  html_document:
    keep_md: true
knitr:
  opts_knit:
    root.dir: "~/Base_de_dados-master/df_pokemon.RData"

##Atividade 2 - Estatística

Carregar pacotes necessários

library(dplyr)

## Warning: pacote 'dplyr' foi compilado no R versão 4.4.2

## 
## Anexando pacote: 'dplyr'

## Os seguintes objetos são mascarados por 'package:stats':
## 
##     filter, lag

## Os seguintes objetos são mascarados por 'package:base':
## 
##     intersect, setdiff, setequal, union

library(ggplot2)

1. Abrindo a base de dados

load("~/Base_de_dados-master/df_pokemon.RData")  # Carregar a base de dados
head(df)  # Visualizar as primeiras linhas da base

## # A tibble: 6 × 22
##      id pokemon    species_id height weight base_experience type_1 type_2 attack
##   <dbl> <chr>           <int>  <int>  <int>           <int> <chr>  <chr>   <int>
## 1     1 bulbasaur           1      7     69              64 grass  poison     49
## 2     2 ivysaur             2     10    130             142 grass  poison     62
## 3     3 venusaur            3     20   1000             236 grass  poison     82
## 4     4 charmander          4      6     85              62 fire   <NA>       52
## 5     5 charmeleon          5     11    190             142 fire   <NA>       64
## 6     6 charizard           6     17    905             240 fire   flying     84
## # ℹ 13 more variables: defense <int>, hp <int>, special_attack <int>,
## #   special_defense <int>, speed <int>, color_1 <chr>, color_2 <chr>,
## #   color_f <chr>, egg_group_1 <chr>, egg_group_2 <chr>, url_image <chr>,
## #   x <dbl>, y <dbl>

Escolha de variáveis:

Variável quantitativa: “attack” (dano de ataque dos Pokémon)

Variável qualitativa: “type_1” (primeiro tipo do Pokémon)

2. Resumo estatístico (por grupos de “type_1”)

resumo <- df %>%
  group_by(type_1) %>%
  summarise(
    media = mean(attack, na.rm = TRUE),
    mediana = median(attack, na.rm = TRUE),
    desvio_padrao = sd(attack, na.rm = TRUE),
    primeiro_quartil = quantile(attack, 0.25, na.rm = TRUE),
    terceiro_quartil = quantile(attack, 0.75, na.rm = TRUE),
    minimo = min(attack, na.rm = TRUE),
    maximo = max(attack, na.rm = TRUE),
    total = n()
  )

Visualizar o resumo

print(resumo)

## # A tibble: 18 × 9
##    type_1   media mediana desvio_padrao primeiro_quartil terceiro_quartil minimo
##    <chr>    <dbl>   <dbl>         <dbl>            <dbl>            <dbl>  <int>
##  1 bug       65.2    63            30.7             42.5             90       10
##  2 dark      86.2    86.5          24.3             65               97.5     50
##  3 dragon   103.     97.5          29.6             78.8            130       50
##  4 electric  67.8    61.5          25.2             50               85       30
##  5 fairy     61.5    52            29.8             45               72       20
##  6 fighting  94.7   100            27.7             80              120       35
##  7 fire      81.6    82.5          25.3             60.8             97.8     40
##  8 flying    71.7    70            42.5             50               92.5     30
##  9 ghost     66.7    65            25.3             50               85       30
## 10 grass     70.9    68            24.1             53.5             89.8     27
## 11 ground    91.3    83.5          28.6             72              116.      40
## 12 ice       70.7    65            25.9             50               82.5     30
## 13 normal    71.7    70            29.3             55               85        5
## 14 poison    74.7    74            19.6             60               90.5     43
## 15 psychic   60.2    52.5          30.8             36.2             74.5     20
## 16 rock      88.2    86.5          32.6             58              113.      40
## 17 steel     83.5    82.5          24.6             75               97.5     24
## 18 water     71.0    70            25.0             52               90       10
## # ℹ 2 more variables: maximo <int>, total <int>

3. Gráfico Boxplot

ggplot(df, aes(x = type_1, y = attack, fill = type_1)) +
  geom_boxplot() +
  labs(
    title = "Boxplot do Ataque por Tipo de Pokémon",
    x = "Tipo (type_1)",
    y = "Ataque (attack)"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

4. Diagrama de dispersão (Ataque vs Defesa)

ggplot(df, aes(x = attack, y = defense, color = type_1)) +
  geom_point(alpha = 0.7) +
  labs(
    title = "Dispersão entre Ataque e Defesa dos Pokémon",
    x = "Ataque (attack)",
    y = "Defesa (defense)"
  ) +
  theme_minimal()

5. Correlação entre ataque e defesa

correlacao <- cor(df$attack, df$defense, use = "complete.obs")
print(paste("Correlação entre ataque e defesa:", round(correlacao, 2)))

## [1] "Correlação entre ataque e defesa: 0.43"

6. Interpretação

Os dados analisados da Pokédex mostram que:

No resumo estatístico, os tipos de Pokémon apresentam grande variação nos valores médios de ataque. Tipos ofensivos como Fogo e Dragão têm maiores valores médios, enquanto tipos defensivos como Pedra possuem menor ataque médio.
O boxplot mostram a dispersão dos ataques dentro de cada tipo. Pokémon dos tipos elétrico e dragão, por exemplo, possuem maior variabilidade, enquanto tipos como normal têm menor amplitude de valores.
O diagrama de dispersão entre ataque e defesa mostra uma correlação moderada positiva (r ≈ 0.45), indicando que Pokémon com maior ataque tendem a ter também defesas mais poderosas, mas há exceções

Esses padrões são consistentes com as funções típicas de cada tipo de Pokémon no jogo, refletindo estratégias ofensivas ou defensivas em batalha.

Atividade 2 Fábio Monteiro

Fábio Monteiro

2024-11-20