancias_t <- distancias %>% group_by(carrier,origin)
distancias_t <- distancias_t %>% summarize(suma_distancia = sum(distance,na.rm = TRUE),media_distancia = mean(distance,na.rm = TRUE))## `summarise()` has grouped output by 'carrier'. You can override using the
## `.groups` argument.arrange(distancias_t,desc(suma_distancia))## # A tibble: 26 × 4
## # Groups: carrier [13]
## carrier origin suma_distancia media_distancia
## <chr> <chr> <dbl> <dbl>
## 1 UA EWR 57947167 1920.
## 2 B6 JFK 34655295 1788.
## 3 DL JFK 31056240 2037.
## 4 AA JFK 21347674 1955.
## 5 UA JFK 11496375 2536.
## 6 AA LGA 11040924 1257.
## 7 VX JFK 8972450 2495.
## 8 DL LGA 7006616 1161.
## 9 UA LGA 6812736 1488.
## 10 AA EWR 4872578 1397.
## # ℹ 16 more rowsInterpretaciones
Las aerolíneas que cuentan con la mayor cantidad de distancia recorrida en vuelos son “UA”, “B6”, y “DL”. Mientras que “UA” proviene del aeropuerto “EWR” las otras dos aerolíneas provienen del aeropuerto “DL”. Pese a no ser las aerolíneas con los mayores promedios de distancia. La cantidad de vuelos que realizaron en 2013 puede ser la razón detrás de su alta cantidad de distancia.
Las aerolíneas con mayor promedio de distancia por vuelo son las “HA” y “VX”. “HA” únicamente realiza vuelos a un solo destino. Al analizar la media de distancia recorrida la aerolínea cuenta con una media sin decimales. Lo cuál al observar la base datos muestra que dicha aerolínea solo tiene una ruta con destino a “HNL”
Aerolíneas líder por aeropuerto
distancias_jfk <- distancias_t %>% filter(origin == "JFK")
distancias_jfk <- distancias_jfk %>% arrange(desc(suma_distancia))
distancias_lga <- distancias_t %>% filter(origin == "LGA")
distancias_lga <- distancias_lga %>% arrange(desc(suma_distancia))
distancias_ewr <- distancias_t %>% filter(origin == "EWR")
distancias_ewr <- distancias_ewr %>% arrange(desc(suma_distancia))
distancias_jfk## # A tibble: 8 × 4
## # Groups: carrier [8]
## carrier origin suma_distancia media_distancia
## <chr> <chr> <dbl> <dbl>
## 1 B6 JFK 34655295 1788.
## 2 DL JFK 31056240 2037.
## 3 AA JFK 21347674 1955.
## 4 UA JFK 11496375 2536.
## 5 VX JFK 8972450 2495.
## 6 US JFK 2366147 2153
## 7 HA JFK 1704186 4983
## 8 9E JFK 1417408 1252.distancias_lga## # A tibble: 9 × 4
## # Groups: carrier [9]
## carrier origin suma_distancia media_distancia
## <chr> <chr> <dbl> <dbl>
## 1 AA LGA 11040924 1257.
## 2 DL LGA 7006616 1161.
## 3 UA LGA 6812736 1488.
## 4 B6 LGA 3130643 1073.
## 5 WN LGA 1765200 1548.
## 6 F9 LGA 1109700 1620
## 7 MQ LGA 853368 1147
## 8 EV LGA 384263 1120.
## 9 9E LGA 268750 1097.distancias_ewr## # A tibble: 9 × 4
## # Groups: carrier [9]
## carrier origin suma_distancia media_distancia
## <chr> <chr> <dbl> <dbl>
## 1 UA EWR 57947167 1920.
## 2 AA EWR 4872578 1397.
## 3 WN EWR 4198262 1560.
## 4 EV EWR 4190012 1149.
## 5 VX EWR 3929877 2510.
## 6 US EWR 2499876 2133
## 7 B6 EWR 2475342 1162.
## 8 AS EWR 1715028 2402
## 9 DL EWR 697026 1969Conclusiones
Al analizar las distancias totales y promedio de las aerolíneas por aeropuerto en Nueva York destaca la aerolínea “AA”, la cual en los tres aeropuertos es una de las primeras tres en cuanto a la cantidad de distancia recorrida, es la única aerolínea que cuenta con una posición de liderazgo en todos los aeropuertos de Nueva York, otras aerolíneas como “DL” y “UA”, destacan en cuanto a distancia recorrida pero unicamente en dos de los tres aeropuertos.
Las aerolíneas que cuentan con promedios de distancias más altos, y por ende realizan vuelos de mayor duración como “HA” tienen la característica de solo operar en uno o dos aeropuertos como máximo.
Parte 3. Modelo Entidad Relación
Origen,destino y aerolínea por vuelo
# Conocer aerolínea, origen y destino por vuelo
aerolinea <- bdgrande3 %>% select(flight,carrier,origin,dest)
# Agregar nombre de aerolínea
aerolinea <- bdgrande3 %>% select(flight,carrier,name,origin,dest)Destinos más buscados
# Conocer los destinos más buscados
destinos <- bdgrande3 %>% select(carrier,dest)
destinos_c <- destinos %>% count(dest)
destinos_c <- arrange(destinos_c,desc(n))
destinos_c## dest n
## 1 ORD 17283
## 2 ATL 17215
## 3 LAX 16174
## 4 BOS 15508
## 5 MCO 14082
## 6 CLT 14064
## 7 SFO 13331
## 8 FLL 12055
## 9 MIA 11728
## 10 DCA 9705
## 11 DTW 9384
## 12 DFW 8738
## 13 RDU 8163
## 14 TPA 7466
## 15 DEN 7266
## 16 IAH 7198
## 17 MSP 7185
## 18 PBI 6554
## 19 BNA 6333
## 20 LAS 5997
## 21 SJU 5819
## 22 IAD 5700
## 23 BUF 4681
## 24 PHX 4656
## 25 CLE 4573
## 26 STL 4339
## 27 MDW 4113
## 28 CVG 3941
## 29 SEA 3923
## 30 MSY 3799
## 31 RSW 3537
## 32 CMH 3524
## 33 CHS 2884
## 34 PIT 2875
## 35 MKE 2802
## 36 SAN 2737
## 37 JAX 2720
## 38 BTV 2589
## 39 SLC 2467
## 40 RIC 2454
## 41 AUS 2439
## 42 ROC 2416
## 43 PWM 2352
## 44 HOU 2115
## 45 IND 2077
## 46 MCI 2008
## 47 MEM 1789
## 48 BWI 1781
## 49 SYR 1761
## 50 PHL 1632
## 51 GSO 1606
## 52 ORF 1536
## 53 DAY 1525
## 54 PDX 1354
## 55 SRQ 1211
## 56 SDF 1157
## 57 XNA 1036
## 58 MHT 1009
## 59 BQN 896
## 60 CAK 864
## 61 GSP 849
## 62 OMA 849
## 63 SNA 825
## 64 SAV 804
## 65 GRR 765
## 66 HNL 707
## 67 SAT 686
## 68 LGB 668
## 69 TYS 631
## 70 MSN 572
## 71 DSM 569
## 72 STT 522
## 73 BDL 443
## 74 ALB 439
## 75 PVD 376
## 76 BGR 375
## 77 BUR 371
## 78 PSE 365
## 79 OKC 346
## 80 SJC 329
## 81 TUL 315
## 82 OAK 312
## 83 BHM 297
## 84 SMF 284
## 85 AVL 275
## 86 ACK 265
## 87 ABQ 254
## 88 MVY 221
## 89 EGE 213
## 90 CRW 138
## 91 CAE 116
## 92 ILM 110
## 93 TVC 101
## 94 MYR 59
## 95 CHO 52
## 96 BZN 36
## 97 JAC 25
## 98 PSP 19
## 99 EYW 17
## 100 HDN 15
## 101 MTJ 15
## 102 SBN 10
## 103 ANC 8
## 104 LEX 1
## 105 LGA 1# Conocer los destinos más buscados por aerolínea
destinos_a <- destinos %>% count(dest,carrier)
destinos_a <- arrange(destinos_a,desc(n))
destinos_a## dest carrier n
## 1 ATL DL 10571
## 2 CLT US 8632
## 3 DFW AA 7257
## 4 MIA AA 7234
## 5 ORD UA 6984
## 6 IAH UA 6924
## 7 SFO UA 6819
## 8 FLL B6 6563
## 9 MCO B6 6472
## 10 ORD AA 6059
## 11 LAX UA 5823
## 12 RDU MQ 4794
## 13 DCA US 4716
## 14 BOS B6 4383
## 15 BOS US 4283
## 16 MDW WN 4113
## 17 IAD EV 4048
## 18 DTW DL 3875
## 19 DEN UA 3796
## 20 MCO DL 3663
## 21 LAX AA 3582
## 22 BOS UA 3342
## 23 MCO UA 3217
## 24 PBI B6 3161
## 25 MIA DL 2929
## 26 FLL DL 2903
## 27 MSP DL 2864
## 28 BUF B6 2803
## 29 TPA B6 2800
## 30 SJU B6 2731
## 31 CMH MQ 2691
## 32 LAX VX 2580
## 33 DTW EV 2545
## 34 CLT EV 2508
## 35 LAX DL 2501
## 36 FLL UA 2407
## 37 BNA MQ 2404
## 38 ATL FL 2337
## 39 ATL MQ 2322
## 40 ORD MQ 2276
## 41 PHX US 2271
## 42 SFO VX 2197
## 43 DCA MQ 2194
## 44 BNA EV 2170
## 45 TPA DL 2129
## 46 RIC EV 2114
## 47 SLC DL 2102
## 48 CVG EV 2013
## 49 LAS UA 2010
## 50 RSW B6 1972
## 51 TPA UA 1968
## 52 DTW MQ 1948
## 53 CHS EV 1922
## 54 CLE UA 1890
## 55 SFO DL 1858
## 56 PBI UA 1839
## 57 STL EV 1826
## 58 MSP EV 1773
## 59 ATL EV 1764
## 60 CLE MQ 1722
## 61 DCA EV 1717
## 62 LAX B6 1688
## 63 LAS DL 1673
## 64 RDU EV 1659
## 65 CLT MQ 1620
## 66 GSO EV 1605
## 67 MCI EV 1565
## 68 MIA UA 1565
## 69 CVG 9E 1559
## 70 STL WN 1469
## 71 PBI DL 1466
## 72 BOS AA 1455
## 73 SFO AA 1422
## 74 ROC B6 1406
## 75 DEN WN 1404
## 76 HOU WN 1401
## 77 BTV B6 1364
## 78 MEM EV 1354
## 79 LAS B6 1310
## 80 MKE WN 1310
## 81 IND EV 1306
## 82 PIT EV 1304
## 83 PWM B6 1304
## 84 SJU DL 1301
## 85 JAX EV 1293
## 86 MSP MQ 1293
## 87 BNA WN 1284
## 88 SYR B6 1266
## 89 MSP 9E 1249
## 90 BTV EV 1223
## 91 SEA DL 1213
## 92 DAY EV 1134
## 93 SAN UA 1134
## 94 MSY DL 1129
## 95 PHX UA 1120
## 96 MKE EV 1118
## 97 SEA UA 1117
## 98 SJU AA 1099
## 99 DFW UA 1094
## 100 MSY B6 1076
## 101 DCA 9E 1074
## 102 RSW UA 1072
## 103 ORD 9E 1056
## 104 DEN DL 1043
## 105 BUF EV 1042
## 106 SFO B6 1035
## 107 JAX B6 1026
## 108 DTW 9E 1013
## 109 MHT EV 998
## 110 BOS DL 972
## 111 PHL 9E 940
## 112 BOS 9E 914
## 113 RDU 9E 912
## 114 ORD B6 905
## 115 STL AA 902
## 116 SDF EV 891
## 117 CAK FL 864
## 118 PIT 9E 864
## 119 BWI 9E 856
## 120 OMA EV 846
## 121 SRQ B6 839
## 122 BUF 9E 833
## 123 SNA UA 825
## 124 CMH EV 820
## 125 PWM EV 813
## 126 SAV EV 804
## 127 RDU B6 797
## 128 ORF EV 769
## 129 AUS B6 747
## 130 GSP EV 747
## 131 XNA MQ 744
## 132 MCO AA 730
## 133 CLT B6 729
## 134 ROC EV 729
## 135 GRR EV 721
## 136 HOU B6 714
## 137 SEA AS 714
## 138 SJU UA 688
## 139 DEN F9 685
## 140 IAD B6 675
## 141 AUS UA 670
## 142 LGB B6 668
## 143 IAD 9E 664
## 144 SAN B6 663
## 145 LAS AA 639
## 146 PHL US 633
## 147 CHS B6 613
## 148 BQN B6 599
## 149 MSY EV 590
## 150 CLE EV 588
## 151 SAN DL 575
## 152 MSN EV 571
## 153 PDX UA 571
## 154 SEA B6 514
## 155 DSM EV 478
## 156 BNA 9E 474
## 157 PHX DL 469
## 158 PDX DL 458
## 159 ALB EV 439
## 160 MSY 9E 437
## 161 BDL EV 435
## 162 MEM DL 432
## 163 PHX WN 431
## 164 RSW DL 426
## 165 ORF 9E 402
## 166 IND 9E 401
## 167 JAX 9E 400
## 168 DAY 9E 391
## 169 DFW 9E 379
## 170 PVD EV 376
## 171 BGR EV 374
## 172 BUR B6 371
## 173 AUS AA 365
## 174 BWI MQ 365
## 175 CVG MQ 365
## 176 HNL UA 365
## 177 IND MQ 365
## 178 LAS VX 365
## 179 ORF MQ 365
## 180 PHX B6 365
## 181 PIT MQ 365
## 182 PSE B6 365
## 183 SAN AA 365
## 184 SEA AA 365
## 185 SLC B6 365
## 186 MCI 9E 361
## 187 AUS DL 357
## 188 BWI EV 352
## 189 CLE 9E 349
## 190 CHS 9E 348
## 191 OKC EV 346
## 192 HNL HA 342
## 193 RIC 9E 340
## 194 DEN B6 338
## 195 SAT UA 330
## 196 SJC B6 328
## 197 PDX B6 325
## 198 SYR EV 325
## 199 TYS EV 323
## 200 MKE 9E 315
## 201 TUL EV 315
## 202 OAK B6 312
## 203 IAD YV 311
## 204 TPA AA 311
## 205 TYS 9E 308
## 206 SAT DL 303
## 207 STT AA 303
## 208 AUS WN 298
## 209 MSY WN 298
## 210 BHM EV 297
## 211 BQN UA 297
## 212 XNA EV 292
## 213 CLT 9E 291
## 214 SMF B6 284
## 215 CLT YV 282
## 216 ROC 9E 281
## 217 IAH AA 274
## 218 MSY UA 269
## 219 ACK B6 265
## 220 AVL EV 265
## 221 SRQ DL 265
## 222 SDF 9E 263
## 223 ABQ B6 254
## 224 TPA MQ 254
## 225 PIT DL 250
## 226 PWM DL 235
## 227 BWI WN 208
## 228 STT UA 189
## 229 FLL AA 182
## 230 SYR 9E 170
## 231 BOS EV 159
## 232 MVY B6 150
## 233 STL MQ 139
## 234 CRW MQ 138
## 235 CAE EV 113
## 236 EGE UA 110
## 237 ILM EV 110
## 238 ATL UA 103
## 239 EGE AA 103
## 240 GSP 9E 102
## 241 DSM 9E 91
## 242 PIT B6 90
## 243 MCI DL 82
## 244 PBI AA 82
## 245 SRQ 9E 78
## 246 MVY 9E 71
## 247 TVC EV 68
## 248 RSW 9E 67
## 249 ATL 9E 59
## 250 ATL WN 59
## 251 MKE FL 59
## 252 MYR EV 59
## 253 SAT 9E 53
## 254 CHO EV 52
## 255 PHL EV 49
## 256 GRR 9E 44
## 257 BZN UA 36
## 258 TVC MQ 33
## 259 STT DL 30
## 260 SRQ EV 29
## 261 CLE OO 24
## 262 JAC UA 23
## 263 PSP VX 19
## 264 EYW DL 17
## 265 HDN UA 15
## 266 MTJ UA 15
## 267 CMH 9E 13
## 268 MHT 9E 11
## 269 AVL 9E 10
## 270 SBN EV 10
## 271 ANC UA 8
## 272 BDL UA 8
## 273 DFW EV 8
## 274 PHL YV 8
## 275 PBI EV 6
## 276 CVG DL 4
## 277 MSP OO 4
## 278 BUF DL 3
## 279 CAE 9E 3
## 280 IND UA 3
## 281 MEM 9E 3
## 282 SDF UA 3
## 283 TPA 9E 3
## 284 AUS 9E 2
## 285 BTV 9E 2
## 286 CLT UA 2
## 287 DCA DL 2
## 288 DCA UA 2
## 289 DTW OO 2
## 290 IND DL 2
## 291 JAC DL 2
## 292 MSP UA 2
## 293 OMA UA 2
## 294 ORD EV 2
## 295 PHL DL 2
## 296 PIT UA 2
## 297 STL UA 2
## 298 BGR 9E 1
## 299 BNA DL 1
## 300 CHS UA 1
## 301 DTW UA 1
## 302 GSO 9E 1
## 303 IAD OO 1
## 304 IAD UA 1
## 305 JAX DL 1
## 306 LEX 9E 1
## 307 LGA US 1
## 308 MSN 9E 1
## 309 OMA DL 1
## 310 ORD OO 1
## 311 RDU UA 1
## 312 SJC VX 1
## 313 STL DL 1
## 314 TPA EV 1Destinos más buscados con nombre de aerolínea
destinos_aerolinea <- destinos_a %>% left_join(airlines,by="carrier")
destinos_aerolinea## dest carrier n name
## 1 ATL DL 10571 Delta Air Lines Inc.
## 2 CLT US 8632 US Airways Inc.
## 3 DFW AA 7257 American Airlines Inc.
## 4 MIA AA 7234 American Airlines Inc.
## 5 ORD UA 6984 United Air Lines Inc.
## 6 IAH UA 6924 United Air Lines Inc.
## 7 SFO UA 6819 United Air Lines Inc.
## 8 FLL B6 6563 JetBlue Airways
## 9 MCO B6 6472 JetBlue Airways
## 10 ORD AA 6059 American Airlines Inc.
## 11 LAX UA 5823 United Air Lines Inc.
## 12 RDU MQ 4794 Envoy Air
## 13 DCA US 4716 US Airways Inc.
## 14 BOS B6 4383 JetBlue Airways
## 15 BOS US 4283 US Airways Inc.
## 16 MDW WN 4113 Southwest Airlines Co.
## 17 IAD EV 4048 ExpressJet Airlines Inc.
## 18 DTW DL 3875 Delta Air Lines Inc.
## 19 DEN UA 3796 United Air Lines Inc.
## 20 MCO DL 3663 Delta Air Lines Inc.
## 21 LAX AA 3582 American Airlines Inc.
## 22 BOS UA 3342 United Air Lines Inc.
## 23 MCO UA 3217 United Air Lines Inc.
## 24 PBI B6 3161 JetBlue Airways
## 25 MIA DL 2929 Delta Air Lines Inc.
## 26 FLL DL 2903 Delta Air Lines Inc.
## 27 MSP DL 2864 Delta Air Lines Inc.
## 28 BUF B6 2803 JetBlue Airways
## 29 TPA B6 2800 JetBlue Airways
## 30 SJU B6 2731 JetBlue Airways
## 31 CMH MQ 2691 Envoy Air
## 32 LAX VX 2580 Virgin America
## 33 DTW EV 2545 ExpressJet Airlines Inc.
## 34 CLT EV 2508 ExpressJet Airlines Inc.
## 35 LAX DL 2501 Delta Air Lines Inc.
## 36 FLL UA 2407 United Air Lines Inc.
## 37 BNA MQ 2404 Envoy Air
## 38 ATL FL 2337 AirTran Airways Corporation
## 39 ATL MQ 2322 Envoy Air
## 40 ORD MQ 2276 Envoy Air
## 41 PHX US 2271 US Airways Inc.
## 42 SFO VX 2197 Virgin America
## 43 DCA MQ 2194 Envoy Air
## 44 BNA EV 2170 ExpressJet Airlines Inc.
## 45 TPA DL 2129 Delta Air Lines Inc.
## 46 RIC EV 2114 ExpressJet Airlines Inc.
## 47 SLC DL 2102 Delta Air Lines Inc.
## 48 CVG EV 2013 ExpressJet Airlines Inc.
## 49 LAS UA 2010 United Air Lines Inc.
## 50 RSW B6 1972 JetBlue Airways
## 51 TPA UA 1968 United Air Lines Inc.
## 52 DTW MQ 1948 Envoy Air
## 53 CHS EV 1922 ExpressJet Airlines Inc.
## 54 CLE UA 1890 United Air Lines Inc.
## 55 SFO DL 1858 Delta Air Lines Inc.
## 56 PBI UA 1839 United Air Lines Inc.
## 57 STL EV 1826 ExpressJet Airlines Inc.
## 58 MSP EV 1773 ExpressJet Airlines Inc.
## 59 ATL EV 1764 ExpressJet Airlines Inc.
## 60 CLE MQ 1722 Envoy Air
## 61 DCA EV 1717 ExpressJet Airlines Inc.
## 62 LAX B6 1688 JetBlue Airways
## 63 LAS DL 1673 Delta Air Lines Inc.
## 64 RDU EV 1659 ExpressJet Airlines Inc.
## 65 CLT MQ 1620 Envoy Air
## 66 GSO EV 1605 ExpressJet Airlines Inc.
## 67 MCI EV 1565 ExpressJet Airlines Inc.
## 68 MIA UA 1565 United Air Lines Inc.
## 69 CVG 9E 1559 Endeavor Air Inc.
## 70 STL WN 1469 Southwest Airlines Co.
## 71 PBI DL 1466 Delta Air Lines Inc.
## 72 BOS AA 1455 American Airlines Inc.
## 73 SFO AA 1422 American Airlines Inc.
## 74 ROC B6 1406 JetBlue Airways
## 75 DEN WN 1404 Southwest Airlines Co.
## 76 HOU WN 1401 Southwest Airlines Co.
## 77 BTV B6 1364 JetBlue Airways
## 78 MEM EV 1354 ExpressJet Airlines Inc.
## 79 LAS B6 1310 JetBlue Airways
## 80 MKE WN 1310 Southwest Airlines Co.
## 81 IND EV 1306 ExpressJet Airlines Inc.
## 82 PIT EV 1304 ExpressJet Airlines Inc.
## 83 PWM B6 1304 JetBlue Airways
## 84 SJU DL 1301 Delta Air Lines Inc.
## 85 JAX EV 1293 ExpressJet Airlines Inc.
## 86 MSP MQ 1293 Envoy Air
## 87 BNA WN 1284 Southwest Airlines Co.
## 88 SYR B6 1266 JetBlue Airways
## 89 MSP 9E 1249 Endeavor Air Inc.
## 90 BTV EV 1223 ExpressJet Airlines Inc.
## 91 SEA DL 1213 Delta Air Lines Inc.
## 92 DAY EV 1134 ExpressJet Airlines Inc.
## 93 SAN UA 1134 United Air Lines Inc.
## 94 MSY DL 1129 Delta Air Lines Inc.
## 95 PHX UA 1120 United Air Lines Inc.
## 96 MKE EV 1118 ExpressJet Airlines Inc.
## 97 SEA UA 1117 United Air Lines Inc.
## 98 SJU AA 1099 American Airlines Inc.
## 99 DFW UA 1094 United Air Lines Inc.
## 100 MSY B6 1076 JetBlue Airways
## 101 DCA 9E 1074 Endeavor Air Inc.
## 102 RSW UA 1072 United Air Lines Inc.
## 103 ORD 9E 1056 Endeavor Air Inc.
## 104 DEN DL 1043 Delta Air Lines Inc.
## 105 BUF EV 1042 ExpressJet Airlines Inc.
## 106 SFO B6 1035 JetBlue Airways
## 107 JAX B6 1026 JetBlue Airways
## 108 DTW 9E 1013 Endeavor Air Inc.
## 109 MHT EV 998 ExpressJet Airlines Inc.
## 110 BOS DL 972 Delta Air Lines Inc.
## 111 PHL 9E 940 Endeavor Air Inc.
## 112 BOS 9E 914 Endeavor Air Inc.
## 113 RDU 9E 912 Endeavor Air Inc.
## 114 ORD B6 905 JetBlue Airways
## 115 STL AA 902 American Airlines Inc.
## 116 SDF EV 891 ExpressJet Airlines Inc.
## 117 CAK FL 864 AirTran Airways Corporation
## 118 PIT 9E 864 Endeavor Air Inc.
## 119 BWI 9E 856 Endeavor Air Inc.
## 120 OMA EV 846 ExpressJet Airlines Inc.
## 121 SRQ B6 839 JetBlue Airways
## 122 BUF 9E 833 Endeavor Air Inc.
## 123 SNA UA 825 United Air Lines Inc.
## 124 CMH EV 820 ExpressJet Airlines Inc.
## 125 PWM EV 813 ExpressJet Airlines Inc.
## 126 SAV EV 804 ExpressJet Airlines Inc.
## 127 RDU B6 797 JetBlue Airways
## 128 ORF EV 769 ExpressJet Airlines Inc.
## 129 AUS B6 747 JetBlue Airways
## 130 GSP EV 747 ExpressJet Airlines Inc.
## 131 XNA MQ 744 Envoy Air
## 132 MCO AA 730 American Airlines Inc.
## 133 CLT B6 729 JetBlue Airways
## 134 ROC EV 729 ExpressJet Airlines Inc.
## 135 GRR EV 721 ExpressJet Airlines Inc.
## 136 HOU B6 714 JetBlue Airways
## 137 SEA AS 714 Alaska Airlines Inc.
## 138 SJU UA 688 United Air Lines Inc.
## 139 DEN F9 685 Frontier Airlines Inc.
## 140 IAD B6 675 JetBlue Airways
## 141 AUS UA 670 United Air Lines Inc.
## 142 LGB B6 668 JetBlue Airways
## 143 IAD 9E 664 Endeavor Air Inc.
## 144 SAN B6 663 JetBlue Airways
## 145 LAS AA 639 American Airlines Inc.
## 146 PHL US 633 US Airways Inc.
## 147 CHS B6 613 JetBlue Airways
## 148 BQN B6 599 JetBlue Airways
## 149 MSY EV 590 ExpressJet Airlines Inc.
## 150 CLE EV 588 ExpressJet Airlines Inc.
## 151 SAN DL 575 Delta Air Lines Inc.
## 152 MSN EV 571 ExpressJet Airlines Inc.
## 153 PDX UA 571 United Air Lines Inc.
## 154 SEA B6 514 JetBlue Airways
## 155 DSM EV 478 ExpressJet Airlines Inc.
## 156 BNA 9E 474 Endeavor Air Inc.
## 157 PHX DL 469 Delta Air Lines Inc.
## 158 PDX DL 458 Delta Air Lines Inc.
## 159 ALB EV 439 ExpressJet Airlines Inc.
## 160 MSY 9E 437 Endeavor Air Inc.
## 161 BDL EV 435 ExpressJet Airlines Inc.
## 162 MEM DL 432 Delta Air Lines Inc.
## 163 PHX WN 431 Southwest Airlines Co.
## 164 RSW DL 426 Delta Air Lines Inc.
## 165 ORF 9E 402 Endeavor Air Inc.
## 166 IND 9E 401 Endeavor Air Inc.
## 167 JAX 9E 400 Endeavor Air Inc.
## 168 DAY 9E 391 Endeavor Air Inc.
## 169 DFW 9E 379 Endeavor Air Inc.
## 170 PVD EV 376 ExpressJet Airlines Inc.
## 171 BGR EV 374 ExpressJet Airlines Inc.
## 172 BUR B6 371 JetBlue Airways
## 173 AUS AA 365 American Airlines Inc.
## 174 BWI MQ 365 Envoy Air
## 175 CVG MQ 365 Envoy Air
## 176 HNL UA 365 United Air Lines Inc.
## 177 IND MQ 365 Envoy Air
## 178 LAS VX 365 Virgin America
## 179 ORF MQ 365 Envoy Air
## 180 PHX B6 365 JetBlue Airways
## 181 PIT MQ 365 Envoy Air
## 182 PSE B6 365 JetBlue Airways
## 183 SAN AA 365 American Airlines Inc.
## 184 SEA AA 365 American Airlines Inc.
## 185 SLC B6 365 JetBlue Airways
## 186 MCI 9E 361 Endeavor Air Inc.
## 187 AUS DL 357 Delta Air Lines Inc.
## 188 BWI EV 352 ExpressJet Airlines Inc.
## 189 CLE 9E 349 Endeavor Air Inc.
## 190 CHS 9E 348 Endeavor Air Inc.
## 191 OKC EV 346 ExpressJet Airlines Inc.
## 192 HNL HA 342 Hawaiian Airlines Inc.
## 193 RIC 9E 340 Endeavor Air Inc.
## 194 DEN B6 338 JetBlue Airways
## 195 SAT UA 330 United Air Lines Inc.
## 196 SJC B6 328 JetBlue Airways
## 197 PDX B6 325 JetBlue Airways
## 198 SYR EV 325 ExpressJet Airlines Inc.
## 199 TYS EV 323 ExpressJet Airlines Inc.
## 200 MKE 9E 315 Endeavor Air Inc.
## 201 TUL EV 315 ExpressJet Airlines Inc.
## 202 OAK B6 312 JetBlue Airways
## 203 IAD YV 311 Mesa Airlines Inc.
## 204 TPA AA 311 American Airlines Inc.
## 205 TYS 9E 308 Endeavor Air Inc.
## 206 SAT DL 303 Delta Air Lines Inc.
## 207 STT AA 303 American Airlines Inc.
## 208 AUS WN 298 Southwest Airlines Co.
## 209 MSY WN 298 Southwest Airlines Co.
## 210 BHM EV 297 ExpressJet Airlines Inc.
## 211 BQN UA 297 United Air Lines Inc.
## 212 XNA EV 292 ExpressJet Airlines Inc.
## 213 CLT 9E 291 Endeavor Air Inc.
## 214 SMF B6 284 JetBlue Airways
## 215 CLT YV 282 Mesa Airlines Inc.
## 216 ROC 9E 281 Endeavor Air Inc.
## 217 IAH AA 274 American Airlines Inc.
## 218 MSY UA 269 United Air Lines Inc.
## 219 ACK B6 265 JetBlue Airways
## 220 AVL EV 265 ExpressJet Airlines Inc.
## 221 SRQ DL 265 Delta Air Lines Inc.
## 222 SDF 9E 263 Endeavor Air Inc.
## 223 ABQ B6 254 JetBlue Airways
## 224 TPA MQ 254 Envoy Air
## 225 PIT DL 250 Delta Air Lines Inc.
## 226 PWM DL 235 Delta Air Lines Inc.
## 227 BWI WN 208 Southwest Airlines Co.
## 228 STT UA 189 United Air Lines Inc.
## 229 FLL AA 182 American Airlines Inc.
## 230 SYR 9E 170 Endeavor Air Inc.
## 231 BOS EV 159 ExpressJet Airlines Inc.
## 232 MVY B6 150 JetBlue Airways
## 233 STL MQ 139 Envoy Air
## 234 CRW MQ 138 Envoy Air
## 235 CAE EV 113 ExpressJet Airlines Inc.
## 236 EGE UA 110 United Air Lines Inc.
## 237 ILM EV 110 ExpressJet Airlines Inc.
## 238 ATL UA 103 United Air Lines Inc.
## 239 EGE AA 103 American Airlines Inc.
## 240 GSP 9E 102 Endeavor Air Inc.
## 241 DSM 9E 91 Endeavor Air Inc.
## 242 PIT B6 90 JetBlue Airways
## 243 MCI DL 82 Delta Air Lines Inc.
## 244 PBI AA 82 American Airlines Inc.
## 245 SRQ 9E 78 Endeavor Air Inc.
## 246 MVY 9E 71 Endeavor Air Inc.
## 247 TVC EV 68 ExpressJet Airlines Inc.
## 248 RSW 9E 67 Endeavor Air Inc.
## 249 ATL 9E 59 Endeavor Air Inc.
## 250 ATL WN 59 Southwest Airlines Co.
## 251 MKE FL 59 AirTran Airways Corporation
## 252 MYR EV 59 ExpressJet Airlines Inc.
## 253 SAT 9E 53 Endeavor Air Inc.
## 254 CHO EV 52 ExpressJet Airlines Inc.
## 255 PHL EV 49 ExpressJet Airlines Inc.
## 256 GRR 9E 44 Endeavor Air Inc.
## 257 BZN UA 36 United Air Lines Inc.
## 258 TVC MQ 33 Envoy Air
## 259 STT DL 30 Delta Air Lines Inc.
## 260 SRQ EV 29 ExpressJet Airlines Inc.
## 261 CLE OO 24 SkyWest Airlines Inc.
## 262 JAC UA 23 United Air Lines Inc.
## 263 PSP VX 19 Virgin America
## 264 EYW DL 17 Delta Air Lines Inc.
## 265 HDN UA 15 United Air Lines Inc.
## 266 MTJ UA 15 United Air Lines Inc.
## 267 CMH 9E 13 Endeavor Air Inc.
## 268 MHT 9E 11 Endeavor Air Inc.
## 269 AVL 9E 10 Endeavor Air Inc.
## 270 SBN EV 10 ExpressJet Airlines Inc.
## 271 ANC UA 8 United Air Lines Inc.
## 272 BDL UA 8 United Air Lines Inc.
## 273 DFW EV 8 ExpressJet Airlines Inc.
## 274 PHL YV 8 Mesa Airlines Inc.
## 275 PBI EV 6 ExpressJet Airlines Inc.
## 276 CVG DL 4 Delta Air Lines Inc.
## 277 MSP OO 4 SkyWest Airlines Inc.
## 278 BUF DL 3 Delta Air Lines Inc.
## 279 CAE 9E 3 Endeavor Air Inc.
## 280 IND UA 3 United Air Lines Inc.
## 281 MEM 9E 3 Endeavor Air Inc.
## 282 SDF UA 3 United Air Lines Inc.
## 283 TPA 9E 3 Endeavor Air Inc.
## 284 AUS 9E 2 Endeavor Air Inc.
## 285 BTV 9E 2 Endeavor Air Inc.
## 286 CLT UA 2 United Air Lines Inc.
## 287 DCA DL 2 Delta Air Lines Inc.
## 288 DCA UA 2 United Air Lines Inc.
## 289 DTW OO 2 SkyWest Airlines Inc.
## 290 IND DL 2 Delta Air Lines Inc.
## 291 JAC DL 2 Delta Air Lines Inc.
## 292 MSP UA 2 United Air Lines Inc.
## 293 OMA UA 2 United Air Lines Inc.
## 294 ORD EV 2 ExpressJet Airlines Inc.
## 295 PHL DL 2 Delta Air Lines Inc.
## 296 PIT UA 2 United Air Lines Inc.
## 297 STL UA 2 United Air Lines Inc.
## 298 BGR 9E 1 Endeavor Air Inc.
## 299 BNA DL 1 Delta Air Lines Inc.
## 300 CHS UA 1 United Air Lines Inc.
## 301 DTW UA 1 United Air Lines Inc.
## 302 GSO 9E 1 Endeavor Air Inc.
## 303 IAD OO 1 SkyWest Airlines Inc.
## 304 IAD UA 1 United Air Lines Inc.
## 305 JAX DL 1 Delta Air Lines Inc.
## 306 LEX 9E 1 Endeavor Air Inc.
## 307 LGA US 1 US Airways Inc.
## 308 MSN 9E 1 Endeavor Air Inc.
## 309 OMA DL 1 Delta Air Lines Inc.
## 310 ORD OO 1 SkyWest Airlines Inc.
## 311 RDU UA 1 United Air Lines Inc.
## 312 SJC VX 1 Virgin America
## 313 STL DL 1 Delta Air Lines Inc.
## 314 TPA EV 1 ExpressJet Airlines Inc.Vuelos divididos en horarios de salida
# Dividir en horarios de salida
horarios <- bdgrande3 %>%
select(carrier, name, dest, sched_dep_time) %>%
mutate(clas_horario = ifelse(sched_dep_time %in% 0:559, "Madrugada",
ifelse(sched_dep_time %in% 600:1159, "Mañana",
ifelse(sched_dep_time %in% 1200:1859, "Tarde",
ifelse(sched_dep_time %in% 1900:2400, "Noche",NA)))))Cantidad de vuelos por tiempo del día
# Conocer la cantidad de vuelo por tiempo del día
horarios_c <- horarios %>% count(carrier,dest,clas_horario)
arrange(horarios_c,desc(n))## carrier dest clas_horario n
## 1 DL ATL Tarde 4967
## 2 DL ATL Mañana 4520
## 3 US CLT Mañana 4253
## 4 US CLT Tarde 4028
## 5 AA DFW Tarde 3850
## 6 UA ORD Tarde 3394
## 7 AA MIA Mañana 3378
## 8 UA SFO Tarde 3280
## 9 AA MIA Tarde 3153
## 10 UA IAH Tarde 3091
## 11 B6 FLL Mañana 2970
## 12 UA SFO Mañana 2921
## 13 AA DFW Mañana 2845
## 14 UA ORD Mañana 2842
## 15 AA ORD Tarde 2710
## 16 AA ORD Mañana 2685
## 17 B6 MCO Tarde 2638
## 18 UA LAX Mañana 2624
## 19 B6 MCO Mañana 2514
## 20 UA IAH Mañana 2486
## 21 UA LAX Tarde 2454
## 22 MQ RDU Tarde 2450
## 23 DL DTW Tarde 2222
## 24 B6 FLL Tarde 2159
## 25 US DCA Tarde 2136
## 26 UA DEN Mañana 2006
## 27 EV IAD Mañana 1971
## 28 US BOS Tarde 1970
## 29 AA LAX Tarde 1821
## 30 WN MDW Tarde 1782
## 31 B6 BOS Tarde 1776
## 32 B6 PBI Tarde 1776
## 33 UA DEN Tarde 1708
## 34 US DCA Mañana 1686
## 35 WN MDW Mañana 1658
## 36 DL MSP Mañana 1624
## 37 B6 BOS Mañana 1578
## 38 DL MCO Tarde 1569
## 39 DL DTW Mañana 1557
## 40 DL MCO Mañana 1507
## 41 US BOS Mañana 1499
## 42 UA MCO Tarde 1450
## 43 B6 FLL Noche 1433
## 44 DL MIA Tarde 1415
## 45 FL ATL Tarde 1402
## 46 MQ CMH Tarde 1398
## 47 UA MCO Mañana 1369
## 48 MQ RDU Mañana 1361
## 49 DL FLL Mañana 1352
## 50 DL LAX Tarde 1347
## 51 UA CLE Tarde 1338
## 52 B6 MCO Noche 1320
## 53 MQ BNA Tarde 1278
## 54 UA BOS Tarde 1277
## 55 EV IAD Tarde 1275
## 56 B6 SJU Mañana 1262
## 57 VX LAX Tarde 1259
## 58 DL MIA Mañana 1251
## 59 EV DTW Mañana 1248
## 60 DL MSP Tarde 1240
## 61 VX SFO Mañana 1238
## 62 B6 BUF Tarde 1204
## 63 MQ CLE Tarde 1171
## 64 EV DTW Tarde 1165
## 65 US PHX Mañana 1151
## 66 B6 PBI Mañana 1142
## 67 EV CVG Tarde 1139
## 68 B6 TPA Tarde 1136
## 69 US PHX Tarde 1119
## 70 B6 TPA Mañana 1100
## 71 EV CLT Tarde 1091
## 72 UA BOS Mañana 1086
## 73 DL ATL Noche 1084
## 74 DL TPA Mañana 1066
## 75 B6 RSW Mañana 1053
## 76 EV BNA Tarde 1045
## 77 AA LAX Mañana 1043
## 78 DL SLC Tarde 1041
## 79 EV RDU Mañana 1040
## 80 B6 BOS Noche 1027
## 81 MQ ATL Tarde 1024
## 82 MQ ORD Mañana 995
## 83 UA FLL Tarde 993
## 84 MQ RDU Noche 983
## 85 DL FLL Tarde 981
## 86 VX LAX Mañana 981
## 87 UA BOS Noche 975
## 88 MQ ATL Mañana 971
## 89 MQ ORD Tarde 971
## 90 VX SFO Tarde 959
## 91 MQ DCA Mañana 958
## 92 EV ATL Tarde 951
## 93 UA TPA Mañana 945
## 94 UA LAS Mañana 930
## 95 9E CVG Tarde 928
## 96 UA FLL Mañana 924
## 97 MQ DTW Mañana 914
## 98 WN DEN Tarde 905
## 99 UA LAS Tarde 894
## 100 US DCA Noche 894
## 101 B6 BUF Mañana 883
## 102 WN HOU Tarde 878
## 103 MQ DCA Tarde 861
## 104 WN STL Tarde 854
## 105 EV MSP Tarde 851
## 106 EV RIC Tarde 843
## 107 EV CHS Mañana 838
## 108 EV GSO Tarde 834
## 109 EV MSP Mañana 822
## 110 MQ BNA Mañana 820
## 111 DL SFO Tarde 818
## 112 B6 RSW Tarde 817
## 113 US BOS Noche 814
## 114 EV STL Tarde 813
## 115 FL ATL Mañana 802
## 116 EV BNA Mañana 793
## 117 B6 LAX Mañana 788
## 118 EV IAD Noche 779
## 119 UA PBI Mañana 766
## 120 B6 SJU Noche 757
## 121 EV CHS Tarde 757
## 122 EV IND Mañana 755
## 123 9E MSP Tarde 750
## 124 EV MEM Tarde 742
## 125 DL SLC Mañana 735
## 126 UA ORD Noche 732
## 127 UA LAX Noche 731
## 128 AA BOS Tarde 730
## 129 EV RIC Noche 730
## 130 AA SFO Mañana 726
## 131 EV CLT Mañana 726
## 132 EV STL Mañana 726
## 133 EV PIT Mañana 723
## 134 AA LAX Noche 718
## 135 B6 BUF Noche 716
## 136 MQ CLT Tarde 716
## 137 DL LAS Mañana 714
## 138 MQ DTW Tarde 710
## 139 EV DCA Tarde 707
## 140 EV MCI Tarde 705
## 141 AA SFO Tarde 696
## 142 EV CLT Noche 691
## 143 UA PHX Tarde 691
## 144 B6 LAS Mañana 690
## 145 UA PBI Tarde 687
## 146 DL LAX Mañana 686
## 147 DL PBI Mañana 683
## 148 DL SFO Mañana 680
## 149 MQ CMH Noche 674
## 150 UA IAH Noche 674
## 151 UA IAH Madrugada 673
## 152 WN MDW Noche 673
## 153 MQ MSP Tarde 672
## 154 EV DAY Tarde 667
## 155 B6 LGB Tarde 665
## 156 AA ORD Noche 664
## 157 UA MIA Tarde 659
## 158 WN BNA Mañana 658
## 159 DL PBI Tarde 646
## 160 EV BUF Mañana 635
## 161 B6 SJU Tarde 628
## 162 WN BNA Tarde 626
## 163 EV MCI Mañana 625
## 164 MQ CMH Mañana 619
## 165 UA TPA Tarde 617
## 166 WN STL Mañana 615
## 167 B6 ROC Tarde 614
## 168 DL TPA Tarde 608
## 169 DL SJU Mañana 607
## 170 AA STL Tarde 606
## 171 AA SJU Mañana 603
## 172 EV JAX Mañana 603
## 173 DL SEA Tarde 595
## 174 MQ CLT Mañana 595
## 175 EV MEM Mañana 593
## 176 UA SAN Tarde 593
## 177 DL MCO Noche 587
## 178 EV PIT Tarde 580
## 179 EV DCA Noche 573
## 180 UA DFW Tarde 573
## 181 WN MKE Mañana 571
## 182 DL FLL Noche 570
## 183 EV RDU Tarde 565
## 184 B6 TPA Noche 564
## 185 AA DFW Noche 562
## 186 UA SFO Noche 562
## 187 DL LAS Tarde 559
## 188 MQ CLE Mañana 551
## 189 9E BOS Tarde 549
## 190 EV BTV Mañana 547
## 191 MQ MSP Mañana 547
## 192 9E BUF Tarde 546
## 193 9E DTW Tarde 543
## 194 B6 BTV Mañana 541
## 195 EV CVG Mañana 541
## 196 EV RIC Mañana 541
## 197 UA SNA Tarde 540
## 198 B6 SYR Tarde 536
## 199 DL MSY Tarde 533
## 200 EV ATL Mañana 528
## 201 WN HOU Mañana 523
## 202 EV MSN Tarde 518
## 203 UA MIA Mañana 514
## 204 UA RSW Mañana 514
## 205 F9 DEN Tarde 508
## 206 B6 PWM Tarde 502
## 207 9E MSP Mañana 499
## 208 WN DEN Mañana 499
## 209 EV IND Tarde 491
## 210 UA FLL Noche 490
## 211 DL SJU Tarde 488
## 212 MQ XNA Tarde 486
## 213 DL DEN Tarde 480
## 214 EV GSO Mañana 479
## 215 DL BOS Tarde 478
## 216 B6 SRQ Tarde 474
## 217 9E DTW Mañana 470
## 218 DL LAX Noche 468
## 219 EV MKE Mañana 468
## 220 9E BNA Tarde 467
## 221 B6 BTV Tarde 459
## 222 B6 LAX Tarde 459
## 223 AA SJU Tarde 455
## 224 DL TPA Noche 455
## 225 DL SEA Mañana 449
## 226 EV OMA Mañana 447
## 227 B6 LAX Noche 441
## 228 B6 PWM Mañana 441
## 229 UA SEA Tarde 441
## 230 B6 SFO Mañana 437
## 231 EV CMH Tarde 437
## 232 EV DCA Mañana 437
## 233 9E PIT Mañana 432
## 234 B6 ROC Noche 432
## 235 UA SEA Mañana 428
## 236 WN MKE Tarde 426
## 237 EV SAV Tarde 425
## 238 EV MKE Tarde 410
## 239 EV GRR Tarde 407
## 240 EV BTV Tarde 406
## 241 9E RDU Tarde 403
## 242 DL LAS Noche 400
## 243 UA RSW Tarde 399
## 244 UA TPA Noche 396
## 245 9E PHL Tarde 395
## 246 EV ORF Tarde 395
## 247 EV JAX Tarde 394
## 248 UA MCO Noche 394
## 249 B6 LAS Tarde 392
## 250 EV DSM Noche 387
## 251 9E ORD Tarde 384
## 252 B6 MSY Mañana 384
## 253 EV CMH Mañana 383
## 254 UA PBI Noche 383
## 255 EV SAV Mañana 379
## 256 MQ DCA Noche 375
## 257 EV MHT Tarde 374
## 258 UA AUS Tarde 374
## 259 9E ORF Tarde 373
## 260 UA SJU Mañana 372
## 261 B6 BUR Tarde 371
## 262 EV MHT Noche 371
## 263 UA SAN Mañana 370
## 264 9E DFW Tarde 369
## 265 UA MIA Noche 369
## 266 B6 IAD Tarde 366
## 267 9E DCA Noche 365
## 268 AA AUS Tarde 365
## 269 AA BOS Noche 365
## 270 AA LAS Tarde 365
## 271 AA MCO Mañana 365
## 272 AA MCO Tarde 365
## 273 AA MIA Madrugada 365
## 274 AA SAN Tarde 365
## 275 AS SEA Tarde 365
## 276 B6 CLT Mañana 365
## 277 B6 JAX Mañana 365
## 278 B6 JAX Tarde 365
## 279 B6 PSE Noche 365
## 280 B6 RDU Mañana 365
## 281 B6 RDU Tarde 365
## 282 B6 SRQ Mañana 365
## 283 B6 SYR Mañana 365
## 284 B6 SYR Noche 365
## 285 DL DEN Mañana 365
## 286 MQ BWI Tarde 365
## 287 MQ CVG Tarde 365
## 288 MQ IND Tarde 365
## 289 MQ ORF Tarde 365
## 290 MQ PIT Tarde 365
## 291 VX LAS Mañana 365
## 292 WN PHX Tarde 365
## 293 B6 AUS Mañana 364
## 294 B6 BTV Noche 364
## 295 B6 CLT Tarde 364
## 296 B6 MSY Tarde 364
## 297 B6 ORD Mañana 364
## 298 B6 PWM Noche 361
## 299 DL PDX Tarde 361
## 300 AA BOS Mañana 360
## 301 B6 ROC Mañana 360
## 302 DL SFO Noche 360
## 303 EV GSP Tarde 360
## 304 UA PHX Mañana 360
## 305 9E ORD Mañana 359
## 306 B6 AUS Noche 359
## 307 DL AUS Tarde 357
## 308 9E DCA Tarde 355
## 309 9E DCA Mañana 354
## 310 DL MSY Mañana 354
## 311 B6 SEA Tarde 353
## 312 9E MCI Tarde 352
## 313 UA DFW Mañana 352
## 314 9E CVG Noche 351
## 315 US PHL Mañana 351
## 316 AS SEA Mañana 349
## 317 B6 SFO Noche 348
## 318 DL BOS Noche 348
## 319 FL CAK Noche 347
## 320 EV ROC Tarde 345
## 321 9E BWI Tarde 344
## 322 HA HNL Mañana 342
## 323 US CLT Madrugada 340
## 324 VX LAX Noche 340
## 325 B6 SAN Mañana 339
## 326 AA MIA Noche 338
## 327 B6 DEN Noche 338
## 328 B6 SLC Noche 333
## 329 DL SAN Tarde 332
## 330 EV BNA Noche 332
## 331 EV CVG Noche 332
## 332 EV SDF Mañana 332
## 333 B6 MSY Noche 328
## 334 B6 SJC Tarde 328
## 335 EV CHS Noche 327
## 336 MQ ATL Noche 327
## 337 9E IND Tarde 326
## 338 DL SLC Noche 326
## 339 B6 PDX Noche 325
## 340 B6 SAN Tarde 324
## 341 MQ DTW Noche 324
## 342 9E BWI Noche 323
## 343 B6 ORD Tarde 323
## 344 EV MSY Tarde 322
## 345 EV OKC Noche 321
## 346 EV TYS Noche 320
## 347 9E IAD Noche 316
## 348 B6 HOU Mañana 316
## 349 EV TUL Noche 314
## 350 9E ORD Noche 313
## 351 WN MKE Noche 313
## 352 UA CLE Noche 311
## 353 B6 BQN Noche 310
## 354 EV SDF Tarde 310
## 355 MQ ORD Noche 310
## 356 B6 IAD Mañana 309
## 357 MQ CLT Noche 309
## 358 UA HNL Tarde 308
## 359 B6 CHS Mañana 307
## 360 B6 CHS Tarde 306
## 361 EV BUF Tarde 306
## 362 MQ BNA Noche 306
## 363 AA STT Mañana 303
## 364 EV PWM Noche 303
## 365 FL CAK Mañana 302
## 366 EV CLE Noche 299
## 367 9E MKE Tarde 297
## 368 9E RDU Noche 297
## 369 9E TYS Noche 297
## 370 UA BQN Noche 297
## 371 AA STL Mañana 296
## 372 B6 JAX Noche 296
## 373 EV JAX Noche 296
## 374 EV OMA Noche 296
## 375 EV GSO Noche 292
## 376 EV XNA Mañana 292
## 377 B6 BQN Madrugada 289
## 378 YV IAD Tarde 289
## 379 9E PHL Mañana 287
## 380 EV STL Noche 287
## 381 EV ATL Noche 285
## 382 UA SNA Mañana 282
## 383 US PHL Tarde 281
## 384 9E CVG Mañana 280
## 385 AA SEA Tarde 279
## 386 B6 HOU Tarde 279
## 387 UA PDX Tarde 279
## 388 WN MSY Tarde 275
## 389 AA IAH Tarde 274
## 390 AA LAS Mañana 274
## 391 EV ROC Mañana 273
## 392 9E BOS Mañana 271
## 393 9E JAX Noche 271
## 394 EV BTV Noche 270
## 395 EV ORF Mañana 270
## 396 9E IAD Tarde 269
## 397 EV PWM Tarde 269
## 398 9E PIT Noche 268
## 399 EV DAY Mañana 266
## 400 DL SRQ Mañana 265
## 401 DL MIA Noche 263
## 402 9E PHL Noche 258
## 403 MQ XNA Mañana 258
## 404 WN AUS Mañana 258
## 405 EV GRR Mañana 257
## 406 B6 ABQ Noche 253
## 407 DL PHX Noche 253
## 408 EV MHT Mañana 253
## 409 UA SAT Tarde 253
## 410 B6 SFO Tarde 250
## 411 EV SDF Noche 249
## 412 9E RIC Tarde 248
## 413 UA SEA Noche 248
## 414 EV BHM Noche 247
## 415 B6 PBI Noche 243
## 416 DL MSY Noche 242
## 417 EV PWM Mañana 241
## 418 UA CLE Mañana 241
## 419 B6 OAK Tarde 240
## 420 9E DAY Mañana 236
## 421 EV MKE Noche 236
## 422 EV MCI Noche 235
## 423 B6 LAS Noche 228
## 424 UA AUS Noche 223
## 425 B6 ORD Noche 218
## 426 DL SAN Mañana 217
## 427 9E SDF Mañana 215
## 428 FL CAK Tarde 215
## 429 9E RDU Mañana 212
## 430 EV GSP Mañana 209
## 431 UA PDX Mañana 208
## 432 DL MEM Tarde 206
## 433 DL SJU Noche 206
## 434 9E CHS Tarde 204
## 435 9E MSY Noche 204
## 436 B6 SMF Noche 203
## 437 DL SAT Noche 202
## 438 EV DAY Noche 201
## 439 DL DEN Noche 198
## 440 DL RSW Tarde 195
## 441 9E CLE Noche 191
## 442 9E MSY Mañana 190
## 443 9E BWI Mañana 189
## 444 UA STT Mañana 189
## 445 B6 PHX Tarde 186
## 446 UA LAS Noche 186
## 447 EV ALB Noche 185
## 448 B6 ACK Mañana 182
## 449 B6 PHX Noche 179
## 450 YV CLT Tarde 178
## 451 EV GSP Noche 177
## 452 F9 DEN Mañana 177
## 453 EV CLE Mañana 175
## 454 UA SAN Noche 171
## 455 9E CLT Noche 170
## 456 DL SEA Noche 169
## 457 UA DFW Noche 169
## 458 9E BUF Mañana 167
## 459 EV BDL Tarde 167
## 460 9E PIT Tarde 164
## 461 AA TPA Noche 162
## 462 9E ROC Tarde 161
## 463 B6 SEA Mañana 160
## 464 UA SJU Noche 160
## 465 UA RSW Noche 158
## 466 DL PIT Noche 157
## 467 UA SJU Tarde 156
## 468 9E DAY Tarde 155
## 469 DL PWM Tarde 155
## 470 9E CLE Tarde 154
## 471 EV ALB Tarde 153
## 472 B6 MVY Tarde 150
## 473 EV BDL Noche 150
## 474 EV BGR Tarde 150
## 475 DL MEM Mañana 149
## 476 DL BOS Mañana 146
## 477 EV MSY Mañana 146
## 478 EV BWI Tarde 145
## 479 EV SYR Tarde 145
## 480 EV PVD Mañana 138
## 481 MQ CRW Tarde 138
## 482 WN BWI Tarde 138
## 483 DL PBI Noche 137
## 484 EV PVD Noche 137
## 485 EV AVL Tarde 135
## 486 DL RSW Mañana 133
## 487 FL ATL Noche 133
## 488 EV DTW Noche 132
## 489 EV SYR Mañana 131
## 490 EV AVL Mañana 130
## 491 MQ TPA Mañana 127
## 492 MQ TPA Tarde 127
## 493 9E SYR Noche 126
## 494 EV BWI Noche 122
## 495 EV MSY Noche 122
## 496 9E CHS Mañana 121
## 497 EV BGR Mañana 121
## 498 9E BUF Noche 120
## 499 B6 HOU Noche 119
## 500 9E CLT Tarde 118
## 501 EV BDL Mañana 117
## 502 EV CLE Tarde 114
## 503 DL PHX Tarde 112
## 504 EV ROC Noche 111
## 505 UA EGE Mañana 110
## 506 9E ROC Mañana 109
## 507 DL PHX Mañana 104
## 508 EV ORF Noche 104
## 509 AA EGE Tarde 103
## 510 EV BGR Noche 103
## 511 EV OMA Tarde 103
## 512 B6 RSW Noche 102
## 513 DL SAT Tarde 101
## 514 EV ALB Mañana 101
## 515 EV PVD Tarde 101
## 516 EV BUF Noche 100
## 517 EV MSP Noche 100
## 518 DL RSW Noche 98
## 519 EV BOS Mañana 98
## 520 DL PDX Noche 97
## 521 UA MSY Tarde 97
## 522 DL DTW Noche 96
## 523 YV CLT Mañana 96
## 524 EV CAE Tarde 95
## 525 9E BOS Noche 94
## 526 EV ILM Noche 93
## 527 DL PIT Tarde 92
## 528 AA FLL Mañana 91
## 529 AA FLL Tarde 91
## 530 UA MSY Mañana 91
## 531 EV DSM Mañana 89
## 532 9E GSP Noche 88
## 533 AA SEA Noche 86
## 534 9E DSM Noche 85
## 535 EV BWI Mañana 85
## 536 UA ATL Tarde 85
## 537 B6 SJU Madrugada 84
## 538 UA PDX Noche 84
## 539 B6 ACK Tarde 83
## 540 B6 SMF Tarde 81
## 541 DL MCI Tarde 81
## 542 DL PWM Noche 80
## 543 UA MSY Noche 80
## 544 9E IAD Mañana 79
## 545 9E SRQ Mañana 78
## 546 DL MEM Noche 77
## 547 AA TPA Tarde 76
## 548 9E IND Mañana 75
## 549 MQ MSP Noche 74
## 550 UA SAT Noche 74
## 551 AA TPA Mañana 73
## 552 MQ STL Tarde 73
## 553 UA AUS Mañana 73
## 554 B6 OAK Noche 72
## 555 9E MVY Mañana 70
## 556 WN BWI Mañana 70
## 557 UA PHX Noche 68
## 558 9E RSW Mañana 67
## 559 B6 RDU Noche 67
## 560 MQ STL Mañana 66
## 561 WN PHX Mañana 66
## 562 9E JAX Tarde 65
## 563 9E JAX Mañana 64
## 564 EV BOS Tarde 61
## 565 EV IND Noche 60
## 566 9E ATL Mañana 59
## 567 FL MKE Mañana 59
## 568 WN ATL Mañana 59
## 569 EV GRR Noche 57
## 570 UA HNL Mañana 57
## 571 EV MYR Mañana 56
## 572 UA SFO Madrugada 56
## 573 EV RDU Noche 54
## 574 9E SAT Tarde 52
## 575 EV CHO Noche 52
## 576 EV BHM Tarde 49
## 577 EV SYR Noche 49
## 578 9E SDF Tarde 48
## 579 EV MSN Noche 48
## 580 UA DEN Noche 48
## 581 9E RIC Mañana 47
## 582 B6 PIT Tarde 46
## 583 9E RIC Noche 45
## 584 B6 PIT Mañana 44
## 585 9E GRR Mañana 43
## 586 9E MSY Tarde 43
## 587 9E SYR Tarde 43
## 588 AA PBI Mañana 41
## 589 AA PBI Tarde 41
## 590 AA SJU Noche 41
## 591 EV PHL Noche 41
## 592 WN AUS Tarde 40
## 593 UA BZN Mañana 36
## 594 UA DEN Madrugada 34
## 595 MQ TVC Tarde 33
## 596 B6 SLC Tarde 32
## 597 DL STT Mañana 30
## 598 EV SRQ Mañana 29
## 599 EV TVC Tarde 28
## 600 DL SAN Noche 26
## 601 EV OKC Tarde 25
## 602 B6 AUS Tarde 24
## 603 OO CLE Tarde 24
## 604 9E CHS Noche 23
## 605 EV IAD Madrugada 23
## 606 UA JAC Mañana 23
## 607 UA MIA Madrugada 23
## 608 WN MSY Mañana 23
## 609 EV TVC Mañana 22
## 610 EV MEM Noche 19
## 611 VX PSP Mañana 19
## 612 YV IAD Noche 19
## 613 9E MKE Mañana 18
## 614 EV CAE Noche 18
## 615 EV TVC Noche 18
## 616 UA ATL Mañana 18
## 617 DL EYW Mañana 17
## 618 9E ORF Noche 16
## 619 UA ORD Madrugada 16
## 620 UA HDN Mañana 15
## 621 UA MTJ Mañana 15
## 622 UA LAX Madrugada 14
## 623 9E ORF Mañana 13
## 624 9E CMH Tarde 12
## 625 EV ILM Mañana 12
## 626 9E ROC Noche 11
## 627 US CLT Noche 11
## 628 9E AVL Mañana 10
## 629 UA TPA Madrugada 10
## 630 9E GSP Tarde 8
## 631 9E MCI Mañana 8
## 632 EV PHL Tarde 8
## 633 UA ANC Tarde 8
## 634 UA BDL Noche 8
## 635 YV CLT Noche 8
## 636 YV PHL Tarde 8
## 637 9E TYS Tarde 7
## 638 9E BNA Mañana 6
## 639 9E DSM Tarde 6
## 640 9E GSP Mañana 6
## 641 9E MHT Tarde 6
## 642 EV DFW Mañana 6
## 643 EV PBI Mañana 6
## 644 9E DFW Mañana 5
## 645 9E DFW Noche 5
## 646 EV ILM Tarde 5
## 647 EV MSN Mañana 5
## 648 EV SBN Noche 5
## 649 9E CLE Mañana 4
## 650 9E MHT Noche 4
## 651 9E TYS Mañana 4
## 652 EV MKE Madrugada 4
## 653 OO MSP Tarde 4
## 654 UA BOS Madrugada 4
## 655 UA MCO Madrugada 4
## 656 9E CAE Mañana 3
## 657 9E CLT Mañana 3
## 658 9E TPA Mañana 3
## 659 B6 LGB Mañana 3
## 660 EV MYR Tarde 3
## 661 EV SBN Mañana 3
## 662 EV TYS Tarde 3
## 663 UA PBI Madrugada 3
## 664 UA SAT Mañana 3
## 665 UA SNA Noche 3
## 666 YV IAD Mañana 3
## 667 9E AUS Tarde 2
## 668 9E MEM Tarde 2
## 669 B6 BOS Madrugada 2
## 670 DL BUF Tarde 2
## 671 DL CVG Mañana 2
## 672 DL CVG Tarde 2
## 673 DL DCA Tarde 2
## 674 DL JAC Mañana 2
## 675 DL PHL Tarde 2
## 676 EV DFW Tarde 2
## 677 EV DSM Tarde 2
## 678 EV SBN Tarde 2
## 679 OO DTW Tarde 2
## 680 UA DCA Mañana 2
## 681 UA IND Tarde 2
## 682 UA MSP Tarde 2
## 683 UA PIT Tarde 2
## 684 UA SDF Mañana 2
## 685 UA STL Tarde 2
## 686 9E BGR Noche 1
## 687 9E BNA Noche 1
## 688 9E BTV Mañana 1
## 689 9E BTV Tarde 1
## 690 9E CMH Mañana 1
## 691 9E GRR Tarde 1
## 692 9E GSO Mañana 1
## 693 9E LEX Noche 1
## 694 9E MCI Noche 1
## 695 9E MEM Mañana 1
## 696 9E MHT Mañana 1
## 697 9E MSN Tarde 1
## 698 9E MVY Tarde 1
## 699 9E SAT Noche 1
## 700 9E SYR Mañana 1
## 701 B6 ABQ Tarde 1
## 702 B6 FLL Madrugada 1
## 703 B6 SEA Noche 1
## 704 DL BNA Tarde 1
## 705 DL BUF Noche 1
## 706 DL IND Mañana 1
## 707 DL IND Tarde 1
## 708 DL JAX Noche 1
## 709 DL MCI Mañana 1
## 710 DL OMA Tarde 1
## 711 DL PIT Mañana 1
## 712 DL STL Tarde 1
## 713 EV BDL Madrugada 1
## 714 EV BHM Mañana 1
## 715 EV BUF Madrugada 1
## 716 EV CVG Madrugada 1
## 717 EV GSP Madrugada 1
## 718 EV ORD Mañana 1
## 719 EV ORD Noche 1
## 720 EV PIT Noche 1
## 721 EV TPA Tarde 1
## 722 EV TUL Mañana 1
## 723 OO IAD Tarde 1
## 724 OO ORD Mañana 1
## 725 UA CHS Tarde 1
## 726 UA CLT Mañana 1
## 727 UA CLT Tarde 1
## 728 UA DTW Noche 1
## 729 UA IAD Mañana 1
## 730 UA IND Mañana 1
## 731 UA MSY Madrugada 1
## 732 UA OMA Mañana 1
## 733 UA OMA Tarde 1
## 734 UA PHX Madrugada 1
## 735 UA RDU Noche 1
## 736 UA RSW Madrugada 1
## 737 UA SDF Tarde 1
## 738 US LGA Madrugada 1
## 739 US PHL Noche 1
## 740 US PHX Madrugada 1
## 741 VX SJC Tarde 1Destinos a los que vuela la aerolínea American Airlines Inc. durante la madrugada
madrugada_aa <- filter(horarios,clas_horario == "Madrugada" & carrier == "AA")
madrugada_aa <- madrugada_aa %>% group_by(dest)
madrugada_aa## # A tibble: 365 × 5
## # Groups: dest [1]
## carrier name dest sched_dep_time clas_horario
## <chr> <chr> <chr> <int> <chr>
## 1 AA American Airlines Inc. MIA 545 Madrugada
## 2 AA American Airlines Inc. MIA 545 Madrugada
## 3 AA American Airlines Inc. MIA 540 Madrugada
## 4 AA American Airlines Inc. MIA 545 Madrugada
## 5 AA American Airlines Inc. MIA 545 Madrugada
## 6 AA American Airlines Inc. MIA 545 Madrugada
## 7 AA American Airlines Inc. MIA 540 Madrugada
## 8 AA American Airlines Inc. MIA 545 Madrugada
## 9 AA American Airlines Inc. MIA 545 Madrugada
## 10 AA American Airlines Inc. MIA 540 Madrugada
## # ℹ 355 more rowsAviones utilizados por American Airlines Inc.
aviones_aa <- filter(bdgrande3,carrier=="AA",!is.na(type))
aviones_aa <- select(aviones_aa,carrier,type,engine,seats)
aviones_aa <- group_by(aviones_aa,carrier,type,engine,seats)
count(aviones_aa)## # A tibble: 22 × 5
## # Groups: carrier, type, engine, seats [22]
## carrier type engine seats n
## <chr> <chr> <chr> <int> <int>
## 1 AA Fixed wing multi engine Reciprocating 6 22
## 2 AA Fixed wing multi engine Reciprocating 8 92
## 3 AA Fixed wing multi engine Reciprocating 102 22
## 4 AA Fixed wing multi engine Turbo-fan 8 38
## 5 AA Fixed wing multi engine Turbo-fan 11 19
## 6 AA Fixed wing multi engine Turbo-fan 22 13
## 7 AA Fixed wing multi engine Turbo-fan 172 3857
## 8 AA Fixed wing multi engine Turbo-fan 178 501
## 9 AA Fixed wing multi engine Turbo-fan 255 4257
## 10 AA Fixed wing multi engine Turbo-fan 330 450
## # ℹ 12 more rowsConclusiones
Los destinos más buscados en los aeropuertos de Nueva York son Chicago, Los Ángeles y Atlanta. Las aerolíneas que ofrecen vuelos hacia los destinos más populares coinciden con aquellas que tienen un puesto de liderazgo dentro de los aeropuertos de Nueva York. Al analizar las aerolíneas que frecuentan estos destinos, aerolíneas líderes como “AA” y “DL”. Son las aerolíneas que realizan la mayor cantidad de vuelos en los tres destinos más populares, lo cuál puede estar directamente relacionado con su éxito.
Los periodos de tiempo en los que se presenta mayor actividad en el aeropuerto son la mañana y la tarde. Por cuestiones de comodidad o de tiempo resulta más fácil para las personas tomar un vuelo durante el día que en la noche. Esto se puede observar al analizar la frecuencia de vuelo por periodo del día donde los vuelos que se realizaron con mayor frecuencia por las aerolíneas ocurren durante ese periodo de tiempo, mientras que la cantidad de vuelos realizados durante la noche o madrugada es menor.
En el caso de la aerolínea “American Airlines” al revisar sus aviones, predomina la presencia de aviones de tamaño grande, con una capacidad de 172 asientos y de 255 en su modelo de avión mas utilizado. Esto puede ser debido a su posición de liderazgo dentro de los aeropuertos de Nueva York.
Parte 4. Visualización de datos
Análisis del retraso de partida y llegada en vuelos de “American Airlines Inc.”
aa_vuelos_retrasos <- flights %>%
filter(carrier == "AA") %>%
select(dep_delay, arr_delay)
ggplot(aa_vuelos_retrasos, aes(x = dep_delay, y = arr_delay, color=arr_delay)) +
geom_point(alpha = 0.3) +
labs(x = "Retraso en la Salida (minutos)", y = "Retraso en la Llegada (minutos)",
title = "Relación entre los Retrasos de Salida y Llegada de American Airlines") ## Warning: Removed 782 rows containing missing values or values outside the scale range
## (`geom_point()`).
Tendencia de la temperatura
temp_enero <- filter(bdgrande3,origin=="EWR")
temp_enero <- select(temp_enero,time_hour,temp)
temp_enero <- na.omit(temp_enero)
temp_enero <- subset(temp_enero, time_hour >= as.POSIXct("2013-01-01 00:00") & time_hour < as.POSIXct("2013-01-14 23:59"))
temp_enero$date <- as.Date(temp_enero$time_hour)
temp_enero <- temp_enero %>% group_by(date) %>% summarize(temp = mean(temp))
ggplot(temp_enero,aes(x=date,y=temp)) + geom_line() + geom_point() + labs(x="Fecha",y="Temperatura",title="Temperatura (°F) en los primeros 15 días de Enero en aeropuerto EWR") 
Frecuencia de Temperatura
temp_enero15 <- filter(bdgrande3,month.x==1,day.x<=15)
ggplot(temp_enero15,aes(x=temp)) + geom_histogram(color=1,bins=15) + labs(x="Temperatura (°F)",y="Frecuencia",title="Temperatura por mes") ## Warning: Removed 52 rows containing non-finite outside the scale range
## (`stat_bin()`).
Variación mensual de temperatura
ggplot(bdgrande3,aes(x=temp)) + geom_histogram(color=1,bins=10) + facet_wrap(.~month.x) + labs(x="Temperatura",y="Frecuencia",title="Frecuencia de temperaturas por mes") ## Warning: Removed 1573 rows containing non-finite outside the scale range
## (`stat_bin()`).
Número de vuelos por aerolínea (Gráfica de barras)
vuelos_a <- bdgrande3 %>% group_by(carrier) %>% count(carrier)
vuelos_a <- arrange(vuelos_a,desc(n)) %>% head(10)
ggplot(vuelos_a,aes(x=reorder(carrier,-n),y=n,fill=carrier)) + geom_bar(stat="identity") + labs(x="Aerolínea",y="Vuelos",title="Top 10 aerolíneas con más vuelos") 
Número de vuelos por aerolínea (Pie)
ggplot(vuelos_a,aes(x="",y=n,fill=carrier)) + geom_col(color="black") + coord_polar(theta="y") + theme_void()
Relacionar data frame “flights” con data frame airports
airports <- rename(airports,"origin"="faa")
bdgrande4 <- left_join(bdgrande3,airports,by="origin")Cantidad de vuelos por aerolínea
vuelosaeropuerto <- group_by(bdgrande4,name.y)
ggplot(vuelosaeropuerto,aes(x=carrier,fill=name.y)) + geom_bar()
ggplot(vuelosaeropuerto,aes(x=carrier,fill=name.y)) + geom_bar(position = position_dodge())
ggplot(vuelosaeropuerto,aes(x=carrier,fill=name.y)) + geom_bar() + facet_grid(name.y ~.)
Conclusiones
Los retrasos en la salida de los vuelos implican que estos también presentaran retraso en su llegada. Los aeropuertos cuentan con protocolos de seguridad y estándares estrictos, además de limites que varían por modelo de avión en cuanto a la velocidad máxima que pueden alcanzar, por ende, es poco probable que un avión no llegue con retraso y salió tarde. Al realizar un gráfico de dispersión se puede observar que hay una correlación fuerte entre el tiempo de retraso y el tiempo de salida, sugiriendo que el tiempo de retraso no se puede recuperar con facilidad en el vuelo.
La temperatura suele incrementar a partir de enero, conforme se acerca la primavera se espera que temperatura sea más alta con mayor frecuencia. Al colocar los 12 meses del año en un histograma, es posible observar que diciembre suele ser el mes más frio en los aeropuertos de Nueva York y que a partir de enero la temperatura promedio suele incrementar.
En cuanto a la distribución de los vuelos en los diferentes aeropuertos de Nueva York, las aerolíneas tienden a concentrar la mayor parte de sus recursos a un solo aeropuerto, aún cuando esta opere en más de uno. Enfocarse en un aeropuerto puede facilitar la organización y eficiencia de la operación de una aerolínea, además que la demanda por los vuelos puede ser distinta dependiendo del aeropuerto. Mediante el histograma se puede observar como aerolíneas como “American Airlines” y “United Airlines” y “ExpressJet Airlines” realizan más de la mitad de su total de vuelos en un solo aeropuerto.
Parte 5. ¿Por qué los vuelos se retrasan?
Contexto
En el entorno del transporte aéreo, los retrasos en los vuelos representan un problema significativo tanto para las aerolíneas como para los pasajeros, llevando a inconvenientes operacionales y costos económicos elevados. Comprender las causas de estos retrasos es fundamental para mejorar la eficiencia de las operaciones aéreas y la satisfacción del cliente. Mediante un modelo de regresión lineal se determinaran las variables con mayor relación al aumento en el tiempo de retraso , para de esta forma determinar las principales causas por las cuales los vuelos se retrasan.
Modelo de regresión
regresion <- lm(dep_delay ~ carrier+month.x+day.x+dep_time+origin+dest+ air_time+distance+hour.x+year.y+type+engine+temp+dewp+humid+wind_dir+precip+pressure+visib,data=bdgrande4)
summary(regresion)##
## Call:
## lm(formula = dep_delay ~ carrier + month.x + day.x + dep_time +
## origin + dest + air_time + distance + hour.x + year.y + type +
## engine + temp + dewp + humid + wind_dir + precip + pressure +
## visib, data = bdgrande4)
##
## Residuals:
## Min 1Q Median 3Q Max
## -86.48 -15.73 -7.56 2.18 1309.12
##
## Coefficients: (1 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.858e+02 4.965e+01 11.799 < 2e-16 ***
## carrierAA -5.374e+00 6.650e-01 -8.081 6.45e-16 ***
## carrierAS -8.205e+00 1.689e+00 -4.858 1.19e-06 ***
## carrierB6 -9.065e-01 3.997e-01 -2.268 0.02332 *
## carrierDL -6.493e+00 4.520e-01 -14.366 < 2e-16 ***
## carrierEV 4.884e+00 4.305e-01 11.347 < 2e-16 ***
## carrierF9 3.407e+00 1.653e+00 2.061 0.03932 *
## carrierFL -1.102e+00 9.956e-01 -1.107 0.26835
## carrierHA -2.834e-01 3.026e+00 -0.094 0.92540
## carrierMQ -7.425e+00 1.494e+00 -4.969 6.74e-07 ***
## carrierOO -4.294e+00 6.851e+00 -0.627 0.53079
## carrierUA -2.838e+00 5.042e-01 -5.629 1.82e-08 ***
## carrierUS -6.333e+00 5.531e-01 -11.451 < 2e-16 ***
## carrierVX 7.015e-01 7.207e-01 0.973 0.33041
## carrierWN 3.695e+00 6.580e-01 5.615 1.96e-08 ***
## carrierYV 4.880e-01 1.697e+00 0.288 0.77371
## month.x -3.388e-01 2.275e-02 -14.895 < 2e-16 ***
## day.x 6.087e-02 8.316e-03 7.319 2.50e-13 ***
## dep_time 5.830e-02 5.091e-04 114.529 < 2e-16 ***
## originJFK -7.200e-01 3.448e-01 -2.088 0.03680 *
## originLGA 1.839e-01 3.347e-01 0.550 0.58265
## destACK -1.197e+01 2.838e+01 -0.422 0.67315
## destALB -1.275e+01 2.909e+01 -0.438 0.66116
## destANC 3.081e+01 3.067e+01 1.005 0.31508
## destATL -6.202e-01 1.864e+01 -0.033 0.97346
## destAUS 4.675e+00 5.923e+00 0.789 0.42994
## destAVL -1.266e+01 2.158e+01 -0.587 0.55746
## destBDL -1.644e+01 2.955e+01 -0.556 0.57802
## destBGR -1.534e+01 2.528e+01 -0.607 0.54386
## destBHM -4.745e+00 1.698e+01 -0.279 0.77996
## destBNA -3.071e+00 1.860e+01 -0.165 0.86883
## destBOS -1.230e+01 2.833e+01 -0.434 0.66404
## destBQN 1.627e+01 5.038e+00 3.230 0.00124 **
## destBTV -1.174e+01 2.707e+01 -0.433 0.66468
## destBUF -1.147e+01 2.656e+01 -0.432 0.66579
## destBUR 1.195e+01 1.150e+01 1.039 0.29873
## destBWI -1.317e+01 2.859e+01 -0.461 0.64496
## destBZN 2.217e+01 7.122e+00 3.113 0.00185 **
## destCAE -2.697e+00 2.144e+01 -0.126 0.89991
## destCAK -6.142e+00 2.497e+01 -0.246 0.80567
## destCHO -2.443e+01 2.709e+01 -0.902 0.36720
## destCHS -7.412e+00 2.071e+01 -0.358 0.72047
## destCLE -9.638e+00 2.453e+01 -0.393 0.69442
## destCLT -5.115e+00 2.232e+01 -0.229 0.81872
## destCMH -1.080e+01 2.354e+01 -0.459 0.64640
## destCRW -1.725e+01 2.620e+01 -0.658 0.51025
## destCVG -6.681e+00 2.169e+01 -0.308 0.75800
## destDAY -9.234e+00 2.233e+01 -0.414 0.67917
## destDCA -1.115e+01 2.800e+01 -0.398 0.69050
## destDEN 1.006e+01 4.381e+00 2.297 0.02160 *
## destDFW 4.598e+00 8.071e+00 0.570 0.56888
## destDSM -1.026e+00 1.411e+01 -0.073 0.94200
## destDTW -4.856e+00 2.307e+01 -0.210 0.83328
## destEGE 1.395e+01 4.445e+00 3.139 0.00169 **
## destEYW 8.170e+00 1.504e+01 0.543 0.58702
## destFLL 2.585e+00 1.327e+01 0.195 0.84557
## destGRR -4.703e+00 2.112e+01 -0.223 0.82377
## destGSO -9.172e+00 2.383e+01 -0.385 0.70025
## destGSP -6.436e+00 2.130e+01 -0.302 0.76251
## destHDN 2.104e+01 1.063e+01 1.979 0.04777 *
## destHNL 5.384e+01 5.462e+01 0.986 0.32430
## destHOU 5.087e+00 7.399e+00 0.687 0.49178
## destIAD -1.092e+01 2.779e+01 -0.393 0.69429
## destIAH 5.759e+00 7.589e+00 0.759 0.44792
## destILM -1.585e+01 2.340e+01 -0.677 0.49826
## destIND -5.609e+00 2.038e+01 -0.275 0.78317
## destJAC 3.385e+01 8.362e+00 4.048 5.16e-05 ***
## destJAX -4.226e+00 1.743e+01 -0.242 0.80845
## destLAS 1.443e+01 7.669e+00 1.882 0.05984 .
## destLAX 1.698e+01 1.146e+01 1.482 0.13837
## destLEX -2.819e+01 4.136e+01 -0.682 0.49554
## destLGB 1.297e+01 1.143e+01 1.134 0.25669
## destMCI 3.682e-01 1.274e+01 0.029 0.97694
## destMCO -5.269e-01 1.543e+01 -0.034 0.97275
## destMDW -3.634e+00 1.925e+01 -0.189 0.85024
## destMEM -7.257e-01 1.522e+01 -0.048 0.96197
## destMHT -1.279e+01 2.797e+01 -0.457 0.64745
## destMIA 3.634e+00 1.295e+01 0.281 0.77895
## destMKE -4.228e+00 1.901e+01 -0.222 0.82403
## destMSN -1.028e+00 1.781e+01 -0.058 0.95396
## destMSP 2.612e+00 1.417e+01 0.184 0.85371
## destMSY 1.440e+00 1.145e+01 0.126 0.89998
## destMTJ 2.791e+01 1.097e+01 2.544 0.01096 *
## destMVY -1.788e+01 2.886e+01 -0.619 0.53562
## destMYR -4.116e+00 2.261e+01 -0.182 0.85559
## destOAK 1.398e+01 1.339e+01 1.044 0.29662
## destOKC 9.190e-02 9.058e+00 0.010 0.99190
## destOMA 5.351e-01 1.209e+01 0.044 0.96470
## destORD 1.096e-01 1.911e+01 0.006 0.99542
## destORF -1.332e+01 2.667e+01 -0.499 0.61753
## destPBI 1.710e+00 1.397e+01 0.122 0.90259
## destPDX 1.803e+01 1.114e+01 1.619 0.10540
## destPHL -1.101e+01 3.009e+01 -0.366 0.71452
## destPHX 1.502e+01 6.170e+00 2.435 0.01490 *
## destPIT -9.784e+00 2.594e+01 -0.377 0.70607
## destPSE 3.661e+01 4.814e+00 7.605 2.86e-14 ***
## destPSP 9.635e+00 1.393e+01 0.692 0.48910
## destPVD -1.200e+01 2.881e+01 -0.417 0.67699
## destPWM -1.103e+01 2.690e+01 -0.410 0.68169
## destRDU -7.835e+00 2.435e+01 -0.322 0.74760
## destRIC -9.719e+00 2.673e+01 -0.364 0.71613
## destROC -9.107e+00 2.721e+01 -0.335 0.73784
## destRSW 3.012e-01 1.322e+01 0.023 0.98182
## destSAN 1.687e+01 1.097e+01 1.538 0.12397
## destSAT 9.133e+00 5.089e+00 1.795 0.07268 .
## destSAV -5.212e+00 1.935e+01 -0.269 0.78761
## destSBN -8.168e+00 2.403e+01 -0.340 0.73388
## destSDF -7.577e+00 2.045e+01 -0.370 0.71106
## destSEA 1.811e+01 1.058e+01 1.712 0.08692 .
## destSFO 2.262e+01 1.333e+01 1.697 0.08965 .
## destSJC 7.562e+00 1.327e+01 0.570 0.56868
## destSJU 1.009e+01 4.615e+00 2.186 0.02885 *
## destSLC 1.175e+01 3.814e+00 3.080 0.00207 **
## destSMF 1.188e+01 1.249e+01 0.951 0.34161
## destSNA 1.448e+01 1.109e+01 1.305 0.19175
## destSRQ -9.003e-01 1.382e+01 -0.065 0.94804
## destSTL -2.453e+00 1.648e+01 -0.149 0.88169
## destSTT 1.171e+01 4.780e+00 2.450 0.01428 *
## destSYR -1.068e+01 2.816e+01 -0.379 0.70460
## destTPA 6.044e-01 1.440e+01 0.042 0.96652
## destTUL 3.918e+00 1.087e+01 0.361 0.71844
## destTVC 1.468e+00 2.096e+01 0.070 0.94413
## destTYS -7.760e+00 2.068e+01 -0.375 0.70747
## destXNA -7.986e-01 1.225e+01 -0.065 0.94801
## air_time -3.243e-02 6.736e-03 -4.814 1.48e-06 ***
## distance -8.555e-03 1.735e-02 -0.493 0.62198
## hour.x -4.171e+00 5.352e-02 -77.927 < 2e-16 ***
## year.y -1.202e-01 1.786e-02 -6.733 1.67e-11 ***
## typeFixed wing single engine 6.256e+00 3.475e+00 1.800 0.07181 .
## typeRotorcraft 3.365e+00 6.904e+00 0.487 0.62594
## engineReciprocating -7.564e+00 5.752e+00 -1.315 0.18855
## engineTurbo-fan 9.439e-01 6.641e+00 0.142 0.88697
## engineTurbo-jet 2.943e-01 6.643e+00 0.044 0.96467
## engineTurbo-prop -8.218e-01 8.523e+00 -0.096 0.92319
## engineTurbo-shaft NA NA NA NA
## temp 5.303e-02 4.486e-02 1.182 0.23721
## dewp -1.032e-03 4.835e-02 -0.021 0.98297
## humid 2.143e-01 2.466e-02 8.691 < 2e-16 ***
## wind_dir 1.886e-03 7.901e-04 2.388 0.01696 *
## precip 5.918e+01 6.057e+00 9.769 < 2e-16 ***
## pressure -3.481e-01 1.113e-02 -31.267 < 2e-16 ***
## visib -3.651e-01 6.512e-02 -5.607 2.06e-08 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 35.42 on 237633 degrees of freedom
## (99002 observations deleted due to missingness)
## Multiple R-squared: 0.1227, Adjusted R-squared: 0.1222
## F-statistic: 237.4 on 140 and 237633 DF, p-value: < 2.2e-16Modelo de regresión ajustado
regresion_ajustada <- lm(dep_delay ~ month.x+day.x+dep_time+hour.x+year.y+humid+precip+pressure+visib,data=bdgrande4)
summary(regresion_ajustada)##
## Call:
## lm(formula = dep_delay ~ month.x + day.x + dep_time + hour.x +
## year.y + humid + precip + pressure + visib, data = bdgrande4)
##
## Residuals:
## Min 1Q Median 3Q Max
## -74.16 -15.67 -7.88 1.23 1312.63
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.017e+02 2.466e+01 12.232 < 2e-16 ***
## month.x -2.595e-01 2.161e-02 -12.008 < 2e-16 ***
## day.x 6.095e-02 8.261e-03 7.378 1.61e-13 ***
## dep_time 5.933e-02 4.892e-04 121.279 < 2e-16 ***
## hour.x -4.270e+00 5.112e-02 -83.528 < 2e-16 ***
## year.y 3.620e-02 1.131e-02 3.200 0.00137 **
## humid 2.089e-01 4.679e-03 44.636 < 2e-16 ***
## precip 5.753e+01 6.064e+00 9.487 < 2e-16 ***
## pressure -3.876e-01 9.989e-03 -38.803 < 2e-16 ***
## visib -3.117e-01 5.914e-02 -5.271 1.36e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 35.72 on 244263 degrees of freedom
## (92503 observations deleted due to missingness)
## Multiple R-squared: 0.1121, Adjusted R-squared: 0.1121
## F-statistic: 3427 on 9 and 244263 DF, p-value: < 2.2e-16Porcentaje de retrasos totales
df_retrasos <- bdgrande4 %>% summarize(total_vuelos = n(),total_retrasos = sum(dep_delay > 0,na.rm = TRUE),porcentaje_retrasos = (total_retrasos/ total_vuelos)*100, porcentaje_puntuales = 100-porcentaje_retrasos,media_retrasos = mean(dep_delay, na.rm = TRUE))
df_retrasos## total_vuelos total_retrasos porcentaje_retrasos porcentaje_puntuales
## 1 336776 128432 38.13573 61.86427
## media_retrasos
## 1 12.63907Aeropuertos
Retrasos por aeropuerto
df_retrasos_aeropuerto <- bdgrande4 %>% group_by(origin) %>% summarize(total_vuelos = n(),total_retrasos = sum(dep_delay > 0,na.rm = TRUE),porcentaje_retrasos = (total_retrasos/ total_vuelos)*100, porcentaje_puntuales = 100-porcentaje_retrasos,media_retrasos = mean(dep_delay, na.rm = TRUE))
df_retrasos_aeropuerto## # A tibble: 3 × 6
## origin total_vuelos total_retrasos porcentaje_retrasos porcentaje_puntuales
## <chr> <int> <int> <dbl> <dbl>
## 1 EWR 120835 52711 43.6 56.4
## 2 JFK 111279 42031 37.8 62.2
## 3 LGA 104662 33690 32.2 67.8
## # ℹ 1 more variable: media_retrasos <dbl>ggplot(df_retrasos_aeropuerto,aes(x=reorder(origin,-porcentaje_retrasos),y=porcentaje_retrasos,fill=origin)) + geom_bar(stat="identity") + labs(x="Aeropuerto",y="Retrasos (%)",title="Porcentaje de retrasos por aeropuerto") + geom_text(aes(label = paste(round(porcentaje_retrasos, 1), "%"), y = porcentaje_retrasos + 1), vjust = 0.5, color = "black", size = 3.5)
ggplot(df_retrasos_aeropuerto,aes(x=reorder(origin,-total_vuelos),y=total_vuelos,fill=origin)) + geom_bar(stat="identity") + labs(x="Aeropuerto",y="Vuelos",title="Total de vuelos por aeropuerto") 
Retrasos por mes
df_retrasos_mes <- bdgrande4 %>% group_by(month.x) %>% summarize(total_vuelos = n(),total_retrasos = sum(dep_delay > 0,na.rm = TRUE),porcentaje_retrasos = (total_retrasos/ total_vuelos)*100, porcentaje_puntuales = 100-porcentaje_retrasos,media_retrasos = mean(dep_delay, na.rm = TRUE))
df_retrasos_mes## # A tibble: 12 × 6
## month.x total_vuelos total_retrasos porcentaje_retrasos porcentaje_puntuales
## <int> <int> <int> <dbl> <dbl>
## 1 1 27004 9662 35.8 64.2
## 2 2 24951 9124 36.6 63.4
## 3 3 28834 11209 38.9 61.1
## 4 4 28330 10543 37.2 62.8
## 5 5 28796 11291 39.2 60.8
## 6 6 28243 12655 44.8 55.2
## 7 7 29425 13909 47.3 52.7
## 8 8 29327 11713 39.9 60.1
## 9 9 27574 7815 28.3 71.7
## 10 10 28889 8722 30.2 69.8
## 11 11 27268 8239 30.2 69.8
## 12 12 28135 13550 48.2 51.8
## # ℹ 1 more variable: media_retrasos <dbl>ggplot(df_retrasos_mes,aes(x=factor(month.x),y=porcentaje_retrasos))+geom_bar(color=1,stat="identity") + labs(title = "Retrasos por mes",
x = "Mes",
y = "Vuelos retrasados (%)")
retrasos <- filter(bdgrande4,dep_delay > 0)
ggplot(retrasos,aes(x=factor(month.x)))+geom_bar(color=1) + labs(title = "Cantidad de retrasos por mes",
x = "Mes",
y = "Cantidad de vuelos retrasados")
Días
Retrasos por día
df_retrasos_dia <- bdgrande4 %>% group_by(month.x,day.x) %>% summarize(total_vuelos = n(),total_retrasos = sum(dep_delay > 0,na.rm = TRUE),porcentaje_retrasos = (total_retrasos/ total_vuelos)*100, porcentaje_puntuales = 100-porcentaje_retrasos,media_retrasos = mean(dep_delay, na.rm = TRUE))
df_retrasos_dia <- df_retrasos_dia %>% arrange(desc(porcentaje_retrasos)) %>% head(10)
df_retrasos_dia## # A tibble: 10 × 7
## # Groups: month.x [6]
## month.x day.x total_vuelos total_retrasos porcentaje_retrasos
## <int> <int> <int> <int> <dbl>
## 1 12 23 985 674 68.4
## 2 7 1 966 652 67.5
## 3 3 8 979 653 66.7
## 4 6 25 993 649 65.4
## 5 12 22 895 583 65.1
## 6 7 23 997 645 64.7
## 7 12 17 949 608 64.1
## 8 5 24 978 621 63.5
## 9 12 9 962 606 63.0
## 10 2 27 945 584 61.8
## # ℹ 2 more variables: porcentaje_puntuales <dbl>, media_retrasos <dbl>ggplot(df_retrasos_dia, aes(x = reorder(paste(month.x,"/",day.x), -porcentaje_retrasos), y = porcentaje_retrasos, fill = factor(day.x))) +
geom_bar(stat = "identity") + labs(x="Mes/Día",y="Retrasos (%)",title="Top 10 días con mayor porcentaje de retrasos") 
retrasosdia <- retrasos %>% group_by(day.x,month.x) %>% summarise(retrasosd = n()) %>% arrange(desc(retrasosd), desc(day.x)) %>% head(10)
ggplot(retrasosdia, aes(x = reorder(paste(month.x,"/",day.x), -retrasosd), y = retrasosd, fill = factor(day.x))) +
geom_bar(stat = "identity") + labs(x="Mes/Día",y="Cantidad de Retrasos",title="Top 10 días con más retrasos") 
Retrasos por día de la semana
flights$wday <- wday(flights$time_hour, label = TRUE)
df_retrasos_diasemana <- flights %>% group_by(wday) %>% summarize(total_vuelos = n(),total_retrasos = sum(dep_delay > 0,na.rm = TRUE),porcentaje_retrasos = (total_retrasos/ total_vuelos)*100, porcentaje_puntuales = 100-porcentaje_retrasos,media_retrasos = mean(dep_delay, na.rm = TRUE))
df_retrasos_diasemana## # A tibble: 7 × 6
## wday total_vuelos total_retrasos porcentaje_retrasos porcentaje_puntuales
## <ord> <int> <int> <dbl> <dbl>
## 1 Sun 46357 17487 37.7 62.3
## 2 Mon 50690 19845 39.1 60.9
## 3 Tue 50422 17951 35.6 64.4
## 4 Wed 50060 18208 36.4 63.6
## 5 Thu 50219 21007 41.8 58.2
## 6 Fri 50308 20719 41.2 58.8
## 7 Sat 38720 13215 34.1 65.9
## # ℹ 1 more variable: media_retrasos <dbl>ggplot(df_retrasos_diasemana, aes(x = wday, y = porcentaje_retrasos,fill=wday)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(porcentaje_retrasos, 1)), vjust = -0.5, color = "black") +
labs(x = "Día de la Semana", y = "Retrasos (%)", title = "Porcentaje de Retraso Promedio de Salida por Día de la Semana")
ggplot(df_retrasos_diasemana, aes(x = wday, y = total_retrasos,fill=wday)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(total_retrasos, 1)), vjust = -0.5, color = "black") +
labs(x = "Día de la Semana", y = "Cantidad de Retrasos", title = "Cantidad de Retrasos de Salida por Día de la Semana")
Hora
Retrasos por hora
df_retrasos_hora <- bdgrande4 %>% group_by(hour.x) %>% summarize(total_vuelos = n(),total_retrasos = sum(dep_delay > 0,na.rm = TRUE),porcentaje_retrasos = (total_retrasos/ total_vuelos)*100, porcentaje_puntuales = 100-porcentaje_retrasos,media_retrasos = mean(dep_delay, na.rm = TRUE))
df_retrasos_hora## # A tibble: 20 × 6
## hour.x total_vuelos total_retrasos porcentaje_retrasos porcentaje_puntuales
## <dbl> <int> <int> <dbl> <dbl>
## 1 1 1 0 0 100
## 2 5 1953 489 25.0 75.0
## 3 6 25951 5430 20.9 79.1
## 4 7 22821 4963 21.7 78.3
## 5 8 27242 6790 24.9 75.1
## 6 9 20312 5392 26.5 73.5
## 7 10 16708 4942 29.6 70.4
## 8 11 16033 5034 31.4 68.6
## 9 12 18181 6408 35.2 64.8
## 10 13 19956 8183 41.0 59.0
## 11 14 21706 9257 42.6 57.4
## 12 15 23888 11364 47.6 52.4
## 13 16 23002 10699 46.5 53.5
## 14 17 24426 12132 49.7 50.3
## 15 18 21783 10636 48.8 51.2
## 16 19 21441 10839 50.6 49.4
## 17 20 16739 8633 51.6 48.4
## 18 21 10933 5596 51.2 48.8
## 19 22 2639 1184 44.9 55.1
## 20 23 1061 461 43.4 56.6
## # ℹ 1 more variable: media_retrasos <dbl>ggplot(df_retrasos_hora,aes(x=factor(hour.x),y=porcentaje_retrasos,fill=hour.x)) + geom_bar(stat="identity") + labs(x="Hora",y="Retrasos(%)",title="Porcentaje de retrasos por hora") 
retrasosh <- retrasos %>% group_by(hour.x)
ggplot(retrasosh,aes(x=factor(hour.x),fill=hour.x)) + geom_histogram(stat="count") + labs(x="Hora",y="Cantidad de Retrasos",title="Cantidad de vuelos retrasados por hora") ## Warning in geom_histogram(stat = "count"): Ignoring unknown parameters:
## `binwidth`, `bins`, and `pad`
Relación entre el tiempo de retraso y la hora de salida programada
ggplot(bdgrande4, aes(x = factor(hour.x), y = dep_delay)) +
geom_point() +
labs(x = "Hora de salida programada", y = "Retraso en la salida", title = "Retraso en la salida por hora del día")## Warning: Removed 8255 rows containing missing values or values outside the scale range
## (`geom_point()`).
Visibilidad
Relación entre retrasos y visibilidad
ggplot(bdgrande4, aes(x = visib, y = dep_delay)) +
geom_point(aes(color = origin), alpha = 0.5) +
geom_smooth(method = "lm", aes(color = origin), se = FALSE) +
facet_wrap(~ origin) +
labs(title = "Relación entre Visibilidad y Retrasos en la Salida por Aeropuerto",
x = "Visibilidad (millas)",
y = "Retraso en la Salida (minutos)") +
scale_color_brewer(type = 'qual', palette = 'Set1')## `geom_smooth()` using formula = 'y ~ x'## Warning: Removed 9783 rows containing non-finite outside the scale range
## (`stat_smooth()`).## Warning: Removed 9783 rows containing missing values or values outside the scale range
## (`geom_point()`).
df_retrasos_visib <- bdgrande4 %>% group_by(visib) %>% summarize(total_vuelos = n(),total_retrasos = sum(dep_delay > 0,na.rm = TRUE),porcentaje_retrasos = (total_retrasos/ total_vuelos)*100, porcentaje_puntuales = 100-porcentaje_retrasos,media_retrasos = mean(dep_delay, na.rm = TRUE))
df_retrasos_visib## # A tibble: 21 × 6
## visib total_vuelos total_retrasos porcentaje_retrasos porcentaje_puntuales
## <dbl> <int> <int> <dbl> <dbl>
## 1 0 110 28 25.5 74.5
## 2 0.06 93 34 36.6 63.4
## 3 0.12 440 229 52.0 48.0
## 4 0.25 1358 523 38.5 61.5
## 5 0.5 1478 704 47.6 52.4
## 6 0.75 496 215 43.3 56.7
## 7 1 1474 780 52.9 47.1
## 8 1.25 208 127 61.1 38.9
## 9 1.5 1692 834 49.3 50.7
## 10 1.75 156 86 55.1 44.9
## # ℹ 11 more rows
## # ℹ 1 more variable: media_retrasos <dbl>Precipitación
Relación entre retrasos y precipitación
ggplot(bdgrande4, aes(x = precip, y = dep_delay)) +
geom_point(aes(color = origin), alpha = 0.5) +
geom_smooth(method = "lm", aes(color = origin), se = FALSE) +
facet_wrap(~ origin) +
labs(title = "Relación entre Precipitacion y Retrasos en la Salida por Aeropuerto",
x = "Precipitacion",
y = "Retraso en la Salida (minutos)") +
scale_color_brewer(type = 'qual', palette = 'Set1')## `geom_smooth()` using formula = 'y ~ x'## Warning: Removed 9783 rows containing non-finite outside the scale range
## (`stat_smooth()`).## Warning: Removed 9783 rows containing missing values or values outside the scale range
## (`geom_point()`).
df_retrasos_precip <- bdgrande4 %>% group_by(precip) %>% summarize(total_vuelos = n(),total_retrasos = sum(dep_delay > 0,na.rm = TRUE),porcentaje_retrasos = (total_retrasos/ total_vuelos)*100, porcentaje_puntuales = 100-porcentaje_retrasos,media_retrasos = mean(dep_delay, na.rm = TRUE))
df_retrasos_precip## # A tibble: 56 × 6
## precip total_vuelos total_retrasos porcentaje_retrasos porcentaje_puntuales
## <dbl> <int> <int> <dbl> <dbl>
## 1 0 312218 115567 37.0 63.0
## 2 0.01 5467 2861 52.3 47.7
## 3 0.02 4317 2120 49.1 50.9
## 4 0.03 2835 1558 55.0 45.0
## 5 0.04 1643 898 54.7 45.3
## 6 0.05 1303 663 50.9 49.1
## 7 0.06 1182 561 47.5 52.5
## 8 0.07 801 396 49.4 50.6
## 9 0.08 602 305 50.7 49.3
## 10 0.09 405 224 55.3 44.7
## # ℹ 46 more rows
## # ℹ 1 more variable: media_retrasos <dbl>Conclusiones
El porcentaje de vuelos con retraso en los aeropuertos de Nueva York es alto y podría estar representando problemas para cada aeropuerto. En los aeropuertos existen procedimientos y estándares de seguridad elevados, que incluyen revisiones a las personas que abordarán el vuelo y revisiones sobre las condiciones del avión, así mismos factores externos al aeropuerto como las condiciones climáticas pueden comprometer la seguridad de los pasajeros y pilotos. Por ende, un aeropuerto es altamente susceptible a los retrasos. Al analizar el porcentaje de vuelos que presentaron tiempo de retraso, se detectó que el 38.13% de los vuelos presentaron un retraso, esto equivale a 128,432 vuelos, los cuáles en promedio salieron con 12.6 minutos de demora.
Entre más vuelos se realicen dentro de un aeropuerto, mayor será la cantidad de retrasos presentada. La infraestructura de los aeropuertos es limitada, cada aeropuerto cuenta con un cierto de número de terminales y autopistas, entre mayor sea la demanda por los vuelos, se vuelve más complicado poder atender y administrar de manera eficiente los aeropuertos, generando como consecuencia el aumento en los retrasos. Para demostrar este punto se agruparon los retrasos por aeropuerto y se descubrió que el aeropuerto que más vuelos realizo en el año (JKF) fue el que mayor cantidad, porcentaje y media de retrasos presento, con un porcentaje del 43.6% de vuelos con retrasos y una media de 15 minutos por retraso, en comparación con un 32.2% y una media de 10 minutos en el aeropuerto menos concurrido (LGA).
Los periodos vacacionales tienen un efecto considerable en la cantidad de retrasos en los aeropuertos. Durante el periodo vacacional se cuenta con mayor facilidad para vacacionar y/o visitar a familiares, por ende, el aumento de la demanda por vuelos puede causar problemas en la organización de los aeropuertos que como consecuencia lleve a un mayor nivel de retrasos. Al observar todos los vuelos provenientes de los aeropuertos de Nueva York con un retraso mayor a un minuto se descubrió que durante los meses de junio, julio y diciembre se presentaron la mayor cantidad de retrasos, estos meses se caracterizaron por ser los únicos en todo el año donde el porcentaje de retrasos fue mayor al 40% con porcentajes de 44.8%, 47.3% y 48.2% respectivamente.
Los días festivos o días cercanos a un evento importante tienen un impacto en la cantidad de retrasos en los aeropuertos. Tomando en cuenta el mismo razonamiento aplicado en el punto anterior. Se descubrió al analizar estos días que los tres días con más retrasos están vinculados o cercanos a un día importante. El 23 de diciembre coincide con ser el día anterior a Nochebuena, el 8 de marzo es el día internacional de la mujer, mientras que el 1 de septiembre está a un día antes del día del trabajo en Estados Unidos, el cuál siempre sucede el lunes, es posible que las familias aprovechen para salir de vacaciones durante el fin de semana previo al día del trabajo. Observando los 10 días más concurridos del año se encontró un porcentaje mayor al 60% en todos los días con medias superiores a los 30 días, demostrando que el aumento repentino de la demanda representa un reto importante dentro de los aeropuertos.
Los días de la semana no tienen un impacto significativo en el aumento de los retrasos. Los usuarios de un aeropuerto cuentan con necesidades distintas, como trabajo, visitas familiares, viajes, entre otros, por ende, la demanda por los vuelos se determina en mayor medida en función con el mes, o bien algún día festivo o evento. Al analizar los retrasos por día de la semana se observó que el porcentaje de retrasos se encuentra en un rango de 34.1% los sábados a 41.8% los jueves, con una variación de 7.7% entre el valor más bajo y alto, si bien podría decirse que los retrasos aumentan dependiendo del día, el aumento no es tan grande en comparación a otras variables.
La cantidad de retrasos en la salida de vuelos ocurre durante la tarde. Los aeropuertos presentan su periodo de mayor actividad durante la tarde por lo cual se esperaría que los retrasos de los vuelos aumentaran conforme avanzara la tarde. Utilizando un gráfico de barras se detectó que la cantidad de vuelos retrasados si aumenta durante el transcurso del día y alcanza su punto máximo a las 5 de la tarde. Sin embargo, al revisar la cantidad de minutos que los vuelos se retrasan por hora se descubrió que el tiempo de retraso es similar independientemente de la hora.
Los vuelos tienden a retrasarse con mayor frecuencia conforme avanza el día. Como se describe en el punto anterior el aumento en la actividad del aeropuerto a partir de la tarde es responsable de generar retrasos, sin embargo, al observar el porcentaje de vuelos retrasados, se descubrió que los problemas con los retrasos empiezan desde la mañana, puesto que a las 6AM el porcentaje de retrasos es mayor al 20%, lo cual incrementa a 30% a partir de las 12PM y supera el 40% 1 hora después, esto representa un aumento de 20% en solo 6 horas.
A través de un modelo de regresión lineal, encontramos que la visibilidad y la precipitación tienen un impacto considerable en los tiempos de retraso. Esto puede deberse a que la aparición de condiciones climáticas desfavorables puede suponer un riesgo en la seguridad de los pasajeros. Específicamente, la precipitación está fuertemente asociada con aumentos significativos en los retrasos e inclusive cancelaciones de los vuelos demostrado por la cantidad de vuelos registrados una vez que la precipitación es mayor a 1 milibar, mientras que una mayor visibilidad tiende a reducir los tiempos de retraso.
Mediante el análisis de la información de los vuelos de Nueva York se podrían realizar acciones enfocadas a la prevención de los retrasos, por ejemplo, conociendo los días y meses más concurridos se podría realizar un plan para controlar el incremento repentino en la cantidad de personas en los aeropuertos. Por otro lado, mediante el uso de los datos del clima se puede realizar pronósticos o detectar la tendencia de la aparición de condiciones climáticas como precipitación como forma de anticiparse al riesgo de retrasos o cancelación de vuelos.
Compromiso ético y ciudadano
Reflexión (Camila Cevallos) La integridad es un valor fundamental en cualquier ámbito de la vida, y es especialmente crucial en el mundo de los negocios y el análisis de datos. La integridad implica ser honesto, justo, y mantener un conjunto coherente de principios éticos en todas nuestras acciones.
Reflexión (Antonio Díaz) Para mi, la integridad se trata de ser honesto y actuar de acuerdo a nuestros principios. Inclusive si nadie nos está viendo. Es muy importante ya que está ligada a nuestra autoestima y a nuestra confianza, ya que en lo personal nos enseña a asumir responsabilidad por nuestras acciones y al tomar decisiones. Además, esta promueve la armonía social y ayuda a construir relaciones de buenos valores. Cabe recalcar que fomentar la integridad es clave para criar a individuos que tomen decisiones positivas y sepan enfrentar las presiones sociales.
Reflexión (Luis Dávila) Desde mi punto de vista la integridad representa hacer las cosas de la forma correcta, siempre siendo honesto y procurando no actuar de una manera que afecte negativamente a otros. Tener datos de una empresa implica actuar con responsabilidad y precaución, dejando a un lado las consecuencias legales y problemas en los que podría incurrir como profesional al hacer mal uso de los datos. Mi integridad como persona y como profesional va a depender de las acciones que tome dentro de un ambiente laboral.
Referencias
La Ciencia de la Integridad. (2021). Naciones Unidas : Oficina de Las Naciones Unidas Contra La Droga Y El Delito. https://www.unodc.org/unodc/es/listen-first/super-skills/integrity.html
Package “nycflights13” Title Flights that Departed NYC in 2013. (2019). https://cran.r-project.org/web/packages/nycflights13/nycflights13.pdf
Integridad - Ethics Unwrapped. (2022). Ethics Unwrapped. https://ethicsunwrapped.utexas.edu/glossary/integridad?lang=es
---
title: "Evidencia"
author: "Antonio Díaz A00837259"
date: "2024-03-10"
output: 
  html_document:
    toc: TRUE
    toc_float: TRUE
    code_download: TRUE
    theme: readable
---

![](/Users/antoniodiaz/Desktop/Manipulación Datos/pngtree-airplane-flight-air-transport-png-image_9135486.png)

# <span style ="color: blue;">Contexto</span>
El paquete **nycflights13** contiene información sobre todos los vuelos que partieron desde Nueva York (EWR, JFK Y LGA) a destinos en los Estados Unidos en 2013. Fueron 336,776 vuelos en total. Para ayudar a comprender las causas de los retrasos, también incluye otros conjuntos de datos útiles.  

Este paquete incluye las siguientes tablas: 

* flights = todos los vuelos que salieron de New York en 2013    
* weather = datos metereológicos por hora de cada aeropuerto  
* planes= información de construcción de cada avión  
* airports = nombres y ubicaciones 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: blue;">Instalar paquetes y llamar librerías</span>
```{r message=FALSE, warning=FALSE}
# install.packages("nycflights13")
library(nycflights13)
# install.packages("tidyverse")
library(tidyverse)
# install.packages("dplyr")
library(dplyr)
# install.packages(ggplot2)
library(ggplot2)
```

# <span style ="color: blue;">Parte 1. Exploración de datos</span>

## <span style ="color: blue;">Cargar bases de datos</span>
```{r}
airports <- airports
flights <- flights
weather <- weather
planes <- planes
airlines <- airlines
```

## <span style ="color: blue;">*DataFrame* "*airports*"</span>

```{r}
# Mostrar contenido
airports
```

```{r}
# Ver la estructura 
str(airports)
```

```{r}
# Consultar clase de objeto
class(airports)
```

```{r}
# Observar el tamaño del data frame
ncol(airports)
nrow(airports)
dim(airports)
```

```{r}
# Mostrar primeros y últimos renglones
head(airports)
tail(airports)
```

```{r}
# Estadísticos descriptivos
summary(airports)
```

*airports*: 

* faa(character) = Código del aeropuerto
* name(character) = Nombre del aeropuerto
* lat(numeric) = Latitud
* lon(numeric) = Longitud
* alt(numeric) = Altitud
* tz(numeric) = Diferencia de zona horaria con GMT
* dst(character) = Horario de verano
* tzone(character) = Zona horaria

## <span style ="color: blue;">*DataFrame* "*flights*"</span>

```{r}
# Mostrar contenido
flights
```

```{r}
# Ver la estructura 
str(flights)
```

```{r}
# Consultar clase de objeto
class(flights)
```

```{r}
# Observar el tamaño del data frame
ncol(flights)
nrow(flights)
dim(flights)
```

```{r}
# Mostrar primeros y últimos renglones
head(flights)
tail(flights)
```

```{r}
# Estadísticos descriptivos
summary(flights)
```

*flights*: 

* year(integer) = Año
* month(integer) = Mes
* day(integer) = Día
* dep_time(integer) = Tiempo de partida
* sched_dep_time(integer) = Tiempo de salida programado
* dep_delay(numeric) = Retraso en salida (minutos)
* arr_time(integer) = Tiempo de llegada
* sched_arr_time(integer) = Tiempo de llegada programado
* arr_delay(numeric) = Retraso en salida (minutos)
* carrier(character) = Aerolínea
* flight(integer) = Número del vuelo
* tailnum(character) = Número de avión
* origin(character) = Origen 
* dest(character) = Destino
* air_time(numeric) = Tiempo total en el aire (minutos)
* distance(numeric) = Distancia entre aeropuertos (millas)
* hour(numeric) = Hora programada de salida
* minute(numeric) = Minuto programado de salida
* time_hour(POSIXct) = Fecha y hora del vuelo

## <span style ="color: blue;">*DataFrame* "*weather*"</span>

```{r}
# Mostrar contenido
weather
```

```{r}
# Ver la estructura 
str(weather)
```

```{r}
# Consultar clase de objeto
class(weather)
```

```{r}
# Observar el tamaño del data frame
ncol(weather)
nrow(weather)
dim(weather)
```

```{r}
# Mostrar primeros y últimos renglones
head(weather)
tail(weather)
```

```{r}
# Estadísticos descriptivos
summary(weather)
```

*weather*: 

* origin(character) = Origen 
* year(integer) = Año
* month(integer) = Mes
* day(integer) = Día
* hour(numeric) = Hora
* temp(numeric) = Temperatura (°F)
* dewp(numeric) = Punto de rocío (°F)
* humid(numeric) = Humedad relativa
* wind_dir(numeric) = Dirección del viento (°)
* wind_speed(numeric) = Velocidad del viento (mph)
* wind_gust(numeric) = Ráfaga de viento (mph)
* precip(numeric) = Precipitación (pulgadas)
* pressure(numeric) = Presión al nivel del mar (milibares)
* visib(numeric) = Visibilidad (millas)
* time_hour(POSIXct) = Fecha y Hora

## <span style ="color: blue;">*DataFrame* "*planes*"</span>

```{r}
# Mostrar contenido
planes
```

```{r}
# Ver la estructura 
str(planes)
```

```{r}
# Consultar clase de objeto
class(planes)
```

```{r}
# Observar el tamaño del data frame
ncol(planes)
nrow(planes)
dim(planes)
```

```{r}
# Mostrar primeros y últimos renglones
head(planes)
tail(planes)
```

```{r}
# Estadísticos descriptivos
summary(planes)
```

*planes*: 

* tailnum(character) = Número de avión
* year(integer) = Año de fabricación
* type(character) = Tipo de avión
* manufacturer(character) = Fabricante
* model(character) = Modelo
* engines(integer) = Número de motores
* seats(integer) = Número de asientos
* speed(integer) = Velocidad Promedio (mph)
* engine(character) = Tipo de motor 

## <span style ="color: blue;">*DataFrame* "*airlines*"</span>

```{r}
# Mostrar contenido
airlines
```

```{r}
# Ver la estructura 
str(airlines)
```

```{r}
# Consultar clase de objeto
class(airlines)
```

```{r}
# Observar el tamaño del data frame
ncol(airlines)
nrow(airlines)
dim(airlines)
```

```{r}
# Mostrar primeros y últimos renglones
head(airlines)
tail(airlines)
```

```{r}
# Estadísticos descriptivos
summary(airlines)
```

*airlines*: 

* carrier(character) = Aerolínea
* name(character) = Nombre Completo de aerolínea

# <span style ="color: blue;">Parte 2. Manipulación de datos</span>

## <span style ="color: blue;">Relación entre las bases de datos</span>
![](C:\\Users\\Adrián\\Downloads\\relational-nycflights.png)

## <span style ="color: blue;">Combinar bases de datos</span>
```{r}
bdgrande <- merge(flights,airlines, by="carrier")
bdgrande2 <- left_join(bdgrande,planes, by="tailnum")
bdgrande3 <- left_join(bdgrande2,weather, by=c("origin","time_hour"))
```

## <span style ="color: blue;">Estadísticos descriptivos del dataframe combinado</span>
```{r}
summary(bdgrande3)
```


```{r}
# Ver estadísticos descriptivos de la distancia en millas
summary(bdgrande3["distance"])
```
La media de la distancia recorrida en millas es 1040 mi

## <span style ="color: blue;">Aerolíneas han recorrido distancias superiores a la media
```{r}
# Crear nuevo dataframe compuesto de aerolínea, distancia, origen y destino
distancias <- bdgrande3 %>% select(carrier,distance,origin,dest)
# Incluir unicamente aerolíneas que recorrieron una distancia superior a la media
distancias <- filter(distancias,distance > 1040)
# Ordenar por distancia en forma descendente
distancias <- arrange(distancias,desc(distance))
```

## <span style ="color: blue;">Encontrar la suma y media de las distancias recorridas por aerolínea eliminando valores vacios</span>
```{r}
# Distancia total y distancia media por aerolínea
distancias_t <- distancias %>% group_by(carrier,origin)
distancias_t <- distancias_t %>% summarize(suma_distancia = sum(distance,na.rm = TRUE),media_distancia = mean(distance,na.rm = TRUE))
arrange(distancias_t,desc(suma_distancia))
```
## <span style ="color: blue;">Interpretaciones</span>
Las aerolíneas que cuentan con la mayor cantidad de distancia recorrida en vuelos son “UA”, “B6”, y “DL”. Mientras que “UA” proviene del aeropuerto “EWR” las otras dos aerolíneas provienen del aeropuerto “DL”. Pese a no ser las aerolíneas con los mayores promedios de distancia. La cantidad de vuelos que realizaron en 2013 puede ser la razón detrás de su alta cantidad de distancia.

Las aerolíneas con mayor promedio de distancia por vuelo son las “HA” y “VX”. “HA” únicamente realiza vuelos a un solo destino. Al analizar la media de distancia recorrida la aerolínea cuenta con una media sin decimales. Lo cuál al observar la base datos muestra que dicha aerolínea solo tiene una ruta con destino a “HNL”

## <span style ="color: blue;">Aerolíneas líder por aeropuerto</span>
```{r}
distancias_jfk <- distancias_t %>% filter(origin == "JFK")
distancias_jfk <- distancias_jfk %>% arrange(desc(suma_distancia))
distancias_lga <- distancias_t %>% filter(origin == "LGA")
distancias_lga <- distancias_lga %>% arrange(desc(suma_distancia))
distancias_ewr <- distancias_t %>% filter(origin == "EWR")
distancias_ewr <- distancias_ewr %>% arrange(desc(suma_distancia))
distancias_jfk
distancias_lga
distancias_ewr
```

## <span style ="color: blue;">Conclusiones</span>
Al analizar las distancias totales y promedio de las aerolíneas por aeropuerto en Nueva York destaca la aerolínea "AA", la cual en los tres aeropuertos es una de las primeras tres en cuanto a la cantidad de distancia recorrida, es la única aerolínea que cuenta con una posición de liderazgo en todos los aeropuertos de Nueva York, otras aerolíneas como "DL" y "UA", destacan en cuanto a distancia recorrida pero unicamente en dos de los tres aeropuertos.

Las aerolíneas que cuentan con promedios de distancias más altos, y por ende realizan vuelos de mayor duración como "HA" tienen la característica de solo operar en uno o dos aeropuertos como máximo.

# <span style ="color: blue;">Parte 3. Modelo Entidad Relación</span>

## <span style ="color: blue;">Origen,destino y aerolínea por vuelo</span>
```{r}
# Conocer aerolínea, origen y destino por vuelo
aerolinea <- bdgrande3 %>% select(flight,carrier,origin,dest)
# Agregar nombre de aerolínea
aerolinea <- bdgrande3 %>% select(flight,carrier,name,origin,dest)
```

## <span style ="color: blue;">Destinos más buscados</span>
```{r}
# Conocer los destinos más buscados
destinos <- bdgrande3 %>% select(carrier,dest)
destinos_c <- destinos %>% count(dest)
destinos_c <- arrange(destinos_c,desc(n))
destinos_c

# Conocer los destinos más buscados por aerolínea
destinos_a <- destinos %>% count(dest,carrier)
destinos_a <- arrange(destinos_a,desc(n))
destinos_a
```

## <span style ="color: blue;">Destinos más buscados con nombre de aerolínea</span>
```{r}
destinos_aerolinea <- destinos_a %>% left_join(airlines,by="carrier")
destinos_aerolinea
```

## <span style ="color: blue;">Vuelos divididos en horarios de salida</span>
```{r}
# Dividir en horarios de salida
horarios <- bdgrande3 %>%
  select(carrier, name, dest, sched_dep_time) %>%
  mutate(clas_horario = ifelse(sched_dep_time %in% 0:559, "Madrugada",
                        ifelse(sched_dep_time %in% 600:1159, "Mañana",
                        ifelse(sched_dep_time %in% 1200:1859, "Tarde",
                        ifelse(sched_dep_time %in% 1900:2400, "Noche",NA)))))
```

## <span style ="color: blue;">Cantidad de vuelos por tiempo del día</span>
```{r}
# Conocer la cantidad de vuelo por tiempo del día
horarios_c <- horarios %>% count(carrier,dest,clas_horario)
arrange(horarios_c,desc(n))
```

## <span style ="color: blue;">Destinos a los que vuela la aerolínea American Airlines Inc. durante la madrugada</span>
```{r}
madrugada_aa <- filter(horarios,clas_horario == "Madrugada" & carrier == "AA")
madrugada_aa <- madrugada_aa %>% group_by(dest)
madrugada_aa
```

## <span style ="color: blue;">Aviones utilizados por American Airlines Inc.</span>
```{r}
aviones_aa <- filter(bdgrande3,carrier=="AA",!is.na(type))
aviones_aa <- select(aviones_aa,carrier,type,engine,seats)
aviones_aa <- group_by(aviones_aa,carrier,type,engine,seats)
count(aviones_aa)
```


## <span style ="color: blue;">Conclusiones</span>
* Los destinos más buscados en los aeropuertos de Nueva York son Chicago, Los Ángeles y Atlanta. Las aerolíneas que ofrecen vuelos hacia los destinos más populares coinciden con aquellas que tienen un puesto de liderazgo dentro de los aeropuertos de Nueva York. Al analizar las aerolíneas que frecuentan estos destinos, aerolíneas líderes como “AA” y “DL”. Son las aerolíneas que realizan la mayor cantidad de vuelos en los tres destinos más populares, lo cuál puede estar directamente relacionado con su éxito.

* Los periodos de tiempo en los que se presenta mayor actividad en el aeropuerto son la mañana y la tarde. Por cuestiones de comodidad o de tiempo resulta más fácil para las personas tomar un vuelo durante el día que en la noche. Esto se puede observar al analizar la frecuencia de vuelo por periodo del día donde los vuelos que se realizaron con mayor frecuencia por las aerolíneas ocurren durante ese periodo de tiempo, mientras que la cantidad de vuelos realizados durante la noche o madrugada es menor.

* En el caso de la aerolínea “American Airlines” al revisar sus aviones, predomina la presencia de aviones de tamaño grande, con una capacidad de 172 asientos y de 255 en su modelo de avión mas utilizado. Esto puede ser debido a su posición de liderazgo dentro de los aeropuertos de Nueva York.

# <span style ="color: blue;">Parte 4. Visualización de datos</span>

## <span style ="color: blue;">Análisis del retraso de partida y llegada en vuelos de "American Airlines Inc."</span>
```{r}
aa_vuelos_retrasos <- flights %>%
  filter(carrier == "AA") %>%
  select(dep_delay, arr_delay) 

ggplot(aa_vuelos_retrasos, aes(x = dep_delay, y = arr_delay, color=arr_delay)) +
  geom_point(alpha = 0.3) +
  labs(x = "Retraso en la Salida (minutos)", y = "Retraso en la Llegada (minutos)",
       title = "Relación entre los Retrasos de Salida y Llegada de American Airlines") 
```

## <span style ="color: blue;">Tendencia de la temperatura</span>
```{r}
temp_enero <- filter(bdgrande3,origin=="EWR")
temp_enero <- select(temp_enero,time_hour,temp)
temp_enero <- na.omit(temp_enero)

temp_enero <- subset(temp_enero, time_hour >= as.POSIXct("2013-01-01 00:00") & time_hour < as.POSIXct("2013-01-14 23:59"))

temp_enero$date <- as.Date(temp_enero$time_hour)
temp_enero <- temp_enero %>% group_by(date) %>% summarize(temp = mean(temp))

ggplot(temp_enero,aes(x=date,y=temp)) + geom_line() + geom_point() + labs(x="Fecha",y="Temperatura",title="Temperatura (°F) en los primeros 15 días de Enero en aeropuerto EWR") 
```

## <span style ="color: blue;">Frecuencia de Temperatura</span>
```{r}
temp_enero15 <- filter(bdgrande3,month.x==1,day.x<=15)
ggplot(temp_enero15,aes(x=temp)) + geom_histogram(color=1,bins=15) + labs(x="Temperatura (°F)",y="Frecuencia",title="Temperatura por mes") 
```

## <span style ="color: blue;">Variación mensual de temperatura</span>
```{r}
ggplot(bdgrande3,aes(x=temp)) + geom_histogram(color=1,bins=10) + facet_wrap(.~month.x) + labs(x="Temperatura",y="Frecuencia",title="Frecuencia de temperaturas por mes") 
```

## <span style ="color: blue;">Número de vuelos por aerolínea (Gráfica de barras)</span>
```{r}
vuelos_a <- bdgrande3 %>% group_by(carrier) %>% count(carrier)
vuelos_a <- arrange(vuelos_a,desc(n)) %>% head(10)

ggplot(vuelos_a,aes(x=reorder(carrier,-n),y=n,fill=carrier)) + geom_bar(stat="identity") + labs(x="Aerolínea",y="Vuelos",title="Top 10 aerolíneas con más vuelos") 
```

## <span style ="color: blue;">Número de vuelos por aerolínea (Pie)</span>
```{r}
ggplot(vuelos_a,aes(x="",y=n,fill=carrier)) + geom_col(color="black") + coord_polar(theta="y") + theme_void()
```

## <span style ="color: blue;">Relacionar data frame "flights" con data frame airports</span>
```{r}
airports <- rename(airports,"origin"="faa")
bdgrande4 <- left_join(bdgrande3,airports,by="origin")
```

## <span style ="color: blue;">Cantidad de vuelos por aerolínea</span>
```{r}
vuelosaeropuerto <- group_by(bdgrande4,name.y)
ggplot(vuelosaeropuerto,aes(x=carrier,fill=name.y)) + geom_bar()
```

```{r}
ggplot(vuelosaeropuerto,aes(x=carrier,fill=name.y)) + geom_bar(position = position_dodge())
```

```{r}
ggplot(vuelosaeropuerto,aes(x=carrier,fill=name.y)) + geom_bar() + facet_grid(name.y ~.)
```

## <span style ="color: blue;">Conclusiones</span>

* Los retrasos en la salida de los vuelos implican que estos también presentaran retraso en su llegada. Los aeropuertos cuentan con protocolos de seguridad y estándares estrictos, además de limites que varían por modelo de avión en cuanto a la velocidad máxima que pueden alcanzar, por ende, es poco probable que un avión no llegue con retraso y salió tarde. Al realizar un gráfico de dispersión se puede observar que hay una correlación fuerte entre el tiempo de retraso y el tiempo de salida, sugiriendo que el tiempo de retraso no se puede recuperar con facilidad en el vuelo.

* La temperatura suele incrementar a partir de enero, conforme se acerca la primavera se espera que temperatura sea más alta con mayor frecuencia. Al colocar los 12 meses del año en un histograma, es posible observar que diciembre suele ser el mes más frio en los aeropuertos de Nueva York y que a partir de enero la temperatura promedio suele incrementar.
 
* En cuanto a la distribución de los vuelos en los diferentes aeropuertos de Nueva York, las aerolíneas tienden a concentrar la mayor parte de sus recursos a un solo aeropuerto, aún cuando esta opere en más de uno. Enfocarse en un aeropuerto puede facilitar la organización y eficiencia de la operación de una aerolínea, además que la demanda por los vuelos puede ser distinta dependiendo del aeropuerto. Mediante el histograma se puede observar como aerolíneas como “American Airlines”  y “United Airlines” y “ExpressJet Airlines” realizan más de la mitad de su total de vuelos en un solo aeropuerto.


# <span style ="color: blue;">Parte 5. ¿Por qué los vuelos se retrasan?</span>

## <span style ="color: blue;">Contexto</span>
En el entorno del transporte aéreo, los retrasos en los vuelos representan un problema significativo tanto para las aerolíneas como para los pasajeros, llevando a inconvenientes operacionales y costos económicos elevados. Comprender las causas de estos retrasos es fundamental para mejorar la eficiencia de las operaciones aéreas y la satisfacción del cliente. Mediante un modelo de regresión lineal se determinaran las variables con mayor relación al aumento en el tiempo de retraso , para de esta forma determinar las principales causas por las cuales los vuelos se retrasan.

## <span style ="color: blue;">Modelo de regresión</span>

```{r}
regresion <- lm(dep_delay ~ carrier+month.x+day.x+dep_time+origin+dest+ air_time+distance+hour.x+year.y+type+engine+temp+dewp+humid+wind_dir+precip+pressure+visib,data=bdgrande4)
summary(regresion)
```

## <span style ="color: blue;">Modelo de regresión ajustado</span>
```{r}
regresion_ajustada <- lm(dep_delay ~ month.x+day.x+dep_time+hour.x+year.y+humid+precip+pressure+visib,data=bdgrande4)
summary(regresion_ajustada)
```

## <span style ="color: blue;">Porcentaje de retrasos totales</span>
```{r}
df_retrasos <- bdgrande4 %>% summarize(total_vuelos = n(),total_retrasos = sum(dep_delay > 0,na.rm = TRUE),porcentaje_retrasos = (total_retrasos/ total_vuelos)*100, porcentaje_puntuales = 100-porcentaje_retrasos,media_retrasos = mean(dep_delay, na.rm = TRUE))
df_retrasos
```
## <span style ="color: blue;">Aeropuertos</span>   

### <span style ="color: blue;">Retrasos por aeropuerto</span>
```{r}
df_retrasos_aeropuerto <- bdgrande4 %>% group_by(origin) %>% summarize(total_vuelos = n(),total_retrasos = sum(dep_delay > 0,na.rm = TRUE),porcentaje_retrasos = (total_retrasos/ total_vuelos)*100, porcentaje_puntuales = 100-porcentaje_retrasos,media_retrasos = mean(dep_delay, na.rm = TRUE))
df_retrasos_aeropuerto
```
```{r}
ggplot(df_retrasos_aeropuerto,aes(x=reorder(origin,-porcentaje_retrasos),y=porcentaje_retrasos,fill=origin)) + geom_bar(stat="identity") + labs(x="Aeropuerto",y="Retrasos (%)",title="Porcentaje de retrasos por aeropuerto") + geom_text(aes(label = paste(round(porcentaje_retrasos, 1), "%"), y = porcentaje_retrasos + 1), vjust = 0.5, color = "black", size = 3.5)
```

```{r}
ggplot(df_retrasos_aeropuerto,aes(x=reorder(origin,-total_vuelos),y=total_vuelos,fill=origin)) + geom_bar(stat="identity") + labs(x="Aeropuerto",y="Vuelos",title="Total de vuelos por aeropuerto") 
```

## <span style ="color: blue;">Retrasos por mes</span>
```{r}
df_retrasos_mes <- bdgrande4 %>% group_by(month.x) %>% summarize(total_vuelos = n(),total_retrasos = sum(dep_delay > 0,na.rm = TRUE),porcentaje_retrasos = (total_retrasos/ total_vuelos)*100, porcentaje_puntuales = 100-porcentaje_retrasos,media_retrasos = mean(dep_delay, na.rm = TRUE))
df_retrasos_mes
```
```{r}
ggplot(df_retrasos_mes,aes(x=factor(month.x),y=porcentaje_retrasos))+geom_bar(color=1,stat="identity") +  labs(title = "Retrasos por mes",
       x = "Mes",
       y = "Vuelos retrasados (%)")
```


```{r}
retrasos <- filter(bdgrande4,dep_delay > 0)
ggplot(retrasos,aes(x=factor(month.x)))+geom_bar(color=1) +  labs(title = "Cantidad de retrasos por mes",
       x = "Mes",
       y = "Cantidad de vuelos retrasados")
```

## <span style ="color: blue;">Días</span>
  
### <span style ="color: blue;">Retrasos por día</span>
```{r message=FALSE, warning=FALSE}
df_retrasos_dia <- bdgrande4 %>% group_by(month.x,day.x) %>% summarize(total_vuelos = n(),total_retrasos = sum(dep_delay > 0,na.rm = TRUE),porcentaje_retrasos = (total_retrasos/ total_vuelos)*100, porcentaje_puntuales = 100-porcentaje_retrasos,media_retrasos = mean(dep_delay, na.rm = TRUE))
df_retrasos_dia <- df_retrasos_dia %>% arrange(desc(porcentaje_retrasos)) %>% head(10)
df_retrasos_dia

ggplot(df_retrasos_dia, aes(x = reorder(paste(month.x,"/",day.x), -porcentaje_retrasos), y = porcentaje_retrasos, fill = factor(day.x))) +
  geom_bar(stat = "identity") + labs(x="Mes/Día",y="Retrasos (%)",title="Top 10 días con mayor porcentaje de retrasos") 

retrasosdia <- retrasos %>% group_by(day.x,month.x) %>% summarise(retrasosd = n()) %>% arrange(desc(retrasosd), desc(day.x)) %>% head(10)

ggplot(retrasosdia, aes(x = reorder(paste(month.x,"/",day.x), -retrasosd), y = retrasosd, fill = factor(day.x))) +
  geom_bar(stat = "identity") + labs(x="Mes/Día",y="Cantidad de Retrasos",title="Top 10 días con más retrasos") 
```
  
### <span style ="color:blue;">Retrasos por día de la semana</span>
```{r}
flights$wday <- wday(flights$time_hour, label = TRUE)
df_retrasos_diasemana <- flights %>% group_by(wday) %>% summarize(total_vuelos = n(),total_retrasos = sum(dep_delay > 0,na.rm = TRUE),porcentaje_retrasos = (total_retrasos/ total_vuelos)*100, porcentaje_puntuales = 100-porcentaje_retrasos,media_retrasos = mean(dep_delay, na.rm = TRUE))
df_retrasos_diasemana

ggplot(df_retrasos_diasemana, aes(x = wday, y = porcentaje_retrasos,fill=wday)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = round(porcentaje_retrasos, 1)), vjust = -0.5, color = "black") +
  labs(x = "Día de la Semana", y = "Retrasos (%)", title = "Porcentaje de Retraso Promedio de Salida por Día de la Semana")
```
```{r}
ggplot(df_retrasos_diasemana, aes(x = wday, y = total_retrasos,fill=wday)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = round(total_retrasos, 1)), vjust = -0.5, color = "black") +
  labs(x = "Día de la Semana", y = "Cantidad de Retrasos", title = "Cantidad de Retrasos de Salida por Día de la Semana")
```
  
## <span style ="color: blue;">Hora</span>
  
### <span style ="color: blue;">Retrasos por hora</span>
```{r}
df_retrasos_hora <- bdgrande4 %>% group_by(hour.x) %>% summarize(total_vuelos = n(),total_retrasos = sum(dep_delay > 0,na.rm = TRUE),porcentaje_retrasos = (total_retrasos/ total_vuelos)*100, porcentaje_puntuales = 100-porcentaje_retrasos,media_retrasos = mean(dep_delay, na.rm = TRUE))
df_retrasos_hora
```
```{r}
ggplot(df_retrasos_hora,aes(x=factor(hour.x),y=porcentaje_retrasos,fill=hour.x)) + geom_bar(stat="identity") + labs(x="Hora",y="Retrasos(%)",title="Porcentaje de retrasos por hora") 
```


```{r}
retrasosh <- retrasos %>% group_by(hour.x)
ggplot(retrasosh,aes(x=factor(hour.x),fill=hour.x)) + geom_histogram(stat="count") + labs(x="Hora",y="Cantidad de Retrasos",title="Cantidad de vuelos retrasados por hora") 
```

## <span style ="color: blue;">Relación entre el tiempo de retraso y la hora de salida programada </span>
```{r}
ggplot(bdgrande4, aes(x = factor(hour.x), y = dep_delay)) +
  geom_point() +
  labs(x = "Hora de salida programada", y = "Retraso en la salida", title = "Retraso en la salida por hora del día")
```

## <span style ="color: blue;">Visibilidad</span>
  
### <span style ="color: blue;">Relación entre retrasos y visibilidad </span>
```{r}
ggplot(bdgrande4, aes(x = visib, y = dep_delay)) +
geom_point(aes(color = origin), alpha = 0.5) +
geom_smooth(method = "lm", aes(color = origin), se = FALSE) +
facet_wrap(~ origin) + 
labs(title = "Relación entre Visibilidad y Retrasos en la Salida por Aeropuerto",
       x = "Visibilidad (millas)",
       y = "Retraso en la Salida (minutos)") +
  scale_color_brewer(type = 'qual', palette = 'Set1')
```
```{r}
df_retrasos_visib <- bdgrande4 %>% group_by(visib) %>% summarize(total_vuelos = n(),total_retrasos = sum(dep_delay > 0,na.rm = TRUE),porcentaje_retrasos = (total_retrasos/ total_vuelos)*100, porcentaje_puntuales = 100-porcentaje_retrasos,media_retrasos = mean(dep_delay, na.rm = TRUE))
df_retrasos_visib
```

## <span style ="color: blue;">Precipitación</span>
  
### <span style ="color: blue;">Relación entre retrasos y precipitación</span>
```{r}
ggplot(bdgrande4, aes(x = precip, y = dep_delay)) +
  geom_point(aes(color = origin), alpha = 0.5) +
  geom_smooth(method = "lm", aes(color = origin), se = FALSE) +
  facet_wrap(~ origin) + 
  labs(title = "Relación entre Precipitacion y Retrasos en la Salida por Aeropuerto",
       x = "Precipitacion",
       y = "Retraso en la Salida (minutos)") +
  scale_color_brewer(type = 'qual', palette = 'Set1')
```

```{r}
df_retrasos_precip <- bdgrande4 %>% group_by(precip) %>% summarize(total_vuelos = n(),total_retrasos = sum(dep_delay > 0,na.rm = TRUE),porcentaje_retrasos = (total_retrasos/ total_vuelos)*100, porcentaje_puntuales = 100-porcentaje_retrasos,media_retrasos = mean(dep_delay, na.rm = TRUE))
df_retrasos_precip
```

## <span style ="color: blue;">Conclusiones</span>
* El porcentaje de vuelos con retraso en los aeropuertos de Nueva York es alto y podría estar representando problemas para cada aeropuerto. En los aeropuertos existen procedimientos y estándares de seguridad elevados, que incluyen revisiones a las personas que abordarán el vuelo y revisiones sobre las condiciones del avión, así mismos factores externos al aeropuerto como las condiciones climáticas pueden comprometer la seguridad de los pasajeros y pilotos. Por ende, un aeropuerto es altamente susceptible a los retrasos. Al analizar el porcentaje de vuelos que presentaron tiempo de retraso, se detectó que el 38.13% de los vuelos presentaron un retraso, esto equivale a 128,432 vuelos, los cuáles en promedio salieron con 12.6 minutos de demora.

* Entre más vuelos se realicen dentro de un aeropuerto, mayor será la cantidad de retrasos presentada. La infraestructura de los aeropuertos es limitada, cada aeropuerto cuenta con un cierto de número de terminales y autopistas, entre mayor sea la demanda por los vuelos, se vuelve más complicado poder atender y administrar de manera eficiente los aeropuertos, generando como consecuencia el aumento en los retrasos. Para demostrar este punto se agruparon los retrasos por aeropuerto y se descubrió que el aeropuerto que más vuelos realizo en el año (JKF) fue el que mayor cantidad, porcentaje y media de retrasos presento, con un porcentaje del 43.6% de vuelos con retrasos y una media de 15 minutos por retraso, en comparación con un 32.2% y una media de 10 minutos en el aeropuerto menos concurrido (LGA).

* Los periodos vacacionales tienen un efecto considerable en la cantidad de retrasos en los aeropuertos. Durante el periodo vacacional se cuenta con mayor facilidad para vacacionar y/o visitar a familiares, por ende, el aumento de la demanda por vuelos puede causar problemas en la organización de los aeropuertos que como consecuencia lleve a un mayor nivel de retrasos. Al observar todos los vuelos provenientes de los aeropuertos de Nueva York con un retraso mayor a un minuto se descubrió que durante los meses de junio, julio y diciembre se presentaron la mayor cantidad de retrasos, estos meses se caracterizaron por ser los únicos en todo el año donde el porcentaje de retrasos fue mayor al 40% con porcentajes de 44.8%, 47.3% y 48.2% respectivamente.

* Los días festivos o días cercanos a un evento importante tienen un impacto en la cantidad de retrasos en los aeropuertos. Tomando en cuenta el mismo razonamiento aplicado en el punto anterior. Se descubrió al analizar estos días que los tres días con más retrasos están vinculados o cercanos a un día importante. El 23 de diciembre coincide con ser el día anterior a Nochebuena, el 8 de marzo es el día internacional de la mujer, mientras que el 1 de septiembre está a un día antes del día del trabajo en Estados Unidos, el cuál siempre sucede el lunes, es posible que las familias aprovechen para salir de vacaciones durante el fin de semana previo al día del trabajo. Observando los 10 días más concurridos del año se encontró un porcentaje mayor al 60% en todos los días con medias superiores a los 30 días, demostrando que el aumento repentino de la demanda representa un reto importante dentro de los aeropuertos.

* Los días de la semana no tienen un impacto significativo en el aumento de los retrasos. Los usuarios de un aeropuerto cuentan con necesidades distintas, como trabajo, visitas familiares, viajes, entre otros, por ende, la demanda por los vuelos se determina en mayor medida en función con el mes, o bien algún día festivo o evento. Al analizar los retrasos por día de la semana se observó que el porcentaje de retrasos se encuentra en un rango de 34.1% los sábados a 41.8% los jueves, con una variación de 7.7% entre el valor más bajo y alto, si bien podría decirse que los retrasos aumentan dependiendo del día, el aumento no es tan grande en comparación a otras variables.
 
* La cantidad de retrasos en la salida de vuelos ocurre durante la tarde. Los aeropuertos presentan su periodo de mayor actividad durante la tarde por lo cual se esperaría que los retrasos de los vuelos aumentaran conforme avanzara la tarde. Utilizando un gráfico de barras se detectó que la cantidad de vuelos retrasados si aumenta durante el transcurso del día y alcanza su punto máximo a las 5 de la tarde. Sin embargo, al revisar la cantidad de minutos que los vuelos se retrasan por hora se descubrió que el tiempo de retraso es similar independientemente de la hora.

* Los vuelos tienden a retrasarse con mayor frecuencia conforme avanza el día. Como se describe en el punto anterior el aumento en la actividad del aeropuerto a partir de la tarde es responsable de generar retrasos, sin embargo, al observar el porcentaje de vuelos retrasados, se descubrió que los problemas con los retrasos empiezan desde la mañana, puesto que a las 6AM el porcentaje de retrasos es mayor al 20%, lo cual incrementa a 30% a partir de las 12PM y supera el 40% 1 hora después, esto representa un aumento de 20% en solo 6 horas.

* A través de un modelo de regresión lineal, encontramos que la visibilidad y la precipitación tienen un impacto considerable en los tiempos de retraso. Esto puede deberse a que la aparición de condiciones climáticas desfavorables puede suponer un riesgo en la seguridad de los pasajeros. Específicamente, la precipitación está fuertemente asociada con aumentos significativos en los retrasos e inclusive cancelaciones de los vuelos demostrado por la cantidad de vuelos registrados una vez que la precipitación es mayor a 1 milibar, mientras que una mayor visibilidad tiende a reducir los tiempos de retraso.

Mediante el análisis de la información de los vuelos de Nueva York se podrían realizar acciones enfocadas a la prevención de los retrasos, por ejemplo, conociendo los días y meses más concurridos se podría realizar un plan para controlar el incremento repentino en la cantidad de personas en los aeropuertos. Por otro lado, mediante el uso de los datos del clima se puede realizar pronósticos o detectar la tendencia de la aparición de condiciones climáticas como precipitación como forma de anticiparse al riesgo de retrasos o cancelación de vuelos. 

## <span style ="color: blue;">Compromiso ético y ciudadano</span>
Reflexión (Camila Cevallos)
La integridad es un valor fundamental en cualquier ámbito de la vida, y es especialmente crucial en el mundo de los negocios y el análisis de datos. La integridad implica ser honesto, justo, y mantener un conjunto coherente de principios éticos en todas nuestras acciones.

Reflexión (Antonio Díaz)
Para mi, la integridad se trata de ser honesto y actuar de acuerdo a nuestros principios. Inclusive si nadie nos está viendo. Es muy importante ya que está ligada a nuestra autoestima y a nuestra confianza, ya que en lo personal nos enseña a asumir responsabilidad por nuestras acciones y al tomar decisiones. Además, esta promueve la armonía social y ayuda a construir relaciones de buenos valores. Cabe recalcar que fomentar la integridad es clave para criar a individuos que tomen decisiones positivas y sepan enfrentar las presiones sociales.

Reflexión (Luis Dávila)
Desde mi punto de vista la integridad representa hacer las cosas de la forma correcta, siempre siendo honesto y procurando no actuar de una manera que afecte negativamente a otros. Tener datos de una empresa implica actuar con responsabilidad y precaución, dejando a un lado las consecuencias legales y problemas en los que podría incurrir como profesional al hacer mal uso de los datos. Mi integridad como persona y como profesional va a depender de las acciones que tome dentro de un ambiente laboral.


## <span style ="color: blue;">Referencias</span>
La Ciencia de la Integridad. (2021). Naciones Unidas : Oficina de Las Naciones Unidas Contra La Droga Y El Delito. https://www.unodc.org/unodc/es/listen-first/super-skills/integrity.html

Package “nycflights13” Title Flights that Departed NYC in 2013. (2019). https://cran.r-project.org/web/packages/nycflights13/nycflights13.pdf

Integridad - Ethics Unwrapped. (2022). Ethics Unwrapped. https://ethicsunwrapped.utexas.edu/glossary/integridad?lang=es









