Caos e Sistemas Dinâmicos

02‐12‐2010
Caos e sistemas dinâmicos
ISVOUGA – 30 de Novembro 2010
J.A. Campos Neves
Índice
• Conceitos base
• Sinais temporais e sua utilidade
• Transformadas
• Sistemas caóticos
• Casos reais
• Nota prévia:
– Este trabalho baseia‐se numa linha de investigação conjunta, sendo
exposta uma parte do trabalho realizado, cujo link é:
http://paginas.fe.up.pt/~ee02208/
ISVOUGA‐Nov 2010 2
1
02‐12‐2010
Caos e Cosmos ?
• COSMOS:
– Vem do grego e significa ordem
Vem do grego e significa ordem ou universo.
ou universo
• CAOS:
– Vem também do grego, e é o oposto a Cosmos,
significando desordem
O tema a abordar nada tem que ver com aspectos

O tema a abordar nada tem que ver com aspectos
filosóficos, mas antes com a tentativa de se
encontrarem modelos matemáticos para certos
comportamentos!
Teoria do Caos
• A Teoria matemática do caos visa explicar o
funcionamento de sistemas complexos
funcionamento de sistemas complexos e dinâmicos.
dinâmicos
• São considerados sistemas complexos e dinâmicos ,
aqueles cujo comportamento podem ser instável na
sua evolução temporal.
• Esta instabilidade é função das suas variáveis, que
de forma aleatória provocam estados específicos.
2
02‐12‐2010
Sistemas informáticos e registo de
séries temporais
• O desenvolvimento dos computadores e dos
sistemas informáticos facultou nos a
sistemas informáticos facultou‐nos a
capacidade de registo de dados discretizados.
• Desta forma a variação de uma grandeza no
tempo é transformada numa série de valores
discretos, que nos permitem deduzir
comportamentos e estados sobre a própria
comportamentos e estados sobre a própria
grandeza.
• Falamos então de séries temporais.
Sistemas informáticos e registo de
séries temporais
• Exemplos: • Formalmente:
– Temperatura média XN={x1,x2,…xi,…xN}
– Batimento cardíaco
– Variações bolsistas O que se obtém pela
– Caudais de rios discretização ou seja
– Voz e sons
e sons produto de um trem
produto de um trem
– Outros….! de impulsos pelo
sinal.
3
02‐12‐2010
Discretização
Caudal médio de um rio entre 1946 e 1999
25
20
15
10
4
02‐12‐2010
Dow Jones [1980 a 2008]
Dow Jones ‐ variação 23‐12‐1980 a 04‐03‐2008
5000
4500
4000
3500
3000
2500
2000
1500
1000
500
Batimento cardíaco
3.500
3.000
2.500
2.000
1.500
1.000
500
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500
3.500
3.000
2.500
2.000
1.500
1.000
500
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500
5
02‐12‐2010
Temperatura média do ar (Viana)
Objectivos do estudo de séries
temporais
• Consideram‐se quatro objectivos no estudo de
séries temporais, as quais estão associadas a
processos:
– Descrição
• obtenção de indicadores primários (médias, máximos e
mínimos, moda, variância, ….)
– Explicação
• construção de modelos que permitam a análise da evolução
temporal [ X
p [ N = f(x, y, z, w, …) ]
f( , y, , , ) ]
– Previsão
• prever valores futuros a partir de valores passados
– Controlo
• Implementar mecanismos de controlo ou reacção
6
02‐12‐2010
Processos
• Processos determinísticos
– São
São aqueles onde é possível prever exactamente os
aqueles onde é possível prever exactamente os
valores futuros a partir dos valores passados
– Só ocorrem em casos muito controlados e onde nada
muda, o que não é possível!
• Processos dinâmicos
– Ou processos estocásticos, ou aleatórios, são aqueles
onde valores futuros são apenas parcialmente
p p
determinados a partir de valores passados!
– Logo, não se sabe (a priori) quando mudam e para
como mudam!
Processos
• Dentro dos processos estocásticos temos os
processos estacionários que apresentam um
t i ái t
estado de equilíbrio estatístico em torno de
um nível médio fixo, logo sem tendência.
• Mas nem todos são assim, nem de forma
constante (podem ou mudam).
(p )
7
02‐12‐2010
Processos de análise
• Há inúmeras técnicas para entender e
modelar processos a partir das suas séries
d l ti d éi
temporais.
– Coeficiente de correlação amostral ‐ mede o grau
de correlação, logo de similaridade.
– Correlograma ‐ gráfico que faz corresponder a
cada coeficiente de autocorrelação o seu
desfasamento temporal
– Outras….!
Processos de análise
• Espectro em séries temporais
– Serve‐se da transformação
S d t f ã da série temporal do
d éi t ld
domínio dos tempos para o das frequências!
– Na análise em frequência (análise ou
transformada de Fourier) procuramos analisar
quais são as diferentes frequências ou
componentes periódicas que contribuem para a
variabilidade da série temporal.
– No entanto apresentam também limites,
sobretudo nos processos não determinísticos!
8
02‐12‐2010
Fourier ‐ significado
A partir de formas simples (de funções) podemos
(re)construir um sinal/série, ou saber como ele se
decompõe!
Exemplos transformada de Fourier
9
02‐12‐2010
Transformada de Fourier
Extraído de: http://www.gearslutz.com
Fourier ‐ aplicações
• Filtragem no domínio das frequencias!
Filter
f0(t) f1(t)
| F0(t) |
Fourier Inverse Fourier
Transform Transform
t t
f
10
02‐12‐2010
Caos em Sistemas dinâmicos
• Um sistema dinâmico Æ pode ser definido através
de um modelo matemático que envolve a evolução
de um modelo matemático que envolve a evolução
do seu estado ao longo do tempo.
• Podem ser classificados como:
– Sistemas estáveis Æ convergem para um valor fixo.
– Sistemas periódicos Æ oscilações periódicas.
– Sistemas ruidosos Æ imprevisíveis, caracterizados por
p , p
flutuações irregulares
– Sistemas caóticos‐deterministicos Æ comportamento
aperiódico e imprevisível! [Lorenz 1963]
Representações – espaço das fases
• É sistema de coordenadas associado às variáveis de
estado que descrevem a dinâmica dum sistema.
estado que descrevem a dinâmica dum sistema.
– Fundamentos
Sendo X(n)= {x(1),x(2),…,x(i),…} serie
e X(n+L)= {x(1+L),x(2+L),…,x(i+L),…}
Onde L é o Tempo de atraso.
– Podemos desta forma reconstruir a série a partir de
vectores de atraso em 2 ou mais dimensões, onde se
evidenciam os estados do sistema.
– Passamos a ter apenas os estados e não as variações
temporais!
11
02‐12‐2010
Como se obtém
• A partir de f(t), construímos um espaço a N dimensões a
partir dos vectores esfasados da série temporal, ou seja X: f(i);
Y:f(i+L),…
f( ),
• As formas que se obtém no Espaço das fases serão objecto de
estudo e permitem extrair algumas conclusões de relevo.
f(-) L
f(i+L)
Return map
i
f(i) f(i+L) f(i)
Espaço de fases
• Conceitos 1 ‐ Pontos fixos
– são aqueles onde dx/dt
são aqueles onde dx/dt = 0, ou seja x(n+1) = x(n).
0 ou seja x(n+1) x(n)
• Pode‐se identificar três tipos possíveis de pontos fixos:
1. Pontos fixos estáveis: atraem as trajectórias próximas
a eles.
2. Pontos fixos instáveis: repelem as trajectórias
próximas a eles.
3. Pontos de sela: atraem as trajectórias provenientes
numa direcção mas repelem as trajectórias
provenientes de outras direcções.
12
02‐12‐2010
Espaço de fases
• Conceitos 2 – Atractor
– ÉÉ a representação da dinâmica de um sistema no
a representação da dinâmica de um sistema no
espaço de fases. Exemplos de atractores
– Atractor Ponto fixo: sistemas estáveis
• a representação no espaço de fases converge ao longo do
tempo para um estado fixo.
– Atractor Ciclo limite: sistemas periódicos
• a representação no espaço de fases esta definida por uma
órbita fechada composta por dois ou mais pontos
órbita fechada, composta por dois ou mais pontos.
– Atractor estranho: sistemas caóticos
• a representação no espaço de fases tem órbitas que nunca
repetem o mesmo caminho, mas são confinadas (atraídas) a
uma região limitada do espaço de fases.
Exemplos de atractores
(3)
(1) (2)
(1) f(x)= cos(x) (5)

((5))
(2) Atractor de Lorenz
At t d L
(3) Batimento cardiaco 1
(4) Função f(x)=sin(x)/x
(5) f(x)= exp(‐x)*sin(x)
(4)
13
02‐12‐2010
Elementos base
• Esfasamento temporal (L)
– O valor de L na obtenção do espaço das fases designa‐se
l d b d d f d
por esfasamento temporal.
– A sua variação introduz variações no espaço das fases.
Domínio temporal Espaço fases
Elementos base
• Dimensão de imersão
– É o numero de dimensões para o espaço de fases.
– Podemos visualizar até as 3 dimensões, mas não acima disso.
Podemos is ali ar até as 3 dimensões mas não acima disso
– Em geral acima das 6 dimensões não obtemos grandes dados adicionais
Várias dimensões de mergulho
• 2 dimens Î f(i) e f(i+L)
• 3 dimens Î f(i) , f(i+L) e f(i+2*L)
• 4 dimens Î f(i), f(i+L), e f(i+2*L) e f(i+3*L)
•…
14
02‐12‐2010
Espaço de fases ‐ utilização
• Vários autores tem tentado usar o espaço de fases,
com algum sucesso, para prever e antecipar
comportamentos que correspondem à alteração do
comportamentos, que correspondem à alteração do
ponto em que o sistema se encontra para outro.
• As fases representam os estados do sistema.
O sinal rectangular com ruído apresenta 4 fases que
correspondem às transições possíveis de ocorrer, e
que são visíveis no espaço das fases
Espaço de fases ‐ utilização
• Outras ferramentas
– Coeficientes de Liapunov
– Autocorrelação
– Informação mutua média
– Espectro de Fourier
– Dimensão de mergulho (função da necessidade)
Dimensão de mergulho (função da necessidade)
– Esfasamento temporal (sua variação)
–…
15
02‐12‐2010
Casos de estudo
• Análise de caudais de rios
– A partir do espaço das fases, e recorrendo a alguns
d d f d l
parâmetros descritores das fases e do seu conteúdo
analisaram‐se o caudal de rios, a partir de dados
recolhidos durante vários anos.
– Procurou‐se obter um modelo ou uma forma de entender
o seu comportamento em virtude do valor acrescentado
em causa.
– É uma área de estudo de interesse!
Casos de estudo
– Rio Guadiana: desde 31/10/1982 a 31/10/1997
– Rio Lima: desde 01/10/1982 a 01/10/1989
– Rio Mondego: de 10/1975 a 10/1990
16
02‐12‐2010
Casos de estudo ‐ Guadiana
• Análise de caudais de rios
• Esfasamento de 1 dia
Esfasamento de 58 dias
de 58 dias
17
02‐12‐2010
• Esfasamento a 204 dias
Casos de estudo ‐ Lima
• Esfasamento temporal de 1 dia
18
02‐12‐2010
• Esfasamento temporal de 96 dia
• Esfasamento temporal de 83 dias
19
02‐12‐2010
Outros casos – acções bolsa
• Acções BCP/PSI20 de 01/01/2003 a 11/05/2009
• Acções Brisa de 01/01/2003 a 11/05/2009
Casos de estudo ‐ BCP
• Esfasamento 1 dia
20
02‐12‐2010
Casos de estudo ‐ BCP
• Esfasamento a 241 dias
Casos de Estudo ‐ Brisa
• Esfasamento 1 dia
21
02‐12‐2010
• Esfasamento de 396 dias
• Esfasamento de 104 dias
22
02‐12‐2010
Casos de Estudo ‐ SONAE
• Acções em bolsa entre 30/06/2000 e 11/05/2009
23
02‐12‐2010
24
02‐12‐2010
Conclusões da análise da bolsa
• Alguns elementos extraídos
– a análise de séries temporais de cotações de
títulos na bolsa evidenciaram características gerais
como uma forte dependência entre valores
consecutivos e o aparecimento de componentes
de tendência.
– Tal deve‐se a algumas regras associadas à compra
T ld l i d à
a prazo de acções, mas também a
comportamentos humanos
Outros casos de estudo
• Estabilidade da rede eléctrica Hong‐Kong
• Previsão de comportamento cardíaco
• Filtragem de sinais (em estudo embora
discutível)
• Comportamentos sociais dinâmicos
• Etc
25
02‐12‐2010
Para concluir
• Esta começa a ser uma área de estudo, com interesse
crescente, pelo grau de fiabilidade que confere às
crescente, pelo grau de fiabilidade que confere às
análises, e pela visão geral que proporciona!
• No entanto há ainda um longo caminho a percorrer!
• NOTA: está disponível uma biblioteca de funções para
MATLAB, de uso livre no site referido na FEUP, onde
alguns dos dados da apresentação estão acessíveis.
Questões?
Obrigado pela vossa atenção
26
02‐12‐2010
Referencias
• Phase Space Signal Filtering, IEEE, 2006, J.A.
C
Campos Neves e Francisco Restivo
N F i R ti
• Análise de Séries Temporais Através de
Representações do Espaço de Fases;
– Richard Moisés Alves Pinto
– Mestrado em engenharia electrotécnica e de
Mestrado em engenharia electrotécnica e de
computadores, FEUP, Junho 2009
– http://paginas.fe.up.pt/~ee02208/
27

Caos e Sistemas Dinâmicos

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Caos e Sistemas Dinâmicos

Transféré par

Droits d'auteur :

Formats disponibles

02‐12‐2010

O tema a abordar nada tem que ver com aspectos

(1) f(x)= cos(x) (5)

Vous aimerez peut-être aussi