Bējesa eksperimentu plānošana — Bējesa optimālā eksperimentu plānošana
Bējesa eksperimentu plānošana izvēlas eksperimentālos izmēģinājumus, maksimizējot lietderības funkciju — parasti sagaidāmo informācijas ieguvumu —, kas aprēķināta, pamatojoties uz iepriekšējiem uzskatiem par modeļa parametriem. Atšķirībā no klasiskās plānošanas, kas optimizē algebriskus kritērijus, piemēram, D-optimalitāti, pie fiksētiem pieņēmumiem, Bējesa eksperimentu plānošana (DOE) ietver iepriekšējas zināšanas un nenoteiktību par sistēmu, radot plānojumus, kas ir optimāli sagaidāmajā vērtībā visām ticamajām parametru vērtībām.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Optimal Design of Experiments. ScholarGate. https://scholargate.app/lv/experimental-design/bayesian-design-of-experiments
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Centrālais kompozītais plānsEksperimentu plānošana↔ salīdzināt
- Eksperimentu plānošanaEksperimentu plānošana↔ salīdzināt
- Metodoloģija virsmas atbildes (RSM)Eksperimentu plānošana↔ salīdzināt
Uz to atsaucas
Similar methods
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →