Probabilitas Gabungan: Teori, Contoh, dan Penerapan dalam Data Science

Saat analis cuaca memprediksi badai hebat, mereka tidak sekadar meramalkan hujan deras atau angin kencang secara terpisah – mereka menilai probabilitas bahwa keduanya akan terjadi bersamaan. Skenario ini menggambarkan probabilitas gabungan – kemungkinan dua peristiwa terjadi secara simultan. 

Dalam artikel ini, kita akan membahas cara kerja probabilitas gabungan, meninjau rumus untuk peristiwa yang saling bergantung dan tidak bergantung, mengerjakan contoh praktis, serta melihat bagaimana konsep ini diterapkan dalam data science dan machine learning. Untuk referensi ringkas definisi dan aturan probabilitas dasar, lihat Introduction to Probability Rules Cheat Sheet dari DataCamp. 

Apa itu Probabilitas Gabungan?

Probabilitas gabungan merepresentasikan kemungkinan dua (atau lebih) peristiwa terjadi pada saat yang sama. Secara matematis, kita menotasikannya sebagai P(A∩B), yang dibaca sebagai "probabilitas A irisan B" atau sederhananya "probabilitas A dan B."

Untuk memahami probabilitas gabungan, terlebih dahulu kita perlu menetapkan konteks:

• Ruang sampel: Himpunan semua kemungkinan hasil dalam suatu percobaan.
• Peristiwa (event): Subhimpunan hasil dari ruang sampel.
• Probabilitas marginal: Probabilitas terjadinya satu peristiwa, terlepas dari peristiwa lain.
• Probabilitas bersyarat: Probabilitas suatu peristiwa terjadi dengan syarat peristiwa lain sudah terjadi.

Probabilitas gabungan sangat berbeda antara peristiwa yang tidak bergantung dan yang bergantung:

• Peristiwa tidak bergantung: Peristiwa di mana terjadinya satu peristiwa tidak memengaruhi probabilitas peristiwa lainnya. Misalnya, melempar dua koin—hasil lemparan pertama tidak memengaruhi lemparan kedua.
• Peristiwa bergantung: Peristiwa di mana terjadinya satu peristiwa memengaruhi probabilitas peristiwa lainnya. Misalnya, mengambil kartu tanpa pengembalian—mengeluarkan satu kartu mengubah komposisi sisa dek.

Kita dapat memvisualisasikan probabilitas gabungan menggunakan diagram Venn, di mana area tumpang tindih merepresentasikan irisan peristiwa—skenario ketika kedua peristiwa terjadi bersamaan:

Diagram Venn yang menunjukkan hubungan antara himpunan A dan B, dengan irisan A ∩ B disorot. Gambar oleh Penulis.

Luas area tumpang tindih ini, relatif terhadap total ruang sampel, memberi kita P(A∩B)—probabilitas gabungan yang ingin kita hitung.

Rumus Probabilitas Gabungan dan Sifat Kunci

Memahami cara menghitung probabilitas gabungan memerlukan pendekatan berbeda tergantung apakah peristiwanya tidak bergantung atau bergantung. Mari kita tinjau kedua skenario dan jelajahi aturan yang mengaturnya.

Probabilitas gabungan untuk peristiwa tidak bergantung

Ketika dua peristiwa tidak bergantung, perhitungannya menjadi langsung. Karena keduanya tidak saling memengaruhi, kita cukup mengalikan probabilitas masing-masing:

P(A∩B) = P(A) × P(B)

Aturan perkalian ini berlaku karena independensi berarti mengetahui satu peristiwa terjadi tidak memberi informasi apa pun tentang kemungkinan peristiwa lainnya.

Contoh: Pertimbangkan melempar dua koin adil. Probabilitas muncul gambar pada koin pertama adalah 1/2, dan probabilitas muncul gambar pada koin kedua juga 1/2. Karena peristiwa ini tidak bergantung (lemparan pertama tidak memengaruhi yang kedua), probabilitas muncul gambar pada kedua koin adalah:

Artinya ada peluang 25% untuk mendapatkan dua gambar berturut-turut.

Probabilitas gabungan untuk peristiwa bergantung

Ketika peristiwa bergantung, kita harus memperhitungkan bagaimana peristiwa pertama memengaruhi probabilitas peristiwa kedua. Ini memerlukan penggunaan probabilitas bersyarat dalam perhitungan:

Di sini, P(B|A) merepresentasikan probabilitas peristiwa B terjadi dengan syarat peristiwa A telah terjadi.

Contoh: Bayangkan mengambil dua kartu dari satu dek standar tanpa pengembalian. Berapa probabilitas mengambil dua As?

• Probabilitas mengambil As pada pengambilan pertama adalah P(As₁) = 4/52 = 1/13
• Setelah mengambil satu As, hanya tersisa 3 As dalam dek 51 kartu, sehingga P(As₂|As₁) = 3/51 = 1/17
• Maka:

Ini mengilustrasikan bagaimana ketergantungan secara signifikan memengaruhi perhitungan probabilitas gabungan.

Aturan perkalian dan aturan rantai

Perhitungan di atas menunjukkan aturan perkalian dalam probabilitas. Aturan ini dapat diperluas untuk lebih dari dua peristiwa, memungkinkan kita menghitung probabilitas gabungan untuk banyak peristiwa menggunakan rangkaian probabilitas bersyarat:

Ini dikenal sebagai aturan rantai, yang menyediakan cara sistematis untuk memecah probabilitas gabungan yang kompleks menjadi bagian-bagian yang lebih mudah dikelola.

Contoh: Pertimbangkan probabilitas mengambil tiga hati berturut-turut dari satu dek standar tanpa pengembalian:

• P(Hati₁) = 13/52 = 1/4
• P(Hati₂|Hati₁) = 12/51
• P(Hati₃|Hati₁ ∩ Hati₂) = 11/50
• P(Hati₁ ∩ Hati₂ ∩ Hati₃) = 1/4 × 12/51 × 11/50 = 11/850

Aturan rantai menjadi sangat berharga dalam data science saat memodelkan urutan peristiwa atau bekerja dengan proses bertahap.

Contoh untuk Mengilustrasikan Probabilitas Gabungan

Untuk memantapkan pemahaman tentang probabilitas gabungan, mari kerjakan beberapa contoh klasik dan jelajahi penerapan praktis yang menunjukkan bagaimana konsep ini beroperasi dalam berbagai konteks.

Contoh klasik

Lempar dadu

Bayangkan melempar dua dadu enam sisi. Berapa probabilitas mendapatkan 4 pada dadu pertama dan 6 pada dadu kedua?

Karena hasil dadu pertama tidak memengaruhi dadu kedua, ini adalah peristiwa tidak bergantung:

• P(Dadu pertama = 4) = 1/6
• P(Dadu kedua = 6) = 1/6
• P(Dadu pertama = 4 ∩ Dadu kedua = 6) = 1/6 × 1/6 = 1/36

Ini memberi tahu kita ada sekitar 2,78% peluang kombinasi spesifik ini terjadi.

Mengambil kartu

Mari hitung probabilitas mengambil kartu merah diikuti oleh As dari satu dek 52 kartu standar tanpa pengembalian.

Karena kita mengambil tanpa pengembalian, peristiwa ini bergantung:

• P(Kartu merah pada pengambilan pertama) = 26/52 = 1/2
• P(As pada pengambilan kedua | Kartu merah pada pengambilan pertama) = 3/51 jika kartu pertama adalah As merah, atau 4/51 jika kartu pertama bukan As

Untuk menanganinya dengan tepat, kita perlu mempertimbangkan kedua skenario:

• P(Merah bukan As lalu As) = P(Merah bukan As) × P(As | Merah bukan As) = 24/52 × 4/51 = 24/663
• P(As merah lalu As lain) = P(As merah) × P(As | As merah) = 2/52 × 3/51 = 1/442

Maka, total probabilitas gabungan adalah: P(Kartu merah ∩ As pada pengambilan kedua) = 24/663 + 1/442 = (24×2 + 3)/1326 = 51/1326 = 1/26

Probabilitasnya sekitar 3,85%.

Kelereng dalam kantong

Pertimbangkan sebuah kantong berisi 5 kelereng biru dan 3 kelereng hijau. Mari hitung probabilitas mengambil dua kelereng biru pada dua skenario berbeda.

Dengan pengembalian:

• P(Biru pada pengambilan pertama) = 5/8
• P(Biru pada pengambilan kedua) = 5/8 (tidak berubah karena kelereng pertama dikembalikan)
• P(Biru ∩ Biru) = 5/8 × 5/8 = 25/64 ≈ 39,06%

Tanpa pengembalian:

• P(Biru pada pengambilan pertama) = 5/8
• P(Biru pada pengambilan kedua | Biru pada pengambilan pertama) = 4/7
• P(Biru ∩ Biru) = 5/8 × 4/7 = 20/56 = 5/14 ≈ 35,71%

Perbandingan ini menyoroti bagaimana ketergantungan yang tercipta karena tidak mengembalikan kelereng menurunkan probabilitas gabungan.

Penerapan di dunia nyata

Diagnosis medis

Probabilitas gabungan sangat penting dalam konteks medis saat menilai beberapa gejala atau hasil tes. Pertimbangkan skenario diagnostik di mana dokter perlu menilai pasien dengan gejala A dan B untuk suatu kondisi tertentu.

Berdasarkan data historis:

• P(Gejala A) = 0,30 (30% populasi menunjukkan gejala A)
• P(Gejala B) = 0,25 (25% populasi menunjukkan gejala B)
• P(Gejala A ∩ Gejala B) = 0,12 (12% menunjukkan kedua gejala)

Probabilitas gabungan ini membantu dokter menilai kemungkinan berbagai kondisi. Perlu dicatat bahwa P(A ∩ B) tidak sama dengan P(A) × P(B) = 0,30 × 0,25 = 0,075, yang menunjukkan gejala ini tidak independen—mengetahui pasien memiliki satu gejala meningkatkan kemungkinan mereka memiliki gejala lainnya.

Pemodelan risiko keuangan

Analis investasi sering kali perlu mengevaluasi probabilitas gabungan dari beberapa kondisi pasar yang terjadi bersama. Pertimbangkan seorang analis yang menilai risiko penurunan pasar saham dan kenaikan suku bunga dalam kuartal berikutnya.

Jika model mereka menunjukkan:

• P(Pasar saham turun) = 0,35
• P(Suku bunga naik) = 0,60
• P(Pasar saham turun | Suku bunga naik) = 0,45

Perhitungan probabilitas gabungan adalah: P(Pasar saham turun ∩ Suku bunga naik) = 0,60 × 0,45 = 0,27

Probabilitas 27% ini membantu mengkuantifikasi risiko portofolio dan memandu strategi lindung nilai untuk melindungi dari skenario ini.

Contoh-contoh ini menunjukkan bagaimana probabilitas gabungan menjadi alat yang ampuh untuk mengkuantifikasi ketidakpastian di berbagai bidang, baik saat menganalisis permainan peluang sederhana maupun membuat keputusan kompleks di bidang medis dan keuangan.

Probabilitas Gabungan dan Probabilitas Bersyarat

Probabilitas gabungan dan bersyarat adalah konsep yang saling terkait erat yang memungkinkan kita menganalisis skenario kompleks yang melibatkan banyak peristiwa. Memahami hubungan keduanya menyediakan alat yang kuat untuk penalaran probabilistik.

Hubungan fundamental

Hubungan antara probabilitas gabungan dan bersyarat dinyatakan dengan rumus:

Dengan menyusun ulang persamaan ini, kita dapat mengekspresikan probabilitas gabungan dalam bentuk probabilitas bersyarat:

Hubungan ini menunjukkan bahwa kita dapat menghitung probabilitas gabungan jika kita mengetahui probabilitas marginal dari satu peristiwa dan probabilitas bersyarat dari peristiwa lain dengan syarat peristiwa pertama.

Demikian pula, kita juga bisa menuliskan:

Kedua formulasi valid dan ekuivalen, menunjukkan sifat simetris dari probabilitas gabungan.

Keterkaitan dengan Teorema Bayes

Hubungan antara probabilitas gabungan dan bersyarat adalah inti dari Teorema Bayes, alat fundamental dalam inferensi probabilistik:

Teorema Bayes memungkinkan kita "membalik" probabilitas bersyarat—jika kita mengetahui P(B|A), kita dapat menghitung P(A|B). Ini sangat berguna ketika kita memiliki informasi tentang satu hubungan bersyarat tetapi perlu menalar hubungan sebaliknya.

Sebagai contoh, tes medis sering memberikan informasi tentang P(Tes Positif|Penyakit), tetapi dokter perlu menentukan P(Penyakit|Tes Positif). Teorema Bayes menjembatani kesenjangan ini dengan memasukkan probabilitas gabungan:

Penerapan dalam Data Science

Probabilitas gabungan menjadi dasar bagi banyak teknik dan penerapan data science. Memahami bagaimana beberapa peristiwa saling berinteraksi membantu data scientist membangun model yang lebih akurat dan membuat prediksi yang lebih baik di berbagai domain.

Pemodelan prediktif

Probabilitas gabungan merupakan inti dari banyak algoritme klasifikasi, khususnya pengklasifikasi Naive Bayes. Model machine learning populer ini menghitung probabilitas berbagai hasil berdasarkan keberadaan beberapa fitur.

Pendekatan Naive Bayes menerapkan Teorema Bayes dengan asumsi "naif" bahwa fitur-fitur bersifat kondisional independen. Ini menyederhanakan perhitungan probabilitas gabungan:

Terlepas dari asumsi penyederhanaan ini, pengklasifikasi Naive Bayes bekerja sangat baik untuk:

• Klasifikasi teks dan penyaringan spam
• Analisis sentimen
• Diagnosis medis
• Segmentasi pelanggan

Pendekatan ini efisien secara komputasi dan sering memberikan kinerja yang mengejutkan bahkan ketika asumsi independensi tidak sepenuhnya terpenuhi.

Penilaian risiko

Probabilitas gabungan memainkan peran penting dalam sistem deteksi penipuan, di mana beberapa faktor risiko harus dievaluasi bersama. Algoritme deteksi penipuan modern menganalisis kombinasi perilaku mencurigakan untuk mengidentifikasi transaksi yang berpotensi curang.

Pertimbangkan sistem pembayaran online yang memantau berbagai sinyal:

• Jumlah transaksi
• Lokasi geografis
• Waktu transaksi
• Informasi perangkat
• Pola perilaku pengguna

Meskipun masing-masing sinyal sendiri mungkin tidak menunjukkan penipuan, kombinasi tertentu (kejadian bersama mereka) dapat secara signifikan meningkatkan kecurigaan. Misalnya, transaksi besar, dari perangkat baru, di negara asing, pada waktu yang tidak biasa merepresentasikan peristiwa gabungan dengan probabilitas penipuan yang berpotensi tinggi.

Penilaian probabilitas gabungan ini memungkinkan penilaian risiko yang lebih canggih daripada mengevaluasi setiap faktor secara terpisah, mengurangi baik positif palsu maupun negatif palsu.

Machine learning

Konsep probabilitas gabungan menjadi inti dari banyak model machine learning tingkat lanjut, termasuk:

Jaringan Bayesian (Bayesian Networks): Model grafis ini merepresentasikan variabel dan hubungan probabilistiknya. Mereka memungkinkan penalaran tentang distribusi probabilitas gabungan yang kompleks dengan memecahnya menjadi probabilitas bersyarat yang lebih sederhana. Jaringan Bayesian banyak digunakan dalam:

• Sistem diagnosis medis
• Analisis genetik
• Sistem pendukung keputusan
• Pemodelan kausalitas

Hidden Markov Models (HMM): Model berurutan ini menggunakan probabilitas gabungan untuk memodelkan sistem di mana keadaan yang mendasari tersembunyi tetapi menghasilkan keluaran yang dapat diamati. Penerapannya meliputi:

• Pengenalan ucapan
• Pemrosesan bahasa alami
• Analisis sekuens biologis
• Pemodelan deret waktu keuangan

Model Grafis Probabilistik: Ini mencakup kelas model yang lebih luas yang menggunakan struktur graf untuk mengodekan distribusi probabilitas gabungan yang kompleks. Mereka adalah alat penting untuk:

• Pengenalan citra
• Sistem rekomendasi
• Deteksi anomali
• Reinforcement learning

Melalui penerapan ini, probabilitas gabungan memungkinkan data scientist membangun model yang menangkap saling ketergantungan kompleks dalam data dunia nyata, menghasilkan prediksi yang lebih akurat dan pengambilan keputusan yang lebih baik di bawah ketidakpastian.

Bagaimana Orang Dapat Salah Menafsirkan Probabilitas Gabungan

Meski bermanfaat, probabilitas gabungan sering disalahpahami atau disalahgunakan. Mari tinjau beberapa kesalahpahaman umum dan cara menghindarinya.

Menyamakan probabilitas gabungan dengan probabilitas bersyarat

Salah satu kesalahan paling sering adalah menyamakan P(A∩B) dengan P(A|B). Meski berhubungan, keduanya merepresentasikan konsep yang berbeda:

• Probabilitas gabungan P(A∩B) menjawab: "Berapa probabilitas bahwa A dan B terjadi bersamaan?"
• Probabilitas bersyarat P(A|B) menjawab: "Dengan syarat B telah terjadi, berapa probabilitas A terjadi?"

Sebagai contoh, probabilitas bahwa seseorang sekaligus mengidap diabetes dan berusia di atas 65 tahun (gabungan) berbeda dari probabilitas seseorang mengidap diabetes dengan syarat mereka berusia di atas 65 tahun (bersyarat).

Pembedaan ini penting dalam banyak konteks analitis. Misalnya, ketika seorang data scientist melaporkan bahwa "5% pengguna sekaligus mengeklik iklan dan melakukan pembelian," probabilitas gabungan ini sangat berbeda dari "40% pengguna yang mengeklik iklan melakukan pembelian," yang merupakan probabilitas bersyarat.

Salah mengasumsikan independensi

Kesalahan umum lainnya adalah secara otomatis mengasumsikan bahwa P(A∩B) = P(A) × P(B) tanpa memverifikasi bahwa peristiwa benar-benar independen. Asumsi ini dapat menimbulkan kesalahan besar ketika peristiwa sebenarnya bergantung.

Sebagai contoh, dalam analisis pasar, mengasumsikan independensi antara pembelian produk A dan produk B dapat mengarah pada perencanaan persediaan yang keliru jika produk tersebut bersifat komplementer (seperti printer dan tinta) atau substitusi (seperti merek berbeda dari item yang sama).

Menguji independensi sangat penting—jika P(A∩B) ≠ P(A) × P(B), maka peristiwa bergantung, dan diperlukan perhitungan probabilitas gabungan yang lebih cermat.

Mengabaikan probabilitas marginal

Saat bekerja dengan probabilitas gabungan, analis terkadang hanya fokus pada irisan sambil mengabaikan frekuensi keseluruhan dari peristiwa individual. Ini dapat menyebabkan kesimpulan yang menyesatkan tentang kekuatan hubungan.

Misalnya, menemukan bahwa 90% pelanggan yang membeli produk A dan B juga membeli produk C mungkin terlihat mengesankan. Namun, jika 89% dari semua pelanggan membeli produk C terlepas dari apa pun, hubungan yang tampak itu jauh lebih lemah daripada yang terlihat semula.

Selalu bandingkan probabilitas gabungan terhadap probabilitas marginal yang relevan untuk menghindari melebih-lebihkan hubungan antar peristiwa. Rasio lift—rasio probabilitas gabungan terhadap hasil kali probabilitas marginal—menawarkan ukuran asosiasi yang lebih akurat:

Nilai lift lebih dari 1 menunjukkan peristiwa terjadi bersama lebih sering daripada yang diharapkan jika keduanya independen.

Memahami jebakan umum ini membantu data scientist menerapkan probabilitas gabungan dengan benar dan memperoleh wawasan bermakna dari analisis probabilistik.

Topik Lanjutan dan Pertimbangan Lebih Lanjut

Seiring kemajuan karier, data scientist akan menemui penerapan probabilitas gabungan yang lebih canggih. Mari jelajahi beberapa konsep lanjutan yang dibangun di atas dasar yang telah kita tetapkan.

Probabilitas gabungan dalam ruang berdimensi tinggi

Saat menangani masalah machine learning modern, data scientist sering bekerja dengan puluhan bahkan ratusan variabel sekaligus. Dalam ruang berdimensi tinggi ini, menghitung dan merepresentasikan probabilitas gabungan menjadi menantang.

Jumlah parameter yang dibutuhkan untuk menentukan distribusi gabungan bertambah secara eksponensial dengan jumlah variabel—fenomena yang dikenal sebagai "kutukan dimensi" (curse of dimensionality). Sebagai contoh, distribusi gabungan dari 10 variabel biner memerlukan 2¹⁰ - 1 = 1.023 parameter untuk ditentukan secara lengkap.

Untuk mengelola kompleksitas ini, data scientist menggunakan teknik seperti:

• Reduksi dimensi
• Seleksi variabel
• Asumsi independensi bersyarat
• Representasi terfaktorisasi (seperti jaringan Bayesian)

Pendekatan ini membuat perhitungan probabilitas gabungan berdimensi tinggi menjadi terjangkau untuk penerapan praktis di bidang seperti computer vision, genomik, dan pemrosesan bahasa alami.

Distribusi probabilitas gabungan

Contoh kita sejauh ini sebagian besar melibatkan peristiwa diskret, tetapi probabilitas gabungan secara alami meluas ke variabel kontinu melalui distribusi probabilitas gabungan.

Untuk variabel diskret, kita bekerja dengan fungsi massa probabilitas gabungan (PMF), yang menentukan probabilitas bahwa setiap kombinasi variabel acak mengambil nilai tertentu:

Untuk variabel kontinu, kita menggunakan fungsi densitas probabilitas gabungan (PDF). Berbeda dengan PMF, PDF tidak secara langsung memberikan probabilitas tetapi harus diintegralkan pada wilayah tertentu untuk menemukan probabilitas bahwa variabel jatuh dalam wilayah tersebut:

Distribusi gabungan yang umum meliputi:

• Distribusi normal multivariat
• Distribusi t multivariat
• Distribusi Dirichlet
• Distribusi multinomial

Memahami distribusi ini memungkinkan pemodelan yang lebih canggih atas hubungan antar variabel kontinu di bidang seperti ekonomi, bioinformatika, dan ilmu lingkungan.

Perangkat praktis untuk menghitung probabilitas gabungan

Beberapa alat perangkat lunak dan bahasa pemrograman menawarkan fungsi dan pustaka untuk bekerja dengan probabilitas gabungan:

Python:

• NumPy dan SciPy menyediakan fungsi untuk distribusi probabilitas multivariat

• Pandas menawarkan alat yang andal untuk perhitungan probabilitas gabungan empiris

• Pustaka seperti PyMC3 dan PyStan mengimplementasikan pemodelan Bayesian dengan distribusi gabungan

R:

• Base R mencakup banyak fungsi distribusi multivariat

• Paket seperti copula memungkinkan pemodelan struktur ketergantungan yang kompleks

• bnlearn mendukung analisis jaringan Bayesian

SQL:

• GROUP BY dengan fungsi COUNT dapat menghitung probabilitas gabungan empiris

• Fungsi jendela (window functions) memungkinkan analisis probabilistik yang lebih kompleks

• Database modern mendukung fungsi statistik untuk perhitungan probabilitas

Alat-alat ini membuat penerapan konsep probabilitas gabungan pada dataset besar menjadi praktis, memungkinkan data scientist membangun model probabilistik canggih untuk masalah kompleks.

Untuk memperdalam pemahaman tentang probabilitas gabungan dan penerapannya dalam analisis Bayesian, DataCamp menawarkan beberapa kursus yang sangat baik:

• Fundamentals of Bayesian Data Analysis in R - Pelajari cara menerapkan metode Bayesian pada masalah analisis data umum
• Bayesian Modeling with RJAGS - Kuasai teknik pemodelan Bayesian praktis menggunakan kerangka kerja JAGS di R
• Bayesian Data Analysis in Python - Kembangkan keterampilan untuk menerapkan pendekatan Bayesian pada analisis data menggunakan Python

Kursus-kursus ini akan membantu Anda membangun konsep yang dibahas dalam artikel ini dan menerapkan teknik probabilitas gabungan untuk menyelesaikan masalah data science dunia nyata.

Kesimpulan

Seperti yang telah kita lihat sepanjang artikel ini, probabilitas gabungan adalah konsep statistik fundamental dengan penerapan luas di berbagai bidang data science. Sumber daya DataCamp, seperti yang dibagikan dalam 40+ Python Statistics for Data Science Resources, menyediakan jalur yang sangat baik untuk memperkuat pemahaman Anda. Kumpulan komprehensif ini mencakup rekomendasi khusus untuk mempelajari teori probabilitas, pemikiran Bayesian, dan konsep statistik lain yang dibangun di atas probabilitas gabungan.

Bagi Anda yang mempersiapkan peran di bidang data science, panduan kami Top 35 Statistics Interview Questions and Answers menawarkan latihan berharga dengan pertanyaan probabilitas gabungan bersama konsep statistik penting lainnya.  Saya juga menilai bahwa kursus Probability Puzzles in R kami merupakan opsi yang menyenangkan.