Desarrollo de modelos dinámicos multivariantes y su análisis mediante metodología bayesiana, utilizando métodos de simulación MCMC. Incorporación de dependencias espaciales a la estructura temporal de los modelos. Diseño e implementación en R de algoritmos para su análisis, estimación y predicción.
Aplicación de técnicas de aprendizaje automático para problemas de predicción, clasificación y reconocimiento de patrones o tendencias.
Norma ISO 17025. Desarrollo de herramientas metrológicas ad hoc, protocolos técnicos, criterios de aceptación, validación, aseguramiento de la calidad, gráficos de control, incertidumbre, incluyendo software de apoyo. Diseño de experimentos, optimización, simulación de futuros resultados.
Se estudian los modelos conjuntos de datos longitudinales y de supervivencia con objetivos temporales, de supervivencia o ambos, con especial énfasis en objetivos predictivos dinámicos.
Desarrollo de modelos de predicción de la distribución espacial y espacio-temporal de especies. Se aborda la incorporación de incertidumbre en las covariables, los problemas generados por los valores ausentes, el efecto del muestreo preferencial y el manejo de grandes volúmenes de datos.
Se analizan, desde la perspectiva estadística, diferentes datos financieros para diseñar estrategias de inversión.
Nuestro grupo aborda el problema de selección de modelos desde un punto de vista Bayesiano Objetivo. Trabajamos de manera particular en el estudio de criterios que permitan establecer distribuciones previas óptimas para realizar una selección e modelos efectiva.
Desarrollo de metodologías estadísticas para detección de epidemias de gripe de forma rápida y fiable. La inferencia y la predicción sobre estos modelos la abordamos desde el paradigma Bayesiano, que permite implementar modelizaciones complejas con estructuras espaciales, temporales y jerárquicas.
