#Los datos son una submuestra de 500 observaciones de un conjunto de datos que se originan en un estudio donde la contaminación del aire en una carretera está relacionada con el volumen de tráfico y las variables meteorológicas, recopilados por la Administración de Carreteras Públicas de Noruega. La variable de respuesta (columna 1) consiste en valores horarios del logaritmo de la concentración de NO2 (partículas), medida en Alnabru en Oslo, Noruega, entre octubre de 2001 y agosto de 2003. Las variables predictoras (columnas 2 a 8) son el logaritmo del número de automóviles por hora, la temperatura \(2\) metros sobre el suelo (grados C), la velocidad del viento (metros/segundo), la diferencia de temperatura entre \(25\) y \(2\) metros sobre el suelo (grados C), la dirección del viento (grados entre 0 y 360), hora del día y número del día del 1 de octubre de 2001. Presentado por Magne Aldrin

#V1: La variable de respuesta (columna 1) consiste en valores horarios del logaritmo de la concentración de NO2 (partículas), medido en Alnabru en Oslo, Noruega, entre octubre de 2001 y agosto de 200. #V2-V8 Las variables predictoras (columnas 2 a 8) :

#V2 son el logaritmo del número de automóviles por hora, #V3 la temperatura \(2\) metros sobre el suelo (grados C), #V4 la velocidad del viento (metros/segundo), #V5 la diferencia de temperatura entre \(25\) y \(2\) metros sobre el suelo (grados C), #V6 la dirección del viento (grados entre 0 y 360), #V7 hora del día y #V8 número del día del 1 de octubre de 2001

#Vemos el resumen de las 8 variables donde podemos fijarnos por ejemplo, en la V3 de temperatura, donde tenemos un valor mínimo de -18.6ºC y un máximo de 21,1ºC en la carretera a una altura de 2 metros. Después podemos observar el valor del Primer cuartil -3.9ºC (1st Qu. o percentil 25) que muestran los valores inferiores de las temperaturas de la tabla de datos. El segundo cuartil (Median o percentil 50) o valor mediano del conjunto de datos, correspondería al valor 1.1ºC. El tercer cuartil (3rd Qu. o percentil 75) del conjunto de datos corresponde a un valor de un 4.9ºC. La media de los datos (mean) es de una temperatura de unos 0.8474ºC.

#La V1 muestra una concentración mínima de NO2 de 1.224 y máxima de 6.395, teniendo una media de 3.698. #La V2 muestra el logaritmo del número de automóviles por hora, donde vemos un mínimo de 4.127 (siendo unos 13396,76 vehículo si es en base 10, al decir logaritmo omitiendo la base, si es en base 2 tendríamos unos 17,4723 coches/hora, y si es el logaritmo natural o neperiano 61,99) y un valor máximo de 8.349, con una media de 6.973.

#Los datos son una submuestra de 500 observaciones de un conjunto de datos que se originan en un estudio donde la contaminación del aire en una carretera está relacionada con el volumen de tráfico y las variables meteorológicas, recopilados por la Administración de Carreteras Públicas de Noruega. La variable de respuesta (columna 1) consiste en valores horarios del logaritmo de la concentración de NO2 (partículas), medida en Alnabru en Oslo, Noruega, entre octubre de 2001 y agosto de 2003. Las variables predictoras (columnas 2 a 8) son el logaritmo del número de automóviles por hora, la temperatura $2$ metros sobre el suelo (grados C), la velocidad del viento (metros/segundo), la diferencia de temperatura entre $25$ y $2$ metros sobre el suelo (grados C), la dirección del viento (grados entre 0 y 360), hora del día y número del día del 1 de octubre de 2001. Presentado por Magne Aldrin

#V1: La variable de respuesta (columna 1) consiste en valores por hora del logaritmo de la concentración de NO2 (partículas), medido en Alnabru en Oslo, Noruega, entre octubre de 2001 y agosto de 200.
#V2-V8 Las variables predictoras (columnas 2 a 8) :

#V2 son el logaritmo del número de automóviles por hora, 
#V3 la temperatura $2$ metros sobre el suelo (grados C), 
#V4 la velocidad del viento (metros/segundo), 
#V5 la diferencia de temperatura entre $25$ y $2$ metros sobre el suelo (grados C), 
#V6 la dirección del viento (grados entre 0 y 360), 
#V7 hora del día y 
#V8 número del día del 1 de octubre de 2001


#visualizamos el dataset por pantalla
library(readr)
NO2.dat <- read.table(file='C:/Users/NICO/Documents/uoc/RStudio/NO2.dat.txt')
View(NO2.dat)
#primeros registros del dataset
head(NO2.dat)
##        V1      V2   V3  V4   V5    V6 V7  V8
## 1 3.71844 7.69120  9.2 4.8 -0.1  74.4 20 600
## 2 3.10009 7.69894  6.4 3.5 -0.3  56.0 14 196
## 3 3.31419 4.81218 -3.7 0.9 -0.1 281.3  4 513
## 4 4.38826 6.95177 -7.2 1.7  1.2  74.0 23 143
## 5 4.34640 7.51806 -1.3 2.6 -0.1  65.0 11 115
## 6 4.16044 7.67183  2.6 1.6  0.3 224.2 19 527
#resumen estadístico del dataset (cortado)
summary(NO2.dat)
##        V1              V2              V3                 V4       
##  Min.   :1.224   Min.   :4.127   Min.   :-18.6000   Min.   :0.300  
##  1st Qu.:3.214   1st Qu.:6.176   1st Qu.: -3.9000   1st Qu.:1.675  
##  Median :3.848   Median :7.425   Median :  1.1000   Median :2.800  
##  Mean   :3.698   Mean   :6.973   Mean   :  0.8474   Mean   :3.056  
##  3rd Qu.:4.217   3rd Qu.:7.793   3rd Qu.:  4.9000   3rd Qu.:4.200  
##  Max.   :6.395   Max.   :8.349   Max.   : 21.1000   Max.   :9.900  
##        V5                V6              V7              V8       
##  Min.   :-5.4000   Min.   :  2.0   Min.   : 1.00   Min.   : 32.0  
##  1st Qu.:-0.2000   1st Qu.: 72.0   1st Qu.: 6.00   1st Qu.:118.8  
##  Median : 0.0000   Median : 97.0   Median :12.50   Median :212.0  
##  Mean   : 0.1494   Mean   :143.4   Mean   :12.38   Mean   :310.5  
##  3rd Qu.: 0.6000   3rd Qu.:220.0   3rd Qu.:18.00   3rd Qu.:513.0  
##  Max.   : 4.3000   Max.   :359.0   Max.   :24.00   Max.   :608.0
#Vemos el resumen de las 8 variables donde podemos fijarnos por ejemplo, en la V3 de temperatura, donde tenemos un valor mínimo de -18.6ºC y un máximo de 21,1ºC en la carretera a una altura de 2 metros. Después podemos observar el valor del Primer cuartil -3.9ºC (1st Qu. o percentil 25) que muestran los valores inferiores de las temperaturas de la tabla de datos. El segundo cuartil (Median o percentil 50) o valor mediano del conjunto de datos, correspondería al valor 1.1ºC.  El tercer cuartil (3rd Qu. o percentil 75) del conjunto de datos corresponde a un valor de un 4.9ºC. La media de los datos (mean) es de una temperatura de unos  0.8474ºC.

#La V1 muestra una concentración mínima de NO2 de 1.224 y máxima de 6.395, teniendo una media de 3.698.
#La V2 muestra el logaritmo del número de automóviles por hora, donde vemos un mínimo  de 4.127 (siendo unos 13396,76 vehículo si es en base 10, al decir logaritmo omitiendo la base, si es en base 2 tendríamos unos 17,4723 coches/hora, y si es el logaritmo natural o neperiano 61,99) y un valor máximo de 8.349, con una media de 6.973.
#V4 la velocidad del viento (metros/segundo), Vemos un mínimo de 0.3 m/s y un máximo de 9.9 m/s, con una media de unos 3.056 m/s.
#V5 la diferencia de temperatura entre $25$ y $2$ metros sobre el suelo (grados C), que oscila de -5.4ºC y unmáximo de 4.3ºC 
#V6 la dirección del viento (grados entre 0 y 360), que vemos que oscila en toda la circunferencia prácticamente, con unn mínimo de 2º y un máximo de 356º 
#V7 hora del día , que extiende tiempos registrados desde la 1 hasta las 24h (todo el ciclo diario y nocturno)
#V8 número del día del 1 de octubre de 2001, donde tenemos comenzando por el día 32 y el 608 de máximo, por lo que es un a muestra de datos de todas las mediciones.

 #     V1              V2              V3                 V4              V5         
 #Min.   :1.224   Min.   :4.127   Min.   :-18.6000   Min.   :0.300   Min.   :-5.4000  
 #1st Qu.:3.214   1st Qu.:6.176   1st Qu.: -3.9000   1st Qu.:1.675   1st Qu.:-0.2000  
 #Median :3.848   Median :7.425   Median :  1.1000   Median :2.800   Median : 0.0000  
 #Mean   :3.698   Mean   :6.973   Mean   :  0.8474   Mean   :3.056   Mean   : 0.1494  
 #3rd Qu.:4.217   3rd Qu.:7.793   3rd Qu.:  4.9000   3rd Qu.:4.200   3rd Qu.: 0.6000  
 #Max.   :6.395   Max.   :8.349   Max.   : 21.1000   Max.   :9.900   Max.   : 4.3000  
 #     V6              V7              V8       
 #Min.   :  2.0   Min.   : 1.00   Min.   : 32.0  
 #1st Qu.: 72.0   1st Qu.: 6.00   1st Qu.:118.8  
 #Median : 97.0   Median :12.50   Median :212.0  
 #Mean   :143.4   Mean   :12.38   Mean   :310.5  
 #3rd Qu.:220.0   3rd Qu.:18.00   3rd Qu.:513.0  
 #Max.   :359.0   Max.   :24.00   Max.   :608.0  
#Gráfico 1 - dispersión NO2 versus temperatura
#jpeg("boxplot.jpeg")
plot(x=NO2.dat$V1, y=NO2.dat$V3, xlab="Logaritmo NO2", ylab="Temperatuara ºC", xlim=c(1,7), ylim=c(-19,22), 
col=sample(colors(), 7)) #usamos las opciones para las etiquetas de los  ejes, adaptamos sus límites y ponemos colores diferentes para los puntos

#dev.off #cerramos el dispositivo gráfico
#gráfico 2 - NO2 versus desplazamientos de coches
#jpeg("boxplot.jpeg")
plot(density(NO2.dat$V1), main="Densidad de NO2", col="aquamarine") #generamos el gráfico de densidad para ver cómo es la distribución
lines(density(NO2.dat$V2), col="darkred") #generamos un gráfico con las densidades de las dos variables

#dev.off #cerramos el dispositivo gráfico
#grafico 3
#jpeg("boxplot.jpeg")
plot (NO2.dat$V1, col="dark red", xlab="NO2") #gráfico de dispersión de color rojo intenso con etiqueta del eje 

boxplot(NO2.dat$V3, col="tomato", main="Temperatura ºC") #diagrama de caja de color rojo con un título

#dev.off #cerramos el dispositivo gráfico
#grafico 4
jpeg("boxplot.jpeg")
hist(NO2.dat$V2, breaks=20, col="cadetblue3", xlab="Frecuencia Densidad de Desplazamientos")
#histograma con 20 intervalos de clase y color azul 
#dev.off #cerramos el dispositivo gráfico

#Grafico 5 - agrupar gráficos en matriz 2x2 integrar 4 gráficos
#jpeg("boxplot.jpeg")
par(mfrow=c(2,2)) #matriz 2x2
hist(NO2.dat$V2, breaks=20, col="cadetblue3", xlab="Frecuencia Densidad de Desplazamientos") #histograma
plot (NO2.dat$V1, col="dark red", xlab="NO2") #gráfico de dispersión
boxplot(NO2.dat$V3, col="tomato", main="Temperatura ºC") #diagrama de caja
plot (NO2.dat$V4, col="dark red", xlab="Velocidad del viento") #gráfico de dispersión de color rojo oscuro
#dev.off #cerramos el dispositivo gráfico

#Tenemos nu gráfico de dispersión interactivo que comprende una escala de temperatura de -19ºC y 21ºC en el eje y. Vemos como el NO2 se concentra la media en torno los 0ºC de temperatura ( Mean :3.698)

#ggplot
#jpeg("boxplot.jpeg")
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ purrr     1.0.2
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ ggplot2   3.5.0     ✔ tibble    3.2.1
## ✔ lubridate 1.9.3     ✔ tidyr     1.3.0
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
ggplot(data= NO2.dat) + geom_point(aes(x = V1, y = V3)) 

#creamos un primer gráfico añadiendo los datos
#dev.off #cerramos el dispositivo gráfico

#Observamos como se matiene la contaminación constante a lo largo del día, con algunos picos en horas punta como 8, 12, 19 y 21 horas

library (WRS2)
library(psych)
## 
## Attaching package: 'psych'
## The following objects are masked from 'package:ggplot2':
## 
##     %+%, alpha
#jpeg("boxplot.jpeg")
#describeBy(NO2.dat$V1, NO2.dat$V7)
boxplot(NO2.dat$V1 ~ NO2.dat$V7, col=palette.colors())

#dev.off #cerramos el dispositivo gráfico

#Vemos la relación entre la hora del día y la temperatura para comprobar la fluctuación de la temperatura con la hora del día, auqne podemos ver que hay una cierta constancia al ser una zona situada más al Norte

library(tidyverse)
#jpeg("boxplot.jpeg")
ggplot(data = NO2.dat) + geom_point(aes(x = V7, y = V3) )#cada punto se detalla con un tipo de las especialidades

#dev.off #cerramos el dispositivo gráfico
library(knitr)
#:  incorporamos    los datos   en  nuestro entorno (ya realizado anteriormente)
str(NO2.dat)
## 'data.frame':    500 obs. of  8 variables:
##  $ V1: num  3.72 3.1 3.31 4.39 4.35 ...
##  $ V2: num  7.69 7.7 4.81 6.95 7.52 ...
##  $ V3: num  9.2 6.4 -3.7 -7.2 -1.3 2.6 -7.9 -4.1 -12.7 -1.6 ...
##  $ V4: num  4.8 3.5 0.9 1.7 2.6 1.6 1.6 3.8 5.2 3 ...
##  $ V5: num  -0.1 -0.3 -0.1 1.2 -0.1 0.3 0.3 -0.1 -0.1 0.4 ...
##  $ V6: num  74.4 56 281.3 74 65 ...
##  $ V7: int  20 14 4 23 11 19 5 4 12 3 ...
##  $ V8: int  600 196 513 143 115 527 502 453 462 554 ...
#   hacemos un  resumen de  las variables   del conjunto    de  datos.
summary(NO2.dat)
##        V1              V2              V3                 V4       
##  Min.   :1.224   Min.   :4.127   Min.   :-18.6000   Min.   :0.300  
##  1st Qu.:3.214   1st Qu.:6.176   1st Qu.: -3.9000   1st Qu.:1.675  
##  Median :3.848   Median :7.425   Median :  1.1000   Median :2.800  
##  Mean   :3.698   Mean   :6.973   Mean   :  0.8474   Mean   :3.056  
##  3rd Qu.:4.217   3rd Qu.:7.793   3rd Qu.:  4.9000   3rd Qu.:4.200  
##  Max.   :6.395   Max.   :8.349   Max.   : 21.1000   Max.   :9.900  
##        V5                V6              V7              V8       
##  Min.   :-5.4000   Min.   :  2.0   Min.   : 1.00   Min.   : 32.0  
##  1st Qu.:-0.2000   1st Qu.: 72.0   1st Qu.: 6.00   1st Qu.:118.8  
##  Median : 0.0000   Median : 97.0   Median :12.50   Median :212.0  
##  Mean   : 0.1494   Mean   :143.4   Mean   :12.38   Mean   :310.5  
##  3rd Qu.: 0.6000   3rd Qu.:220.0   3rd Qu.:18.00   3rd Qu.:513.0  
##  Max.   : 4.3000   Max.   :359.0   Max.   :24.00   Max.   :608.0
#   miramos las relaciones  que pueda   haber   entre   cada    par de  variables.  Para    ello podemos    representar una matriz  de  diagramas   de  dispersión.
pairs(NO2.dat)

#Vemos  en  el  gráfico una relación    (que    parece  lineal) entre   la  contaminación de NO2    y   la actividad de coches por la carretera (V1 y V2) o La actividad de coches y la hora del día (V2 y V7).

#miramos    el  grado   de  relación    lineal  de  las variables
kable(cor(NO2.dat$V1, NO2.dat$V2))
x
0.5120504
kable(cor(NO2.dat$V2, NO2.dat$V7))
x
0.5768567
#Observamos que el  coeficiente no es   elevado y   no se   acerca  a   1.  Parece  que no  que hay relación    entre   estas   dos relaciones de dos   variables   de  nuestro conjunto    de  datos.

modelreg <- lm(V1 ~ V2, data = NO2.dat) 
summary(modelreg) 
## 
## Call:
## lm(formula = V1 ~ V2, data = NO2.dat)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -2.18822 -0.40071  0.06428  0.40362  2.48472 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  1.23310    0.18755   6.575 1.23e-10 ***
## V2           0.35353    0.02657  13.303  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.6454 on 498 degrees of freedom
## Multiple R-squared:  0.2622, Adjusted R-squared:  0.2607 
## F-statistic:   177 on 1 and 498 DF,  p-value: < 2.2e-16
#En este    resultado   podemos observar    los parámetros  de  la  ecuación    de  la  recta   de  mínimos 
#cuadrados. Estos    vienen dados   por la  columna «Estimate»  del apartado    «Coefficients» y    
#relacionan la  cantidad    de  grasas  en  la  sangre  en  función del peso.   En  este    ejemplo la  #ecuación de    la  recta   de  mínimos cuadrados   es: 
#y=1.23310+0.35353x

#Vemos  en  esta    tabla   que el  coeficiente de  determinación   (mide   el  ajuste  de  la  recta   a   los 
#datos) es  de  0.2622  en  Multiple    R-squared.  
#La desviación  típica  de  los errores es  0.6454  (Residual   standard    error).
#Los    errores típicos de  los estimadores de  los parámetros  β0  y   β1 se   encuentran  en  la  
#columna    «Std.   Error». 
#Sus    valores son 0.18755 y   0.02657  ,  respectivamente.
plot(NO2.dat$V1, NO2.dat$V2, xlab='NO2', ylab='Log coches por hora')
abline(modelreg)

#viendo todos los datos calculados y finalmente el gráfico podemos concluir que no sigue una regresión lineal.
#hacemos    la  validación  del modelo  para    ver que se  cumplen las condiciones.

#Si se cumpliesen las condiciones:
#Los valores ajustados y los residuos se     pueden  obtener     con     los     comandos    fitted()    y  
#residuals(),   respectivamente.    Los residuos    estandarizados  se  obtienen    con rstandard(). Por    
#ejemplo,    el  siguiente   código  obtiene     una     representación  de  los     residuos    estandarizados frente  a   los valores ajustados,  que resulta útil    al  llevar  a   cabo    el  diagnóstico del modelo
residuos <- rstandard(modelreg)
valores.ajustados <- fitted(modelreg)
plot(valores.ajustados, residuos)

#   la  hipótesis   de  normalidad  se  suele   comprobar   mediante    un  Q-Q plot    de  los residuos.   El  siguiente   código  sirve   para    obtenerlo:
qqnorm(residuos)
qqline(residuos)