1 Objetivo y fuente

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).

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.

Distribución de ventas mundiales; escala logarítmica para visualizar la asimetría.

2 ANOVA: ventas según género

Pregunta: ¿Las ventas mundiales promedio difieren entre acción, deportes y aventura?

  • H0: las tres medias poblacionales son iguales.
  • H1: al menos una media es distinta.
  • Nivel de significancia: 0,05.
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.

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).

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.

3 Ji-cuadrado: género y clasificación ESRB

Pregunta: ¿Existe asociación entre el género y la clasificación por edades?

  • H0: género y clasificación ESRB son independientes.
  • H1: existe asociación entre ambas variables.
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')
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.

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.

4 Regresión lineal: puntuación crítica y ventas

Pregunta: ¿La puntuación de los críticos se relaciona linealmente con las ventas mundiales?

  • H0: la pendiente poblacional es cero.
  • H1: la pendiente poblacional es diferente de cero.
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.

Dispersión de puntuación crítica frente a ventas mundiales y recta ajustada.

par(mfrow=c(2,2))
plot(modelo_lm)
Diagnósticos del modelo lineal.

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.

5 Comparación y conclusiones

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)')
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.

6 Referencia

Rush Kirubi. Video Game Sales with Ratings. Kaggle: https://www.kaggle.com/datasets/rush4ratio/video-game-sales-with-ratings