Palabras clave: Inferencia no paramétrica, dependencia, alta dimensión, datos direccionales, datos incompletos, estimación de conjuntos.

La inferencia no paramétrica de curvas ha permitido en los últimos años dar respuesta a problemas aplicados en ámbitos como la medicina, la biología, la economía o las ciencias medioambientales, entre otros. En todos estos contextos, los mecanismos de captura de datos se han ido sofisticando permitiendo que nos encontremos hoy en día en un escenario donde se dispone de grandes cantidades de datos (“Big data”) provenientes de mecanismos o sistemas estocásticos (MGD: mecanismo de generación de datos) que se podrían calificar de complejos, entendiendo por “sistema complejo” aquel MGD cuya respuesta dista del contexto inferencial clásico (en su caso más simple, observaciones reales e independientes). Podemos distinguir MGDs complejos por la naturaleza de los datos: datos funcionales o de alta dimensión, datos direccionales, datos incompletos (faltantes, censurados, truncados), imágenes y conjuntos. O también MGDs complejos por las estructuras y dinámicas subyacentes: procesos que muestran dependencia espacial y/o temporal; MGDs que se explican a través de modelos de regresión “complejos” con efectos aleatorios, modelos estructurados y modelos de tipo cuantil. O en general, cualquier combinación de dato no estándar (incluso de naturalezas combinadas, como direccionales de alta dimensión, por ejemplo) y dinámica compleja.

Innpar2D surge con el objetivo de obtener desarrollos metodológicos que permitan describir y caracterizar el comportamiento de MGDs complejos y se estructura en dos bloques temáticos: (B1) inferencia no paramétrica y (B2) métodos exploratorios, software y aplicaciones. En la metodología de trabajo se consideran fundamentales los desarrollos teóricos, la validación de las técnicas mediante estudios de simulación, la producción de software y herramientas exploratorias disponibles para la comunidad científica y el tratamiento de problemas en áreas aplicadas como la medicina, ciencias medioambientales, ciencias actuariales y lingüística.

El grupo de investigación para el desarrollo del proyecto se ha diseñado con los objetivos de mantener los niveles de excelencia obtenidos en el pasado, dar una mayor difusión a los resultados de la investigación, formar a nuevos investigadores y potenciar la relación con el sector productivo, manteniendo y estableciendo nuevas colaboraciones que permitan la transferencia tecnológica. Su trayectoria científica es un aval para garantizar el éxito de este proyecto.

Este proyecto es continuidad del MTM2013-41383-P (Innpar), más detalles en http://eio.usc.es/pub/innpar/.