Bayesiaans experimenteel ontwerp — Bayesiaans optimaal experimenteel ontwerp
Bayesiaans experimenteel ontwerp selecteert experimentele runs door een nutsfunctie te maximaliseren — doorgaans de verwachte informatietoename — berekend op basis van aannames vooraf (prior beliefs) over modelparameters. In tegenstelling tot klassiek ontwerp, dat algebraïsche criteria zoals D-optimaliteit onder vaste aannames optimaliseert, integreert Bayesiaans experimenteel ontwerp voorkennis en onzekerheid over het systeem, wat resulteert in ontwerpen die optimaal zijn in verwachting over alle plausibele parameterwaarden.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Bayesian Optimal Design of Experiments. ScholarGate. https://scholargate.app/nl/experimental-design/bayesian-design-of-experiments
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Centraal Composite OntwerpExperimenteel ontwerp↔ vergelijken
- Experimenteel OntwerpExperimenteel ontwerp↔ vergelijken
- Response Surface Methodology (RSM)Experimenteel ontwerp↔ vergelijken
Geciteerd door
Similar methods
Een fout op deze pagina gezien? Meld het of stel een correctie voor →