---
title: "Tablero Trabajo Final"
author: "Valentina Rivera"
date: "2025-11-02"
output:
  flexdashboard::flex_dashboard:
    orientation: rows
    social: menu
    source_code: embed
---


Informacion de los datos 
===============================================================================


Row
-------------------------------------------------------------------------------

### Información 

Este conjunto de datos utilizados proviene del ranking anual de Forbes, el cual recopila información sobre las personas más ricas del mundo. Este archivo contiene 1.556 datos actualizados sobre los multimillonarios a nivel global, incluyendo variables como el nombre, país de origen, patrimonio neto, fuente principal de riqueza, industria, edad y posición en el listado. El proposito de este análisis es realizar un estudio descriptivo y estadístico de las variables en el dataset, con el fin de comprender la distribución de la riqueza y las características de los principales multimillonarios a nivel mundial según la revista Forbes. 


### Forbes Multimillonarios 

![](ForbesBillionairesList2025-1024x576.jpg)

Estadisticas 
============================================================================

### Estadisticas

```{r setup2}
forbes_dataset.5 = forbes_dataset.5 <- read.csv("/cloud/project/forbes_dataset 5.csv", sep=";", stringsAsFactors=TRUE)

summary(forbes_dataset.5)
```


Histogramas 
============================================================================

Row
-------------------------------------------------------------------------------

### percentage change

```{r hist1}
library(ggplot2)
ggplot(forbes_dataset.5, aes(x=Percentage.Change))+
  geom_histogram(fill="red")+
  labs(title="Histograma percentage change",
       x="percentage change",
       y="conteo")
```


### Net Worth 

```{r hist2}
library(ggplot2)
ggplot(forbes_dataset.5, aes(x=Net.Worth))+
  geom_histogram(fill="blue")+
  labs(title="Histograma net worth",
       x="net worth",
       y="conteo")
```

Row
-------------------------------------------------------------------------------

### Net Worth Billions 

```{r hist3}
library(ggplot2)
ggplot(forbes_dataset.5, aes(x=Net.Worth.Billions))+
  geom_histogram(fill="red")+
  labs(title="Histograma net worth billions",
       x="net worth billions",
       y="conteo")
```

### Change

```{r hist4}
library(ggplot2)
ggplot(forbes_dataset.5, aes(x=Change))+
  geom_histogram(fill="green")+
  labs(title="Histograma change",
       x="change",
       y="conteo")
```

### Age

```{r hist5}
library(ggplot2)
ggplot(forbes_dataset.5, aes(x=Age))+
  geom_histogram(fill="pink")+
  labs(title="Histograma age",
       x="age",
       y="conteo")
```


Correlacion
===============================================================================


Row
-------------------------------------------------------------------------------

### matriz de correlación

```{r cor1}
library(corrplot)

nuevosDatos = data.frame(forbes_dataset.5$Percentage.Change, forbes_dataset.5$Net.Worth,forbes_dataset.5$Net.Worth.Billions,forbes_dataset.5$Change,forbes_dataset.5$Rank,forbes_dataset.5$Age)

r = cor(na.omit(nuevosDatos))
corrplot(r, method ="number")

```


Dispersion 
===============================================================================


### Diagrama de Dispersion 

```{r dispersion}
ggplot(forbes_dataset.5, aes(x=Percentage.Change, y=Change))+geom_jitter()+
  geom_smooth(method = "lm", colour="yellow")
```

Row
-------------------------------------------------------------------------------

```{r dispersion2}
ggplot(forbes_dataset.5, aes(x=Net.Worth, y=Net.Worth.Billions))+geom_jitter()+geom_smooth(method = "lm",colour="green")

```


Diagrama de cajas 
===============================================================================

Row
----------------------------------------------------------------------------

### Percentage change 

```{r caja1}
library(ggplot2)
ggplot(forbes_dataset.5, aes(Percentage.Change))+geom_boxplot(fill="gold")+labs(title = "Diagrama de caja percentage change", x= "percentage change" )
```


### Change

```{r caja2}
library(ggplot2)
ggplot(forbes_dataset.5, aes(Change))+geom_boxplot(fill="blue")+labs(title = "Diagrama de caja change", x="change")
```

Row
-------------------------------------------------------------------------------

### Net Worth

```{r caja3}
library(ggplot2)
ggplot(forbes_dataset.5, aes(Net.Worth))+geom_boxplot(fill="red")+labs(title = "Diagrama de caja net worth",x= "net worth")
```

### Net Worth Billions

```{r caja4}
library(ggplot2)
ggplot(forbes_dataset.5, aes(Net.Worth.Billions))+geom_boxplot(fill="pink")+labs(title = "Diagrama de caja net worth billions", x= "net worth billions")
```

### Age

```{r caja5}
library(ggplot2)
ggplot(forbes_dataset.5, aes(Age))+geom_boxplot(fill="green")+labs(title = "Diagrama de caja age", x= "age")
```

Boxplot
============================================================================

Row
----------------------------------------------------------------------------

### Edades

```{r barplot1}
barplot(table(forbes_dataset.5$Age), col = ("red"), main = "Diagrama de barra de edades", ylab = "conteo")
```
 

### Country/Territory

```{r barplot2}
barplot(table(forbes_dataset.5$Country.Territory), col = ("blue"), main = "Diagrama de barra de country/territory", ylab = "conteo")
```

Row 
----------------------------------------------------------------------------

### Cambio porcentaje

```{r barplot3}
barplot(table(forbes_dataset.5$Change), col = ("green"), main = "Diagrama de barra de cambio porcentaje", ylab = "conteo")
```


### Rango

```{r barplot4}
barplot(table(forbes_dataset.5$Percentage.Change), col = ("pink"), main = "Diagrama de barra de rango", ylab = "conteo")
```


Diagrama Bar
============================================================================

Row
----------------------------------------------------------------------------

### Numero de multimillonarios por país

```{r geombar1}
library(ggplot2)
ggplot(forbes_dataset.5, aes(x = "Country.Territory", fill = "Source"))+ geom_bar() + labs(title = "Numero de multimillonarios por país y fuente de riqueza", x = "país o Territorio", y = "Cantidad de multimillonarios", fill = "Fuente de riqueza")
```


### Numero de multimillonarios por fuente de riqueza

```{r geombar2}
library(ggplot2)
ggplot(forbes_dataset.5, aes(x = "Source", fill = "Country.Territory"))+ geom_bar() + labs(title = "Numero de multimillonarios por fuente de riqueza y por país")
```

Row
----------------------------------------------------------------------------

### Suma de patrimonio (miles de millones)

```{r geombar4}
library(ggplot2)
ggplot(forbes_dataset.5, aes(x = "Country.Territory", y = "Net.Worth.Billions", fill = "Country.Territory"))+ geom_bar(stat = "summary", fun = "sum")+ labs(title = "Suma del patrimonio (en miles de millones) por país", x = "País o Territorio", y = "Patrimonio total (Billones USD)")
```



### Promedio patrimonio neto

```{r geombar5}
library(ggplot2)
ggplot(forbes_dataset.5, aes(x = "Source", y = "Net.Worth.Billions", fill = "Source"))+ geom_bar(stat = "summary", fun = "mean")+ labs(title = "Promedio del patrimonio neto por fuente de riqueza", x = "Fuente de riqueza", y = "Patrimonio promedio (Billones USD)")
```


Analisis y recomendaciones
============================================================================

### Analisis Descriptivo 

Los valores del resumen estadistico muestran una alta dispersion en las variables de riqueza como: El patrimonio neto promedio es de 9.54 mil millones USD, aunque el maximo alcanza mas de 400 mil millones, evidenciando una distribucion fuertemente sesgada hacia los valores mas altos. La edad promedio ronda los 65 años, lo que sugiere que la acumulacion de grandes fortunas se asocia con una larga trayectoria profesional y empresarial. Y por ultimo, en la variable source, predominan los sectores tecnologia, finanzas e industria, reflejando los motores economicos mas relevantes del mundo mundial.


Row
----------------------------------------------------------------------------------

### Analisis Univariado

Los histogramas confirman una asimetria positiva en las variables financieras (net worth, change y percentage change) la mayoria de las personas poseen patrimonios relativamente bajos dentro del grupo de multimilonarios, mientras que unos pocos concentran la mayor parte de la riqueza. La variable edad (Age) presenta una distribucion mas equilibrida, con un pico entre los 60 y 75 años, lo cual indica que las mayores fortunas se concentran en individuos de mediana y avanzada edad. 

### Analisis Bivariado

La matriz de correlacion evidencia una fuerte relacion positiva entre Net Worth y Net Worth Billions. Tambien pudimos observar una correlacion positiva moderada entre Change y Percentage Change, lo que sugiere que los aumentos absolutos y relativos de patrimonio tienden a moverse conjuntamente. Y en contraste, la correlacion negativa entre Rank y Net Worth (-0.42) muestra que una menor posicion en el ranking (numero mas bajo) implica mayor riqueza. 

Row
----------------------------------------------------------------------------------

### Recomendaciones 

Incorporar variables adicionales como genero y tipo de empresa permitirian identificar patrones mas complejos. Desarrollar un analisis temporal para asi identificar como evoluciono la riqueza a lo largo de los años. Y considerar tecnicas de segmentacion o agrupacion para clasificar los multimillonarios por patrones de comportamiento financiero


Conclusiones
============================================================================

### Concentración extrema de riqueza

La mayoría de los multimillonarios tienen patrimonios por debajo de los 10 mil millones USD, mientras un grupo muy reducido acumula cifras extraordinarias, generando una curva fuertemente sesgada.

Row
----------------------------------------------------------------------------

### Edad y riqueza 

La riqueza extrema se concentra en individuos mayores de 60 años, lo cual puede asociarse a acumulación de experiencia, inversiones de largo plazo y herencias familiares.


### Sectores dominantes 

Los sectores de tecnología, finanzas y bienes raíces continúan siendo los principales generadores de riqueza global.

Row
----------------------------------------------------------------------------

### Diferencia geográfica 

Estados Unidos lidera con 540 multimillonarios, seguido por países con economías desarrolladas o emergentes consolidadas, lo que evidencia desigualdades estructurales entre regiones.


Imagenes 
============================================================================

### Imagen 1

![](IMG_1313.webp)

### Imagen 2

![](IMG_1314.jpeg)