ANÁLISIS NO LINEAL DE SERIES TEMPORALES DE SISTEMAS COMPLEJOS

Responsable: Dr. Luciano Zunino

Integrantes y/o Colaboradores:

Colaboradores internos:
- Lic. Leopoldo Garavaglia
- Dr. Pedro Rueda Suescun

Colaboradores externos:
- Dra. Cristina Masoller, Departamento de Física, Universidad Politécnica de Cataluña, Barcelona, España.
- Dr. Haroldo V. Ribeiro, Departamento de Física, Universidade Estadual de Maringá, Maringá, Brazil.
- Dr. Miguel C. Soriano, Instituto de Física Interdisciplinar y Sistemas Complejos (IFISC), Palma de Mallorca, España.
- Dr. Claudio Mirasso, Instituto de Física Interdisciplinar y Sistemas Complejos (IFISC), Palma de Mallorca, España.
- Dr. Diego Martín Mateos, Instituto de Matemática Aplicada del Litoral (IMAL), Santa Fe, Argentina.
- Dr. Felipe Esteban Olivares Zamora, Instituto de Física Interdisciplinar y Sistemas Complejos (IFISC), Palma de Mallorca, España.
- Dr. Osvaldo Aníbal Rosso, Instituto de Física, Universidade Federal de Alagoas, Maceió, Brazil.
- Prof. Aurelio F. Bariviera, Universitat Rovira i Virgili, Department of Business, ECO-SOS, Av. Universitat 1, 43204 Reus, Spain.

Temas principales de investigación

  • Caracterizar la dinámica no lineal de sistemas complejos a partir del análisis de series temporales derivadas de los mismos
  • Introducir cuantificadores que permitan una mejor discriminación y clasificación de las dinámicas complejas subyacentes
  • Implementar los descriptores propuestos en campos de aplicación
    diversos tratando de identificar ventajas y desventajas de los mismos
  • Optimizar y/o generalizar técnica de análisis ya existentes
  • Clasificar series temporales combinando entropías simbólicas y técnicas de aprendizaje automatizado (machine learning)
  • Identificar escalas características y autosimilaridad mediante patrones ordenados empleando un análisis multiescala
  • Cuantificar el grado de heterogeneidad y redundancia de múltiples series temporales

Breve reseña histórica
En los últimos años nos hemos focalizado en el análisis de series temporales de sistemas complejos. La caracterización de las fluctuaciones en el tiempo de una magnitud observable permite obtener información vital para poder comprender los mecanismos que rigen la dinámica del sistema estudiado. En tal sentido, se ha incursionado en técnicas fractales y multifractales, y en la estimación de cuantificadores derivados de la Teoría de la Información (medidas de
entropía, complejidad, divergencias, etc.). Se procura, entre otras cosas, discriminar sistemas determinísticos caóticos de aquellos que son puramente estocásticos. Aunque comparten muchas propiedades, estos sistemas presentan comportamientos de naturaleza radicalmente distinta. Ser capaz de discriminarlos es algo esencial para su posterior modelado teórico. En las últimas aplicaciones, se han implementado técnicas basadas en patrones ordenados (ordinal patterns). Las mismas resultan eficientes y robustas para analizar gran cantidad de datos experimentales (usualmente, datos no estacionarios con anormalidades en su registro), a tiempo real, sin necesidad de ningún tipo de procesamiento previo. Dentro del paradigma de Big Data en el que nos encontramos inmersos actualmente, estas propiedades de los patrones ordenados despiertan particular interés y, consecuentemente, motivan variadas investigaciones con enfoques interdisciplinarios.

Palabras claves: Series temporales - Sistemas complejos - Dinámica no lineal - Correlaciones temporales - Patrones ordenados

Publicaciones recientes:

  • Tarozo, M. M., Pessa, A. A. B., Zunino, L., Rosso, O. A., Perc., M. & Ribeiro, H. V. Two-by-two ordinal patterns in art paintings. PNAS Nexus, Vol. 4 (3), pgaf092 (14 pages), 2025.
  • Zunino, L., Porte, X & Soriano, M. C. Identifying ordinal similarities at different temporal scales. Entropy, Vol. 26 (12), 1016, 2024.
  • Zunino, L. Revisiting the characterization of resting brain dynamics with the permutation Jensen-Shannon distance. Entropy, Vol. 26 (5), 432, 2024.
  • Voltarelli, L. G. J. M., Pessa, A. A. B., Zunino, L., Zola, R. S., Lenzi, E. K., Perc., M. & Ribeiro, H. V. Characterizing unstructured data with the nearest neighbor permutation entropy. Chaos, Vol. 34 (5), 053130 (13 pages), 2024.

 

Líneas de investigación: