L2P1 - Thiago Yuri 117211156 e Igor Pereira 117210693

Nessa analise iremos utilizar os dados disponíveis pela IMDB Ratings for TV/Streaming Series tendo como ponto inicial o repositório visto aqui. Os dados dispoem as seguintes informações:

• series_name - Self explanatory
• series_ep - Episode index in the series from 1 onwards.
• season - From 1 onwards
• season_ep - Episode index in the season
• url - IMDB url for the episode (eg“http://www.imdb.com/title/tt5174246/”)
• Episode - Episode title
• UserRating - IMDB User Rating calculated as explained in theirsite.
• UserVotes - Num of votes for the rating
• r1 - Proportion of users who rated this episode with score 1
• …
• r10 - Proportion of userswho rated this episode with score 10

all_series = read_csv(here("data/series_from_imdb.csv.zip"), 
                      col_types = "ccdcdcdddddddddddd")

Pergunta1: Com relação aos episodos da serie Flash, como se da o comportamento das avaliaçoes de cada episodio de acordo com as 5 temporadas?

serie_flash = all_series %>% 
  filter(series_name == "Flash")

serie_flash %>% 
  ggplot(aes(x = series_ep, y =UserRating, color = season)) +
  geom_point()+
  labs(title = "Comportamento da avaliação de cada episodio por temporada",
      y = "Avaliação do Episodio",
      x = "Numero do Episodio")

Primeira observação possivel de evidenciar é que possivelmente a 4 temporada é a que possui valores mais baixos em relaçoes as outras. Ela possui varios valores abaixo de 7, que relata uma avaliação bem ruim. Já a 3 temporada, possui apenas um episodio abaixo de 7. Fora esses valores extremos, conseguimos ver que o comportamento está bem proximo de 8.

serie_flash %>%
  ggplot(aes(y = "", x = UserRating, color = season)) +
  geom_jitter(alpha = .8)+
  facet_wrap(~season, ncol = 1) +
  stat_summary(fun = mean, color="black") + 
  labs(
    y = "season",
    x = "rating",
    title="Média dos ratings por temporada de flash juntamente com o rating dos episodios"
  )

Aqui podemos ver o real valor das medias de cada temporada.

media = serie_flash %>% 
  group_by(season) %>% 
  summarise(media_season = mean(UserRating))
media

2 pergunta: Com relação as series Naruto e Naruto Shippuden, Qual o comportamento dos votos dos usuários entre essas duas séries?

serie_narutos = all_series %>% 
  filter(series_name %in% c("Naruto", "Naruto Shippuden"), season == 1)

serie_narutos %>% 
  ggplot(aes(UserVotes, color = series_name)) +
  geom_density()+
  labs(
    x = "votos",
    title="Grafico de densidade dos votos dos episodios de naruto"
  )

É visto que no naruto shippuden existe um pico de quantidade de votos proximos ao 100 e uma cauda longa a direita, evidenciando que o publico que o assiste manteve uma faixa de votação em valores pequenos e poucos votaram muito em determinados episodios.

Já em Naruto, existe 2 picos, um proximo de 100, e outro na faixa de 190 que mostram que seu publico é mais atuante na votação em comparação com o naruto shippuden, contendo também uma cauda da direita

serie_narutos %>% 
  group_by(series_name) %>% 
  summarise(percentil_95=quantile(UserVotes,.95),
            mediana=quantile(UserVotes,.5),
            media=mean(UserVotes))

Complementando a interpretação que fizemos acima entre as series, podemos afirmar , segundo esses resultados, 95 % dos votos dos episodios de naruto estão até aproximadamente 250, enquanto em naruto shippuden vai até aprox 170. Essa diferença também é percebivel através da media e mediana, sendo maiores em naruto, do que naruto shippuden.

3 pergunta: Em relação a serie de “Eu, a Patroa e as Crianças”, com quw se comporta a relação entre o inicio da temporada e o final? Sera que o final é mais bem avaliado que o começo?

Observação: Metade_ep = TRUE significa o inicio da temporada( inicio até o meio) enquanto Metade_ep = FALSE significa o final da temporada(meio até o final)

eu_patroa_criancas = all_series %>%
  filter(series_name== "Eu, a Patroa e as Crianças") %>%
  group_by(season) %>%
  mutate(metade_ep = season_ep < mean(season_ep))

eu_patroa_criancas %>%
  ggplot(aes(x=metade_ep, y = UserRating, color = metade_ep)) +
  geom_jitter(alpha = 0.5, width = .2) +
  facet_grid(~season)+
  labs(
    title = "Distribuição dos ratings da metade de\numa season X ratings da outra metade",
    y = "Valor do Rating",
    x = ""
  )

metade_menor = eu_patroa_criancas %>%
  group_by(season) %>%
  filter(metade_ep == TRUE) %>%
  summarise(mean = mean(UserRating),
            metade_menor = metade_ep,
            .groups = "drop")

metade_maior = eu_patroa_criancas %>%
  group_by(season) %>%
  filter(metade_ep == FALSE) %>%
  summarise(mean = mean(UserRating),
            metade_menor = metade_ep,
            .groups = "drop")


metade_menor %>%
  ggplot(aes(x = "", y = mean, color = metade_menor)) +
  geom_point() + 
  geom_point(data = metade_maior) +
  facet_grid(~season)+
  labs(
    title = "Comparação da média dos ratings da metade de\numa season x média dos ratings da outra metade",
    y = "Média dos ratings das temporadas",
    x = "Temporada"
  )

Podemos afirmar que em 4 das 5 temporadas, o rating , em media, foi maior no inicio da temporada em comparação com a final. É visto que a diferença entre as medias fica na faixa de 0.1 pontos. Porem, na temporada 4, o final da temporada recebeu uma classificaçao melhor que a do inicio da temporada. Temos a existencia de um valor extremo muito bem avaliado que acabou por aumentar a media para o conjunto de episodios do final da temporada. A diferença ficou na faixa de 0.01 pontos.

Pergunta 4 Em relação a serie “One Piece: Wan pîsu”, qual a relação entre avaliação do episodio com a proporção dos usuarios que votaram 10?

one_piece = all_series %>%
  filter(series_name == "One Piece: Wan pîsu") 

one_piece %>% 
  ggplot(aes(y=r10, x = UserRating)) +
  geom_point()+
  labs(
    x="Avaliação do Episodio",
    y = "Proporção de usuarios que votaram 10",
    title= "Correlação entre avaliação do episodio X Proporção do usuarios que votaram 10")

one_piece %>% 
  summarise(pearson = cor(y=r10, x = UserRating,method="pearson"),
            spearman = cor(y=r10, x = UserRating,method="spearman"),
            kendall = cor(y=r10, x = UserRating,method="kendall"))

É visto que o coeficiente de peason possui uma correlação positiva moderada entre os dois valores, afimando que ao aumentar o valor da avaliação do episodio, maior pode ser o valor da proporção de usuarios que votaram 10. Não parece ter uma relação linear, mais se aproximando de uma curva crescente. Também existem pontos extremos.