Antonio Cuevas González

Antonio Cuevas quedó fascinado por las matemáticas en el bachillerato y recrea el motivo en estos términos: “Lo que me atrajo de la matemática fue su capacidad de proporcionar métodos limpios, elegantes e inteligibles, para describir realidades que no son necesariamente ninguna de estas cosas; y, prodigiosamente, proporcionar una comprensión bastante buena y predicciones bastante razonables para esas realidades”. Y esta ha sido la fuerza directriz de lo que el jurado califica como “una trayectoria investigadora en estadística excelente”, en la que ha establecido “un marco matemático y estadístico sólido” para los métodos no paramétricos contemporáneos, con aportaciones que “han abierto líneas de investigación a futuras generaciones”. 

De su trabajo a lo largo de los años destaca la estimación de conjuntos —“cuyo objetivo es reconstruir una imagen, un conjunto más general, a través de una muestra aleatoria de puntos”, explica el profesor emérito de la Universidad Autónoma de Madrid— y el desarrollo de nuevos métodos matemáticos para la estadística con datos funcionales. Esta rama de la estadística opera sobre “una curva o una función, como cuando en cada individuo observamos un electrocardiograma o en cada domicilio el consumo de electricidad a lo largo del día”. Aquí ha propuesto métodos para simplificar el manejo de datos y otras soluciones que han sido la base de numerosas aplicaciones: “La mayoría de las citas que reciben estos trabajos”, resalta, “no proceden de investigadores de áreas matemáticas, sino de diferentes ciencias aplicadas, ingenierías e incluso humanidades”. 

Su investigación se ha distinguido, en sus propias palabras, “por explicar las cosas de manera clara y atractiva” y por “un cierto olfato para elegir temas nuevos y con problemas matemáticos abiertos” a los que ha proporcionado una respuesta sólida e inteligible. Y este es uno de los retos que vislumbra en su campo, pues para manejar un flujo de datos que no para de crecer, “se han desarrollado muchos algoritmos que tienen únicamente una base empírica intuitiva. Se pueden llevar a cabo gracias a la enorme potencia computacional de que disponemos hoy en día, pero en muchos casos no se sabe con exactitud qué limitaciones tienen o cuándo funcionan realmente y cuándo no”. Un ejemplo es la teoría de redes neuronales: en los últimos años se ha avanzado en su comprensión profunda, pero -según Cuevas- todavía quedan bastantes problemas por resolver: “Hay mucha matemática que hacer ahí, en el sentido de que hay mucha simplificación y comprensión que incorporar a esos métodos, porque la buena matemática, contra lo que pudieran creer algunas personas, no complica las cosas, las simplifica y las ilumina”.