Fallados los Premios Sociedad de Estadística, Investigación Operativa y Ciencia de Datos (SEIO) – Fundación BBVA 2026

El jurado de los Premios Sociedad de Estadística e Investigación Operativa (SEIO) – Fundación BBVA 2026, reunido de forma telemática el día 6 de julio de 2026 y ratificado en el Consejo Ejecutivo de la SEIO el 8 de julio de 2026, ha decidido conceder los siguientes galardones:

Mejor contribución metodológica en Estadística

Eustasio del Barrio (catedrático de Estadística e Investigación Operativa en la Universidad de Valladolid), Alberto González Sanz (profesor ayudante del Departamento de Estadística en la Universidad de Columbia, Estados Unidos) y Marc Hallin (catedrático emérito de Matemáticas en la Universidad Libre de Bruselas), por su artículo Nonparametric Multiple-Output Center-Outward Quantile Regression (“Regresión cuantil centro-hacia-fuera no paramétrica con múltiples variables de respuesta”) publicado en Journal of the American Statistical Association.

La regresión cuantil clásica es una herramienta fundamental para describir distribuciones condicionales, pero su extensión a múltiples variables de respuesta ha estado durante mucho tiempo limitado por la falta de una noción multivariante satisfactoria de los cuantiles. Basándose en resultados recientes sobre transporte de medidas, este artículo ofrece una solución muy elegante y bien articulada para este problema, con una gran solidez y rigor matemático y una destacada relevancia práctica. La contribución es especialmente oportuna, ya que el transporte óptimo se ha convertido en una de las herramientas matemáticas más activas e influyentes de la estadística moderna. Este trabajo lleva esa metodología al ámbito de la regresión no paramétrica con respuestas múltiples, con implicaciones directas para la predicción multivariante, el análisis de riesgos, el valor en riesgo (Value-at-Risk, VaR) y la pérdida esperada (Expected Shortfall, ES), la modelización multirrespuesta en aplicaciones medioambientales y biomédicas, así como para las regiones de predicción en aprendizaje automático de cobertura conjunta, en lugar de marginal.

Mejor contribución metodológica en Investigación Operativa

Juan Miguel Morales González (catedrático de Estadística e Investigación Operativa en la Universidad de Málaga) y Adrián Esteban Pérez (Associate Senior Lecturer en el Departamento de Ciencias de la Computación de la Universidad de Estocolmo, Suecia), por su artículo Distributionally robust stochastic programs with side information based on trimmings (“Programas estocásticos distribucionalmente robustos con información auxiliar basados en recortes”), publicado en Mathematical Programming.

Este artículo está dedicado a la optimización estocástica basada en datos. Los autores presentan un marco de optimización robusta frente a la incertidumbre distribucional que incorpora información auxiliar, además de los datos sobre las incertidumbres. Mediante la construcción de conjuntos de ambigüedad basados en recortes de probabilidad, obtienen decisiones robustas incluso cuando los datos son limitados o están contaminados, preservando al mismo tiempo la tratabilidad computacional y las garantías de rendimiento.

Mejor contribución aplicada en Estadística

Lucas Fernández-Piana (profesor ayudante del Departamento de Matemática y Ciencias en la Universidad de San Andrés, Buenos Aires, Argentina), Ana Justel (catedrática de Estadística en la Universidad Autónoma de Madrid) y Marcela Svarc (profesora asociada del Departamento de Matemática en la Universidad de San Andrés, Buenos Aires, Argentina), por su artículo Integrated depth for trajectories of airborne microorganisms to Antarctica (“Profundidad integrada para trayectorias de microorganismos transportados por el aire hacia la Antártida”), publicado en The Annals of Applied Statistics.

Este artículo constituye una contribución altamente innovadora en la estadística aplicada, al avanzar tanto en los fundamentos metodológicos como en el análisis práctico de datos funcionales complejos. Su principal aportación es un nuevo marco de profundidad diseñado para conjuntos de trayectorias, es decir, colecciones de curvas que comparten un origen o un punto final y se extienden en múltiples direcciones. Esta estructura de datos aparece con frecuencia en aplicaciones modernas, como el transporte atmosférico, la circulación oceánica, la ecología del movimiento y la dispersión terrestre. Por todo ello, desde su publicación ha recibido una notable atención por parte de la comunidad científica, lo que se refleja en su elevado número de citas, demostrando su impacto significativo en este campo.

Mejor contribución aplicada en Investigación Operativa

Sergio Cavero (Profesor Ayudante Doctor de Ciencia de la Computación e Inteligencia Artificial en la Universidad Rey Juan Carlos), Manuel Laguna (catedrático de Ciencia de la Gestión en la Universidad de Colorado Boulder, EEUU) y Eduardo G. Pardo (catedrático de Ciencia de la Computación e Inteligencia Artificial en la Universidad Rey Juan Carlos), por su artículo Solving a short sea inventory routing problem in the oil industry (“Resolución de un problema de rutas e inventarios de transporte marítimo de corta distancia en la industria petrolera”), publicado en Computers & Industrial Engineering.

Esta contribución desarrolla una metodología de optimización para un complejo problema de inventario y rutas de distribución en la industria petrolera, combinando rigor metodológico con una clara relevancia industrial. El modelo propuesto de optimización entera mixta ha sido implementado con éxito en un entorno industrial real, dando lugar a reducciones significativas en los costes de distribución, los costes operativos y el número de viajes. Este trabajo pone de manifiesto el valor de la Investigación Operativa para abordar problemas industriales complejos mediante una metodología rigurosa y una transferencia tecnológica exitosa.

Mejor contribución desde la Estadística y la Investigación Operativa a la Ciencia de Datos

David Ríos Insua, profesor de investigación en el Instituto de Ciencias Matemáticas (ICMAT-CSIC), Roi Naveiro (Assistant Professor en Tenure Track en el Departamento de Métodos Cuantitativos en CUNEF Universidad), Víctor Gallego (Profesor Asociado en IE University) y Jason Poulos (Chief Research Officer en Komorebi AI), por su artículo Adversarial Machine Learning: Bayesian Perspectives (“Aprendizaje Automático Adversarial: perspectivas bayesianas”), publicado en Journal of the American Statistical Association.

Este artículo revisa los principales enfoques, modelos y conceptos del Aprendizaje Automático Adversarial (Adversarial Machine Learning, AML), un campo de gran importancia para la seguridad y la ciberseguridad, orientado a proteger sistemas que dependen cada vez más de algoritmos de aprendizaje automático. La mayor parte de la investigación existente ha abordado este problema desde la teoría de juegos, lo que implica asumir condiciones de conocimiento común (common knowledge, CK) que rara vez se cumplen en contextos reales de seguridad en AML. Para superar esta limitación, se propone un marco bayesiano como alternativa a los enfoques basados en teoría de juegos, modelizando explícitamente la incertidumbre sobre las creencias y los intereses del adversario y relajando las hipótesis poco realistas de conocimiento común que sustentan los enfoques existentes. Se demuestra empíricamente que los modelos resultantes son más robustos frente a desviaciones en el comportamiento del atacante, reflejando mejor las incertidumbres inherentes a los entornos adversariales. Este trabajo constituye el primer enfoque bayesiano integral y formalmente fundamentado para el AML, con una relevancia directa para el desarrollo de sistemas de inteligencia artificial seguros y confiables.

Jurado

El jurado, internacional en su composición, ha sido propuesto por la SEIO y la Fundación BBVA. En esta edición ha estado presidido por Albert Satorra, profesor emérito de Estadística en la Universitat Pompeu Fabra; y ha contado como vocales con: Ana Paula Barbosa-Póvoa, catedrática de Investigación Operativa y Logística en el  Instituto Superior Técnico (IST) de la Universidad de Lisboa (Portugal); Concha Bielza, catedrática de Estadística e Investigación Operativa en la Universidad Politécnica de Madrid; Dolores Romero, catedrática de Investigación Operativa del Copenhagen Business School (Dinamarca); Stefan Sperlich, director del Research Institute for Statistics and Information Science en la Universidad de Ginebra (Suiza); y Jane-Ling Wang, Distinguished Research Professor del Departamento de Estadística en la Universidad de California, Davis (EEUU).