Una pregunta que los datos pueden responder

La estadística comienza con una pregunta, y no toda pregunta es una pregunta estadística.

Compara estas dos:

• "¿Cuánto pesa el pingüino de la fila 1 de nuestra tabla?"
• "¿Cuánto pesan los pingüinos Gentoo adultos?"

La primera tiene una respuesta: la buscas (3 750 g). La segunda tiene muchas respuestas, porque los pingüinos son diferentes. Solo puedes responderla con un resumen de muchas mediciones: un valor típico, un rango, una imagen. Una pregunta estadística es aquella en la que esperas que las respuestas varíen, y donde los datos que recopiles también variarán.

"¿Cuántos estudiantes hay en nuestra clase hoy?" es una pregunta de conteo con una sola respuesta. "¿Cuántas horas duermen los estudiantes de nuestra escuela en una noche de semana escolar?" es estadística: diferentes estudiantes darán diferentes respuestas, y la parte interesante es el patrón.

Los datos suelen llegar como una tabla. Las palabras que debes conocer:

• Unidad observacional (también llamada caso): la cosa que describe cada fila. En la tabla de pingüinos es un pingüino.
• Variable: algo medido o registrado sobre cada unidad, una columna por variable: especie, isla, longitud de la aleta, masa corporal, sexo.
• Valor: la entrada en una celda, como "Gentoo" o 214 mm.

El formato estándar, a menudo llamado datos limpios (tidy data), sigue tres reglas: cada fila es una unidad, cada columna es una variable y cada celda contiene un valor. Las tablas limpias son fáciles de ordenar, filtrar, contar y graficar, por lo que casi todas las herramientas de análisis de datos las esperan.

Las tres primeras filas de la tabla de pingüinos se ven así:

• Adelie · Torgersen · pico de 39.1 mm de largo, 18.7 mm de profundidad · aleta de 181 mm · 3 750 g · macho · 2007
• Adelie · Torgersen · pico de 39.5 mm de largo, 17.4 mm de profundidad · aleta de 186 mm · 3 800 g · hembra · 2007
• Adelie · Torgersen · pico de 40.3 mm de largo, 18.0 mm de profundidad · aleta de 195 mm · 3 250 g · hembra · 2007

Las mediciones de los pingüinos son el conjunto de datos de los pingüinos de Palmer: 344 aves medidas en la Estación Palmer, Antártida, en 2007, 2008 y 2009 (Gorman, Williams y Fraser, 2014), compartido en dominio público (CC0).

Las variables se dividen en dos familias principales.

• Las variables categoriales agrupan cada unidad en un grupo: especie, isla, sexo. Los valores son etiquetas. Puedes contar cuántas hay en cada grupo.
• Las variables numéricas (cuantitativas) son mediciones o conteos donde la aritmética tiene sentido: longitud de la aleta, masa corporal. Puedes calcular su media.

Las variables numéricas se dividen a su vez. Una variable discreta toma valores separados que se pueden contar, como el número de huevos en un nido (0, 1, 2, 3 …). Una variable continua puede tomar cualquier valor en un rango, limitado solo por la precisión de la medición: una aleta podría medir 214 mm, 214,3 mm o 214,27 mm. La masa corporal y la longitud de la aleta son continuas, aunque la tabla las registre como números enteros de gramos o milímetros.

Una buena prueba para saber si es "numérica": ¿la media tiene sentido? La masa corporal media de un grupo de pingüinos es significativa. La media de una lista de códigos postales no lo es.