ANALISI DI SERIE TEMPORALI CAOTICHE (1)

• Problematiche

• Ricostruzione dello stato

• Dimensione di “embedding”

C. Piccardi e F. Dercole – Politecnico di Milano – ver. 28/12/2009 1/15

Per studiare e comprendere appieno la dinamica del sistema

x& (t ) = f ( x(t )) oppure x(t + 1) = f ( x(t ))

sarebbe opportuno poter misurare l’evoluzione nel tempo di tutte le n variabili di stato:

x1 (t ), x2 (t ), L , xn (t )

Negli esperimenti di laboratorio (fisica, chimica, biologia, medicina,…) o nelle registrazioni

di “dati di campo” (ecologia, economia, finanza,…) sono tipicamente misurate solo poche
variabili, perché:

• La misura costa (strumentazione).

• La misura di alcune variabili è tecnicamente impossibile.

• Spesso, non è neppure noto quante e quali siano le variabili di stato

(=non esiste un modello).

C. Piccardi e F. Dercole – Politecnico di Milano – ver. 28/12/2009 2/15

Immaginiamo che sia disponibile la misura di una sola variabile di uscita y (t ) ∈ R , che è
funzione, in ogni istante, dello stato x(t ) ∈ R n del sistema.

x& (t ) = f ( x(t ))
y (t ) = g ( x(t ))

Fissato un intervallo di campionamento (detto anche “ritardo”) τ > 0 , ciò che si ottiene è
una serie temporale:

y (0), y (τ), y (2τ),L, y (( N − 1)τ)

Nota bene: il sistema può anche essere x(t + 1) = f ( x(t )) purché reversibile
( τ intero, p.e. τ = 1 ).

Nota bene: la serie temporale

• ha lunghezza finita ( N )
• è affetta, in qualche misura, da rumore.

C. Piccardi e F. Dercole – Politecnico di Milano – ver. 28/12/2009 3/15

Quali sono gli scopi dell’analisi della serie temporale?

• calcolo di statistiche (medie, varianze, autocorrelazioni,…)

• identificazione di modelli, per simulazione e predizione

Inoltre, se la serie temporale è ricavata da un sistema in regime caotico:

• “misure di complessità” (dimensioni frattali, esponenti di Liapunov,…)

In quest’ultimo caso, lo strumento principale è il metodo di ricostruzione dello stato

nello spazio delle “uscite ritardate”.

C. Piccardi e F. Dercole – Politecnico di Milano – ver. 28/12/2009 4/15

RICOSTRUZIONE DELLO STATO

Esempio: consideriamo un sistema lineare di dimensione n:

x& (t ) = f ( x(t )) = Ax(t )

y (t ) = g ( x(t )) = cx(t )

Supponiamo di campionarlo con passo τ (=il tempo discreto vale k quando il tempo
continuo vale t = kτ ). Si ottiene il sistema a tempo discreto:

~
x(k + 1) = A x(k ) ~
dove A = exp( Aτ)
y (k ) = cx(k )

C. Piccardi e F. Dercole – Politecnico di Milano – ver. 28/12/2009 5/15

Se rileviamo l’uscita per n istanti di tempo otteniamo
y (k ) = cx(k ) y (k ) c
~ ~
y (k + 1) = cx(k + 1) = cA x(k ) y (k + 1) cA ~
cioè = x ( k ) = Ox ( k )
M M M
~ ~
y (k + n − 1) = cx(k + n − 1) = cA n−1 x(k ) y (k + n − 1) cA n −1

~
Per un sistema generico, la matrice ( n × n ) “di osservabilità” O è invertibile.

Quindi, in un sistema lineare, il vettore n -dimensionale delle uscite ritardate

z n (t ) = y (k ) y (k + 1) L y (k + n − 1) = y (t ) y (t + τ ) L y (t + (n − 1)τ )

~ −1 T
è equivalente allo stato del sistema, poiché x ( k ) = O zn .

C. Piccardi e F. Dercole – Politecnico di Milano – ver. 28/12/2009 6/15

Nota bene: per poter effettivamente calcolare lo stato nota la serie temporale di uscita
y (t ) , è necessario conoscere il modello ( A, c) del sistema (quindi anche l’ordine n ).

Tuttavia, la sola conoscenza di n permette di costruire il vettore z n (t ) , il quale

• è equivalente a x(t ) (sono legati da una trasformazione invertibile)

• ne possiede le stesse “caratteristiche dinamiche” (p.e., il comportamento asintotico).

Tipicamente, quando si analizza una serie temporale relativa ad un sistema non lineare

• il modello (cioè le funzioni f , g ) non è noto

• il più delle volte, neppure l’ordine n del sistema è noto

Nonostante ciò, se il sistema funziona su un attrattore, quest’ultimo può essere ricostruito

mediante un vettore z (t ) delle “uscite ritardate”. L’attrattore ricostruito ha le stesse
caratteristiche geometriche/dinamiche dell’originale.

C. Piccardi e F. Dercole – Politecnico di Milano – ver. 28/12/2009 7/15

DIMENSIONE DI “EMBEDDING”
Per ipotesi:

• Il sistemax& (t ) = f ( x(t )) funziona su un attrattore A ⊂ R n di dimensione

(box-counting) d .

• Viene registrata la serie temporale (scalare) di uscita

y (0), y (τ), y (2τ),L, y (( N − 1)τ) .

• Fissato un intero m > 0 , si definisce il vettore delle uscite ritardate

z m (t ) = y (t ) y (t − τ ) L y (t − (m − 1)τ )

C. Piccardi e F. Dercole – Politecnico di Milano – ver. 28/12/2009 8/15

Nota bene: per il sistema a tempo continuo x& (t ) = f ( x(t )) , la conoscenza di x(t )
permette di risalire a x (t − τ ), x (t − 2τ ),L, x (t − ( m − 1)τ ) (reversibilità).

Quindi, con il vettore delle uscite ritardate

z m (t ) = y (t ) y (t − τ ) L y (t − (m − 1)τ )

si definisce, implicitamente, una funzione G : Rn → Rm :

z m (t ) = G ( x(t ) )

Definizione: m è una dimensione di “embedding” per l’attrattore A se la funzione G ,

ristretta ad A , è invertibile (cioè: per ogni coppia x′, x ′′ ∈ A , se x′ ≠ x ′′ allora risulta
G ( x ′) ≠ G ( x′′) ).

C. Piccardi e F. Dercole – Politecnico di Milano – ver. 28/12/2009 9/15

Se m è una dimensione di “embedding”, allora R m si dice spazio di “embedding” per A .

L’immagine Am = G ( A) dell’attrattore A nello spazio di “embedding” si chiama attrattore

ricostruito.

Se la funzione di stato f , la funzione di uscita g , e il ritardo τ sono generici (cioè: a

meno di casi critici), allora Am ha le stesse proprietà geometriche (dimensione) e
dinamiche (esponenti di Liapunov) di A .

C. Piccardi e F. Dercole – Politecnico di Milano – ver. 28/12/2009 10/15

Nota bene: se m è una dimensione di “embedding”, la traiettoria che definisce l’attrattore
ricostruito Am non avrà auto-intersezioni (e viceversa). Per questo, è necessario (ma non
sufficiente…) che m> d.

Esempio: esperimento di Taylor-Couette, in regime periodico.

y (t ) è la velocità del fluido in un

punto prefissato.

Poiché A è un ciclo, risulta

d = 1. Una dimensione di
“embedding” m = 2 in questo
caso si rivela sufficiente.

C. Piccardi e F. Dercole – Politecnico di Milano – ver. 28/12/2009 11/15

Esempio: registrazione del battito cardiaco di un insetto

m = 2 non è una dimensione di “embedding”, poiché la traiettoria in R 2 presenta

auto-intersezioni.

m = 3, viceversa, elimina le auto-intersezioni: è una dimensione di “embedding”.

C. Piccardi e F. Dercole – Politecnico di Milano – ver. 28/12/2009 12/15

 Quanto deve essere grande la dimensione di “embedding” m?

Teorema (Whitney, 1936; Mané, 1981; Takens, 1981; Yorke and coworkers, 1991)
Supponiamo che A ⊂ R sia un attrattore di dimensione (box-counting)
n
d . Allora, se
f , g ,τ sono generici, m è una dimensione di “embedding” se

m > 2d

Nota bene: si tratta di una condizione sufficiente, piuttosto conservativa. E’ spesso

agevole trovare una dimensione di embedding più piccola, cioè d < m ≤ 2d .

In sostanza, il teorema garantisce che, se l’attrattore A ha bassa dimensione, allora può

essere ricostruito in uno spazio di “embedding” avente bassa dimensione.

Nota bene: tipicamente, quando si analizza una serie temporale, d non è noto a priori.
Ipotizzando che d sia piccolo (attrattore di bassa dimensione), una dimensione di
“embedding” deve essere trovata “per tentativi”.

C. Piccardi e F. Dercole – Politecnico di Milano – ver. 28/12/2009 13/15

Esempio: dati registrati da una reazione chimica (esperimento di Belousov-Zhabotinskii)

serie temporale m=2 m=3

m=3 è una dimensione di “embedding”, poiché la traiettoria ricostruita non presenta
auto-intersezioni.

Nota bene: per m > 3 , la valutazione dell’esistenza di auto-intersezioni non è più possibile
visivamente, ma esistono metodi numerici adatti a tale scopo (p.e. metodo dei falsi
vicini).

C. Piccardi e F. Dercole – Politecnico di Milano – ver. 28/12/2009 14/15

Nota bene: in teoria, (quasi) ogni valore del ritardo τ può essere utilizzato per la
ricostruzione dell’attrattore. In pratica, alcuni valori di τ funzionano meglio, da un punto
di vista numerico.

Esempio: ricostruzione dell’attrattore a partire da una serie temporale generata dalla

simulazione di un sistema di Lorenz

τ =5 τ = 51 τ = 915

Sono stati proposti vari metodi empirici per la scelta di τ , ad esempio:

• come primo zero della funzione di autocorrelazione di y (t ) (o altri valori specificati,
anziché lo zero: 1 / e , 0.5, 0.1)
• come frazione predefinita del periodo dominante, ricavato dallo spettro di potenza
• come primo minimo della funzione di mutua informazione di y (t )

C. Piccardi e F. Dercole – Politecnico di Milano – ver. 28/12/2009 15/15