# Instalar y cargar el paquete readxl (si no lo tienes)
if (!requireNamespace("readxl", quietly = TRUE)) {
install.packages("readxl")
}
library(readxl)
## Warning: package 'readxl' was built under R version 4.4.2
Primer_Asignacion_Dic_06_1_ <- read_excel("C:/Users/Usuario/Desktop/Primer Asignacion Dic 06 (1).xlsx")
View(Primer_Asignacion_Dic_06_1_)
file_path <- "C:/Users/Usuario/Desktop/Primer Asignacion Dic 06 (1).xlsx"
# Leer la hoja "Hoja1"
data <- read_excel(file_path, sheet = "Hoja1")
# Inspeccionar los primeros datos
head(data)
## # A tibble: 6 × 3
## Year Month Temp
## <dbl> <dbl> <dbl>
## 1 2005 11 6.1
## 2 2005 12 5.2
## 3 2006 1 7.2
## 4 2006 2 5.5
## 5 2006 3 7.6
## 6 2006 4 10
#Se realiza una limpieza de datos, nos quedamos con las columnas Year, Month y Temp, eliminando filas con valores faltantes.
# Seleccionar columnas relevantes
clean_data <- data[, c("Year", "Month", "Temp")]
# Convertir a formato data.frame (por si acaso)
clean_data <- as.data.frame(clean_data)
# Eliminar filas con datos faltantes
clean_data <- na.omit(clean_data)
# Revisar los datos limpios
head(clean_data)
## Year Month Temp
## 1 2005 11 6.1
## 2 2005 12 5.2
## 3 2006 1 7.2
## 4 2006 2 5.5
## 5 2006 3 7.6
## 6 2006 4 10.0
summary(clean_data)
## Year Month Temp
## Min. :2005 Min. : 1.000 Min. : 5.20
## 1st Qu.:2006 1st Qu.: 3.500 1st Qu.: 6.65
## Median :2006 Median : 6.000 Median :10.00
## Mean :2006 Mean : 6.182 Mean :10.97
## 3rd Qu.:2006 3rd Qu.: 8.500 3rd Qu.:15.50
## Max. :2006 Max. :12.000 Max. :18.00
#a) Tendencia de temperatura a lo largo del tiempo
#Crearemos una columna de fechas para representar las temperaturas.
# Crear una columna de fecha
clean_data$Date <- as.Date(paste(clean_data$Year, clean_data$Month, "1", sep = "-"))
# Instalar y cargar ggplot2 (si no lo tienes)
if (!requireNamespace("ggplot2", quietly = TRUE)) {
install.packages("ggplot2")
}
library(ggplot2)
## Warning: package 'ggplot2' was built under R version 4.4.2
# Graficar la tendencia
ggplot(clean_data, aes(x = Date, y = Temp)) +
geom_line(color = "blue") +
geom_point(color = "red") +
ggtitle("Tendencia Mensual de Temperatura - Estación Black Rock") +
xlab("Fecha") +
ylab("Temperatura (°C)") +
theme_minimal()
#b) Gráfica de cajas para estacionalidad mensual
#Esto ayuda a identificar patrones repetitivos por mes.
ggplot(clean_data, aes(x = as.factor(Month), y = Temp)) +
geom_boxplot(fill = "red", color = "darkblue") +
ggtitle("Distribución Mensual de Temperaturas") +
xlab("Mes") +
ylab("Temperatura (°C)") +
theme_minimal()
#Calcularemos estadísticas clave: promedio, mediana y desviación estándar.
# Calcular estadísticas
mean_temp <- mean(clean_data$Temp)
median_temp <- median(clean_data$Temp)
sd_temp <- sd(clean_data$Temp)
# Mostrar resultados
list(mean = mean_temp, median = median_temp, sd = sd_temp)
## $mean
## [1] 10.97273
##
## $median
## [1] 10
##
## $sd
## [1] 4.956428
#modelos posibles:
#Modelo Lineal: Relaciona la temperatura con el tiempo.
#Modelo Polinomial: Considera curvas de segundo o tercer grado.
#Modelo Estacional: Utiliza series temporales para capturar patrones mensuales.
#Compararamos los modelos usando métricas como el Coeficiente de Determinación (R²) y el Error Cuadrático Medio (MSE).
#Ajuste de un modelo lineal
# Modelo lineal simple: temperatura en función del tiempo
linear_model <- lm(Temp ~ Date, data = clean_data)
# Resumen del modelo
summary(linear_model)
##
## Call:
## lm(formula = Temp ~ Date, data = clean_data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.1827 -1.4605 0.2653 1.3984 2.9851
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -5.801e+02 9.206e+01 -6.301 0.000141 ***
## Date 4.464e-02 6.953e-03 6.420 0.000122 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.212 on 9 degrees of freedom
## Multiple R-squared: 0.8208, Adjusted R-squared: 0.8009
## F-statistic: 41.22 on 1 and 9 DF, p-value: 0.0001223
#Ajuste de un mdelo polinomial
# Modelo polinomial de grado 2
poly_model <- lm(Temp ~ poly(as.numeric(Date), 2), data = clean_data)
# Resumen del modelo
summary(poly_model)
##
## Call:
## lm(formula = Temp ~ poly(as.numeric(Date), 2), data = clean_data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.1258 -1.4959 0.2615 1.4097 2.9807
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 10.9727 0.7072 15.515 2.96e-07 ***
## poly(as.numeric(Date), 2)1 14.1999 2.3456 6.054 0.000305 ***
## poly(as.numeric(Date), 2)2 -0.1106 2.3456 -0.047 0.963557
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.346 on 8 degrees of freedom
## Multiple R-squared: 0.8208, Adjusted R-squared: 0.776
## F-statistic: 18.33 on 2 and 8 DF, p-value: 0.00103
#Analisis estacional con series temporales
# Verificar si hay meses faltantes
table(clean_data$Year, clean_data$Month)
##
## 1 2 3 4 5 6 7 8 9 11 12
## 2005 0 0 0 0 0 0 0 0 0 1 1
## 2006 1 1 1 1 1 1 1 1 1 0 0
# Instalar paquete para manejar datos de tiempo
if (!requireNamespace("tidyr", quietly = TRUE)) install.packages("tidyr")
library(tidyr)
# Completar meses faltantes
clean_data <- complete(clean_data, Year, Month, fill = list(Temp = NA))
# Crear una serie temporal de temperaturas (frecuencia mensual)
temp_ts <- ts(clean_data$Temp, start = c(min(clean_data$Year), min(clean_data$Month)), frequency = 12)
# Verificar la serie temporal
temp_ts
## Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2005 NA NA NA NA NA NA NA NA NA 6.1 5.2 7.2
## 2006 5.5 7.6 10.0 13.2 16.4 18.0 16.9 14.6 NA NA
# Calcular MSE para el modelo lineal
mse_linear <- mean(residuals(linear_model)^2)
# Calcular MSE para el modelo polinomial
mse_poly <- mean(residuals(poly_model)^2)
# Mostrar los resultados
list(MSE_Linear = mse_linear, MSE_Polynomial = mse_poly)
## $MSE_Linear
## [1] 4.002314
##
## $MSE_Polynomial
## [1] 4.001203
# Crear una columna de tiempo en formato decimal
data$Time <- data$Year + (data$Month - 1) / 12
# Inspeccionar los datos preparados
print(data)
## # A tibble: 11 × 4
## Year Month Temp Time
## <dbl> <dbl> <dbl> <dbl>
## 1 2005 11 6.1 2006.
## 2 2005 12 5.2 2006.
## 3 2006 1 7.2 2006
## 4 2006 2 5.5 2006.
## 5 2006 3 7.6 2006.
## 6 2006 4 10 2006.
## 7 2006 5 13.2 2006.
## 8 2006 6 16.4 2006.
## 9 2006 7 18 2006.
## 10 2006 8 16.9 2007.
## 11 2006 9 14.6 2007.
# Ajuste del del modelo lineal
Modelo <- lm(Temp ~ Time, data = data)
# Resumen del modelo
summary(Modelo)
##
## Call:
## lm(formula = Temp ~ Time, data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.1500 -1.4950 0.2936 1.3882 2.9609
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -32621.595 5050.220 -6.459 0.000117 ***
## Time 16.265 2.517 6.462 0.000117 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.2 on 9 degrees of freedom
## Multiple R-squared: 0.8227, Adjusted R-squared: 0.803
## F-statistic: 41.75 on 1 and 9 DF, p-value: 0.0001165
# Inspeccionar los primeros datos
head(data)
## # A tibble: 6 × 4
## Year Month Temp Time
## <dbl> <dbl> <dbl> <dbl>
## 1 2005 11 6.1 2006.
## 2 2005 12 5.2 2006.
## 3 2006 1 7.2 2006
## 4 2006 2 5.5 2006.
## 5 2006 3 7.6 2006.
## 6 2006 4 10 2006.
# Crear una columna de tiempo en formato decimal
data$Time <- data$Year + (data$Month - 1) / 12
# Inspeccionar los datos preparados
print(data)
## # A tibble: 11 × 4
## Year Month Temp Time
## <dbl> <dbl> <dbl> <dbl>
## 1 2005 11 6.1 2006.
## 2 2005 12 5.2 2006.
## 3 2006 1 7.2 2006
## 4 2006 2 5.5 2006.
## 5 2006 3 7.6 2006.
## 6 2006 4 10 2006.
## 7 2006 5 13.2 2006.
## 8 2006 6 16.4 2006.
## 9 2006 7 18 2006.
## 10 2006 8 16.9 2007.
## 11 2006 9 14.6 2007.
# Ajuste del del modelo lineal
Modelo <- lm(Temp ~ Time, data = data)
# Resumen del modelo
summary(Modelo)
##
## Call:
## lm(formula = Temp ~ Time, data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.1500 -1.4950 0.2936 1.3882 2.9609
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -32621.595 5050.220 -6.459 0.000117 ***
## Time 16.265 2.517 6.462 0.000117 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.2 on 9 degrees of freedom
## Multiple R-squared: 0.8227, Adjusted R-squared: 0.803
## F-statistic: 41.75 on 1 and 9 DF, p-value: 0.0001165
# Último valor de tiempo
Ultimo_tiempo <- max(data$Time)
# Nuevos puntos de predicción
Tiempo_futuro <- c(Ultimo_tiempo + 1/12, Ultimo_tiempo + 2/12)
# Predicciones
Predicciones <- predict(Modelo, newdata = data.frame(Time = Tiempo_futuro))
# Crear el data.frame con las predicciones
datos_predicciones <- data.frame(
Time = Tiempo_futuro,
Temp = Predicciones
)
# Graficar los resultados
ggplot(data, aes(x = Time, y = Temp)) +
geom_point(color = "blue", size = 3) + # Datos históricos
geom_smooth(method = "lm", formula = y ~ x, color = "red", se = FALSE) + # Línea de regresión
geom_point(data = datos_predicciones, aes(x = Time, y = Temp), color = "green", size = 3) + # Predicciones futuras
labs(title = "Modelo de Predicción de Temperaturas", x = "Tiempo (Años)", y = "Temperatura (°C)") +
theme_minimal()
