En fråga som data kan ge svar på.

Statistik börjar med en fråga, och alla frågor är inte statistikfrågor.

Jämför de här två:

• "Hur mycket väger pingvinen på rad 1 i vår tabell?"
• "Hur mycket väger vuxna gentopingviner?"

Den första har ett svar: du slår upp det (3 750 g). Den andra har många svar, eftersom pingviner är olika. Du kan bara svara på den med en sammanfattning av många mätningar: ett typiskt värde, ett intervall eller en bild. En statistisk fråga är en fråga där du förväntar dig att svaren ska variera, och där även de data du samlar in kommer att variera.

"Hur många elever går i vår klass i dag?" är en räknefråga med ett svar. "Hur många timmar sover eleverna på vår skola under en skoldag?" är statistiskt: olika elever kommer att ge olika svar, och det intressanta är mönstret.

Data kommer oftast i form av en tabell. Här är orden du behöver känna till:

• Observationsenhet (kallas också fall): det som varje rad beskriver. I pingvintabellen är det en pingvin.
• Variabel: något som mäts eller registreras för varje enhet, en kolumn per variabel: art, ö, simfenans längd, kroppsmassa, kön.
• Värde: innehållet i en cell, till exempel "Gentoo" eller 214 mm.

Den vanliga layouten, som ofta kallas städade data, följer tre regler: varje rad är en enhet, varje kolumn är en variabel och varje cell innehåller ett värde. Städade tabeller är lätta att sortera, filtrera, räkna och rita diagram av. Därför förväntar sig nästan alla verktyg för dataanalys sådana tabeller.

De tre första raderna i pingvintabellen ser ut så här:

• Adelie · Torgersen · näbb 39,1 mm lång, 18,7 mm djup · simfena 181 mm · 3 750 g · hane · 2007
• Adelie · Torgersen · näbb 39,5 mm lång, 17,4 mm djup · simfena 186 mm · 3 800 g · hona · 2007
• Adelie · Torgersen · näbb 40,3 mm lång, 18,0 mm djup · simfena 195 mm · 3 250 g · hona · 2007

Pingvinmätningarna kommer från datamängden Palmer penguins: 344 fåglar som mättes vid Palmer Station i Antarktis under 2007, 2008 och 2009 (Gorman, Williams och Fraser, 2014), och som delades fritt i public domain (CC0).

Variabler delas in i två huvudfamiljer.

• Kategoriska variabler placerar varje enhet i en grupp: art, ö, kön. Värdena är etiketter. Du kan räkna hur många som finns i varje grupp.
• Numeriska (kvantitativa) variabler är mätningar eller antal där det går att räkna: simlängd, kroppsmassa. Du kan räkna ut medelvärdet för dem.

Numeriska variabler delas sedan in igen. En diskret variabel har separata värden som du kan räkna, till exempel antalet ägg i ett bo (0, 1, 2, 3 …). En kontinuerlig variabel kan ha vilket värde som helst inom ett intervall. Det enda som begränsar är hur noggrant du mäter: en simfot kan vara 214 mm, 214,3 mm eller 214.27 mm. Kroppsmassa och simlängd är kontinuerliga, även om tabellen registrerar dem som hela gram eller millimeter.

Ett bra test för ”numerisk”: betyder medelvärdet något? Den genomsnittliga kroppsmassan för en grupp pingviner är meningsfull. Medelvärdet av en lista med postnummer är det inte.