Uppgift 1 comleeted maybe

lektion1/Lektion_1.qmd

@@ -79,8 +79,15 @@ View(bike)
 
 -   Vilka datumintervall har de olika årstiderna? Skrolla igenom datamaterialet för att se när vintern övergår till vår osv.
 
+Vintern (2011-01-01 - 2011-03-20)\
+Spring (2011-03-21 - 2011-06-20)\
+Summer (2011-06-21 - 2011-09-22)\
+Fall (2011-09-23 - 2011-12-20) osv
+
 2.  Vilken information får du när du använder `head(bike)` eller `tail(bike)`?
 
+De första och sista raderna i filerna
+
 ```{r 6 första rader}
 
 head(bike)
@@ -89,6 +96,8 @@ tail(bike)
 
 3.  Hur många observationer och hur många variabler innehåller filen `bike.rds`? Använd funktion `glipmse()` eller `str()`.
 
+16 variablar
+
 ```{r glipmse }
 
 glimpse(bike)
@@ -102,13 +111,54 @@ glimpse(bike)
 5.  Ta fram/beräkna sammanfattande mått för de olika variablerna. Vilken information får du för de kvalitativa variablerna respektive kvantitativa variablerna?\
     \
     Svara på frågorna nedan:\
-    -   Hur många cyklar per dag har som högst hyrts ut?\
-    -   Vad är det lägsta antalet cyklar per dag medlemmar har hyrt?\
-    -   Hur många cyklar i genomsnitt per dag har icke-medlemmar hyrt?\
+    -   Hur många cyklar per dag har som högst hyrts ut?
+
+        ```{r}
+
+        max(bike$total)
+        ```
+
+        8714\
+
+    -   Vad är det lägsta antalet cyklar per dag medlemmar har hyrt?
+
+        ```{r}
+
+        min(bike$member)
+        ```
+
+        \
+        20
+
+    -   Hur många cyklar i genomsnitt per dag har icke-medlemmar hyrt?
+
+        ```{r}
+
+        mean(bike$nonmember)
+        ```
+
+        \
+        848.1765
+
     -   Tolka värdet 4,34 som är tredje kvartilen för variabeln `windspeed`.\
-    -   Vad har den genomsnittliga temperaturen varit under perioden?\
+
+    -   Vad har den genomsnittliga temperaturen varit under perioden?
+
+        ```{r}
+
+        mean(bike$tempC[bike$season == "winter"])
+        ```
+
+        för season winter 12.20765\
+
     -   Vilken typ av väder har majoriteten av dagarna haft (titta på variabeln `weathersit`).
 
+```{r}
+
+bike %>%
+  count(weathersit, sort = TRUE)
+```
+
 ```{r summary1}
 
 bike %>% summary()
@@ -122,6 +172,8 @@ sum(bike$member)
 sum(bike$nonmember)
 ```
 
+Members
+
 7.  Ta fram/beräkna medianen samt kvartilerna för antalet uthyrningar per dag för medlemmar. Tolka dessa mått i ord kopplade till uppgiften.
 
 ```{r summary member}
@@ -138,6 +190,10 @@ bike %>% select(member) %>% summary()
 ```{r}
 ### Klistra in koden från ggplot builder nedan
 
+ggplot(bike) +
+  aes(x = season, y = total) +
+  geom_col(fill = "#112446") +
+  theme_minimal()
 ```
 
 10. Beräkna med hjälp av funktionen `tbl_summary` beskrivande statistik för några variabler grupperat på årstid (`season`).
@@ -149,32 +205,51 @@ bike %>%
               statistic = list(all_continuous() ~ "{mean} ({sd})"),
               digits = list(c(tempC, hum) ~ 1,
                             all_categorical() ~ c(0, 1))
-              ) %>% 
-  add_overall()
+              )  %>% 
+   add_overall()
 ```
 
 -   Vilken årstid har störst andel dagar med klart väder?
 
+Fall
+
 -   Ange genomsnittlig vindhastighet under vintern.
 
+3.99
+
 -   Vilken årstid har högst spridning (standardavvikelse) i dagligt antal uthyrda cyklar?
 
--   Vad gör koden `add_overall()`?\
+Summer??
+
+-   Vad gör koden `add_overall()`?
+
+    \
     Ta bort koden `%>% add_overall()` och se vad som ändras i utskriften när du kör om koden i chunken ovan.
 
+Jag får en "overall" kollumm" som beskriver genomsnittliga på alla årstider
+
 -   Ändra även `all_categorical() ~ c(0, 1)` till `all_categorical() ~ c(1, 2)` och undersök hur utskriften förändras när du kör om koden.
 
+Jag får extra pressision med 1 decimal?
+
 11. Visualisera med ggplot builder i ett spridningsdiagram hur totala antalet uthyrningar per dag (`total`) varierar med utomhustemperatur (`tempC`). Se Figur 9-10 i bilagan. Klistra in koden i chunken nedan.
 
 ```{r rentals vs temp}
 
-
+ggplot(bike) +
+  aes(x = tempC, y = total) +
+  geom_point(colour = "#00CC00") + 
+  theme_minimal()
 ```
 
 -   Beskriv i "stora drag" hur sambandet mellan temperatur och antalet uthyrda cyklar ser ut.
 
+Om det är varmare så hyrs mer cyklare. Men inte om det är för varmt
+
 -   Utifrån informationen i diagrammet, ungefär hur många cyklar hyrs i genomsnitt ut under dagar då temperaturen är kring 20 grader?
 
+drygt 5 tusen ish
+
 # Uppgift 2.
 
 Läs in filen `hotel.rds` i Rstudio. (Se till att den filen ligger i mappen som är din arbetskatalog).
@@ -251,9 +326,9 @@ hotels %>%
 -   Beskriv hur `LeadTime` varierar, t ex bokar de flesta långt i förväg eller är det vanligast att boka nära ankomst?
 
 8.  Visualisera med ggplot builder i ett stapeldiagram hur långt i förväg hotellen bokas uppdelat på ankomstmånad.\
-    Starta ggplot builder, dra `ArrivalDateMonth` rill X och `LeadTime` till Y. Välj 'Bar' i menyn till vänster. \
-    Klicka på 'Geometries' och sätt 'Stat summary function' till 'mean'. \
-    Klicka på 'Axes '\> X axis text options \> Angle: 45. \
+    Starta ggplot builder, dra `ArrivalDateMonth` rill X och `LeadTime` till Y. Välj 'Bar' i menyn till vänster.\
+    Klicka på 'Geometries' och sätt 'Stat summary function' till 'mean'.\
+    Klicka på 'Axes '\> X axis text options \> Angle: 45.\
     Gå sedan tillbaka till RStudio och skapa diagrammet i chunken nedan.
 
 ```{r Stapeldiagram}