Grupo
Nombre y apellido 1:Dahiana Hernandez Aguedelo
Nombre y apellido 2:
Nombre y apellido 3:
Instrucciones:
Este Trabajo debe ser resuelto por un máximo de tres estudiantes del grupo. La entrega se realizará mediante las siguientes opciones:
Debes entregar los ficheros .Rmd y .html en la tarea de Aula Digital.
Tienes que dar los bloques de código de R donde efectúas los cálculos.
Cada problema debe estar justificado en cuanto a la elección de variables aleatorias y el cálculo de probabilidades. Plantear la hipótesis, el/los parámetro/s
Las respuestas a las preguntas han de ser frases bien construidas.
La nota máxima del trabajo es de 1 punto
Fecha de entrega como máximo el 5 de junio de 2025
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.2 ✔ tibble 3.2.1
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.1
## ✔ purrr 1.0.4
## ── 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 errorslibrary(MASS)##
## Adjuntando el paquete: 'MASS'
##
## The following object is masked from 'package:dplyr':
##
## selectlibrary(GGally)## Registered S3 method overwritten by 'GGally':
## method from
## +.gg ggplot2library(ggcorrplot)
library(Hotelling)## Cargando paquete requerido: corpcor
##
## Adjuntando el paquete: 'Hotelling'
##
## The following object is masked from 'package:dplyr':
##
## summariseUna empresa energética desea investigar sobre los hábitos energéticos en los hogares de la población y como se relacionan el consumo energético con otros factores como el coste de la factura, la superfície del hogar, el tipo de vivienda, etc.
Se realizó un estudio tomando una muestra aleatoria de 350 hogares. Descargar la base de datos Energia.txt, que contienen las siguientes variables:
Consumo energético mensual promedio en kWh.
Coste mensual promedio de la factura energética en euros.
Gasto promedio en litros de combustibles fósiles en euros.
Superfície del hogar en \(m^2\).
Nivel de eficacia energética del hogar: “Muy bajo”, “Bajo”, “Medio”, “Alto” y “Muy alto”.
Cual es la percepción sobre la relevancia del cambio climático: “Nada importante”, “Poco importante”, “Neutral”, “Importante” y “Muy importante”.
Con que frecuencia se realizan prácticas de ahorro energético en el hogar: “Nunca”, “Rara vez”, “A veces”, “Frecuentemente” y “Siempre”.
Tipo de vivienda: “Piso”,“Apartamento”, “Adosado” o “Unifamiliar”.
Zona de residencia: “Urbana”, “Interurbano” o “Rural”.
Existencia de fuentes de energía renovables en el hogar: “Sí”, “No”.
0. Cargar los datos en un data frame
1. Se desea saber si el Consumo energético mensual promedio en kWh está en función de otros factores como el coste de la factura, la superfície del hogar, el tipo de vivienda, Gasto promedio en litros de combustibles fósiles en euros, Zona de residencia, etc. (tomar al menos 3 variables como predictores (variables independientes)).
COMANDOS R
Energia\(consumo<-as.numeric(Energia\)consumo) Energia\(coste<-as.numeric(Energia\)coste) Energia\(gasto_combustible<-as.numeric(Energia\)gasto_combustible) Energia\(superficie<-as.numeric(Energia\)superficie) modelo<- lm(consumo ~ coste + superficie + gasto_combustible, data = Energia ) summary(modelo) modelo<- lm(consumo ~ coste + superficie + gasto_combustible, data = Energia ) summary(modelo)
Call: lm(formula = consumo ~ coste + superficie + gasto_combustible, data = Energia)
Residuals: Min 1Q Median 3Q Max -41.561 -8.961 -0.239 8.797 39.626
Coefficients: Estimate Std. Error t value (Intercept) 214.1831
24.7278 8.662 coste 0.1021 0.1468 0.696 superficie 0.9134 0.2604 3.508
gasto_combustible -0.2639 0.1027 -2.569 Pr(>|t|)
(Intercept) < 2e-16 coste 0.487177
superficie 0.000511 gasto_combustible 0.010612 *
Signif. codes:
0 ‘’ 0.001 ‘’ 0.01 ‘’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 13.34 on 346 degrees of freedom Multiple R-squared: 0.05933, Adjusted R-squared: 0.05118 F-statistic: 7.275 on 3 and 346 DF, p-value: 9.596e-05
Para analizar el consumo energético mensual en función de varios factores, se ha ajustado un modelo de regresión lineal múltiple utilizando como variable dependiente consumo, y como variables independientes coste, superficie y gasto_combustible. El modelo ha sido ajustado en R con la siguiente instrucción:
modelo<- lm(consumo ~ coste + superficie + gasto_combustible, data = Energia ) summary(modelo) Consumo= 214,18+0.102·Coste+0.913-3Superficie-0.264·Gasto_combustible.
INTERPRETACIÓN:
Intercepto (214,18): Representa el valor estimado del consumo cuando todas las variables independientes valen 0, no tiene una interpretación práctica directa.
Coste (0,102): Su p-valor (0,487) indica que no es estadísticamente significativo. Por tanto, no se puede afirmar que el coste influya de forma clara en el consumo energético mensual.
Superficie (0,913): Tiene una influencia positiva y estadísticamente significativa. Esto significa que por cada metro cuadrado adicional de vivienda, el consumo energético mensual aumenta en aproximadamente 0,91 kWh, manteniendo constantes las demás variables.
Gasto en combustible (-0,264): También resulta significativo. Por cada euro adicional gastado en combustibles fósiles, el consumo eléctrico disminuye en 0,26 kWh.
COMANDOS R:
modelo_simple<-lm(consumo ~ superficie, data = Energia ) nueva_vivienda<-data.frame(superficie=75) predict(modelo_simple, nueva_vivienda)
RESULTADO R
250.3147 kWh
INTERPRETACIÓN:
Según el modelo de regresión lineal simple ajustado en el apartado (a), donde el consumo energético mensual se explica únicamente en función de la superficie de la vivienda, una vivienda con 75 m² de superficie presenta un consumo estimado de aproximadamente 250,31 kWh al mes.
Este resultado refleja una relación positiva entre la superficie de la vivienda y el consumo eléctrico: cuanto mayor es la superficie, mayor es el consumo mensual previsto.
El modelo supone que todas las demás condiciones se mantienen constantes, por lo que la predicción es válida bajo las condiciones del conjunto de datos original.
2. La empresa dice que el consumo energético difiere según el factor con que frecuencia se realizan prácticas de ahorro energético en el hogar, Nivel de eficacia energética del hogar y Tipo de vivienda. Les pide que haga un contraste para determinar si existe diferencia en el consumo energético. Usar el nivel de significación 2%
COMANDOS R:
anova_ahorro<-aov(consumo ~ ahorro_energia, data=Energia) summary(anova_ahorro)
RESPUESTA R:
Df Sum Sq Mean Sq F value Pr(>F)ahorro_energia 4 486 121.4 0.645 0.631 Residuals 345 64940 188.2
El resultado del contraste arroja un p-valor = 0.631, muy superior al nivel de significación del 2%. Por tanto, no se rechaza la hipótesis nula.
COMANDOS R:
anova_nivel<-aov(consumo~X.nivel,data=Energia) summary(anova_nivel)
RESULTADOS R:
Df Sum Sq Mean Sq F value Pr(>F)X.nivel 4 1392 347.9 1.875 0.114 Residuals 345 64034 185.6
El resultado muestra un p-valor de 0,114, que es mayor que el nivel de significación del 2%. Por tanto, no se rechaza la hipótesis nul, no se dispone de evidencia estadística suficiente para afirmar que el consumo energético varíe significativamente.
Si existe diferencias en el consumo energético, indicar en donde en qué categoría del factor se diferencia.
Seleccionar una hipótesis: 2a o 2b o 2c para realizar el contraste.
COMANDOS R:
anova_tipo<-aov(consumo~tipo_vivienda,data=Energia) summary(anova_tipo)
RESULTADO R:
Df Sum Sq Mean Sq F value Pr(>F) tipo_vivienda 3 1378 459.2 2.481 0.0609 . Residuals 346 64048
185.1
— Signif. codes:
0 ‘’ 0.001 ‘’ 0.01 ’*’ 0.05 ‘.’ 0.1 ‘ ’ 1
El resultado muestra un p-valor de 0.0609, que es mayor que el nivel de significación del 2%, por lo que no se rechaza la hipótesis nula,no se dispone de evidencia estadística suficiente para afirmar que existan diferencias significativas en el consumo energético entre los distintos tipos de vivienda.
3. También se tenía la hipótesis de que
tabla<-table(Energia\(X.nive,Energia\)tipo_vivienda) chisq.test(tabla)
RESULTADOS R:
Pearson's Chi-squared testdata: tabla X-squared = 11.821, df = 12, p-value = 0.4602
El resultado del contraste ha sido un p-valor = 0.4602, mayor que el nivel de significación establecido del 4%, no hay evidencia estadística suficiente para afirmar que el nivel de eficacia energética del hogar esté relacionado con el tipo de vivienda. Se consideran variables independientes.
Realizar un solo contraste de hipótesis. Usar el nivel de significación 4%
4. Conclusión final. ¿Qué recomendarían a la empresa? Se recomienda que la empresa no base sus estrategias únicamente en variables como el tipo de vivienda o nivel de eficacia energética, ya que estas no explican de forma significativa las diferencias de consumo energético.
Sería más útil explorar otras variables no consideradas en este estudio (como hábitos de uso de electrodomésticos, número de personas por hogar o ingresos) que puedan tener mayor poder explicativo sobre el consumo.