Bayesiansk design af eksperimenter — Bayesiansk optimal eksperimentel design
Bayesiansk design af eksperimenter vælger eksperimentelle forsøg ved at maksimere en nyttefunktion — typisk den forventede informationsgevinst — beregnet ud fra forudgående overbevisninger om modelparametre. I modsætning til klassisk design, som optimerer algebraiske kriterier som D-optimalitet under faste antagelser, inkorporerer Bayesiansk DOE forudgående viden og usikkerhed om systemet, hvilket resulterer i designs, der er optimale i forventning på tværs af alle plausible parameterværdier.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Metodekort
Nabolaget af beslægtede metoder — vælg en knude for at udforske.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Bayesian Optimal Design of Experiments. ScholarGate. https://scholargate.app/da/experimental-design/bayesian-design-of-experiments
Hvilken metode?
Stil denne metode ved siden af dens nærmeste slægtninge, og læs dem side om side — biblioteket lægger bøgerne på bordet; valget er dit.
- Central Composite DesignForsøgsdesign↔ sammenlign
- Design of ExperimentsForsøgsdesign↔ sammenlign
- Responsflademetodologi (RSM)Forsøgsdesign↔ sammenlign
Refereret af
Similar methods
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →