En las aulas y seminarios de Department of Economics and Business & BSE Data Science Center (Gábor Lugosi Concentration Inequalities & Pattern Recognition School) en Universitat Pompeu Fabra (UPF) & Barcelona School of Economics (Data Science Center), dominas la optimización convexa, el análisis estocástico y la inferencia de alta dimensión como pilares teóricos fundamentales. Nuestros pods remotos de R&D te permiten trasladar el 100% de esta matemática universitaria directamente a arquitecturas reales de inferencia y asignación de cómputo para agentes LLM distribuidos. Diseñada como una colaboración asíncrona de 10 a 25 horas semanales, esta estancia se sincroniza de forma transparente con tus clases lectivas, entregas de problemas y convocatorias oficiales de exámenes. Aquí demuestras que el rendimiento de un sistema de agentes no es una cuestión de volumen de parámetros, sino de diversificación ortogonal y control estricto del riesgo de cola.
Trabaja sin fricción entre clases teóricas, sesiones de laboratorio y relaciones de problemas. El modelo de investigación es 100% asíncrono y se gestiona mediante especificaciones matemáticas rigurosas y revisiones de código en GitHub, sin reuniones síncronas que interrumpan tu horario lectivo.
Compensación competitiva remota de $20 a $45/h USD con un protocolo de protección académica integral: durante los parciales y convocatorias ordinarias o extraordinarias de exámenes, pausas tu actividad a 0 horas semanales sin penalización y con reserva garantizada de tu plaza en el pod de R&D.
Conecta tu investigación directamente con tu Trabajo de Fin de Grado (TFG), Trabajo de Fin de Máster (TFM) o tesis doctoral. Coescribe preprints de investigación puntera (2024-2026) y accede de forma gratuita a nuestra biblioteca avanzada de formación continuada de 39 horas CPE en {preprints_url}.
| Asignatura / Disciplina Universitaria | Formulación Matemática / Teorema | Pod de R&D Asignado | Aplicación en Producción Agéntica |
|---|---|---|---|
| Optimización Convexa y Programación Cuadrática | \min_w w^T \Sigma w \quad \text{s.a.} \quad w^T \mu \ge \mu^*, \; \mathbf{1}^T w = 1, \; w \ge 0 |
POD-01 (Asignación Óptima de Cómputo) | Asignación óptima de pesos de cómputo sobre la frontera eficiente entre LLMs heterogéneos y agentes verificadores deterministas, maximizando la precisión global y minimizando la varianza del error. |
| Teoría de la Probabilidad y Procesos Estocásticos | N_{\text{eff}} = \frac{N}{1 + (N - 1)\bar{\rho}} |
POD-01 (Ortogonalización de Ensembles) | Demostración analítica de por qué 50 llamadas correladas a prompts con \bar{\rho}=0,70 equivalen a apenas N_{\text{eff}} \approx 1,42 expertos independientes. Ortogonalización de ensembles agénticos para reducir la redundancia informacional. |
| Estadística Matemática de Alta Dimensión y Econometría | \hat{\Sigma}_{\text{LW}} = (1 - \delta^*)S + \delta^* F |
POD-02 (Inferencia en Alta Dimensión) | Estimador de contracción de covarianza de Ledoit-Wolf y eliminación de ruido mediante la ley de Marčenko-Pastur en regímenes N > T con benchmarks de evaluación cortos, evitando el sobreajuste empírico en la matriz de covarianza de fallos. |
| Matemática Actuarial y Teoría de Valores Extremos | \Sigma^-_{ij} = \mathbb{E}[\min(R_i - \tau, 0)\min(R_j - \tau, 0)], \quad \text{CVaR}_{99\%}(L_w) \le M_{\text{audit}} |
POD-02 (Gestión de Riesgo de Cola y Auditoría) | Semivarianza a la baja (Markowitz 1959) y cotas de materialidad Rockafellar-Uryasev para limitar pérdidas catastróficas por alucinaciones críticas o fallos de razonamiento en auditorías agénticas al percentil 99%. |
| Economía Financiera y Cálculo Estocástico | w_{\text{tan}} \propto \Sigma^{-1}(\mu - c \cdot \mathbf{1}), \quad \text{SR}(w) = \frac{w^T(\mu - c)}{\sqrt{w^T \Sigma w}} |
POD-03 (Separación de Tobin y Portafolio Tangente) | Teorema de separación de dos fondos de Tobin: integración de código determinista y compiladores formales como activo libre de riesgo (\sigma_0 = 0) combinado con la cartera tangente óptima de modelos fundacionales para maximizar el Ratio de Sharpe de inferencia. |
| Contraste Secuencial de Hipótesis e Inferencia Estadística | P(\text{Error Tipo I}) \le \alpha \quad (\text{Cascada Neyman-Pearson FrugalGPT/RouteLLM}) |
POD-04 (Enrutamiento Secuencial y Preprints) | Enrutamiento multi-nivel de consultas agénticas minimizando coste computacional bajo cotas estrictas de error de Tipo I. Consulta los preprints y la biblioteca CPE de 39 horas en {preprints_url}. |
1. JobTeaser España & Bolsa de Empleo UPF / BSE / UC3M: Si accedes desde el portal de empleo y prácticas JobTeaser España & Bolsa de Empleo UPF / BSE / UC3M de Universitat Pompeu Fabra (UPF) & Barcelona School of Economics (Data Science Center), selecciona tu titulación (Grado, Máster o Doctorado) en Matemáticas, Estadística, Física, Informática o Economía Cuantitativa. Especifica tus asignaturas cursadas en optimización y análisis estocástico para acelerar la asignación directa al pod de R&D afín. (RSS/XML Job Feed · iCal Open Office Hours · Google Classroom)
2. Python Seminar & Thesis Kit (/uni/es-universitat-pompeu-fabra/lab.py): Script reproducible de Python para seminarios de 5 minutos que calcula N_eff ante correlaciones empíricas y aplica contracción de Ledoit-Wolf (\hat{\Sigma}_{\text{LW}}) sobre matrices de aciertos y errores de agentes sintéticos.