Submitted by (ana.araujo@ufrpe.br) on 2016-07-06T14:22:48Z No. of bitstreams: 1 Heliovanio Torres Bandeira.pdf: 959027 bytes, checksum: 9873348980adb3c73410a63f86c250d6 (MD5) / Made available in DSpace on 2016-07-06T14:22:48Z (GMT). No. of bitstreams: 1 Heliovanio Torres Bandeira.pdf: 959027 bytes, checksum: 9873348980adb3c73410a63f86c250d6 (MD5) Previous issue date: 2006-06-19 / Ionic channels are formed by one or few protein molecules found in biological membranes and constitute one of the possible ways for the transport of ions through these membranes. These proteins can assume different conformational open and closed states, phenomenon named ion channel kinetics. The transitions from one state to another are dependent on the potential energy barrier that separates them and can be controlled by electric field, ions, chemical substances and other physical agents. The dwell times in which the proteinchannel stays in one these conformational states have been modeled assuming that the process is Markovian. A chaotic model also was proposed for modeling the ion channel kinetics (LIEBOVITCH e TÓTH., 1991).In this work we use the R/S Hurst analysis to test the long-range correlation found in calcium-activated potassium channel kinetics in Leydig cells. The Hurst coefficient H, a parameter that show the memory existent in a kinetic process (NOGUEIRA et al., 1995), was calculated to a calcium-activated potassium channel in Leydig cells recording and it was equal to H = 0,66±0,044 (n=4), disclosing that the system presents a persistent memory. The R/S analysis when applied to the opening and closing dwell time series obtained from ion channel simulated data using a chaotic model was inadequate to describe the long-term correlation previously found in the experimental data. As conclusion, this work shows that: (i) really, opening and closing dwell times for the single calciumactivated potassium channel of Leydig cells present long-term correlation and (ii) the chaotic model, proposed by Liebovitch and Thót (1991), is not adequate to describe the memory found in the kinetic of this channel. / Canais iônicos são compostos de uma ou poucas moléculas de proteínas que se encontram nas membranas biológicas e constituem uma das vias possíveis para o transporte de íons através dessas membranas. Essas proteínas podem assumir diferentes estados conformacionais, abertos e fechados, fenômeno denominado de cinética de canais iônicos. As transições entre os estados cinéticos dos canais dependem das barreiras de energias potenciais que separam esses estados e, que podem ser controladas por campo elétrico, íons, substâncias químicas e outros agentes. Os tempos de permanências dos canais em cada um dos estados conformacionais têm sido modelados assumindo-se que este processo é markoviano. Um modelo caótico também foi proposto para modelar a cinética de canal iônico (LIEBOVITCH e TÓTH, 1991). Neste trabalho utilizamos a análise R/S de Hurst para testar a correlação de longo alcance (memória) na cinética de um canal para potássio ativado por cálcio em células de Leydig. O coeficiente de Hurst H, um parâmetro que mostra a memória existente em um processo cinético (NOGUEIRA et al., 1995), foi calculado para um registro de um canal para potássio ativado por cálcio e foi encontrado um valor de H = 0,66 ± 0,044 (n=4), evidenciando que o sistema apresenta uma memória persistente. A análise R/S aplicada à seqüência temporal de aberturas e fechamentos obtida para um canal iônico simulado por um modelo caótico mostrou que esse modelo é inadequado para descrever a correlação de longo alcance encontrada nos dados experimentais. Como conclusão, este trabalho mostra que: (i) tempos de permanência para aberturas e fechamentos do canal para potássio ativado por cálcio em células de Leydig apresentam correlação de longo alcance (memória);(ii) o modelo caótico, proposto por Liebovitch e Tóth (1991), é inadequado para descrever a memória encontrada na cinética do canal.

Séries temporais financeiras, como índices de mercado e preços de ativos, são produzidas por interações complexas dos agentes que participam do mercado. As propriedades fractais e multifractais destas séries fornecem evidências para detectar com antecedência a ocorrência de movimentos bruscos de mercado (crashes). Tais evidências são obtidas ao aplicar o conceito de Calor Específico Análogo C(q), proveniente da equivalência entre a Multifractalidade e Termodinâmica. Na proximidade de um crash, C(q) apresenta um ombro anômalo à direita de sua curva, enquanto que na ausência de um crash, possui o formato parecido com uma distribuição gaussiana. Com base neste comportamento, o presente trabalho propõe um novo indicador temporal IA(i), definido como a taxa de variação da área sob a curva de C(q). O indicador foi construído por intermédio de uma janela temporal de tamanho s que se movimenta ao longo da série, simulando a entrada de dados na série ao longo do tempo. A análise de IA(i) permite detectar com antecedência a ocorrência de grandes movimentos, como os famosos crashes de 1929 e 1987 para os índices Dow Jones, S&P500 e Nasdaq. Além disso, a análise simultânea de medidas como a Energia Livre, a Dimensão Multifractal e o Espectro Multifractal, sugerem que um crash de mercado se assemelha a uma transição de fase. A robustez do método para diferentes ativos e diferentes períodos de tempo, demonstra a importância dos resultados. Além disso, modelos estatísticos não lineares para a volatilidade foram empregados no trabalho para estudar grandes flutuações causadas por crashes e crises financeiras ao longo do tempo. / Financial time series such as market index and asset prices, are produced by complex interactions of agents that trade in the market. The fractal and multifractal properties of these series provides evidence for early detection of the occurrence of sudden market movements (crashes). This evidence is obtained by applying the concept of Analog Specific Heat C(q), from the equivalence between the Multifractal Analysis and Thermodynamics. In the vicinity of a crash, C(q) exhibits a shoulder at the right side of its curve, while in the absence of a crash, C(q) presents a form similar to a Gaussian distribution curve. Based on this behavior, it is proposed in this work a new temporal indicator IA(i) defined here as the area variation rate over the Specific Heat function. We have constructed the mentioned indicator from a window of data with the first points (size s), that moves throughout the series, simulating the actual input of data over time. The indicator IA(i) allows one detecting in advance the occurrence of large financial market movements, such as those occurred in 1929 and 1987 for the marked indexes Dow Jones, Nasdaq and S&P500. Moreover, the simultaneous analysis of measures such as the Free Energy, Multifractal Dimension and Multifractal Spectrum suggest that a market crash resembles a phase transition. The robustness of the method for others assets and different periods of time demonstrates the importance of the results. Moreover, nonlinear statistical models for volatility have been employed in the work to study large fluctuations caused by crashes and financial crises over time.

Séries temporais financeiras, como índices de mercado e preços de ativos, são produzidas por interações complexas dos agentes que participam do mercado. As propriedades fractais e multifractais destas séries fornecem evidências para detectar com antecedência a ocorrência de movimentos bruscos de mercado (crashes). Tais evidências são obtidas ao aplicar o conceito de Calor Específico Análogo C(q), proveniente da equivalência entre a Multifractalidade e Termodinâmica. Na proximidade de um crash, C(q) apresenta um ombro anômalo à direita de sua curva, enquanto que na ausência de um crash, possui o formato parecido com uma distribuição gaussiana. Com base neste comportamento, o presente trabalho propõe um novo indicador temporal IA(i), definido como a taxa de variação da área sob a curva de C(q). O indicador foi construído por intermédio de uma janela temporal de tamanho s que se movimenta ao longo da série, simulando a entrada de dados na série ao longo do tempo. A análise de IA(i) permite detectar com antecedência a ocorrência de grandes movimentos, como os famosos crashes de 1929 e 1987 para os índices Dow Jones, S&P500 e Nasdaq. Além disso, a análise simultânea de medidas como a Energia Livre, a Dimensão Multifractal e o Espectro Multifractal, sugerem que um crash de mercado se assemelha a uma transição de fase. A robustez do método para diferentes ativos e diferentes períodos de tempo, demonstra a importância dos resultados. Além disso, modelos estatísticos não lineares para a volatilidade foram empregados no trabalho para estudar grandes flutuações causadas por crashes e crises financeiras ao longo do tempo. / Financial time series such as market index and asset prices, are produced by complex interactions of agents that trade in the market. The fractal and multifractal properties of these series provides evidence for early detection of the occurrence of sudden market movements (crashes). This evidence is obtained by applying the concept of Analog Specific Heat C(q), from the equivalence between the Multifractal Analysis and Thermodynamics. In the vicinity of a crash, C(q) exhibits a shoulder at the right side of its curve, while in the absence of a crash, C(q) presents a form similar to a Gaussian distribution curve. Based on this behavior, it is proposed in this work a new temporal indicator IA(i) defined here as the area variation rate over the Specific Heat function. We have constructed the mentioned indicator from a window of data with the first points (size s), that moves throughout the series, simulating the actual input of data over time. The indicator IA(i) allows one detecting in advance the occurrence of large financial market movements, such as those occurred in 1929 and 1987 for the marked indexes Dow Jones, Nasdaq and S&P500. Moreover, the simultaneous analysis of measures such as the Free Energy, Multifractal Dimension and Multifractal Spectrum suggest that a market crash resembles a phase transition. The robustness of the method for others assets and different periods of time demonstrates the importance of the results. Moreover, nonlinear statistical models for volatility have been employed in the work to study large fluctuations caused by crashes and financial crises over time.