El Análisis Envolvente de Datos (Data Envelopment Anaylisis – DEA), es una técnica no paramétrica para la medición de la ineficiencia relativa de unidades organizacionales (DMUs, Decission Making Units) donde existen múltiples variables de entrada (inputs) y/o salida (outputs). Una DMU se considera eficiente si, dentro de un conjunto de posibilidades de producción, no existe ninguna actividad que con menos inputs produzca más outputs. Por el contrario, para DMUs ineficientes, el DEA proporciona una puntuación que permite analizar qué inputs y/o outputs hay que mejorar para ser eficiente.

Áreas de aplicación en las que ha trabajado el grupo MODELEM: Educación, Economía y Empresa, Ciencias ambientales.
 

El análisis wavelet de series temporales permite analizar y descomponer señales en diferentes frecuencias o escalas a lo largo del tiempo, superando las limitaciones del análisis de Fourier. Sus aplicaciones son muy variadas, desde el procesamiento digital de imágenes hasta la medicina, pasando por la física o la ingeniería. En concreto, el grupo MODELEM ha aplicado el análisis wavelet a la comparación de series temporales económicas y a la medición del grado de “no-periodicidad” en señales. 

Áreas de aplicación en las que ha trabajado el grupo MODELEM: Economía y Empresa, Sistemas Dinámicos.
 

Uno de los principios básicos de la gestión eficiente de cualquier proceso, producto, servicio o institución es el enfoque hacia la toma de decisiones, que debe realizarse en base a la información disponible. Para obtener información relevante para esa toma de decisiones es necesario disponer de un conjunto de datos de cuyo análisis se deben obtener formas resumidas o sintéticas que permitan comprender el fenómeno estudiado. Este es el lugar de los indicadores que se definen, entre muchas otras acepciones, como la forma más simple de reducción de una gran cantidad de datos manteniendo la información esencial para las cuestiones planteadas a los datos.

Habitualmente los indicadores no se manejan de forma individual, sino formando parte de sistemas estructurados de indicadores que permitan medir el grado de cumplimiento de los objetivos planteados por cualquier organización. Cuando además el objetivo es medir conceptos multidimensionales que no pueden ser capturados por la medición de un indicador simple, se construyen los indicadores compuestos, que se forman cuando indicadores simples (individuales) se compilan en un solo índice, sobre la base de un modelo subyacente del concepto multidimensional que se está midiendo. El grupo MODELEM se ha especializado en la construcción de las distintas fases necesarias para definir de forma correcta los indicadores compuestos. 

Áreas de aplicación en las que ha trabajado el grupo MODELEM: Educación, Economía y Empresa.
 

El análisis multicriterio es una metodología que permite ayudar en la toma de decisiones cuando se tienen distintas alternativas que hay que ordenar siguiendo una serie de criterios que, en muchos casos, son contradictorios, o entran en conflicto. Entre los distintos métodos existentes, el grupo MODELEM se ha especializado en los métodos basados en distancias, como TOPSIS o VIKOR, tanto en sus versiones estándar como en sus versiones no ponderadas o unweighted (en las que el agente decisor no necesita definir los pesos o importancias relativas de los distintos criterios). Asimismo, también han analizado casos en los que hay incertidumbre en los datos, proveniente de indefinición intrínseca en los criterios (métodos borrosos o fuzzy).

Áreas de aplicación en los que ha trabajado el grupo MODELEM: Educación, Política de empleo, Análisis de algoritmos.
 

El aprendizaje automático es una rama de la inteligencia artificial, la estadística inferencial y la computación, en la que se desarrollan algoritmos para la detección de patrones. Se suele distinguir entre aprendizaje supervisado, en el que los datos están etiquetados y los algoritmos tienen o bien que predecir etiquetas o bien clasificarlas, y el aprendizaje no supervisado, en el que los datos no están etiquetados y los algoritmos tratan de determinar estructuras en el conjunto de datos. Dentro del primer tipo cabría destacar los árboles de decisión, las redes neuronales y las máquinas de soporte de vectores, mientras que en segundo tipo, los algoritmos más usados son los de agrupamiento (clustering) y los de reducción de la dimensionalidad (análisis de componentes principales (PCA)). En el grupo MODELEM se han usado técnicas de machine learning para diseñar redes neuronales de predicción en series temporales, técnicas de clustering de series temporales usando distancias basadas en wavelets. 

Áreas de aplicación en los que trabajado el grupo MODELEM: Econometría, finanzas, gestión de consumos de agua en cascos urbanos, predicción de ventas.