Ejercicio 1

library(dplyr)
library(magrittr)
df_mtcars<-mtcars %>% 
  print()
##                      mpg cyl  disp  hp drat    wt  qsec vs am gear carb
## Mazda RX4           21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4
## Mazda RX4 Wag       21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4
## Datsun 710          22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1
## Hornet 4 Drive      21.4   6 258.0 110 3.08 3.215 19.44  1  0    3    1
## Hornet Sportabout   18.7   8 360.0 175 3.15 3.440 17.02  0  0    3    2
## Valiant             18.1   6 225.0 105 2.76 3.460 20.22  1  0    3    1
## Duster 360          14.3   8 360.0 245 3.21 3.570 15.84  0  0    3    4
## Merc 240D           24.4   4 146.7  62 3.69 3.190 20.00  1  0    4    2
## Merc 230            22.8   4 140.8  95 3.92 3.150 22.90  1  0    4    2
## Merc 280            19.2   6 167.6 123 3.92 3.440 18.30  1  0    4    4
## Merc 280C           17.8   6 167.6 123 3.92 3.440 18.90  1  0    4    4
## Merc 450SE          16.4   8 275.8 180 3.07 4.070 17.40  0  0    3    3
## Merc 450SL          17.3   8 275.8 180 3.07 3.730 17.60  0  0    3    3
## Merc 450SLC         15.2   8 275.8 180 3.07 3.780 18.00  0  0    3    3
## Cadillac Fleetwood  10.4   8 472.0 205 2.93 5.250 17.98  0  0    3    4
## Lincoln Continental 10.4   8 460.0 215 3.00 5.424 17.82  0  0    3    4
## Chrysler Imperial   14.7   8 440.0 230 3.23 5.345 17.42  0  0    3    4
## Fiat 128            32.4   4  78.7  66 4.08 2.200 19.47  1  1    4    1
## Honda Civic         30.4   4  75.7  52 4.93 1.615 18.52  1  1    4    2
## Toyota Corolla      33.9   4  71.1  65 4.22 1.835 19.90  1  1    4    1
## Toyota Corona       21.5   4 120.1  97 3.70 2.465 20.01  1  0    3    1
## Dodge Challenger    15.5   8 318.0 150 2.76 3.520 16.87  0  0    3    2
## AMC Javelin         15.2   8 304.0 150 3.15 3.435 17.30  0  0    3    2
## Camaro Z28          13.3   8 350.0 245 3.73 3.840 15.41  0  0    3    4
## Pontiac Firebird    19.2   8 400.0 175 3.08 3.845 17.05  0  0    3    2
## Fiat X1-9           27.3   4  79.0  66 4.08 1.935 18.90  1  1    4    1
## Porsche 914-2       26.0   4 120.3  91 4.43 2.140 16.70  0  1    5    2
## Lotus Europa        30.4   4  95.1 113 3.77 1.513 16.90  1  1    5    2
## Ford Pantera L      15.8   8 351.0 264 4.22 3.170 14.50  0  1    5    4
## Ferrari Dino        19.7   6 145.0 175 3.62 2.770 15.50  0  1    5    6
## Maserati Bora       15.0   8 301.0 335 3.54 3.570 14.60  0  1    5    8
## Volvo 142E          21.4   4 121.0 109 4.11 2.780 18.60  1  1    4    2

a) (mpg) mayor que 25 y un peso (wt) menor que 2.5

df_mtcars %>%
  filter(mpg>25 & wt< 2.5)

b) Ordena por potencia (hp) de forma ascendente y muestra mpg, hp y wt.

df_mtcars %>%
  arrange(hp) %>%
  select(mpg, hp, wt)

c) Crea una nueva columna kpl, que contenga gasolina en kilómetros por litro

df_mtcars %>%
  mutate(kpl= mpg*0.4251) %>%
  select(kpl)

d) Calcula la media, la mediana y la desviación estándar del consumo de gasolina (mpg) de todos los automóviles.

df_mtcars %>%
  summarise(media=mean(mpg), mediana=median(mpg), desviación=sd(mpg)) %>%
print()
##      media mediana desviación
## 1 20.09062    19.2   6.026948

e) Agrupar por cilindros (cyl) y calcular la media, mediana y la desviación estándar de (mpg) por cada grupo.

literal_e<-df_mtcars %>%
  group_by(cyl) %>% 
  summarise(media=mean(cyl), mediana=median(cyl), desviación=sd(cyl) ) %>% 
  
  print()
## # A tibble: 3 × 4
##     cyl media mediana desviación
##   <dbl> <dbl>   <dbl>      <dbl>
## 1     4     4       4          0
## 2     6     6       6          0
## 3     8     8       8          0

Ejercicio 2

a) Paises de America Latina

library(pwt10)
library(dplyr)
pwt<- pwt10::pwt10.01
latam <- c("ARG", "BOL", "BRA",
           "CHL", "COL", "CRI",
           "CUB", "DOM", "ECU",
           "SLV", "GTM", "HTI",
           "HND", "MEX", "NIC",
           "PAN", "PRY", "PER",
           "PRI", "URY", "VEN")
pwt_latam<-pwt %>% 
  filter(isocode %in% latam)

b) Ingreso per cápita promedio (rgdpe/pop) e Indice de capital humano promedio (hc) en el año 2019.

pwt_latam %>%
  mutate(pib.capita=rgdpe/pop) %>% 
  filter(year==2019) %>% 
  summarise(promedio_pib.capita=mean(pib.capita) %>%
              round(digits = 2),
            promedio_hc=mean(hc) %>% round(digits = 2)) %>% 
  print()
##   promedio_pib.capita promedio_hc
## 1            13377.38        2.67

c) Agrupar por su nivel de ingreso según el Banco Mundial.

latam_clasificacion <-pwt_latam %>% 
  mutate(pib.capita=rgdpe/pop) %>% 
  mutate(clasificacion_bm=
           case_when(pib.capita<1026 ~ "bajo",
                     pib.capita %>% between(1026,3995) ~ "bajo-medio",
                     pib.capita %>% between(3996,12375)~ "medio-alto",
                     pib.capita >12375 ~ "alto",
                     TRUE ~ "no clasificado")) %>% 
  relocate(clasificacion_bm,.before = country)

d) crecimiento promedio del PIB real (rgdpe) por cada grupo de ingreso entre 2015 y 2019

latam_clasificacion %>% 
  filter(year %in% c(2015,2019)) %>% 
  group_by(isocode) %>%
  arrange(isocode,year) %>% 
  select(clasificacion_bm,isocode,year,rgdpe) %>% 
  mutate(g_rate = ((rgdpe / dplyr::lag(rgdpe, 1)) **(1 / (year - dplyr::lag(year, 1))) - 1)*100) %>%
  mutate(g_rate= g_rate %>% round(digits = 2)) %>% 
  filter(!is.na(g_rate)) %>% 
  ungroup() %>% group_by(clasificacion_bm) %>% 
  summarise(crecimiento_medio=mean(g_rate) %>% round(digits = 2),n_paises=n())