Mi investigación se centra en enfoques bayesianos y frecuentistas dentro de la estadística matemática, con énfasis en aplicaciones prácticas. Principalmente, exploro métodos bayesianos no paramétricos y semiparamétricos, inferencia estadística para poblaciones finitas, generación eficiente de variables aleatorias y algoritmos avanzados de Monte Carlo mediante cadenas de Markov (MCMC). Además, tengo experiencia en el análisis de modelos de mezclas, análisis de regresión y técnicas de selección de modelos.

Para conocer más sobre mi trabajo, puedes visitar mi perfil de Google Scholar, donde se listan mis publicaciones. También puedes acceder a preprints de artículos seleccionados y reportes técnicos a través de mi perfil de ResearchGate.

Puedes descargar mi tesis doctoral, titulada "Contributions to the Bayesian Analysis of Mixture Models", la cual explora metodologías bayesianas avanzadas y sus aplicaciones.

La gráfica presentada ilustra una estimación de densidad (izquierda) para el famoso conjunto de datos de las velocidades de las galaxias, junto con estimaciones de densidad escaladas y el mejor agrupamiento único (derecha). Estos resultados se obtuvieron abordando eficazmente el problema de la permutación de etiquetas. Para más información, consulta esta referencia, que ofrece una visión integral del problema y sus soluciones. Además, puedes explorar la librería label.switching en R, que implementa múltiples soluciones a este problema, incluidas las discutidas en la referencia.