Correlações entre Variavies no FIFA

Nesta tabela de matriz de correlação nos temos alguns exemplos de varivaies quantitativos como idade e outras como Stamina, Strength, Rating, Aggression, Reactions, Vision, Composure, Speed, Balance, essas listadas que são atributos físicos de cada jogador.

library(readr)
FifaData <- read_csv("C:/Users/User/Desktop/Estatistica Trabalhos/Base_de_dados-master/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)

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
library(corrplot)
corrplot 0.90 loaded
MC<-FifaData %>% select(Age, Stamina, Strength, Rating, Aggression, Reactions, Vision, Composure, Speed, Balance) %>% cor()

MC

corrplot(MC, method = "pie")

Gráfico de Matriz de Correlação

No Gráfico de Matriz de Correlações nós temos 45 Correlações Totais e delas nós temos alguns tipos de Correlações.

O Número de Correlações Bem Fracas Existentes são:

Positivas:5 Negativas:4 Total:9

O Número de Correlações Fracas Existentes são:

Positivas:14 Negativas:0 Total:14

O Número de Correlações Moderadas Existentes São:

Positivas:18 Negativas:1 Total:19

O Número de Correlações Fortes Existentes são:

Positivas:3 Negativas:0 Total:3

O Número de Correlações Muito Fortes Existentes são:

Positivas:0 Negativas:0 Total:0

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

MC<-FifaData %>% select(Age, Stamina, Strength, Rating, Aggression, Reactions, Vision, Composure, Speed, Balance) %>% cor() %>%

data.frame() %>% flextable()

MC <- bg(MC, bg = "#DFFF00", part = "header")
MC <- bg(MC, bg = "#DFFF00", part = "body")
MC <- color(MC, color = "#301934", part = "all")
MC <- bold(MC, bold = TRUE, part = "all")
MC

Tabela

Aqui foi feita uma tabela para mostrar a matriz em valores. Continuando e complementando a matriz acima nós mostra de relevantes é que somente existe uma Correlação forte entre Atributos de Rating e Reactions, Vision e Composure, e por fim Speed e Balance

library(dplyr)
library(corrplot)
library(RColorBrewer)
COL <- brewer.pal(9, "Paired")
COL
[1] "#A6CEE3" "#1F78B4" "#B2DF8A" "#33A02C" "#FB9A99" "#E31A1C" "#FDBF6F"
[8] "#FF7F00" "#CAB2D6"
par(bg="#301934")
par(col.lab="#DFFF00")
par(col.main= "#DFFF00")
par(col.axis= "#DFFF00")
plot(FifaData$Aggression, FifaData$Shot_Power,pch=19,col=COL,
     main="Gráfico 2",ylab = "Poder de Chute", xlab = "Agressividade")
abline(lsfit(FifaData$Aggression, FifaData$Shot_Power),col="Black")

cor(FifaData$Aggression, FifaData$Shot_Power)
[1] 0.4963621

Diagrama de Dispersão

Neste Diagrama de Dispersão, realizei uma coorelação entre duas variaveis, Agressividade e Poder de Chute. A Partir da analisa do Diagrama acima é possível identificar algumas coisas.

A Primeira delas é que o intervalo de valores do eixo y se encontra entre 5-90, enquanto que o eixo x temos valores entre 5-90.

Além disso podemos perceber que o nivel de Correlação é de 0.4963621, sendo considerada uma relação moderada positiva

Conclusão

Achei importante estudar a questão dos níveis de Correlação entre as variaveis pois ela nos mostra o quão forte são as relações entre cada variavel e nos mostra aonde devemos focar nossas ações e diretrizes de decisão. A exemplo se formos avaliar melhores jogadores, seria interessante analisar eles atraves da Correlação entre Rating e Reactions, pois a mesma tem um nível de Correlação de 0.8283686, que é considerada uma correlação forte positiva