Prueba de Bechdel
La prueba de Bechdel es un método que se usa para evaluar la representación de las mujeres en películas, series u otras obras narrativas. Para aprobarla, la obra debe cumplir tres criterios: (1) tener al menos dos personajes femeninos con nombre, (2) que estos personajes conversen entre sí en algún momento, y (3) que su diálogo no gire en torno a un hombre (por ejemplo, relaciones románticas o familiares). Fue propuesta por Alison Bechdel, destacando la falta de desarrollo de personajes femeninos en muchas producciones, aunque no mide la calidad ni la igualdad de género de manera exhaustiva.
Actividad 1
Cargue en un objeto de R el contenido del archivo “prueba_bechdel.csv”
En dicho dataframe se tienen algunas columnas como:
budget_2013: Presupuesto en dólares ajustados a la inflación de 2013
domgross_2013: Recaudación nacional (EE.UU.) en dólares ajustados a la inflación de 2013
intgross_2013: Recaudación internacional total (es decir, mundial) en dólares a la inflación de 2013
En la columna clean_test encontrará los valores:
- ok = Pasa la prueba
- dubious = Se duda si pasa la prueba
- men = Las mujeres sólo hablan acerca de hombres
- notalk = Las mujeres no se hablan entre sí
- nowomen = menos de dos mujeres
## year imdb title test clean_test binary code
## 1 2013 tt1711425 21 & Over notalk notalk FAIL 2013FAIL
## 2 2012 tt1343727 Dredd 3D ok-disagree ok PASS 2012PASS
## 3 2013 tt2024544 12 Years a Slave notalk-disagree notalk FAIL 2013FAIL
## 4 2013 tt1272878 2 Guns notalk notalk FAIL 2013FAIL
## 5 2013 tt0453562 42 men men FAIL 2013FAIL
## 6 2013 tt1335975 47 Ronin men men FAIL 2013FAIL
## budget_2013 domgross_2013 intgross_2013
## 1 13000000 25682380 42195766
## 2 45658735 13611086 41467257
## 3 20000000 53107035 158607035
## 4 61000000 75612460 132493015
## 5 40000000 95020213 95020213
## 6 225000000 38362475 145803842Actividad 2
Use alguna de las funciones case_when o
if_else de {dplyr} para cambiar los valores de la columna
clean_test
- ok -> pasa dubious -> dudosamente men -> discurso_hombres no_talk -> silencio nowomen -> sin_mujeres
##
## Adjuntando el paquete: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, uniondatos_bechdel<-datos_bechdel |>
mutate(clean_test=case_when(
clean_test == "ok" ~ "pasa",
clean_test == "dubious" ~ "dudosamente",
clean_test == "men" ~ "discurso_hombres",
clean_test == "notalk" ~ "silencio",
clean_test == "nowomen" ~ "sin_mujeres",
TRUE ~ clean_test
))
datos_bechdel |> head()## year imdb title test clean_test binary
## 1 2013 tt1711425 21 & Over notalk silencio FAIL
## 2 2012 tt1343727 Dredd 3D ok-disagree pasa PASS
## 3 2013 tt2024544 12 Years a Slave notalk-disagree silencio FAIL
## 4 2013 tt1272878 2 Guns notalk silencio FAIL
## 5 2013 tt0453562 42 men discurso_hombres FAIL
## 6 2013 tt1335975 47 Ronin men discurso_hombres FAIL
## code budget_2013 domgross_2013 intgross_2013
## 1 2013FAIL 13000000 25682380 42195766
## 2 2012PASS 45658735 13611086 41467257
## 3 2013FAIL 20000000 53107035 158607035
## 4 2013FAIL 61000000 75612460 132493015
## 5 2013FAIL 40000000 95020213 95020213
## 6 2013FAIL 225000000 38362475 145803842Actividad 3
Use alguna de las funciones case_when o
if_else de {dplyr} para cambiar los valores de la columna
binary
- FAIL -> no_pasa PASS -> si_pasa
Actividad 4
Haga una gráfica con funciones de {ggplot2} que muestre la composición de observaciones que sí pasaron y no pasaron la prueba de Bechdel
Actividad 5
Haga una gráfica con funciones de {ggplot2} que muestre la composición de observaciones que sí pasaron y no pasaron la prueba de Bechdel, con respecto al año
Actividad 6
Haga una gráfica con funciones de {ggplot2} que muestre la composición de observaciones que pasaron, dudosamente, sólo hablaban de hombres, no hablaban entre sí y no hay mujeres.
Actividad 7
Haga una gráfica con funciones de {ggplot2} que muestre la composición de observaciones que pasaron, dudosamente, sólo hablaban de hombres, no hablaban entre sí y no hay mujeres, con respecto al año.
Actividad 8
Haga una gráfica con funciones de {ggplot2} que muestre la relación entre el presupuesto de la obra con la ganancia de la obra en función de si paso o no la prueba de Bechdel. ¿Puede hacer algún tipo de afirmación?
Actividad 9
Haga dos gráficas adicionales con funciones de {ggplot2} que considere interesantes.
¿AeroLineas Seguras?
Se usará el conjunto de datos airline_safety de la librería {fivethirtyeight}
Actividad 1
Con funciones de la librería {dplyr} para obtener el número total de incidentes, número total de accidentes fatales y el número total de muertes en el periodo de 1985 a 2014.
- En primera instancia, visualizamos los datos del dataset a analizar.
## # A tibble: 6 × 9
## airline incl_reg_subsidiaries avail_seat_km_per_week incidents_85_99
## <chr> <lgl> <dbl> <int>
## 1 Aer Lingus FALSE 320906734 2
## 2 Aeroflot TRUE 1197672318 76
## 3 Aerolineas Argen… FALSE 385803648 6
## 4 Aeromexico TRUE 596871813 3
## 5 Air Canada FALSE 1865253802 2
## 6 Air France FALSE 3004002661 14
## # ℹ 5 more variables: fatal_accidents_85_99 <int>, fatalities_85_99 <int>,
## # incidents_00_14 <int>, fatal_accidents_00_14 <int>, fatalities_00_14 <int>Realizamos un summarize() para obtener los datos que
queremos…
Datos_totales<-datos_aerolinea |>summarise(total_incidents=sum(incidents_85_99,incidents_00_14,na.rm=TRUE),
total_fatalAccidents=sum(fatal_accidents_85_99,fatal_accidents_00_14, na.rm=TRUE),
total_fatalities=sum(fatalities_85_99,fatalities_00_14))
Datos_totales## # A tibble: 1 × 3
## total_incidents total_fatalAccidents total_fatalities
## <int> <int> <int>
## 1 633 159 9404Actividad 2
Obtenga las 10 aerolíneas que han tenido el mayor número de incidentes. Haga una visualización que permita identificar a éstas. ¿Hay algún cambio en este top 10 antes y después del año 2000?
- Insertamos las librerías que utilizaremos
## Warning: package 'fivethirtyeight' was built under R version 4.4.3## Some larger datasets need to be installed separately, like senators and
## house_district_forecast. To install these, we recommend you install the
## fivethirtyeightdata package by running:
## install.packages('fivethirtyeightdata', repos =
## 'https://fivethirtyeightdata.github.io/drat/', type = 'source')- Obtenemos las 10 aerolineas con mayor incidentes.
top10_incidents<-airline_safety|>group_by(airline)|>mutate(total_incidents=sum(incidents_85_99,incidents_00_14)) |> arrange(desc(total_incidents)) |> head(10)
top10_incidents## # A tibble: 10 × 10
## # Groups: airline [10]
## airline incl_reg_subsidiaries avail_seat_km_per_week incidents_85_99
## <chr> <lgl> <dbl> <int>
## 1 Aeroflot TRUE 1197672318 76
## 2 Delta / Northwe… TRUE 6525658894 24
## 3 American TRUE 5228357340 21
## 4 United / Contin… TRUE 7139291291 19
## 5 Ethiopian Airli… FALSE 488560643 25
## 6 US Airways / Am… TRUE 2455687887 16
## 7 Air France FALSE 3004002661 14
## 8 Pakistan Intern… FALSE 348563137 8
## 9 Saudi Arabian FALSE 859673901 7
## 10 Turkish Airlines FALSE 1946098294 8
## # ℹ 6 more variables: fatal_accidents_85_99 <int>, fatalities_85_99 <int>,
## # incidents_00_14 <int>, fatal_accidents_00_14 <int>, fatalities_00_14 <int>,
## # total_incidents <int>- Realizamos la visualización de los datos.
ggplot(top10_incidents, aes(x = reorder(airline, total_incidents), y = total_incidents)) +
geom_bar(stat = "identity", fill = "lightblue") +
coord_flip() +
labs(title = "Top 10 Aerolíneas con Mayor Número de Incidentes",
x = "Aerolínea",
y = "Número Total de Incidentes") +
theme_minimal()
- Hagamos el análisis antes y despues del 2000.
Top10_incidents_85_99<-airline_safety|>group_by(airline)|> mutate(total_incidents=incidents_85_99)|>arrange(desc(total_incidents)) |> head(10)
Top10_incidents_85_99## # A tibble: 10 × 10
## # Groups: airline [10]
## airline incl_reg_subsidiaries avail_seat_km_per_week incidents_85_99
## <chr> <lgl> <dbl> <int>
## 1 Aeroflot TRUE 1197672318 76
## 2 Ethiopian Airli… FALSE 488560643 25
## 3 Delta / Northwe… TRUE 6525658894 24
## 4 American TRUE 5228357340 21
## 5 United / Contin… TRUE 7139291291 19
## 6 US Airways / Am… TRUE 2455687887 16
## 7 Air France FALSE 3004002661 14
## 8 China Airlines FALSE 813216487 12
## 9 Korean Air FALSE 1734522605 12
## 10 Garuda Indonesia FALSE 613356665 10
## # ℹ 6 more variables: fatal_accidents_85_99 <int>, fatalities_85_99 <int>,
## # incidents_00_14 <int>, fatal_accidents_00_14 <int>, fatalities_00_14 <int>,
## # total_incidents <int>- Incidentes despues del 2000
Top10_incidents_00_14<-airline_safety|>group_by(airline)|>mutate(total_incidents=incidents_00_14)|> arrange(desc(total_incidents)) |> head(10)
Top10_incidents_00_14## # A tibble: 10 × 10
## # Groups: airline [10]
## airline incl_reg_subsidiaries avail_seat_km_per_week incidents_85_99
## <chr> <lgl> <dbl> <int>
## 1 Delta / Northwe… TRUE 6525658894 24
## 2 American TRUE 5228357340 21
## 3 United / Contin… TRUE 7139291291 19
## 4 Saudi Arabian FALSE 859673901 7
## 5 US Airways / Am… TRUE 2455687887 16
## 6 Pakistan Intern… FALSE 348563137 8
## 7 Southwest Airli… FALSE 3276525770 1
## 8 Turkish Airlines FALSE 1946098294 8
## 9 All Nippon Airw… FALSE 1841234177 3
## 10 TAM FALSE 1509195646 8
## # ℹ 6 more variables: fatal_accidents_85_99 <int>, fatalities_85_99 <int>,
## # incidents_00_14 <int>, fatal_accidents_00_14 <int>, fatalities_00_14 <int>,
## # total_incidents <int>- Finalmente veamos si hubieron diferencias de manera visual entre los diferentes periodos en el Top10
ggplot(Top10_incidents_85_99, aes(x = reorder(airline, incidents_85_99), y = incidents_85_99)) +
geom_bar(stat = "identity", fill = "#FF5733") +
coord_flip() +
labs(title = "Top 10 Aerolíneas con Más Incidentes (1985-1999)",
x = "Aerolínea",
y = "Número de Incidentes") +
theme_minimal()
ggplot(Top10_incidents_00_14, aes(x = reorder(airline, incidents_00_14), y = incidents_00_14)) +
geom_bar(stat = "identity", fill = "#2E86C1") +
coord_flip() +
labs(title = "Top 10 Aerolíneas con Más Incidentes (2000-2014)",
x = "Aerolínea",
y = "Número de Incidentes") +
theme_minimal()
Podemos observar que si existe un gran diferencia en el número total de
incidentes por cada aerolinea antes y despues del 2000. El top 10 varia
conforme el periodo. Algunos si se mantienen en el Top pero el cambió
más drástico fué AeroFlot
Actividad 3
Obtenga las 10 aerolíneas que han tenido el menor número de incidentes. Haga una visualización que permita identificar a éstas. ¿Hay algún cambio en este top 10 antes y después del año 2000?
- Obtenemos las 10 aerolineas con menor número de incidentes.
top10_incidentsmenor<-airline_safety|>group_by(airline)|>mutate(total_incidents=sum(incidents_85_99,incidents_00_14)) |> arrange(total_incidents) |> head(10)
top10_incidentsmenor## # A tibble: 10 × 10
## # Groups: airline [10]
## airline incl_reg_subsidiaries avail_seat_km_per_week incidents_85_99
## <chr> <lgl> <dbl> <int>
## 1 TAP - Air Portu… FALSE 619130754 0
## 2 Finnair FALSE 506464950 1
## 3 Hawaiian Airlin… FALSE 493877795 0
## 4 Virgin Atlantic FALSE 1005248585 1
## 5 Aer Lingus FALSE 320906734 2
## 6 Austrian Airlin… FALSE 358239823 1
## 7 Cathay Pacific TRUE 2582459303 0
## 8 Condor FALSE 417982610 2
## 9 El Al FALSE 335448023 1
## 10 COPA FALSE 550491507 3
## # ℹ 6 more variables: fatal_accidents_85_99 <int>, fatalities_85_99 <int>,
## # incidents_00_14 <int>, fatal_accidents_00_14 <int>, fatalities_00_14 <int>,
## # total_incidents <int>- Realizamos la visualización de los datos.
ggplot(top10_incidentsmenor, aes(x = reorder(airline, total_incidents), y = total_incidents)) +
geom_bar(stat = "identity", fill = "lightblue") +
coord_flip() +
labs(title = "Top 10 Aerolíneas con Menor Número de Incidentes",
x = "Aerolínea",
y = "Número Total de Incidentes") +
theme_minimal()
+ El número de incidente más grande en este Top fué de 3, un número
mucho más bajo comparado con el Top anterior.
- Hagamos el análisis antes y despues del 2000.
Top10_incidents_85_99_menor<-airline_safety|>group_by(airline)|> mutate(total_incidents=incidents_85_99)|>arrange(total_incidents) |> head(10)
Top10_incidents_85_99_menor## # A tibble: 10 × 10
## # Groups: airline [10]
## airline incl_reg_subsidiaries avail_seat_km_per_week incidents_85_99
## <chr> <lgl> <dbl> <int>
## 1 Cathay Pacific TRUE 2582459303 0
## 2 Hawaiian Airlin… FALSE 493877795 0
## 3 TAP - Air Portu… FALSE 619130754 0
## 4 Austrian Airlin… FALSE 358239823 1
## 5 El Al FALSE 335448023 1
## 6 Finnair FALSE 506464950 1
## 7 Gulf Air FALSE 301379762 1
## 8 Qantas TRUE 1917428984 1
## 9 Southwest Airli… FALSE 3276525770 1
## 10 Virgin Atlantic FALSE 1005248585 1
## # ℹ 6 more variables: fatal_accidents_85_99 <int>, fatalities_85_99 <int>,
## # incidents_00_14 <int>, fatal_accidents_00_14 <int>, fatalities_00_14 <int>,
## # total_incidents <int>- Incidentes despues del 2000
Top10_incidents_00_14_menor<-airline_safety|>group_by(airline)|>mutate(total_incidents=incidents_00_14)|> arrange(total_incidents) |> head(10)
Top10_incidents_00_14_menor## # A tibble: 10 × 10
## # Groups: airline [10]
## airline incl_reg_subsidiaries avail_seat_km_per_week incidents_85_99
## <chr> <lgl> <dbl> <int>
## 1 Aer Lingus FALSE 320906734 2
## 2 Avianca FALSE 396922563 5
## 3 Condor FALSE 417982610 2
## 4 COPA FALSE 550491507 3
## 5 Finnair FALSE 506464950 1
## 6 Japan Airlines FALSE 1574217531 3
## 7 LAN Airlines FALSE 1001965891 3
## 8 TAP - Air Portu… FALSE 619130754 0
## 9 Virgin Atlantic FALSE 1005248585 1
## 10 Aerolineas Arge… FALSE 385803648 6
## # ℹ 6 more variables: fatal_accidents_85_99 <int>, fatalities_85_99 <int>,
## # incidents_00_14 <int>, fatal_accidents_00_14 <int>, fatalities_00_14 <int>,
## # total_incidents <int>- Finalmente veamos si hubieron diferencias de manera visual entre los diferentes periodos en el Top10 para el menor número de incidentes.
ggplot(Top10_incidents_85_99_menor, aes(x = reorder(airline, incidents_85_99), y = incidents_85_99)) +
geom_bar(stat = "identity", fill = "#FF5733") +
coord_flip() +
labs(title = "Top 10 Aerolíneas con Menos Incidentes (1985-1999)",
x = "Aerolínea",
y = "Número de Incidentes") +
theme_minimal()
ggplot(Top10_incidents_00_14_menor, aes(x = reorder(airline, incidents_00_14), y = incidents_00_14)) +
geom_bar(stat = "identity", fill = "#2E86C1") +
coord_flip() +
labs(title = "Top 10 Aerolíneas con Menos Incidentes (2000-2014)",
x = "Aerolínea",
y = "Número de Incidentes") +
theme_minimal()
- Podemos observar que durante estos dos periodos el movimiento en el TOP 10 fué mucho mayor. Practicamente solo 3 aerolineas pudieron mantener su puesto en el top.
Actividad 4
Obtenga las 10 aerolíneas que han tenido el mayor número de muertes. Haga una visualización que permita identificar a éstas. ¿Hay algún cambio en este top 10 antes y después del año 2000?
- Obtenemos las 10 aerolineas con mayor número de muertes en total.
top10_mayor_muertes<-airline_safety|>group_by(airline)|>mutate(total_fatalities=sum(fatalities_85_99,fatalities_00_14)) |> arrange(desc(total_fatalities)) |> head(10)
top10_mayor_muertes## # A tibble: 10 × 10
## # Groups: airline [10]
## airline incl_reg_subsidiaries avail_seat_km_per_week incidents_85_99
## <chr> <lgl> <dbl> <int>
## 1 China Airlines FALSE 813216487 12
## 2 Malaysia Airlin… FALSE 1039171244 3
## 3 Japan Airlines FALSE 1574217531 3
## 4 American TRUE 5228357340 21
## 5 Air India TRUE 869253552 2
## 6 Delta / Northwe… TRUE 6525658894 24
## 7 United / Contin… TRUE 7139291291 19
## 8 Korean Air FALSE 1734522605 12
## 9 Air France FALSE 3004002661 14
## 10 Avianca FALSE 396922563 5
## # ℹ 6 more variables: fatal_accidents_85_99 <int>, fatalities_85_99 <int>,
## # incidents_00_14 <int>, fatal_accidents_00_14 <int>, fatalities_00_14 <int>,
## # total_fatalities <int>- Realizamos la visualización de los datos.
ggplot(top10_mayor_muertes, aes(x = reorder(airline, total_fatalities), y = total_fatalities)) +
geom_bar(stat = "identity", fill = "lightblue") +
coord_flip() +
labs(title = "Top 10 Aerolíneas con Mayor Número de Muertes",
x = "Aerolínea",
y = "Número Total de Muertes") +
theme_minimal()
+ El número mayor de muertes es muy grande…FYI.
- Hagamos el análisis antes y despues del 2000.
Top10_mayor_muertes_85_99<-airline_safety|>group_by(airline)|> mutate(total_fatalities=fatalities_85_99)|>arrange(desc(total_fatalities)) |> head(10)
Top10_mayor_muertes_85_99## # A tibble: 10 × 10
## # Groups: airline [10]
## airline incl_reg_subsidiaries avail_seat_km_per_week incidents_85_99
## <chr> <lgl> <dbl> <int>
## 1 China Airlines FALSE 813216487 12
## 2 Japan Airlines FALSE 1574217531 3
## 3 Korean Air FALSE 1734522605 12
## 4 Delta / Northwe… TRUE 6525658894 24
## 5 Air India TRUE 869253552 2
## 6 Avianca FALSE 396922563 5
## 7 United / Contin… TRUE 7139291291 19
## 8 Saudi Arabian FALSE 859673901 7
## 9 Thai Airways FALSE 1702802250 8
## 10 Egyptair FALSE 557699891 8
## # ℹ 6 more variables: fatal_accidents_85_99 <int>, fatalities_85_99 <int>,
## # incidents_00_14 <int>, fatal_accidents_00_14 <int>, fatalities_00_14 <int>,
## # total_fatalities <int>- Top 10 muertes despues del 2000
Top10_mayor_muertes_00_14<-airline_safety|>group_by(airline)|>mutate(total_fatalities=fatalities_00_14)|> arrange(desc(total_fatalities)) |> head(10)
Top10_mayor_muertes_00_14## # A tibble: 10 × 10
## # Groups: airline [10]
## airline incl_reg_subsidiaries avail_seat_km_per_week incidents_85_99
## <chr> <lgl> <dbl> <int>
## 1 Malaysia Airlin… FALSE 1039171244 3
## 2 American TRUE 5228357340 21
## 3 Air France FALSE 3004002661 14
## 4 Kenya Airways FALSE 277414794 2
## 5 China Airlines FALSE 813216487 12
## 6 TAM FALSE 1509195646 8
## 7 Air India TRUE 869253552 2
## 8 Gulf Air FALSE 301379762 1
## 9 SAS TRUE 682971852 5
## 10 United / Contin… TRUE 7139291291 19
## # ℹ 6 more variables: fatal_accidents_85_99 <int>, fatalities_85_99 <int>,
## # incidents_00_14 <int>, fatal_accidents_00_14 <int>, fatalities_00_14 <int>,
## # total_fatalities <int>- Finalmente veamos si hubieron diferencias de manera visual entre los diferentes periodos en el Top10 para el mayor número de muertes
ggplot(Top10_mayor_muertes_85_99, aes(x = reorder(airline, fatalities_85_99), y = fatalities_85_99)) +
geom_bar(stat = "identity", fill = "#FF5733") +
coord_flip() +
labs(title = "Top 10 Aerolíneas con Mayor Número de Muertes (1985-1999)",
x = "Aerolínea",
y = "Número de Muertes") +
theme_minimal()
ggplot(Top10_mayor_muertes_00_14, aes(x = reorder(airline, fatalities_00_14), y = fatalities_00_14)) +
geom_bar(stat = "identity", fill = "#2E86C1") +
coord_flip() +
labs(title = "Top 10 Aerolíneas con Mayor Número de Muertes (2000-2014)",
x = "Aerolínea",
y = "Número de Muertes") +
theme_minimal()
Actividad 5
Obtenga las 10 aerolíneas que han tenido el menor número de muertes. Haga una visualización que permita identificar a éstas. ¿Hay algún cambio en este top 10 antes y después del año 2000?
- Obtenemos las 10 aerolineas con menor número de muertes en total.
top10_menor_muertes<-airline_safety|>group_by(airline)|>mutate(total_fatalities=sum(fatalities_85_99,fatalities_00_14)) |> arrange((total_fatalities)) |> head(10)
top10_menor_muertes## # A tibble: 10 × 10
## # Groups: airline [10]
## airline incl_reg_subsidiaries avail_seat_km_per_week incidents_85_99
## <chr> <lgl> <dbl> <int>
## 1 Aer Lingus FALSE 320906734 2
## 2 Aerolineas Arge… FALSE 385803648 6
## 3 Air Canada FALSE 1865253802 2
## 4 Austrian Airlin… FALSE 358239823 1
## 5 British Airways TRUE 3179760952 4
## 6 Cathay Pacific TRUE 2582459303 0
## 7 Finnair FALSE 506464950 1
## 8 Hawaiian Airlin… FALSE 493877795 0
## 9 Qantas TRUE 1917428984 1
## 10 Southwest Airli… FALSE 3276525770 1
## # ℹ 6 more variables: fatal_accidents_85_99 <int>, fatalities_85_99 <int>,
## # incidents_00_14 <int>, fatal_accidents_00_14 <int>, fatalities_00_14 <int>,
## # total_fatalities <int>- Realizamos la visualización de los datos.
ggplot(top10_menor_muertes, aes(x = reorder(airline, total_fatalities), y = total_fatalities)) +
geom_bar(stat = "identity", fill = "lightblue") +
coord_flip() +
labs(title = "Top 10 Aerolíneas con Menor Número de Muertes",
x = "Aerolínea",
y = "Número Total de Muertes") +
theme_minimal()
+ El minimo número de muertes que ha habido desde 1985 hasta 2014 ha
sido de 0…un grán número.
- Hagamos el análisis antes y despues del 2000.
Top10_menor_muertes_85_99<-airline_safety|>group_by(airline)|> mutate(total_fatalities=fatalities_85_99)|>arrange((total_fatalities)) |> head(10)
Top10_menor_muertes_85_99## # A tibble: 10 × 10
## # Groups: airline [10]
## airline incl_reg_subsidiaries avail_seat_km_per_week incidents_85_99
## <chr> <lgl> <dbl> <int>
## 1 Aer Lingus FALSE 320906734 2
## 2 Aerolineas Arge… FALSE 385803648 6
## 3 Air Canada FALSE 1865253802 2
## 4 Air New Zealand TRUE 710174817 3
## 5 Alaska Airlines TRUE 965346773 5
## 6 Austrian Airlin… FALSE 358239823 1
## 7 British Airways TRUE 3179760952 4
## 8 Cathay Pacific TRUE 2582459303 0
## 9 Finnair FALSE 506464950 1
## 10 Gulf Air FALSE 301379762 1
## # ℹ 6 more variables: fatal_accidents_85_99 <int>, fatalities_85_99 <int>,
## # incidents_00_14 <int>, fatal_accidents_00_14 <int>, fatalities_00_14 <int>,
## # total_fatalities <int>- Top 10 muertes despues del 2000
Top10_menor_muertes_00_14<-airline_safety|>group_by(airline)|>mutate(total_fatalities=fatalities_00_14)|> arrange((total_fatalities)) |> head(10)
Top10_menor_muertes_00_14## # A tibble: 10 × 10
## # Groups: airline [10]
## airline incl_reg_subsidiaries avail_seat_km_per_week incidents_85_99
## <chr> <lgl> <dbl> <int>
## 1 Aer Lingus FALSE 320906734 2
## 2 Aerolineas Arge… FALSE 385803648 6
## 3 Aeromexico TRUE 596871813 3
## 4 Air Canada FALSE 1865253802 2
## 5 Alitalia FALSE 698012498 7
## 6 All Nippon Airw… FALSE 1841234177 3
## 7 Austrian Airlin… FALSE 358239823 1
## 8 Avianca FALSE 396922563 5
## 9 British Airways TRUE 3179760952 4
## 10 Cathay Pacific TRUE 2582459303 0
## # ℹ 6 more variables: fatal_accidents_85_99 <int>, fatalities_85_99 <int>,
## # incidents_00_14 <int>, fatal_accidents_00_14 <int>, fatalities_00_14 <int>,
## # total_fatalities <int>- Finalmente veamos si hubieron diferencias de manera visual entre los diferentes periodos en el Top10 para el mayor número de muertes
ggplot(Top10_menor_muertes_85_99, aes(x = reorder(airline, fatalities_85_99), y = fatalities_85_99)) +
geom_bar(stat = "identity", fill = "#FF5733") +
coord_flip() +
labs(title = "Top 10 Aerolíneas con Menor Número de Muertes (1985-1999)",
x = "Aerolínea",
y = "Número de Muertes") +
theme_minimal()
ggplot(Top10_menor_muertes_00_14, aes(x = reorder(airline, fatalities_00_14), y = fatalities_00_14)) +
geom_bar(stat = "identity", fill = "#2E86C1") +
coord_flip() +
labs(title = "Top 10 Aerolíneas con Menor Número de Muertes (2000-2014)",
x = "Aerolínea",
y = "Número de Muertes") +
theme_minimal()