Et spørsmål data kan svare på

Statistikk starter med et spørsmål, og ikke alle spørsmål er statistiske spørsmål.

Sammenlign disse to:

• "Hvor mye veier pingvinen på rad 1 i tabellen vår?"
• "Hvor mye veier voksne gentoo-pingviner?"

Det første har ett svar: Du slår det opp (3 750 g). Det andre har mange svar, fordi pingviner er forskjellige. Du kan bare svare på det med en oppsummering av mange målinger: en typisk verdi, et spenn, et bilde. Et statistisk spørsmål er et spørsmål der du forventer at svarene skal variere, og at dataene du samler inn, også vil variere.

"Hvor mange elever er det i klassen vår i dag?" er et telle-spørsmål med ett svar. "Hvor mange timer sover elever på skolen vår på en skoledag?" er statistisk: forskjellige elever vil gi forskjellige svar, og det interessante er mønsteret.

Data kommer vanligvis som en tabell. Dette er ordene du bør kjenne:

• Observasjonsenhet (også kalt et tilfelle): det hver rad beskriver. I pingvintabellen er det én pingvin.
• Variabel: noe som måles eller registreres for hver enhet, én kolonne per variabel: art, øy, lengde på luffen, kroppens masse, kjønn.
• Verdi: innholdet i én celle, for eksempel "Gentoo" eller 214 mm.

Standardoppsettet, som ofte kalles ryddige data, følger tre regler: hver rad er én enhet, hver kolonne er én variabel, og hver celle inneholder én verdi. Ryddige tabeller er enkle å sortere, filtrere, telle og lage diagrammer av. Derfor forventer nesten alle verktøy for dataanalyse slike tabeller.

De tre første radene i pingvintabellen ser slik ut:

• Adelie · Torgersen · nebb 39,1 mm langt, 18,7 mm dypt · luffe 181 mm · 3 750 g · hann · 2007
• Adelie · Torgersen · nebb 39,5 mm langt, 17,4 mm dypt · luffe 186 mm · 3 800 g · hunn · 2007
• Adelie · Torgersen · nebb 40,3 mm langt, 18,0 mm dypt · luffe 195 mm · 3 250 g · hunn · 2007

Pingvinmålingene er datasettet Palmer-pingviner: 344 fugler som ble målt ved Palmer Station i Antarktis i 2007, 2008 og 2009 (Gorman, Williams og Fraser, 2014), delt offentlig under CC0.

Variabler deles inn i to hovedfamilier.

• Kategoriske variabler plasserer hver enhet i en gruppe: art, øy, kjønn. Verdiene er etiketter. Du kan telle hvor mange som er i hver gruppe.
• Numeriske (kvantitative) variabler er målinger eller antall der det gir mening å regne: lengde på luffen, kroppens masse. Du kan beregne gjennomsnittet av dem.

Numeriske variabler deles videre inn. En diskret variabel har separate verdier du kan telle, for eksempel antall egg i et rede (0, 1, 2, 3 …). En kontinuerlig variabel kan ha hvilken som helst verdi i et intervall, begrenset bare av hvor nøyaktig du måler: En luffe kan være 214 mm, 214,3 mm eller 214.27 mm. Kroppens masse og lengden på luffen er kontinuerlige, selv om tabellen registrerer dem som hele gram eller millimeter.

En god test for om noe er «numerisk»: Gir gjennomsnittet mening? Gjennomsnittlig masse for en gruppe pingviner gir mening. Gjennomsnittet av en liste med postnumre gjør ikke det.