Regresion Lineal-Renta de bici
Paula Chairez A01286251
2026-08-17
)
Renta de Bicicletas
Teoría
lm() es la funcion en R para ajustar modelos
lineales.
Para interpretarlo se utiliza la medida de la R^2, que
significa que tan cerca estan todos los datos de la regresión. El valor
de R^2 va de 0 a 1.
contexto
La empresa renta bicicletas y cuenta con registros por hora, de las que tiene rentada. Se desea generar un modelo predictivo df<- renta_bicicletas
Instalar paquetes y librerías
# Paquete para grafica de correlación
#install.packages("corrplot")
library(corrplot)## corrplot 0.95 loadedCargar Base de datos
#**file.choose()**
df <- read.csv("C:\\Users\\pauli\\Documents\\CLASES\\LIT\\7 semestre\\M2- R\\rentadebicis.csv")Entender la Base de datos
summary(df) #Resumen estadistico## hora dia mes año
## Min. : 0.00 Min. : 1.000 Min. : 1.000 Min. :2011
## 1st Qu.: 6.00 1st Qu.: 5.000 1st Qu.: 4.000 1st Qu.:2011
## Median :12.00 Median :10.000 Median : 7.000 Median :2012
## Mean :11.54 Mean : 9.993 Mean : 6.521 Mean :2012
## 3rd Qu.:18.00 3rd Qu.:15.000 3rd Qu.:10.000 3rd Qu.:2012
## Max. :23.00 Max. :19.000 Max. :12.000 Max. :2012
## estacion dia_de_la_semana asueto temperatura
## Min. :1.000 Min. :1.000 Min. :0.00000 Min. : 0.82
## 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:0.00000 1st Qu.:13.94
## Median :3.000 Median :4.000 Median :0.00000 Median :20.50
## Mean :2.507 Mean :4.014 Mean :0.02857 Mean :20.23
## 3rd Qu.:4.000 3rd Qu.:6.000 3rd Qu.:0.00000 3rd Qu.:26.24
## Max. :4.000 Max. :7.000 Max. :1.00000 Max. :41.00
## sensacion_termica humedad velocidad_del_viento
## Min. : 0.76 Min. : 0.00 Min. : 0.000
## 1st Qu.:16.66 1st Qu.: 47.00 1st Qu.: 7.002
## Median :24.24 Median : 62.00 Median :12.998
## Mean :23.66 Mean : 61.89 Mean :12.799
## 3rd Qu.:31.06 3rd Qu.: 77.00 3rd Qu.:16.998
## Max. :45.45 Max. :100.00 Max. :56.997
## rentas_de_no_registrados rentas_de_registrados rentas_totales
## Min. : 0.00 Min. : 0.0 Min. : 1.0
## 1st Qu.: 4.00 1st Qu.: 36.0 1st Qu.: 42.0
## Median : 17.00 Median :118.0 Median :145.0
## Mean : 36.02 Mean :155.6 Mean :191.6
## 3rd Qu.: 49.00 3rd Qu.:222.0 3rd Qu.:284.0
## Max. :367.00 Max. :886.0 Max. :977.0str(df) # Tipos de dato del df## 'data.frame': 10886 obs. of 14 variables:
## $ hora : int 0 1 2 3 4 5 6 7 8 9 ...
## $ dia : int 1 1 1 1 1 1 1 1 1 1 ...
## $ mes : int 1 1 1 1 1 1 1 1 1 1 ...
## $ año : int 2011 2011 2011 2011 2011 2011 2011 2011 2011 2011 ...
## $ estacion : int 1 1 1 1 1 1 1 1 1 1 ...
## $ dia_de_la_semana : int 6 6 6 6 6 6 6 6 6 6 ...
## $ asueto : int 0 0 0 0 0 0 0 0 0 0 ...
## $ temperatura : num 9.84 9.02 9.02 9.84 9.84 ...
## $ sensacion_termica : num 14.4 13.6 13.6 14.4 14.4 ...
## $ humedad : int 81 80 80 75 75 75 80 86 75 76 ...
## $ velocidad_del_viento : num 0 0 0 0 0 ...
## $ rentas_de_no_registrados: int 3 8 5 3 0 0 2 1 1 8 ...
## $ rentas_de_registrados : int 13 32 27 10 1 1 0 2 7 6 ...
## $ rentas_totales : int 16 40 32 13 1 1 2 3 8 14 ...head(df,10) #Primeros 10 registros## hora dia mes año estacion dia_de_la_semana asueto temperatura
## 1 0 1 1 2011 1 6 0 9.84
## 2 1 1 1 2011 1 6 0 9.02
## 3 2 1 1 2011 1 6 0 9.02
## 4 3 1 1 2011 1 6 0 9.84
## 5 4 1 1 2011 1 6 0 9.84
## 6 5 1 1 2011 1 6 0 9.84
## 7 6 1 1 2011 1 6 0 9.02
## 8 7 1 1 2011 1 6 0 8.20
## 9 8 1 1 2011 1 6 0 9.84
## 10 9 1 1 2011 1 6 0 13.12
## sensacion_termica humedad velocidad_del_viento rentas_de_no_registrados
## 1 14.395 81 0.0000 3
## 2 13.635 80 0.0000 8
## 3 13.635 80 0.0000 5
## 4 14.395 75 0.0000 3
## 5 14.395 75 0.0000 0
## 6 12.880 75 6.0032 0
## 7 13.635 80 0.0000 2
## 8 12.880 86 0.0000 1
## 9 14.395 75 0.0000 1
## 10 17.425 76 0.0000 8
## rentas_de_registrados rentas_totales
## 1 13 16
## 2 32 40
## 3 27 32
## 4 10 13
## 5 1 1
## 6 1 1
## 7 0 2
## 8 2 3
## 9 7 8
## 10 6 14tail (df,10) #Ultimos 10 registros## hora dia mes año estacion dia_de_la_semana asueto temperatura
## 10877 14 19 12 2012 4 3 0 17.22
## 10878 15 19 12 2012 4 3 0 17.22
## 10879 16 19 12 2012 4 3 0 17.22
## 10880 17 19 12 2012 4 3 0 16.40
## 10881 18 19 12 2012 4 3 0 15.58
## 10882 19 19 12 2012 4 3 0 15.58
## 10883 20 19 12 2012 4 3 0 14.76
## 10884 21 19 12 2012 4 3 0 13.94
## 10885 22 19 12 2012 4 3 0 13.94
## 10886 23 19 12 2012 4 3 0 13.12
## sensacion_termica humedad velocidad_del_viento rentas_de_no_registrados
## 10877 21.210 50 12.9980 33
## 10878 21.210 50 19.0012 28
## 10879 21.210 50 23.9994 37
## 10880 20.455 50 26.0027 26
## 10881 19.695 50 23.9994 23
## 10882 19.695 50 26.0027 7
## 10883 17.425 57 15.0013 10
## 10884 15.910 61 15.0013 4
## 10885 17.425 61 6.0032 12
## 10886 16.665 66 8.9981 4
## rentas_de_registrados rentas_totales
## 10877 185 218
## 10878 209 237
## 10879 297 334
## 10880 536 562
## 10881 546 569
## 10882 329 336
## 10883 231 241
## 10884 164 168
## 10885 117 129
## 10886 84 88Matriz de Correlación
corr <-cor(df)
corrplot(corr)
Limpiar Base de datos
#----Generar modelo
lm(y~x1+x2+x3..,data = df)
regresion<- lm(rentas_totales~.,data=df) #x son todas las variables
summary(regresion)##
## Call:
## lm(formula = rentas_totales ~ ., data = df)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.010e-11 -1.500e-14 4.000e-15 2.300e-14 1.975e-11
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 4.766e-10 2.342e-11 2.035e+01 < 2e-16 ***
## hora 2.021e-14 8.993e-16 2.248e+01 < 2e-16 ***
## dia 5.876e-15 1.015e-15 5.788e+00 7.30e-09 ***
## mes -4.222e-14 6.893e-15 -6.125e+00 9.39e-10 ***
## año -2.371e-13 1.164e-14 -2.036e+01 < 2e-16 ***
## estacion -1.060e-14 2.118e-14 -5.000e-01 0.61682
## dia_de_la_semana 2.626e-14 3.087e-15 8.506e+00 < 2e-16 ***
## asueto 1.048e-13 3.464e-14 3.025e+00 0.00249 **
## temperatura -8.090e-15 4.246e-15 -1.906e+00 0.05674 .
## sensacion_termica 9.649e-15 3.917e-15 2.464e+00 0.01377 *
## humedad -3.692e-15 3.398e-16 -1.087e+01 < 2e-16 ***
## velocidad_del_viento 1.960e-15 7.400e-16 2.648e+00 0.00811 **
## rentas_de_no_registrados 1.000e+00 1.579e-16 6.332e+15 < 2e-16 ***
## rentas_de_registrados 1.000e+00 4.798e-17 2.084e+16 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 5.793e-13 on 10872 degrees of freedom
## Multiple R-squared: 1, Adjusted R-squared: 1
## F-statistic: 8.186e+31 on 13 and 10872 DF, p-value: < 2.2e-16Modelo ajustado,con variables significativas
regresion2<- lm(rentas_totales~hora+mes+año+sensacion_termica+humedad+velocidad_del_viento,data=df)
summary(regresion2)##
## Call:
## lm(formula = rentas_totales ~ hora + mes + año + sensacion_termica +
## humedad + velocidad_del_viento, data = df)
##
## Residuals:
## Min 1Q Median 3Q Max
## -308.60 -93.85 -28.34 61.05 648.09
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.662e+05 5.496e+03 -30.250 < 2e-16 ***
## hora 7.734e+00 2.070e-01 37.364 < 2e-16 ***
## mes 7.574e+00 4.207e-01 18.002 < 2e-16 ***
## año 8.266e+01 2.732e+00 30.258 < 2e-16 ***
## sensacion_termica 6.172e+00 1.689e-01 36.539 < 2e-16 ***
## humedad -2.121e+00 7.858e-02 -26.988 < 2e-16 ***
## velocidad_del_viento 6.208e-01 1.771e-01 3.506 0.000457 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 141.7 on 10879 degrees of freedom
## Multiple R-squared: 0.3886, Adjusted R-squared: 0.3883
## F-statistic: 1153 on 6 and 10879 DF, p-value: < 2.2e-16Predicciones
datos_nuevos <- data.frame(hora=12, mes=1:12, año=2013, sensacion_termica=24, humedad=62, velocidad_del_viento= 13)
predict(regresion2,datos_nuevos)## 1 2 3 4 5 6 7 8
## 279.1478 286.7215 294.2952 301.8690 309.4427 317.0164 324.5901 332.1638
## 9 10 11 12
## 339.7375 347.3112 354.8849 362.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