Mutual information-entropy plane: a new quantifier space for time series analysis

En el estudio de los sistemas complejos, desde el parpadeo de un mercado de valores hasta el disparo de las neuronas en un cerebro, los científicos a menudo buscan formas de medir qué tan impredecible es un sistema y cuánto comparte con otro. Dos herramientas poderosas han ayudado durante mucho tiempo a los investigadores a navegar este terreno: la entropía y la información mutua. La entropía es una medida del desorden o la aleatoriedad; un reloj perfectamente predecible tiene una entropía baja, mientras que un sistema de puro ruido estático tiene una entropía alta. La información mutua, por otro lado, mide cuánto nos dicen dos sistemas diferentes el uno del otro. Si conocer el estado de un sistema le permite adivinar el estado de otro con alta precisión, comparten mucha información mutua. Durante décadas, los científicos han utilizado estas herramientas por separado, trazándolas en mapas para distinguir entre comportamientos ordenados, caóticos y aleatorios. Sin embargo, existía una brecha significativa: aunque estas herramientas podían describir el caos de un solo sistema o el vínculo entre dos sistemas, les costaba mostrar tanto la incertidumbre interna de un sistema como su conexión con otro al mismo tiempo, ni podían revelar fácilmente qué sistema estaba impulsando al otro.

Un equipo de investigadores de Argentina ha propuesto ahora una nueva forma de visualizar estas relaciones, creando un mapa bidimensional que combina estos conceptos en una sola imagen intuitiva. Al tomar la medida estándar del desorden y emparejarla con una medida de la información compartida, construyeron un plano donde cada punto cuenta una historia completa sobre un par de series temporales que interactúan. Este nuevo enfoque, que llaman el plano de la información mutua-entropía, permite a los científicos ver no solo qué tan caótico es un sistema o qué tan estrechamente está vinculado con un compañero, sino también determinar la dirección de la influencia entre ellos. Los investigadores probaron este método en tres tipos distintos de comportamiento: movimiento regular y predecible; movimiento caótico y determinista que parece aleatorio pero sigue reglas estrictas; y ruido puramente aleatorio. Encontraron que este nuevo mapa podía separar claramente estos diferentes comportamientos, incluso cuando compartían la misma cantidad de información, resolviendo un problema que los métodos anteriores no podían.

El núcleo de este nuevo método reside en cómo los investigadores organizaron sus datos. Tomaron la medida del desorden interno de un sistema y la colocaron en un eje, mientras que la medida de cuánta información compartía con un compañero se colocó en el otro. Cuando trazaron los resultados, surgió un patrón geomético claro. Los investigadores descubrieron que la distancia de un punto de datos respecto a una línea diagonal específica en el mapa revela algo profundo: el grado en que un sistema permanece independiente del otro. Si un punto se sitúa directamente sobre la línea, los dos sistemas están tan estrechamente acoplados que conocer uno explica completamente al otro. Si el punto se sitúa muy por debajo de la línea, significa que, aunque los sistemas puedan estar vinculados, una parte significativa del comportamiento de uno de ellos sigue siendo un misterio al observar el otro. Esta distancia vertical actúa como una medida directa de la "independencia de información", un concepto que era difícil de visualizar anteriormente.

Lo que hace que este descubrimiento sea particularmente poderoso es su capacidad para revelar la direccionalidad sin cálculos complejos. En muchos campos científicos, determinar si el sistema A causa cambios en el sistema B, o viceversa, requiere herramientas computacionales pesadas. Los investigadores demostraron que, al trazar ambos sistemas en este mismo mapa, la geometría misma revela el flujo de influencia. Si el sistema A impulsa al sistema B, el punto que representa a A estará más cerca de la línea diagonal que el punto que representa a B. Esta asimetría crea una flecha visual simple, que apunta del conductor al conducido, permitiendo a los investigadores ver la dirección del flujo de información simplemente mirando las posiciones relativas de los puntos. Es una forma de ver quién lidera y quién sigue en una danza de datos, sin necesidad de calcular los pasos de la danza misma.

Para demostrar la utilidad de su nuevo mapa, los investigadores simularon tres escenarios clásicos. Primero, observaron el movimiento regular y predecible, como un péndulo oscilando. Luego, examinaron sistemas caóticos, que son deterministas pero parecen aleatorios, como el famoso mapa logístico utilizado para modelar el crecimiento de la población. Finalmente, estudiaron el ruido blanco puro, que es completamente aleatorio. Luego crearon un segundo sistema para cada caso que era una mezcla del original y algo de ruido aleatorio, controlado por un factor de acoplamiento. A medida que ajustaban este factor, observaban cómo los puntos se movían a través de su nuevo mapa. Encontraron que, mientras la cantidad de información compartida aumentaba constantemente a medida que los sistemas se acoplaban más, la posición de los puntos en el mapa se mantenía distinta para cada tipo de dinámica. Los sistemas regulares, caóticos y aleatorios ocupaban regiones diferentes del plano, lo que permitía distinguirlos claramente. Este fue un hallazgo crucial porque los métodos anteriores a menudo tenían dificultades para distinguir los sistemas caóticos del ruido aleatorio cuando compartían niveles similares de información.

Los investigadores también demostraron que este método funciona para aplicaciones del mundo real donde la dirección importa. Al trazar la entropía del sistema impulsor contra la información compartida, y luego trazar la entropía del sistema resultante contra la misma información compartida, pudieron ver una división clara. El punto para el sistema impulsor se mantuvo más cerca de la línea de dependencia perfecta, mientras que el punto para el sistema resultante se alejó más. Este vacío visual confirmó que la información fluía en una dirección, del impulsor al receptor. Los investigadores señalaron que este enfoque ofrece una forma más directa y geométrica de entender estas relaciones en comparación con las técnicas más antiguas y computacionalmente más costosas.

Sin embargo, los autores advierten cuidadosamente sobre las limitaciones de su nueva herramienta. Como cualquier método que depende de patrones estadísticos, es sensible a cómo se preparan los datos. La forma en que se descomponen las series temporales, el tamaño de las ventanas utilizadas para el análisis y la cantidad de datos disponibles pueden desplazar la posición de los puntos en el mapa. Para conjuntos de datos muy cortos o ruidosos, el mapa podría perder algo de su nitidez, dificultando la distinción de diferencias sutiles. En estos casos, los investigadores sugieren tratar los resultados como tendencias generales en lugar de mediciones precisas. A pesar de estas restricciones, el nuevo plano proporciona un marco robusto para comparar dinámicas complejas. Ofrece una forma de caracterizar simultáneamente la incertidumbre interna de un sistema y su relación con otro, convirtiendo conceptos matemáticos abstractos en un paisaje visual que los investigadores pueden navegar con claridad.

Este trabajo representa un paso significativo hacia adelante en el análisis de sistemas complejos, ofreciendo una visión unificada de la incertidumbre y la conexión. Al combinar las medidas de desorden e información compartida en un solo espacio bidimensional, los investigadores han proporcionado una herramienta que es tanto intuitiva como poderosa. Permite a los científicos ver no solo qué tan caótico o aleatorio es un sistema, sino también cómo se relaciona con otros y en qué dirección fluye la influencia. Ya sea aplicado a mercados financieros, actividad cerebral o sistemas físicos, este nuevo mapa promete ayudar a los investigadores a desenredar la intrincada red de causa y efecto que define nuestro mundo complejo, convirtiendo patrones invisibles de información en una historia visual clara.