Desain Eksperimen Bayesian — Desain Eksperimen Optimal Bayesian
Desain eksperimen Bayesian memilih percobaan dengan memaksimalkan fungsi utilitas — biasanya perolehan informasi yang diharapkan — yang dihitung berdasarkan keyakinan awal tentang parameter model. Berbeda dengan desain klasik, yang mengoptimalkan kriteria aljabar seperti D-optimalitas di bawah asumsi tetap, DOE Bayesian menggabungkan pengetahuan awal dan ketidakpastian tentang sistem, menghasilkan desain yang optimal dalam ekspektasi di seluruh nilai parameter yang masuk akal.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Bayesian Optimal Design of Experiments. ScholarGate. https://scholargate.app/id/experimental-design/bayesian-design-of-experiments
Metode yang mana?
Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.
- Desain Komposit PusatDesain Eksperimen↔ bandingkan
- Desain EksperimenDesain Eksperimen↔ bandingkan
- Metodologi Permukaan Respons (RSM)Desain Eksperimen↔ bandingkan
Dirujuk oleh
Similar methods
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →