Aplikasi jejak karbon ‘EcoTrack’ mencatat menit penggunaan harian dari 15 pengguna aktif dalam satu minggu:

data <- c(22, 25, 19, 30, 24, 21, 45, 23, 20, 26, 24, 22, 18, 27, 23)

1. Hitung mean median dan modus

mean (data)
## [1] 24.6
median (data)
## [1] 23
modus <- function(x) {
u <- unique(x)
u[which.max(tabulate(match(x, u)))]
}
modus(data)
## [1] 22

2.Tentukan Q1 dan Q3, lalu interpretasikan IQR-nya dalam konteks kasus ini.

## Mengurutkan data
dataUrut <- c(18, 19, 20, 21, 22, 22, 23, 23, 24, 24, 25, 26, 27, 30, 45) 
  
quantile(dataUrut, probs = c(0.25, 0.75), type = 6)
## 25% 75% 
##  21  26
IQR(dataUrut, type = 6)
## [1] 5

sebesar 50% pengguna aktif dikelompok tengah mempunyai pola penggunaan aplikaqsi antara 21 sampai 26 menit dalam rentan 5 menit

3. Hitung varians dan standar deviasi

var(dataUrut) 
## [1] 41.54286
sd(dataUrut) 
## [1] 6.445375

berdasarkan nilai devisiasi yang cukup tinggi yaitu 6,45 menit data variasi pengguna tergolong tinggi. hal ini disebabkan karena terdapat nilsi 45 menit yg cukup tinggi

4.Hitung koefisien skewness Pearson dan tentukan arah kemencengannya; verifikasi dengan fungsi skewness()

library(moments)
skewness(dataUrut)
## [1] 2.212573

kemencengan menunjukan kanan (positif),hal ini disebabkan koefisien skewness Pearson sebesar 0,74 menunjukkan bahwa distribusi data memiliki kemencengan positif dari adanya nilai 45 menit