Der Prozess der Auswahl experimenteller Bedingungen, Eingaben oder Datenerhebungsstrategien, um Informationsgewinn oder Schätzungseffizienz in Bezug auf festgelegte Modellierungsziele zu maximieren, unter Berücksichtigung von Ressourcen- und Praxisbeschränkungen.

Prinzip

Formuliere ein Ziel (Fisher-Information maximieren, Parameter-Varianz minimieren, erwartete Nutzen- oder Posterior-Präzision maximieren) und suche bzw. optimiere über Designvariablen (Messorte, experimentelle Einstellungen, Replikationsallokation), häufig mit bayesianischen oder entscheidungstheoretischen Kriterien, die Kosten und Vorwissen einbeziehen.

Demonstration

Sensorsätze in einem Flussnetz so wählen, dass die Posterior-Varianz der Parameter des Schadstofftransports minimiert wird (D-Optimalität), oder Zeitpunkte für pharmakokinetische Proben wählen, um mit begrenzter Zahl an Blutentnahmen maximale Information über Aufnahme und Eliminierung zu erhalten.

Fehlanwendung

Ein Design mit einem falschen oder zu einfachen Modell optimieren, ohne Robustheit zu prüfen, oder logistische Restriktionen (Messrauschen, Aufstellzeit) ignorieren, was zu theoretisch optimalen aber praktisch unbrauchbaren oder irreführenden Designs führt.

Konsequenz

Richtig angewandt reduzieren optimale Designs die benötigte Anzahl an Experimenten, erhöhen die Präzision von Schätzern und konzentrieren Ressourcen dort, wo sie die Inferenz oder Vorhersage am stärksten verbessern.

Umkehrung

Randomisiertes oder Convenience-Sampling ohne Optimierung tauscht optimale Informationseffizienz gegen Einfachheit oder Fairness; adaptive Designs kehren die statische Planung um, indem sie Entscheidungen mit eintreffenden Daten aktualisieren.

Abgrenzung

Bezieht sich auf modell- oder zielgetriebene Versuchsplanung; ersetzt nicht die Notwendigkeit von Validierung, ethischer Prüfung oder adaptiver Neuplanung, wenn Modellannahmen versagen oder sequentielles Lernen erfolgt.

Semantische Spannung

Es besteht Spannung zwischen klassischen Optimalitätskriterien (D-, A-, E-Optimalität), die auf Parameterschätzpräzision abzielen, und entscheidungstheoretischen oder nutzenbasierten Designs, die erwartete Entscheidungsresultate direkt optimieren; die Wahl hängt davon ab, ob Inferenz oder Entscheidung im Vordergrund steht.

Synthese

Optimale Versuchsplanung formalisiert Informationsziele und Beschränkungen als Optimierung über Designvariablen und erzeugt Experimente, die Lernen oder entscheidungsrelevante Präzision maximieren, wobei sorgfältige Modellierung von Zielen, Priors und praktischen Grenzen erforderlich ist.