Investigar diferencias en las ventas mundiales según el género, asociación entre género y clasificación ESRB, y relación lineal entre la puntuación crítica y las ventas. Fuente: Kaggle, Video Game Sales with Ratings (rush4ratio). Las ventas están expresadas en millones de copias, no en dinero. La base es histórica.
ruta <- 'videojuegos.csv'
if (!file.exists(ruta)) stop('No encuentro videojuegos.csv. Colócalo junto al archivo .Rmd.')
datos <- read.csv(ruta, stringsAsFactors=FALSE, na.strings=c('', 'NA', 'N/A'))
cat('Filas:', nrow(datos), ' | Columnas:', ncol(datos), '\n')
## Filas: 16719 | Columnas: 16
str(datos)
## 'data.frame': 16719 obs. of 16 variables:
## $ Name : chr "Wii Sports" "Super Mario Bros." "Mario Kart Wii" "Wii Sports Resort" ...
## $ Platform : chr "Wii" "NES" "Wii" "Wii" ...
## $ Year_of_Release: int 2006 1985 2008 2009 1996 1989 2006 2006 2009 1984 ...
## $ Genre : chr "Sports" "Platform" "Racing" "Sports" ...
## $ Publisher : chr "Nintendo" "Nintendo" "Nintendo" "Nintendo" ...
## $ NA_Sales : num 41.4 29.1 15.7 15.6 11.3 ...
## $ EU_Sales : num 28.96 3.58 12.76 10.93 8.89 ...
## $ JP_Sales : num 3.77 6.81 3.79 3.28 10.22 ...
## $ Other_Sales : num 8.45 0.77 3.29 2.95 1 0.58 2.88 2.84 2.24 0.47 ...
## $ Global_Sales : num 82.5 40.2 35.5 32.8 31.4 ...
## $ Critic_Score : int 76 NA 82 80 NA NA 89 58 87 NA ...
## $ Critic_Count : int 51 NA 73 73 NA NA 65 41 80 NA ...
## $ User_Score : chr "8" NA "8.3" "8" ...
## $ User_Count : int 322 NA 709 192 NA NA 431 129 594 NA ...
## $ Developer : chr "Nintendo" NA "Nintendo" "Nintendo" ...
## $ Rating : chr "E" NA "E" "E" ...
summary(datos$Global_Sales)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.0100 0.0600 0.1700 0.5335 0.4700 82.5300
cat('Media de ventas:', mean(datos$Global_Sales, na.rm=TRUE), '\n')
## Media de ventas: 0.5335427
cat('Mediana de ventas:', median(datos$Global_Sales, na.rm=TRUE), '\n')
## Mediana de ventas: 0.17
cat('Desviación estándar:', sd(datos$Global_Sales, na.rm=TRUE), '\n')
## Desviación estándar: 1.547935
cat('Valores faltantes por variable:\n')
## Valores faltantes por variable:
print(sort(colSums(is.na(datos)), decreasing=TRUE))
## User_Count Critic_Score Critic_Count Rating User_Score
## 9129 8582 8582 6769 6704
## Developer Year_of_Release Publisher Name Genre
## 6623 269 54 2 2
## Platform NA_Sales EU_Sales JP_Sales Other_Sales
## 0 0 0 0 0
## Global_Sales
## 0
frecuencias <- sort(table(datos$Genre), decreasing=TRUE)
print(head(frecuencias, 8))
##
## Action Sports Misc Role-Playing Shooter Adventure
## 3370 2348 1750 1500 1323 1303
## Racing Platform
## 1249 888
par(mar=c(9,4,3,1))
barplot(head(frecuencias, 8), las=2, col='pink',
ylab='Cantidad', main='Géneros más frecuentes')
Cantidad de videojuegos por género (ocho más frecuentes).
hist(log1p(datos$Global_Sales), breaks=50, col='#30BFD5',
main='Distribución de ventas mundiales',
xlab='log(1 + ventas en millones)')
Distribución de ventas mundiales; escala logarítmica para visualizar la asimetría.
Pregunta: ¿Las ventas mundiales promedio difieren entre acción, deportes y aventura?
sub <- subset(datos, Genre %in% c('Action','Sports','Adventure') &
!is.na(Global_Sales))
sub$Genre <- factor(sub$Genre, levels=c('Action','Sports','Adventure'))
resumen_grupos <- data.frame(
Genero=levels(sub$Genre),
n=as.vector(table(sub$Genre)),
Media=as.vector(tapply(sub$Global_Sales, sub$Genre, mean)),
Mediana=as.vector(tapply(sub$Global_Sales, sub$Genre, median)),
Desviacion=as.vector(tapply(sub$Global_Sales, sub$Genre, sd))
)
knitr::kable(resumen_grupos, digits=4)
| Genero | n | Media | Mediana | Desviacion |
|---|---|---|---|---|
| Action | 3370 | 0.5179 | 0.19 | 1.1453 |
| Sports | 2348 | 0.5673 | 0.22 | 2.0845 |
| Adventure | 1303 | 0.1824 | 0.05 | 0.5082 |
modelo_aov <- aov(Global_Sales ~ Genre, data=sub)
print(summary(modelo_aov))
## Df Sum Sq Mean Sq F value Pr(>F)
## Genre 2 138 68.84 32.31 1.08e-14 ***
## Residuals 7018 14953 2.13
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
welch <- oneway.test(Global_Sales ~ Genre, data=sub, var.equal=FALSE)
print(welch)
##
## One-way analysis of means (not assuming equal variances)
##
## data: Global_Sales and Genre
## F = 114.39, num df = 2.0, denom df = 4284.4, p-value < 2.2e-16
# Prueba de homogeneidad de varianzas: Fligner-Killeen (sin paquetes extra)
print(fligner.test(Global_Sales ~ Genre, data=sub))
##
## Fligner-Killeen test of homogeneity of variances
##
## data: Global_Sales by Genre
## Fligner-Killeen:med chi-squared = 593.71, df = 2, p-value < 2.2e-16
# Tamaño del efecto eta cuadrado del ANOVA clásico
anova_tabla <- summary(modelo_aov)[[1]]
eta2 <- anova_tabla$'Sum Sq'[1] / sum(anova_tabla$'Sum Sq')
cat('Eta cuadrado clásico:', eta2, '\n')
## Eta cuadrado clásico: 0.009123635
medias <- tapply(sub$Global_Sales, sub$Genre, mean)
barplot(medias, col=c('#7452D4','#30BFD5','pink'),
ylab='Millones de copias', main='Ventas promedio por género',
ylim=c(0,max(medias)*1.2))
Ventas promedio por género. La significancia no implica un efecto grande.
boxplot(log1p(Global_Sales) ~ Genre, data=sub,
col=c('#7452D4','#30BFD5','red'),
xlab='Género', ylab='log(1 + ventas en millones)')
Distribución de ventas por género (transformación log1p para mostrar los valores extremos).
Decisión: Se rechaza H0: hay evidencia de diferencias entre las medias. El ANOVA de Welch se prioriza cuando las varianzas difieren. Para identificar pares específicos, se necesitaría un post hoc apropiado (por ejemplo, Games-Howell). Los datos pueden presentar asimetría, valores extremos y dependencia entre títulos de una misma franquicia.
Pregunta: ¿Existe asociación entre el género y la clasificación por edades?
chi_data <- subset(datos, Genre %in% c('Action','Sports','Adventure') &
Rating %in% c('E','E10+','T','M'))
tabla <- table(
factor(chi_data$Genre, levels=c('Action','Sports','Adventure')),
factor(chi_data$Rating, levels=c('E','E10+','T','M'))
)
knitr::kable(as.data.frame.matrix(tabla), caption='Frecuencias observadas')
| E | E10+ | T | M | |
|---|---|---|---|---|
| Action | 416 | 481 | 681 | 608 |
| Sports | 1188 | 107 | 198 | 16 |
| Adventure | 162 | 68 | 115 | 99 |
prueba_chi <- chisq.test(tabla)
print(prueba_chi)
##
## Pearson's Chi-squared test
##
## data: tabla
## X-squared = 1369.5, df = 6, p-value < 2.2e-16
cat('Frecuencia esperada mínima:', min(prueba_chi$expected), '\n')
## Frecuencia esperada mínima: 70.37062
cramer_v <- sqrt(as.numeric(prueba_chi$statistic) /
(sum(tabla)*min(nrow(tabla)-1,ncol(tabla)-1)))
cat('V de Cramér:', cramer_v, '\n')
## V de Cramér: 0.4067412
porcentajes <- prop.table(tabla, 1)*100
barplot(t(porcentajes), col=c('#30BFD5','#7452D4','#E6A05B','#D76598'),
legend.text=colnames(tabla), args.legend=list(x='topright', bty='n'),
ylab='Porcentaje', xlab='Género',
main='Clasificación ESRB por género')
Distribución porcentual de la clasificación ESRB dentro de cada género.
Decisión: Se rechaza H0: existe asociación estadística. El V de Cramér cuantifica la intensidad de la asociación, sin indicar causalidad.
Pregunta: ¿La puntuación de los críticos se relaciona linealmente con las ventas mundiales?
reg <- subset(datos, !is.na(Critic_Score) & !is.na(Global_Sales))
modelo_lm <- lm(Global_Sales ~ Critic_Score, data=reg)
print(summary(modelo_lm))
##
## Call:
## lm(formula = Global_Sales ~ Critic_Score, data = reg)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.450 -0.614 -0.284 0.152 81.616
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.517566 0.098569 -15.40 <2e-16 ***
## Critic_Score 0.031995 0.001401 22.84 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.761 on 8135 degrees of freedom
## Multiple R-squared: 0.06026, Adjusted R-squared: 0.06014
## F-statistic: 521.6 on 1 and 8135 DF, p-value: < 2.2e-16
cat('Correlación de Pearson:', cor(reg$Critic_Score, reg$Global_Sales), '\n')
## Correlación de Pearson: 0.2454707
cat('Número de observaciones:', nrow(reg), '\n')
## Número de observaciones: 8137
plot(reg$Critic_Score, reg$Global_Sales, pch=16, cex=0.4,
col=rgb(0.4,0.2,0.7,0.15),
xlab='Puntuación de críticos', ylab='Ventas (millones de copias)',
main='Puntuación crítica y ventas mundiales')
abline(modelo_lm, col='#E34C75', lwd=3)
Dispersión de puntuación crítica frente a ventas mundiales y recta ajustada.
par(mfrow=c(2,2))
plot(modelo_lm)
Diagnósticos del modelo lineal.
par(mfrow=c(1,1))
La pendiente estimada es 0.03199 millones de copias por punto de puntuación crítica. El R² es 0.0603 (6.03 % de variabilidad explicada). Decisión: Se rechaza H0. Una asociación no demuestra causalidad. La interpretación del modelo debe considerar valores extremos, heterocedasticidad y datos faltantes.
resultados <- data.frame(
Prueba=c('ANOVA de Welch','Ji-cuadrado','Regresión lineal'),
Estadistico=c(round(unname(welch$statistic),3),
round(unname(prueba_chi$statistic),3),
round(coef(summary(modelo_lm))[2,3],3)),
Valor_p=c(welch$p.value, prueba_chi$p.value,
coef(summary(modelo_lm))[2,4]),
Decision=c(ifelse(welch$p.value<0.05,'Rechazar H0','No rechazar H0'),
ifelse(prueba_chi$p.value<0.05,'Rechazar H0','No rechazar H0'),
ifelse(coef(summary(modelo_lm))[2,4]<0.05,'Rechazar H0','No rechazar H0'))
)
knitr::kable(resultados, digits=5,
caption='Resumen de pruebas (estadístico t para la pendiente de regresión)')
| Prueba | Estadistico | Valor_p | Decision |
|---|---|---|---|
| ANOVA de Welch | 114.387 | 0 | Rechazar H0 |
| Ji-cuadrado | 1369.499 | 0 | Rechazar H0 |
| Regresión lineal | 22.839 | 0 | Rechazar H0 |
Los resultados se refieren a submuestras distintas según la disponibilidad de variables. Las conclusiones son asociativas y descriptivas; no prueban causas. La antigüedad de los registros, los datos faltantes y los supuestos estadísticos limitan la generalización.
Rush Kirubi. Video Game Sales with Ratings. Kaggle: https://www.kaggle.com/datasets/rush4ratio/video-game-sales-with-ratings