Librerias

library (readr)
library(ggplot2)
library(corrplot)
library (dplyr)

Datos

datos <- read.csv("C:/Users/ABDON LANDEROS/Desktop/MODULO 3/Datos/rutas millas tarifas de vuelos.csv")

datos
##                        ruta millas costo
## 1            Dallas-Austin     178   125
## 2           Houston-Dallas     232   123
## 3          Chicago-Detroit     238   148
## 4         Chicago-San Luis     262   136
## 5        Chicago-Cleveland     301   129
## 6           Chicago-Atlanta    593   162
## 7         Nueva York-Miami    1092   224
## 8       Nueva York-San Juan   1608   264
## 9        Nueva York-Chicago    714   287
## 10          Chicago-Denver     901   256
## 11        Dallas-Salt Lake    1005   365
## 12       Nueva York-Dallas    1374   459
## 13          Chicago-Seattle   1736   424
## 14      Los Angeles-Chicago   1757   361
## 15      Los Angeles-Atlanta   1946   309
## 16   Nueva York-Los Angeles   2463   444
## 17     Los Angeles-Honolulu   2556   323
## 18 Nueva York-San Francisco   2574   513

Explorar Datos

str(datos)
## 'data.frame':    18 obs. of  3 variables:
##  $ ruta  : Factor w/ 18 levels "Chicago-Atlanta",..: 7 9 4 5 2 1 16 18 13 3 ...
##  $ millas: int  178 232 238 262 301 593 1092 1608 714 901 ...
##  $ costo : int  125 123 148 136 129 162 224 264 287 256 ...
summary(datos)
##                  ruta        millas         costo      
##  Chicago-Atlanta   : 1   Min.   : 178   Min.   :123.0  
##  Chicago-Cleveland : 1   1st Qu.: 374   1st Qu.:151.5  
##  Chicago-Denver    : 1   Median :1048   Median :275.5  
##  Chicago-Detroit   : 1   Mean   :1196   Mean   :280.7  
##  Chicago-San Luis  : 1   3rd Qu.:1752   3rd Qu.:364.0  
##  Chicago-Seattle   : 1   Max.   :2574   Max.   :513.0  
##  (Other)           :12

Coeficiente De Correlacion * Las millas es variable independiente o x * El costo es la variable dependiente 0 y

r <- cor(datos$millas, datos$costo)
r <- round(r, 4)
r
## [1] 0.8358

Interpretacion de la correlacion

El valor de la correlación es ** 0.8358** que significa que estadísticamente es una correlación positiva considerable

Crear el modelo de Regresión Lineal Simple (MRL)

La fórmula del modelo de rergesión lineal simple para este caso está dada de que el costo de vuelo está en función de las millas. costo=a+b∗millas

modelo <- lm(data = datos, formula = costo ~ millas)
modelo
## 
## Call:
## lm(formula = costo ~ millas, data = datos)
## 
## Coefficients:
## (Intercept)       millas  
##    128.5770       0.1272
summary(modelo)
## 
## Call:
## lm(formula = costo ~ millas, data = datos)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -130.58  -40.95  -18.36   46.06  155.71 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 128.57699   30.24824   4.251  0.00061 ***
## millas        0.12715    0.02088   6.089 1.57e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 72.38 on 16 degrees of freedom
## Multiple R-squared:  0.6985, Adjusted R-squared:  0.6797 
## F-statistic: 37.07 on 1 and 16 DF,  p-value: 1.567e-05

Determinar los coeficentes

a <- modelo$coefficients[1]
b <- modelo$coefficients[2]

a
## (Intercept) 
##     128.577
b
##    millas 
## 0.1271535

Predecir Manualmente

Una ciudad que está a 200 millas de distancia de otra cuanto debe costar un boleto de avión.

millas.nuevo <- 200
prediccion <- a + b * millas.nuevo

prediccion
## (Intercept) 
##    154.0077

Predecir Manualmente

Una ciudad que está a 200 millas de distancia de otra cuanto debe costar un boleto de avión.

Interpretación: Para una distancia 200 millas entre una ciudad y otra, el costo del boleto de avión debiera ser de 154.0076802 conforme al modelo de regresión Lineal.

Nuevos valores

  • Cuanto debe costar un vuelo en distancias de: 290, 760, 1100, 1400, 1650 millas

Predecir por medio de predict()

prediccion <- predict(modelo, newdata = data.frame(millas = c(290,760, 1100,1400,1650)))
prediccion
##        1        2        3        4        5 
## 165.4515 225.2136 268.4458 306.5918 338.3802

Interpretacion de la Prediccion