Conception bayésienne d'expériences — Conception expérimentale optimale bayésienne
La conception bayésienne d'expériences sélectionne les essais expérimentaux en maximisant une fonction d'utilité — typiquement le gain d'information attendu — calculée sur la base de croyances a priori concernant les paramètres du modèle. Contrairement à la conception classique, qui optimise des critères algébriques tels que l'optimalité D sous des hypothèses fixes, la DOE bayésienne intègre les connaissances a priori et l'incertitude sur le système, produisant des conceptions optimales en espérance sur toutes les valeurs de paramètres plausibles.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Bayesian Optimal Design of Experiments. ScholarGate. https://scholargate.app/fr/experimental-design/bayesian-design-of-experiments
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- Planification Composite CentralePlans d'expériences↔ comparer
- Planification d'ExpériencesPlans d'expériences↔ comparer
- Méthodologie des surfaces de réponse (RSM)Plans d'expériences↔ comparer
Référencée par
Similar methods
Une erreur sur cette page ? Signalez-la ou proposez une correction →