Renta de Bicis
Mara Pamela Medrano Uribe - A01285010
2022-09-14
Renta de Bicis
Modelo Predictivo.
Importar base de datos.
#file.choose()
base_de_datos <- read.csv("/Users/pam/Downloads/R Code (5)/rentadebicis.csv")Entender la base de datos.
resumen <- summary(base_de_datos)
resumen## hora dia mes year
## 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. :977.0Observaciones
1. Evitar poner “ñ” en los títulos de la base de datos.
2. Los días de la tabla llegan hasta el 19, ¿por qué no hasta el 31? R: No se supo.
3. ¿Qué significa estación 1, 2, 3 y 4? R: 1 es primavera, 2 verano, 3 otoño y 4 invierno.
4. ¿Los días de la semana empiezan con el 1 en domingo o lunes? R: Domingo.
Graficar.
plot(base_de_datos$temperatura,base_de_datos$rentas_totales, main = "Influencia de la Temperatura sobre las Rentas Totales",xlab="Temperatura (ºC)", ylab="Cantidad")
Generar regresion (modelo lineal).
regresion <- lm(rentas_totales ~ hora + dia + mes + year + estacion + dia_de_la_semana + asueto + temperatura + sensacion_termica + humedad + velocidad_del_viento, data=base_de_datos)
summary(regresion)##
## Call:
## lm(formula = rentas_totales ~ hora + dia + mes + year + estacion +
## dia_de_la_semana + asueto + temperatura + sensacion_termica +
## humedad + velocidad_del_viento, data = base_de_datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -305.52 -93.64 -27.70 61.85 649.10
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.661e+05 5.496e+03 -30.217 < 2e-16 ***
## hora 7.735e+00 2.070e-01 37.368 < 2e-16 ***
## dia 3.844e-01 2.482e-01 1.549 0.12150
## mes 9.996e+00 1.682e+00 5.943 2.89e-09 ***
## year 8.258e+01 2.732e+00 30.225 < 2e-16 ***
## estacion -7.774e+00 5.177e+00 -1.502 0.13324
## dia_de_la_semana 4.393e-01 6.918e-01 0.635 0.52545
## asueto -4.864e+00 8.365e+00 -0.582 0.56089
## temperatura 1.582e+00 1.038e+00 1.524 0.12752
## sensacion_termica 4.748e+00 9.552e-01 4.971 6.76e-07 ***
## humedad -2.115e+00 7.884e-02 -26.827 < 2e-16 ***
## velocidad_del_viento 5.582e-01 1.809e-01 3.086 0.00203 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 141.7 on 10874 degrees of freedom
## Multiple R-squared: 0.3891, Adjusted R-squared: 0.3885
## F-statistic: 629.6 on 11 and 10874 DF, p-value: < 2.2e-16Evaluar, y en caso necesario, ajustar la regresión.
regresion <- lm(rentas_totales ~ hora + mes + year + sensacion_termica + humedad + velocidad_del_viento, data=base_de_datos)
summary(regresion)##
## Call:
## lm(formula = rentas_totales ~ hora + mes + year + sensacion_termica +
## humedad + velocidad_del_viento, data = base_de_datos)
##
## 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 ***
## year 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-16Construir un modelo de predicción.
datos_nuevos <- data.frame(hora=12, mes=1:12, year=2013, sensacion_termica=24, humedad=62, velocidad_del_viento=13)
predict(regresion,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 362.4587Conclusiones
En conclusión, encontramos que no hay datos NA y con la gráfica encontramos una tendencia que si hay mayor temperatura aumentan la cantidad de bicicletas rentadas, pero mayormente entre 20ºC a 30ºC. Al realizar una regrsión lineal con las diversas variables de la base de datos, se presentan las más significativas con ’***’, seleccionando las mejores variables para la regresión lineal para determinar las rentas totales de bicicletas para la predicción. En este caso para la predicción se usaron cantidades promedio de cada variable seleccionada correspondientemente de la base de datos, cuales son: hora, mes, year (año), sensación térmica, humedad y velocidad del viento. Obteniendo así la cantidad predecida de los 12 meses del año con las mismas condiciones establecidas, siendo así las rentas totales de bicicletas más altas en el mes 12 con 362.4587 rentas y en el mes 1 fue el de menor rentas totales de bicicletas de 279.1478.