L'Anàlisi Envolupant de Dades (Data Envelopment Analysis – DEA) és una tècnica no paramètrica per a la mesura de la ineficiència relativa d'unitats organitzatives (DMUs, Decision Making Units) on existeixen múltiples variables d'entrada (inputs) i/o eixida (outputs). Una DMU es considera eficient si, dins d'un conjunt de possibilitats de producció, no existeix cap activitat que amb menys inputs produïsca més outputs. Per contra, per a DMUs ineficients, el DEA proporciona una puntuació que permet analitzar quins inputs i/o outputs cal millorar per a ser eficient.

Àrees d'aplicació en les quals ha treballat el grup MODELEM: Educació, Economia i Empresa, Ciències ambientals.

L'anàlisi wavelet de sèries temporals permet analitzar i descompondre senyals en diferents freqüències o escales al llarg del temps, superant les limitacions de l'anàlisi de Fourier. Les seues aplicacions són molt variades, des del processament digital d'imatges fins a la medicina, passant per la física o la enginyeria. En concret, el grup MODELEM ha aplicat l'anàlisi wavelet a la comparació de sèries temporals econòmiques i a la mesura del grau de «no-periodicitat» en senyals.

Àrees d'aplicació en les quals ha treballat el grup MODELEM: Economia i Empresa, Sistemes Dinàmics.

Un dels principis bàsics de la gestió eficient de qualsevol procés, producte, servei o institució és l'enfocament cap a la presa de decisions, que s'ha de realitzar sobre la base de la informació disponible. Per a obtindre informació rellevant per a eixa presa de decisions és necessari disposar d'un conjunt de dades de l'anàlisi de les quals s'han d'obtindre formes resumides o sintètiques que permeten comprendre el fenomen estudiat. Aquest és el lloc dels indicadors, que es defineixen, entre moltes altres accepcions, com la forma més simple de reducció d'una gran quantitat de dades mantenint la informació essencial per a les qüestions plantejades a les dades.

Habitualment els indicadors no es gestionen de manera individual, sinó formant part de sistemes estructurats d'indicadors que permeten mesurar el grau de compliment dels objectius plantejats per qualsevol organització. Quan a més l'objectiu és mesurar conceptes multidimensional que no poden ser capturats per la mesura d'un indicador simple, es construeixen els indicadors compostos, que es formen quan indicadors simples (individuals) es compilen en un sol índex, sobre la base d'un model subjacent del concepte multidimensional que es mesura. El grup MODELEM s'ha especialitzat en la construcció de les diferents fases necessàries per a definir de manera correcta els indicadors compostos.

Àrees d'aplicació en les quals ha treballat el grup MODELEM: Educació, Economia i Empresa.

L'anàlisi multicriteri és una metodologia que permet ajudar en la presa de decisions quan es tenen diferents alternatives que cal ordenar seguint una sèrie de criteris que, en molts casos, són contradictoris o entren en conflicte. Entre els diferents mètodes existents, el grup MODELEM s'ha especialitzat en els mètodes basats en distàncies, com TOPSIS o VIKOR, tant en les seues versions estàndard com en les seues versions no ponderades o unweighted (en les quals l'agent decisor no necessita definir els pesos o importàncies relatives dels diferents criteris). Així mateix, també han analitzat casos en els quals hi ha incertesa en les dades, provinent d'indefinició intrínseca en els criteris (mètodes borrosos o fuzzy).

Àrees d'aplicació en les quals ha treballat el grup MODELEM: Educació, Política d'ocupació, Anàlisi d'algorismes.

L'aprenentatge automàtic és una branca de la intel·ligència artificial, l'estadística inferencial i la computació, en la qual es desenvolupen algorismes per a la detecció de patrons. Es sol distingir entre aprenentatge supervisat, en el qual les dades estan etiquetades i els algorismes han de predir etiquetes o bé classificar-les, i l'aprenentatge no supervisat, en el qual les dades no estan etiquetades i els algorismes tracten de determinar estructures en el conjunt de dades. Dins del primer tipus caldria destacar els arbres de decisió, les xarxes neuronals i les màquines de suport de vectors, mentre que en el segon tipus, els algorismes més utilitzats són els d'agrupament (clustering) i els de reducció de la dimensionalitat (anàlisi de components principals (PCA)). En el grup MODELEM s'han utilitzat tècniques de machine learning per a dissenyar xarxes neuronals de predicció en sèries temporals, tècniques de clustering de sèries temporals utilitzant distàncies basades en wavelets.

Àrees d'aplicació en les quals ha treballat el grup MODELEM: Econometria, finances, gestió de consums d'aigua en nuclis urbans, predicció de vendes.