CONTENIDO

1. Contextualización:

La base de datos “Movies Box Office Dataset (2000-2024)” es un conjunto de datos abierto, extraído de Kaggle y publicado por Aditya Jilla, recoge información detallada sobre el rendimiento de taquilla de películas estrenadas entre los años 2000 y 2024. Este dataset permite analizar tendencias en la industria cinematográfica, identificar patrones en la recaudación y evaluar el impacto de diversos factores en el éxito de una película. Incluye variables clave como el título de la película, el año de lanzamiento, el género, la recaudación tanto a nivel doméstico como internacional, el presupuesto de producción, la calificación de la audiencia, el país de origen y el idioma principal. Al proporcionar datos sobre la taquilla a nivel mundial, este conjunto de datos es ideal para estudios comparativos entre películas, géneros y períodos de tiempo, permitiendo analizar cómo han evolucionado las preferencias del público y qué características están asociadas con un mayor éxito comercial.

2. Objetivo del análisis/estudio

Analizar los factores que influyen en el éxito financiero de las películas en taquilla, evaluando cómo variables como el género, el año de lanzamiento, la calificación del público y el país de origen afectan la recaudación tanto a nivel doméstico como internacional.
Identificar tendencias en la industria cinematográfica entre 2000 y 2024, comparando el rendimiento de diferentes tipos de películas y explorando qué características están asociadas con una mayor rentabilidad.

Con el presente análisis exploratorio buscamos responder a la pregunta:
- op.1 ¿Qué características tienen en común las películas con mayor recaudación en taquilla entre 2000 y 2024, y cómo varían estos factores a lo largo del tiempo y en diferentes mercados?
- op.2 ¿Cómo influyen el presupuesto de producción, el género y la calificación del público en la recaudación doméstica e internacional de las películas estrenadas entre 2000 y 2024, y qué tendencias se pueden identificar en la industria cinematográfica a lo largo de estos años?

Además, se llevará a cabo una revisión exhaustiva de los valores faltantes, se detectarán y tratarán outliers, y se aplicarán técnicas de limpieza de datos, todo con el fin de preparar adecuadamente el conjunto de datos, con el fin de asegurar que la calidad del conjunto de datos sea adecuada para un análisis oportuno y eficiente.

3. Carga y Estructura del Dataset

Para garantizar la correcta lectura de la base de datos en R, se utilizó la función read.csv(), la cual permite cargar archivos en formato CSV de manera eficiente. Se implementó file.choose() para facilitar la selección del archivo sin necesidad de especificar manualmente la ruta. Además, se estableció fileEncoding = “UTF-8” para evitar problemas con caracteres especiales y header = TRUE para asegurar que la primera fila se interprete como los nombres de las columnas. Esta configuración permite manipular los datos sin inconvenientes y facilita el análisis exploratorio.

Tabla 1: DataSet
Rank	Release.Group	X.Worldwide	X.Domestic	Domestic..	X.Foreign	Foreign..	Year	Genres	Rating	Vote_Count	Original_Language	Production_Countries
1	Mission: Impossible II	546388108	215409889	39.4	330978219	60.6	2000	Adventure, Action, Thriller	6.126/10	6741	en	United States of America
2	Gladiator	460583960	187705427	40.8	272878533	59.2	2000	Action, Drama, Adventure	8.217/10	19032	en	United Kingdom, United States of America
3	Cast Away	429632142	233632142	54.4	196000000	45.6	2000	Adventure, Drama	7.663/10	11403	en	United States of America
4	What Women Want	374111707	182811707	48.9	191300000	51.1	2000	Comedy, Romance	6.45/10	3944	en	United Kingdom, United States of America
5	Dinosaur	349822765	137748063	39.4	212074702	60.6	2000	Animation, Family, Adventure	6.544/10	2530	en	United States of America
6	How the Grinch Stole Christmas	345842198	260745620	75.4	85096578	24.6	2000	Family, Comedy, Fantasy	6.8/10	7591	en	Germany, United States of America
7	Meet the Parents	330444045	166244045	50.3	164200000	49.7	2000	Comedy, Romance	6.675/10	5916	en	United States of America
8	The Perfect Storm	328718434	182618434	55.6	146100000	44.4	2000	Action, Adventure, Drama, Thriller	6.466/10	2312	en	United States of America
9	X-Men	296339528	157299718	53.1	139039810	46.9	2000	Adventure, Action, Science Fiction	7.005/10	11355	en	United States of America
10	What Lies Beneath	291420351	155464351	53.3	135956000	46.7	2000	Drama, Horror, Mystery, Thriller	6.416/10	1818	en	United States of America
11	Scary Movie	278019771	157019771	56.5	121000000	43.5	2000	Comedy	6.364/10	6984	en	United States of America
12	Charlie’s Angels	264105545	125305545	47.4	138800000	52.6	2000	Action, Adventure, Comedy, Crime, Thriller	5.836/10	4148	en	United States of America
13	Erin Brockovich	256271286	125595205	49.0	130676081	51.0	2000	Drama	7.4/10	3198	en	United States of America
14	Unbreakable	248118121	95011339	38.3	153106782	61.7	2000	Thriller, Drama, Mystery	7.143/10	9281	en	United States of America
15	Gone in 60 Seconds	237202299	101648571	42.9	135553728	57.1	2000	Action, Crime, Thriller	6.433/10	4438	en	United States of America
16	Chicken Run	224834564	106834564	47.5	118000000	52.5	2000	Animation, Comedy, Family	6.822/10	5040	en	France, United Kingdom, United States of America
17	Vertical Limit	215663859	69243859	32.1	146420000	67.9	2000	Adventure, Action, Thriller	6.011/10	1025	en	Germany, United States of America
18	The Patriot	215294342	113330342	52.6	101964000	47.4	2000	Drama, History, War, Action	7.183/10	3926	en	Germany, United States of America
19	Crouching Tiger, Hidden Dragon	213525736	128078872	60.0	85446864	40.0	2000	Adventure, Drama, Action, Romance	7.43/10	3213	zh	Hong Kong, Taiwan, United States of America
20	Miss Congeniality	212742720	106807667	50.2	105935053	49.8	2000	Comedy, Crime, Action	6.531/10	3900	en	United States of America

Dimensiones

dim(datos)

## [1] 5000   13

El resultado muestra un data frame con 5.000 observaciones(filas) y 13 variables(columnas). Este tamaño de muestra es suficiente para realizar un análisis significativo, ya que permite identificar patrones y relaciones en los datos.

Nombres de las Variables y Tipo de Dato (Estructura):

names(datos)

##  [1] "Rank"                 "Release.Group"        "X.Worldwide"         
##  [4] "X.Domestic"           "Domestic.."           "X.Foreign"           
##  [7] "Foreign.."            "Year"                 "Genres"              
## [10] "Rating"               "Vote_Count"           "Original_Language"   
## [13] "Production_Countries"

sapply(datos, class)

##                 Rank        Release.Group          X.Worldwide 
##            "integer"          "character"            "numeric" 
##           X.Domestic           Domestic..            X.Foreign 
##            "numeric"            "numeric"            "numeric" 
##            Foreign..                 Year               Genres 
##            "numeric"            "integer"          "character" 
##               Rating           Vote_Count    Original_Language 
##          "character"            "numeric"          "character" 
## Production_Countries 
##          "character"

Clasificación de las Variables:

Cualitativas/categóricas:

Release Group: El título de la película o serie de películas.
Genres: Los géneros asociados a la película (por ejemplo, acción, drama, comedia).
Original Language: El idioma principal de la película.
Production Countries: Los países donde se produjo la película.

Cuantitativas/númericas:

Rank: La clasificación global de la película basada en los ingresos de taquilla en todo el mundo.
Worldwide: Ingresos totales de taquilla de la película en todo el mundo
Domestic: Ingresos totales de taquilla nacional (local)
Domestic %: Porcentaje de los ingresos mundiales generados en el país.
Foreign: Ingresos totales de la taquilla extranjera (internacional)
Foreign %: Porcentaje de ingresos mundiales generados en mercados extranjeros.
Year: Año de estreno de la película.
Rating: Calificación media del público según TMDB (por ejemplo, 7,5/10).
Vote Count: The number of votes the movie received on TMDB.

str(datos)

## 'data.frame':    5000 obs. of  13 variables:
##  $ Rank                : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ Release.Group       : chr  "Mission: Impossible II" "Gladiator" "Cast Away" "What Women Want" ...
##  $ X.Worldwide         : num  5.46e+08 4.61e+08 4.30e+08 3.74e+08 3.50e+08 ...
##  $ X.Domestic          : num  2.15e+08 1.88e+08 2.34e+08 1.83e+08 1.38e+08 ...
##  $ Domestic..          : num  39.4 40.8 54.4 48.9 39.4 75.4 50.3 55.6 53.1 53.3 ...
##  $ X.Foreign           : num  3.31e+08 2.73e+08 1.96e+08 1.91e+08 2.12e+08 ...
##  $ Foreign..           : num  60.6 59.2 45.6 51.1 60.6 24.6 49.7 44.4 46.9 46.7 ...
##  $ Year                : int  2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 ...
##  $ Genres              : chr  "Adventure, Action, Thriller" "Action, Drama, Adventure" "Adventure, Drama" "Comedy, Romance" ...
##  $ Rating              : chr  "6.126/10" "8.217/10" "7.663/10" "6.45/10" ...
##  $ Vote_Count          : num  6741 19032 11403 3944 2530 ...
##  $ Original_Language   : chr  "en" "en" "en" "en" ...
##  $ Production_Countries: chr  "United States of America" "United Kingdom, United States of America" "United States of America" "United Kingdom, United States of America" ...

A continuación se presenta la tabala de operacionalización de variables utilizando el paquete knitr, que organiza la clasificación de las variables según su tipo y subtipo:

Tabla de Operacionalización de Variables
Variable	Definición	Naturaleza	Nivel_de_Medicion	Criterio_Clasificacion
Rank	Posición de la película en el ranking de recaudación global.	Cuantitativa discreta	De razón	Número entero positivo que indica la posición en la lista de recaudación.
Worldwide	Ingresos totales de la película a nivel mundial.	Cuantitativa continua	De razón	Valor numérico en dólares con dos decimales (ej. 1,500,000,000.00).
Domestic	Ingresos obtenidos en el mercado doméstico (país de origen).	Cuantitativa continua	De razón	Valor numérico en dólares con dos decimales (ej. 850,000,000.00).
Domestic %	Porcentaje de los ingresos mundiales obtenidos en el mercado doméstico.	Cuantitativa continua	De razón	Porcentaje con dos decimales, entre 0% y 100%.
Foreign	Ingresos obtenidos en mercados internacionales.	Cuantitativa continua	De razón	Valor numérico en dólares con dos decimales (ej. 650,000,000.00).
Foreign %	Porcentaje de los ingresos mundiales obtenidos en mercados internacionales.	Cuantitativa continua	De razón	Porcentaje con dos decimales, entre 0% y 100%.
Year	Año de estreno de la película.	Cuantitativa discreta	De razón	Número entero entre 2000 y 2024.
Rating	Calificación promedio en TMDB basada en la opinión de los usuarios.	Cuantitativa continua	De razón	Número decimal en escala de 0 a 10 con tres decimales (ej. 8.217/10).
Vote Count	Cantidad total de votos recibidos en TMDB.	Cuantitativa discreta	De razón	Número entero positivo que indica la cantidad de votos.
Release Group	Nombre de la película o de la franquicia a la que pertenece.	Cualitativa	Nominal	Cadena de caracteres con el nombre oficial de la película o franquicia.
Genres	Géneros asociados a la película.	Cualitativa	Nominal	Categorías establecidas: Acción, Drama, Comedia, etc.
Original Language	Idioma principal en el que fue filmada la película.	Cualitativa	Nominal	Códigos ISO 639-1 de idioma (ej. ‘en’, ‘es’, ‘fr’).
Production Countries	País o países donde se produjo la película.	Cualitativa	Nominal	Códigos de país en formato ISO 3166-1 alpha-2 (ej. ‘US’, ‘FR’, ‘JP’).

Limpieza del Dataset

Antes de proceder con el análisis exploratorio, se llevó a cabo una limpieza de datos para garantizar la calidad y confiabilidad de los resultados. Este proceso incluyó la identificación y tratamiento de valores faltantes, asegurando así un conjunto de datos adecuado para el análisis.

Nota: Si bien los outliers suelen tratarse o eliminarse en algunos análisis, en este caso es importante considerar su relevancia.

Identificación y Tratamiento de Valores Faltantes

Se evaluó la presencia de valores faltantes en cada una de las variables:

colSums(is.na(datos))

##                 Rank        Release.Group          X.Worldwide 
##                    0                    0                    0 
##           X.Domestic           Domestic..            X.Foreign 
##                    0                    0                    0 
##            Foreign..                 Year               Genres 
##                    0                    0                    0 
##               Rating           Vote_Count    Original_Language 
##                    0                  170                    0 
## Production_Countries 
##                    0

Hemos identificado que los valores nulos en nuestro dataset están presentes únicamente en la variable Vote_Count Dado que los datos faltantes pueden afectar el análisis y la interpretación de los resultados, es importante determinar la mejor estrategia para su tratamiento.

Para ello, analizaremos la distribución de los valores en esta columna y compararemos la media y la mediana. Si la distribución es simétrica y no presenta valores extremos, utilizaremos la media para imputar los valores faltantes. Sin embargo, si la variable muestra sesgo o contiene outliers significativos, la mediana será una mejor opción.

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##     0.0   205.2  1035.5  2531.6  3065.0 36753.0     170

El análisis de esta variable muestra que su distribución está altamente sesgada a la derecha, con valores extremos que indican la presencia de valores atípicos.

Estrategia para el tratamiento

Dado que la media es sensible a los valores atípicos, utilizarla para imputar los valores faltantes podría distorsionar los datos. En cambio, la mediana es una mejor opción, ya que es menos afectada por los valores atípicos y representa con mayor precisión la tendencia central de la variable.

Con esta imputación, aseguramos que los datos faltantes sean tratados de manera robusta, evitando que los valores extremos introduzcan sesgos en los análisis posteriores.

A continuación, procederemos a verificar la correcta imputación de los valores nulos.

## [1] 0

Resumen estadístico

En esta sección se presenta el Resumen Estadístico del dataset. El análisis de las variables cualitativas se realiza mediante tablas de frecuencia y diagramas de barras, que muestran la distribución de las categorías en cada una. Esto es esencial para identificar cómo se distribuyen las observaciones entre las distintas categorías.

Por otro lado, el análisis de las variables cuantitativas incluye un resumen estadístico que muestra medidas como la media, mediana, mínimo, máximo y los cuartiles. Estas medidas son clave para comprender la dispersión y tendencia central de los datos numéricos.

# Resumen estadístico detallado
describe(datos)

##                       vars    n         mean           sd      median
## Rank                     1 5000       100.50        57.74      100.50
## Release.Group*           2 5000      2476.38      1429.50     2472.50
## X.Worldwide              3 5000 119213693.21 200524343.22 48446575.00
## X.Domestic               4 5000  44725232.97  77270255.71 17984212.00
## Domestic..               5 5000        35.74        30.66       37.05
## X.Foreign                6 5000  74488092.74 133493209.86 30194438.00
## Foreign..                7 5000        64.26        30.65       62.95
## Year                     8 5000      2012.00         7.21     2012.00
## Genres*                  9 5000       625.95       357.22      641.00
## Rating*                 10 5000       874.39       509.46      880.50
## Vote_Count              11 5000      2480.72      3888.06     1035.50
## Original_Language*      12 5000        11.33         7.74        8.00
## Production_Countries*   13 5000       360.46       146.77      428.00
##                           trimmed         mad     min        max      range
## Rank                       100.50       74.13       1        200        199
## Release.Group*            2475.78     1836.20       1       4955       4954
## X.Worldwide           73234312.39 45680791.13 1666028 2799439100 2797773072
## X.Domestic            27606016.52 26663392.71       0  936662225  936662225
## Domestic..                  33.29       43.59       0        100        100
## X.Foreign             43728724.38 31159440.96       0 1993811448 1993811448
## Foreign..                   66.71       43.59       0        100        100
## Year                      2012.00        8.90    2000       2024         24
## Genres*                    627.65      357.31       1       1318       1317
## Rating*                    875.98      610.09       1       1830       1829
## Vote_Count                1599.73     1400.32       0      36753      36753
## Original_Language*           9.69        0.00       1         36         35
## Production_Countries*      385.23       68.20       1        511        510
##                        skew kurtosis         se
## Rank                   0.00    -1.20       0.82
## Release.Group*         0.00    -1.20      20.22
## X.Worldwide            4.49    30.70 2835842.46
## X.Domestic             3.98    23.63 1092766.44
## Domestic..             0.31    -1.03       0.43
## X.Foreign              4.69    34.22 1887879.08
## Foreign..             -0.31    -1.03       0.43
## Year                   0.00    -1.20       0.10
## Genres*               -0.08    -0.90       5.05
## Rating*               -0.03    -1.07       7.20
## Vote_Count             3.14    12.97      54.99
## Original_Language*     2.06     3.78       0.11
## Production_Countries* -1.12    -0.03       2.08

Variables CUALITATIVAS/CATEGÓRICAS

Para analizar las variables cualitativas del conjunto de datos, se generaron tablas de frecuencia para Género, Idioma Original y País de Producción. Estas tablas muestran las 10 categorías más frecuentes en cada caso, seguidas de una fila agregada con la categoría “Otros” para agrupar el resto de los valores menos frecuentes. Finalmente, se incluyó una fila correspondiente a la moda, que representa la categoría con mayor aparición dentro de cada variable.

NOTA: No se generó una tabla de frecuencia para la variable Release Group, ya que esta contiene nombres únicos de películas. Dado que cada película tiene un título distinto, su frecuencia es generalmente 1 en la mayoría de los casos, lo que haría que la tabla de frecuencias no sea útil para el análisis.

Resumen de frecuencias para Género
Categoria	Frecuencia_Absoluta	Frecuencia_Relativa	Frecuencia_Acumulada
Drama	2009	15.60	2009
Comedy	1907	14.80	3916
Action	1384	10.74	5300
Adventure	1063	8.25	6363
Thriller	1060	8.23	7423
Romance	844	6.55	8267
Crime	699	5.43	8966
Family	694	5.39	9660
Fantasy	634	4.92	10294
Science Fiction	514	3.99	10808
Otros	2074	19.19	12882
Moda: Drama	2009	NA	NA

Resumen de frecuencias para Idioma Original
Categoria	Frecuencia_Absoluta	Frecuencia_Relativa	Frecuencia_Acumulada
en	3271	67.72	3271
ja	369	7.64	3640
zh	280	5.80	3920
fr	203	4.20	4123
ko	194	4.02	4317
hi	92	1.90	4409
de	77	1.59	4486
es	63	1.30	4549
cn	61	1.26	4610
it	56	1.16	4666
Otros	164	3.51	4830
Moda: English (en)	3271	NA	NA

Resumen de frecuencias para País de Producción
Categoria	Frecuencia_Absoluta	Frecuencia_Relativa	Frecuencia_Acumulada
United States of America	3153	43.72	3153
United Kingdom	616	8.54	3769
France	454	6.30	4223
Japan	436	6.05	4659
China	394	5.46	5053
Germany	362	5.02	5415
Canada	243	3.37	5658
South Korea	214	2.97	5872
Hong Kong	191	2.65	6063
India	158	2.19	6221
Otros	991	15.93	7212
Moda: United States of America	3153	NA	NA

Variables CUANTITATIVAS/NUMÉRICAS

##       Rank         X.Worldwide          X.Domestic          Domestic..    
##  Min.   :  1.00   Min.   :1.666e+06   Min.   :        0   Min.   :  0.00  
##  1st Qu.: 50.75   1st Qu.:2.466e+07   1st Qu.:    92752   1st Qu.:  0.20  
##  Median :100.50   Median :4.845e+07   Median : 17984212   Median : 37.05  
##  Mean   :100.50   Mean   :1.192e+08   Mean   : 44725233   Mean   : 35.74  
##  3rd Qu.:150.25   3rd Qu.:1.198e+08   3rd Qu.: 53868472   3rd Qu.: 57.80  
##  Max.   :200.00   Max.   :2.799e+09   Max.   :936662225   Max.   :100.00  
##    X.Foreign           Foreign..           Year        Vote_Count     
##  Min.   :0.000e+00   Min.   :  0.00   Min.   :2000   Min.   :    0.0  
##  1st Qu.:1.371e+07   1st Qu.: 42.20   1st Qu.:2006   1st Qu.:  226.5  
##  Median :3.019e+07   Median : 62.95   Median :2012   Median : 1035.5  
##  Mean   :7.449e+07   Mean   : 64.26   Mean   :2012   Mean   : 2480.7  
##  3rd Qu.:7.212e+07   3rd Qu.: 99.80   3rd Qu.:2018   3rd Qu.: 2939.0  
##  Max.   :1.994e+09   Max.   :100.00   Max.   :2024   Max.   :36753.0

Análisis de Correlación

Relaciones clave:

X.Worldwide vs. X.Domestic y X.Foreign: Se observa un rojo intenso, lo que sugiere que los ingresos mundiales tienen una fuerte correlación tanto con los ingresos domésticos como con los extranjeros (lógico, ya que son sus componentes).
Vote_Count vs. X.Worldwide/X.Domestic/X.Foreign: También hay una correlación positiva, lo que indica que películas con más ingresos suelen recibir más votos (puede deberse a mayor popularidad).
X.Domestic vs. X.Foreign: No parece ser una correlación perfecta, lo que sugiere que una película puede tener éxito en un mercado y no necesariamente en el otro.

Tablas de frecuencias agrupadas

Tabla de Frecuencias Agrupadas para la variable X.Worldwide
Intervalo	Frecuencia_Absoluta	Frecuencia_Acumulada	Frecuencia_Relativa
[1.67e+06,3.13e+08]	4542	4542	90.84
(3.13e+08,6.23e+08]	287	4829	5.74
(6.23e+08,9.34e+08]	107	4936	2.14
(9.34e+08,1.25e+09]	41	4977	0.82
(1.25e+09,1.56e+09]	14	4991	0.28
(1.56e+09,1.87e+09]	3	4994	0.06
(1.87e+09,2.18e+09]	3	4997	0.06
(2.18e+09,2.49e+09]	1	4998	0.02
(2.49e+09,2.8e+09]	2	5000	0.04
Total	5000	NA	100.00

La distribución de las recaudaciones globales de las películas muestra una alta concentración en valores bajos, con la mayoría de las películas generando ingresos moderados, mientras que un pequeño porcentaje alcanza cifras significativamente más altas. Esto refleja una distribución desigual en la industria, donde unas pocas películas muy exitosas dominan el mercado, mientras que la mayoría se quedan con ingresos más modestos. La mayor parte del total de recaudaciones está agrupada en un pequeño número de películas de gran éxito, mientras que el resto tiene un rendimiento más equilibrado o bajo.

Tabla de Frecuencias Agrupadas para la variable Domestic
Intervalo	Frecuencia_Absoluta	Frecuencia_Acumulada	Frecuencia_Relativa
[0,11.1]	1689	1689	33.78
(11.1,22.2]	208	1897	4.16
(22.2,33.3]	415	2312	8.30
(33.3,44.4]	610	2922	12.20
(44.4,55.6]	711	3633	14.22
(55.6,66.7]	494	4127	9.88
(66.7,77.8]	348	4475	6.96
(77.8,88.9]	231	4706	4.62
(88.9,100]	294	5000	5.88
Total	5000	NA	100.00

La distribución de las recaudaciones domésticas de las películas está concentrada en valores bajos, con un 33.78% de las películas obteniendo ingresos dentro del primer intervalo (0 a 11.1). Aunque hay una distribución más variada, la mayoría de las películas tienen ingresos relativamente bajos, con una disminución gradual en la frecuencia a medida que aumentan las recaudaciones.

Tabla de Frecuencias Agrupadas para la variable Foreign
Intervalo	Frecuencia_Absoluta	Frecuencia_Acumulada	Frecuencia_Relativa
[0,11.1]	294	294	5.88
(11.1,22.2]	231	525	4.62
(22.2,33.3]	348	873	6.96
(33.3,44.4]	494	1367	9.88
(44.4,55.6]	711	2078	14.22
(55.6,66.7]	610	2688	12.20
(66.7,77.8]	415	3103	8.30
(77.8,88.9]	208	3311	4.16
(88.9,100]	1689	5000	33.78
Total	5000	NA	100.00

La distribución de las recaudaciones internacionales de las películas está más equilibrada en comparación con el mercado doméstico. Si bien la mayor parte de las películas aún se concentran en intervalos de recaudación más bajos, existe una mayor proporción de películas con altos ingresos en el mercado internacional.

Tabla de Frecuencias Agrupadas para la variable Vote_Count
Intervalo	Frecuencia_Absoluta	Frecuencia_Acumulada	Frecuencia_Relativa
[0,4.08e+03]	4099	4099	81.98
(4.08e+03,8.17e+03]	534	4633	10.68
(8.17e+03,1.23e+04]	190	4823	3.80
(1.23e+04,1.63e+04]	87	4910	1.74
(1.63e+04,2.04e+04]	47	4957	0.94
(2.04e+04,2.45e+04]	29	4986	0.58
(2.45e+04,2.86e+04]	7	4993	0.14
(2.86e+04,3.27e+04]	4	4997	0.08
(3.27e+04,3.68e+04]	3	5000	0.06
Total	5000	NA	100.00

La distribución del número de votos muestra que una gran parte de las películas recibe pocos votos, con más del 80% de las películas concentradas en los primeros intervalos, lo que sugiere que la mayoría de las películas no alcanzan un nivel alto de popularidad en términos de votos.

Medidas de Tendencia Central

Variable	Media	Mediana	Moda
X.Worldwide	119213693	48446575	32800000.0
Domestic	36	37	0.0
Year	2012	2012	2000.0
Foreign	64	63	100.0
Vote Count	2481	1036	1035.5

Asimetría en la variable Worldwide
- La media (119,213,693) es significativamente mayor que la mediana (48,446,575) y la moda (32,800,000). Esto sugiere una distribución sesgada a la derecha (asimetría positiva), donde unos pocos valores muy altos están elevando la media.
La variable Year muestra una distribución sin sesgo
- La media, mediana son iguales (2012, 2012), lo que indica que los valores están uniformemente distribuidos en torno a la media y que el año en que se grabaron más peliculas fue en el año 2000.
Vote Count tiene una distribución altamente sesgada
- La media (2532) es mucho mayor que la mediana (1036) y la moda (1035.5) lo que sugiere un sesgo positivo (sesgo a la derecha), donde pocos valores elevan la media, mientras que la mediana y la moda son semejantes, lo que puede indicar mayor concentración de datos alrededor del valor central.

Medidas de Dispersión

Medidas de Dispersión para Variables Cuantitativas
Variable	Rango	Varianza	Desviación.Estándar	Coeficiente.de.Variación
X.Worldwide	1666028 - 2799439100	40210012222775640	200524343	1.682
Domestic	0 - 100	939.9	30.66	0.8578
Foreign	0 - 100	939.7	30.65	0.4771
Vote Count	0 - 36753	15117008	3888	1.567

Worldwide tiene el mayor rango, lo que indica una enorme variabilidad en la recaudación de las películas. Su varianza es extremadamente alta, lo que significa que los valores están muy dispersos con respecto a la media. La desviación estándar también es grande, reafirmando la alta variabilidad en los ingresos de las películas. Y el Coeficiente de variación indica que, en proporción a la media, hay una gran dispersión.
En Domestic el rango es más limitado, ya que probablemente esté en una escala porcentual. La varianza y desviación estándar son moderadas en comparación con la recaudación mundial. Por ultimo, el Coeficiente de variación sugiere que la dispersión en relación con la media es moderada.
Foreign parece ser una variable más estable en comparación con Domestic y X.Worldwide. Aunque la variabilidad absoluta es similar a Domestic, en términos relativos los ingresos internacionales muestran una menor dispersión, lo que sugiere una mayor consistencia en el rendimiento de las películas en mercados extranjeros.
Vote Count es una variable con altísima dispersión, lo que indica que la cantidad de votos está muy desbalanceada entre películas. Algunas reciben miles de valoraciones, mientras que otras casi ninguna. Esto sugiere una distribución desigual de la atención del público, lo cual es común en la industria del cine, donde ciertos títulos dominan el interés general.

Medidas de Posición

Medidas de Posición: Percentiles y Cuartiles
Variable	Q1_25	Q2_50	Q3_75
X.Worldwide	24662197.2	48446575.00	119758766.5
Domestic	0.2	37.05	57.8
Foreign	42.2	62.95	99.8
Vote_Count	226.5	1035.50	2939.0
Year	2006.0	2012.00	2018.0

#INCER CONCLUSIÓN FALTA

Distribución de las variables cuantitativas

## No id variables; using all as measure variables

Anotaciones:

Los histogramas de las variables Worldwide, Domestic y Foreign, revelan una distribución marcadamente asimétrica y alejada de la normalidad, caracterizada por un sesgo positivo. Esto significa que la mayoría de los datos se concentran en los valores más bajos, mientras que la cola de la distribución se extiende hacia la derecha, indicando la presencia de valores atípicamente altos. Además, a pesar de que podemos observar una distribución similar, vemos que el rango intercuartílico de la variable Worlwide en el diagrama de cajas y bigotes es un poco ancho, por lo cual podríamos concluir que los datos tienen una mayor variabilidad que Domestic y Foreign. Visualmente, es evidente que ninguna de las tres variables siguen una distribución normal; sin embargo, realizamosla prueba de normalidad de Anderson-Darling para verificarlo:

## 
##  Anderson-Darling normality test
## 
## data:  datos$X.Worldwide
## A = 706.49, p-value < 2.2e-16

## 
##  Anderson-Darling normality test
## 
## data:  datos$X.Foreign
## A = 743.17, p-value < 2.2e-16

## 
##  Anderson-Darling normality test
## 
## data:  datos$X.Domestic
## A = 564.58, p-value < 2.2e-16

En Worlwide, Foreign y Domestic observamos que el p-valor es menor que 0.05, por lo tanto tenemos suficiente evidencia para rechazar la hipótesis nula de que los datos siguen una distribución normal, por lo que podemos afirmar que no son normales.

## No id variables; using all as measure variables

## No id variables; using all as measure variables

Anotaciones:

Los histogramas y los boxplots de las variables Domestic % y Foreign %, revelan una distribución marcadamente asimétrica y alejada de la normalidad, Domestic % cuenta con un sesgo positivo, lo que nos indica que la mayoría de las películas generan bajos porcentajes de sus ingresos en el mercado doméstico, pero algunas excepciones logran recaudar una gran parte localmente, lo que explicaría que la cola de la distribución se extienda hacia la derecha, indicando la presencia de valores atípicamente altos.
Por otro lado, Foreign % tiene un sesgo negativo o a la izquierda, lo que nos da a entender que la mayoría de las películas obtienen una gran parte de sus ingresos en mercados internacionales, es decir, dependen de los ingresos extranjeros para alcanzar grandes cifras en taquilla. Los boxplots también nos evidencian que la mediana de Foreign % es mayor, confirmando que esta tiene valores típicamente mayores a Domestic % y se complementan, puesto que si una sube, la otra baja.

En conclusión, estos resultados sugieren que el éxito global de una película está más determinado por su desempeño en mercados extranejeros

En otro orden de ideas, es evidente que estas variables no siguen una distribución normal; sin embargo, realizaremos la prueba de normalidad de Anderson-Darling para verificarlo:

## 
##  Anderson-Darling normality test
## 
## data:  datos$Foreign
## A = 146.83, p-value < 2.2e-16

## 
##  Anderson-Darling normality test
## 
## data:  datos$Domestic
## A = 146.99, p-value < 2.2e-16

En Foreign % y Domestic % observamos que el p-valor es menor que 0.05, por lo tanto tenemos suficiente evidencia para rechazar la hipótesis nula de que los datos siguen una distribución normal, por lo que podemos afirmar que no son normales.

## Warning: Removed 170 rows containing non-finite outside the scale range
## (`stat_boxplot()`).

## Warning: Removed 170 rows containing non-finite outside the scale range
## (`stat_bin()`).

El histograma de la variable Rating, muestra una ligera asimetría negativa o sesgo a la izquierda. La mayor concentración de datos está entre 6 y 8, con la moda cercana a 7. Sin embargo, también se observa en el boxplot que la cola de la distribución se extiende hacia valores más bajos, acercándose a 0, lo que indica la presencia de algunas calificaciones mucho menores pero con poca frecuencia. Este tipo de distribución sugiere que la mayoría de las calificaciones son relativamente altas y que hay pocos valores extremadamente bajos. Desde otro punto de vista, la caja es angosta, lo que implica una menor variabilidad en los datos, lo cual se ve en el histograma, puesto que los datos están mas concentrados. A pesar de esto, la vista nos dice que esta variable no sigue una distribución normal; sin embargo, realizaremos la prueba de normalidad de Anderson-Darling para verificarlo:

## 
##  Anderson-Darling normality test
## 
## data:  datos$Rating
## A = 45.239, p-value < 2.2e-16

En Rating observamos que el p-valor es menor que 0.05, por lo tanto tenemos suficiente evidencia para rechazar la hipótesis nula de que los datos siguen una distribución normal, por lo que podemos afirmar que no son normales.

¿Existen diferencias estadísticamente significativas entre los valores medios de las ganancias internacionales de las películas según su género?

En este punto, evaluaremos si el género de una película influye directamente en las ganancias internacionales obtenidas. Para ello, nos centraremos en tres géneros específicos y analizaremos si las medias de sus ganancias internacionales presentan diferencias significativas.

Usaremos como grupo de interés la variable “Género” y “Foreign” para determinar las ganancias internacionales de cada película.

Antes de aplicar las pruebas estadísticas, evaluaremos la distribución de los datos para determinar si se ajustan a una distribución normal. Esto es crucial porque la normalidad de los datos guiará la elección de la prueba estadística adecuada (paramétrica o no paramétrica).

Como ya se comprobó antes, la variable Foreign no cumple el supuesto de normalidad, por lo cual utilizaremos la prueba de Kruskal-Wallis en lugar de la prueba de ANOVA, ya que la primera es una alternativa no paramétrica que no requiere que los datos sigan una distribución normal.

Primero realizaré una filtración de los géneros de las películas, puesto que se encuentran juntas entre comas.

#Separamos los géneros
Generos_Separados <- unlist(strsplit(as.character(datos$Genres), split = ", "))

#Contamos cuantas películas hay
Frecuencia_Absoluta <- table(Generos_Separados)

#Calculamos la frecuencia relativa
Frecuencia_Relativa <- prop.table(Frecuencia_Absoluta)

#Agrupamos todo en Data Frame
Tabla_Final <- data.frame(Genero = names(Frecuencia_Absoluta), Frecuencia_Absoluta = as.numeric(Frecuencia_Absoluta), Frecuencia_Relativa = round(100 * as.numeric(Frecuencia_Relativa), 2)) #Multiplicamos por 100 para convertilo en porcentaje y lo redondeamos a dos cifras.

colnames(Tabla_Final)[colnames(Tabla_Final) == "Frecuencia_Absoluta"] <- "Frecuencia Absoluta"
colnames(Tabla_Final)[colnames(Tabla_Final) == "Frecuencia_Relativa"] <- "Frecuencia Relativa"

#Hacemos una tabla con la función "kable"
Tabla_Frecuencia <- kable(Tabla_Final, align = "c") %>%  
  kable_styling(full_width = TRUE, bootstrap_options = c("striped", "hover", "condensed", "responsive"), 
                font_size = 15, fixed_thead = TRUE) %>%
  column_spec(1, bold = TRUE, width = "10em") %>%   
  column_spec(2, width = "10em") %>%                
  column_spec(3, width = "10em") %>%                
  row_spec(0, bold = TRUE, background = "#9eb5d9", color = "black")

Tabla_Frecuencia

Genero	Frecuencia Absoluta	Frecuencia Relativa
Action	1384	10.74
Adventure	1063	8.25
Animation	498	3.87
Comedy	1907	14.80
Crime	699	5.43
Documentary	79	0.61
Drama	2009	15.60
Family	694	5.39
Fantasy	634	4.92
History	293	2.27
Horror	436	3.38
Music	152	1.18
Mystery	431	3.35
Romance	844	6.55
Science Fiction	514	3.99
Thriller	1060	8.23
TV Movie	7	0.05
War	144	1.12
Western	34	0.26

Como podemos ver, ya hemos separado los géneros de las películas, lo que nos permitirá contar cuántas películas corresponden a cada género. A continuación, nos enfocaremos en el otro grupo de interés, que son las ganancias internacionales de las películas. Para ello, procederemos a filtrar las películas según su género y analizaremos las ganancias correspondientes a cada grupo.

GananciasGenero <- rep(datos$X.Foreign, sapply(strsplit(as.character(datos$Genres), split = ", "), length))

#Juntamos los géneros y las ganancias de las películas en un Data Frame
Data_Frame_Ganancias_Generos <- data.frame(Genero = Generos_Separados, Ganancias = GananciasGenero)

#Las agrupamos por genero
Agrupacion_Ganancias_Generos <- aggregate(Ganancias ~ Genero, data = Data_Frame_Ganancias_Generos, sum)


# Formateamos las ganancias con puntos y comas para la tabla
Agrupacion_Ganancias_Generos$Ganancias_formateadas <- comma(Agrupacion_Ganancias_Generos$Ganancias)

colnames(Agrupacion_Ganancias_Generos)[colnames(Agrupacion_Ganancias_Generos) == "Ganancias_formateadas"] <- "Ganancia"

# Creamos la tabla con la columna de ganancias formateadas
Tabla_Frecuencia3 <- kable(Agrupacion_Ganancias_Generos[, c("Genero", "Ganancia")], 
                            caption = "Tabla: Ganancias Totales por Genero", align = "c") %>%  
  kable_styling(full_width = TRUE, bootstrap_options = c("striped", "hover", "condensed", "responsive"), 
                font_size = 15, fixed_thead = TRUE) %>%
  column_spec(1, bold = TRUE, width = "10em") %>%   
  column_spec(2, width = "10em") %>%                
  row_spec(0, bold = TRUE, background = "#00b08e", color = "black")

# Mostrar la tabla
Tabla_Frecuencia3

Tabla: Ganancias Totales por Genero
Genero	Ganancia
Action	165,951,686,864
Adventure	168,387,139,689
Animation	61,501,072,956
Comedy	120,154,492,707
Crime	40,170,061,703
Documentary	1,827,471,543
Drama	102,252,519,801
Family	75,375,365,889
Fantasy	81,244,594,839
History	16,554,412,413
Horror	20,272,217,062
Music	8,148,949,877
Mystery	23,721,062,500
Romance	42,095,656,530
Science Fiction	82,247,553,450
Thriller	72,920,927,337
TV Movie	129,380,542
War	12,760,889,331
Western	1,913,719,532

# Crear gráfico de barras con las ganancias numéricas, pero con etiquetas formateadas
ggplot(Agrupacion_Ganancias_Generos, aes(x = reorder(Genero, -Ganancias), y = Ganancias, fill = Genero)) + 
  geom_bar(stat = "identity") +
  labs(title = "Ganancias Totales por Genero", x = "Genero", y = "Ganancia Total") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  scale_y_continuous(labels = scales::comma)  # Formateamos las etiquetas del eje Y con puntos y comas

De acuerdo con la tabla, podemos observar que los géneros comedia, acción y aventura son los que generaron mayores ganancias. Por lo tanto, nos centraremos en estos tres géneros. A simple vista, podríamos suponer que el género que más generó será el que tenga la mediana más alta. Vamos a comprobar esta hipótesis calculando la media y la mediana de las ganancias para cada género:

# Filtrar los géneros en los que estamos interesados
Generos_Seleccionados <- c("Action", "Adventure", "Comedy")

# Filtrar los datos que contienen esos géneros
Data_Filtrada <- subset(Data_Frame_Ganancias_Generos, Genero %in% Generos_Seleccionados)

# Calcular la media y la mediana de las ganancias por género
Estadisticas_Ganancias_Filtradas <- aggregate(Ganancias ~ Genero, data = Data_Filtrada, 
                                              FUN = function(x) c(Mediana = median(x, na.rm = TRUE)))

# Convertir la matriz de estadísticas en columnas separadas
Estadisticas_Ganancias_Filtradas <- data.frame(Genero = Estadisticas_Ganancias_Filtradas$Genero, 
                                               Medianas = Estadisticas_Ganancias_Filtradas$Ganancias)

# Formatear los valores con comas
Estadisticas_Ganancias_Filtradas$Mediana <- comma(Estadisticas_Ganancias_Filtradas$Medianas)

# Crear la tabla con kable
Tabla_Estadisticas_Filtradas <- kable(Estadisticas_Ganancias_Filtradas[, c("Genero", "Mediana")], 
                                      caption = "Tabla: Mediana de Ganancias (Action, Adventure, Comedy)", 
                                      align = "c") %>%  
  kable_styling(full_width = TRUE, bootstrap_options = c("striped", "hover", "condensed", "responsive"), 
                font_size = 15, fixed_thead = TRUE) %>%
  column_spec(1, bold = TRUE, width = "10em") %>%   
  column_spec(2, width = "10em") %>%                
  row_spec(0, bold = TRUE, background = "#ffcc00", color = "black")

# Mostrar la tabla
Tabla_Estadisticas_Filtradas

Tabla: Mediana de Ganancias (Action, Adventure, Comedy)
Genero	Mediana
Action	48,478,541
Adventure	61,153,455
Comedy	27,302,268

# Gráfico de barras para la mediana de ganancias
ggplot(Estadisticas_Ganancias_Filtradas, aes(x = reorder(Genero, -Medianas), y = Medianas, fill = Genero)) + 
  geom_bar(stat = "identity") +
  labs(title = "Mediana de Ganancias por Género", x = "Género", y = "Mediana de Ganancia") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  scale_y_continuous(labels = scales::comma)

Como podemos observar, la mediana se sigue acomodando a los indicios que obtuvimos antes. Sin embargo, veamos si esta diferencia en las distribuciones (o en las medianas) es en realidad significativa con la prueba de Kruskal.

# Filtrar los géneros en los que estamos interesados
Generos_Seleccionados <- c("Action", "Adventure", "Comedy")

# Filtrar los datos que contienen esos géneros
Data_Filtrada <- subset(Data_Frame_Ganancias_Generos, Genero %in% Generos_Seleccionados)

# Realizar la prueba de Kruskal-Wallis
kruskal_test <- kruskal.test(Ganancias ~ Genero, data = Data_Filtrada)


kruskal_test

## 
##  Kruskal-Wallis rank sum test
## 
## data:  Ganancias by Genero
## Kruskal-Wallis chi-squared = 310.49, df = 2, p-value < 2.2e-16

El valor p obtenido es menor que 0.05, lo que nos lleva a rechazar la hipótesis nula. Esto indica que existen diferencias significativas entre las medianas de los géneros de películas (acción, comedia y aventura) en cuanto a sus ganancias internacionales. En consecuencia, podemos concluir que las ganancias internacionales varían de manera significativa según el género de la película.

# Realizar la prueba de Dunn
dunn_result <- dunn.test(Data_Filtrada$Ganancias, Data_Filtrada$Genero, 
                         kw = TRUE, label = TRUE, list = TRUE)

##   Kruskal-Wallis rank sum test
## 
## data: x and group
## Kruskal-Wallis chi-squared = 310.4948, df = 2, p-value = 0
## 
## 
##                            Comparison of x by group                            
##                                 (No adjustment)                                
## Col Mean-|
## Row Mean |     Action   Adventur
## ---------+----------------------
## Adventur |  -3.592213
##          |    0.0002*
##          |
##   Comedy |   13.12019   15.93132
##          |    0.0000*    0.0000*
## 
## 
## List of pairwise comparisons: Z statistic (p-value)
## ----------------------------------------
## Action - Adventure : -3.592213 (0.0002)*
## Action - Comedy    :  13.12019 (0.0000)*
## Adventure - Comedy :  15.93132 (0.0000)*
## 
## alpha = 0.05
## Reject Ho if p <= alpha/2

# Mostrar el resultado de la prueba
dunn_result

## $chi2
## [1] 310.4948
## 
## $Z
## [1] -3.592214 13.120198 15.931321
## 
## $P
## [1] 1.639405e-04 1.261376e-39 1.920784e-57
## 
## $P.adjusted
## [1] 1.639405e-04 1.261376e-39 1.920784e-57
## 
## $comparisons
## [1] "Action - Adventure" "Action - Comedy"    "Adventure - Comedy"

Como vemos, la p adquiere un valor menor a 0.05 para todos los géneros. Lo que nos lleva a la conclusión de que todos son diferentes entre sí.

Conclusión

De acuerdo a todo lo anterior, podemos destacar las siguientes conclusiones:

Media y Mediana:
Aunque en algunos casos calcular solo la media y la mediana no es suficiente para determinar si existe una diferencia significativa entre los grupos, en este análisis vimos que ambos indicadores nos señalaron la presencia de diferencias significativas entre los tres géneros de películas seleccionados.
Prueba de Kruskal:
La prueba de Kruskal nos permitió verificar que la distribución es diferente en todos los géneros comparados, indicando que existe una diferencia significativa en las ganancias internacionales entre los géneros de películas de acción, comedia y aventura.
Rendimiento de los Géneros:
Es interesante observar que, aunque el género de comedia tuvo más películas que el género de acción, la prueba de Kruskal mostró que existía una diferencia significativa entre ambos. Esto nos lleva a inferir que, a pesar de que las películas de acción eran menos en número, su rendimiento fue superior, lo que sugiere que estaban mejor valoradas (Rating) y, por lo tanto, generaban más dinero. Además, se podría decir que la diferencia no fue producto del azar, lo que nos permite concluir que el género puede llegar a tener un impacto en las ganancias internacionales de las películas.

EDA ME1

Grupo escarabajas

2025-01-29

Recursos/Librerías