Uno de los criterios de uso más frecuente para la obtención de diseños óptimoses el D-optimalidad, el cual proporciona los puntos experimentales donde se minimizael volumen del elipsoide de confianza asociado al vector de parámetros enel modelo propuesto. A diferencia del diseño D-óptimo clásico, el diseño D- óptimobayesiano no necesariamente tiene tantos puntos de soporte como parámetrostiene el modelo. En este artículo se considera el caso en donde el diseño D-óptimobayesiano tiene tantos puntos de soporte como parámetros tiene el modelo. Estasituación puede no ser tan favorable cuando el modelo no se tiene especificado contotal certeza dado que no sería posible realizar pruebas de falta de ajuste parael modelo. En este artículo se propone una metodología que permite aumentar el número de puntos de soporte del diseño con el fin que, con el diseño resultante, sepueda aplicar la prueba de bondad de ajuste. Finalmente se ejemplifica la metodología con un modelo exponencial.One of the most frequent used criteria to obtain optimal designs is D-optimality designs, which provides experimental points where the volume of confidence ellipsoid associated to the vector of parameters in the proposed model is minimized. Unlike the classical D-optimal design, the Bayesian D-optimal design does not necessarily have as many support points as the model parameters. This article considers the case where D-optimal design averaged by a specific a priori has as many support points as the number of parameters of the model. This situation may not be as favorable when the model is not specified with complete certainty, since it would not be possible to conduct tests due to lack of fitness for the model. This article proposes a methodology that allows increasing the number of support points of the design in order that, with the resulting design, goodness of fitness test can be applied. Finally, the methodology is exemplified with an exponential model.