Ritmi Nascosti nei Dati: Come Sveliamo i Segreti Ciclici della Scienza

Avete mai guardato un grafico pieno di dati apparentemente caotici, magari proveniente da un esperimento scientifico o dall’osservazione di un fenomeno naturale, e vi siete chiesti se sotto quella superficie rumorosa si nascondesse un ordine, un ritmo segreto? Beh, questa è una domanda che affascina gli scienziati da secoli! Scoprire e modellare le periodicità nascoste nei dati scientifici non è solo un esercizio accademico; è una chiave fondamentale per estrarre informazioni preziose che altrimenti rimarrebbero inaccessibili. È un modo per capire meglio il mondo, fare previsioni e prendere decisioni basate su pattern che non saltano subito all’occhio.

Un Po’ di Storia: Dalle Eclissi Mancate ai Moderni Modelli

La ricerca di cicli e regolarità ha radici antichissime. Pensate agli astronomi cinesi Hi e Ho che, secondo la leggenda, persero la testa per non aver previsto un’eclissi solare millenni fa! O al più recente (ma comunque lontano!) crollo del Barometro Aziendale di Harvard nel 1929, incapace di prevedere il crollo di Wall Street. Come ci ricorda H.O.A. Wold in un saggio di oltre mezzo secolo fa, i cicli – dalle maree ai battiti cardiaci, dai fenomeni geofisici ai mercati finanziari – sono ovunque, e saperli interpretare è cruciale.
Per molto tempo, però, i nostri strumenti per “vedere” questi cicli nascosti nei dati erano piuttosto limitati. Ci si basava principalmente su due tipi di modelli:

• Un segnale periodico (come una sinusoide) sommato a del “rumore” casuale.
• La risposta di un sistema dinamico (come un pendolo smorzato) sollecitato da un segnale casuale, che produceva cicli apparenti ma non “veri” e stabili.

Il metodo principe per analizzare il primo modello era il periodogramma (essenzialmente, la trasformata di Fourier dei dati), nato alla fine dell’Ottocento. Funzionava bene per sinusoidi semplici immerse in rumore “bianco”, ma entrava in crisi con segnali più complessi o cicli multipli vicini tra loro. Per il secondo modello, si usavano tecniche come i modelli ARMA (Autoregressivi a Media Mobile). Ma mancava qualcosa, un modo per catturare una classe molto più ampia e sottile di periodicità.

La Svolta: Ciclo-stazionarietà e la Magia della Frazione di Tempo (FOT)

La vera rivoluzione, per come la vedo io, è iniziata a metà degli anni ’80 grazie al lavoro pionieristico di William A. Gardner (il secondo autore del lavoro originale su cui si basa questo articolo) e poi sviluppato insieme ad Antonio Napolitano (il primo autore). Hanno introdotto e approfondito concetti che hanno cambiato le regole del gioco: la ciclo-stazionarietà e le sue varianti (quasi-ciclo-stazionarietà, poli-ciclo-stazionarietà, etc.).
Cosa significa? In parole povere, invece di cercare solo cicli evidenti nel segnale “grezzo”, abbiamo iniziato a cercare periodicità nelle sue proprietà statistiche. Immaginate un segnale il cui valore medio è costante, la cui varianza è costante, ma la cui “coerenza” nel tempo (l’autocorrelazione) oscilla periodicamente. Questo segnale non è periodico in senso stretto, ma è ciclo-stazionario! La sua “struttura statistica” ha un ritmo.
L’altro pilastro di questa rivoluzione è un approccio probabilistico diverso, chiamato Probabilità basata sulla Frazione di Tempo (FOT). Sembra complicato, ma l’idea di fondo è potente e, per me, molto più adatta a tanti dati scientifici reali. Invece di basarsi sul concetto matematico di “processo stocastico”, che immagina un’infinità di possibili realizzazioni del nostro segnale (un “ensemble” o popolazione), la FOT costruisce la probabilità direttamente dall’unica serie temporale che abbiamo a disposizione, analizzando le frazioni di tempo in cui il segnale assume certi valori o proprietà. Questo è fondamentale quando studiamo fenomeni unici, come le macchie solari: non esiste un’intera popolazione di Soli identici da campionare! Abbiamo solo *quel* Sole e *quella* serie di dati. La FOT ci permette di fare inferenza statistica rigorosa su quella singola realtà.

Un Universo di Cicli: Ordini, Purezza e Irregolarità

La teoria della ciclo-stazionarietà basata sulla FOT apre un mondo. Possiamo caratterizzare periodicità non solo nella media (primo ordine) o nell’autocorrelazione (secondo ordine), ma anche in momenti statistici di ordine superiore (terzo, quarto, ecc.). Questo ci permette di scoprire cicli estremamente sottili, nascosti nelle pieghe più profonde dei dati.
Introduciamo anche la distinzione tra cicli “puri” e “impuri”. Un ciclo di secondo ordine (visibile nell’autocorrelazione) è “impuro” se deriva semplicemente dalla combinazione (battimento) di cicli già presenti nella media del segnale (primo ordine). È “puro” se emerge genuinamente a livello di secondo ordine, anche se la media è costante. Questa distinzione è cruciale perché i cicli puri spesso rivelano meccanismi fisici sottostanti che non sarebbero visibili altrimenti. È come distinguere l’armonia creata da due strumenti che suonano note diverse (impuro) da una nuova melodia ritmica suonata da uno strumento a percussione (puro).

Ma la natura, si sa, non è sempre perfettamente regolare. A volte i cicli non hanno un periodo fisso, ma sembrano accelerare o rallentare nel tempo. Pensate al battito cardiaco che varia con lo sforzo, o a certi fenomeni climatici. Questo fenomeno viene chiamato time-warping (distorsione temporale). Anche qui, la teoria ci viene in aiuto! Abbiamo sviluppato algoritmi capaci di “riconoscere” questa distorsione e, in un certo senso, di “raddrizzare” il tempo nel segnale, rivelando la periodicità regolare che si nascondeva sotto l’irregolarità apparente. È un po’ come avere una registrazione musicale su un nastro che si allunga e si restringe, e riuscire a ricostruire la melodia originale.

Il Caso delle Macchie Solari: Un Esempio Illuminante

Per farvi capire la potenza di questi strumenti, parliamo delle famose macchie solari. La serie storica del loro numero (Sunspot Number Time Series, SNTS) è un classico esempio di dati complessi, rumorosi e con ciclicità irregolari. È anche il perfetto candidato per l’approccio FOT, dato che, come dicevamo, di Sole ne abbiamo uno solo!
Applicando le tecniche di analisi della ciclo-stazionarietà e i metodi per gestire il time-warping a circa 200 anni di dati giornalieri sulle macchie solari (quasi 75.000 misurazioni!), abbiamo fatto scoperte affascinanti.

• Abbiamo confermato la presenza dei cicli “noti”: uno legato alla rotazione solare (con periodo medio intorno ai 27 giorni, anche se varia con la latitudine) e il famoso ciclo di attività solare di circa 11 anni.
• Ma la cosa più interessante è che abbiamo potuto modellare e quantificare l’irregolarità di questi cicli usando il concetto di time-warping. Abbiamo stimato la “funzione di distorsione temporale” per entrambi i cicli.
• Una volta “corretta” questa distorsione, applicando la procedura di de-warping, i picchi corrispondenti ai cicli nell’analisi statistica sono diventati molto più netti e precisi.
• E non è tutto! L’analisi della funzione di time-warping stessa ha rivelato indizi di ciclicità molto più lunghe, nell’ordine dei 130-200 anni (simili ai cicli di Gleissberg e de Vries/Suess, noti da studi indiretti), che descrivono come l’irregolarità stessa dei cicli più brevi varia nel tempo.

Questa è stata, a quanto ne sappiamo, la prima analisi di ciclo-stazionarietà completa applicata alle macchie solari, e la prima volta che si è riusciti a modellare matematicamente la loro complessa irregolarità ciclica in questo modo.

Conclusioni: Un Nuovo Sguardo sui Dati

Quello che abbiamo visto è più di un semplice insieme di tecniche matematiche. È un vero e proprio cambio di paradigma nel modo in cui analizziamo le serie temporali scientifiche alla ricerca di periodicità nascoste. L’accoppiata tra la teoria della ciclo-stazionarietà (nelle sue varie forme) e l’approccio probabilistico FOT ci fornisce strumenti incredibilmente potenti e flessibili, particolarmente adatti quando abbiamo a che fare con dati reali, spesso unici e non perfettamente regolari.
Abbiamo dimostrato, con l’esempio delle macchie solari ma anche con altri esempi teorici, come questi metodi possano rivelare strutture cicliche (pure o impure, regolari o irregolari) che sfuggirebbero completamente alle analisi tradizionali basate solo sullo spettro di potenza o sui modelli stocastici classici. Il fatto che la definizione di cumulante ciclico (una generalizzazione statistica) sia emersa naturalmente come soluzione a un problema empirico (isolare i cicli “puri”) è, secondo me, una testimonianza della profondità e dell’utilità di questo approccio.
Credo fermamente che adottare la probabilità FOT e la teoria della ciclo-stazionarietà possa davvero accelerare il progresso in molti campi scientifici dove l’analisi di dati temporali è cruciale, dall’astrofisica alla biologia, dall’ingegneria delle comunicazioni (dove ha già rivoluzionato alcuni settori) all’econometria. È un invito a guardare i dati con occhi nuovi, pronti a scoprire le complesse sinfonie ritmiche che spesso si celano sotto un’apparente casualità. La storia dell’analisi dei cicli, da Wold ai giorni nostri, continua, e questi strumenti ci aprono orizzonti davvero entusiasmanti.

Fonte: Springer