Bayesiansk studiedesign — Bayesiansk optimal studiedesign
Bayesiansk studiedesign väljer experimentomgångar genom att maximera en nyttofunktion — typiskt den förväntade informationsvinsten — beräknad över tidigare övertygelser om modellparametrar. Till skillnad från klassisk studiedesign, som optimerar algebraiska kriterier såsom D-optimering under fasta antaganden, integrerar Bayesiansk DOE (Design of Experiments) tidigare kunskap och osäkerhet om systemet, vilket ger designer som är optimala i förväntan över alla rimliga parametervärden.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Bayesian Optimal Design of Experiments. ScholarGate. https://scholargate.app/sv/experimental-design/bayesian-design-of-experiments
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Central Composite DesignFörsöksplanering↔ jämför
- ExperimentdesignFörsöksplanering↔ jämför
- Responsytsmetodologi (RSM)Försöksplanering↔ jämför
Refereras av
Similar methods
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →