Análise da Correlação dos Jogadores

class: center, middle, inverse, title-slide

# Análise da Correlação dos Jogadores - Fifa
## ⚔<br/>with xaringan
### Millena Perrut
### UNIRIO
### 2021-04-15)

---

class: center, middle

# Análise de Variáveis Quantitativas e Diagrama de Dispersão

---

# Passo 1 - Carregar a Base de Dados

```r
library(readr)
FifaData <- read_csv("FifaData.csv")
```

```
## 
## -- Column specification --------------------------------------------------------
## cols(
##   .default = col_double(),
##   Name = col_character(),
##   Nationality = col_character(),
##   National_Position = col_character(),
##   Club = col_character(),
##   Club_Position = col_character(),
##   Club_Joining = col_character(),
##   Height = col_character(),
##   Weight = col_character(),
##   Preffered_Foot = col_character(),
##   Birth_Date = col_character(),
##   Preffered_Position = col_character(),
##   Work_Rate = col_character()
## )
## i Use `spec()` for the full column specifications.
```

```r
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"
```

---

# Passo 2 - Carregar as Bibliotecas

```r
library(dplyr)
```

```
## 
## Attaching package: 'dplyr'
```

```
## The following objects are masked from 'package:stats':
## 
##     filter, lag
```

```
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
```

```r
library(corrplot)
```

```
## corrplot 0.84 loaded
```

---

# Passo 3 - Resumo das Variáveis Aceleração e Agilidade

```r
resumo <- FifaData %>% summarise(media_Agility=mean(Agility),
                            Acceleration_media=mean(Acceleration),
                            dp_Agility=sd(Agility),
                            Acceleration_dp=sd(Acceleration))
print(resumo)
```

```
## # A tibble: 1 x 4
##   media_Agility Acceleration_media dp_Agility Acceleration_dp
##           <dbl>              <dbl>      <dbl>           <dbl>
## 1          63.2               65.3       14.6            14.4
```

---

# Passo 4 - Diagrama de Dispersão das Variáveis Aceleração e Agilidade

```r
# Visualização de Dados e Diagrama de Dispersão

par(bg="lightyellow")
plot(FifaData$Agility,FifaData$Acceleration,pch=20,col="purple",
     main = "Diagrama de Dispersão",
     xlab = "Agilidade dos Jogadores",
     ylab = "Aceleração dos Jogadores")
abline(lsfit(FifaData$Agility,FifaData$Acceleration),col="blue")
```

![](Atividade6_files/figure-html/unnamed-chunk-4-1.png)

---

# Passo 5 - Correlação

```r
# Interpretação do r

cor(FifaData$Agility,FifaData$Acceleration)
```

```
## [1] 0.7925858
```

Grau bom ou excelente de associação

---

```r
FifaData_quanti <- FifaData %>% select("Acceleration","Agility")
FifaData_quanti <- na.omit(FifaData_quanti)
cor(FifaData_quanti)
```

```
##              Acceleration   Agility
## Acceleration    1.0000000 0.7925858
## Agility         0.7925858 1.0000000
```

---

```r
Mcorr <- cor(FifaData_quanti)
corrplot(Mcorr)
```

![](Atividade6_files/figure-html/unnamed-chunk-7-1.png)

---

# Gráfico

```r
corrplot(Mcorr,method = "square")
```

![](Atividade6_files/figure-html/unnamed-chunk-8-1.png)

# Conclusão

Pode-se observar que há grande correlação entre a agilidade e a aceleração dos jogadores durante a partida de futebol. Sendo assim, o gráfico fica em posição de grau bom ou excelente (correlação positiva ou forte). Porque o coeficiente de correlação produto-momento de Pearson (r), que mede a intensidade e a direção da relação entre as duas variáveis contínuas obteve maior que 0,75;

Dessa forma, podemos analisar que a correlação é de grau grau bom ou excelente. O que faz sentido pois quando maior a agilidade, maior a possibilidade do jogador acelerar durante a partida.