Bayesiläinen koeasetelmien suunnittelu — Bayesiläinen optimaalinen koeasetelmien suunnittelu
Bayesiläinen koeasetelmien suunnittelu valitsee koeajot maksimoimalla hyötyfunktion — tyypillisesti odotetun informaatiovoiton — joka lasketaan malliparametreja koskevien aiemmien uskomusten perusteella. Toisin kuin klassinen suunnittelu, joka optimoi algebrallisia kriteerejä kuten D-optimality kiinteiden oletusten vallitessa, Bayesiläinen DOE sisällyttää aiemman tiedon ja järjestelmän epävarmuuden, tuottaen odotusarvoisesti optimaalisia asetelmia kaikille uskottaville parametrien arvoille.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Menetelmäkartta
Lähimenetelmien naapurusto — valitse solmu tutkiaksesi.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Bayesian Optimal Design of Experiments. ScholarGate. https://scholargate.app/fi/experimental-design/bayesian-design-of-experiments
Mikä menetelmä?
Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.
- Keskiarvokeskeinen suunnitteluKoesuunnittelu↔ vertaa
- Kokeiden suunnitteluKoesuunnittelu↔ vertaa
- Vastauspintamenetelmä (RSM)Koesuunnittelu↔ vertaa
Tähän viittaavat
Similar methods
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →