La investigación en Ciencia de Datos se orienta al desarrollo de nuevos métodos de aprendizaje automático y de estadística, así como a su fundamentación y validación rigurosa dentro de un entorno de investigación doctoral. En el DCIES, esta línea impulsa metodologías y algoritmos de frontera para datos complejos, con aplicaciones en comportamiento del usuario, datos sociales, cascadas de información, procesos epidémicos y sistemas de inteligencia artificial de nueva generación.
Las posibles áreas de investigación incluyen:

• Inferencia y Predicción Bayesiana
• Análisis de Datos Funcionales
• Estadística de Alta Dimensión
• Optimización y Aprendizaje Automático
• Aprendizaje por Refuerzo
• Modelos Estadísticos e Inferencia para la Clasificación de Datos
• Modelos Estocásticos de Procesos Epidémicos
• Métodos de Optimización Estocástica
• Procesos Estocásticos en Econometría y Finanzas
• Inteligencia Artificial Generativa

La investigación doctoral en Probabilidad Aplicada a Finanzas y Seguros se desarrolla como parte del eje de finanzas cuantitativas del ecosistema, integrando desarrollo teórico y metodológico con aplicaciones reales provenientes del entorno financiero y asegurador. En el DCIES, esta línea aborda problemas de frontera que se consolidan como investigación doctoral con apoyo de expertos académicos y del sector industrial.

Las aplicaciones incluyen la valoración y cobertura de productos financieros exóticos, el riesgo de contraparte, la optimización de carteras, la gestión de riesgos y seguros, así como la transferencia y titulización del riesgo, con énfasis en modelos estocásticos rigurosos y validación computacional avanzada.
Las áreas de investigación sugeridas incluyen:

• Procesos de Lévy y sus Aplicaciones en Finanzas y Seguros
• Mercados Financieros con Fricciones
• Procesos Puntuales en Seguros y Riesgo de Crédito
• Análisis Estocástico y sus Aplicaciones en Matemáticas Financieras
• Control Estocástico y Análisis de Ecuaciones Diferenciales Parciales en Finanzas Matemáticas

La investigación doctoral en Estadística Social se enmarca en el Ecosistema Integral como un espacio donde convergen desarrollo metodológico y aplicación rigurosa de métodos estadísticos a problemáticas complejas de las ciencias sociales. En el DCIES, estas problemáticas se abordan desde una perspectiva de modelado avanzado, integrando Inferencia Estadística, Estructuras Multinivel y Análisis Longitudinal.

Los temas de investigación pueden ser propuestos previamente por el/la postulante o definidos junto con un supervisor, permitiendo distintos énfasis entre teoría y aplicación, de acuerdo con la naturaleza del problema y su alcance doctoral.
Las posibles áreas de investigación incluyen:

• Análisis de Datos de Encuestas Complejas
• Modelos de Variables Latentes y Modelos de Ecuaciones Estructurales para Datos
  Categóricos
• Análisis de Datos Longitudinales, Análisis de Historial de Eventos (Supervivencia) y Modelos de Panel Dinámicos
• Modelado de Estrategias de Respuesta y Detección de Valores Atípicos en Ciencias de la Educación y del Comportamiento
• Modelos Multinivel de Ecuaciones Simultáneas para Procesos Sociales Correlacionados

La investigación doctoral en Series Temporales y Aprendizaje Estadístico constituye un eje central del DCIES, articulando desarrollos teóricos y aplicaciones avanzadas en un contexto de datos complejos, alta dimensión y dependencia temporal. Esta línea se nutre de problemas provenientes del ecosistema y se consolida como investigación de frontera mediante formulación matemática, inferencia y validación computacional.

Las áreas de investigación sugeridas incluyen:

• Reducción de Dimensión y Modelado de Factores
• Estimación de Modelos de Volatilidad Estocástica
• Econometría Financiera
• Análisis Funcional de Datos y Series Temporales Funcionales
• Análisis de Series Temporales de Alta Dimensión
• Aprendizaje por Refuerzo para Datos Dependientes del Tiempo
• Modelado Econométrico Espacial
• Modelado Espacio-Temporal