Байесов дизайн на експерименти — Байесов оптимален дизайн на експерименти
Байесовият дизайн на експерименти избира експерименталните серии чрез максимизиране на функция на полезност — обикновено очакваното информационно увеличение — изчислена върху предварителни убеждения относно параметрите на модела. За разлика от класическия дизайн, който оптимизира алгебрични критерии като D-оптималност при фиксирани допускания, байесовият DOE (дизайн на експерименти) включва предварителни знания и несигурност относно системата, като дава дизайни, които са оптимални по очакване за всички правдоподобни стойности на параметрите.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Карта на методите
Обкръжението на сродните методи — изберете възел, за да го разгледате.
Източници
- Chaloner, K., & Verdinelli, I. (1995). Bayesian Experimental Design: A Review. Statistical Science, 10(3), 273–304. DOI: 10.1214/ss/1177009939 ↗
- Ryan, E. G., Drovandi, C. C., McGree, J. M., & Pettitt, A. N. (2016). A Review of Modern Computational Algorithms for Bayesian Optimal Design. International Statistical Review, 84(1), 128–154. DOI: 10.1111/insr.12107 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Bayesian Optimal Design of Experiments. ScholarGate. https://scholargate.app/bg/experimental-design/bayesian-design-of-experiments
Кой метод?
Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.
- Централен композитен дизайнПланиране на експеримента↔ сравняване
- Планиране на експериментиПланиране на експеримента↔ сравняване
- Методология на повърхността на отклика (RSM)Планиране на експеримента↔ сравняване
Цитиран в
Similar methods
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →