Análisis Series Temporales No

Cheatsheet Content

### Introducción a la Dinámica No Lineal y Series Temporales El análisis de series temporales es una disciplina fundamental en muchas áreas de la ciencia y la ingeniería. Tradicionalmente, se han empleado modelos lineales debido a su simplicidad y tractabilidad matemática. Sin embargo, muchos sistemas complejos en la naturaleza (clima, biología, economía) exhiben comportamientos que no pueden ser explicados adecuadamente por modelos lineales, como la sensibilidad a las condiciones iniciales, las bifurcaciones y el caos. La dinámica no lineal ofrece un marco conceptual y herramientas matemáticas para comprender estos fenómenos. **¿Por qué necesitamos el análisis no lineal?** - **Limitaciones de los modelos lineales:** Los modelos lineales (ARIMA, GARCH, etc.) asumen una relación proporcional entre causas y efectos, y no pueden capturar fenómenos como umbrales, saturación o interacciones complejas. - **Fenómenos intrínsecamente no lineales:** - **Caos:** Comportamiento determinista pero aparentemente aleatorio, con gran sensibilidad a las condiciones iniciales (efecto mariposa). - **Bifurcaciones:** Cambios cualitativos en el comportamiento del sistema al variar un parámetro. - **Atractores extraños:** Estructuras complejas en el espacio de fases a las que el sistema tiende a evolucionar. - **Transiciones de fase:** Cambios abruptos en el estado de un sistema (ej., colapso de un ecosistema, crisis financiera). - **Objetivos del análisis no lineal:** - Caracterizar la complejidad subyacente de una serie temporal. - Detectar la presencia de determinismo caótico. - Reconstruir la dinámica del sistema a partir de datos observados. - Predecir el comportamiento a corto plazo y entender los límites de la predictibilidad. - Identificar puntos críticos o cambios de régimen. ### Software y Herramientas para Análisis de Series Temporales No Lineales El análisis de series temporales no lineales requiere herramientas computacionales especializadas, ya que muchas de las técnicas implican cálculos intensivos y la visualización de estructuras complejas. #### 1. Entornos de Programación Generalistas - **Python:** - **`nolds` (Nonlinear Dynamics for Time Series):** Una de las librerías más completas para Python. Permite calcular: - Exponentes de Lyapunov (máximo y espectro). - Dimensiones de correlación (Grassberger-Procaccia). - Dimensiones de embedding (falsos vecinos más cercanos, información mutua). - Entropía de aproximación (ApEn) y entropía de muestreo (SampEn). - Estadísticos de Hurst. - Test de aleatoriedad (surrogate data testing). - **`PyIF` (Python Information Flow):** Implementa medidas de transferencia de información, como la entropía de transferencia, útil para detectar causalidad no lineal. - **`SciPy`:** Contiene módulos para integración numérica de ODEs, optimización y análisis estadístico que pueden ser complementarios. - **`statsmodels`:** Ofrece modelos de series temporales lineales y algunas herramientas estadísticas para la pre-análisis. - **`embedding`:** Librería para reconstrucción de espacio de fases (delay embedding). - **`recurrence_plots`:** Para generar y analizar plots de recurrencia. - **`nolds`** es la opción recomendada para empezar, dada su amplia gama de funcionalidades. - **R:** - **`nonlinearTseries`:** Similar a `nolds`, proporciona funciones para: - Cálculo de exponentes de Lyapunov. - Dimensiones de correlación y embedding. - Entropías. - Reconstrucción del espacio de fases. - **`tseriesChaos`:** Funciones para el análisis de caos, incluyendo la estimación del retardo óptimo y la dimensión de embedding. - **`fractal`:** Para la estimación de dimensiones fractales, incluyendo la dimensión box-counting. - **`crqa` (Cross Recurrence Quantification Analysis):** Para análisis de plots de recurrencia. - **MATLAB:** - Posee numerosas cajas de herramientas (Toolboxes) y funciones integradas para sistemas dinámicos, procesamiento de señales y análisis numérico. Existen toolboxes de terceros o implementaciones de algoritmos para análisis de caos y no linealidad. #### 2. Software Especializado - **TISEAN (Time Series ANalysis):** - Una colección de programas en C y Fortran, compilables en sistemas Unix/Linux (y Windows con Cygwin/WSL). - Es extremadamente potente y versátil, desarrollado por el grupo de Holger Kantz y Thomas Schreiber. - Ofrece implementaciones robustas y validadas de casi todas las técnicas de análisis de series temporales no lineales: - Reconstrucción del espacio de fases (retardo, dimensión). - Estimación de exponentes de Lyapunov. - Dimensiones fractales (correlación, información). - Plots de recurrencia. - Tests de no linealidad y aleatoriedad. - Pronóstico no lineal. - Requiere cierta familiaridad con la línea de comandos, pero es una referencia en el campo. #### 3. Herramientas Integradas y Comerciales - **`analyse-it` (para Microsoft Excel):** - `analyse-it` es un complemento de análisis estadístico para Microsoft Excel. Si bien es una herramienta muy potente para el análisis estadístico *tradicional* (descriptivo, inferencial, regresión lineal y no lineal, control de calidad, etc.), **no está diseñado específicamente para el análisis de dinámica no lineal o caos**. - **Uso en el contexto no lineal:** - **Preparación de datos:** Excel con `analyse-it` puede ser excelente para la limpieza, transformación y visualización inicial de tus series temporales. Puedes usarlo para: - Cargar y organizar grandes volúmenes de datos. - Realizar suavizados, filtrados o transformaciones logarítmicas. - Calcular estadísticas descriptivas básicas (media, varianza, autocorrelación). - Crear gráficos de series temporales para una inspección visual preliminar. - **Limitaciones para el análisis no lineal:** `analyse-it` no incluye algoritmos para: - Reconstrucción del espacio de fases. - Cálculo de dimensiones fractales (correlación, box-counting). - Estimación de exponentes de Lyapunov. - Generación de plots de recurrencia. - Tests de no linealidad específicos de la dinámica caótica. - **Flujo de trabajo sugerido con `analyse-it`:** 1. Usa Excel y `analyse-it` para la gestión de datos, limpieza y análisis estadístico *preliminar*. 2. Exporta tus datos limpios a un formato compatible (CSV, TXT) que pueda ser leído por Python (con `nolds`), R (con `nonlinearTseries`) o TISEAN. 3. Realiza el análisis de dinámica no lineal en el entorno especializado. 4. Puedes importar los resultados (ej., valores de dimensiones, exponentes) de nuevo a Excel para reportes o visualizaciones adicionales si lo deseas. ### Reconstrucción del Espacio de Fases Una serie temporal observada $x(t)$ es a menudo una proyección unidimensional de un sistema dinámico multidimensional subyacente. El teorema de Takens (o el teorema de embedding) establece que es posible reconstruir el espacio de fases del sistema original a partir de una única serie temporal, si la serie es suficientemente larga y el sistema es determinista. #### 1. Retardo de Tiempo ($\tau$) - **Concepto:** Para reconstruir el espacio de fases, se crean vectores de estado utilizando valores pasados de la serie temporal. Un vector de estado en $m$ dimensiones se forma como: $$\vec{Y}(t) = (x(t), x(t+\tau), x(t+2\tau), ..., x(t+(m-1)\tau))$$ - **Elección de $\tau$:** - Si $\tau$ es demasiado pequeño, las coordenadas serán casi idénticas, y las trayectorias reconstruidas se agruparán en la diagonal principal, dificultando la visualización de la estructura. - Si $\tau$ es demasiado grande, las coordenadas serán dinámicamente independientes, perdiendo la relación causal. - **Métodos comunes para elegir $\tau$:** - **Primera anulación de la función de autocorrelación:** Busca el primer retardo donde la autocorrelación cae a cero o a un mínimo local. - **Primer mínimo de la información mutua promedio (AMI - Average Mutual Information):** Mide la dependencia estadística general (lineal y no lineal) entre $x(t)$ y $x(t+\tau)$. El primer mínimo indica el $\tau$ donde la nueva información proporcionada por $x(t+\tau)$ es máxima, pero no redundante con $x(t)$. Este es generalmente el método preferido para sistemas no lineales. #### 2. Dimensión de Embedding ($m$) - **Concepto:** Es el número mínimo de coordenadas necesarias para "desplegar" el atractor en el espacio de fases, de modo que las trayectorias no se crucen consigo mismas (auto-intersecciones espurias). Según Takens, $m \ge 2D_A + 1$, donde $D_A$ es la dimensión del atractor. - **Elección de $m$:** - Si $m$ es demasiado pequeño, el atractor reconstruido será una proyección de sí mismo, y las trayectorias se "intersecarán" espuriamente. - Si $m$ es demasiado grande, se introduce ruido y la dimensionalidad del espacio aumenta innecesariamente. - **Métodos comunes para elegir $m$:** - **Método de los Falsos Vecinos Más Cercanos (FNN - False Nearest Neighbors):** Identifica el $m$ óptimo buscando el punto donde el porcentaje de "vecinos falsos" (puntos que parecen cercanos en una dimensión baja pero se separan en una dimensión más alta) cae por debajo de un umbral aceptable (ej., 1-5%). Este es el método más utilizado. - **Saturación de la dimensión de correlación:** Se aumenta $m$ hasta que la estimación de la dimensión de correlación $D_2$ deja de aumentar significativamente o se satura. ### Conceptos Clave de la Dinámica No Lineal #### 1. Atractores Un atractor es el conjunto de estados hacia el cual un sistema dinámico tiende a evolucionar después de un tiempo suficientemente largo, independientemente de las condiciones iniciales (dentro de una cuenca de atracción). - **Punto fijo (Atractor de punto):** Un estado de equilibrio donde el sistema permanece constante ($\dot{x}=0$). Todos los flujos convergen a un único punto. Ejemplo: un péndulo amortiguado que se detiene en su posición vertical. - **Ciclo límite (Atractor periódico):** Una órbita periódica estable a la que el sistema converge. El sistema repite una secuencia de estados. Ejemplo: un oscilador de Van der Pol, ritmos cardíacos normales. - **Toro (Atractor cuasi-periódico):** Representa movimientos que son la composición de múltiples frecuencias inmensurables. Las trayectorias se envuelven alrededor de una superficie toroidal sin repetirse exactamente, pero manteniéndose en una región confinada. - **Atractor extraño (Caótico):** Un atractor con estructura fractal, donde las trayectorias son muy sensibles a las condiciones iniciales (efecto mariposa) y no son periódicas ni convergen a un punto fijo. El sistema nunca se repite exactamente, pero permanece dentro de una región limitada del espacio de fases. Ejemplos clásicos: el atractor de Lorenz, el atractor de Rössler. - **Características:** - **Estructura fractal:** No es un objeto euclidiano simple (punto, línea, superficie). - **Sensibilidad a las condiciones iniciales:** Pequeñas perturbaciones crecen exponencialmente. - **Determinista:** Su evolución está completamente determinada por ecuaciones, no es aleatorio. - **Acotado:** Las trayectorias permanecen dentro de una región finita del espacio de fases. #### 2. Dimensiones Fractales Las dimensiones fractales cuantifican la "rugosidad", "complejidad" o "capacidad de llenado del espacio" de un atractor. A diferencia de las dimensiones euclidianas (0 para un punto, 1 para una línea, 2 para una superficie), las dimensiones fractales pueden ser no enteras. - **Dimensión de Hausdorff ($D_H$):** Una definición matemática formal y rigurosa, pero difícil de calcular empíricamente. Sirve como base teórica. - **Dimensión de Box-Counting (Dimensión de Cobertura, $D_0$):** - **Concepto:** Se cubre el atractor con "cajas" (hipercubos) de tamaño $\epsilon$. Si $N(\epsilon)$ es el número de cajas necesarias para cubrir el atractor, entonces: $$D_0 = \lim_{\epsilon \to 0} \frac{\log N(\epsilon)}{\log(1/\epsilon)}$$ - **Relación con Mandelbrot:** La dimensión de box-counting es la forma más común de estimar la "dimensionalidad fractal" de objetos complejos como el conjunto de Mandelbrot o de Julia, que son fractales típicos. - **Ventajas:** Conceptualmente sencilla. - **Desventajas:** Sensible al tamaño de las cajas y a la cantidad de datos. Puede ser costosa computacionalmente. - **Dimensión de Correlación ($D_2$):** - **Concepto:** Es una medida práctica y computacionalmente eficiente de la dimensión fractal, que estima la densidad de puntos en el espacio de fases. Mide la probabilidad de que dos puntos elegidos al azar en el atractor estén a una distancia menor que $\epsilon$. - Se basa en la función de correlación $C(\epsilon)$: $$C(\epsilon) = \lim_{N \to \infty} \frac{1}{N^2} \sum_{i \ne j} \Theta(\epsilon - ||\vec{Y}_i - \vec{Y}_j||)$$ donde $\Theta$ es la función de paso de Heaviside y $N$ es el número de puntos. - Para $\epsilon$ pequeños, $C(\epsilon) \propto \epsilon^{D_2}$, por lo tanto: $$D_2 = \lim_{\epsilon \to 0} \frac{\log C(\epsilon)}{\log \epsilon}$$ - **Ventajas:** Relativamente robusta al ruido, más fácil de calcular que la dimensión de Hausdorff o box-counting para series temporales. - **Desventajas:** Requiere un número de datos suficientemente grande y la elección adecuada de $\tau$ y $m$. - **Dimensión de Información ($D_1$):** Relacionada con la entropía de información, mide cómo la información necesaria para especificar un punto en el atractor escala con $\epsilon$. Generalmente, $D_0 \ge D_1 \ge D_2$. #### 3. Exponentes de Lyapunov ($\lambda$) Miden la tasa promedio de divergencia (o convergencia) exponencial de trayectorias infinitesimalmente cercanas en el espacio de fases. Es el indicador más directo de caos. Un sistema es caótico si tiene al menos un exponente de Lyapunov positivo. - **Espectro de Lyapunov:** Para un sistema $m$-dimensional, hay $m$ exponentes de Lyapunov. - **$\lambda_{max} > 0$:** Indica comportamiento caótico. Las trayectorias cercanas divergen exponencialmente. - **$\lambda_{max} = 0$:** Sugiere comportamiento periódico o cuasi-periódico. Las trayectorias no divergen exponencialmente. - **$\lambda_{max} 0$, y la suma de todos los exponentes de Lyapunov debe ser negativa (para que el atractor esté acotado). - **Cálculo:** Se estiman a partir de la serie temporal observada, a menudo utilizando algoritmos como el de Wolf et al. o el de Rosenstein et al. Requiere una reconstrucción adecuada del espacio de fases. #### 4. Plots de Recurrencia (Recurrence Plots - RP) y Análisis de Cuantificación de Recurrencia (RQA) - **Recurrence Plots:** Una herramienta visual para inspeccionar el comportamiento recurrente de un sistema dinámico. Se construye una matriz binaria $R_{i,j}$ donde un punto es negro si la trayectoria en el tiempo $i$ está "cerca" de la trayectoria en el tiempo $j$ en el espacio de fases. $$R_{i,j} = \Theta(\epsilon - ||\vec{Y}_i - \vec{Y}_j||)$$ - **Interpretación visual:** - **Líneas diagonales:** Indican períodos de comportamiento recurrente o determinista. - **Líneas verticales/horizontales:** Indican estados que permanecen constantes por un tiempo o transiciones lentas. - **Estructura homogénea:** Comportamiento estacionario. - **Estructura no homogénea:** Cambios de régimen o no estacionariedad. - **Patrones de puntos aislados:** Comportamiento estocástico o transitorio. - **Recurrence Quantification Analysis (RQA):** Cuantifica las estructuras observadas en los RP mediante métricas como: - **Recurrencia (REC):** Densidad de puntos recurrentes. - **Determinismo (DET):** Porcentaje de puntos que forman líneas diagonales. Indica la predictibilidad. - **Laminación (LAM):** Porcentaje de puntos que forman líneas verticales/horizontales. Indica la estabilidad del estado. - **Entropía (ENT):** Entropía de Shannon de la distribución de las longitudes de las líneas diagonales. Mide la complejidad del patrón recurrente. - **Longitud máxima de línea (LMAX):** Recíproco del exponente de Lyapunov más grande. - **Tendencia (TREND):** Variación de la densidad de recurrencia a lo largo del tiempo, indicando no estacionariedad. ### Teoría de Catástrofes La Teoría de Catástrofes, desarrollada por René Thom, es una rama de la matemática que estudia cómo pequeños cambios en los parámetros de un sistema pueden provocar cambios cualitativos y abruptos en su comportamiento. Se centra en la clasificación de las singularidades de funciones suaves y sus efectos en la dinámica del sistema. #### 1. Concepto Fundamental - **Discontinuidad y saltos:** Contrario a la evolución suave y continua que muchos modelos asumen, la teoría de catástrofes explica cómo los sistemas pueden experimentar transiciones repentinas entre estados cualitativamente diferentes. - **Funciones de potencial:** La teoría a menudo se aplica a sistemas que pueden describirse por un paisaje de energía o función de potencial, donde los estados de equilibrio corresponden a los mínimos locales. Los cambios en los parámetros alteran la forma de este paisaje, provocando la aparición o desaparición de mínimos, lo que lleva a "saltos" del sistema a nuevos estados. - **Parámetros de control vs. variables de comportamiento:** Distingue entre variables que controlan el sistema (parámetros de control) y las variables que describen el estado del sistema (variables de comportamiento). #### 2. Catástrofes Elementales (Según René Thom) Thom clasificó siete tipos de catástrofes elementales que pueden ocurrir en sistemas con hasta 4 parámetros de control y una función de potencial. Las más simples y comunes son: - **Pliegue (Fold Catastrophe):** - **Descripción:** Es la catástrofe elemental más simple. Un punto de equilibrio (mínimo local) y un punto de silla (máximo local o punto de inestabilidad) se juntan y se aniquilan. Esto significa que un estado estable puede desaparecer repentinamente, forzando al sistema a "saltar" a otro estado estable disponible, o a un comportamiento completamente diferente. - **Ejemplo:** El colapso de un puente bajo carga excesiva; un sistema que tiene dos estados estables y uno de ellos desaparece, forzando al sistema al otro. - **Ecuación de potencial:** $V(x) = \frac{1}{3}x^3 + ax$ (donde $a$ es el parámetro de control). - **Cúspide (Cusp Catastrophe):** - **Descripción:** Es la catástrofe más estudiada y la primera que implica dos parámetros de control. Puede modelar situaciones donde hay dos estados estables alternativos, y la transición entre ellos puede ser suave o abrupta, dependiendo de la trayectoria en el espacio de parámetros. - **Fenómenos:** Histéresis (el camino de ida es diferente al de vuelta), bimodalidad (dos estados posibles). - **Ejemplo:** Transiciones de fase (ej., líquido-gas), cambios de opinión pública, agresividad animal, crisis económicas, colapsos ecológicos. - **Ecuación de potencial:** $V(x) = \frac{1}{4}x^4 + ax^2 + bx$ (donde $a, b$ son los parámetros de control). El plano de control $(a,b)$ tiene una "cúspide" donde los cambios bruscos son posibles. - **Otros tipos elementales:** Cola de milano (Swallowtail), Mariposa (Butterfly), Hiperbólica Umbílica (Hyperbolic Umbilic), Elíptica Umbílica (Elliptic Umbilic), Parabólica Umbílica (Parabolic Umbilic). Estos involucran más variables de comportamiento y/o parámetros de control, describiendo fenómenos más complejos. #### 3. Aplicaciones La Teoría de Catástrofes ha sido aplicada en campos tan diversos como: - **Biología:** Comportamiento animal (agresión/escape), desarrollo embrionario. - **Economía:** Crisis financieras, burbujas de mercado, decisiones de inversión. - **Sociología:** Cambios en la opinión pública, disturbios sociales. - **Ingeniería:** Fallas estructurales, estabilidad de sistemas de control. - **Psicología:** Cambios repentinos en el estado de ánimo, adicciones. Aunque la teoría es potente, su aplicación requiere cautela y una comprensión profunda de los sistemas subyacentes, ya que a menudo simplifica la dinámica real a un modelo de potencial. ### Pruebas de No Linealidad Antes de aplicar técnicas de análisis no lineal, es fundamental verificar si la serie temporal observada realmente exhibe una dinámica no lineal o si podría explicarse por procesos estocásticos o lineales. #### 1. Test de Surrogate Data (Datos Sustitutos) - **Concepto:** Es la prueba más robusta y ampliamente utilizada para detectar no linealidad determinista en una serie temporal. - **Metodología:** 1. **Formular una hipótesis nula:** La serie temporal es generada por un proceso lineal estocástico (ej., un proceso Gaussiano con la misma función de autocorrelación que la serie original) o por ruido blanco. 2. **Generar datos sustitutos (surrogates):** Se crean múltiples series temporales artificiales que comparten ciertas propiedades estadísticas con la serie original (ej., misma media, varianza, función de autocorrelación, distribución de probabilidad), pero destruyen cualquier estructura no lineal. - **Algoritmo de Fourier Aleatorizado (IAAFT - Iterated Amplitude Adjusted Fourier Transform):** Es el método más común. Preserva la distribución de probabilidad y el espectro de potencia (y por lo tanto la función de autocorrelación lineal) de la serie original. 3. **Calcular un estadístico discriminante:** Se elige un estadístico que sea sensible a la no linealidad (ej., el exponente de Lyapunov máximo, la dimensión de correlación, una métrica de RQA, o un estadístico de pronóstico no lineal) y se calcula para la serie original y para cada una de las series sustitutas. 4. **Comparar:** Si el valor del estadístico para la serie original está significativamente fuera del rango de los valores obtenidos para las series sustitutas (ej., más allá de 2 o 3 desviaciones estándar), se rechaza la hipótesis nula, lo que sugiere la presencia de no linealidad determinista. - **Ventajas:** No asume un modelo no lineal específico, es robusto a diferentes tipos de ruido. - **Desventajas:** Puede requerir un gran número de series sustitutas y cálculos intensivos. #### 2. Otros Tests (Menos específicos para caos) - **Test de BDS (Brock-Dechert-Scheinkman):** Un test estadístico que detecta la presencia de dependencia no lineal comparando las probabilidades de recurrencia de puntos en el espacio de fases reconstruido con las esperadas bajo independencia. Puede indicar no linealidad, pero no distingue entre caos determinista y otros tipos de no linealidad. - **Test de Hinich:** Un test de bicorrelación que busca dependencias no lineales cuadráticas. - **Test de Keenan, Tsay, White:** Tests de linealidad que prueban la hipótesis nula de un modelo ARMA contra una alternativa no lineal. Es crucial realizar estas pruebas antes de embarcarse en un análisis no lineal detallado, para evitar interpretar ruido o procesos lineales como dinámica compleja. ### Medidas de Complejidad y Entropía Más allá de las dimensiones fractales y los exponentes de Lyapunov, existen otras métricas para cuantificar la complejidad de una serie temporal, a menudo basadas en la teoría de la información. #### 1. Entropía de Shannon - **Concepto:** Mide la cantidad promedio de información o incertidumbre en una fuente de datos. En el contexto de series temporales, se puede aplicar a la distribución de estados discretizados. - **Fórmula (para una variable discreta X con $N$ estados):** $$H(X) = -\sum_{i=1}^{N} p(x_i) \log_2 p(x_i)$$ donde $p(x_i)$ es la probabilidad de observar el estado $x_i$. #### 2. Entropía de Kolmogorov-Sinai (KS Entropy) - **Concepto:** La medida más fundamental de la tasa de generación de información en un sistema dinámico. Cuantifica la tasa a la que el sistema pierde información sobre sus condiciones iniciales. - **Relación con Lyapunov:** Para sistemas caóticos, la entropía KS es igual a la suma de todos los exponentes de Lyapunov positivos. - **Interpretación:** Un valor positivo de entropía KS indica caos, donde el sistema genera nueva información continuamente. Es una medida de la impredecibilidad intrínseca del sistema. - **Cálculo:** Muy difícil de calcular directamente de series temporales reales; a menudo se estima a través de los exponentes de Lyapunov o métodos relacionados. #### 3. Entropía de Aproximación (ApEn - Approximate Entropy) - **Concepto:** Mide la "regularidad" o "predecibilidad" de una serie temporal. Un valor bajo de ApEn indica mayor regularidad (menos complejidad), mientras que un valor alto indica más irregularidad (mayor complejidad). Se desarrolló para series temporales más cortas y ruidosas donde otras medidas fallan. - **Ventajas:** Robusta al ruido, no requiere grandes cantidades de datos, es relativamente insensible a los valores atípicos. - **Cálculo:** Involucra comparar patrones de longitud $m$ y $m+1$ dentro de la serie, contando cuántas veces un patrón se mantiene "cercano" a otro dentro de una distancia $r$. #### 4. Entropía de Muestreo (SampEn - Sample Entropy) - **Concepto:** Una mejora del ApEn, diseñada para ser menos dependiente de la longitud de la serie y más consistente. También mide la complejidad y regularidad. - **Ventajas:** Esencialmente las mismas que ApEn, pero con una estimación de la probabilidad de coincidencia de patrones sin auto-contar, lo que la hace más precisa y menos sesgada para series cortas. - **Aplicaciones:** Ampliamente utilizada en series temporales fisiológicas (EEG, ECG) para detectar cambios en la complejidad subyacente de los sistemas biológicos. #### 5. Complejidad Lempel-Ziv (LZ Complexity) - **Concepto:** Mide la complejidad de una secuencia al cuantificar la tasa a la que se introducen nuevos patrones en la secuencia a medida que se escanea. Se basa en la cantidad de subcadenas distintas que se encuentran en una secuencia. - **Ventajas:** No paramétrica, no requiere la reconstrucción del espacio de fases, es robusta al ruido. - **Aplicaciones:** Detección de complejidad en datos genómicos, señales biológicas y compresión de datos. Estas medidas proporcionan diferentes perspectivas sobre la complejidad y el determinismo no lineal, complementando las dimensiones fractales y los exponentes de Lyapunov. ### Análisis Matemático No Lineal Profundizado #### 1. Ecuaciones Diferenciales No Lineales y Espacio de Fases - **Definición:** Sistemas de ecuaciones diferenciales donde al menos una variable o su derivada aparece de forma no lineal. - Ejemplo (Ecuación de Lorenz): $$\begin{cases} \dot{x} = \sigma(y-x) \\ \dot{y} = x(\rho-z) - y \\ \dot{z} = xy - \beta z \end{cases}$$ Este sistema, con $\sigma=10, \rho=28, \beta=8/3$, es un arquetipo de sistema caótico. - **Espacio de Fases:** Un espacio donde cada eje representa una de las variables de estado del sistema. La evolución del sistema se representa como una trayectoria en este espacio. - **Trayectorias:** Curvas en el espacio de fases que muestran la evolución del sistema desde una condición inicial. - **Puntos Fijos (Puntos de Equilibrio):** Puntos donde $\dot{x} = 0$ para todas las variables. Representan estados donde el sistema no cambia. Para encontrarlos, se igualan todas las derivadas a cero y se resuelve el sistema de ecuaciones algebraicas. - **Análisis de Estabilidad de Puntos Fijos (Linealización):** Se linealiza el sistema alrededor de cada punto fijo usando la matriz Jacobiana. Los valores propios de la Jacobiana en el punto fijo determinan su estabilidad: - **Valores propios con parte real negativa:** Punto fijo estable (sumidero). - **Valores propios con parte real positiva:** Punto fijo inestable (fuente). - **Valores propios con partes reales mixtas:** Punto de silla. - **Valores propios imaginarios puros:** Centro (oscilaciones no amortiguadas). - **Nullclines:** Curvas en el espacio de fases donde $\dot{x}=0$ para una de las variables. Las intersecciones de las nullclines corresponden a los puntos fijos. Son útiles para visualizar la dinámica en 2D. #### 2. Mapas Iterados (Sistemas Discretos) - **Definición:** Ecuaciones de recurrencia que describen la evolución de un sistema en pasos de tiempo discretos. - Ejemplo (Mapa Logístico): $x_{n+1} = r x_n (1 - x_n)$ - **Parámetro de control ($r$):** Determina el comportamiento del sistema. - **Comportamiento a medida que $r$ varía:** - $0 ### Modelado y Pronóstico No Lineal Una vez que se ha establecido la presencia de no linealidad, el siguiente paso puede ser construir modelos que capturen esta dinámica para pronóstico o simulación. #### 1. Modelos de Espacio de Fases Reconstruido - **Concepto:** Se utilizan los vectores del espacio de fases reconstruido $\vec{Y}(t)$ para predecir el siguiente estado $\vec{Y}(t+1)$ o el valor futuro $x(t+T)$. - **Técnicas:** - **Vecinos más cercanos:** El pronóstico se basa en el promedio o la extrapolación de los comportamientos de los vecinos más cercanos en el espacio de fases. - **Funciones de Base Radial (RBF - Radial Basis Functions):** Redes neuronales que pueden aproximar funciones no lineales complejas. - **Máquinas de Vectores de Soporte (SVM - Support Vector Machines) y Regresión por Vectores de Soporte (SVR):** Métodos de aprendizaje automático que pueden modelar relaciones no lineales. - **Redes Neuronales Artificiales (ANN - Artificial Neural Networks):** Especialmente las redes recurrentes (RNNs, LSTMs, GRUs) son muy adecuadas para series temporales debido a su capacidad para recordar información pasada. #### 2. Modelos de Ecuaciones Diferenciales (si se conoce el sistema) - Si se conoce la forma funcional de las ecuaciones diferenciales subyacentes, se pueden estimar sus parámetros a partir de los datos. Esto es un problema de ajuste de parámetros no lineal, a menudo resuelto con métodos de optimización numérica. #### 3. Modelos Híbridos - Combinan componentes lineales y no lineales para aprovechar las fortalezas de ambos. Por ejemplo, se puede usar un modelo lineal para capturar la estructura de autocorrelación y luego un modelo no lineal para los residuos. #### 4. Evaluación del Pronóstico No Lineal - **Métricas:** RMSE (Error Cuadrático Medio), MAE (Error Absoluto Medio), coeficiente de correlación. - **Límites de Predictibilidad:** Los sistemas caóticos tienen un horizonte de pronóstico finito. El exponente de Lyapunov máximo inverso ($\sim 1/\lambda_{max}$) da una estimación del tiempo en el que un pronóstico es fiable. Más allá de este horizonte, las incertidumbres crecen exponencialmente. ### Casos de Estudio y Aplicaciones Detalladas El análisis de series temporales no lineales ha revolucionado la comprensión de sistemas complejos en innumerables disciplinas. #### 1. Climatología y Geofísica - **Fenómeno El Niño/Oscilación del Sur (ENOS):** Detección de la dinámica no lineal en las temperaturas de la superficie del mar, patrones de recurrencia y predictibilidad. - **Cambio Climático:** Análisis de series de temperatura global para detectar bifurcaciones o puntos de inflexión (tipping points) en el sistema climático. - **Sismología:** Búsqueda de patrones no lineales en la ocurrencia de terremotos o señales sísmicas para mejorar la predicción o entender la mecánica de fallas. #### 2. Biología y Medicina - **Actividad Cerebral (EEG/MEG):** - Detección de caos y cambios en la complejidad en el EEG para diagnosticar epilepsia, Alzheimer o trastornos del sueño. - Análisis de la dinámica cerebral durante tareas cognitivas. - **Ritmos Cardíacos (ECG/HRV):** - Estudio de la variabilidad de la frecuencia cardíaca (HRV) para evaluar la salud cardiovascular. La pérdida de complejidad (menor ApEn/SampEn) a menudo se asocia con enfermedades. - Detección de arritmias o fibrilación auricular. - **Dinámica Poblacional:** Modelado de fluctuaciones poblacionales de especies (ej., brotes de insectos, ciclos de depredador-presa) que exhiben dinámicas caóticas o cíclicas complejas. - **Genómica:** Análisis de patrones de complejidad en secuencias de ADN o ARN. #### 3. Economía y Finanzas - **Mercados Financieros:** - Detección de no linealidad y caos en series de precios de acciones, índices o tipos de cambio para entender la volatilidad y la impredecibilidad. - Modelado de burbujas financieras y crashes de mercado como fenómenos de catástrofe o bifurcación. - Uso de exponentes de Lyapunov para determinar el horizonte de pronóstico en mercados volátiles. - **Ciclos Económicos:** Análisis de series macroeconómicas (PIB, inflación) para identificar dinámicas no lineales que expliquen ciclos de auge y recesión. #### 4. Ingeniería - **Control de Sistemas Caóticos:** Desarrollo de técnicas para controlar o suprimir el comportamiento caótico en sistemas como láseres, circuitos electrónicos o reactores químicos. - **Detección de Fallas:** Monitoreo de vibraciones en maquinaria para detectar cambios en el patrón dinámico que puedan indicar el inicio de una falla. - **Dinámica de Fluidos:** Estudio de la turbulencia y otros fenómenos complejos en fluidos. #### 5. Física - **Mecánica Clásica:** Péndulos dobles, sistemas de billar. - **Óptica Cuántica:** Dinámica de láseres. - **Física del Plasma:** Comportamiento de plasmas confinados. Estas aplicaciones demuestran la versatilidad y el poder del análisis de series temporales no lineales para desentrañar la complejidad oculta en una amplia gama de fenómenos.