Introdução

# Carregar Base de Dado e Biblioteca

library(readr)
FifaData <- read_csv("C:/Users/55219/Desktop/Base_de_dados-master/FifaData.csv", 
                     col_types = cols(National_Kit = col_character(), 
                                      Club_Kit = col_character(), Height = col_character()))
head(FifaData)
## # A tibble: 6 × 53
##   Name    Nationality National_Positi… National_Kit Club  Club_Position Club_Kit
##   <chr>   <chr>       <chr>            <chr>        <chr> <chr>         <chr>   
## 1 Cristi… Portugal    LS               7.0          Real… LW            7.0     
## 2 Lionel… Argentina   RW               10.0         FC B… RW            10.0    
## 3 Neymar  Brazil      LW               10.0         FC B… LW            11.0    
## 4 Luis S… Uruguay     LS               9.0          FC B… ST            9.0     
## 5 Manuel… Germany     GK               1.0          FC B… GK            1.0     
## 6 De Gea  Spain       GK               1.0          Manc… GK            1.0     
## # … with 46 more variables: Club_Joining <chr>, Contract_Expiry <dbl>,
## #   Rating <dbl>, Height <chr>, Weight <chr>, Preffered_Foot <chr>,
## #   Birth_Date <chr>, Age <dbl>, Preffered_Position <chr>, Work_Rate <chr>,
## #   Weak_foot <dbl>, Skill_Moves <dbl>, Ball_Control <dbl>, Dribbling <dbl>,
## #   Marking <dbl>, Sliding_Tackle <dbl>, Standing_Tackle <dbl>,
## #   Aggression <dbl>, Reactions <dbl>, Attacking_Position <dbl>,
## #   Interceptions <dbl>, Vision <dbl>, Composure <dbl>, Crossing <dbl>, …
library(corrplot)
library(dplyr)
Variável de interesse: Drible
Variável explicativa: Controle de bola e agilidade

Hipóteses de pesquisa

1. Jogadores com um bom drible possuem um maior controle de bola.
2. Jogadores com um maior nível de drible são mais ágeis.

Verificação da hipótese 1 e 2

Diagrama de Dispersão da hipótese 1

plot(FifaData$Ball_Control, FifaData$Dribbling,pch=10,col="#1fb5a1",
     main = "Gráfico 1 - Diagrama de dispersão",xlab = "Controle de bola",ylab = "Grau de habilidade no drible")

abline(lsfit(FifaData$Ball_Control, FifaData$Dribbling),
        col= "#b5971f",lwd= 3,lty =1)

Resultado: Hipótese comprovada

Diagrama de Dispersão da hipótese 2

plot(FifaData$Agility, FifaData$Dribbling,pch=10,col="#1fb5a1",
     main= "Gráfico 2 - Diagrama de dispersão",xlab = "Agilidade", ylab = "Grau de habilidade no drible")

abline(lsfit(FifaData$Agility, FifaData$Dribbling),
       col= "#b5971f",lwd= 3,lty =1)

Resulatdo: Hipótese comprovada

Matriz de Correlação

selecao <- c("Ball_Control","Agility","Dribbling")

cor(FifaData$Ball_Control,FifaData$Dribbling)
## [1] 0.9311196
cor(FifaData$Agility,FifaData$Dribbling)
## [1] 0.7546824
cor(FifaData[ ,selecao])
##              Ball_Control   Agility Dribbling
## Ball_Control    1.0000000 0.6955342 0.9311196
## Agility         0.6955342 1.0000000 0.7546824
## Dribbling       0.9311196 0.7546824 1.0000000

Representação Gráfica da matriz

MC <- cor(FifaData[ ,selecao])
corrplot(MC,method = "number")

MC <- FifaData %>% select(Ball_Control,Agility,Dribbling) %>% cor()

Conclusão

A hipótese 1 - a qual diz que jogadores com um bom drible possuem um maior controle de bola - está correta e comprovada. Ao analisar o gráfico 1, é possível observar uma tendência de movimento, onde os jogadores que possuem um maior controle de bola tendem a ter um grau de habilidade no drible mais elevado do que os jogadores com um controle de bola menor.
Já a hipótese 2 - os jogadores com um maior nível de drible são mais ágeis - também está correta e comprovada. Ao analisar o gráfico 2, assim como na hipótese 1, também é possível observar a mesma tendência de movimento. Assim, os jogadores que possuem uma agilidade maior tendem a possuir um maior grau dehabilidade no drible.
Diante disso, a partir da matriz de correlação das variáveis quantitativas, entendemos que ambas possuem um correlação linear forte e positiva , pois apresentam o coeficiente de correlação (r) maior do que 0,7 (r > 0,7).