library(readr)
library(corrplot)
## corrplot 0.92 loaded
caminho = "E:/Carolina/Base_de_dados/Escola_Oliveira_p_Livro_DMQ.csv"
df <- read_delim(caminho, delim = ";", escape_double = FALSE, trim_ws = TRUE)
## Rows: 420 Columns: 9
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (1): anos_trabalho
## dbl (8): id, grau_pagamento, sexo, raca, casado, idade, desempenho, salario
## 
## 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.
# ajustar "," para "." e tipo de campo no df
df$anos_trabalho <- as.numeric(gsub(",", ".", df$anos_trabalho))

Questão 1: Diagrama de dispersão de duas variáveis quantitativas

plot(df$anos_trabalho, df$salario,
     main="Diagrama de dispersão",
     xlab="Anos de Trabalho",
     ylab="Salário",
     pch=19, col="purple")

abline(lsfit(df$anos_trabalho, df$salario), col="grey")

Analisando a base de dados e montando o diagrama de dispersão foi possível observar que o salário aumenta ao decorrer dos anos trabalhados. O fit indica um crescimento linear positivo, significando que o salário aumenta conforme os anos de trabalho aumentam.

Questão 2: Matriz de Correlação de duas variáveis quantitativas

cor(df$anos_trabalho, df$salario)
## [1] 0.7510329
M <- df[,c("anos_trabalho", "salario")]
colnames(M) <- c("Anos Trab.", "Salário")
corrplot(cor(M))

A interpretação do gráfico confirma a ideia de que, no dataset fornecido, o salário aumenta linearmente com os anos de experiência, com um coeficiente de 0.751 (correlação forte).