Local: Centro de Inovação do Jaraguá
Resumo: A análise de séries temporais que modelam sistemas dinâmicos não lineares é um tema bastante explorado no meio científico, em função da ampla gama de aplicações das medidas de complexidade que são utilizadas para caracterização e estudo desses sistemas. Em particular, o caos é um dos comportamentos que podem ser observados em sistemas não-lineares a depender dos valores determinados para seus parâmetros e as condições iniciais estabelecidas. Por apresentar grande sensibilidade a essas condições, sua trajetória pode divergir exponencialmente com pequenas mudanças de parâmetros. Dessa forma, a identificação de regimes caóticos e a quantificação do grau de caoticidade são essenciais para determinar os limites dentro dos quais é possível realizar predições. Para efetuar essa caracterização, foi introduzido o conceito do Plano Causal de Complexidade-Entropia (CECP), capaz de detectar a complexidade subjacente de sistemas dinâmicos e extrair a estrutura da série temporal de acordo com o função de distribuição de probabilidade construída a partir de seus padrões ordinais. O algoritmo desta técnica é simples e tem a capacidade de distinguir entre sinais periódicos, caóticos e estocásticos. Entretanto, nessa abordagem, a avaliação é feita sobre séries temporais univariadas, não garantindo uma caracterização adequada para sistemas multivariados, visto que a técnica adotada desconsidera a correlação existente entre as séries componentes do sistema. Além disso, por só considerar os padrões ordinais intrínsecos às séries temporais, essa abordagem implica na perda de alguns detalhes de informações de amplitude da série original. Neste trabalho, é proposta uma abordagem multivariada do CECP para caracterização de sistemas dinânimos multidimensionais, por meio do Plano de Causal Multivariado de Complexidade-Entropia (MvCECP), cuja função de distribuição de probabilidade é também capaz de efetuar a identificação de subpadrões espaciais, tornando a abordagem sensível a mudanças de escala nos conjuntos de dados avaliados. Para assegurar a eficácia do método, é demonstrada sua capacidade de distinguir os comportamentos caótico, estocástico e periódico de sistemas multivariados, sendo ainda mais precisa que a abordagem univariada na caracterização da dinâmica caótica.
Palestrante: Givanildo Lima engenheiro de Computação formado pela UFAL, desenvolve pesquisa no Laboratório Orion na área de Teoria da Informação, além de ser ex-bolsista do programa de Iniciação Científica ao Mestrado (PICME). Obteve conclusão do ensino integrado (Médio ao Técnico) pelo IFAL - campus Maceió, com formação no curso técnico de eletrotécnica. Foi monitor de matemática no instituto entre 2012 e 2014, deixando o cargo em 2015 para se tornar bolsista da PROEX-IFAL, onde lecionou para alunos das redes estadual e municipal em treinamento para olimpíadas do conhecimento e para o exame de seleção do IFAL. Obteve premiações em olimpíadas científicas de âmbito estadual, nacional e internacional, além de premiações de excelência acadêmica pelas pesquisas desenvolvidas, além de ser contemplado com o prêmio de melhor trabalho de graduação do Brasil em 2023-2024 pela SBMAC.
