Este documento aborda el siguiente problema: dadas observaciones potenciales para determinar parámetros, cuál es la mejor elección de observaciones. El problema se puede formular como encontrar la submatriz de la matriz de observación completa que tiene el determinante máximo. Un algoritmo de Gu y Eisenstat para determinar una factorización QR que revela fuertemente el rango de una matriz puede adaptarse para abordar esta última formulación. El algoritmo comienza con una selección inicial de filas de la matriz de observación y luego realiza una secuencia de intercambios de filas, con el determinante de la submatriz actual aumentando estrictamente en cada paso hasta que no se pueda realizar más mejoras. El algoritmo implementa estrategias de actualización de rango uno, lo que conduce a un algoritmo compacto y eficiente. El algoritmo no determina necesariamente el óptimo global pero proporciona un enfoque práctico para diseñar una estrategia de medición efectiva. En este documento, describimos cómo el algoritmo Gu-Eisenstat puede adaptarse para abordar el problema del diseño experimental óptimo y utilizarse con el algoritmo QR con pivote de columna para proporcionar diseños efectivos. También describimos implementaciones de algoritmos secuenciales para agregar más mediciones que optimicen la ganancia de información en cada paso. Ilustramos el rendimiento en varios ejemplos de metrología.