Il disegno ottimo degli esperimenti è una disciplina che si occupa di pianificare la raccolta dei dati in modo tale da massimizzare la qualità delle informazioni ottenute, minimizzando al contempo il costo, il tempo e le risorse necessarie. Il suo obiettivo principale è scegliere le condizioni sperimentali, vale a dire i valori dei fattori indipendenti, in modo da ottimizzare la precisione delle stime dei parametri del modello o l'efficacia delle capacità predittiva del modello.  In generale la ricerca sul disegno degli esperimenti – sviluppata sia in ambito frequentista che bayesiano - si occupa di individuare le dimensioni campionarie e le condizioni sperimentali ottimali (sia in fase di disegno di screening che di disegno follow-up) per gli obiettivi di ricerca come, ad esempio, la discriminazione tra modelli. Gli ambiti di applicazione variano dalle sperimentazioni scientifiche, alla ottimizzazione di processi industriali, agli studi clinici e di replicazione. Recentemente si è verificato come la adozione della teoria del disegno ottimo degli esperimenti sia particolarmente efficace per estrarre le informazioni più rilevanti da un Big Dataset. Questa caratteristica risulta di interesse nel machine learning per l'apprendimento supervisionato con vincoli di misurazione (vale a dire la circostanza per la quale è semplice ed economico ricavare le informazioni sui predittori, mentre le risposte sono indisponibili e costose da ottenere).

Parole chiave e temi trattati:

D-ottimalità, A-ottimalità, I-ottimalità, ampiezza campionaria, studi di replicazione, riduzione dei dati, selezione del modello, modelli a scelta discreta, copula, disegni individualizzati. 

Persone coinvolte:

Federico Castelletti, Guido Consonni, Laura Deldossi, Silvia Osmetti