#Importamos la bases de datos
library(readr)
trabajadores<-read.csv("datos_empleados.csv") #Mandamos llamar la base de datos
attach(trabajadores)
trabajadores
## Empleado Anios_servicio Calificacion
## 1 A 1 5
## 2 B 9 6
## 3 C 8 8
## 4 D 3 8
## 5 E 3 6
## 6 F 2 7
## 7 G 4 5
## 8 H 5 6
## 9 I 5 4
## 10 J 6 5
## 11 K 6 9
## 12 L 7 4
## 13 M 1 2
## 14 N 1 3
## 15 O 3 8
## 16 P 1 6
## 17 Q 2 5
## 18 R 2 3
## 19 S 4 4
## 20 T 2 7
#Vamos a realizar los graficos de dispercion
plot(Anios_servicio,Calificacion,xlab = "Anios de servicio",ylab = "Calificacion",main = "Dispersion de los datos")
#Con Intercepto
regresion_intercepto<- lm(trabajadores$Anios_servicio ~ trabajadores$Calificacion, data=trabajadores)
regresion_intercepto
##
## Call:
## lm(formula = trabajadores$Anios_servicio ~ trabajadores$Calificacion,
## data = trabajadores)
##
## Coefficients:
## (Intercept) trabajadores$Calificacion
## 1.6773 0.3735
summary(regresion_intercepto)
##
## Call:
## lm(formula = trabajadores$Anios_servicio ~ trabajadores$Calificacion,
## data = trabajadores)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.9181 -1.6982 -0.8579 1.2687 5.0819
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.6773 1.6952 0.989 0.336
## trabajadores$Calificacion 0.3735 0.2897 1.289 0.214
##
## Residual standard error: 2.405 on 18 degrees of freedom
## Multiple R-squared: 0.08454, Adjusted R-squared: 0.03368
## F-statistic: 1.662 on 1 and 18 DF, p-value: 0.2136
plot(trabajadores$Anios_servicio,trabajadores$Calificacion, xlab = "Anios de serivicio", ylab = "Calificacion",col="Red")
abline(regresion_intercepto)
#Se estimara los valores puntuales de Y cuando x=2, 8, 14.
abline(regresion_intercepto)
1.6773 + 0.3735 * 2
## [1] 2.4243
points(2,2.4243,pch=15,col="yellow")
abline(regresion_intercepto)
1.6773 + 0.3735 * 8
## [1] 4.6653
points(8,4.6653,pch=15,col="orange")
abline(regresion_intercepto)
1.6773 + 0.3735 * 14
## [1] 6.9063
points(14,6.9063,pch=15,col="green")
#Con intercepto se puede ver qué acordé mientras menos años de servicio,
#menor será la calificación del empleado y viceversa, a más años laborados,
#mayor será la calificacion, sin embargo no se llega a una calificación suficientemente elevada a muchos años.
#Sin Intercepto
regresion_sin<-lm(trabajadores$Calificacion~trabajadores$Anios_servicio-1)
regresion_sin
##
## Call:
## lm(formula = trabajadores$Calificacion ~ trabajadores$Anios_servicio -
## 1)
##
## Coefficients:
## trabajadores$Anios_servicio
## 1.119
summary(regresion_sin)
##
## Call:
## lm(formula = trabajadores$Calificacion ~ trabajadores$Anios_servicio -
## 1)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.0709 -0.5949 1.3810 4.0715 4.8810
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## trabajadores$Anios_servicio 1.1190 0.1593 7.025 1.09e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.166 on 19 degrees of freedom
## Multiple R-squared: 0.722, Adjusted R-squared: 0.7074
## F-statistic: 49.35 on 1 and 19 DF, p-value: 1.091e-06
plot(trabajadores$Anios_servicio,trabajadores$Calificacion, xlab = "Anios de serivicio", ylab = "Calificacion",col="purple")
abline(regresion_sin)
abline(regresion_sin)
1.119 * 2
## [1] 2.238
points(2,2.238,pch=15,col="brown")
abline(regresion_sin)
1.119*8
## [1] 8.952
points(8,8.952,pch=15,col="red")
abline(regresion_sin)
1.119*14
## [1] 15.666
points(14,15.666,pch=15,col="yellow")
#Sin el intercepto se puede ver qué las cosas cambian, a menor años de servicio,
#la calificacion del empleado será mejor o más alta en menos tiempo,
#es más fácil tener una buena calificación con poco desgaste.