Data-analyse

De cyclus van data-analyse

1. Vraag stellen: een duidelijke vraag ("Slapen leerlingen die laat op hun telefoon zitten minder?").
2. Verzamelen van data: enquêtes, metingen, sensoren, experimenten of bestaande datasets.
3. Opschonen van de data.
4. Ordenen / bewerken: sorteren, groeperen, tabellen maken, eenheden omrekenen.
5. Analyseren: samenvattingen, patronen, vergelijkingen.
6. Weergeven en concluderen: maak een grafiek, beantwoord de vraag en zeg hoe zeker je bent.

Vaak levert het antwoord een nieuwe vraag op, dus de cyclus begint opnieuw. Hulpmiddelen lopen uiteen van papier en een rekenmachine tot spreadsheets en programmeertalen zoals Python.

Data verzamelen en opschonen

Kwantitatieve data zijn getallen (lengte 152 cm). Kwalitatieve data zijn woorden of categorieën (favoriete sport). Primaire data verzamel je zelf; secundaire data heeft iemand anders verzameld.

Een steekproef is de groep die je echt ondervraagt. Een grotere steekproef die willekeurig is gekozen geeft eerlijkere resultaten; als je alleen je vrienden vraagt, krijg je vertekening (bias).

Checklist voor opschonen

• Haal dubbelen weg (hetzelfde gegeven twee keer).
• Verbeter of verwijder onmogelijke waarden (25 uur slaap op één dag).
• Bepaal wat je doet met ontbrekende waarden (lege plekken).
• Maak eenheden en spelling gelijk (cm of m; "India" of "india").

Data veilig houden

Voor persoonlijke gegevens heb je toestemming nodig, ze moeten veilig worden opgeslagen en namen kun je weghalen (anonimiseren) voordat je de data deelt.

Data analyseren: gemiddelden, spreiding, uitschieters

Gemiddelde = som van de waarden ÷ aantal waarden. Mediaan = middelste waarde na het sorteren (bij een even aantal: het gemiddelde van de twee middelste). Modus = de waarde die het vaakst voorkomt. Bereik = grootste − kleinste; het laat de spreiding zien.

Een uitschieter is een waarde die ver van de rest ligt. Het kan een fout zijn of een echt zeldzaam geval. Het gemiddelde wordt door uitschieters meegetrokken, de mediaan niet. Daarom is de mediaan beter bij scheve data, zoals inkomens.

Verkennende data-analyse betekent dat je de data van veel kanten bekijkt (tabellen, grafieken, samenvattingen) voordat je een idee toetst. Groeperen (bijvoorbeeld per klas of stad) en meerdere datasets combineren kan nieuwe patronen laten zien.

Weergeven, concluderen en beoordelen

Kies de grafiek die bij het doel past: een staafdiagram om groepen te vergelijken, een lijngrafiek voor verandering in de tijd, een spreidingsdiagram voor twee getalsvariabelen, een cirkeldiagram voor delen van een geheel en een histogram om te laten zien hoe waarden verdeeld zijn.

In een spreidingsdiagram laten punten die samen stijgen een positieve correlatie zien; als de ene waarde stijgt terwijl de andere daalt, is er een negatieve correlatie. Correlatie is geen causaal verband: ijsverkoop en verdrinkingen stijgen allebei in de zomer door de hitte, niet door elkaar.

Beoordeel je conclusie

Was de steekproef groot en eerlijk? Zijn de fouten opgeschoond? Zou een andere analyse van dezelfde data een ander antwoord kunnen geven? Noem de beperkingen eerlijk. Bij big data (miljoenen rijen, bijvoorbeeld sensoren voor luchtvervuiling in een stad) doen computers dezelfde stappen sneller, maar je moet net zo zorgvuldig zijn.

Belangrijke formules en begrippen

• Gemiddelde = som van de waarden ÷ aantal waarden
• Mediaan = middelste waarde van gesorteerde data (even aantal: gemiddelde van de twee middelste waarden)
• Modus = meest voorkomende waarde
• Bereik = maximum − minimum
• Correlatie ≠ causaal verband

Uitgewerkte voorbeelden

Veelgemaakte fouten

• Het opschonen overslaan. Eén onmogelijke waarde kan een gemiddelde verpesten.
• Vergeten de data te sorteren voordat je de mediaan zoekt.
• Zeggen dat het ene het andere veroorzaakt, alleen omdat ze gecorreleerd zijn.
• Een cirkeldiagram gebruiken voor data die niet samen één geheel vormt, of een lijngrafiek voor categorieën.