Design of Experiments Bayesiano — Design Bayesiano Ótimo de Experimentos
O design de experimentos bayesiano seleciona as execuções experimentais maximizando uma função de utilidade — tipicamente o ganho de informação esperado — calculada sobre crenças prévias acerca dos parâmetros do modelo. Diferentemente do design clássico, que otimiza critérios algébricos como a D-otimalidade sob suposições fixas, o DOE bayesiano incorpora conhecimento prévio e incerteza sobre o sistema, gerando designs que são ótimos em expectativa para todos os valores plausíveis de parâmetros.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Mapa de métodos
A vizinhança de métodos relacionados — selecione um nó para explorar.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Bayesian Optimal Design of Experiments. ScholarGate. https://scholargate.app/pt/experimental-design/bayesian-design-of-experiments
Qual método?
Coloque este método ao lado dos seus pares mais próximos e leia-os lado a lado — a biblioteca dispõe os livros sobre a mesa; a escolha é sua.
- Delineamento Composto CentralDelineamento experimental↔ comparar
- Desenho de ExperimentosDelineamento experimental↔ comparar
- Metodologia de Superfície de Resposta (RSM)Delineamento experimental↔ comparar
Referenciado por
Similar methods
Encontrou um problema nesta página? Relate ou sugira uma correção →