Проектування експериментів на основі Байєсівського підходу — Байєсівське оптимальне проектування експериментів
Байєсівське проектування експериментів обирає експериментальні запуски, максимізуючи функцію корисності — зазвичай очікуване отримання інформації — обчислене на основі апріорних переконань щодо параметрів моделі. На відміну від класичного проектування, яке оптимізує алгебраїчні критерії, такі як D-оптимальність, за фіксованих припущень, Байєсівське проектування експериментів (DOE) враховує апріорні знання та невизначеність щодо системи, створюючи дизайни, які є оптимальними в очікуванні для всіх правдоподібних значень параметрів.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Карта методів
Околиця споріднених методів — виберіть вузол, щоб дослідити.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Bayesian Optimal Design of Experiments. ScholarGate. https://scholargate.app/uk/experimental-design/bayesian-design-of-experiments
Який метод?
Поставте цей метод поруч із його найближчими спорідненими й читайте їх пліч-о-пліч — бібліотека викладає книги на стіл; вибір за вами.
- Центральний композиційний планПланування експерименту↔ порівняти
- Планування експериментівПланування експерименту↔ порівняти
- Методологія поверхні відгуку (RSM)Планування експерименту↔ порівняти
Згадується в
Similar methods
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →