El proceso de seleccionar condiciones experimentales, entradas o estrategias de recogida de datos para maximizar la ganancia de información o la eficiencia de estimación con respecto a objetivos de modelado especificados, sujeto a restricciones de recursos y prácticas.

Principio

Formalizar un objetivo (maximizar la información de Fisher, minimizar la varianza de los parámetros, maximizar la utilidad esperada o la precisión posterior) y buscar u optimizar sobre variables de diseño (ubicaciones de muestreo, ajustes experimentales, asignación de réplicas), frecuentemente usando criterios bayesianos o de teoría de la decisión que incorporan coste e incertidumbre a priori.

Demostración

Elegir emplazamientos de sensores en una red fluvial para minimizar la varianza posterior de parámetros de transporte de contaminantes (D-optimalidad), o seleccionar puntos temporales para muestreo farmacocinético para maximizar información sobre absorción y eliminación con un presupuesto de extracciones sanguíneas.

Aplicación incorrecta

Optimizar un diseño usando un modelo incorrecto o demasiado simplificado sin comprobar robustez, u omitir restricciones logísticas (ruido de medida, tiempo de montaje), produciendo diseños teóricamente óptimos pero imprácticos o engañosos en la práctica.

Consecuencia

Aplicado correctamente, los diseños óptimos reducen el número de experimentos necesarios, aumentan la precisión de los estimadores y concentran recursos donde más mejoran la inferencia o la predicción.

Inversión

El muestreo aleatorio o por conveniencia sin optimización intercambia eficiencia informativa óptima por simplicidad o equidad; los diseños adaptativos invierten la planificación estática actualizando las decisiones con los datos entrantes.

Límite

Se refiere a la planificación experimental guiada por un modelo u objetivo; no sustituye la necesidad de validación, revisión ética o replanificación adaptativa cuando fallan las suposiciones del modelo o cuando ocurre aprendizaje secuencial.

Tensión semántica

Existe tensión entre criterios clásicos de optimalidad (D-, A-, E-optimalidad) que buscan precisión en la estimación de parámetros y diseños basados en utilidad o teoría de la decisión que optimizan directamente los resultados esperados de la decisión; la elección depende de si la inferencia o la decisión son primarias.

Síntesis

El diseño experimental óptimo formaliza metas de información y restricciones en una optimización sobre variables de diseño, produciendo experimentos que maximizan el aprendizaje o la precisión relevante para la decisión, requiriendo una cuidadosa modelización de objetivos, priors y límites prácticos.