Imanol Gago Carro defenderá su tesis el miércoles 17 de diciembre

• La defensa tendrá lugar en la Sala Adela Moyua, Facultad de Ciencia y Tecnología (EHU-Leioa), a las 10:45 horas.

Imanol Gago Carro (Bilbao, 1992) ha mostrado siempre un gran interés y curiosidad por las matemáticas, por lo que no resultó sorprendente que decidiera cursar estudios en este ámbito. Se graduó en Matemáticas por la Universidad del País Vasco en 2014, realizando un curso académico en Madrid. Posteriormente, completó un máster en Ingeniería Matemática en la Universidad Complutense de Madrid en 2016. Tras adquirir experiencia en empresas privadas y en instituciones públicas, en 2019 se incorporó a la línea de investigación de Optimización Combinatoria (CO) del Basque Center for Applied Mathematics (BCAM). En 2021 inició sus estudios de doctorado en el programa de Matemáticas y Estadística de la Universidad del País Vasco. Actualmente trabaja como técnico estadístico en Eustat, el Instituto Vasco de Estadística. En cuanto a sus intereses personales, disfruta perdiéndose mientras corre por la montaña, jugando a juegos de mesa con amigos y yendo al cine a ver estrenos.

Su tesis, titulada «Optimization under uncertainty for ambulance location-allocation», está dirigida por Unai Aldasoro Marcellan (EHU) y María Merino Maestre (BCAM-EHU). La defensa está prevista para el 17 de diciembre de 2025, en la Sala Adela Moyua, Facultad de Ciencia y Tecnología (EHU-Leioa), a las 10:45 horas.

En nombre de todas las personas que formamos BCAM, le deseamos mucho éxito en su futuro, tanto profesional como personal.

Abstract

Esta tesis estudia la planificación estratégica de los Servicios de Emergencias Médicas (SEM) mediante la modelización de la localización y asignación de ambulancias en condiciones de incertidumbre y con múltiples objetivos. Utilizando los servicios públicos de emergencias médicas del País Vasco como caso de estudio real, se emplean bases de datos históricas para modelizar la incertidumbre que se va incorporando progresivamente a los modelos propuestos. De este modo, se estiman tiempos de viaje estocásticos mediante distribuciones ajustadas (en particular, BCCG), combinando procesos de clustering y modelos aditivos generalizados (GAM).

Como primer modelo, se propone un MILP estocástico binario en dos etapas para evaluar políticas de reubicación y expansión, equilibrando la eficiencia global y la equidad entre regiones. El modelo incorpora la incertidumbre espacio-temporal de las emergencias y una penalización del tiempo de respuesta en distintos intervalos.

En segundo lugar, se formula un modelo jerárquico de compromiso: primero se maximiza la cobertura y, posteriormente, se mejoran conjuntamente el tiempo medio de respuesta, la adecuación de los recursos y la equidad (mediante CVaR). Para abordar casos de gran escala, se amplía la matheurística Branch-and-Fix Coordination para gestionar restricciones entre escenarios. Este modelo incorpora un nuevo componente incierto: los tiempos de desplazamiento de las ambulancias.

En tercer lugar, se desarrolla un marco de optimización robusta distribucional para protegerse frente a una especificación deficiente de las distribuciones de los tiempos de viaje, comparándolo con enfoques de optimización estocástica y robusta. Un modelo de simulación de eventos discretos muestra que las soluciones de DRO se alinean mejor con el diseño y la operación del sistema.

En conjunto, la tesis tiende un puente entre la teoría y la práctica mediante el uso de datos realistas, algoritmos escalables y una validación rigurosa.