1. Importa el archivo food_consumption.csv Contiene información sobre los kilogramos de comida consumidos por persona y año categorizados por país y tipo de comdia. También muestra la huella de carbono debida a ese consumo en kilogramos de CO2 por persona y año en cada país.
## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --
## v ggplot2 3.3.5     v purrr   0.3.4
## v tibble  3.1.4     v dplyr   1.0.7
## v tidyr   1.1.4     v stringr 1.4.0
## v readr   2.0.2     v forcats 0.5.1
## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()
  1. Filtra los datos en 2 conjuntos: Bélgica y Estados Unidos:
belgium_consumption <-
usa_consumption <-
  1. Calcula la media y la mediana de ambos conjuntos:
# Belgium
---(---$---)
---(---$---)

# USA
---(---$---)
---(---$---)
  1. Calcula la media y la mediana con summarize() sobre el conjunto principal, seleccionando los dos países anteriores y agrupando por país:
food_consumption %>%
  filter(country %in% c("Belgium", "USA")) %>%
  --- %>%
  --- 
  1. Filtra el conjunto por categoría de comida y selecciona “Rice”, dibuja el histograma con las emisiones de co2. Se puede hacer de dos modos: lanzando un “pipe” hacia ggplot sin especificar el data frame en ggplot() o guardando los datos en una variable y especificando el dataframe.
  # Directo sobre pipe
food_consumption %>%
  --- %>%
  ggplot(aes(---))
  ---

  # Especificando el data frame
arroz <- food_consumption %>%
  ---
  ggplot(arroz,)
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

Teniendo en cuenta los resultados del histograma. ¿Los datos son simétricos o sesgados? ¿Hacia qué lado están sesgados?

  1. Aplica summarize() a los datos del consumo de arroz e imprime los valores de la media y la mediana de emisiones de CO2.

Teniendo en cuenta los datos de la media y la mediana, ¿Qué valor describiría mejor la tendencia central de emisiones de CO2?

  1. Calcula los deciles de la variable co2_emission

  2. Calcula la varianza y la desviación estándar de las emisiones para cada categoría de comida

food_consumption %>% 
  --- %>% 
  ---(var_co2 = ---,
     sd_co2 = ---)
  1. Dibuja el histograma de emisiones de co2 en una gráfica distinta para cada categoría de comida
--- +
 
  --- +
  
  facet_wrap(~ ---)
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
  1. Calcula el total de emisiones de CO2 por país
emissions_by_country <- food_consumption %>%
  ---
  ---(total_emission = ---)
emissions_by_country
  1. Calcula el primer y tercer cuartil y IQR de total_emission
q1 <- quantile(---$---, ---)
q3 <- ---
iqr <- ---
  1. Encuentra los límites considerados valores atípicos
lower <- ---
upper <- ---
  1. Usa filter() para encontrar los valores atípicos
emissions_by_country %>%
  filter(--- | ---)