CENTRO DE INVESTIGACIÓN Y DE ESTUDIOS

AVANZADOS DEL IPN

DEPARTAMENTO DE INGENIERÍA ELÉCTRICA
SECCIÓN DE BIOELECTRÓNICA

Tecnologías Avanzadas en Bioinstrumentación

ANÁLISIS FRACTAL

Ortega Robles Emmanuel Daniel

22 de Febrero de 2011

CONTENIDO
1 OBJETIVOS 2
2 JUSTIFICACIÓN 2
3 INTRODUCCIÓN 2
4 ANTECEDENTES 3
5 GEOMETRÍA FRACTAL 5
5.1 CONCEPTO DE FRACTAL 5
5.2 DIMENSIÓN FRACTAL 6
5.3 ALGUNOS FRACTALES FAMOSOS 8
5.3.1 LOS CONJUNTOS DE JULIA 10
5.3.2 EL CONJUNTO DE MANDELBROT 12
5.4 PROPIEDADES DE UN FRACTAL 13
5.5 CLASIFICACIÓN DE LOS FRACTALES 13
6 UTILIDAD DE LOS FRACTALES 14
6.1 LOS FRACTALES EN LA NATURALEZA 14
6.2 APLICACIONES DE LOS FRACTALES EN LA CIENCIA Y 15
TECNOLOGÍA
7 ANÁLISIS FRACTAL 17
7.1 CONTEO DE CAJAS (BOX-COUNTING). 18
7.2 DIVISORES (MÉTODO DEL COMPÁS). 19
7.3 RELACIÓN ÁREA-PERÍMETRO. 20
7.4 MÉTODO “SLIT ISLAND” (SIM). 21

2
 7.5 AUTOSIMILARIDAD EN SERIES TEMPORALES O 22
ESPACIALES.
7.6 ANÁLISIS DE FLUCTUACIÓN SIN TENDENCIA (DFA) 23
7.7 ANÁLISIS DE IMÁGENES Y TEXTURA. 24
7.8 ANÁLISIS MULTIFRACTAL. 24
7.9 SOFTWARE PARA EL ANÁLISIS FRACTAL 25
8 CONCLUSIONES 26
9 REFERENCIAS 26

3
1 OBJETIVOS
Presentar la noción del concepto de fractal y las bases de la geometría
fractal.
Dar una breve explicación de algunos de los métodos de análisis fractal.
Mencionar algunas de las múltiples aplicaciones de los fractales y los
métodos de análisis basados en esta técnica.
Mostrar un panorama de la tendencia en la utilización de las
herramientas derivadas de la geometría fractal.

2 JUSTIFICACIÓN
Los métodos de análisis fractal han demostrado ser una herramienta con un
gran potencial para el estudio de datos y la obtención de información en
distintas ramas del conocimiento.

3 INTRODUCCIÓN
Cuando intentamos comprender y describir el mundo que nos rodea o cuando
atacamos un problema por vez primera generalmente tendemos a hacer
simplificaciones y desmenuzarlo en componentes de menor complejidad. Esta
forma de comenzar a entenderse con los fenómenos de la naturaleza es muy
útil tanto en la ciencia como en la vida cotidiana. Nos da en el mayor de los
casos modelos con una aproximación suficiente a la realidad con los cuales
poder trabajar para fines prácticos. Para qué complicarse más las cosas.

Sin embargo, poniéndonos más estrictos, las figuras comunes de la geometría

clásica o euclidiana no son las más adecuadas para generar formas complejas
como la hoja de un helecho o el perfil de una montaña (Figura 1). Su limitación
se debe a que tienden a perder su estructura cuando son ampliadas; un arco
de círculo se transforma poco a poco en una recta, la superficie de una esfera
se hace cada vez más plana. Esto no es precisamente lo que sucede con las
formas naturales. Por ejemplo, la superficie rugosa de una roca mantiene
prácticamente la misma complejidad a varios niveles de amplificación con el
microscopio. Si analizamos una parte de la roca, y dentro de ella otra más
pequeña, y así sucesivamente, no por ello nos parecerá cada vez más lisa [1].

4
 Figura 1: Simplificación de la naturaleza.

“Las nubes no son esferas, las montañas no son conos, las costas no son
círculos, y la corteza de los árboles no es lisa, ni los relámpagos viajan en una
línea recta”, reflexiona Benoît Mandelbrot, padre de la geometría fractal, en su
libro The Fractal Geometry of Nature [2].

Es entonces cuando nos preguntamos si hay otras formas de describir estas

entidades. Y por qué no describirlas por medio de cuerpos que lleven tal
propiedad de detalle al extremo; que mantengan sus propiedades y
características a cualquier escala. Cuerpos que si bien son mucho más
complicados que las figuras geométricas tradicionales, su construcción no
implica un procedimiento muy complicado.

A este tipo de formas geométricas que, entre otras propiedades, contienen una
imagen de sí mismas en cada una de sus partes, se les llama ahora fractales y
hace ya más de una década que inundaron el mundo científico con un conjunto
de nuevas reglas para enfrentarse con el reto de conocer y describir la
naturaleza [1].

4 ANTECEDENTES [3]
Karl Theodor Wilhelm Weierstrass (1815-1897)

Definió la primera curva que es continua en todo punto y

no es derivable o diferenciable en ninguno: la función de
Weierstrass. Está definida en la recta y toma valores
reales. De este modo, Weierstrass mostró que era falsa la
conjetura que circulaba en aquella época que afirmaba
que las funciones continuas eran diferenciables salvo en
puntos aislados [4]. Es la primera curva que puede ser
considerada como un fractal.

5
Georg Ferdinand Ludwig Philipp Cantor (1845-1918)

Fue un matemático alemán inventor, con Dedekind y

Frege, de la teoría de conjuntos, que es la base de las
matemáticas modernas [5]. Estableció una sucesión de
segmentos conocida como polvo de Cantor, un ejemplo
sencillo de fractal, mismo que ha resultado ser de gran
utilidad en el modelado de distintos fenómenos en
variadas áreas del conocimiento.

Aleksandr Mikhailovich Lyapunov (1857-1918)

Abrió el camino para el estudio de sistemas dinámicos.

Elaboró la teoría rigurosa moderna de la estabilidad de un
sistema y la del movimiento de un sistema mecánico a
partir de un número finito de parámetros. Partiendo de
dicha teoría se construyen los denominados fractales de
Markus-Lyapunov mapeando las regiones de estabilidad y
de comportamiento caótico de un sistema dinámico.[6][7]

Giuseppe Peano (1858-1932)

Fue un matemático y filósofo italiano, conocido por sus

contribuciones a la Teoría de conjuntos. Diseñó en 1890
una curva que, al desarrollarse, pasa por todos los puntos
del plano (curva de Peano) como un contraejemplo que
usó para mostrar que una curva continua no puede ser
encerrada en una región arbitrariamente pequeña. Éste
fue un ejemplo temprano de lo que se conoce como
fractal.[8]

Waclaw Sierpinski (1882-1969)

Matemático polaco con notables aportaciones a la teoría

de conjuntos, la teoría de números, la topología y la teoría
de funciones. Tres conocidos fractales llevan su nombre: el
triángulo de Sierpinski, la alfombra de Sierpinski y la curva
de Sierpinski.[9]

Niels Fabian Helge von Koch (1815-1897)

Fue un matemático sueco que escribió muchos artículos

sobre teoría de números y cuyo nombre se ha asignado a
una famosa curva llamada copo de nieve de Koch, una de
las primeras curvas fractales en ser descritas, en un
artículo del año 1904 titulado Acerca de una curva
continua que no posee tangentes y obtenida por los
métodos de la geometría elemental.[10]

6
Gaston Maurice Julia (1893-1978)

Julia fue un precursor en lo que hoy se conoce como

fractales. Fue el primero en estudiar el tema, y explicar
cómo a partir de cualquier función compleja se puede
fabricar, por medio de una sucesión definida por
inducción, un conjunto cuya frontera es imposible de
dibujar a pulso.
Su notoriedad culminó al ser publicado su artículo informe
sobre la iteración de las funciones racionales en la revista
francesa de matemáticas Journal de Mathématiques Pures
et Appliquées. [11]

Benoît Mandelbrot (1924-2010)

Principal creador de la Geometría Fractal (término que él

mismo acuñó), al referirse al impacto de esta disciplina en
la concepción e interpretación de los objetos que se
encuentran en la naturaleza. En 1982 publicó su libro
Fractal Geometry of Nature en el que explicaba sus
investigaciones en este campo.
Supo utilizar la herramienta que se estaba popularizando
en ésta época, el ordenador, para trazar los más conocidos
ejemplos de geometría fractal: el conjunto de Mandelbrot
por supuesto, así como los conjuntos de Julia descubiertos
por Gaston Julia quien inventó las matemáticas de los
fractales, desarrollados luego por Mandelbrot. [12]
5 GEOMETRÍA FRACTAL

5.1 CONCEPTO DE FRACTAL

Como se mencionó anteriormente, el término fractal fue introducido por

primera vez por el matemático Benoît Mandelbrot en 1975 y deriva del latín
fractus que significa quebrado o fracturado. [13]

Un fractal, según Mandelbrot, es un objeto semigeométrico cuya estructura

básica, fragmentada o irregular, se repite a diferentes escalas. [2] Se dice que
es semigeométrico pues resulta ser más complicado que un cuerpo geométrico
regular. A simple vista es un ente con bordes altamente irregulares y que a
distintas escalas de observación, parece conservar el mismo patrón, lo que le
confiere la propiedad de autosimilitud, la cual es una de las más importantes a
la hora de definir estas estructuras.

Es por esto que, adelantándonos un poco a definir puntualmente las

propiedades de los fractales, es necesario hablar sobre la autosimilitud. Según
B. Mandelbrot, un objeto es autosimilar o autosemejante si sus partes tienen la
misma forma o estructura que el todo, aunque pueden presentarse a diferente
escala y pueden estar ligeramente deformadas. [13] Esta propiedad puede

7
vislumbrarse muy claramente al observar uno de los fractales más famosos: el
triángulo de Sierpinski (Figura 2).

Figura 2: Triángulo de Sierpinski.

Como se puede notar, el triángulo de Sierpinski presenta una estructura

aparentemente simple, un triángulo compuesto por triángulos más pequeños;
pero pronto descubrimos que tanto si se observa en su escala total (cuadro
negro) como si disminuimos la escala y observamos cada una de las partes que
lo componen (cuadro azul), esta construcción sigue manteniéndose. Aún
disminuyendo la escala (cuadros verde y púrpura) descubrimos triángulos que
a su vez están formados por triángulos más pequeños y que son exactamente
iguales al original. Y esto, teóricamente, podría seguir infinitamente al
disminuir la escala. Cada porción del objeto tiene las mismas características
del objeto completo.

5.2 DIMENSIÓN FRACTAL

Establecer la dimensión de un objeto regular "a ojo" parece ser cosa fácil y
requiere tan sólo de un poco de sentido común. De esta forma decimos que un
punto es adimensional, un segmento de recta es unidimensional, que un
cuadrado es bidimensional y un cubo es tridimensional. Estamos
acostumbrados a ver la dimensión de un objeto como un número entero que
indica la cantidad de direcciones independientes o grados de libertad sobre los
que uno se puede mover en el espacio que contiene a dicho objeto, es decir, su
dimensión topológica. Sin embargo, a fin de estudiar los fractales, es necesario
encontrar una expresión matemática que nos permita caracterizar la
dimensión de un objeto de forma general.

8
Para tal fin, consideremos un segmento de recta de una unidad de longitud. Si
triplicamos su tamaño, esto es, lo expandimos con un factor de escala igual a
tres, obtenemos un segmento de recta de longitud tres el cual obviamente
contiene tres componentes congruentes, es decir, tres copias del segmento
original de longitud uno (Figura 3). Por razones que serán más claras
posteriormente, notamos que .
3 = 31

Ahora hacemos lo mismo con un cuadrado de área unitaria. Si lo expandimos

por un factor de escala tres, esto es, triplicamos la longitud de sus lados,
obtenemos un cuadrado cuya área es nueve veces mayor. En esta ocasión
tenemos nueve copias del cuadrado unitario original. Observemos que .
9 = 32

Finalmente expandimos un cubo de volumen unitario con un factor de escala

tres y obtenemos un cubo que consiste de 27 componentes congruentes. En
este caso, .
27 = 33

Figura 3: Concepto de dimensión.

Obsérvese que en cada uno de los tres casos mencionados, tenemos una
dimensión D, un factor de escala r y un número de componentes N, que
satisfacen la ecuación . Otros ejemplos de la validez de esta regla se
N = rD
muestran en la Figura 4, en donde un triángulo es expandido por un factor de

9
escala de 2, un cuadrado por un factor de 2.5 y un segmento de recta por uno
de .
2

Figura 4: Ejemplos de escalamiento.

Como se demuestra en la Figura 4, ni N ni r necesitan ser estrictamente

números enteros para que la ecuación sea válida. La dimensión D, en
N = rD
cambio, esperaríamos que fuese siempre entera.

Despejando D de la ecuación anterior obtenemos la expresión general que

estábamos buscando, misma que se conoce como dimensión de Hausdorff-
Besicovitch.

log N
D=
log r

Ahora veamos si es posible producir un objeto geométrico cuya expansión por

un factor r pueda ser dividida en N componentes de tal forma que su dimensión
no sea un número entero.

Nuestro primer ejemplo de dimensión fraccionaria puede ser hallado en la

arquitectura de un interesante objeto ideado en 1904 por el matemático sueco
Helge von Koch y que recibe el nombre de “copo de nieve de Koch”. Su
construcción empieza con un triángulo equilátero de lado unitario. Cada lado se
divide en tres partes iguales y se remplaza la parte central por dos segmentos
de igual longitud formando un ángulo de 60 grados. Luego, con la figura

10
resultante se procede de la misma manera en cada uno de sus lados y así
sucesivamente (Figura 5).

En este caso, a toda escala sobre la figura, cada lado de longitud L es dividido
en secciones de un tercio de extensión, l=L/3 (r=3), y en el proceso se generan
cuatro particiones de tamaño similar (N=4). Entonces, usando la fórmula de
Hausdorff-Besicovitch para caracterizar la dimensión de este peculiar objeto
obtenemos:
¡Un objeto con dimensión fraccional!
log 4
D= ≅ 1.2619
log 3

El resultado es desconcertante pero indiscutible, y es una evidencia más de la

singularidad de la forma geométrica que estudiamos. La dimensión de
Hausdorff definida de esta manera es una medida de la complejidad y
rugosidad del cuerpo, y nos da una idea de su extensión real en el espacio. El
copo de nieve de Koch cubre más espacio que una recta (D=1), pero menos
que un plano (D=2). Incluso se puede demostrar que su perímetro es infinito
aunque está confinado en un área bien determinada.

Figura 5: Construcción del “copo de nieve de Koch”.

5.3 ALGUNOS FRACTALES FAMOSOS

Otros "monstruos" matemáticos como la curva de Koch exhiben dimensiones

fraccionales distintas y cada uno de ellos tiene una dimensión de Hausdorff que
lo caracteriza.

11
Tal es el caso, por ejemplo, del triángulo de Sierpinski que es el resultado de
seccionar a toda escala un triángulo equilátero en cuatro particiones similares
cuyos lados son tan sólo la mitad de los de la figura original (r=2). Una vez
hecho esto se extrae la sección central, de forma que queden las tres partes de
los vértices (N=3), y sobre éstas se actúa de la misma manera, como se
muestra en la Figura 6.
Su dimensión de Hausdorff es entonces:
log 3
D= ≅ 1.585
log 2
De forma análoga puede construirse la carpeta de Sierpinski (Figura 6) si la
iteración consiste en dividir a todos los niveles un cuadrado en secciones de un
noveno de área (r=3), eliminando la participación del centro (N=8). Entiéndase
por iteración a la repetición de la misma operación o transformación a toda
escala.
La dimensión de esta figura es:
log 8
D= ≅ 1.893
log 3

Figura 6: Construcción del triángulo y la carpeta de Sierpinski.

Comparando los resultados obtenidos para las tres figuras estudiadas se hace
evidente que la dimensión de Hausdorff cuantifica hasta qué punto el objeto
cubre el espacio en el que se encuentra inscrito. Mientras la curva de Koch

12
malcubre el plano, D=1.263, la carpeta de Sierpinski, D=1.893, lo logra casi
completamente. [1]

De esta misma forma, aplicando una operación repetidamente sobre alguna

figura podemos obtener un sinnúmero de formas con dimensiones fractales.
Como ejemplos tenemos la greca fractal cuya construcción puede vislumbrarse
en la Figura 7 o el polvo de Cantor (Figura 8), mismo que es particularmente
útil como se verá más tarde.

log 8
D= ≅ 1.5
log 4
Figura 7: Greca fractal.

La construcción de éste último fractal, también llamado conjunto de Cantor,

resulta sencilla. Tomemos una línea recta de longitud uno. Dividamos ahora
esta línea en tres partes iguales y quitemos la parte central. Cada segmento
tiene ahora longitud de un tercio. Enseguida repetimos el mismo procedimiento
con cada uno de los segmentos restantes. Cada uno de los segmentos tiene
ahora una longitud de un noveno. Si se llevara a cabo este procedimiento un
número muy grande de veces, se llegaría a obtener un "polvo" formado de un
número extraordinariamente grande de segmentos, cada uno de longitud
pequeñísima.

Su dimensión de Hausdorff, que de ahora en adelante llamaremos dimensión

fractal, es:
log 2
D= ≅ 0.631
log 3

Figura 8: Polvo de Cantor.

En otras palabras, es más que una colección de puntos, pero menos que una
línea.

5.3.1 LOS CONJUNTOS DE JULIA

Los fractales también pueden ser generados en base a un número sobre el que
se hace una operación de forma recursiva. Esta operación puede ser, por

13
ejemplo, el elevar al cuadrado un número real lo cual se denotaría por la
expresión:
Z n +1 = Z n2
Así, tomando un número inicial , como ejemplo, se tendría la secuencia:
Z0 = 2
2, 4, 16, 256, 65536, … , ∞ en la que cada elemento de la serie es el cuadrado
de su antecesor. A esta secuencia de números que se genera se le denomina la
órbita de la iteración, y el punto al que se tiende a llegar (infinito, en este caso)
se le llama su atractor.

Por ejemplo, si escogemos como punto inicial , obtenemos la órbita:

Z 0 = 0.5
0.5, 0.25, 0.0625, 0.00390625, … , 0, en la que el atractor es cero.

Los conjuntos de Julia son una familia de fractales, que se obtienen al estudiar
el comportamiento de los números complejos al ser iterados por una función de
este tipo. Este trabajo fue desarrollado por dos matemáticos franceses, Gaston
Julia y Pierre Fatou, a principios de nuestro siglo. Sus resultados fueron la base
sobre la que se construyó la revolución fractal de los ochenta. En particular,
Benoît Mandelbrot recuperó su análisis sobre el comportamiento de los
números complejos cuando la iteración consiste en elevarlos al cuadrado y
sumar una constante al resultado, esto es:
Z n +1 = Z n2 + c
Donde c también es un número complejo.

Las órbitas que ahora se generan son secuencias de números complejos y sus
características dependen fundamentalmente de los valores del punto inicial Z0
del que se parte y la constante c seleccionada.

Desde 1906, Fatou había demostrado que para cada valor de c, la aplicación de
esta iteración sobre todos los puntos del plano complejo genera órbitas que en
su mayoría terminan en atractores que tienden a infinito, salvo para un
conjunto bien definido de puntos. En estos casos, la iteración tiende a órbitas
periódicas donde se repite la misma secuencia de números después de cierto
número de iteraciones o puntos que convergen hacia atractores finitos. A estos
puntos, cuya iteración no escapa a infinito, se les llama prisioneros, mientras
los otros son escapistas. El conjunto de todos los puntos prisioneros pertenecen
a lo que llamaremos el cuerpo de un conjunto de Julia.

Para localizar los puntos que conforman el conjunto de Julia para una constante
c dada, hay que recorrer el plano complejo buscando la frontera donde se pasa
de tener órbitas que se disparan a infinito, a la región donde esto ya no
sucede. Al efectuar este procedimiento con la ayuda de un ordenador y
colorear los puntos del plano de acuerdo con la velocidad con la que escapan o

14
convergen, se obtienen figuras de gran complejidad y belleza, como las que se
muestran en la Figura 9.

c = 0.32+0.043i c = 0.194+0.6557i

c = -0.12+ 0.66i c = -0.1565+1.0322i

c = 0.12+ 0.74i c = -0.1565+1.0322i

Figura 9: Conjuntos de Julia para distintos valores de la constante c.

5.3.2 EL CONJUNTO DE MANDELBROT

Del análisis de la Figura 9 se hace evidente que existen dos clases principales
de conjuntos de Julia; aquellos para los cuales el cuerpo está formado por una
sola pieza (el área del cuerpo se dice que es conexa) y otros en los que el
cuerpo está desmembrado en infinitas colecciones de puntos más o menos
aisladas (disconexa).

15
Benoît Mandelbrot, en la década de los setenta, fue el primero en localizar los
valores de la constante c que dan lugar a conjuntos de Julia conexos. Al hacerlo
se encontró con que esta colección de valores de c, que en su honor tiene el
nombre de conjunto de Mandelbrot, también tenía una estructura sorprendente
cuando se representaba en el plano complejo. [1]

Este conjunto se define así: [14]

 z0 = 0 (término inicial)
 , ∀c ∈ £
 zn +1 = zn + c (relación de inducción)
2

Existe otra manera de definir este conjunto: Es el conjunto de los complejos c

para los que el conjunto de Julia asociado a fc(z) = z² + c es conexo.

Figura 10: Conjunto de Mandelbrot. Cada imagen es una ampliación de la anterior.

Si representamos en negro los puntos para los que la órbita de las iteraciones
permanece acotada, y los puntos para los que esta órbita escapa se

16
representan de diferentes colores según la velocidad con que la órbita se va a
infinito, se obtienen las representaciones usuales del conjunto de Mandelbrot
(Figura 10).

Estas representaciones sugieren que su estructura es altamente compleja y

nos muestran la autosimilaridad a diferentes escalas de observación que si
bien no es exacta, se puede demostrar que sigue siendo isomorfa a la inicial.
Además de esta característica, el conjunto de Mandelbrot presenta otras
propiedades.

Es compacto, conexo y su complemento también es conexo.

Su interior consta de un conjunto numerable de componentes.
Su frontera tiene dimensión topológica 1 pero dimensión de Hausdorff 2,
la máxima posible al ser subconjunto del plano.
Los diferentes tipos de conjuntos de Julia se reparten en diferentes
regiones del conjunto de Mandelbrot.

5.4 PROPIEDADES DE UN FRACTAL

[13]
A un objeto geométrico fractal se le atribuyen las siguientes características:

Es demasiado irregular para ser descrito en términos geométricos

tradicionales.
Posee detalle a cualquier escala de observación.
Es autosimilar (exacta, aproximada o estadísticamente).
Su dimensión de Hausdorff-Besicovitch es estrictamente mayor que su
dimensión topológica.
Se define mediante un simple algoritmo recursivo.
No es diferenciable en ningún punto.

Es preciso mencionar que no basta con una sola de estas características para
definir un fractal. Por ejemplo, la recta real no se considera un fractal, pues a
pesar de ser un objeto autosimilar, carece del resto de las características
exigidas.

5.5 CLASIFICACIÓN DE LOS FRACTALES

[13]
Por su autosimilitud se pueden clasificar en:

Fractales con autosimilitud exacta. Este es el tipo más restrictivo de

autosimilitud. Exige que el fractal sea idéntico a diferentes escalas. A
menudo la encontramos en fractales definidos por sistemas de funciones
iteradas.

17
 Fractales con cuasiautosimilitud. Exige que el fractal parezca
aproximadamente idéntico a diferentes escalas. Los fractales de este
tipo contienen copias menores y distorsionadas de sí mismos.
Matemáticamente D.Sullivan definió el concepto de conjunto cuasiauto-
similar a partir del concepto de cuasi-isometría. Los fractales definidos
por relaciones de recurrencia son normalmente de este tipo.

Fractales con autosimilitud estadística. Es el tipo más débil de

autosimilitud; se exige que el fractal tenga medidas numéricas o
estadísticas que se preserven con el cambio de escala. Los fractales
aleatorios son ejemplos de fractales de este tipo.

También se pueden clasificar según el método con el cual se generan o su

construcción como:

Sistemas de funciones iteradas (IFS). Unos conjuntos se reemplazan

recursivamente por su imagen bajo un sistema de reglas. El conjunto de
Cantor, la alfombra de Sierpinski, el triángulo de Sierpinski, la curva de
Peano, la curva del dragón, el copo de nieve de Koch o la Esponja de
Menger, son algunos ejemplos.

Fractales de algoritmos de Escape. Definidos por una relación de

recurrencia en cada punto del espacio (por ejemplo, el plano complejo).
Dentro de este tipo de fractales encontramos el conjunto de Mandelbrot,
el conjunto de Julia y el fractal de Lyapunov.

Fractales aleatorios. Generados por procesos estocásticos, no

deterministas. Como ejemplo están el movimiento browniano, el vuelo
de Lévy, los paisajes fractales o los árboles brownianos.

6 UTILIDAD DE LOS FRACTALES

6.1 LOS FRACTALES EN LA NATURALEZA

Mandelbrot asegura que en la naturaleza existen muchos fenómenos de

carácter fractal, de hecho, muchos más de los que podemos imaginar: la
trayectoria que sigue una partícula que realiza movimiento browniano; la forma
de las cadenas montañosas, en las que si uno intentara medir su superficie,
encontraría valores infinitos; el perímetro de las costas que, al ir disminuyendo
la escala escogida para medirlo, su longitud tiende a infinito; la configuración
de los sistemas respiratorio, nervioso y circulatorio en los vertebrados; la
morfología de algunas plantas y animales (Figura 11). [15]

18
 Figura 11: Fractales naturales. Izquierda: Brócoli romanescu. Derecha: Hoja de
helecho.

En general, parece ser que dondequiera que un proceso irregular y caótico ha

dado forma al ambiente, se han generado geometrías fractales como las
costas, ríos, montañas, nubes, rocas, etc. que por su redundancia y falta de
regularidad poseen propiedades estructurales particulares.

Es importante señalar que los fractales que existen en la naturaleza tienden a

ser irregulares y son autosimilares sólo en sentido estadístico. Además, cuando
se amplifica una de las partes de un fractal natural, la propiedad de generar la
misma figura, o alguna similar, tiene límites inferiores y superiores. Por
ejemplo, al observar el perfil de una montaña, el tamaño de los objetos más
grandes está determinado por la fuerza de gravedad, mientras que la menor
escala de observación a la cual todavía se detectan los mismos detalles
depende de la acción de la erosión y, por supuesto, del tamaño de los átomos.
Los fractales son, en ese sentido, sólo una buena aproximación de la estructura
de las formas naturales.

6.2 APLICACIONES DE LOS FRACTALES EN LA CIENCIA Y LA

TECNOLOGÍA

Los fractales mostraron su utilidad por primera vez cuando se generó con ellos
un modelo simple para la aparición de ruido en ciertas líneas de transmisión en
sistemas de comunicación digital, esto es, la presencia de breves
interrupciones eléctricas que confunden y dificultan la comunicación, del tipo
de las que estamos acostumbrados a oír cuando hablamos por teléfono o
escuchamos el radio. [1] El análisis de las señales demostró que las
interrupciones aparecían por paquetes, pero dentro de estos paquetes se
distinguía una estructura intermitente, y dentro de ésta, más interrupciones
recurrentes, etc. Un registro gráfico de las interrupciones dio lugar a un patrón
fractal similar al conjunto de Cantor (Figura 8).

El polvo de Cantor es uno de los más famosos, a pesar de no ser tan atractivo
visualmente. Su estructura está detrás de varias cosas en el mundo real y así
se ha utilizado como modelo para representar desde la distribución de los

19
anillos de Saturno y las fluctuaciones en el precio del algodón a partir del siglo
pasado, hasta las variaciones que el nivel de las aguas del río Nilo ha
experimentado desde hace 2000 años. Más aún, cuando la idea que subyace
en la construcción de este conjunto se extiende a tres dimensiones, el patrón
que se genera coincide sorprendentemente con la distribución de estrellas y
galaxias en el universo.

En el área de las telecomunicaciones, los fractales han tenido también grandes

aportaciones. En los sistemas móviles de comunicaciones es de vital
importancia el uso racional del espacio. Sin embargo un elemento crucial del
sistema que utiliza mucho de ese espacio es la antena. Una solución
inesperada para este problema fue construir antenas fractales, las cuales son
más compactas y tienen ciertas propiedades que las hacen preferibles a las
antenas tradicionales. [16]

Las propiedades de los fractales se aprovechan en la construcción de antenas

que pueden obtener anchos de banda de 10 a 40% de la frecuencia central
superiores a las antenas clásicas, que van de 10% a 20%, patrones de
radiación estables y gran número de bandas determinado por el número de
iteraciones del fractal. [17]

Las primeras antenas diseñadas, fueron arreglos planos y lineales tipo fractales
delgados, organizando los elementos en un patrón Fractal para reducir el
número de elementos en el arreglo y obtener antenas de banda ancha o
desempeño en múltiples bandas. Actualmente se está trabajando con curvas y
objetos fractales como los triángulos de Sierpinski, árboles fractales, curvas e
islas de Koch, entre otras (Figura 12) que minimicen el área de la antena,
aprovechando su capacidad natural multibanda.

Figura 12: Antenas fractales. De izquierda a derecha: Antena fractal para teléfono
móvil inspirada en la distribución de Cantor; respuesta en frecuencia de dicha antena;
antena fractal inspirada en la curva de Koch.

20
Se han utilizado técnicas derivadas de la teoría de fractales en la compresión
de imágenes, música, video y datos en general.[13]

Comprimir la imagen de un objeto autosemejante como el helecho de la Figura

13 no es difícil. Haciendo uso del teorema del collage, debemos encontrar un
IFS o conjunto de transformaciones que lleva la figura completa (en negro) en
cada una de sus partes autosemejantes (rojo, azul celeste y azul marino). La
información sobre la imagen quedará codificada en el IFS, y la aplicación
reiterada de dichas transformaciones permite obtener la imagen procesada en
cuestión.

Figura 13: Imagen autosemenjante de un helecho.

Pero el enfoque anterior plantea problemas con muchas imágenes reales ya
que no esperamos, por ejemplo, que la imagen de un gato presente pequeños
gatitos distorsionados sobre sí mismo. Para solventarlo, en 1989 Arnaud
Jacquin creó el esquema de sistemas de funciones iteradas particionadas. En él
se subdivide la imagen mediante una partición y para cada región resultante se
busca otra región similar a la primera bajo las transformaciones apropiadas. El
esquema resultante es un sistema de compresión con pérdidas, de tiempo
asimétrico. Lamentablemente aún se tarda mucho en encontrar las
transformaciones que definen la imagen. No obstante, una vez encontradas, la
descodificación es muy rápida. La compresión, aunque dependa de muchos
factores, suele ser equiparable a la compresión JPEG.

Algunos otros ejemplos de las numerosas aplicaciones que se le ha dado a los

fractales se muestran en la Tabla 1.

Tabla 1:Aplicaciones de los fractales.

Área del Aplicación
conocimiento
Comunicaciones Modelado del tráfico en redes.
Informática Técnicas de compresión (imágenes, audio y vídeo).
Robótica Robots fractales.

21
Infografía y Paisajes fractales y otros objetos.
artes plásticas
Biología Crecimiento tejidos, organización celular, evolución de
poblaciones.
Música Composición musical.
Física Transiciones de fase en magnetismo, modelado de
sistemas dinámicos.
Química Agregación por difusión limitada.
Geología Análisis de patrones sísmicos. Fenómenos de erosión.
Modelos de formaciones geológicas.
Economía Análisis bursátil y de mercado. Filosofía de la fábrica
fractal.

7 ANÁLISIS FRACTAL
Derivados de la matemática fractal, han surgido un gran número de métodos
para analizar las propiedades fractales de fenómenos naturales, resultados de
experimentos, imágenes y en general datos en los que se investiga si tienen o
no, y si lo tienen, en qué medida, el comportamiento de un fractal, es decir, se
analiza su dimensión fractal. Algunos de estos métodos, mismos que se
presentan en este trabajo, son:[18]

Conteo de cajas (Box-Counting).

Divisores (método del compás).
Relación área-perímetro.
Método “slit island” (SIM).
Autosimilaridad en series temporales o espaciales.
Análisis de fluctuación sin tendencia (DFA)
Análisis de imágenes y textura.
Análisis multifractal.
7.1 CONTEO DE CAJAS (BOX-COUNTING).

Este es uno de los métodos más utilizados para calcular la dimensión fractal de
objetos en una imagen por su sencillez y fácil implementación en un
ordenador.

Para calcular la dimensión de un objeto fractal, que bien puede ser la imagen
de una costa, imaginemos que sobre la imagen se extiende una malla
uniformemente espaciada y contemos cuántas cajas se requieren para cubrir el
conjunto[19], como se muestra en la Figura 14. La dimensión fractal de éste
objeto se calcula viendo cómo cambia éste número al ir haciendo la malla más
y más fina.

22
Figura 14: Método de conteo de cajas aplicado para calcular la dimensión fractal de la
costa de Inglaterra.

De esta forma, suponga que es el número de cajas de longitud

N(ε) ε

requeridas para cubrir el conjunto, entonces su dimensión fractal se define

conforme a la fórmula de Minkowski–Bouligand como sigue:
log N ( ε )
D = lim
ε →0 log ( 1/ ε )

1/ log[N
N log[1/ε ]
ε ]
1.07 0.477121
12 3
92 255
1.44 0.778151
28 6
72 25
1.88 1.079181
77 12
65 246
15 2.19 1.380211
24
7 59 242
37 2.57 1.681241
48
4 29 237

D= 1.241
Figura 15: Cálculo de la dimensión fractal de la costa de Inglaterra.
Así, para la imagen de la Figura 14, se registra el número de cajas que
contienen una parte de la costa de Inglaterra (N) y la longitud de las cajas (ε ),
al ir haciendo estas últimas cada vez más pequeñas. Se calcula el logaritmo de
estos dos valores y se puede observar que guarda una relación lineal, como se
aprecia en la Figura 15. La pendiente de la recta será la dimensión fractal
buscada. En este caso y en muchos más en los que no se forma una recta
perfecta, se toma la pendiente de la recta que más se acerca a los puntos
obtenidos, ya sea por mínimos cuadrados o cualquier otro criterio.

23
Cabe notar que existen otras variantes de este método que utilizan en lugar de
cajas, el máximo número de discos de radio r centrados en el conjunto, en este
caso, cuyo centro se encuentra sobre la costa (Figura 16-centro), o el mínimo
número de discos que cubren el conjunto (Figura 16-izquierda).

Figura 16: Otras variantes del método de conteo de cajas.

7.2 DIVISORES (MÉTODO DEL COMPÁS).

Otro método muy extendido y claramente emparentado con el conteo de cajas

es el método de divisores o del compás (Compass o ruler method). Se utiliza
habitualmente para medir la dimensión fractal de perímetros. [20] Mandelbrot
hizo popular los fractales utilizando este método en un artículo titulado
¿Cuánto mide la costa de Gran Bretaña?

Figura 17: Método del compás aplicado para calcular la dimensión fractal de la costa
de Inglaterra.
Obsérvese la isla de la Figura 17. En el caso de la izquierda se ha medido la
longitud de la costa utilizando una medida o regla de menor tamaño con
respecto del caso del centro y éste último con respecto del caso de la derecha.
La longitud medida depende obviamente del tamaño de la regla.

24
El método del compás consiste en mover una regla de longitud δ a lo largo de
la curva. La longitud estimada de dicha curva será el producto del número de
pasos N de tamaño delta necesarios para cubrir la costa, esto es, .
L = Nδ
Valores de delta inferiores darán longitudes mayores; a medida que nuestra
regla se hace más y más pequeña, añadimos más detalles y la longitud medida
de la costa crece.

La dimensión fractal es estimada midiendo la longitud L a diferentes valores de

escala δ mediante la siguiente relación:

log ( L )
D = lim
δ →0 log ( 1/ δ )

7.3 RELACIÓN ÁREA-PERÍMETRO.

El método de área-perímetro es utilizado generalmente para estimar la

dimensión fractal de objetos completos, y no sólo su perímetro. Dependiendo
de los objetivos del análisis, existen tres enfoques posibles: el método basado
en el perímetro, para determinar la medida en que el perímetro de la isla, es
decir, del objeto a analizar, llena el plano; basado en el área, para determinar
la medida en que la propia isla llena el plano; y basada en el paisaje (islas
divididas en diferentes tipos), para comparar la complejidad de las islas. Estos
métodos se pueden utilizar para determinar la dimensión fractal de un
conjunto de islas o para cada isla.[18]

El enfoque de la dimensión fractal perimetral mide el grado en el que el

perímetro de la o las islas llenan el plano. La relación perímetro-área de un
conjunto de islas está dada por:
D
P = kA 2

Donde el área A es el número de pixeles que conforman el objeto dado, el

perímetro P es el número de pixeles en la frontera de la isla, k es una constante
de escalamiento y D es la dimensión fractal, misma que se determina mediante
la pendiente de la gráfica de los logaritmos del área contra perímetro.

El enfoque de la dimensión fractal del área cuantifica la proporción del plano

que es ocupada por un objeto. Esta dimensión puede ser medida como:
log A
D=
log L
Donde L es la longitud máxima horizontal o vertical de la isla en pixeles, y A es
el número total de pixeles que conforman la isla. Así, una isla cuadrada de n× n

25
(A=n2, L=n), llena completamente el plano bidimensional ( ),
D = log n 2 / log n = 2
mientras que para una isla rectangular de longitud n y ancho unitario (A=n× 1,
L=n), es decir, una línea recta, .
D = log n / log n = 1

7.4 MÉTODO “SLIT ISLAND” (SIM).

El método slit-island o método de las islas emplea una relación de perímetro-

área para determinar la dimensión fractal de imágenes en las que se
distinguen múltiples islas u objetos fracturados. Se ha utilizado en gran medida
en la evaluación de la dimensión fractal de superficies fracturadas en metales
como el acero y otros materiales como las cerámicas.[21]

Los perímetros y áreas de las islas son medidos con cajas de longitud E de
forma muy parecida al método del conteo de cajas, contando cuántas cajas son
necesarias para cubrir la isla en su totalidad, en el caso del área, y cuántas
cajas tocan el contorno de la misma, en el caso del perímetro. Como se puede
prever, el tamaño de la caja de conteo E se va haciendo cada vez más pequeño
pero en este caso la dimensión fractal se determina mediante la siguiente
ecuación que relaciona el área de la isla con su perímetro:
A / E 2 = I / E 2 + 0.5P / E
Donde el término corresponde al área de la isla, es el número de
2 2
A/ E I /E
cajas dentro de la frontera y es la mitad del número de cajas sobre la
0.5 P / E
frontera del objeto a analizar. E, como ya se mencionó, es el tamaño de la caja
en pixeles usada para contar.

De esta forma se tiene que:

( A/ E )
1 1
2 2
∝ (P / E ) D

Así, la dimensión fractal D puede ser obtenida con la pendiente de la recta

resultante al graficar el logaritmo de contra el logaritmo de , a
A/E2 P/E
distintos tamaños de E, como se ilustra en la Figura 18.

26
Figura 18: Estimación de la dimensión fractal con el método SIM para fracturas en una
aleción metálica HS-21.

7.5 AUTOSIMILARIDAD EN SERIES TEMPORALES O ESPACIALES.

El concepto de un objeto fractal, que carece de una escala de longitud

característica, se puede extender al análisis de los complejos procesos
temporales. Sin embargo, un reto en la detección y cuantificación de la
dimensión fractal en las series temporales es que a pesar de que este tipo de
series se suelen representar en un plano bidimensional, en realidad dependen
de dos variables físicas distintas. Por ejemplo, en la Figura 19-a, el eje
horizontal representa el tiempo, mientras que el eje vertical representa el valor
de la variable que cambia con el tiempo, en este caso, la frecuencia cardíaca.
Estos dos ejes tienen unidades físicas independientes: minutos y latidos por
minuto, respectivamente. Incluso en los casos en los que los dos ejes de una
serie en el tiempo tienen las mismas unidades, su significado físico sigue
siendo diferente. Esta situación es diferente a la de las curvas geométricas
tales como las costas y cordilleras, donde ambos ejes representan una misma
magnitud física.[22]

27
 Figura 19: Autosimilaridad en series temporales.

Para determinar si una curva dependiente del tiempo es auto-similar, podemos

hacer la siguiente prueba: tomemos un subconjunto del objeto y escalémoslo al
mismo tamaño del objeto original, utilizando el mismo factor de aumento,
tanto para el ancho como para el alto, y luego comparemos las propiedades
estadísticas del objeto escalado con las del objeto original (media, varianza,
desviación estándar, etc.).

En la práctica, para determinar la dimensión fractal de una serie temporal para

un intervalo de tiempo dado, éste se divide en subconjuntos del mismo
tamaño, es decir, en ventanas de observación más pequeñas a las que se les
analiza alguna propiedad estadística, que generalmente es la desviación
estándar. Para obtener una buena aproximación de la característica estadística
a ésta escala de la ventana, se promedian todos los valores individuales de la
propiedad en cuestión para cada subconjunto. Este procedimiento se repite
para diferentes tamaños de la ventana y la dimensión fractal se estima
mediante la pendiente α de la curva resultante de graficar el logaritmo de la
propiedad estadística contra el logaritmo del factor de escala de la ventana,
como se puede apreciar en la Figura 19-d.

Para este caso en particular, donde s es la desviación

D = α = log s / log n
estándar y n es el tamaño del subintervalo de tiempo de la ventana de
observación.

28
7.6 ANÁLISIS DE FLUCTUACIÓN SIN TENDENCIA (DFA)

Una definición simplificada y general caracteriza a una serie en el tiempo como

estacionaria si su media, desviación estándar, funciones de correlación u otras
propiedades permanecen invariantes bajo una traslación en el tiempo. Las
señales que no obedecen estas condiciones se denominan no estacionarias.[22]

Para éste último tipo de señales, el análisis expuesto en el apartado 7.5

obviamente no funciona. Es por esto que se desarrolló el análisis de fluctuación
sin tendencia o DFA, por sus siglas en inglés (detrended fluctuation analysis).

Figura 20: Algoritmo del método DFA.

En éste método se divide la señal original en cajas o ventanas de longitud n.

Para cada ventana se dibuja la recta que más se ajusta a los valores de la
curva por el método de mínimos cuadrados. Ésta recta representa la tendencia
de los valores dentro de la ventana (Figura 20). Posteriormente se calcula la
magnitud de la fluctuación de los valores dentro de dicha ventana mediante la
siguiente ecuación:
N
1
F ( n) = ∑  y ( k ) − y ( k )
2
n
N k =1

Este cálculo se repite en todas las escalas temporales (diferentes tamaños de

la ventana) para proporcionar una relación entre F(n) y el tamaño del intervalo
n. Típicamente esta relación nos da la dimensión fractal, misma que está dada
por:
log F ( n )
D=
log n
7.7 ANÁLISIS DE IMÁGENES Y TEXTURA.

29
En éste método una imagen, la cual se supone tiene una textura, es
interpretada como un terreno en tres dimensiones, en donde cada coordenada
x,y de la imagen tiene una tercera dimensión asociada z que representa la
intensidad de color del pixel.[18]

Posteriormente se realiza un procedimiento muy similar al del método de

conteo de cajas, descrito en el apartado 7.1, sólo que en este caso en lugar de
dividir la imagen con cajas bidimensionales, se tendrá que el terreno
tridimensional es dividido en cubos de tamaño ε (Figura 21). Se cuentan el
número de cubos N que engloban el terreno a analizar y se relaciona el
logaritmo de ésta cantidad con el logaritmo del tamaño de los cubos. De igual
forma, la magnitud ε se hace variar. La dimensión fractal se estima con la
ecuación de Minkowski–Bouligand.

Figura 21: Método de conteo de cajas modificado para imágenes con textura.

7.8 ANÁLISIS MULTIFRACTAL.

Cuando se aplica la caracterización fractal a imágenes, suele ocurrir que la

entidad a estudiar presenta las intensidades que la forman distribuidas en un
intervalo de nivel de grises suficientemente amplio para no poder ser
caracterizado adecuadamente con una única dimensión fractal. Para poder
analizar correctamente esta situación se dispone de la caracterización
multifractal.[23][24]

Esta metodología de análisis divide el intervalo de intensidades a analizar en

diferentes subintervalos, para cada uno de estos se realiza la correspondiente
caracterización fractal utilizando el método del conteo de cajas. Ahora se

30
obtiene como resultado una representación de las dimensiones fractales
obtenidas frente a las intensidades correspondientes.

En esta caracterización se pueden realizar múltiples análisis, pero es primordial

asignar un significado a la intensidad observada en la imagen. Puede
representar densidad, temperatura, altura, módulo de la velocidad o cualquier
parámetro físico de interés relacionado con la estructura espacial autosimilar
de la imagen. Para cada una de estas situaciones podemos hablar de la
complejidad observada en función de la intensidad de la magnitud
caracterizada y usar la dimensión fractal para describir la geometría reflejada
en la imagen por los procesos físicos inherentes.

Figura 22: Cálculo de la dimensión multifractal mediante el software especializado

ImaCalc de la imagen satelital de un vórtice oceánico.

7.9 SOFTWARE PARA EL ANÁLISIS FRACTAL

Existen un gran número de programas computacionales para el análisis de

imágenes y datos que incluyen herramientas o están destinados para el
estudio de su dimensión fractal por diversos métodos como los comentados en
los apartados anteriores.

Algunos de estos programas se enlistan a continuación:

HarFA
FracLab
Fractalyse

31
 FracTop
Fractal3e
ImaCalc
Kindratenko
SimuLab
FracLac (módulos para ImageJ)
8 CONCLUSIONES
El estudio de los fractales así como de los métodos de análisis fractal sigue en
desarrollo y aplicándose cada vez en un mayor número de ramas del
conocimiento.

Al igual que con otras técnicas de análisis de datos tales como el análisis en
frecuencia por transformada de Fourier, Wavelets o análisis estadísticos, es
importante conocer este tipo de herramientas para tener un panorama más
amplio a la hora de enfrentarnos a la resolución de un problema.

9 REFERENCIAS
[1] Talanquer, V. Fractus, Fracta, Fractal. Fractales, de laberintos y espejos.
Fondo de Cultura Económica. México, 1996.
[2] Mandelbrot, B. The Fractal Geometry of Nature. W. H. Freeman and
Company. New York, 1977.
[3] Historia de los Fractales. Recuperado el 20 de febrero de 2011 de
http://www.geometriafractal.com/protagonistes.htm.
[4] Función de Weierstrass. Recuperado el 20 de febrero de 2011 de
http://es.wikipedia.org/wiki/Funci%C3%B3n_de_Weierstrass.
[5] Georg Cantor. Recuperado el 20 de febrero de 2011 de
http://es.wikipedia.org/wiki/Georg_Cantor.
[6] Aleksandr Liapunov. Recuperado el 20 de febrero de 2011 de
http://es.wikipedia.org/wiki/Aleksandr_Liapunov.
[7] Lyapunov fractal. Recuperado el 20 de febrero de 2011 de
http://en.wikipedia.org/wiki/Lyapunov_fractal.
[8] Giuseppe Peano. Recuperado el 20 de febrero de 2011 de
http://es.wikipedia.org/wiki/Giuseppe_Peano.
[9] Wacław Sierpiński. Recuperado el 20 de febrero de 2011 de
http://es.wikipedia.org/wiki/Wac%C5%82aw_Sierpi%C5%84ski.
[10]Helge von Koch. Recuperado el 20 de febrero de 2011 de
http://es.wikipedia.org/wiki/Helge_von_Koch.
[11]Gaston Julia. Recuperado el 20 de febrero de 2011 de
http://es.wikipedia.org/wiki/Gaston_Julia.
[12]Benoît Mandelbrot. Recuperado el 20 de febrero de 2011 de
http://es.wikipedia.org/wiki/Beno%C3%AEt_Mandelbrot.
[13]Fractal. Recuperado el 20 de febrero de 2011 de
http://es.wikipedia.org/wiki/Fractal.
[14]Conjunto de Mandelbrot. Recuperado el 20 de febrero de 2011 de
http://es.wikipedia.org/wiki/Conjunto_de_Mandelbrot.

32
[15]Braun, E. Caos, fractales y cosas raras. Fondo de Cultura Económica.
México, 1996.
[16]Mocencahua, D. Antenas Fractales. Facultad de Ciencias de la
Electrónica. Benemérita Universidad Autónoma de Puebla. Segundo
Congreso Nacional de Electrónica. 2002.
[17]Montoya, A. Antenas fractales: un paso en la evolución de las
telecomunicaciones. Universidad de Antioquia. Medellín, Colombia.
[18]Santacruz, C.; Santacruz, V.; Chanona, J.; Jaramillo, E.; Welti, J.;
Gutierrez, G. Fractal Theory Applied to Food Science. Encyclopedia of
Agricultural, Food, and Biological Engineering. 2007, 1-13.
[19]Minkowski–Bouligand dimensión. Recuperado el 20 de febrero de 2011
de http://en.wikipedia.org/wiki/Minkowski
%E2%80%93Bouligand_dimension
[20]Contaje por cajas (Box-countig). Recuperado el 20 de febrero de 2011
de http://www.dmae.upm.es/cursofractales/capitulo8/1.html
[21]Kayama, A.; Tanaka, M.; Kato, R. Application of slit island method to the
evaluation of the fractal dimension of the grain-boundary fracture in
high-temperature creep. Journal of Materials Science Letters. 2000, 565-
567.
[22]Fractal Mechanisms in Neural Control. Recuperado el 20 de febrero de
2011 de http://www.physionet.org/tutorials/fmnc/
[23]Platónov, A. Aplicación de imágenes de satélite SAR en los estudios de
contaminación marina y de dinámica de las aguas en el mediterráneo
noroccidental. Universidad Politécnica de Cataluña. 2002, 58-64.
[24]Harte, D. Multifractals. Theory and applications. Chapman & Hall/CRC
Press. EUA, 2001.
[25]Gálvez, E. Análisis Fractal del Mercado de Valores de México (1978-
2004). Escuela Superior de Comercio y Administración del IPN. México,
2005.
[26]Hinojosa, M.; Montelongo, O.; Ortiz, U. Análisis fractal de la
microestructura dendrítrica en una aleación de aluminio. Ingenierías.
Julio-Septiembre 2000, Vol. III, No. 8, 13-19.
[27]Gomis, P.; Caminal, P.; Vallverdú, M.; Wagner, G. Análisis fractal del
sistema de control cardiaco durante isquemia de miocardio. XXV
Jornadas de Automática. 2004.
[28]Santiago, M.; Yannibelli, V.; Pacheco, Y.; Senor, P.; Pecelis, M.; Caselli, E.
Diagnóstico de osteoporosis mediante análisis fractal de radiografías de
fémur. XV Congreso Argentino de Bioingenieria.
[29]Wang, G.; Ren, X.; Li, L.; Wang, Z. Multifractal analysis of surface EMG
signals for assessing muscle fatigue during static contractions. Journal of
Zhejiang University - Science A. Vol. 8, No. 6, 2007, 910-915.

33