library(readr)
FifaData <- read_csv("D:/faculdade/2 periodo/Estatistica Aplicada/estat_adm/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.
O Diagrama de Dispersão (também conhecido como Gráfico de Dispersão, Gráfico de correlação ou Gráfico XY), é uma representação gráfica da possível relação entre duas variáveis e, dessa forma, mostra de forma gráfica os pares de dados numéricos e sua relação.
par(bg="#7FFFD4")
plot(FifaData$Age,FifaData$Rating,
main = "Diagrama de Dispersão da Idade com o Rating",
pch=19, col="#D2691E",
ylab = "Rating",
xlab = "Age ou Idade")
abline(lsfit(FifaData$Age,FifaData$Rating), col= "#9400D3", lwd=2)
As correlações estatísticas avaliam relacionamentos significativos para identificar oportunidades por meio de mineração de dados avançada.
Com o Coeficiente de correlação Pearsons, a Matriz de Correlação fornece informações relevantes para identificar melhor as próximas etapas em uma campanha de marketing, para melhorar o design do site ou para continuar a análise detalhada do cliente para dependências de correlação adicionais.
cor(FifaData$Age,FifaData$Rating)
## [1] 0.4582763
selecao <- c("Age","Rating")
MC <- cor(FifaData[ ,selecao])
library(corrplot)
## corrplot 0.92 loaded
corrplot(MC)
corrplot(MC,method = "circle")
Para a representação do diagrama de dispersão e a correlação, foi utilizado a base de dados, fifadata. Foi utilizado especícamente a idade dos jogadores e o seu rating, que quer dizer(dentro do jogo fifa) o seu nível de habilidade. A relação utilizada foi, quanto maior a idade, maior o seu rating.