### Importate il dataframe gatti:
#1. Calcolate le frequenze assolute, le proporzioni e le percentuali delle tre variabili che descrivono la capacità dei soggetti di #discriminare l’intenzione comunicativa dei gatti nei tre contesti: quali commenti potremmo fare?

#2. Anche la distribuzione del livello di istruzione non è ottimale: unite i soggetti con specializzazione post lauream ai laureati, #creando la variabile $istruzione2; che tipo di variabile avete creato?

#3. Selezionate solo i soggetti che vivono con un gatto e le variabili relative al riconoscimento dei miagolii, fate le stesse operazioni del punto 1: l’interpretazione del dato cambia?

#4. Considerate per tutto il campione la variabile $empatia_gatti, che esprime l’autovalutazione sull’empatia specifica per i gatti: 
#4a. descrivete la distribuzione di frequenza della variabile;
#4b. considerate i punteggi fino a 8 come indicatori di bassa empatia, da 9 a 18 come indicatori di media empatia  e da 19 fino al #più grande come indicatori di travolgente empatia: dividete la distribuzione della variabile in base a queste tre classi e calcolatene #la densità di frequenza. 


#5.  Considerate tutti i soggetti nel dataframe gatti: costruite la distribuzione la distribuzione delle frequenze percentuali assolute #della variabile $autovalutazione_relazione_gatto e commentatela: è stata una buona idea? Perché?

#6. Calcolate il primo e il terzo quartile della variabile $autovalutazione_relazione_gatto e interpretatene l’output; identificate i punteggi che definiscono il minimo, il massimo e il 10° percentile di questa variabile

#7. Usate i quantili così individuati per creare la variabile di raggruppamento $amiconi, in cui i soggetti che faticano a entrare in #relazione con un gatto sono individuati dal livello “scarsa relazione”, quelli così così dal livello “media relazione” e quelli che #pensano come un gatto dal livello “buona relazione”

#8. Considerando tutti i soggetti nel dataframe gatti, calcolate moda, mediana e media della variabile $AES_empatia_animali e #commentate il dato, sapendo che il punteggio minimo teoricamente ottenibile è 22 e il massimo teoricamente ottenibile è 198;
##8a. Calcolate gli indici di dispersione della variabile $AES_empatia_animali per tutti i soggetti; 
##8b. individuate i soggetti che rappresentano il 25% inferiore della distribuzione: etichettate loro come “antropocentrici” e tutti gli #altri come “non antropocentrici”. Verificate la correttezza della categorizzazione.

#9. Calcolate il modello media della variabile $AES_empatia_animali per chi è cresciuto con un animale domestico e confrontatelo #con quello di chi non è cresciuto con un animale domestico: quale modello si adatta meglio ai dati? Commentate i due modelli #rispetto all’ipotesi che l’empatia non sia un tratto innato, ma una capacità che si può addestrare. 

### Importate il dataframe attaccamento
# 1.Le sottoscale del CBI compongono un punteggio totale: createlo nel dataframe come $CBI_totale.

#2.Anche le sottoscale del WHOQOL possono creare una dimensione complessiva: la media della qualità della vita nei diversi
#ambiti. Create la variabile $WHOQOL_media.

#3. Considerate solo il sottogruppo con l’assistito in casa: quanti usufruiscono di un centro diurno? E cosa potete 
#rilevare rispetto all’aiuto ricevuto? Usate sia descrittori numerici sia i grafici adeguati al livello di misura della variabile
##3a. L'etichetta "assistente domiciliare" è scomoda da avere nella X di un grafico: rinominatela, accorciandola

#4. Quali considerazioni si potrebbero fare (e come) rispetto all’avere un aiuto e al burden totale? usate sia descrittori numerici sia i grafici adeguati al livello di misura della variabile