AVALIAÇÃO 6

VARIAVEIS QUANTITATIVAS

Introdução

Analíse iniciada com o objetivo de avaliar dados estatisticos do banco de dados FifaData, onde serão observadas as variaveis “Attacking_Position”, “Marking”, “Age” e “Dribbling”. O principal objetivo do trabalho é análisar as hipoteses estatisticas com o auxlio de um diagrama de dispersão e uma matriz de correlação.

Carregar banco de dados

library(readr)
FifaData <- read_csv("C:/Users/andre/Base_de_dados-master/FifaData.csv")
## Rows: 17588 Columns: 53
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (12): Name, Nationality, National_Position, Club, Club_Position, Club_Jo...
## dbl (41): National_Kit, Club_Kit, Contract_Expiry, Rating, Age, Weak_foot, S...
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
View(FifaData)

Diagrama de dispersão de variáveis quantitativas

Hipotese 1

plot(FifaData$Attacking_Position,FifaData$Marking, col="blue",
     pch=16,main = "diagrama de dispersão",
     xlab = "Attacking_Position",
     ylab = "Marking")
abline(lsfit(FifaData$Attacking_Position,FifaData$Marking), col="black")

Hipotese 2

plot(FifaData$Age,FifaData$Dribbling, col="pink",
     pch=16,main = "diagrama de dispersão",
     xlab = "Age",
     ylab = "Dribbling")
abline(lsfit(FifaData$Age,FifaData$Dribbling), col="black")

Bibliotecas

library(readxl)
library(flextable)
library(corrplot)
library(dplyr)

Matriz de Correlação de variáveis quantitativas

names(FifaData)
##  [1] "Name"               "Nationality"        "National_Position" 
##  [4] "National_Kit"       "Club"               "Club_Position"     
##  [7] "Club_Kit"           "Club_Joining"       "Contract_Expiry"   
## [10] "Rating"             "Height"             "Weight"            
## [13] "Preffered_Foot"     "Birth_Date"         "Age"               
## [16] "Preffered_Position" "Work_Rate"          "Weak_foot"         
## [19] "Skill_Moves"        "Ball_Control"       "Dribbling"         
## [22] "Marking"            "Sliding_Tackle"     "Standing_Tackle"   
## [25] "Aggression"         "Reactions"          "Attacking_Position"
## [28] "Interceptions"      "Vision"             "Composure"         
## [31] "Crossing"           "Short_Pass"         "Long_Pass"         
## [34] "Acceleration"       "Speed"              "Stamina"           
## [37] "Strength"           "Balance"            "Agility"           
## [40] "Jumping"            "Heading"            "Shot_Power"        
## [43] "Finishing"          "Long_Shots"         "Curve"             
## [46] "Freekick_Accuracy"  "Penalties"          "Volleys"           
## [49] "GK_Positioning"     "GK_Diving"          "GK_Kicking"        
## [52] "GK_Handling"        "GK_Reflexes"
FifaData %>% select(Attacking_Position, Marking, Age, Dribbling) %>%
  filter(!is.na(Attacking_Position)) %>% cor() %>% corrplot.mixed()

FifaData %>% select(Attacking_Position, Marking, Age, Dribbling) %>%
  filter(!is.na(Attacking_Position)) %>% cor() %>% corrplot(method = "number")

Conclusão

Após todos os dados estatisticos apresentados ao longo da análise das hipoteses apresentadas que no banco de dados da FIFA, os jogadores com hidade mais avançadas para os padrões de futebol, tendem a ter menores taxas de sucesso na hora de driblar um adversario durante a partida em comparação aos mais jovens que apresentam uma taxa de sucesso bem acima de 60%, o que define essa faixa de sucesso como um padrão a ser alcançado. Por outro lado a análise também apresenta um outro dado de correlação, na qual pode-se observar que os jogasdores da posição de ataque, tendem a sofrer com altos índices de marcação por parte dos adversarios, ou seja, quanto maior o grau de destaque na posição, maior é a marcação do adversario em cima desse jogador. Portanto, conclui-se que os fatores idade e posição dos jogadores são fatores que causam grandes impactos nos resultados desses atletas, na qual as equipes devem se atentar bastante.