1. Hitung mean, median, dan modus data

ecotrack <- c(22, 25, 19, 30, 24, 21, 45, 23, 20, 26, 24, 22, 18, 27, 23)
mean(ecotrack); median(ecotrack);
## [1] 24.6
## [1] 23
modus <- function(x) {
u <- unique(x)
u[which.max(tabulate(match(x, u)))]
}
modus(ecotrack)
## [1] 22

2. Tentukan Q1 dan Q3, lalu interpretasikan IQR-nya

quantile(ecotrack, probs = c(0.25, 0.75), type = 6)
## 25% 75% 
##  21  26
IQR(ecotrack, type = 6)
## [1] 5

Nilai IQR sebesar 5 menunjukkan bahwa rentang sebaran data untuk 50% data paling tengah, pada variabel ecotrack ini sangat terpusat dan hanya berjarak 5 poin.sebagian besar data memiliki nilai yang mirip satu sama lain di area tengah.

3. Hitung varians dan standar deviasi

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

Data ini tergolong memiliki variasi yang tinggi karena dipengaruhi oleh pencilan (outlier). nilai standar deviasi sebesar 6,45 menjadi terlihat besar. Hal ini terjadi karena adanya satu nilai ekstrem yang sangat jauh dari rata-rata, yaitu 45.

4 Hitung koefisien skewness Pearson dan tentukan arah kemencengannya

pearson_skew <- 3 * (mean(ecotrack) - median(ecotrack)) / sd(ecotrack)
print(pearson_skew)
## [1] 0.7447201

karena output pearson positif maka distribusi data ini ditentukan menceng ke kanan (positive skewness). Hal ini terkonfirmasi oleh keberadaan angka ekstrem tinggi (45) yang menarik ekor grafik ke arah kanan.