#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)