{"id":28969,"date":"2025-09-25T14:56:10","date_gmt":"2025-09-25T17:56:10","guid":{"rendered":"https:\/\/www.sbfisica.org.br\/v1\/sbf\/?p=28969"},"modified":"2025-09-25T15:04:05","modified_gmt":"2025-09-25T18:04:05","slug":"quantificando-a-desordem-em-dados-um-novo-metodo-cientifico","status":"publish","type":"post","link":"https:\/\/www.sbfisica.org.br\/v1\/sbf\/quantificando-a-desordem-em-dados-um-novo-metodo-cientifico\/","title":{"rendered":"Quantificando a desordem em dados: um novo m\u00e9todo cient\u00edfico"},"content":{"rendered":"\n

Os dados sobre paleoclimatologia, doen\u00e7as como Parkinson, Alzheimer ou transtornos como a esquizofrenia podem ter algo em comum? Um novo estudo, publicado em 26 de agosto na Physical Review Letters, mostra poss\u00edveis correla\u00e7\u00f5es de an\u00e1lises. A resposta est\u00e1 em um m\u00e9todo para quantificar a desordem em dados experimentais e observacionais, que pode ajudar desde a compreens\u00e3o de mudan\u00e7as clim\u00e1ticas no passado at\u00e9 a an\u00e1lise de sinais cerebrais. O artigo Quantifying Disorder in Data<\/a>  \u00e9 assinado por Sergio Roberto Lopes, Jo\u00e3o Vitor Vieira Flauzino e Thiago Lima Prado, da Universidade Federal do Paran\u00e1 (UFPR).<\/p>\n\n\n\n

A desordem \u00e9 um tema central em muitas \u00e1reas da ci\u00eancia, mas ainda \u00e9 um desafio descrev\u00ea-la de maneira rigorosa. Conjuntos de informa\u00e7\u00f5es curtos, comuns em registros de clima, biologia ou medicina, muitas vezes apresentam flutua\u00e7\u00f5es dif\u00edceis de distinguir, mesmo quando t\u00eam origens diferentes, pois s\u00e3o como processos ca\u00f3ticos ou estoc\u00e1sticos. O artigo prop\u00f5e uma solu\u00e7\u00e3o: usar a an\u00e1lise de microestados de recorr\u00eancia.<\/p>\n\n\n\n

\u201cMicroestados de recorr\u00eancia s\u00e3o quantificadores de como duas pequenas sequ\u00eancias de n\u00fameros (dois, tr\u00eas, quatro n\u00fameros) se repetem em um dado, numa s\u00e9rie temporal, por exemplo. V\u00e1rios desses pares de sequ\u00eancias s\u00e3o ent\u00e3o amostrados. De posse desses pares de sequ\u00eancias, calculam-se as probabilidades de ocorr\u00eancia de microestados de recorr\u00eancia. Ent\u00e3o o que voc\u00ea tem \u00e9 um conjunto de probabilidades de microestados de recorr\u00eancia\u201d, explica Lopes ao Boletim SBF<\/a><\/strong>.<\/p>\n\n\n\n

\n
\"\"
S\u00e9rgio Roberto Lopes<\/figcaption><\/figure>\n\n\n\n
\"\"
Thiago Lima Prado<\/figcaption><\/figure>\n\n\n\n
\"\"
Jo\u00e3o Flauzino<\/figcaption><\/figure>\n<\/figure>\n\n\n\n

Segundo ele, a grande quest\u00e3o \u00e9 como isso ajuda a diferenciar processos determin\u00edsticos e estoc\u00e1sticos. \u201cEsses microestados aparecem em grupos de simetrias. Por exemplo, para um sistema estoc\u00e1stico com distribui\u00e7\u00e3o uniforme e sem mem\u00f3ria, todos os elementos de cada grupo dever\u00e3o apresentar probabilidades de ocorr\u00eancias id\u00eanticas. Se isso n\u00e3o ocorre, seu dado n\u00e3o \u00e9 estoc\u00e1stico e de distribui\u00e7\u00e3o uniforme. Um segundo grupo de simetria est\u00e1 relacionado com a revers\u00e3o temporal. Em geral, sistemas estoc\u00e1sticos com ou sem mem\u00f3ria s\u00e3o revers\u00edveis no tempo, ou seja, podem ser analisados de frente para tr\u00e1s ou de tr\u00e1s para frente. Se as probabilidades se alteram nesse processo de an\u00e1lise, seu sistema \u00e9 ent\u00e3o determin\u00edstico, visto que nesses sistemas a regra para ir de A at\u00e9 B n\u00e3o \u00e9 a mesma de ir de B at\u00e9 A. O que fizemos no artigo foi criar um quantificador que mensura essas quebras de simetria. Assim o valor do quantificador traz uma rela\u00e7\u00e3o com as propriedades do sinal\u201d<\/p>\n\n\n\n

Esse avan\u00e7o tem uma vantagem pr\u00e1tica: funciona mesmo quando a s\u00e9rie temporal \u00e9 curta, como em muitos dados experimentais. \u201cEm geral, dados meteorol\u00f3gicos podem ser curtos, visto a escala temporal em que s\u00e3o coletados (dias ou na melhor das hip\u00f3teses horas). Mas podemos utilizar o m\u00e9todo em dados biol\u00f3gicos tamb\u00e9m, onde exames de coleta de informa\u00e7\u00e3o geralmente s\u00e3o de poucos minutos, gerando assim poucos dados\u201d, explica ele, por e-mail.<\/p>\n\n\n\n

Um dos testes apresentados no artigo envolveu registros paleoclim\u00e1ticos do Cenozoico, per\u00edodo que abrange os \u00faltimos 66 milh\u00f5es de anos. Os m\u00ednimos de desordem coincidiram com transi\u00e7\u00f5es importantes no clima desse intervalo. \u201cO ponto importante nessa detec\u00e7\u00e3o das transi\u00e7\u00f5es do Cenozoico \u00e9 que podemos inferir sobre a presen\u00e7a de \u2018mega-drivers\u2019 na din\u00e2mica, ou seja, um grande influenciador da din\u00e2mica. Por exemplo, um grande vulc\u00e3o jogando uma quantidade imensa de poeira no ar pode ser um mega-driver no comportamento do clima (local ou mesmo regional ou ainda para derrames colossais de poeira, mundial) nos meses p\u00f3s-erup\u00e7\u00e3o. Partindo dessa possibilidade, podemos conjecturar que o mesmo quantificador pode analisar a estacionariedade de um dado. Detectar essa perda de estacionariedade pode ser uma informa\u00e7\u00e3o relevante\u201d, explica o f\u00edsico.<\/p>\n\n\n\n

Al\u00e9m da paleoclimatologia, o m\u00e9todo pode iluminar outro desafio: o ru\u00eddo nos sistemas din\u00e2micos. \u201cO quantificador \u00e9 muito geral, e em muitas situa\u00e7\u00f5es a altera\u00e7\u00e3o do n\u00edvel de estocasticidade pode ser relevante. Por exemplo, em dados neuronais, algumas doen\u00e7as como Parkinson e Alzheimer ou transtornos como a esquizofrenia, o grau de estocasticidade de um exame simples como eletroencefalograma (EEG) pode trazer informa\u00e7\u00f5es importantes sobre a condi\u00e7\u00e3o neuronal, embora essas pesquisas ainda n\u00e3o possam ser usadas como pr\u00e9-diagn\u00f3sticos. Em um futuro, quando tivermos posse de muitos dados desses (e outros) exames, um processo de classifica\u00e7\u00e3o pode ser poss\u00edvel, incluindo classifica\u00e7\u00e3o por IA, baseada somente nesses quantificadores.\u201d<\/p>\n\n\n\n

Em termos t\u00e9cnicos, o m\u00e9todo mede a entropia da informa\u00e7\u00e3o sobre os microestados de recorr\u00eancia. Essa entropia funciona como um quantificador robusto, capaz de distinguir sinais ca\u00f3ticos, estoc\u00e1sticos correlacionados e n\u00e3o correlacionados. Mais do que separar ru\u00eddo de informa\u00e7\u00e3o, o processo pode apontar a contamina\u00e7\u00e3o crescente em s\u00e9ries de longo prazo. \u201cN\u00e3o acredito que possamos separar ru\u00eddo de informa\u00e7\u00e3o relevante, mas certamente podemos identificar o grau de contamina\u00e7\u00e3o e mesmo se esse \u00e9 crescente em uma determinada medida, por exemplo, uma coleta de dados longa na qual a presen\u00e7a de ru\u00eddo possa estar aumentando com o passar do tempo.\u201d<\/p>\n\n\n\n

Ao fundamentar a medida na simetria dos microestados de recorr\u00eancia e combin\u00e1-la \u00e0 entropia da informa\u00e7\u00e3o, o estudo oferece uma nova ferramenta para compreender fen\u00f4menos complexos. Dos registros geol\u00f3gicos aos exames cl\u00ednicos, a espiral de dados que conecta o passado da Terra \u00e0s incertezas do c\u00e9rebro humano agora pode ser analisada em busca de padr\u00f5es de desordem, que podem ser uma chave matem\u00e1tica que atravessa disciplinas.<\/p>\n\n\n\n

(Colaborou Roger Marzochi)<\/strong><\/p>\n","protected":false},"excerpt":{"rendered":"

Os dados sobre paleoclimatologia, doen\u00e7as como Parkinson, Alzheimer ou transtornos como a esquizofrenia podem ter algo em comum? Um novo estudo, publicado em 26 de agosto na Physical Review Letters, mostra poss\u00edveis correla\u00e7\u00f5es de an\u00e1lises. A resposta est\u00e1 em um m\u00e9todo para quantificar a desordem em dados experimentais e observacionais, que pode ajudar desde a […]<\/p>\n","protected":false},"author":12,"featured_media":28973,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[124],"tags":[1477,1475,1476,362,1022,1474],"class_list":["post-28969","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-destaque-em-fisica","tag-alzheimer","tag-paleoclimatologia","tag-parkinson","tag-physical-review-letters","tag-prl","tag-quantifying-disorder-in-data"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/www.sbfisica.org.br\/v1\/sbf\/wp-json\/wp\/v2\/posts\/28969","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sbfisica.org.br\/v1\/sbf\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sbfisica.org.br\/v1\/sbf\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sbfisica.org.br\/v1\/sbf\/wp-json\/wp\/v2\/users\/12"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sbfisica.org.br\/v1\/sbf\/wp-json\/wp\/v2\/comments?post=28969"}],"version-history":[{"count":2,"href":"https:\/\/www.sbfisica.org.br\/v1\/sbf\/wp-json\/wp\/v2\/posts\/28969\/revisions"}],"predecessor-version":[{"id":28976,"href":"https:\/\/www.sbfisica.org.br\/v1\/sbf\/wp-json\/wp\/v2\/posts\/28969\/revisions\/28976"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sbfisica.org.br\/v1\/sbf\/wp-json\/wp\/v2\/media\/28973"}],"wp:attachment":[{"href":"https:\/\/www.sbfisica.org.br\/v1\/sbf\/wp-json\/wp\/v2\/media?parent=28969"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sbfisica.org.br\/v1\/sbf\/wp-json\/wp\/v2\/categories?post=28969"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sbfisica.org.br\/v1\/sbf\/wp-json\/wp\/v2\/tags?post=28969"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}