1. Introducció

Expliqueu breument:

D’on prové el conjunt de dades.

El conjunt de dades prové de la web oficial de l’ajuntament de Barcelona on pengen tots els estudis de dades
Quin és l’objectiu del projecte.

L’objectiu del projecte és estudiar la diferència de vols que va haver durant un període de temps específic (2019-2025) degut a una pandèmia mundial.
Quina pregunta voleu respondre.

L’any 2020 va haver una pandèmia mundial que va afectar a tota la població, empreses, companyies… Això inclou els vols d’avions. Des del 2019 fins a la actualitat genera una gràfica que mostri com ha canviat el nombre de vols a l’espai aeri espanyol durant aquest període de temps.
Per què aquestes dades són adequades per aquesta pregunta.

Són adeqüades perquè l’aeroport de barcelona arrastra una gran quantitat de turisme, llavors podem obtenir moltes dades durant el període de temps que volem estudiar i observar la diferència.

2. Importació de les dades

Mostreu com heu importat el fitxer i quin nom té l’objecte carregat.

# Exemple d'importació (modifiqueu segons calgui)
load("dades.RData")

Expliqueu: - Quin era el format original (CSV, XLSX, txt…) - Si heu fet cap modificació prèvia (neteja, reanomenar columnes, selecció de variables…)

3. Dimensions del dataset

dim(dades)

## [1] 56480     6

glimpse(dades)

## Rows: 56,480
## Columns: 6
## $ Data_Referencia <chr> NA, "01/01/2025", "01/01/2025", "01/01/2025", "01/01/2…
## $ Codi_Companyia  <dbl> NA, 1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 5, 6, 7, 8, 9, 10, 1…
## $ Nom_Companyia   <chr> NA, "Vueling Airlines", "Vueling Airlines", "Vueling A…
## $ Codi_Zona       <dbl> NA, 1, 2, 5, 1, 2, 5, 1, 2, 3, 2, 2, 1, 2, 2, 2, 2, 1,…
## $ Nom_Zona        <chr> NA, "Espanya", "Europa", "Àfrica", "Espanya", "Europa"…
## $ Nombre_Vols     <dbl> NA, 155, 181, 12, 22, 61, 2, 22, 2, 5, 32, 14, 12, 20,…

Incloeu: - Nombre de files.

nrow(dades)

## [1] 56480

Nombre de columnes.

ncol(dades)

## [1] 6

Quina és la unitat d’anàlisi (persona, empresa, producte, mesura…) El nombre total de vols operats per una companyia cap a una zona en una data determinada

4. Diccionari de variables

Descriviu cada variable del dataset.

tibble(
variable = names(dades),
tipus = sapply(dades, class)
)

## # A tibble: 6 × 2
##   variable        tipus    
##   <chr>           <chr>    
## 1 Data_Referencia character
## 2 Codi_Companyia  numeric  
## 3 Nom_Companyia   character
## 4 Codi_Zona       numeric  
## 5 Nom_Zona        character
## 6 Nombre_Vols     numeric

Variable	Tipus	Descripció	Valors possibles / rang
Data_Referencia	character	La data del vol	Dades d’un any
Codi_Companyia	numèrica	El codi que està atribuït a cada companyia	1–20, 22, 28, 31, 36, 41, 52, 9999
Nom_Companyia	character	Nom de la companyia	-
Codi_Zona	numèrica	Codi atrïbuit a cada zona aèria	1-5
Nom_Zona	character	Nom de la zona aèria	-
Nombre_Vols	numèrica	Nombre de vols fetes per una companyia en una zona aèria concreta	1–300 (aprox)

5. Estadístiques descriptives

summary(dades)

##  Data_Referencia    Codi_Companyia   Nom_Companyia        Codi_Zona    
##  Length:56480       Min.   :   1.0   Length:56480       Min.   :1.000  
##  Class :character   1st Qu.:   3.0   Class :character   1st Qu.:2.000  
##  Mode  :character   Median :   9.0   Mode  :character   Median :2.000  
##                     Mean   : 182.7                      Mean   :2.269  
##                     3rd Qu.:  18.0                      3rd Qu.:2.000  
##                     Max.   :9999.0                      Max.   :5.000  
##                     NA's   :1                           NA's   :1      
##    Nom_Zona          Nombre_Vols   
##  Length:56480       Min.   :  1.0  
##  Class :character   1st Qu.:  4.0  
##  Mode  :character   Median :  8.0  
##                     Mean   : 19.7  
##                     3rd Qu.: 16.0  
##                     Max.   :245.0  
##                     NA's   :1

Comenteu: - Si hi ha valors perduts. No hi han valors perduts - Si alguna variable s’hauria de transformar. No hi ha cap variable que s’hagi de transformar - Outliers o valors estranys. sí que n’hi ha, per exemple valors molt alts de vols (entre 150 i 220) en comparació amb la resta.

6. Visualització inicial

Incloeu una o dues gràfiques exploratòries.

# Exemple:
df_clean <- dades %>%
filter(!is.na(Nombre_Vols))
ggplot(df_clean, aes(x = Nombre_Vols)) +
geom_histogram(bins = 30, color = "black", fill = "steelblue") +
labs(
title = "Histograma del nombre de vols",
x = "Nombre de vols",
y = "Freqüència"
)

7. Variables externes i dades addicionals

Expliqueu:

Si necessitareu dades externes per completar l’anàlisi.

No necessitarem dades externes.

On les podríeu trobar.

En el OpenDataBCN, si necessitessim dades d’altres aeroports, accediriem a l’ajuntament d’una altra gran ciutat.

Si falten variables per respondre la pregunta inicial.

No falten variables

8. Altres comentaris

Incloeu qualsevol altre detall rellevant del procés de preparació de dades.

Hem decidit ajuntar des de l’any 2019 fins al 2025. Així, hem tingut que comprovar que el codi de les companyies d’un any concret no se solapin amb codis de companyia d’altres anys.

Vols de l’aeroport del Prat

Estudi Estadístic dels Vols de l’aeroport del Prat entre el 2019 i el 2025

RGBD

2025-11-14