Carregando as bibliotecas

library(dplyr)
library(corrplot)
library(readr)

Carregando a base de dados

Carregamos a base de dados FIFA.

fifa = read_csv("C:\\Users\\pedro\\OneDrive\\Documentos\\Base_de_dados-master\\FifaData.csv")

Análise

Vamos fazer uma análise do impacto da idade dos jogadores brasileiros que jogam nas posições de ponta esquerda, centro avante e ponta direita em sua nota do FIFA.

Limpeza de dados

Filtramos a base de dados para pegar apenas os jogadores atacantes brasileiros.

fifa_Atacantes = fifa %>% filter(Club_Position == "RW"|Club_Position == "LW"| Club_Position == "ST")
fifa_Atacantes_brasil = fifa_Atacantes %>% filter (Nationality == "Brazil")

Diagrama de dipersão

plot(fifa_Atacantes_brasil$Age, fifa_Atacantes_brasil$Rating, col = c("blue"), pch = 20, main = "Diagrama de dispersão: Idade x nota", xlab = "Idade", ylab = "Nota")
abline(lsfit(fifa_Atacantes_brasil$Age, fifa_Atacantes_brasil$Rating), col = c("firebrick"))

Com esse diagrama de dispersão podemos ver que há um impacto da idade dos atacantes brasileiros em sua nota do FIFA, é um impacto fraco, mas existe um impacto.

Gráfico de correlação

fifa_Atacantes_brasil %>% select(Age, Rating) %>% cor() %>% corrplot.mixed

O gráfico de correlação mostra que a correlação da idade dos jogadores na sua nota é de -0,24, podendo ser classificada como uma correlação negativa fraca. Em conclusão, a idade dos jogadores brasileiros que jogam como atacantes impacta de forma leve a sua nota do FIFA.