Een vraag die gegevens kunnen beantwoorden

Statistiek begint met een vraag, en niet elke vraag is een statistische vraag.

Vergelijk deze twee:

• "Hoeveel weegt de pinguïn in rij 1 van onze tabel?"
• "Hoeveel wegen volwassen ezelspinguïns?"

De eerste heeft één antwoord: je zoekt het op (3 750 g). De tweede heeft veel antwoorden, omdat pinguïns van elkaar verschillen. Je kunt deze vraag alleen beantwoorden met een samenvatting van veel metingen: een typische waarde, een bereik, een afbeelding. Een statistische vraag is een vraag waarbij je verwacht dat de antwoorden variëren en dat de gegevens die je verzamelt ook variëren.

"Hoeveel leerlingen zitten er vandaag in onze klas?" is een telvraag met één antwoord. "Hoeveel uur slapen leerlingen op onze school op een schoolavond?" is statistisch: verschillende leerlingen zullen verschillende antwoorden geven, en het interessante deel is het patroon.

Gegevens komen meestal binnen als een tabel. Dit zijn de belangrijkste woorden:

• Observationele eenheid (ook wel een geval genoemd): datgene wat elke rij beschrijft. In de pinguïntabel is dat één pinguïn.
• Variabele: iets wat over elke eenheid wordt gemeten of vastgelegd; één kolom per variabele: soort, eiland, lengte van de vin, lichaamsmassa, geslacht.
• Waarde: de inhoud van één cel, zoals "Gentoo" of 214 mm.

De standaardindeling, vaak nette gegevens genoemd, volgt drie regels: elke rij is één eenheid, elke kolom is één variabele en elke cel bevat één waarde. Nette tabellen zijn gemakkelijk te sorteren, filteren, tellen en in grafieken weer te geven. Daarom verwachten bijna alle hulpmiddelen voor gegevensanalyse deze indeling.

De eerste drie rijen van de pinguïntabel zien er zo uit:

• Adelie · Torgersen · snavel 39,1 mm lang, 18,7 mm diep · vin 181 mm · 3 750 g · mannetje · 2007
• Adelie · Torgersen · snavel 39,5 mm lang, 17,4 mm diep · vin 186 mm · 3 800 g · vrouwtje · 2007
• Adelie · Torgersen · snavel 40,3 mm lang, 18,0 mm diep · vin 195 mm · 3 250 g · vrouwtje · 2007

De pinguïnmetingen zijn de gegevensverzameling Palmer penguins: 344 vogels die in 2007, 2008 en 2009 op Palmer Station, Antarctica, zijn gemeten (Gorman, Williams en Fraser, 2014), gedeeld in het publieke domein (CC0).

Variabelen vallen uiteen in twee hoofdgroepen.

• Categorische variabelen delen elke eenheid in een groep in: soort, eiland, geslacht. De waarden zijn labels. Je kunt tellen hoeveel eenheden er in elke groep zitten.
• Numerieke (kwantitatieve) variabelen zijn metingen of tellingen waarbij rekenen zinvol is: lengte van de vin, lichaamsmassa. Je kunt er een gemiddelde van berekenen.

Numerieke variabelen worden opnieuw opgesplitst. Een discrete variabele neemt afzonderlijke waarden aan die je kunt tellen, zoals het aantal eieren in een nest (0, 1, 2, 3 …). Een continue variabele kan elke waarde binnen een bereik aannemen. De enige beperking is hoe nauwkeurig je meet: een vin kan 214 mm, 214,3 mm of 214,27 mm lang zijn. Lichaamsmassa en de lengte van de vin zijn continu, ook al noteert de tabel ze als hele aantallen gram of millimeter.

Een goede test voor "numeriek": heeft het gemiddelde betekenis? De gemiddelde lichaamsmassa van een groep pinguïns is betekenisvol. Het gemiddelde van een lijst met postcodes is dat niet.