Kysymys, johon datalla voidaan vastata.

Tilastotiede alkaa kysymyksestä, eivätkä kaikki kysymykset ole tilastokysymyksiä.

Verrataan näitä kahta:

• "Kuinka paljon taulukkomme rivillä 1 oleva pingviini painaa?"
• "Kuinka paljon aikuiset gentoonpingviinit painavat?"

Ensimmäiseen on yksi vastaus: tarkistat sen taulukosta (3 750 g). Toiseen on monia vastauksia, koska pingviinit ovat erilaisia. Siihen voi vastata vain yhteenvedolla monista mittauksista: tyypillisellä arvolla, vaihteluvälillä tai kuvalla. Tilastollinen kysymys on sellainen, jossa odotat vastausten vaihtelevan ja jossa myös keräämäsi data vaihtelee.

"Kuinka monta oppilasta luokassamme on tänään?" on laskukysymys, jolla on yksi vastaus. "Kuinka monta tuntia koulumme oppilaat nukkuvat kouluyönä?" on tilastollinen kysymys: eri oppilaat antavat erilaisia vastauksia, ja kiinnostavaa on kuvio.

Data saapuu yleensä taulukkona. Tässä ovat tärkeät sanat:

• Havaintoyksikkö (jota kutsutaan myös tapaukseksi): asia, jota kukin rivi kuvaa. Pingviinitaulukossa se on yksi pingviini.
• Muuttuja: jokaisesta yksiköstä mitattava tai kirjattava asia, yksi sarake muuttujaa kohden: laji, saari, räpylän pituus, kehon massa, sukupuoli.
• Arvo: yhden solun sisältö, kuten "Gentoo" tai 214 mm.

Vakiomuoto, jota kutsutaan usein siistiksi dataksi, noudattaa kolmea sääntöä: jokainen rivi on yksi yksikkö, jokainen sarake on yksi muuttuja ja jokainen solu sisältää yhden arvon. Siistejä taulukoita on helppo lajitella, suodattaa, laskea ja esittää kuvaajina, minkä vuoksi lähes kaikki data-analyysin työkalut odottavat niitä.

Pingviinitaulukon kolme ensimmäistä riviä näyttävät tältä:

• Adelie · Torgersen · nokka 39,1 mm pitkä, 18,7 mm syvä · räpylä 181 mm · 3 750 g · koiras · 2007
• Adelie · Torgersen · nokka 39,5 mm pitkä, 17,4 mm syvä · räpylä 186 mm · 3 800 g · naaras · 2007
• Adelie · Torgersen · nokka 40,3 mm pitkä, 18,0 mm syvä · räpylä 195 mm · 3 250 g · naaras · 2007

Pingviinimittaukset ovat Palmerin pingviinit -data-aineisto: 344 lintua, jotka mitattiin Palmer-asemalla Etelämantereella vuosina 2007, 2008 ja 2009 (Gorman, Williams ja Fraser, 2014). Aineisto on jaettu julkisesti (CC0).

Muuttujat jakautuvat kahteen pääryhmään.

• Kategoriset muuttujat sijoittavat jokaisen havaintoyksikön ryhmään: laji, saari, sukupuoli. Arvot ovat luokkia kuvaavia tunnisteita. Voit laskea, kuinka monta havaintoa kuhunkin ryhmään kuuluu.
• Numeeriset (kvantitatiiviset) muuttujat ovat mittauksia tai lukumääriä, joille laskutoimitukset ovat mielekkäitä: räpylän pituus, ruumiinmassa. Niistä voi laskea keskiarvon.

Numeeriset muuttujat jakautuvat vielä kahteen ryhmään. Diskreetti muuttuja saa erillisiä, laskettavissa olevia arvoja, kuten pesässä olevien munien lukumäärä (0, 1, 2, 3 …). Jatkuva muuttuja voi saada minkä tahansa arvon tietyllä välillä. Arvoa rajoittaa vain mittauksen tarkkuus: räpylän pituus voi olla 214 mm, 214,3 mm tai 214,27 mm. Ruumiinmassa ja räpylän pituus ovat jatkuvia muuttujia, vaikka taulukossa ne kirjataan grammoina tai millimetreinä kokonaislukuina.

Hyvä testi sille, onko muuttuja "numeerinen": onko keskiarvolla jokin merkitys? Pingviiniryhmän ruumiinmassan keskiarvolla on merkitys. Postinumeroiden luettelon keskiarvolla ei ole.