Байесовское планирование эксперимента — Байесовское оптимальное планирование эксперимента
Байесовское планирование эксперимента выбирает экспериментальные прогоны, максимизируя функцию полезности — как правило, ожидаемый прирост информации — вычисленный на основе априорных убеждений о параметрах модели. В отличие от классического планирования, которое оптимизирует алгебраические критерии, такие как D-оптимальность, при фиксированных предположениях, байесовское планирование эксперимента учитывает априорные знания и неопределенность о системе, создавая планы, которые оптимальны в среднем по всем правдоподобным значениям параметров.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Bayesian Optimal Design of Experiments. ScholarGate. https://scholargate.app/ru/experimental-design/bayesian-design-of-experiments
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Центральное композиционное планированиеПланирование эксперимента↔ сравнить
- Планирование экспериментаПланирование эксперимента↔ сравнить
- Методология поверхности отклика (RSM)Планирование эксперимента↔ сравнить
Упоминается в
Similar methods
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →