nullhüpotees. II liiki viga: P(H0 juurde jääda | H1 on õige) tekib siis, kui jäädakse nullhüpoteesi juurde, kuid õige oleks sisukas hüpotees. I liiki viga võib olla oluliselt väiksem kui II liiki viga 7.Normaalne aproksimatsioon kui tsentraalse piirteoreemi rakendus Tsentraalset piirteoreemi kasutatakse normaalse aproksimatsiooni juures teststatistiku z leidmiseks. X1, X2, …, Xn s.s.j; ̅ = ∑ ; ( )= ; ( )= ̅ = √ (0,1) : = { : ≠ < > P(z > |zk|) = β 8.Statistilise testi põhimõtteline konstrueerimine a. normaalse aproksimatsiooni; b. t-testi; c. 2 -testi; d. Fisheri F-testi baasil. (Iga test on eri piletis, st
viga (p-value) Olulisusnivooks nimetatakse maksimaalset lubatud tõenäosust teha I liiki viga (β) I liiki viga: P(H1 tõestatud | H0 on õige) II liiki viga: P(H0 juurde jääda | H1 on õige) I liiki viga võib olla oluliselt väiksem kui II liiki viga . Normaalne aproksimatsioon kui tsentraalse piirteoreemi rakendus Tsentraalset piirteoreemi kasutatakse normaalse aproksimatsiooni juures teststatistiku z leidmiseks. n 1 X1, X2, …, Xn s.s.j; ´x = ∑ x i ; E ( X i )=μ ; D ( X i ) =σ 2 n i=1 ´x −μ0 z= √ n ⩪ N (0,1) σ
· Võib tekkida nii nimetatud üleõppimise efekt: väljundvektor hakkab kajastama mitteolulisi detaile sõltuvuses y (x) , näiteks, müra ja ebatäpsed andmed; · võrgu käitumine võib muutuda ebastabiilseks: väljund hakkab väga kõvasti ja ettearvamatult reageerima väikestele sisendvektori väärtuste muutustele; · võrk võib kaotada võime üldistada: piirkonnas, kus õpetamisel on kasutada vähe ette teatud andmeid võib aproksimatsiooni täpsus olla kehv väljundvektori väärtused on juhuslikud. Parameetrite leidmiseks kasutatakse erinevaid õpetamisalgoritme. Õpetamise eesmärk on otsida selline võrgu parameetrite väärtuste kombinatsioon, mille puhul võrk saab kõige paremini hakkama püstitatud ülesandega. Võib eristada kahte võrgu parameetrite väärtuste otsimise meetodit: õpetamine (supervised learning, ) ja iseõppimine (unsupervised learning, ).
· Võib tekkida nii nimetatud üleõppimise efekt: väljundvektor hakkab kajastama mitteolulisi detaile sõltuvuses y (x) , näiteks, müra ja ebatäpsed andmed; · võrgu käitumine võib muutuda ebastabiilseks: väljund hakkab väga kõvasti ja ettearvamatult reageerima väikestele sisendvektori väärtuste muutustele; · võrk võib kaotada võime üldistada: piirkonnas, kus õpetamisel on kasutada vähe ette teatud andmeid võib aproksimatsiooni täpsus olla kehv väljundvektori väärtused on juhuslikud. Parameetrite leidmiseks kasutatakse erinevaid õpetamisalgoritme. Õpetamise eesmärk on otsida selline võrgu parameetrite väärtuste kombinatsioon, mille puhul võrk saab kõige paremini hakkama püstitatud ülesandega. Võib eristada kahte võrgu parameetrite väärtuste otsimise meetodit: õpetamine (supervised learning, ) ja iseõppimine (unsupervised learning, ).
annaabi.ee 
