Uma pergunta que os dados podem responder.

A estatística começa com uma pergunta, e nem toda pergunta é uma pergunta estatística.

Compare estas duas:

• "Quanto pesa o pinguim da linha 1 da nossa tabela?"
• "Quanto pesam os pinguins-gentoo adultos?"

A primeira tem uma resposta: você consulta o dado (3 750 g). A segunda tem muitas respostas, porque os pinguins são diferentes. Você só consegue respondê-la com um resumo de muitas medições: um valor típico, um intervalo, uma imagem. Uma pergunta estatística é aquela em que você espera que as respostas variem e em que os dados coletados também vão variar.

"Quantos estudantes estão na nossa turma hoje?" é uma pergunta de contagem com uma resposta. "Quantas horas os estudantes da nossa escola dormem em uma noite de aula?" é estatística: estudantes diferentes darão respostas diferentes, e a parte interessante é o padrão.

Os dados geralmente chegam como uma tabela. Estas são as palavras que você precisa conhecer:

• Unidade observacional (também chamada de caso): aquilo que cada linha descreve. Na tabela dos pinguins, é um pinguim.
• Variável: algo medido ou registrado sobre cada unidade, com uma coluna por variável: espécie, ilha, comprimento da nadadeira, massa corporal, sexo.
• Valor: a informação em uma célula, como "Gentoo" ou 214 mm.

O formato padrão, geralmente chamado de dados organizados, segue três regras: cada linha representa uma unidade, cada coluna representa uma variável e cada célula contém um valor. Tabelas organizadas são fáceis de ordenar, filtrar, contar e representar em gráficos, por isso quase toda ferramenta de análise de dados espera esse formato.

As três primeiras linhas da tabela dos pinguins são assim:

• Adelie · Torgersen · bico com 39,1 mm de comprimento e 18,7 mm de profundidade · nadadeira de 181 mm · 3 750 g · macho · 2007
• Adelie · Torgersen · bico com 39,5 mm de comprimento e 17,4 mm de profundidade · nadadeira de 186 mm · 3 800 g · fêmea · 2007
• Adelie · Torgersen · bico com 40,3 mm de comprimento e 18,0 mm de profundidade · nadadeira de 195 mm · 3 250 g · fêmea · 2007

As medidas dos pinguins fazem parte do conjunto de dados dos pinguins-de-palmer: 344 aves medidas na Estação Palmer, na Antártica, em 2007, 2008 e 2009 (Gorman, Williams e Fraser, 2014), compartilhado em domínio público (CC0).

As variáveis pertencem a duas famílias principais.

• Variáveis categóricas colocam cada unidade em um grupo: espécie, ilha, sexo. Os valores são rótulos. Você pode contar quantas estão em cada grupo.
• Variáveis numéricas (quantitativas) são medidas ou contagens em que faz sentido usar operações aritméticas: comprimento da nadadeira, massa corporal. Você pode calcular a média delas.

As variáveis numéricas se dividem novamente. Uma variável discreta assume valores separados que você pode contar, como o número de ovos em um ninho (0, 1, 2, 3 …). Uma variável contínua pode assumir qualquer valor em uma amplitude, limitada apenas pela precisão da medida: uma nadadeira pode ter 214 mm, 214,3 mm ou 214,27 mm. A massa corporal e o comprimento da nadadeira são contínuos, mesmo que a tabela os registre como números inteiros de gramas ou milímetros.

Um bom teste para saber se algo é "numérico": a média faz sentido? A média da massa corporal de um grupo de pinguins é significativa. A média de uma lista de códigos postais não é.