# Pengenalan Ringkas kepada Statistik dan Kebarangkalian | ](../../sketchnotes/04-Statistics-Probability.png)| |:---:| | Statistik dan Kebarangkalian - _Sketchnote oleh [@nitya](https://twitter.com/nitya)_ | Teori Statistik dan Kebarangkalian adalah dua cabang Matematik yang sangat berkait rapat dan relevan dalam Sains Data. Walaupun kita boleh bekerja dengan data tanpa pengetahuan mendalam tentang matematik, adalah lebih baik untuk memahami sekurang-kurangnya konsep asas. Di sini, kami akan memberikan pengenalan ringkas untuk membantu anda memulakan. [](https://youtu.be/Z5Zy85g4Yjw) ## [Kuiz Pra-Kuliah](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/6) ## Kebarangkalian dan Pemboleh Ubah Rawak **Kebarangkalian** adalah nombor antara 0 dan 1 yang menunjukkan seberapa mungkin sesuatu **peristiwa** berlaku. Ia ditakrifkan sebagai bilangan hasil positif (yang membawa kepada peristiwa tersebut), dibahagi dengan jumlah keseluruhan hasil, dengan syarat semua hasil adalah sama kebarangkaliannya. Sebagai contoh, apabila kita melontar dadu, kebarangkalian untuk mendapatkan nombor genap adalah 3/6 = 0.5. Apabila kita bercakap tentang peristiwa, kita menggunakan **pemboleh ubah rawak**. Sebagai contoh, pemboleh ubah rawak yang mewakili nombor yang diperoleh apabila melontar dadu akan mengambil nilai dari 1 hingga 6. Set nombor dari 1 hingga 6 dipanggil **ruang sampel**. Kita boleh bercakap tentang kebarangkalian pemboleh ubah rawak mengambil nilai tertentu, contohnya P(X=3)=1/6. Pemboleh ubah rawak dalam contoh sebelumnya dipanggil **diskret**, kerana ia mempunyai ruang sampel yang boleh dikira, iaitu terdapat nilai-nilai yang berasingan yang boleh disenaraikan. Terdapat kes di mana ruang sampel adalah julat nombor nyata, atau keseluruhan set nombor nyata. Pemboleh ubah seperti ini dipanggil **berterusan**. Contoh yang baik adalah masa ketibaan bas. ## Taburan Kebarangkalian Dalam kes pemboleh ubah rawak diskret, adalah mudah untuk menerangkan kebarangkalian setiap peristiwa dengan fungsi P(X). Untuk setiap nilai *s* dari ruang sampel *S*, ia akan memberikan nombor dari 0 hingga 1, dengan syarat jumlah semua nilai P(X=s) untuk semua peristiwa adalah 1. Taburan diskret yang paling terkenal adalah **taburan seragam**, di mana terdapat ruang sampel dengan N elemen, dengan kebarangkalian yang sama iaitu 1/N untuk setiap elemen. Adalah lebih sukar untuk menerangkan taburan kebarangkalian pemboleh ubah berterusan, dengan nilai yang diambil dari beberapa selang [a,b], atau keseluruhan set nombor nyata ℝ. Pertimbangkan kes masa ketibaan bas. Sebenarnya, untuk setiap masa ketibaan *t* yang tepat, kebarangkalian bas tiba pada masa itu adalah 0! > Kini anda tahu bahawa peristiwa dengan kebarangkalian 0 boleh berlaku, dan ia berlaku dengan kerap! Sekurang-kurangnya setiap kali bas tiba! Kita hanya boleh bercakap tentang kebarangkalian pemboleh ubah jatuh dalam selang nilai tertentu, contohnya P(t₁≤X2). Dalam kes ini, taburan kebarangkalian diterangkan oleh **fungsi ketumpatan kebarangkalian** p(x), dengan syarat ![P(t_1\le X1, x₂, ..., x_n. Kita boleh mentakrifkan nilai **min** (atau **purata aritmetik**) urutan tersebut dengan cara tradisional sebagai (x₁+x₂+x_n)/n. Apabila kita meningkatkan saiz sampel (iaitu mengambil had dengan n→∞), kita akan memperoleh min (juga dipanggil **jangkaan**) taburan. Kita akan menandakan jangkaan dengan **E**(x). > Ia boleh ditunjukkan bahawa untuk sebarang taburan diskret dengan nilai {x₁, x₂, ..., x_N} dan kebarangkalian yang sepadan p₁, p₂, ..., p_N, jangkaan akan sama dengan E(X)=x₁p₁+x₂p₂+...+x_Np_N. Untuk mengenal pasti sejauh mana nilai-nilai tersebar, kita boleh mengira varians σ² = ∑(x_i - μ)²/n, di mana μ adalah min urutan tersebut. Nilai σ dipanggil **sisihan piawai**, dan σ² dipanggil **varians**. ## Mod, Median dan Kuartil Kadangkala, min tidak cukup mewakili nilai "tipikal" untuk data. Sebagai contoh, apabila terdapat beberapa nilai ekstrem yang sangat jauh dari julat, ia boleh mempengaruhi min. Petunjuk lain yang baik adalah **median**, nilai di mana separuh daripada titik data lebih rendah daripadanya, dan separuh lagi - lebih tinggi. Untuk membantu kita memahami taburan data, adalah berguna untuk bercakap tentang **kuartil**: * Kuartil pertama, atau Q1, adalah nilai di mana 25% data berada di bawahnya * Kuartil ketiga, atau Q3, adalah nilai di mana 75% data berada di bawahnya Secara grafik, kita boleh mewakili hubungan antara median dan kuartil dalam diagram yang dipanggil **plot kotak**: Di sini kita juga mengira **jarak antara kuartil** IQR=Q3-Q1, dan apa yang dipanggil **outlier** - nilai yang berada di luar sempadan [Q1-1.5*IQR,Q3+1.5*IQR]. Untuk taburan terhingga yang mengandungi sejumlah kecil nilai yang mungkin, nilai "tipikal" yang baik adalah nilai yang paling kerap muncul, yang dipanggil **mod**. Ia sering digunakan untuk data kategori, seperti warna. Pertimbangkan situasi di mana kita mempunyai dua kumpulan orang - satu yang sangat menyukai warna merah, dan satu lagi yang menyukai warna biru. Jika kita kodkan warna dengan nombor, nilai min untuk warna kegemaran akan berada di spektrum oren-hijau, yang tidak menunjukkan pilihan sebenar mana-mana kumpulan. Walau bagaimanapun, mod akan menjadi salah satu warna, atau kedua-dua warna, jika bilangan orang yang memilihnya adalah sama (dalam kes ini kita memanggil sampel **multimodal**). ## Data Dunia Nyata Apabila kita menganalisis data dari kehidupan sebenar, ia sering bukan pemboleh ubah rawak dalam erti kata bahawa kita tidak menjalankan eksperimen dengan hasil yang tidak diketahui. Sebagai contoh, pertimbangkan pasukan pemain besbol, dan data tubuh mereka, seperti ketinggian, berat dan umur. Nombor-nombor ini tidak sepenuhnya rawak, tetapi kita masih boleh menggunakan konsep matematik yang sama. Sebagai contoh, urutan berat badan orang boleh dianggap sebagai urutan nilai yang diambil daripada pemboleh ubah rawak tertentu. Di bawah adalah urutan berat badan pemain besbol sebenar dari [Major League Baseball](http://mlb.mlb.com/index.jsp), diambil daripada [dataset ini](http://wiki.stat.ucla.edu/socr/index.php/SOCR_Data_MLB_HeightsWeights) (untuk kemudahan anda, hanya 20 nilai pertama ditunjukkan): ``` [180.0, 215.0, 210.0, 210.0, 188.0, 176.0, 209.0, 200.0, 231.0, 180.0, 188.0, 180.0, 185.0, 160.0, 180.0, 185.0, 197.0, 189.0, 185.0, 219.0] ``` > **Nota**: Untuk melihat contoh bekerja dengan dataset ini, lihat [notebook yang disertakan](notebook.ipynb). Terdapat juga beberapa cabaran sepanjang pelajaran ini, dan anda boleh menyelesaikannya dengan menambah kod pada notebook tersebut. Jika anda tidak pasti bagaimana untuk mengendalikan data, jangan risau - kita akan kembali kepada bekerja dengan data menggunakan Python pada masa akan datang. Jika anda tidak tahu bagaimana untuk menjalankan kod dalam Jupyter Notebook, lihat [artikel ini](https://soshnikov.com/education/how-to-execute-notebooks-from-github/). Berikut adalah plot kotak yang menunjukkan min, median dan kuartil untuk data kita:  Oleh kerana data kita mengandungi maklumat tentang **peranan** pemain yang berbeza, kita juga boleh membuat plot kotak mengikut peranan - ini akan membolehkan kita mendapatkan idea tentang bagaimana nilai parameter berbeza mengikut peranan. Kali ini kita akan mempertimbangkan ketinggian:  Diagram ini mencadangkan bahawa, secara purata, ketinggian pemain bas pertama lebih tinggi daripada ketinggian pemain bas kedua. Kemudian dalam pelajaran ini kita akan belajar bagaimana kita boleh menguji hipotesis ini dengan lebih formal, dan bagaimana untuk menunjukkan bahawa data kita adalah signifikan secara statistik untuk membuktikannya. > Apabila bekerja dengan data dunia nyata, kita menganggap bahawa semua titik data adalah sampel yang diambil daripada taburan kebarangkalian tertentu. Andaian ini membolehkan kita menggunakan teknik pembelajaran mesin dan membina model ramalan yang berfungsi. Untuk melihat apa taburan data kita, kita boleh melukis graf yang dipanggil **histogram**. Paksi X akan mengandungi beberapa selang berat yang berbeza (dipanggil **bin**), dan paksi menegak akan menunjukkan bilangan kali sampel pemboleh ubah rawak berada dalam selang tertentu.  Daripada histogram ini, anda boleh melihat bahawa semua nilai tertumpu di sekitar berat purata tertentu, dan semakin jauh kita dari berat tersebut - semakin sedikit berat dengan nilai tersebut ditemui. Iaitu, sangat tidak mungkin bahawa berat pemain besbol akan sangat berbeza daripada berat purata. Varians berat menunjukkan sejauh mana berat cenderung berbeza daripada purata. > Jika kita mengambil berat orang lain, bukan dari liga besbol, taburan mungkin berbeza. Walau bagaimanapun, bentuk taburan akan sama, tetapi purata dan varians akan berubah. Jadi, jika kita melatih model kita pada pemain besbol, ia mungkin memberikan hasil yang salah apabila digunakan pada pelajar universiti, kerana taburan asasnya berbeza. ## Taburan Normal Taburan berat yang kita lihat di atas adalah sangat tipikal, dan banyak ukuran dari dunia nyata mengikuti jenis taburan yang sama, tetapi dengan purata dan varians yang berbeza. Taburan ini dipanggil **taburan normal**, dan ia memainkan peranan yang sangat penting dalam statistik. Menggunakan taburan normal adalah cara yang betul untuk menjana berat rawak pemain besbol yang berpotensi. Setelah kita mengetahui berat purata `mean` dan sisihan piawai `std`, kita boleh menjana 1000 sampel berat dengan cara berikut: ```python samples = np.random.normal(mean,std,1000) ``` Jika kita melukis histogram sampel yang dijana, kita akan melihat gambar yang sangat mirip dengan yang ditunjukkan di atas. Dan jika kita meningkatkan bilangan sampel dan bilangan bin, kita boleh menjana gambar taburan normal yang lebih dekat dengan ideal:  *Taburan Normal dengan purata=0 dan sisihan piawai=1* ## Selang Keyakinan Apabila kita bercakap tentang berat pemain besbol, kita menganggap bahawa terdapat **pemboleh ubah rawak W** tertentu yang sepadan dengan taburan kebarangkalian ideal berat semua pemain besbol (dipanggil **populasi**). Urutan berat kita sepadan dengan subset semua pemain besbol yang kita panggil **sampel**. Persoalan yang menarik adalah, bolehkah kita mengetahui parameter taburan W, iaitu purata dan varians populasi? Jawapan yang paling mudah adalah dengan mengira purata dan varians sampel kita. Walau bagaimanapun, mungkin berlaku bahawa sampel rawak kita tidak mewakili populasi lengkap dengan tepat. Oleh itu, masuk akal untuk bercakap tentang **selang keyakinan**. > **Selang keyakinan** ialah anggaran purata sebenar populasi berdasarkan sampel kita, yang tepat dengan kebarangkalian tertentu (atau **tahap keyakinan**). ## Selang Keyakinan Katakan kita mempunyai sampel X₁, ..., X_n daripada taburan kita. Setiap kali kita mengambil sampel daripada taburan tersebut, kita akan mendapat nilai purata μ yang berbeza. Oleh itu, μ boleh dianggap sebagai pemboleh ubah rawak. **Selang keyakinan** dengan keyakinan p adalah sepasang nilai (L_p,R_p), di mana **P**(L_p≤μ≤R_p) = p, iaitu kebarangkalian nilai purata yang diukur berada dalam selang tersebut adalah sama dengan p. Ia melangkaui pengenalan ringkas kita untuk membincangkan secara terperinci bagaimana selang keyakinan ini dikira. Beberapa butiran lanjut boleh didapati [di Wikipedia](https://en.wikipedia.org/wiki/Confidence_interval). Secara ringkas, kita mentakrifkan taburan purata sampel yang dikira berbanding dengan purata sebenar populasi, yang dipanggil **taburan pelajar**. > **Fakta Menarik**: Taburan pelajar dinamakan sempena ahli matematik William Sealy Gosset, yang menerbitkan kertas kerjanya di bawah nama samaran "Student". Beliau bekerja di kilang bir Guinness, dan, menurut salah satu versi, majikannya tidak mahu orang awam mengetahui bahawa mereka menggunakan ujian statistik untuk menentukan kualiti bahan mentah. Jika kita ingin menganggarkan purata μ populasi kita dengan keyakinan p, kita perlu mengambil *(1-p)/2-th percentile* daripada taburan pelajar A, yang boleh diperoleh daripada jadual, atau dikira menggunakan beberapa fungsi terbina dalam perisian statistik (contohnya Python, R, dll.). Kemudian selang untuk μ akan diberikan oleh X±A*D/√n, di mana X adalah purata sampel yang diperoleh, D adalah sisihan piawai. > **Nota**: Kita juga mengabaikan perbincangan tentang konsep penting [darjah kebebasan](https://en.wikipedia.org/wiki/Degrees_of_freedom_(statistics)), yang penting berkaitan dengan taburan pelajar. Anda boleh merujuk kepada buku statistik yang lebih lengkap untuk memahami konsep ini dengan lebih mendalam. Contoh pengiraan selang keyakinan untuk berat dan tinggi diberikan dalam [notebook yang disertakan](notebook.ipynb). | p | Purata Berat | |------|--------------| | 0.85 | 201.73±0.94 | | 0.90 | 201.73±1.08 | | 0.95 | 201.73±1.28 | Perhatikan bahawa semakin tinggi kebarangkalian keyakinan, semakin lebar selang keyakinan. ## Ujian Hipotesis Dalam dataset pemain besbol kita, terdapat pelbagai peranan pemain, yang boleh diringkaskan seperti berikut (lihat [notebook yang disertakan](notebook.ipynb) untuk melihat bagaimana jadual ini dikira): | Peranan | Tinggi | Berat | Bilangan | |--------------------|------------|------------|----------| | Catcher | 72.723684 | 204.328947 | 76 | | Designated_Hitter | 74.222222 | 220.888889 | 18 | | First_Baseman | 74.000000 | 213.109091 | 55 | | Outfielder | 73.010309 | 199.113402 | 194 | | Relief_Pitcher | 74.374603 | 203.517460 | 315 | | Second_Baseman | 71.362069 | 184.344828 | 58 | | Shortstop | 71.903846 | 182.923077 | 52 | | Starting_Pitcher | 74.719457 | 205.163636 | 221 | | Third_Baseman | 73.044444 | 200.955556 | 45 | Kita boleh perhatikan bahawa purata tinggi pemain first basemen lebih tinggi daripada pemain second basemen. Oleh itu, kita mungkin tergoda untuk membuat kesimpulan bahawa **first basemen lebih tinggi daripada second basemen**. > Pernyataan ini dipanggil **hipotesis**, kerana kita tidak tahu sama ada fakta ini benar atau tidak. Namun, tidak selalu jelas sama ada kita boleh membuat kesimpulan ini. Daripada perbincangan di atas, kita tahu bahawa setiap purata mempunyai selang keyakinan yang berkaitan, dan oleh itu perbezaan ini mungkin hanya ralat statistik. Kita memerlukan cara yang lebih formal untuk menguji hipotesis kita. Mari kita kira selang keyakinan secara berasingan untuk tinggi pemain first dan second basemen: | Keyakinan | First Basemen | Second Basemen | |-----------|---------------|----------------| | 0.85 | 73.62..74.38 | 71.04..71.69 | | 0.90 | 73.56..74.44 | 70.99..71.73 | | 0.95 | 73.47..74.53 | 70.92..71.81 | Kita boleh lihat bahawa dalam semua tahap keyakinan, selang tidak bertindih. Ini membuktikan hipotesis kita bahawa first basemen lebih tinggi daripada second basemen. Secara lebih formal, masalah yang kita selesaikan adalah untuk melihat sama ada **dua taburan kebarangkalian adalah sama**, atau sekurang-kurangnya mempunyai parameter yang sama. Bergantung pada taburan, kita perlu menggunakan ujian yang berbeza untuk itu. Jika kita tahu bahawa taburan kita adalah normal, kita boleh menggunakan **[Student t-test](https://en.wikipedia.org/wiki/Student%27s_t-test)**. Dalam Student t-test, kita mengira apa yang dipanggil **t-value**, yang menunjukkan perbezaan antara purata, dengan mengambil kira varians. Ia ditunjukkan bahawa t-value mengikuti **taburan pelajar**, yang membolehkan kita mendapatkan nilai ambang untuk tahap keyakinan **p** tertentu (ini boleh dikira, atau dirujuk dalam jadual numerik). Kita kemudian membandingkan t-value dengan ambang ini untuk meluluskan atau menolak hipotesis. Dalam Python, kita boleh menggunakan pakej **SciPy**, yang termasuk fungsi `ttest_ind` (selain daripada banyak fungsi statistik lain yang berguna!). Fungsi ini mengira t-value untuk kita, dan juga melakukan carian terbalik nilai p keyakinan, supaya kita hanya perlu melihat keyakinan untuk membuat kesimpulan. Sebagai contoh, perbandingan kita antara tinggi first dan second basemen memberikan hasil berikut: ```python from scipy.stats import ttest_ind tval, pval = ttest_ind(df.loc[df['Role']=='First_Baseman',['Height']], df.loc[df['Role']=='Designated_Hitter',['Height']],equal_var=False) print(f"T-value = {tval[0]:.2f}\nP-value: {pval[0]}") ``` ``` T-value = 7.65 P-value: 9.137321189738925e-12 ``` Dalam kes kita, nilai p sangat rendah, yang bermaksud terdapat bukti kukuh yang menyokong bahawa first basemen lebih tinggi. Terdapat juga pelbagai jenis hipotesis lain yang mungkin kita ingin uji, contohnya: * Untuk membuktikan bahawa sampel tertentu mengikuti taburan tertentu. Dalam kes kita, kita telah menganggap bahawa tinggi diedarkan secara normal, tetapi itu memerlukan pengesahan statistik formal. * Untuk membuktikan bahawa nilai purata sampel sepadan dengan nilai yang telah ditetapkan. * Untuk membandingkan purata beberapa sampel (contohnya, apakah perbezaan tahap kebahagiaan antara kumpulan umur yang berbeza). ## Teorem Had Pusat dan Undang-Undang Nombor Besar Salah satu sebab mengapa taburan normal sangat penting adalah **teorem had pusat**. Katakan kita mempunyai sampel besar N nilai X₁, ..., X_N, yang diambil daripada mana-mana taburan dengan purata μ dan varians σ². Kemudian, untuk N yang cukup besar (dengan kata lain, apabila N→∞), purata Σ_iX_i akan diedarkan secara normal, dengan purata μ dan varians σ²/N. > Cara lain untuk mentafsirkan teorem had pusat adalah untuk mengatakan bahawa tanpa mengira taburan, apabila anda mengira purata jumlah nilai pemboleh ubah rawak, anda akan mendapat taburan normal. Daripada teorem had pusat, ia juga mengikuti bahawa, apabila N→∞, kebarangkalian purata sampel sama dengan μ menjadi 1. Ini dikenali sebagai **undang-undang nombor besar**. ## Kovarians dan Korelasi Salah satu perkara yang dilakukan oleh Sains Data adalah mencari hubungan antara data. Kita mengatakan bahawa dua jujukan **berkorelasi** apabila mereka menunjukkan tingkah laku yang serupa pada masa yang sama, iaitu mereka sama-sama meningkat/menurun serentak, atau satu jujukan meningkat apabila yang lain menurun dan sebaliknya. Dengan kata lain, nampaknya terdapat hubungan antara dua jujukan. > Korelasi tidak semestinya menunjukkan hubungan sebab-akibat antara dua jujukan; kadangkala kedua-dua pemboleh ubah boleh bergantung pada sebab luaran, atau ia mungkin secara kebetulan dua jujukan berkorelasi. Walau bagaimanapun, korelasi matematik yang kuat adalah petunjuk yang baik bahawa dua pemboleh ubah mempunyai hubungan tertentu. Secara matematik, konsep utama yang menunjukkan hubungan antara dua pemboleh ubah rawak adalah **kovarians**, yang dikira seperti ini: Cov(X,Y) = **E**\[(X-**E**(X))(Y-**E**(Y))\]. Kita mengira sisihan kedua-dua pemboleh ubah daripada nilai purata mereka, dan kemudian hasil darab sisihan tersebut. Jika kedua-dua pemboleh ubah menyimpang bersama, hasil darab akan sentiasa bernilai positif, yang akan menambah kepada kovarians positif. Jika kedua-dua pemboleh ubah menyimpang tidak selaras (iaitu satu jatuh di bawah purata apabila yang lain meningkat di atas purata), kita akan sentiasa mendapat nombor negatif, yang akan menambah kepada kovarians negatif. Jika sisihan tidak bergantung, mereka akan menambah kepada kira-kira sifar. Nilai mutlak kovarians tidak memberitahu kita banyak tentang sejauh mana korelasi, kerana ia bergantung pada magnitud nilai sebenar. Untuk menormalkannya, kita boleh membahagikan kovarians dengan sisihan piawai kedua-dua pemboleh ubah, untuk mendapatkan **korelasi**. Perkara yang baik ialah korelasi sentiasa berada dalam julat [-1,1], di mana 1 menunjukkan korelasi positif yang kuat antara nilai, -1 - korelasi negatif yang kuat, dan 0 - tiada korelasi langsung (pemboleh ubah adalah bebas). **Contoh**: Kita boleh mengira korelasi antara berat dan tinggi pemain besbol daripada dataset yang disebutkan di atas: ```python print(np.corrcoef(weights,heights)) ``` Hasilnya, kita mendapat **matriks korelasi** seperti ini: ``` array([[1. , 0.52959196], [0.52959196, 1. ]]) ``` > Matriks korelasi C boleh dikira untuk sebarang bilangan jujukan input S₁, ..., S_n. Nilai C_ij adalah korelasi antara S_i dan S_j, dan elemen diagonal sentiasa 1 (yang juga korelasi diri S_i). Dalam kes kita, nilai 0.53 menunjukkan bahawa terdapat beberapa korelasi antara berat dan tinggi seseorang. Kita juga boleh membuat plot serakan satu nilai terhadap yang lain untuk melihat hubungan secara visual:  > Lebih banyak contoh korelasi dan kovarians boleh didapati dalam [notebook yang disertakan](notebook.ipynb). ## Kesimpulan Dalam bahagian ini, kita telah mempelajari: * sifat statistik asas data, seperti purata, varians, mod dan kuartil * pelbagai taburan pemboleh ubah rawak, termasuk taburan normal * cara mencari korelasi antara pelbagai sifat * cara menggunakan alat matematik dan statistik untuk membuktikan beberapa hipotesis * cara mengira selang keyakinan untuk pemboleh ubah rawak berdasarkan sampel data Walaupun ini bukan senarai lengkap topik yang wujud dalam kebarangkalian dan statistik, ia seharusnya mencukupi untuk memberi anda permulaan yang baik dalam kursus ini. ## 🚀 Cabaran Gunakan kod sampel dalam notebook untuk menguji hipotesis lain bahawa: 1. First basemen lebih tua daripada second basemen 2. First basemen lebih tinggi daripada third basemen 3. Shortstops lebih tinggi daripada second basemen ## [Kuiz selepas kuliah](https://ff-quizzes.netlify.app/en/ds/) ## Kajian Semula & Kajian Kendiri Kebarangkalian dan statistik adalah topik yang sangat luas sehingga ia layak mendapat kursus tersendiri. Jika anda berminat untuk mendalami teori, anda mungkin ingin terus membaca beberapa buku berikut: 1. [Carlos Fernandez-Granda](https://cims.nyu.edu/~cfgranda/) dari Universiti New York mempunyai nota kuliah hebat [Probability and Statistics for Data Science](https://cims.nyu.edu/~cfgranda/pages/stuff/probability_stats_for_DS.pdf) (tersedia dalam talian) 1. [Peter dan Andrew Bruce. Practical Statistics for Data Scientists.](https://www.oreilly.com/library/view/practical-statistics-for/9781491952955/) [[kod sampel dalam R](https://github.com/andrewgbruce/statistics-for-data-scientists)]. 1. [James D. Miller. Statistics for Data Science](https://www.packtpub.com/product/statistics-for-data-science/9781788290678) [[kod sampel dalam R](https://github.com/PacktPublishing/Statistics-for-Data-Science)] ## Tugasan [Small Diabetes Study](assignment.md) ## Kredit Pelajaran ini telah ditulis dengan ♥️ oleh [Dmitry Soshnikov](http://soshnikov.com) --- **Penafian**: Dokumen ini telah diterjemahkan menggunakan perkhidmatan terjemahan AI [Co-op Translator](https://github.com/Azure/co-op-translator). Walaupun kami berusaha untuk memastikan ketepatan, sila ambil maklum bahawa terjemahan automatik mungkin mengandungi kesilapan atau ketidaktepatan. Dokumen asal dalam bahasa asalnya harus dianggap sebagai sumber yang berwibawa. Untuk maklumat penting, terjemahan manusia profesional adalah disyorkan. Kami tidak bertanggungjawab atas sebarang salah faham atau salah tafsir yang timbul daripada penggunaan terjemahan ini.