SFI y Los Fractales PDF

Sistemas de funciones iteradas
y los fractales
Edwin Alfonso Adame Sarmiento

Facultad de Matemáticas
Facultad e Ingenierías
de Matemáticas
Programa
Fundación de Matemáticas
Universitaria Konrad Lorenz
FUNDACIÓN UNIVERSITARIA
Junio de 2005 KONRAD LORENZ
Resumen
Revisaremos como preámbulo las transformaciones matriciales en el plano, luego nos in-
troduciremos en el tema mostrando algunos fractales famosos, después se describen los
conceptos fundamentales de la teorı́a de espacios métricos, luego se revisará la parte de
Sistemas de Funciones Iteradas (SFI), donde mostraremos los dos algoritmos el determi-
nistico y el aleatorio, y por último se construirán dos fractales en hoja de cálculo.
Índice general
1. Transformaciones lineales 1
1.1. Transformaciones matriciales . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1. Transformaciones generales . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.2. Transformaciones de matrices . . . . . . . . . . . . . . . . . . . . . 5
1.2. Algunas transformaciones matriciales del plano . . . . . . . . . . . . . . . . 7
1.2.1. Reflexiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.2. Compresiones-expansiones . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.3. Cortes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.4. Rotaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.5. Proyecciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3. Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3.1. Propiedades de las transformaciones lineales . . . . . . . . . . . . . 16
1.4. Matriz de una transformación lineal . . . . . . . . . . . . . . . . . . . . . . 18
1.5. Transformaciones afines . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2. Monstruos Matemáticas 25
2.1. Fractales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2. El conjunto de Cantor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3. Curvas de Peano y Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4. Curva de Koch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3. Conjuntos Autosemejantes 31
3.1. Conjuntos autosemejantes famosos . . . . . . . . . . . . . . . . . . . . . . 31
3.1.1. Conjunto de Cantor . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.1.2. Conjuntos de Cantor en R2 . . . . . . . . . . . . . . . . . . . . . . 31
3.2. Curva de Koch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3. Espacios métricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3.1. Espacios métricos completos y compactos . . . . . . . . . . . . . . . 35
i
3.3.2. Aplicaciones contractivas en espacios métricos . . . . . . . . . . . . 35
3.4. Teorema del punto fijo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.5. Invarianza respecto a un sistema de semejanzas . . . . . . . . . . . . . . . 38
4. Sistemas de Funciones Iteradas 40

4.1. El espacio de los fractales . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2. Aplicaciones contractivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3. Obtención del fractal asociado a un SFI . . . . . . . . . . . . . . . . . . . . 52
4.3.1. Algoritmo Determinista . . . . . . . . . . . . . . . . . . . . . . . . 52
4.3.2. Algoritmo aleatorio . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.4. Teorema del Collage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.4.1. Aproximación de imágenes reales mediante SFI . . . . . . . . . . . 57
4.5. Una hoja de helecho fractal . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.6. Fractales en movimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5. Fractales en Hoja de Cálculo 63

5.1. El triángulo de Sierpinski . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.2. Nuevo Triángulo de Sierpinski . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.3. El Helecho de Barsnsley . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
6. Conclusiones 74
A. Medida de Conjuntos 76
A.1. La medida de Lebesgue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
A.2. Dimensión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
A.3. Dimensión de Homotecia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
A.4. Medida de Haussdorff . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
A.5. Dimensión de Hausdorff . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
A.6. Distancia de Hausdorff . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
B. Algunas nociones de Hoja de Cálculo 82
ii
Índice de figuras
1.1. Transformación lineal de una imagen.[NAKOS] . . . . . . . . . . . . . . . . 1

1.2. Dominio, codominio y contradominio. . . . . . . . . . . . . . . . . . . . . . 3
1.3. Reflexiones básicas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4. Compresión y estiramiento a lo largo del eje x. . . . . . . . . . . . . . . . . 8
1.5. Escalamiento a lo largo de los ejes x y y. . . . . . . . . . . . . . . . . . . . 9
1.6. Deslizamiento a lo largo del eje x. . . . . . . . . . . . . . . . . . . . . . . . 9
1.7. Deslizamiento a lo largo de la dirección negativa de y. . . . . . . . . . . . . 10
1.8. Deslizamiento en transformaciones de imagen.[NAKOS] . . . . . . . . . . . 11
1.9. Rotación en torno al origen. . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.10. Proyecciones ortogonales sobre los ejes. . . . . . . . . . . . . . . . . . . . . 13
1.11. Transformación lineal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.12. Dilatación y contracción por un factor de 2. . . . . . . . . . . . . . . . . . 18
1.13. Matriz de una transformación lineal.[NAKOS] . . . . . . . . . . . . . . . . 20
1.14. (a)Traslación,(b)transformación afı́n: rotación y después traslación. . . . . 22
1.15. Traslación con deslizamiento de un polı́gono. . . . . . . . . . . . . . . . . . 23
1.16. Tetraedro girado y trasladado. . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1. El conjunto ternario de Cantor se obtiene de manera inductiva comenzando

por el segmento de unidad y quitando en cada etapa a cada intervalo el
segmento medio resultante de dividirlo entres partes iguales. . . . . . . . . 27
2.2. Primeras etapas de la generación de la curva de Hilbert. La curva de Hilbert
es un ejemplo de curva que llena el plano, por lo que su dimensión fractal
es 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3. Primeros pasos del proceso de construcción de la curva de Koch. En el lı́mite
dados dos puntos cualesquiera de la curva es imposible llegar a uno de ellos
desde el otro por encima de la curva. La longitud de cualquier tramo de
curva es infinita. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
iii
3.1. El conjunto de cantor en R2 es un conjunto autosemejante bajo el sistema
de cuatro semejanzas que transforman el cuadrado inicial en cada en cada
uno de los cuatro cuadrados de las esquinas. . . . . . . . . . . . . . . . . . 32
3.2. La curva de Koch se puede construir sustituyendo el segmento I por los
segmentos I1 , I2 , I3 , I4 y repitiendo en cada uno de ellos este proceso inde-
finidamente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.1. Una aplicación contractiva f acerca los puntos y contrae, por tanto, los
conjuntos sobre los que se aplica. . . . . . . . . . . . . . . . . . . . . . . . 41
4.2. Traslación mediante el vector (α, β) . . . . . . . . . . . . . . . . . . . . . . 42
4.3. Giro de ángulo ϕ y centro en el origen. . . . . . . . . . . . . . . . . . . . . 42
4.4. Simetrı́a respecto del eje de abscisas. . . . . . . . . . . . . . . . . . . . . . 43
4.5. Homotecia centrada en el origen de razón k. . . . . . . . . . . . . . . . . . 43
4.6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.7. Cada parte Ti , 1 ≤ i ≤ 3, del triángulo de Sierpinski es semejante al
triángulo total. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.8. Cada una de las partes Ki , 1 ≤ i ≤ 4, de la curva de Koch indicadas es
semejante a la curva total K. . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.9. Intervalos convergentes al conjunto de Cantor obtenidos mediante el SFI
f1 (x) = x3 y f2 (x) = (x+2)
3
a partir del intervalo unidad. . . . . . . . . . . . 50
4.10. Primeras iteraciones del SFI asociado al triángulo de Sierpinski a partir de
un triángulo de lado unidad. . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.11. Triángulo de Sierpinski obtenido tras la aplicación del algoritmo aleatorio
al SFI del cuadro 4.2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.12. La hoja de helecho que se intentará aproximar mediante un SFI aplicando
el teorema de collage. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.13. Cada una de las cuatro partes de la hoja del helecho aquı́ indicadas se puede
considerar como el resultado de una aplicación contractiva sobre la imagen
completa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.14. Para obtener las aplicaciones contractivas que transforman la imagen com-
pleta del helecho en cada una de las partes indicadas en la figura 4.13,tenemos
que situar la hoja en el plano R2 . Si la imagen se centra horizontalmente
en el origen, las transformaciones se obtienen de manera más cómoda. . . . 60
4.15. Un árbol fractal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.16. La hoja de helecho agitada por el viento mediante distintos valores del
parámetro α. Los valores dados a α son α = arc sen ω donde ω evoluciona
según se indica bajo cada figura. El movimiento de la hoja se puede observar
al seguir las imágenes de izquierda a derecha y de arriba a abajo. . . . . . 62
iv
5.1. Fórmulas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.2. Ubicación de Fórmulas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.3. Generando los Pi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.4. Triángulo de Sierpinski. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.5. Función buscarH. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.6. El triángulo de Sierpinski. . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.7. Construcción helecho de Barnsley. . . . . . . . . . . . . . . . . . . . . . . . 71
5.8. Helecho de Barnsley. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
A.1. CP (A, δ). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

A.2. dH (A, B) = max{δ1 , δ2 } = δ1 . . . . . . . . . . . . . . . . . . . . . . . . . . 81
B.1. Notación numérica en hoja de cálculo. . . . . . . . . . . . . . . . . . . . . 83

B.2. Fórmulas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
v
Índice de cuadros
4.1. Notación simplificada del sistema de funciones iteradas asociado al trián-

gulo de Sierpinski. La columna marcada con PROB no es útil todavı́a; su
significado se revisará en el siguiente apartado. . . . . . . . . . . . . . . . . 53
4.2. SFI asociado a un triángulo de Sierpinski modificado mediante la variación
de las probabilidades asociadas a cada una de sus transformaciones. . . . . 56
4.3. Aproximación mediante el teorema de collage a la hoja de helecho. Las
probabilidades se asignaron en función del área generada por cada trans-
formación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.1. funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.2. Tabla para generar el triángulo de Sierpinski. . . . . . . . . . . . . . . . . . 68
5.3. Fórmula que calcula el coeficiente e de la función f4 . . . . . . . . . . . . . 72
vi
Introducción
Este trabajo fue editado en LATEX, para lo cual hubo la necesidad de realizar un estudio
profundo del manejo de las sentencias que se usan para la elaboración de textos, especial-
mente matemáticos.
Básicamente los fractales se caracterizan por dos propiedades: autosemejanza (o autosi-
militud) y autorreferencia. La autorreferencia determina que el propio objeto aparece en
la definición de sı́ mismo, con lo que la forma de generar el fractal necesita algún tipo de
algoritmo recurrente. La autosemejanza implica invarianza de escala, es decir, el objeto
fractal presenta la misma apariencia independientemente del grado de ampliación con que
los miremos. Por más que se amplı́e cualquier zona de un fractal, siempre hay estructura,
hasta el infinito, apareciendo muchas veces el objeto fractal inicial, contenido en sı́ mismo.
En su citada obra The Fractal Geometry of Nature1 Mandelbrot razonó que la naturaleza
entiende mucho más de geometrı́a fractal que de geometrı́a diferenciable.2 La geometrı́a
fractal aborda el estudio de formas geométricas no diferenciables o quebradas a cualquier
escala que se miren.
También fue importante la publicación por Huntchinson en 1981 de un trabajo en el que
se desarrolla el concepto de conjunto autosemejante, de gran trascendencia en el desarrollo
posterior de la geometrı́a fractal.
A partir de ahı́, muchos cientı́ficos se han encontrado fractales en sus campos de estudio. La
distribución de las galaxias, los procesos fı́sicos de ramificación, agregación y turbulencia,
la aparición de ruido en señales eléctricas (precisamente una especie de conjunto de Cantor
en su distribución) e incluso los fenómenos económicos o sociológicos son algunos de los
lugares en los que se esconde el serpenteo incansable de los fractales.
La dimensión fractal
1
Editada en castellano en 1997, veinte años despues de su publicación original, por la editorial Tusquets.
2
Es más correcto contraponer la geometrı́a fractal a la geometrı́a diferenciable que a la euclidiana,
aunque muchas fuentes la opongan a esta última.
vii
La medición de formas fractales (fronteras, poligonales, etc.) ha obligado a introducir
conceptos nuevos que van más allá de los conceptos geométricos clásicos. El concepto
de longitud no está claramente definido. La longitud de la lı́nea fractal depende de la
longitud de instrumento, o de la unidad de medida que tomemos, la noción de longitud
en estos casos, carece de sentido. Para ello se ha ideado otro concepto: el de dimensión
fractal, que sea una generalización de la dimensión euclı́dea. Sabemos que en geometrı́a
clásica un segmento tiene dimensión uno, un cı́rculo tiene dimensión dos, y una esfera
tiene dimensión tres. Para que sea coherente con lo dicho una lı́nea fractal tiene que tener
dimensión menor que dos (no llena toda la porción de plano). En general lo que sucede
es que la longitud de la curva fractal es superior a la del segmento de recta que lo genera,
y por lo tanto, en general la dimensión fractal será un número comprendido entre uno y
dos. La dimensión Hausdorff H(X) de un objeto fractal X mide el número de conjunto de
longitud L que hacen falta para cubrir X por L.
Reseña historica
Los fractales fueron concebidos aproximadamente en 1880 por el francés Henri Poincare.
Sus ideas fueron extendidas mas tarde fundamentalmente por dos matemáticos también
franceses, Gaston Julia y Pierre Fatou, hacia 1918. Se trabajo mucho en este campo du-
rante varios años, pero el estudio quedo congelado en los años 20. El estudio fue renovado
a partir de 1974 en IBM y fue fuertemente impulsado por el desarrollo de la compu-
tadora digital. El Dr. Mandelbrot, de la Universidad de Yale, con sus experimentos de
computadora, es considerado como el padre de la geometrı́a fractal. En honor a él, uno de
los conjuntos que el investigo lleva su nombre. Otros matemáticos, como Douady, Hub-
bard y Sullivan trabajaron también en esta área explorando mas las matemáticas que
sus aplicaciones. Desde la década del 70 este campo ha estado en la vanguardia de los
matemáticos contemporáneos. Investigadores como el Dr. Robert L. Devaney, de la Uni-
versidad de Boston ha estado explorando esta rama de la matemática con la ayuda de
las computadoras modernas. M.F.Barnsley, en 1985, estudió una generalización del mé-
todo de J.E.Hutchinson. Mientras que J.E.Hutchinson utilizaba semejanzas contractivas,
M.F.Barnsley utiliza aplicaciones contractivas, lo que le permite ampliar notablemente
la familia de fractales obtenidos. El método de M.F.Barnsley descubre la posibilidad de
encontrar un fractal que se aproxime, tanto como queramos, a un objeto natural.
M.F.Barnsley utiliza el término fractal para referirse a cualquier conjunto compacto y no
vacı́o.
El método de M.F.Barnsley para generar conjuntos fractales, se basa en los
sistemas de funciones iteradas(SFI).
viii
Contenido del documento
En el capitulo uno se describen las transformaciones matriciales básicas en el plano, tam-

bién se define la transformación lineal general. Por último se realiza un esbozo de las
transformaciones afines las cuales nos serán muy útiles en la construcción de un objeto
fractal.
En el segundo capitulo Monstruos matemáticos nos introduciremos en la temática mos-
trando algunos de los fractales más famosos, este capitulo se basa en información obtenida
en [GUZMAN] y [BARNS.], el objetivo de este capitulo es describir, por lo cual se omiten
las demostraciones.
En el capitulo tres se muestra la teorı́a de conjuntos auto semejantes, todos estos son
conceptos fundamentales de la teorı́a de espacios métricos, en los cuales se sustenta espe-
cialmente el teorema del punto fijo.
Los sistemas de funciones iteradas son las bases de las técnicas actuales en la compresión
fractal, esos sistemas generalizan la concepción de autosemejanza del capı́tulo 4 constitu-
yendo las herramientas básicas para la construcción de objetos fractales.
En el capitulo 6 se construyen dos fractales en hoja de cálculo, el famoso triángulo de
Sierpinski y el Helecho de Barnsley esto como la ı́dea de usar una herrmienta de uso
común entre las personas.
En el apéndice A se aborda la medida de Lebesgue, la dimensión de Hausdorff, la distancia
de Hausdorff; estas nos sirven para medir y comparar fractales. El apéndice B presenta
una motivación para trabajar en hoja de cálculo.
ix
Capı́tulo 1
Transformaciones lineales
Los vectores y las matrices se relacionan en forma intima a través de la multiplicación

matricial. Para una matriz fija A de mxn, cualquier vector n x corresponde al vector m
Ax. Esta correspondencia definida por el producto matricial Ax es el principal ejemplo
de una transformación lineal, cuya definición actual se debe a Peano1 .
Las transformaciones lineales desempeñan un papel importante en las matemáticas, fı́sica,
ingenierı́a, procesamiento de imágenes, gráficas en computadora y muchas otras áreas de
la ciencia y de la vida diaria.
Figura 1.1: Transformación lineal de una imagen.[NAKOS]
El dilema de un caricaturista[NAKOS]
Un caricaturista moderno emplea computadoras y álgebra lineal para transformar las

1
Guiseppe Peano. Nació el 27 de agosto de 1858 en Cuneo, Italia. Murió el 20 de abril de 1932 en
Turı́n Italia. Fue uno de los primeros en concebir a las matemáticas más como un Lenguaje, Capaz de
expresar ideas de manera sucinta y sin ambigüedades que como una simbologı́a. Su interés por las curvas
fractales deviene de sus estudios en el campo de de la lógica simbólica y de cómo una proposición finita
pudiera llegar a generar una expansión infinita de proposiciones no triviales
1
imágenes que dibuja. Supongamos que trata de dar la sensación de movimiento a la imagen
de la figura 1.1(a) inclinándola y estirándola (horizontalmente) en forma gradual para
llegar a la de la figura1.1 (b). Si el estiramiento gradual necesario, por ejemplo, a lo
largo del eje x es de 50 %, ¿cómo puede modelarlo matemáticamente y hacer que la
computadora trace la imagen inclinada? El método deberı́a ser independiente de la imagen
(cuadro) inicial para poder aplicarlo a otros cuadros. Como veremos en la sección 1.1,
en la respuesta interviene una sencilla multiplicación de matriz por vector. De hecho,
necesitamos multiplicar por la izquierda el vector coordenado de cualquier punto en el
plano
quedeseemos transformar, por la matriz
1 0,5
0 1
1.1. Transformaciones matriciales

En esta sección se presentaran las transformaciones de matrices y estudiaremos algunas
transformaciones matriciales del plano que desempeñan un papel importante en las gráficas
en computadora.
1.1.1. Transformaciones generales

Con frecuencia se desea conocer como se relacionan los elementos de un conjunto con los
de otro. A veces se usa una regla que describa esta relación. A continuación presentamos
algunos ejemplos de esas reglas.
(R1) Para cada vector 2 (x, y) se le asigna el vector 3 (x y, 0, y).

 
1 −1
x x
(R2) Para cada vector 2 se le asigna el vector 3 definido por  0 0 
y y
0 1
(R3) Para cada x > 0 se le asigna la solución real para y de y 2 − x = 0.
(R4) Para cada x real se le asigna la solución real de x2 + 1 = 0
Hay varias diferencias agudas entre algunas de estas reglas. La regla (R4) no tiene sentido,
porque
√ x2 + 1 = 0 no tiene solución real. (R3) es ambigua, porque y 2 − x = 0 implica
± x. Ası́, a cada x le corresponden dos números, y no uno. Por otro lado, las reglas (R1)
2
y (R2) no tienen estos problemas. A cada vector 2 se le asigna exactamente un vector
3 definido por la regla correspondiente. (R1) y (R2) están bien definidas, y constituyen
ejemplos de transformaciones. Una transformación T mapeo o función de un conjunto
A a un conjunto B, representada por T : A → B, es una regla quer asocia a cada elemento
de A un elemento de b, único, de B, llamado imagen de a Bajo T . Se escribe T (a) = b
y se dice que a se mapea a T (a). A se llama dominio de T. B es codominio de T . El
subconjunto de B formado por todas las imágenes de los elementos de A se llama rango2
o contradominio de T y se representa por R(T ) o por T (A). Es posible que dos o más
elementos de A tengan la misma imagen (1.2). Dos transformaciones T1, T2 : A → B son
iguales(se escribe T1 = T2 ) si sus imágenes correspondientes son iguales, es decir, si
T1 (a) = T2 (a) para todo a en A.
Figura 1.2: Dominio, codominio y contradominio.
Las Reglas (R1) y (R2) definen transformaciones iguales, ya que

   
1 −1 x−y
 0 0  x = 0 
y
0 0 y
Ejemplo 1.1. Sea T : R3 → R2 la transformación expresada por T (x, y, z) = (x − t +

z, x + y − z)
2
Aclaración: El uso de la palabra rango”de una transformación es cada vez más general y se debe a la
traducción indiscriminada de la palabra range rank”; pero para tratar de conservar la diferencia entre
2
rangoçomo dimensión del contradominio, y el contradominio mismo, usaremos aquı́ las palabras rango 2
çontradominio”, respectivamente. También hay que recordar que no es lo mismo range”(contradominio)

que rank”(rango) de una matriz.
3
(a) ¿ Por qué T es una transformación? ¿ Cuál es su dominio? ¿ Cuál es su codominio?
(b) ¿Cuál de los vectores (1, −2, 3), (1, 2, −3) y (1, 0, 5) tienen la misma imagen bajo T ?
(c) Determine todos los vectores 3 que se aplican a (0, 0).
(d) Describa el contradominio de T .
Solución 1.1. (a) T es una transformación porque cada vector 3, como (x, y, z) corres-
ponde exactamente a un vector 2, que es (x − y + z, x + y − z). El dominio de T es
R3 . El codominio es R2 .
(b) T (1, −2, 3) = (1 − (−2) + 3, 1 + (−2) − 3) = (6, −4). De igual manera, T (1, 2, −3) =
(−4, 6) y T (1, 0, 5) = (6, −4). Por consiguiente, (1, −2, 3) y (1, 0, 5) tienen la misma
imagen.
(c) Es preciso conocer todos los vectores (x, y, z) tales que T (x, y, z) = (x − y + z, x + y −
z) = (0,0)). Entonces
x−y+z =0
x+y−z =0
Cuya solución general es (0, r, r), r ∈R. Todos ellos son los vectores 3 que aplican a
(0, 0).
(d) Para determinar el contradominio se necesitan todos los vectores 2, (a, b), para los
cuales existen números x, y y z tales que T (x, y, z) = (a, b). Entonces, se necesitan
todos los (a, b) que hacen consistente el sistema
x−y+z =a
x+y−z =b
Puesto que la matriz de coeficientes tiene dos pivotes, el sistema es consistente para todas
a, b. En consecuencia, el contradominio de T es R2 .
4
1.1.2. Transformaciones de matrices

1 −1 1
Consideremos por ejemplo la matriz determinada A = . Si tomamos los
1 1 −1
vectores 3 x y formamos
  los productos Ax, obtenemos vectores 2 únicos. Por ejemplo,
1
1 −1 1   2
0 = ,
1 1 −1 0
 1 
1
1 −1 1  6
−2 =

1 1 −1 −4
3
y en general,
 
x
1 −1 1   x−y+z
y =
1 1 −1 x+y−z
z
Es claro que podemos definir una transformación T : R3 → R2 por la regla T (x) = Ax.
De hecho, T es el mapeo del ejemplo 1.1. Este es un ejemplo de transformación ma-
tricial , o de matrices. Esta transformación es la más importante del álgebra lineal.
Definición 1.1. (Transformación matricial)

Una transformación matricial T se expresa mediante T : Rn → Rm y a ésta le corresponde
una matriz A mxn tal que
T (x) = A(x)
Para todo x ∈ Rn . A se llama matriz(estándar) de T.
Por ejemplo, (R1) y (R2) se definen la transformación matricial T : R2 → R3 , T (x) =

A(x), con
 
1 −1
 0 0 
0 0
Ejemplo 1.2. Para la A y T anteriores, compare R(T ) y Col (A). Determine una des-
cripción explı́cita de R(T ).
5

a
x
Solución 1.2. Un vector 3 w = b
  esta en R(T ) si y sólo si hay un vector 2
y
c
tal que      
1 −1 x−y a
x x
T = 0 0
  =  0  = b . Esto equivale a decir que el sistema

y y
0 1 y c
cuya matriz aumentada es [A : w] es consistente, o también que w está en Col(A). Por

consiguiente, R(T )=Col(A).
Como T (x) = w implica que a = x − y, b = 0 y c = y, se tiene x = a +c, b= 0 yy = c. 
 a 
Ası́, a y c pueden ser escalares cualquiera y b = 0. En consecuencia, R(T )=  0 , a, c ∈ R

c
 
Teorema 1.1.
Si T (x) = Ax es cualquier transformación matricial, entonces
R(T ) =Col(A).
Demostración.
w ∈ R(T ) ⇐⇒ T (x) = w para algun x

⇐⇒ Ax = w para algun x
⇐⇒ [A : w] es consistente
⇐⇒ w ∈ Col(A)
El teorema siguiente describe las dos propiedades más importantes de una transformación
matricial.
Teorema 1.2. Cualquier transformación matricial T : Rn → Rm , T (x) = Ax Satisface

lo siguiente
(1.) T (x + y) = T (x) + T (y) para todos x,y en Rn .
(2.) T (cx) = cT (x) para todo x en Rn y todos los escalares c.
6
1.2. Algunas transformaciones matriciales del plano
Ahora estudiaremos algunas transformaciones matriciales geométricas del plano que son
muy interesantes (R2 → R2 ): reflexiones, compresiones-expansiones, cortes,rotaciones y
proyecciones.
1.2.1. Reflexiones
Figura 1.3: Reflexiones básicas.
Las reflexiones se definen respecto a cualquier recta en el plano. Nos interesan aquellas
que están vinculadas con una recta que atraviesa el origen, en general respecto a los ejes
coordenados (Rx y Ry ) y a la recta diagonal y = x(Rd ). Véase la figura 1.3 Esas reflexiones
se definen con las fórmulas
Ry (x, y) = (−x, y) Rx (x, y) = (x, −y) Rd (x, y) = (y, x)
Y todas estas son transformaciones matriciales; sus matrices correspondientes son

−1 0 1 0 0 1
0 1 0 −1 1 0

x −1 0 x −x
por ejemplo Ry = : , y ası́ sucesivamente.
y 0 1 y y
Además existe la reflexión básica respecto al origen, cuya fórmula y matriz son

−1 0
Ro (x, y) = (−x, −y)
0 −1
7
Esto también puede considerarse como rotación de 180o en torno al origen.
1.2.2. Compresiones-expansiones
Las compresiones y expansiones son escalamientos a lo largo de los ejes coordenados. Con
más precisión: para c > 0, la transformación Cx (x, y) = (cx, y) escala las coordenadas x
con un factor de c, dejando inalteradas a las coordenadas y. Si 0 < c < 1, se trata de
una compresión en la dirección del eje x positivo. Si c > 1, se refiere a una expansión
(figura 1.4). También se tienen compresiones y expansiones a lo largo del eje y, expresadas
por Cy (x, y) = (x, cy) para c > 0.
Figura 1.4: Compresión y estiramiento a lo largo del eje x.
Otro tipo son los escalamientos simultáneos a lo largo de los ejes x y y, como Cxy (x, y) =
(cx, dy) con factores de escala c > 0 y d > 0 a lo largo de las direcciones x y y (figura 1.5).
Tanto Cx como Cy y Cxy son transformaciones matriciales, con sus respectivas matrices

c 0 1 0 c 0
0 1 0 c 0 d
8
Figura 1.5: Escalamiento a lo largo de los ejes x y y.
1.2.3. Cortes
Un corte o desplazamiento3 a lo largo del eje x es una transformación de la forma
Sx (x, y) = (x + cy, y)
En otras palabras, cada punto se mueve a lo largo de la dirección x una cantidad
Figura 1.6: Deslizamiento a lo largo del eje x.
proporcional a la distancia al eje x (figura 1.6), también hay cortes a lo largo del eje y.
Sy (x, y) = (x, cx + y)
3
Aclaración: Este nombre de transformación da idea de las deformaciones por esfuerzo cortante y de
los deslizamientos de capas cristalinas en los materiales sometidos a esfuerzo cortante
9
Sx y Sy son transformaciones matriciales cuyas matrices son

1 c 1 0
0 1 c 1
Observe que la constante c en la fórmula para un corte puede ser negativa. La figura 1.7
ilustra este caso para Sy (x, y) = (x, −2x + y).
Figura 1.7: Deslizamiento a lo largo de la dirección negativa de y.
Ejemplo 1.3. Determine la transformación Sx que se desliza en dirección positiva de x

en un factor de 0,5. Para la figura 1.8, obtenga las imágenes de los puntos
(0, 2), (0, 1), (0,5, 0,5), (0, 0), (1, 0), (1, 1), (−1, 1), (−1, 0).
Solución 1.3. Sx se expresa como Sx (x, y) = (x + ,5y, y), Por consiguiente,

x 1 0,5 x
Sx = (1.1)
y 0 1 y
Las imágenes de los puntos identificados pueden calcularse sustituyendo sus coordenadas
10
Figura 1.8: Deslizamiento en transformaciones de imagen.[NAKOS]
en la ecuación (1.1). Sin embargo, se ahorra espacio escribiendo los productos matriz por
vector en forma de un producto de matrices:

1 0,5 0 0 0,5 0 1 1 −1 −1
0 1 2 1 0,5 0 0 1 1 0

1,0 . 5 . 75 0 1,0 1. 5 −. 5 −1,0
=
2,0 1,0 . 5 0 0 1,0 1,0 0
Las coordenadas de las imágenes son
(1, 2), (0,5, 1), (0,75, 0,5), (0, 0), (1, 0), (1,5, 1), (−0,5, 1), (−1, 0).
1.2.4. Rotaciones
Otro tipo de transformación en el plano es la rotación o giro en torno a cualquier punto
en el plano. Nos interesan principalmente las rotaciones en torno al origen.
Ejemplo 1.4. (Rotación en el plano)

La transformación Rθ : R2 → R2 se define por

x cos θ − sin θ x
Rθ =
y sin θ cos θ y
y hace girar cada vector x, y θ rad en sentido contrario al de las manecillas del reloj en
torno al origen.
11
−−→ −→
Solución 1.4. De acuerdo con la figura 1.9(a), OB es la rotación de OA un ángulo de
θ. Entonces
x = r cos φ y = r sen φ
x0 = r cos(φ + θ) y 0 = r sen(φ + θ)
Mediante identidades trigonométricas se llega a
Figura 1.9: Rotación en torno al origen.
x0 = r cos φ cos θ − r sin φ sin θ y 0 = r sin φ cos θ + r cos φ sin θ

x0 = x cos θ − y sin θ y 0 = y cos θ + x sin θ
Por consiguiente
x0

x cos θ −y sin θ cos θ − sin θ x x
= = = Rθ
y0 x sin θ +y cos θ sin θ + cos θ y y
Que demuestran que Rθ es una rotación de θ rad en torno al origen.
π
Por ejemplo, se calculara la imagen de (1, 1) para θ = 2
(figura 1.9(b)).
cos π2 − sin π2

1 1 0 −1 1 −1
R π2 = = :
1 sin π2 cos π2 1 1 0 1 1
12
1.2.5. Proyecciones
Las proyecciones del plano sobre una recta también son transformaciones del plano. Nos
interesan las proyecciones ortogonales sobre la recta que pasan por el origen, en especial
sobre los ejes coordenados. Las proyecciones Px sobre el eje x y Py sobre el eje y (figura
1.10) se expresan por
Px (x, y) = (x, 0) Py (x, y) = (0, y)
las cuales son transformaciones matriciales con matrices

1 0 0 0
0 0 0 1
Figura 1.10: Proyecciones ortogonales sobre los ejes.
1.3. Transformaciones lineales

Las transformaciones lineales son mapeos de importancia fundamental en el álgebra lineal
y en sus aplicaciones. Son transformaciones entre espacios vectoriales que conservan la
suma vectorial y la multiplicación por escalar. En esta sección definiremos una transfor-
mación lineal y se mostrarán varios ejemplos.
Definición 1.2. (transformaciones lineales)
13
Sea V, W dos espacios vectoriales. Una transformación lineal (0 mapeo lineal) de V a W
es una transformación T : V → W tal que para todos los vectores u y v de V y cualquier
escalar c,
1. T (u+v)=T (u)+T (v);
2. T (cu)=cT (u).
El signo + en u+v es una suma en V , mientras que el signo + en T (u) + T (v) es una
suma en W . Del mismo modo, las multiplicaciones escalares cu y cT (u) se efectúan en
V y W , respectivamente. En el caso especial V = W, la transformación lineal T : V → V
se llama operador lineal de V.
Figura 1.11: Transformación lineal.
Ejemplo 1.5. Demuestre que las transformaciones T : R2 → R2 definida por

x 2x −3y
T =
y x +4y
es lineal
Solución 1.5.

x1 x2
Sean u = y v=
y1 y2
14
Entonces

x1 x2
T (u + v) = T +
y1 y2

x1 + x2
=T
y1 + y2

2(x1 + x2 ) − 3(y1 + y2 )
=
(x1 + x2 ) + 4(y1 + y2 )

2x1 −3y1 2x2 −3y2
= +
x1 +4y1 x2 +4y2

x1 x2
=T +T
y1 y2
= T (u) + T (v)
Para todo escalar c,

cx1
T (cu) = T
cy1

2cx1 − 3cy1
=
cx1 + 4cy1

2x1 − 3y1
=c
x1 + 4y1

x1
= cT
y1
= cT (u)
Se satisfacen ambas partes de la definiciòn, de modo que T es lineal.
Ejemplo 1.6. Demuestre que la transformación T : R3 → R2 es lineal:
T (x, y, z) = (x − z, y + z)
Solución 1.6.
Sean u = (x1 , y1 , z1 ) y v = (x2 , y2 , z2 ).
15
Entonces
T (u + v) = T (x1 + x2 , y1 + x2 , z1 + z2 )
= ((x1 + x2 ) − (z1 + z2 ), (y1 + y2 ) + (z1 + z2 ))
= (x1 − z1 , y1 + z1 ) + (x2 − z2 , y2 + z2 )
= T (u) + T (v)
demuestra la parte uno de la definición.

Ejemplo 1.7. (Transformaciones matriciales)
Demuestre que toda transformación matricial es lineal
Solución 1.7. De acuerdo con el Teorema 1.2 de la sección 1.1, ambas propiedades de
la definición se cumplen. Practicaremos volviendo a desarrollar la demostración . Si T :
Rn → Rm , entonces T (x) = Ax es una transformación matricial, y T (x + y) = A(x + y) =
Ax + Ay = T (x) + T (y) T (cx) = A(cx) = c(Ax) = cT (x) En consecuencia, T es lineal.
Ejemplo 1.8. (Transformación lineal geométrica)
Demuestre que las reflexiones, cortes o desplazamientos, compresiones-estiramientos, to-
dos con respecto a los ejes coordenados, las rotaciones con respecto al origen y alas pro-
yecciones sobre los ejes de coordenadas son transformaciones lineales.
Solución 1.8. Todos estos mapeos4 son transformaciones matriciales, basándose en la
sección 1.1 En consecuencia, según el ejemplo 1.7, son lineales.
1.3.1. Propiedades de las transformaciones lineales

Teorema 1.3. T : V → W es una transformación lineal si y sólo si para todos los vectores
v1 y v2 ∈ V, y todos los escalares c1 y c2 , se cumple
T (c1 v1 + c2 v2 ) = T (c1 v1 ) + T (c2 v2 )

= c1 T (v1 ) + c2 T (v2 )
Demostración. Si T es lineal, entonces
T (c1 v1 + c2 v2 ) = T (c1 v1 ) + T (c2 v2 )

= c1 T (v1 ) + c2 T (v2 )
4
Las reflexiones con respecto a cualquier recta que pasa por el origen y las proyecciones sobre cualquier
recta que pasa por el origen son también transformaciones matriciales(es decir, lineales).
16
de acuerdo con las partes 1 y 2 de la definición 1.2
A la inversa, si T es una transformación tal que T (c1 v1 + c2 v2 ) = c1 T (v1 ) + c2 T (v2 ) para
todos v1 , v2 ∈ Rn y todos c1 , c2 ∈ R. entonces si igualamos c1 = c2 = 1 obtenemos la parte
1 de la definición y haciendo c2 = 0 se obtiene la parte 2.
Ası́ las transformaciones lineales mapean una combinación lineal de vectores en la misma
combinación lineal de las imágenes de esos vectores.
Teorema 1.4. T : V → W es una transformación lineal. Entonces
1. T (0) = 0;
2. T (u − v) = T (u) − T (v).
Demostración. 1. De acuerdo con la parte 2 de la definición 1.2,

T (0) = T (0v) = 0T (v) = 0
2. Según el teorema 1.3, haciendo que c1 = 1 y c2 = −1,

T (u − v) = T (1u + (−1)v) = 1T (u) + (−1)T (v) = T (u) − T (v)
Ejemplo 1.9. ¿Es f : R2 → R2 una transformación lineal, definida por f (x, y) = (x, 1)?
Solución 1.9. Si f fuera lineal, entonces f (0, 0) seria (0, 0), con base en la parte 1 del
teorema 4. Sin embargo, f (0, 0) = (0, 1), por lo tanto f no es lineal.
Ejemplo 1.10. Compruebe que la transformación 0 : V → W es lineal.
Solución 1.10. Si u y v son vectores de V y c es un escalar, entonces

0(v + u) = 0 = 0 + 0 = 0(v) + 0(u)
y
0(cv) = 0 = c0 = c0(v)
La transformación I : V → V que convierte cada vector de V en si mismo se llama
transformación identidad de V.
I(v) = v ∀ v ∈ V.
Ejemplo 1.11. (Homotecia)

Para un escalar fijo c, compruebe que T : V → V es lineal.
T (v) = cv
17
Solución 1.11. Sean u, w ∈ V y r ∈ R. T es lineal, porque
T (u + w) = c(u + w) = cu + cw = T (u) + T (w)
T (ru) = c(ru) = r(cu) = rT (u)
A la transformación del ejemplo N se le llama homotecia. Si c > 1, la homotecia es una

dilatación, y su efecto sobre v es estirarlo en un factor de c. Si 0 < c < 1, la homotecia
es una contracción, y su efecto sobre v es encogerla en un factor de c (figura 1.12). Si
c < 0, esta transformación invierte la dirección de v.
Figura 1.12: Dilatación y contracción por un factor de 2.
Ejemplo 1.12. (proyección a al recta que pasa por el origen)

Si u es un vector fijo distinto de cero en R3 , la transformación T : R3 → R3 definida con
la proyección ortogonal de cada v ∈ R3 sobre u es lineal (figura 1.13) .
v·u
T (v) = u
u·u
Solución 1.12. Puesto que
(c1 v1 + c2 v2 ) · u c v · u + c2 v2 · u
T (c1 v1 + c2 v2 ) = u= 1 1 u
u·u u·u
v1 · u v2 · u
= c1 u + c2 u = c1 T (v1 ) + c2 T (v2 )
u·u u·u
Lo anterior se demostró según el teorema 1.3.
1.4. Matriz de una transformación lineal

En este numeral se generalizará el concepto de matriz estándar de una transformación
matricial. Se demostrará que toda transformación lineal entre espacios vectoriales de di-
mensiones finitas puede representarse como una transformación matricial.
18
Teorema 1.5. (Matriz de una transformación lineal)
Sea T : V → W una transformación lineal entre dos espacios vectoriales V y W dde
dimensiones finitas. Sea B = {v1 , ..., vn } una base de V y B 0 = {v10 , ..., vm
0
} una base de
W . La matriz A mxn cuyas columnas son
[T (v1 )]B 0 , ..., [T (vn )]B 0
Es la única matriz que satisface
[T (v)]B 0 = A[v]B
Demostración. Como B genera a V , hay escalares c1 , ..., cn tales que v = c1 v1 + · · · + cn vn .

Ası́
T (v) = c1 T (v1 ) + · · · + cn T (vn )
Porque T es lineal. Por consiguiente
[T (v)]B 0 = c1 [T (v1 )]B 0 + · · · + cn [T (vn )]B 0

 
c1
= A  ...  = A[v]B
 
cn
La verificación de que A es la única matriz con la propiedad [T (v)]B 0 = A{v}B para todo
v∈V
Definición 1.3. La matriz A del teorema 1.5 se llama matriz de T con respecto a B y
B 0 . Si V = W y B = B 0 , A se llama matriz de T con respecto a B (figura 1.13).
Observaciones
1. El teorema 1.5 es muy útil. Si conocemos A es posible evaluar T (v) calculando [T (v)]B 0
como A[v]B , lo cual es tan sólo una multiplicación de matrices.
19
Figura 1.13: Matriz de una transformación lineal.[NAKOS]
2. La matriz de T depende de T, B y B 0 . Aun cuando se modifica el orden de los vectores

en una de las bases, la matriz T cambia
El teorema 1.5 tiene la consecuencia importante de que las únicas transformaciones
lineales de Rn a Rm son las transformaciones matriciales.
Teorema 1.6. Toda transformación lineal T : Rn → Rm es una transformación matricial
Demostración. Sean B y B 0 las bases estándar de Rn y Rm , respectivamente entonces
según el teorema 1.5, hay una matriz A tal que
[T (v)]B 0 = A[v]B
Para todo v ∈ Rn . Pero como T (v) = [T (v)]B 0 y A[v]B = Av para bases estándar, tenemos
T (v) = Av
Por consiguiente, T es una transformación mátricial cuya matriz estándar es A.
Ejemplo 1.13. Sea T : R2 → R3 la transformación lineal definida por
 
2x + y
x
= x−y 
y
x + 4y
20
y sean B = {v1 , v2 } y B 0 = {v10 , v20 , v30 } las bases de R2 y R3 , donde
v1 = e2 v2 = e1
y
v10 = e3 , v20 = e2 v30 = e1
respectivamente,
(a) Determine la matriz A de T con respecto a las bases B y B 0 .
(b) La matriz estándar de T ¿es igual que A del inciso (a.) ?

−4
(c) Evalúe T en forma directa y a partir del inciso (a.).
6
Solución 1.13. (a) En este caso,
   
1 2
0 1
T (e2 ) = T = −1
  y T (e1 ) = T = 1 

1 0
4 1
A continuación necesitamos [T (e2 )]B 0 y [T (e1 )]B 0 . Es fácil verificar que
       
1 4 2 1
 −1  =  −1  y  1  = 1 
4 B0 1 1 B0 2
Por consiguiente,
 
4 1
A =  −1 1 
1 2
(b) La matriz estándar de T, que también es la matriz de T con respecto a la base estándar,
es
 
2 1
 1 −1 
1 4
que no es igual que A.
(c) Al sustituir en la fórmula para T, se obtiene
 
−2
−4
T =  −10 
6
20
21

−4 6
Por otro lado, para usar A se necesita , que es . De manera que,
6 B −4
   
4 1 20,0
−4 6
T =  −1 1  =  −10,0 
6 0 −4
B 1 2 −2,0
Ası́, por la definición de un vector coordenado con respecto a B 0 .
       
0 0 1 −2,0
−4
T = 20  0  − 10  1  − 2  0  =  −10,0 
6
1 0 0 20,0
1.5. Transformaciones afines
Definición 1.4. Sea A una matriz mxn, una transformación afı́n T : Rn → Rm

tiene la forma
T (x) = Ax + b
Para algún vector m fijo b. Esta transformación es no lineal si b 6= 0. Por lo anterior,
T (0) 6= 0. En el caso especial en que m = n y A sea la matriz I de identidad , n × n,
entonces
T (x) = Ix + b = x + b
A esa T se le llama traslación por b.
Una traslación por un vector b 6= 0 desplaza a una figura sumando b a todos sus puntos.
Una transformación afı́n es una transformación lineal seguida de una traslación.
Figura 1.14: (a)Traslación,(b)transformación afı́n: rotación y después traslación.
La figura 1.14(a) muestra la imagen S’ del cuadrado S después de la traslación por (2,-1).
La figura 1.14(b) muestra la imagen S’ del cuadrado S bajo la transformación afı́n.
22
" √ √ #
2
−√ 22

√2
−2
T (x) = 2 2
x+
0
2 2
T consiste en una rotación de 45◦ seguida de una traslación por (−2, 0).
Las transformaciones afines con n = m = 2 y n = m = 3 son muy útiles para las gráficas
en computadora.
Ejemplo 1.14. Obtener la transformación afı́n T que convirtió la imagen izquierda de la

figura 1.15 en la derecha, puesto que se usaron los puntos siguientes:
(1, 0), (0,7, 0,7), (0, 1), (−0,7, 0,7), (−1, 0), (−0,7, −0,7), (0, −1), (0,7, −0,7), (1, 0)
cuyas respectivas imágenes fueron:
(2, −1), (2,05, −0,3), (1,5, 0), (0,65, 0,3), (0, −1), (0,05, −1,7), (0,5, −2), (1,35, −1,7), (2, −1)
Figura 1.15: Traslación con deslizamiento de un polı́gono.

b1 a b
Solución 1.14. Sean T (x) = Ax + b con b = yA . Entonces
b2 c d

x1 a b x1 b1 ax1 + bx2 + b1
T = + =
x2 c d x2 b2 cx1 + dx2 + b2
ya que

0 a + b1 2
T = =
1 c + b2 −1
23

0 b + b1 1,5
T = =
1 d + b2 0
−1 −a + b1 0
T = =
0 −c + b2 −1
llegamos al sistema
a + b1 =2
c + b2 = −1
b + b1 = 1,5
d + b2 =0
−a + b1 =0
−c + b2 = −1
cuya solución es a = 1, b = 0,5, c = 0, d = 1 y b1 = 1, b2 = −1. De modo que,

1 0,5 1
T (x) = Ax + b = x+
0 1 −1
Por lo anterior, T es el deslizamiento en 0,5 a lo largo del eje x seguido de la traslación

por (1, −1).
Si observamos la figura 1.16, la transformación afı́n T se describe con la rotación de 45◦

en dirección positiva en torno al eje z seguida de una traslación por (1, 1, 1), esto se aplicó
al tetraedro
 √2de la√izquierda
 y produjo
 el tetraedro de la derecha.
2
√2
−√ 2 0 1
2 2
T (x) = 
2 2
0 x+ 1 
 
0 0 1 1
Figura 1.16: Tetraedro girado y trasladado.
24
Capı́tulo 2
Monstruos Matemáticas
La historia de los fractales comienza a finales del siglo XIX, en el siglo XX permanecen en
estado de quietud. En el último cuarto del siglo XX y casi en paralelo a la evolución de la
investigación de los sistemas caóticos, los fractales van cobrando un auge creciente, hasta
convertirse en un concepto cada vez más extendido en todas las ciencias.
En este apartado nos introduciremos en el tema mostrando algunos fractales famosos.
2.1. Fractales
A finales del siglo pasado, el matemático Charles Hermite tildaba de ”plaga lamentable”la
fascinación que algunos otros matemáticos sentı́an por determinadas curvas que desafiaban
los cimientos de la geometrı́a de la época. Muchos como él consideraban patológicas aquel
tipo de curvas, desentendiéndose de sus insólitas propiedades. Uno de aquellos primeros
monstruos geométricos era el denominado conjunto de Cantor. Su definición es:
Se toma un segmento de determinada longitud (por ejemplo el intervalo [0, 1] de la recta
real) y se divide en tres segmentos de igual longitud, se elimina el segmento central y el
proceso se repite con los dos nuevos segmentos resultantes. El resultado de repetir este
proceso infinitas veces (paso al lı́mite) es el conjunto de Cantor.
Un espectador infinitesimal que observara la repetición anterior durante una eternidad,
no terminarı́a por ver desaparecer la totalidad de los los puntos. El consolidado sistema
de de medidas de la época (medida de Lebesgue) daba para dicho conjunto medida nula.
Tarde o temprano se tuvo que aceptar que aquel sistema de medidas era insuficiente.
En 1890, Peano ideó otro de tales rarezas: una curva que rellenaba el plano ¿Cómo podı́a
una región cuadrada del plano ser una curva? Años más tarde Hilbert ideó una curva con
idéntica propiedad pero de más sencilla elaboración.
25
Otro ejemplo es el de la curva ideada por el Matemático Helge Von Koch en 1904. Un
segmento se divide en tres partes iguales, suplantando la central por los dos segmentos
que junto a dicha parte formarı́an un triángulo equilátero. El proceso se repite infinitas
veces con los cuatro segmentos resultantes. Una caracterı́stica sorprendente de la curva de
Koch es que un perı́metro infinito aloja un área finita.
Todas estas formas han terminado por transformar muchos de los conceptos dados por
válidos hasta el siglo pasado, terminando en la denominada teorı́a geométrica de la medida
desarrollada en las primeras décadas del siglo XX. Uno de los aspectos más importantes
surgidos de esta teorı́a es la redefinición del concepto de dimensión a cargo de Hausdorff,
que permite que estas curvas tengan dimension fraccionaria. La curva de Koch tiene una
dimensión de Hausdorff de 1, 2618 lo cual indica que está más cerca de ser una recta
(dimensión 1) que una área (dimensión 2). Los trabajos de Hausdorff fueron continuados
durante la década de los años 20 del siglo XX por Besicovitch derivando la teorı́a geométrica
de la medida.
Hoy dı́a todas las curvas anteriores están contenidas dentro de una clase más amplia de
objetos matemáticos denominados fractales. El término fractal fue acuñado por Benoit
Mandelbrot (descubridor de uno de los más bellos y complejos conjuntos matemáticos,
que lleva su nombre) hace apenas unos veintisiete años como un neologismo derivado
de la palabra latina fractus 1 estando aún por establecer la definición exacta y definitiva
del término. Sin embargo, de algo no hay duda: las curvas anteriormente descritas son
genuinamente fractales.
Resulta curioso que los matemáticos que sentaron las bases de la teorı́a geométrica de
la medida a comienzos de este siglo, lo hicieron desde un punto de vista completamente
teórico, sin intuir los cambios que han propiciado a las matemáticas como tal.
2.2. El conjunto de Cantor

El conjunto de Cantor2 es un ejemplo clásico de conjunto no numerable con el mismo
cardinal que el continuo, pero, a pesar de ello, con medida de Lebesgue unidimencio-
nal(longitud)nula. Una breve descripción de esta medida puede encontrarse en el apéndice
A.
Para construir el conjunto de Cantor se partirá del intervalo unidad E0 = [0, 1] ⊂ R,
Dividimos dicho intervalo en tres partes iguales y consideramos los intervalos cerrados de
1
Aunque Mandelbrot definió el sustantivo fractal con un genero femenino, son raras las referencias en
castellano que se refieren a las fractales y gran mayorı́a las que lo hacen a los fractales.
2
George Cantor Nació en San Petersburgo (Rusia). Su madre era rusa y su padre era un comerciante
danés. En 1856 la familia se trasladó a Wiesbaden (Alemania),Cantor estudió los conjuntos infinitos
26
los extremos
E11 = 0, 13
2
E12 = 3
,1
cada uno de ellos de longitud 31 .

El proceso anterior se repite sobre los nuevos conjuntos obtenidos. Cada uno de estos
intervalos se divide en tres intervalos de igual longitud para prescindir del intervalo central
y considerar los cuatro intervalos cerrados
E21 = 0, 19 E22 = 29 , 13 E23 = 23 , 79 E24 = 89 , 1

cada uno de ellos de longitud 91 .

Si continuamos indefinidamente de esta forma, en la etapa k -ésima tendremos 2k intervalos
cerrados Ekj con j = 1, 2, . . . , 2k cada uno de ellos de longitud 3−k .
Figura 2.1: El conjunto ternario de Cantor se obtiene de manera inductiva comenzando

por el segmento de unidad y quitando en cada etapa a cada intervalo el segmento medio
resultante de dividirlo entres partes iguales.
Consideremos ahora para cada k = 1, 2, . . . el conjunto
2 k
[
Ek = Ekj
j=1
Observemos que los conjuntos Ek , k = 1, 2, . . . , forman una sucesión monótonamente

decreciente, esto es
Ek+1 ⊂ Ek ∀k
El conjunto lı́mite de este proceso
27
∞
\
E= Ek
k=1
se denomina conjunto ternario de Cantor. En la figura 2.1 se muestran las primeras etapas
de la generación del conjunto de Cantor.
Las propiedades asombrosas de este conjunto son abundantes. Veamos unas cuantas. En
primer lugar observemos que E no es vacı́o ya que en cada Ek están, como mı́nimo, los
extremos de los 2k intervalos cuya unión nos da Ek y, por lo tanto, también están en E.
Además, el conjunto de Cantor es cerrado por ser intersección de cerrados.
Con todo, éstos no son los únicos puntos de E; si ası́ fuera, se tratarı́a de un conjunto
numerable. Pero E es no numerable. Veámoslo.
Cada punto de E es representable de forma única mediante
a1 a2 an
a= 3
+ 32
+ ··· + 3n
+ ···
donde cada ai es 0 ó 2. Podemos entonces escribirlo en base tres como
a = 0.a1 a2 . . . an . . .
Recı́procamente, cada expresión de este tipo corresponde a un punto de E. Si E fuera
numerable3 podrı́amos ordenar sus elementos. Supongamos que es cierto lo anterior y que
E es numerable
a1 = 0.a11 a12
a2 = 0.a21 a22
a3 = 0.a31 a32
............
y formemos un punto 0.b1 b2 . . . a partir de la sucesión anterior con la regla siguiente

siann = 0, bn = 2
siann = 2, bn = 0
3
Un conjunto es infinito si tiene el mismo cardinal que una parte estricta suya, esto es, si puede
establecerse una aplicación biyectiva entre el conjunto y un subconjunto propio suyo. Un conjunto es
numerable si tiene el mismo cardinal que N. Cantor demostró que Q es numerable y que R es no numerable.
28
El número ası́ formado no está en la sucesión anterior y, sin embargo, pertenece claramente
a E y, por tanto, E no puede ser numerable.
Este procedimiento es muy similar a la famosa técnica utilizada por Cantor para demostrar
la numerabilidad de R.
Aun ası́ el conjunto de Cantor tiene medida de Lebesgue unidimensional nula. Esta medida
se discute en el apéndice A. Para cualquier etapa k, la familia de intervalos {Ekj }, j =
1, . . . , 2k , es un recubrimiento de E formado por intervalos disyuntos. Ası́ se tiene, por las
propiedades de la medida de Lebesgue, que
2k 2k
[ X 2
1
L (E) ≤ L (1
Ekj ) = L1 (Ekj ) = 2k 3−k = ( )k
j=1 j=1
3
Puesto que la desigualdad es cierta para todo k y ( 32 )k tiende a cero cuando k tiende a
infinito, se obtiene L1 (E) = 0.
Aunque aquı́ no se demostrará, puede comprobarse, además, que el conjunto E no contiene
intervalos, es decir, es infinitamente poroso.
2.3. Curvas de Peano y Hilbert

En 1980 Peano construyó una curva continua que pasa por todos los puntos del cuadrado
unidad [0, 1]2 Era el primer ejemplo de una curva que llena un espacio. Años más tarde,
Hilbert construye otra del mismo tipo con una construcción geométrica más simple de
describir. La curva de Hilbert se construye iterando el procedimiento que puede observarse
en la figura 2.2. En cada etapa cada segmento se sustituye por otros cuatro con la mitad
de longitud. La curva Lı́mite de tales poligonales llena el cuadrado de unidad.
2.4. Curva de Koch

Esta curva fue construida en 1904 por el matemático Helge von Koch, se parte del segmento
unidad [0, 1] y se divide en tres partes iguales, sustituyendo la parte central por los dos
segmentos que junto con dicha parte formarı́an un triángulo equilátero. Con cada uno de
los cuatro segmentos que ası́ queden determinados se repite la operación anteriormente
descrita.
se procede indefinidamente de esta forma obteniendo en cada etapa k una poligonal de
longitud ( 34 )k . La curva de Koch se define como la curva lı́mite a que converge la sucesión
29
Figura 2.2: Primeras etapas de la generación de la curva de Hilbert. La curva de Hilbert
es un ejemplo de curva que llena el plano, por lo que su dimensión fractal es 2.
cuando k tiende a infinito. Se trata, por tanto, de una curva de longitud infinita pues ( 43 )k
tiende a infinito con k. Más aún, la longitud de la parte de curva comprendida entre dos
puntos cualesquiera de la misma también es infinita. El área bajo la curva, por otra parte,
viene dada por la serie
1 + ( 49 ) + ( 49 )2 + ( 49 )3 + · · ·
Figura 2.3: Primeros pasos del proceso de construcción de la curva de Koch. En el lı́mite
dados dos puntos cualesquiera de la curva es imposible llegar a uno de ellos desde el otro
por encima de la curva. La longitud de cualquier tramo de curva es infinita.
que converge a 93 asumiendo que el área bajo el triángulo de la primera iteración es 1. En

la figura 2.3 pueden verse las primeras etapas de la generación de la curva de Koch.
30
Capı́tulo 3
Conjuntos Autosemejantes
3.1. Conjuntos autosemejantes famosos

Como muestra de estos conjuntos se abordaran tres conjuntos célebres.
3.1.1. Conjunto de Cantor

Consideremos un sistema Ψ1 , Ψ2 de dos contracciones de R de ecuaciones Ψ1 = x3 y
Ψ2 (x) = x3 + 23 . La primera transforma I = [0, 1] en el intervalo [0, 31 ], mientras que
Ψ2 (I) = [ 32 , 1].
Sabemos que el conjunto de Cantor E construido en el página 26 no es otro que el conjunto
de los números reales incluidos en I tales que en sus expresiones decimales en base tres
sólo figuran ceros y doses. Observamos que si x es uno de tales números, x3 también lo es
(la división por 3 en base 3 se efectúa corriendo la coma decimal un lugar a la izquierda).
También x3 + 23 estará en el conjunto de Cantor, ya que ahora tras correr la coma un lugar
a la izquierda sumaremos 0, 2 (en base 3).
Los conjuntos Ψ1 (E) y Ψ2 (E) resultan ser aquı́, respectivamente, aquellos puntos del con-
junto de Cantor cuyas expresiones decimales comienzan por 0, 0 y aquellos que comienzan
por 0, 2. Entre ambos reúnen todos los puntos de E, siendo vacı́a su intersección. He-
mos probado que el conjunto de Cantor es autosemejante con arreglo a la definición dada
anteriormente.
3.1.2. Conjuntos de Cantor en R2

Para obtener el conjunto de cantor en R2 mostrado en la figura partiendo de un cuadrado
utilizamos un sistema de cuatro semejanzas: las que transforman el cuadrado inicial en
31
Figura 3.1: El conjunto de cantor en R2 es un conjunto autosemejante bajo el sistema de
cuatro semejanzas que transforman el cuadrado inicial en cada en cada uno de los cuatro
cuadrados de las esquinas.
cada uno de los cuadrados pequeños que ocupan sus cuatro esquinas. Más concretamente,
si Ψ1 y Ψ2 son las semejanzas del ejemplo anterior, nuestras cuatro semejanzas son ahora
Figura 3.2: La curva de Koch se puede construir sustituyendo el segmento I por los
segmentos I1 , I2 , I3 , I4 y repitiendo en cada uno de ellos este proceso indefinidamente
φij = (Ψi (x), Ψj (y)), 1 ≤ i, j ≤ 2
El conjunto E se descompone en la unión de cuatro copias semejantes, que son precisa-

mente las φij (E).
3.2. Curva de Koch

Consideremos las cuatro semejanzas del plano que transforman el segmento unitario I en
los cuatro segmentos de la figura 3.2.
Puede demostrarse que la curva de Koch es autosemejante respecto a estas cuatro seme-
janzas, cada una de las cuales tiene razón 13 . En el capı́tulo siguiente se dan las ecuaciones
exactas de tales semejanzas.
32
3.3. Espacios métricos
Antes de profundizar en las caracterı́sticas de los conjuntos autosemejantes, es necesario
mostrar algunos conceptos sobre topologı́a y espacios métricos cuya comprensión es vital.
Aunque en un principio puedan parecer conceptos excesivamente abstractos, se verá su
utilidad a la hora de conformar una base teórica sólida de la geometrı́a fractal.
Se dice que d es una métrica o distancia definida en un conjunto X si a cada par de puntos
x, y ∈ X se les puede asignar un número real d(x, y) tal que:
1. ∀x, y ∈ X, d(x, y) ≥ 0 y d(x, y) = 0 ⇔ x = y
2. ∀x, y ∈ X, d(x, y) = d(y, x)
3. ∀x, y, z, ∈ X, d(x, z) ≤ d(x, y) + d(y, z) (desigualdad triangular )
Al par (X, d) se le denomina espacio métrico. Un ejemplo caracterı́stico de espacio métrico

es el espacio Rn con la distancia euclı́dea habitual
v
u n
uX
d(x, y) = |x − y| = t (x2 − y 2 )
k k
k=1
con x, y ∈ Rn .
Si (X, d) es un espacio métrico, todo A ⊂ X admite de forma natural una métrica dA ,
dada para x, y ∈ A por
dA (x, y) = d(x, y)
lo que convierte (A, dA ) en un espacio métrico del que se dice es subespacio métrico de
X.
En un espacio métrico (X, d), dado un punto x ∈ X y un número real r > 0 se define
bola abierta de centro x y radio r como el conjunto
B(x, r) = {y ∈ X = d(x, y) < r}
Si en esta definición se cambia < por ≤ se obtiene la definición de bola cerrada con
centro x y radio r.
Un subconjunto A de un espacio métrico se dice acotado si esta incluido en alguna bola
del espacio métrico.
33
Definición 3.1. Dado un conjunto acotado A ⊂ R no vacı́o, el supremo de A, que repre-
sentamos por supA, cumple las dos condiciones siguientes:
1. Para cualquier x ∈ A se verifica x ≤ supA
2. dado ε > 0, por pequeño que sea, existe x ∈ Atal que x > (supA) − ε es decir, un punto
x tan próximo al supremo de A como queramos
Si el conjunto A es cerrado (incluye a su frontera), no sólo ocurre lo anterior, sino que de
hecho existe x ∈ A tal que x = sup A, y entonces sup A = max A, esto es, el supremo
se convierte en máximo. A partir de esta definición de supremo es sencillo obtener la de
ı́nfimo y mı́nimo de un conjunto.
Dado un subconjunto acotado A en un espacio métrico (X,d) se define diámetro de A
como
|A| = sup {d(x, y)}

x,y∈A
Si A y B son conjuntos acotados de X (en particular cuando alguno de ellos se reduce a

un punto), se define distancia1 entre A y B como
d(A, B) = inf {d(x, y)}

x∈A,y∈B
En un espacio métrico (X, d) un conjunto A se llama abierto si para cada x ∈ A hay

una bola B(x, r) ⊆ A. Un conjunto B se llama cerrado si su complementario X − B es
abierto.
En un espacio métrico (X, d) dado A ⊆ X se llama adherencia de A al conjunto
Ā = adh(A) = {x ∈ X : para toda bola B(x, r), B(x, r) ∩ A 6= ∅}
La adherencia de un conjunto es el mı́nimo conjunto cerrado que lo contiene y también

Ā = adh(A) = {x : d(A, x) = 0}
Un conjunto es cerrado si y sólo si coincide con su adherencia.
Dado A ⊆ X se llama interior de A al conjunto
1
Esta distancia no coincide con la métrica de Hausdorff dH que se verá más adelante; de hecho, ni
siquiera es una métrica según la definición anterior ya que no cumple el apartado 1.
34
Int(A) = {x ∈ A : ∃B(x, r) ⊆ A}
El interior de un conjunto es el mayor conjunto abierto contenido en él. Un conjunto es

abierto si y sólo si coincide con su interior.
Una sucesión {xn } de puntos de un espacio métrico (X, d) es convergente si existe un
número x que verifique que para cualquier ε > 0 existe un natural N tal que si n > N,
d(x, xn ) < ε. Entonces se escribe x = lı́mn→∞ xn .
Una aplicación f : X → Y entre dos espacios métricos es continua en x ∈ X si para
todo ε > 0 existe δ tal que
d(x, y) > δ ⇒ d(f (x), f (y)) < ε
Si f es continua en todo punto de X, se dice que es continua en X. Una condición necesaria

y suficiente para que f sea continua en x es que, para toda {xn } convergente a x, sea
lı́m f (xn ) = f (lı́m xn )f (x)
Una condición necesaria y suficiente para que f sea continua en X es que para todo A ⊆ X
sea
f (adh(A)) ⊆ adh(f (A))
3.3.1. Espacios métricos completos y compactos

En un espacio métrico (X, d) una sucesión {xn } se llama de cauchy si para todo ε > 0
existe un N tal que si p, q > N , d(xp , xq) > ε. Toda sucesión convergente es de Cauchy,
pero puede haber sucesiones de Cauchy que no sean convergentes. Cuando toda sucesión
de Cauchy es convergente a un punto de X, al espacio métrico se le denomina completo.
Un espacio métrico es compacto si para toda sucesión {xn } de puntos de X admite
una subsucesión convergente a un punto de X. Son ejemplos caracterı́sticos de conjuntos
compactos los conjuntos cerrados y acotados de Rn . La imagen de un conjunto compacto
por una aplicación continua entre espacios métricos es un conjunto compacto.
3.3.2. Aplicaciones contractivas en espacios métricos

Una aplicación f : X → X, donde (X, d) es un espacio métrico, es contractiva si para
x, y ∈ X, d(f (x), f (y)) ≤ k · d(x, y) para cierto 0 < k < 1 llamado constante de la
contracción, módulo de la contracción o razón de contractividad. En estas
condiciones se verifica la siguiente proposición.
35
Proposición 3.1. Si la aplicación f : X → X sobre el espacio métrico X es contractiva,
entonces se cumple:
1. f es continua
2. Si g : X → X es contractiva de módulo k 0 , entonces g ◦ f es contractiva de módulo

k · k0
3. f n es contractiva de módulo k n
La demostración se puede encontrar en [[GUZMAN],pag.150]
3.4. Teorema del punto fijo

Estamos en condiciones de dar un teorema importante para nuestro trabajo, ya que sin el
la compresión fractal (al menos tal como hoy se conoce) no seria posible. Se trata, además,
de un resultado muy útil en muchas áreas de las matemáticas.
Teorema 3.2. (Teorema del punto fijo) Si X es un espacio métrico completo y

f : X → X es una aplicación contractiva de módulo k, entonces existe un único x ∈ X
denominado punto fijo de la contracción tal que f (x) = x.
Demostración. No puede existir x e y tales que f (x) = x y f (y) = y, ya que en tal caso
d(f (x), f (y)) = d(x, y)
y sin embargo, la contractividad de f impone
d(f (x), f (y)) < d(x, y)
Esto prueba que si x existe, es único.
Teorema 3.3. Si X es un espacio métrico completo y f : X → X es una aplicación

contractiva de módulo k, entonces, si x es el punto fijo de la contracción tal que f (x) = x,
se tiene que para cualquier y ∈ X
1. x = lı́mn→∞ f n (y)2
1
2. d(x, y) ≤ 1−k
d(y, f (y))
2
Nota: donde f 1 (y) = f (y), f 2 (y) = f (f (y)), f 3 (y) = f (f (f (y))) . . .
36
Demostración. Veamos en primer lugar la demostración de 1. Probaremos a continuación
que, dado un y ∈ X arbitrario, la sucesión cuyo término general es yn = f n (y) es de
Cauchy.
Para p ≥ 1 arbitrario
d(yp , yp+1 ) = d(f (yp−1 ), f (yp )) ≤ k · d(yp−1 , yp )
Aplicando esta formula repetidas veces se tiene
d(yp , yp+1 ) ≤ k p d(y0 , y1
para p < q arbitrarios, en virtud de la desigualdad triangular
d(yp , yq ) ≤ d(yp , yp+1 ) + d(yp+1 , yp+2 ) + · · · + d(yq−1 , yq )
∞
X
≤ d(yi , yi+1 )
i=p
∞
X
≤ d(y0 , y1 ) ki
i=p
k p
= d(y0 , y1 ) 1−k
y esta última expresión se hace más pequeña que un ε arbitrario tomando p suficientemente
grande.
Como {yn } es de Cauchy en el espacio completo (X, d), debe ser convergente. Si x es su
lı́mite, en virtud de la continuidad de f se tiene
f (x) = f ( lı́m yn )
n→∞
= lı́m f (yn )
n→∞
= lı́m yn+1
n→∞
37
=x
y esto prueba que x es el punto fijo de la contracción y concluye la demostración de 1.

Para demostrar 2., tomando p = 0 en
kp
d(yp , yq ) ≤ d(y0 , y1 ) 1−k
se obtiene
1
d(y0 , yq ) ≤ 1−k
d(y0 , y1 )
Tomando lı́mites cuando q tiende a infinito
1
lı́m d(y0 , yq ) = d(y0 , lı́m yq ) = d(y0 , x) ≤ d(y0 , f (y0 ))
q→∞ q→∞ 1−k
donde y0 ∈ X es arbitrario.
3.5. Invarianza respecto a un sistema de semejanzas

Expondremos ahora un resultado que proporciona un criterio más eficaz para probar la
autosemejanza de conjuntos al permitir su construcción directa a partir de sistemas de
autosemejanzas. En los ejemplos de la sección 3.1 hemos encontrado el sistema de semejan-
zas a posteriori basándonos en el conocimiento que tenı́amos del proceso de construcción
de los conjuntos. Además, la demostración rigurosa de la autosemejanza del conjunto de
Cantor fue posible porque se disponı́a de las expresiones decimales de sus puntos.
Conseguiremos ahora, por tanto, un método flexible para la construcción y caracterización
de autosemejantes (con el que se puede probar de forma elemental la autosemejanza de
todos los fractales mencionados en el apartado 3.1).
Teorema 3.4. Dado un sistema S = {Ψ1 , Ψ2 , . . . , Ψm } de semejanzas contractivas de Rn

(esto es, todas ellas de razón menor a la unidad) existe un único compacto y no vacı́o
E ⊂ Rn tal que
m
[
E= Ψi (E)
i=1
38
Observemos que el conjunto E cuya existencia conocemos a partir de cualquier sistema
de semejanzas contractivas, dado a priori, satisface la condición 1. de la definición de
autosemejante, pero nada podemos asegurar respecto de la condición 2.
39
Capı́tulo 4
Sistemas de Funciones Iteradas
4.1. El espacio de los fractales

J. E. Hutchinson fue en 1981 el primer matemático que, estudiando las propiedades co-
munes (compacidad, autosemejanza etc.) de los fractales ya conocidos, elaboró una teorı́a
unificada para la obtención de una amplia clase de conjuntos fractales: los conjuntos auto-
semejantes.
En 1985, M. F. Barnsley generalizó el método de Hutchinson. Mientras que éste utiliza
semejanzas contractivas, Barnsley utiliza aplicaciones contractivas, lo que permite ampliar
notablemente la familia de fractales obtenidos, de la que ahora los conjuntos autoseme-
jantes son un subconjunto.
Debe tenerse en cuenta que durante este capı́tulo consideraremos fractal en sentido amplio
a todo conjunto compacto, es decir, a cualquier conjunto no vacı́o acotado y que conten-
ga a su frontera. Esta consideración surge del hecho de poder unificar bajo un nombre
común a todos los conjuntos que se pueden derivar de un sistema de funciones itera-
das, independientemente de que posean o no estructura fractal. De cualquier modo, los
resultados obtenidos serán aplicados ı́nicamente a los auténticos conjuntos fractales.
Llamaremos, por tanto, fractal a cualquier subconjunto compacto y no vacı́o de Rn y
espacio de los fractales, o espacio donde van a vivir los fractales, de Rn al conjunto de
todos los fractales de dicho espacio, es decir, al conjunto:
H(Rn ) = {K : K ⊂ Rn , K 6= ∅ y K es compacto}
Puesto que aquı́ vamos a tratar sobre el problema de aproximar objetos naturales (fracta-
les en un cierto espacio Rn ) mediante fractales que nosotros podamos generar, es necesario
40
disponer de una métrica que nos dé la distancia entre elementos del espacio H(Rn ). Noso-
tros consideraremos la métrica de Hausdorff dH . dH es una métrica sobre el espacio H(R)n
y el espacio de los fractales (H(Rn ) ,dH ) es un espacio métrico completo.
4.2. Aplicaciones contractivas

Vamos a estudiar lo que ocurre cuando el conjunto de transformaciones está formado por
aplicaciones de una clase mucho más amplia: aplicaciones contractivas. Toda aplicación
contractiva es continua e induce una aplicación contractiva en el espacio métrico completo
(H(Rn ), dH )
Intuitivamente una aplicación contractiva f : Rn → Rn es aquella que acerca los puntos y
contrae las figuras como se refleja en la figura 4.1 Entre dos figuras semejantes y distintas
del plano euclı́deo siempre existe una aplicación contractiva que transforma la mayor en la
menor. Esta aplicación contractiva es una composición de isometrı́as (traslaciones, giros y
simetrı́as) y una homotecia contractiva. A continuación se muestran las transformaciones
Figura 4.1: Una aplicación contractiva f acerca los puntos y contrae, por tanto, los con-
juntos sobre los que se aplica.
elementales del plano euclı́deo. Cualquier giro, simetrı́a u homotecia se puede obtener por
composición de las transformaciones elementales siguientes. Si las isometrı́as y homotecias
que definen una aplicación contractiva son fáciles de determinar, entonces dicha aplicación
se puede obtener como composición de las mismas. Si, por el contrario, son difı́ciles de
determinar, se puede proceder directamente a calcular la semejanza teniendo en cuenta
que toda semejanza es una transformación afı́n y que, por tanto, sus ecuaciones son:
f (x, y) = f (ax + by + e, cx + dy + f )
o bien
41
Figura 4.2: Traslación mediante el vector (α, β)
Figura 4.3: Giro de ángulo ϕ y centro en el origen.

x a b x e
f = +
y c d y f
Para determinar los coeficientes a; b; c; d; e y f se procede a determinar las imágenes de
tres puntos y a resolver el correspondiente sistema de seis ecuaciones con seis incógnitas
que nos dará sus valores:
f (x1 , y1 ) = (ax1 + by1 + e, cx1 + dy1 + f ) = (x01 , y10 )

Cuando la aplicación contractiva que transforma una figura en otra es una transformación
afı́n (lo que ocurre cuando una figura se obtiene de la otra mediante giros, traslaciones,
42
Figura 4.4: Simetrı́a respecto del eje de abscisas.
Figura 4.5: Homotecia centrada en el origen de razón k.
homotecias, simetrı́as y estiramiento o comprensión en el sentido de algunos ejes).

Veamos algunos ejemplos.
Ejemplo 4.1. Consideremos el triángulo de Sierpinski T ⊂ R2 y la representación de la

figura 4.7.
Podemos poner T = T1 ∪ T2 ∪ T3 , siendo T1 ,T2 y T3 las partes del triángulo de Sierpinski

que caen dentro de los tres triángulos de lado 1/3 en la figura 4.7 se muestran.
Cada parte Ti , 1 ≤ i ≤ 3, del triángulo de Sierpinski es semejante al conjunto total T .
Luego existirán semejanzas contractivas f1 , f2 y f3 tales que fi (T ) = Ti , 1 ≤ i ≤ 3 que
hacen que.
T = f1 (T ) ∪ f2 (T ) ∪ f3 (T )
43
Figura 4.6: .
Vamos a determinar esas transformaciones. La semejanza f1 es una homotecia de centro

el origen y razón 1/3, luego
f1 (x, y) = x3 , y3

o matricialmente
1

x 3
0 x
f1 = 1
y 0 3
y
La semejanza f2 es una homotecia de centro el origen y razón 31 , seguida de una traslación
de vector ( 23 , 0), luego
f2 x, y = x3 , y3 + 23 , 0

o bien
1 2

x 3
0 x 3
f2 = 1 +
y 0 3
y 0
y la semejanza f3 es una homotecia de centro el origen y razón 31 seguida de una traslación
de vector ( 32 ) cos 60◦ , 23 ) sin 60◦ , luego
f3 x, y = x3 , y3 + 23 cos 60◦ , 23 sin 60◦

o en forma matricial
1
cos 60◦

x 3
0 x 2
f3 = +
y 0 1
3
y 3 sin 60◦
44
Figura 4.7: Cada parte Ti , 1 ≤ i ≤ 3, del triángulo de Sierpinski es semejante al triángulo
total.
Es fácil observar que cada una de las aplicaciones contractivas fi , 1 ≤ i ≤ 3, tiene razón
1
3
.
Ejemplo 4.2. Consideremos la curva de Koch K ⊂ R2 . Entonces K = ∪4i=1 Ki siendo
Ki , 1 ≤ i ≤ 4, tales que fi (K) = Ki y, por tanto, tales que
4
[
K= fi (K)
i=1
Vamos a determinar estas transformaciones. La semejanza f1 es una homotecia de centro

el origen y razón 31 , luego
1
x 3
0 x
f1 =
y 0 13 y
o es lo mismo
x y

f3 x, y = ,
3 3
La semejanza f2 es una homotecia de centro el origen y razón 13 , seguida de un giro de

centro el origen y ángulo 60◦ y seguida de una traslación de vector ( 13 , 0), luego
cos 60◦ − sin 60◦
1 1
x 3
0 x
f2 = ◦ ◦ 1 + 3
y sin 60 cos 60 0 3 y 0
45
Figura 4.8: Cada una de las partes Ki , 1 ≤ i ≤ 4, de la curva de Koch indicadas es
semejante a la curva total K.
y desarrollando
x cos 60◦ −y sin 60◦ +1 x sin 60◦ +y cos 60◦

f2 (x, y) = 3
, 3
La semejanza f3 es una homotecia de centro el origen y razón 13 , seguida

√ de un giro de cen-
√
tro el origen y ángulo −60◦ y seguida de una traslación de vector 33 cos 30◦ , 33 sin 30◦ =
√
3
( 12 , 6
), luego
1
cos(−60◦ ) − sin(−60◦ )
1
0 x
f3 (x, y) = ◦ ◦
3
1 + √23
sin(−60 ) cos(−60 ) 0 3 y 6
√
x cos 60◦ −y sin 60◦ ◦ ◦
y desarrollando f3 (x, y) = 3
+ 21 , −x sin 60 3+y cos 60 + 63 Por último, la
1
semejanza f4 es una homotecia de centro el origen y razón 3 , seguida de una traslación
de vector 23 , 0, luego
1 2
x 3
0 x
f4 = + 3
y 0 13 y 0
o bien
x+2 y

f4 (x, y) = 3
,3
Todas las aplicaciones fi , 1 ≤ i ≤ 4, son contractivas de razón 31 .

Si f : Rn → Rn es una aplicación contractiva, entonces la aplicación f : H(Rn ) → H(Rn )
es también contractiva. Aplicando el teorema de punto fijo a la aplicación f Rn existirá
un único punto xf ∈ Rn tal que f (xf ) = xf y aplicando a f en (H(Rn ), dH ) existirá un
único conjunto Kf ⊂ Rn compacto y no vacı́o Kf ∈ H(Rn ) tal que f (Kf ) = Kf y
46
lı́m f k (B) = Kf , ∀B ∈ H(Rn )
k→∞
en la métrica de Hausdorff.
Una familia finita de aplicaciones contractivas definidas sobre un mismo espacio Rn es lo
que llamaremos un sistema de funciones iteradas. Más concretamente:
Definición 4.1. Llamaremos sistema de funciones iteradas (SFI) en Rn a cualquier

familia finita fi N n n
i=1 de aplicaciones contractivas fi = R → R , 1 ≤ i ≤ N . Tal sistema de
funciones iteradas se representará por:
{f1 , f2 , . . . , fN }
y llamaremos razón de contractividad del SFI a
r = max{r1 , r2 , . . . , rN }
donde ri , 0 ≤ ri ≤ 1, es la razón de contractividad de fi (obviamente, 0 ≤ r < 1).
Ejemplo 4.3. En R2 , sea fi la aplicación contractiva que transforma el triángulo de Sier-

pinski T = T1 ∪ T2 ∪ Te en Ti , 1 ≤ i ≤ 3, según la figura 4.7 Estas aplicaciones son las
presentadas en la página 42.
Entonces f1 , f2 , f3 es un SFI y, puesto que la razon de cada una de las aplicaciones con-
tractivas fi , 1 ≤ i ≤ 3, es 13 , la razón de contractividad de este SFI es 31 .
Ejemplo 4.4. En R2 sea fi la aplicación contractiva que transforma la curva de Koch

K = K1 ∪ K2 ∪ K3 ∪ K4 , en Ki , 1 ≤ i ≤ 4, de la figura 4.8. Más concretamente, cada fi
responde a la forma dada en el ejemplo de la página 45
Ahora f1 , f2 , f3 , f4 es un SFI y, puesto que la razón de cada una de las aplicaciones con-
tractivas fi , 1 ≤ i ≤ 4 es 13 , la razón de contractividad de este SFI es también 13 .
En los dos ejemplos anteriores existe un conjunto que es igual a la unión de sus imágenes
obtenidas al aplicarle cada una de las aplicaciones contractivas. En el primer caso, si
T ⊂ R2 es el triángulo de Sierpinski, se cumple que T = ∪3i=1 fi (T ); en el segundo, si
K ⊂ R2 es la curva de Koch, K = ∪4i=1 fi (K)
Lo anterior nos sugiere plantearnos las siguientes cuestiones. Dado un SFI {f1 , f2 , . . . , fN }
en Rn ,
1. ¿Existirá un conjunto A ⊂ Rn tal que A = ∪N i=1 fi (A)? (invariante respecto del SFI) y,
si la pregunta a esta respuesta es afirmativa,
47
2. ¿ será único?, ¿ cómo se obtendrá?
Si {f1 , f2 , . . . , fN } es un SFI de razón r y K ⊂ Rn es un conjunto compacto no vacı́o,

entonces fi (K), 1 ≤ i ≤ N , será también, po la continuidad de fi , compacto y no vacı́o.
Puede demostrarse que la unión finita de conjuntos compactos es un conjunto compacto.
Con ello se tendrá que la aplicación está bien definida
F : H(Rn ) → H(Rn )
N
[
F (K) = fi (K), ∀K ∈ H(Rn )
i=1
Las cuestiones planteadas anteriormente se traducen ahora, en el contexto de la función

F , en el estudio de la existencia y unicidad de algún punto fijo para esta aplicación, es
decir, de algún conjunto A ∈ H(Rn ) tal que
N
[
F (A) = fi (A) = A
i=1
La aplicación F es contractiva de razón r en el espacio métrico completo (H(Rn ), dH ).

Aplicando el teorema del punto fijo existirá un único A ∈ H(Rn ) tal que
F (A) = A
y, además, para todo B ∈ H(Rn ) se cumple que
lı́m F k (B) = A
k→∞
en el espacio métrico (H(Rn ), dH ).

Con todo esto hemos probado el siguiente resultado:
Teorema 4.1. Sea {f1 , f2 , . . . , fN } un sistema de funciones iteradas en Rn de razón de

contractividad r, 0 ≤ r < 1. Entonces existe un único fractal A ∈ H(Rn ) tal que
F (A) = N
S
i=1 fi (A) = A
48
Además, para cualquier fractal B ∈ H(Rn ) se cumple
limk→∞ F k (B) = A
en el espacio métrico completo H(Rn ), dH .
Definición 4.2. Sea {f1 , f2 , . . . , fN } un SFI sobre Rn . se llama atractor del SFI al único
fractal A ∈ H(Rn ) que verifica
N
[
F (A) = fi (A) = A
i=1
cuya existencia y unicidad queda asegurada por el teorema anterior.
Si A es el atractor asociado a un SFI f1 , f2 , . . . fN de razón r, el teorema anterior nos

sugiere un método para la obtención del conjunto A. Este método consiste en partir de
un conjunto compacto y no vacı́o B ⊂ Rn e iterar la aplicación F sobre B, hallando los
primeros términos de la sucesión {F k (B)}∞
k=0 . El teorema 3.3 nos proporciona también un
método para calcular en cada paso, una cota de la distancia de Hausdorff entre el atractor
A y su aproximación F k (B). Esta fórmula es
1
dH (F k (B), A) ≤ 1−r
· dH (F k (B), F k+1 (B))
Veamos a continuación unos ejemplos de SFI en los que determinaremos el atractor a

través de estas aproximaciones ası́ como la distancia de Hausdorff entre el atractor y sus
aproximaciones.
Ejemplo 4.5. Sean fi : R → R, i = 1, 2, las aplicaciones contractivas definidas por

x x+2
f1 (x) = 3
y f2 (x) = 3
ambas de razón 13 . Entonces {f1 , f2 } es un SFI de razón r = 13 cuyo atractor es el conjunto

clásico de Cantor C ⊂ R, ya que este conjunto, como hemos visto, verifica que C =
f1 (C) ∪ f2 (C).
Vamos a aplicar el proceso iterativo de obtención del atractor, sugerido por el teorema
4.1, partiendo del conjunto B = [0, 1] ⊂ R.
49
Entonces
B = [0, 1]
F (B) = f1 (B) ∪ f2 (B)
1 2
= [0, ] ∪ [ , 1]
3 3
F 2 (B) = f1 (F (B)) ∪ f2 (F (B))
1 2 3 6 7 8
= [0, ] ∪ [ , ] ∪ [ , ] ∪ [ , 1]
9 9 9 9 9 9
Figura 4.9: Intervalos convergentes al conjunto de Cantor obtenidos mediante el SFI

f1 (x) = x3 y f2 (x) = (x+2)
3
a partir del intervalo unidad.
que como se puede observar en la figura 4.9, nos va dando los intervalos que generan por
inducción el conjunto clásico de Cantor.
Teniendo en cuenta que la distancia de Hausdorff entre dos conjuntos es la máxima dis-
tancia entre un punto de un conjunto y el otro conjunto, se puede observar que
1
dH (B, F (B)) =
6
1
dH (F (B), F 2 (B)) =
18
1
dH (F 2 (B), F 3 (B)) =
54
y, en general,
1
dH (F k (B), F k+1 (B)) = , ∀k ≥ 0
2 · 3k+1
50
Luego una cota de la distancia de Hausdorff entre el conjunto de Cantor C (atractor) y
sus aproximaciones es
1
dH (C, F k (B)) ≤ dH (F k (B), F k+1 (B))
1−r
1 1
= 1
1 − 3 2 · 3k+1
3 1
=
2 2 · 3k+1
1
= , k≥0
4 · 3k
Lo que nos permite hallar el conjunto de Cantor con la aproximación deseada. Es obvio
que la obtención del atractor la podı́amos haber abordado desde cualquier conjunto B ∈ R
compacto y no vacı́o.
Ejemplo 4.6. Sean fi : R2 → R2 , 1 ≤ i ≤ 3, las aplicaciones contractivas definidas por
f1 (x, y) = r(x, y)f2 (x, y)

= r(x, y) + (1 − r, 0)
√ √
1 3 1 3
f3 (x, y) = r(x − , y − )+( , )
2 2 2 2
con 0 < r ≤ 12 , siendo r la razón de contractividad de cada una de ellas. Entonces
{f1 , f2 , f3 } es un SFI de razón r, cuyo atractor será un cierto ángulo Tr ∈ H(Rn ) con
n = 2 tal que
[3
Tr = fi (Tr )
i=1
Figura 4.10: Primeras iteraciones del SFI asociado al triángulo de Sierpinski a partir de
un triángulo de lado unidad.
51
Conviene observar que si r = 13 , entonces el atractor T1/3 es el triángulo de Sierpinski.
Para un r genérico, obtendremos el triángulo generalizado de Sierpinski. Vamos a apli-
car el proceso iterativo
q de obtención del atractor al triángulo con vertices en los puntos
(0, 0), (1, 0) y ( 21 , 32 ). Sea B este triángulo. Las primeras iteraciones de este conjunto B
se pueden ver en la figura 4.10.
s √ √
1 − 2r 2 3 2 r 2 3 2
dH(B, F (B)) = ( ) +( ) −( ) = ( − r)
2 6 2 2 3
En general, y por semejanza, se tiene que
√
k k+1 3 k 2
dH (F (B), F (B)) = r ( − r), ∀k ≥ 0
2 3
Luego una cota de la distancia de Hausdorff entre el atractor Tr y sus primeras aproxima-
ciones es
1
dH (Tr , F k (B)) ≤ dH (f k (B), F k+1 (B))
1−r√
1 3 k 2 − 3r
= r
1−r 2 3
k
r (2 − 3r)
= √
2 3(1 − r)
4.3. Obtención del fractal asociado a un SFI

Sólo consideramos aquı́ el caso de los SFI definidos sobre R2 por ser de más sencilla
elaboración. Se describirán dos algoritmos distintos, uno determinista y otro aleatorio,
Ambos, proporcionan el mismo resultado.
4.3.1. Algoritmo Determinista

Las pautas anteriores para la obtención del atractor de un SFI pueden resu-
mirse en el siguiente algoritmo.
1. Elegir un conjunto arbitrario B ⊂ X compacto y no vacı́o
2. Hacer Z = B
3. Representar Z
52
4. Hacer desde i = 1 hasta M
4-1 Borrar Z
4-2 Hallar F (Z) = ∪N
i=1 fi (Z)
4-3 Hacer Z = F (Z)

4-4 Representar Z
5. Fin
Cuando este algoritmo termine de ejecutarse habremos obtenido F M (B) que para M = 10
nos da, en general, una muy buena aproximación al atractor A.
El SFI asociado al triángulo de Sierpinski de razón r = 12 construido sobre el triángulo
isósceles cuya base y altura coinciden con la base y altura de una ventana 100X100 es
{f1 , f2 , f3 } donde
1
x 2
0 x 1
f1 = 1 +
y 10 2 y 1
x 2
0 x 50
f2 = 1 +
y 0
1 2 1 y
x 2
0 x 25
f3 = 1 +
y 0 2 y 50
que se puede expresar de forma simplificada como en el cuadro 4.1 No debemos fijarnos,
por ahora, en la columna marcada PROB.
f A B C D E F PROB
1 0,5 0 0 0,5 1 1 0,33
2 0,5 0 0 0,5 50 1 0,33
3 0,5 0 0 0,5 25 50 0,33
Cuadro 4.1: Notación simplificada del sistema de funciones iteradas asociado al triángulo
de Sierpinski. La columna marcada con PROB no es útil todavı́a; su significado se revisará
en el siguiente apartado.
Nos vamos ahora a ocupar en la elaboración de un algoritmo aleatorio para la obtención

del fractal determinista. Queremos hacer hincapié en el hecho de que el fractal que va-
mos a generar es un fractal absolutamente determinista(el SFI que genera el fractal está
unı́vocamente determinado) y que la aleatoridad reside únicamente en el algoritmo que lo
genera.
53
4.3.2. Algoritmo aleatorio
Sea {f1 , f2 , . . . , fN } un sistema de funciones iteradas planas. Asignamos a cada fi , 1 ≤
i ≤ N , una cierta probabilidad pi > 0 tal que ΣN i=1 pi = 1 y realizamos el siguiente proceso
iterativo.
Se elige x0 ∈ R2 arbitrario. A continuación se elige aleatoriamente
x1 ∈ {f1 (x0 ), . . . , fN (x0 )}
donde fi (x0 ), 1 ≤ i ≤ N , tiene una probabilidad pi de ser elegido. Análogamente e

independientemente del paso anterior, se elige aleatoriamente
x2 ∈ {f1 (x1 ), . . . , fN (x1 )}
Según la misma distribución de probabilidades, Cuando tenemos construidos {x0 , x1 , . . . , xp },

se determina xp+1 mediante el mismo proceso anterior, es decir, eligiendo de manera in-
dependiente (de los anteriores pasos) y aleatoria
xp+1 ∈ {f1 (xp ), . . . , fN (xp )}
según la misma distribución de probabilidades. Y ası́ sucesivamente. Entonces con pro-

babilidad uno, el conjunto obtenido {xn }∞
c=0 ⊂ X converge en la métrica de Hausdorff al
atractor A del SFI en el sentido de que dado ε > 0, existe K = K(ε) ∈ N tal que
lı́m dH (A, {xn : K ≤ n ≤ M } <

M →∞
De lo anterior se deduce que los puntos del conjunto {xn }∞ n=0 que pueden estar a mayor
distancia del atractor son los primeros puntos de la sucesión. Por este motivo, cuando se
intenta aproximar el atractor mediante este algoritmo se suelen despreciar los primeros
términos (con despreciar los 50 primeros suele bastar).
Si podemos asegurar que el punto inicial considerado pertenece al atractor, x0 ∈ A, y
puesto que las funciones {fi }N N
i=1 no pueden sacar los puntos del atractor A(A = ∪i=1 fi (A)),
entonces podemos asegurar
{x0 , x1 , . . . , xM } ⊂ A, ∀M ∈ N
y que con probabilidad uno
dH (A, {xn }∞
n=0 = lı́m dH (A, {x0 , x1 , . . . , xM }) = 0
M →∞
54
o, lo que es lo mismo, que con probabilidad uno la sucesión {xn }∞
n=0 es densa en el atractor
A:
A = adh({xn }∞ n=0 )
Cuando se quiere aproximar un atractor mediante este algoritmo, nos interesa obtener la
mejor aproximación con el mejor número de puntos. Si la masa(medida) acumulada en cada
fi (A), 1 ≤ i ≤ N , es aproximadamente la misma, entonces es conveniente elegir pi = N1 ,
1 ≤ i ≤ N . Este es el caso, por ejemplo, del triángulo de Sierpinski (p1 = p2 = p3 = 13 ). Si
no es ası́, conviene elegir las probabilidades aproximadamente proporcionales a la cantidad
de la masa que hay en cada fi A.
En este último caso se puede elegir un cierto conjunto W ⊂ R2 de área no nula y fácil de
calcular y elegir
rea(fi (W ))
Pi ≈ PN . 1≤i≤N
j=1 rea(fj (W ))
de tal forma que ΣNi=1 pi = 1. En el caso particular de que las aplicaciones contractivas
sean transformaciones afines,(vistas en el numeral 1.5) es decir,

x ai b i x ei
fi = + 1≤i≤N
y ci di y fi
entonces se puede elegir

| ai di − bi ci |
pi ≈ PN
j=1 | aj dj − bj cj |
donde ≈ significa aproximadamente igual para indicar también que si algún pi fuese igual
a cero, habrı́a que asignarle algún valor pequeño no nulo, por ejemplo pi = 0, 001, ya que
en caso contrario nunca se aplicarı́a la transformación correspondiente.
Una redacción más precisa del algoritmo anterior serı́a la siguiente:
1. Elegir un punto arbitrario x ∈ R2
2. Hacer desde i = 1 hasta M
2-1 Elegir j aleatoriamente entre {1, 2, . . . , N } con probabilidades {p1 , p2 , . . . , pN },

pi > 0
2-2 Hallar y = fj (x)
2-3 hacer x = y
2-4 Si i > 50, representar x
55
3. Fin
Para M = 5000 tendremos, en general, una muy buena aproximación del atractor A.
Un cambio en las probabilidades asociadas al SFI va a producir un cambio en la distribu-
ción de los M puntos que se representan, lo que producirá distintos aspectos de sombras
sobre el atractor. Esto puede verificarse con el SFI para la obtención del triángulo de
Sierpinski con probabilidades p1 = 0, 6, p2 = 0, 3, p3 = 0, 1 mostrado en el cuadro 4.2 .El
conjunto resultante tras la aplicación del algoritmo aleatorio a este SFI puede observarse
en la figura .
f A B C D E F PROB
1 0,5 0 0 0,5 0 0 0,6
2 0,5 0 0 0,5 0,5 0 0,3
3 0,5 0 0 0,5 0,25 0,5 0,1
Cuadro 4.2: SFI asociado a un triángulo de Sierpinski modificado mediante la variación

de las probabilidades asociadas a cada una de sus transformaciones.
Figura 4.11: Triángulo de Sierpinski obtenido tras la aplicación del algoritmo aleatorio al
SFI del cuadro 4.2.
4.4. Teorema del Collage

Una imagen I será un conjunto compacto y no vació de puntos de Rn , n = 1, 2, 3. Sea
I ∈ H(Rn ) una imagen real y supongamos que existe un SFI {f1 , f2 , . . . , fN } de razón r
56
tal que F (I) = ∪N
i=1 fi (I) está suficientemente proximo a I, es decir,
dH (I, F (I)) ≤ ε
Entonces si A ∈ H(Rn ) es el atractor de este SFI, se tiene, aplicando el teorema del punto
fijo que
1 ε
dH (A, I) ≤ dH (I, F (I)) ≤
1−r 1−r
Es decir, que el atractor A del SFI se aproxima bastante a la imagen real I siempre que
> 0 sea suficientemente pequeño. Tenemos por tanto el siguiente corolario del teorema
de punto fijo.
Corolario 4.2. (Teorema del collage)

Sea I ∈ H(Rn ) una imagen real y dado ε > 0, sea {f1 , f2 , . . . , fN } un SFI con factor de
contractividad r, 0 ≤ r < 1, tal que
dH (I, F (I)) ≤ ε
Entonces
ε
dH (A, I) ≤
1−r
donde A es el atractor del SFI
A la vista del teorema anterior se puede observar que la aproximación del atractor A a la
imagen real I será mejor cuanto más pequeño sea el valor del facto de contractividad r y
que esta aproximación no depende del número de aplicaciones que forman el SFI.
La gran importancia de este sencillo resultado estriba en la posibilidad de sustituir la
imagen I real por el atractor A, Siempre que la aproximación sea lo suficientemente buena.
Si el SFI correspondiente esta formado por pocas transformaciones, almacenándolo en
lugar de la imagen I habremos obtenido una reducción significativa en el espacio ocupado
por la imagen. Esta fue la idea que abrió la investigación en la compresión fractal de
imágenes.
4.4.1. Aproximación de imágenes reales mediante SFI

Sea i ∈ H(Rn ) una imagen real. El proceso a seguir para aproximarla mediante SFI serı́a
el siguiente:
57
1. Encontrar aplicaciones contractivas fi Rn → Rn , 1 ≤ i ≤ N , tales que
N
[
dH (I, fi (I))
i=1
sea lo más pequeño posible. Sea, por ejemplo, dH (I, ∪Ni=1 fi (I)) ≤ ε
Entonces
ε
dH (A, I) ≤
1−r
donde A es el atractor del SFI y esta aproximación será mejor cuanto más pequeños
sean ε y r. Por ello es conveniente elegir transformaciones contractivas de la mejor razón
posible, independientemente del número de ellas, que puede ser tam grande como se
quiera.
2. Generar el atractor A mediante cualquiera de los algoritmos descritos anteriormente.
Una pregunta obvia es por qué no hacer que el SFI F comprima muy ligeramente I con lo
que la distancia dH (I, F (I)) será muy pequeña y quizá dH (A, I) también lo sea, Esto no
1
funcionará porque para tal SFI el término 1−r será muy grande y no podremos garantizar
que dH (A, I) sea pequeña(de hecho, no lo es)
4.5. Una hoja de helecho fractal

Sea I ⊂ R2 la imagen de la figura que vamos a tratar de representar mediante un sistema
de funciones iteradas.
Para encontrar el SFI tenemos que descomponer esta imagen I en partes de tal forma que
cada una de ellas se pueda obtener a partir de la imagen total mediante una aplicación
contractiva (a ser posible afı́n). Una Una posible descomposición se ilustra en la figura
4.13 En esta descomposición utilizamos 4 partes que llamamos Ii , 1 ≤ i ≤ 4, y se cumple
que I = ∪4i=1 Ii . Para hallar las aplicaciones que transforman la imagen total I en Ii ,
1 ≤ i ≤ 4, tenemos que situar esta imagen en el plano R2 , lo que podemos hacer como se
muestra en la figura 4.14 , incluyendo I en el cuadrado [− 12 , 12 ] x [0, 1]. De esta forma la
imagen queda centrada horizontalmente en el origen y es más fácil operar.
La aplicación f1 que nos transforma I en I1 es una homotecia centrada en el origen de
razón 34 seguida de un leve giro de ángulo 32
π
y de una traslación al punto (0, 14 ) luego
π π
3
x cos 32 − sin 32 4
0 x 0
f1 = π π 3 + 1
y sin 32 cos 32 0 4 y 4
58
Figura 4.12: La hoja de helecho que se intentará aproximar mediante un SFI aplicando el
teorema de collage.
Figura 4.13: Cada una de las cuatro partes de la hoja del helecho aquı́ indicadas se puede
considerar como el resultado de una aplicación contractiva sobre la imagen completa.
La aplicación f3 que nos transforma I en I3 es una homotecia centrada en el origen de

3
razón 10 respecto al eje de abscisas y 25 respecto al de ordenadas seguida de un giro de π3 ,
seguida de una traslación de vector (0, 18 )
cos π3 − sin π3
3
x 10
0 x 0
f3 = + 1
y sin π3 cos π3 0 25 y 8
Por último, la aplicación f4 que transforma I en I4 es una homotecia centrada en el origen

3
de razón 10 respecto al eje de abscisas y 12 respecto al de ordenadas seguida de un giro de
−π
4
y seguida de una traslación al punto (0, 81 Después de asignar probabilidades, según
los criterios establecidos en la sección anterior, el SFI escrito en forma simplificada serı́a
el de el cuadro 4.3, que ejecutado mediante el algoritmo aleatorio y representando 100000
puntos nos darı́a precisamente la imagen de la figura 4.12.
Como ejercicio el lector puede intentar ahora obtener un SFI que aproxime el árbol mos-
trado en la figura 4.15. Pista: un posible SFI tiene cinco transformaciones de las cuales
59
Figura 4.14: Para obtener las aplicaciones contractivas que transforman la imagen com-
pleta del helecho en cada una de las partes indicadas en la figura 4.13,tenemos que situar
la hoja en el plano R2 . Si la imagen se centra horizontalmente en el origen, las transfor-
maciones se obtienen de manera más cómoda.
f A B C D E F PROB
1 0,746 -0,073 0,073 0,746 0 0,25 0,65
2 0 0 0 0,25 0 0 0.03
3 0,15 -0,344 0,258 0,2 0 0,125 0,14
4 0,212 0,353 -0,212 0,353 0 0,125 0,18
Cuadro 4.3: Aproximación mediante el teorema de collage a la hoja de helecho. Las pro-
babilidades se asignaron en función del área generada por cada transformación.
dos conforman la parte inferior del tronco.
4.6. Fractales en movimiento

Nos vamos a ocupar aquı́ de la posibilidad de establecer movimiento en los conjuntos frac-
tales. Puesto que los conjuntos fractales que hemos considerado en este capı́tulo dependen
directamente de una familia de funciones contractivas parece razonable esperar que peque-
ñas variaciones en estas funciones produzcan pequeñas variaciones en el fractal generado.
Si esto fuera ası́, podrı́amos producir con una sucesión de fractales muy próximos entre sı́
un efecto de movimiento.
Supongamos que las aplicaciones contractivas que definen un SFI {f1 , f2 , . . . , fN } no vie-
60
Figura 4.15: Un árbol fractal.
nen unı́vocamente determinadas, sino que están definidas en función de un parámetro

p ∈ [α, β] ⊂ R del que dependen continuamente. El siguiente teorema determina cómo
influyen en el atractor pequeñas variaciones del parámetro p.
Teorema 4.3. Para cada p ∈ [α, β] ⊂ R sea {f1 (p), . . . , fN (p)} un SFI de razón r(p),
0 ≤ r(p) ≤ r < 1, con atractor A(p) ∈ H(Rn ). Supongamos que cada transformación
fi (p)(x) = fi (p, x) es continua para todo x respecto de p en [α, β]. Entonces el atractor
A(p) depende continuamente de p ∈ [α, β].
La demostración, algo técnica, puede encontrarse en [GUZMAN][pag. 201]. Este teorema

se puede utilizar para la animación de imágenes. Aunque no entraremos en más detalles,
se mostrará un ejemplo.
Ejemplo 4.7. Si en la definición del SFI de la hoja dado en la sección anterior sustituimos
la aplicación f1 por
3
x cos α − sin α 4
0 x 0
f1 = 3 + 1
y sin α cos α 0 4 y 4
entonces {f1 (α), f2 , f3 , f4 } es un SFI de razón 43 que depende continuamente del parámetro
α ∈ [ −π , π ]. Luego el atractor A(α) dependerá continuamente de α. Al variar continua-
2 2
61
mente α se obtiene un efecto de movimiento de la hoja. Variando α según los valores.
α1 = arc sen 0, 15
α2 = arc sen 0, 1
α3 = arc sen 0, 05
α4 = arc sen 0
α5 = arc sen −0, 05
α6 = arc sen −0, 1
puede obtenerse la sucesión de imágenes mostrada en la figura 4.16
Figura 4.16: La hoja de helecho agitada por el viento mediante distintos valores del pa-
rámetro α. Los valores dados a α son α = arc sen ω donde ω evoluciona según se indica
bajo cada figura. El movimiento de la hoja se puede observar al seguir las imágenes de
izquierda a derecha y de arriba a abajo.
62
Capı́tulo 5
Fractales en Hoja de Cálculo
A continuación se hará la representación de algunos objetos fractales en hoja de cálculo,

en el apéndice B se define una pequeña introducción a la hoja de cálculo.
5.1. El triángulo de Sierpinski

Consideremos un triángulo de vértices A, B, CyP0 un punto cualquiera del plano. Elegimos
al azar un vértice y hallamos el punto medio del segmento cuyos extremos son el punto P0
y el vértice elegido. A este punto le llamamos P1 . Elegimos al azar otro vértice y hallamos
de nuevo el punto medio del segmento cuyos extremos son el vértice y el punto P1 ; éste
punto será el punto P2 . Si se repite el proceso unos miles de veces y se representan los
puntos P0 ,P1 ,P2 ,. . . ası́ obtenidos el gráfico se aproximará al triángulo de Sierpinski.
En la hoja de cálculo ponemos los rótulos y valores iniciales tal como se indica en la figura
5.1 A continuación se escriben las fórmulas mediante las cuales generaremos la sucesión
de puntos P1 , P2 , . . . En primer lugar los números aleatorios: la hoja de cálculo obtiene
números pseudo-aleatorios comprendidos entre 0 y 1 mediante la función aleatorio(); para
obtener aleatoriamente los números 1, 2 y 3 se utilizará la fórmula:
= Entero(3 ∗ Aleatorio() + 1)
La función entero (x) obtiene la parte entera de x. Esta fórmula la colocaremos en la celda
A4.
Para elegir al azar un vértice del triángulo utilizaremos la función de la hoja de cálculo
Elegir(ndice; valor1; valor2; . . .)
63
Figura 5.1: Fórmulas.
Esta función utiliza el valor ndice para devolver un valor de la lista de argumentos: si
ı̀ndice=1 devolverá valor1, si ı́ndice=2 devolverá valor2, etc.
se utilizará la función del siguiente modo: mediante la fórmula:
= (B3 + Elegir(A4; $E$3; $E$6; $E$9))/2
situada en la celda B4 se calcula la abscisa del punto P1 y a través de la ‘fórmula
= C3 + Elegir(A4; $F $3; $F $6; $F $9))/2
situada en la celda C4 calcularemos la ordenada, tal como se indica en la figura5.2

Aclaraciones
Figura 5.2: Ubicación de Fórmulas.
64
Figura 5.3: Generando los Pi .
? En nuestra fórmula, la función Elegir() utiliza el número aleatorio generado en la celda

A4 como ı́ndice y las abscisas o las ordenadas de los vértices como argumentos.
? La columna y la fila de las celdas que contienen estas coordenadas van precedidas del
signo $ con el fin de que luego, cuando copiemos las fórmulas reiteradamente para gene-
rar unos miles de puntos Pi , la referencia a dichas a dichas celdas se efectúe con carácter
absoluto en todas las fórmulas, la referencia debe hacerse a estas celdas exactamente y
no a su posición relativa.
Ya se ha obtenido el punto P1 . Del mismo modo se obtendrán unos miles de puntos Pi ,

dos o tres mil puntos; para ello, y aquı́ se muestra la potencia de la hoja de cálculo,
marcamos las celdas A4, B4, C4 tal como se indica en la figura5.3 Rellenamos hacia abajo
dos mil o tres mil filas; las fórmulas se copiarán igual número de veces pero manteniendo
la referencia absoluta a las celdas de las coordenadas de los vértices del triángulo gracias
al signo $.
Ahora representaremos gráficamente los puntos cuyas coordenadas acabamos de calcular
para obtener una representación del Triángulo de Sierpinski. Para ellos seleccionaremos las
celdas que contienen dichas coordenadas y elegimos la opción Insertar → Diagrama . . .
optando por el diagrama XY (Dispersin) el resultado se muestra en la figura 5.4.
65
Figura 5.4: Triángulo de Sierpinski.
66
5.2. Nuevo Triángulo de Sierpinski
Formamos un sistema de funciones iteradas por tres aplicaciones construidas:
(
x0 = 0, 5x + 0y
f1 ≡
y 0 = 0x + 0, 5y
(
x0 = 0, 5x + 0y + 50
f2 ≡
y 0 = 0x + 0, 5y
(
x0 = 0, 5x + 0y + 35
f3 ≡
y 0 = 0x + 0, 5y + 50
Las tres aplicaciones tienen un coeficiente de contracción de 0, 5; además de esto la f2 añade

una traslación definida por un vector de componentes (0; 50) y la f3 otra de componentes
(35; 50).
A continuación le asignaremos a cada una de las funciones la misma probabilidad, es decir
1
3
, todo esto lo podemos recopilar en el cuadro 5.1
¡Cómo representar todo esto en hoja de cálculo?
función f1 f2 f3
probabilidad 13 1
3
1
3
a 0,5 0,5 0,5
b 0 0 0
c 0 0 0
d 0,5 0,5 0,5
e 0 50 35
f 0 0 50
Cuadro 5.1: funciones
En la hoja de cálculo existe una función,

BU SCARH(valorb uscado; matrizb uscare n
; indicadorf ilas; ordenado).
V alorb uscado es el valor que se busca en la primera fila de latabla.V alorb uscado puede
ser un valor, una referencia o una cadena de texto.
M atrizb uscare n es una tabla de información en la que se buscan los datos. Utilice una
referencia a un rango o el nombre de un rango.
67
En consecuencia, el primer paso será escribir en la Hoja de Cálculo la tabla con los coefi-
cientes a, b, c, d, e, f de las tres aplicaciones f1 , f2 , f3 ; además, como la primera fila de dicha
tabla pondremos el criterio del que se servirá la función BUSCARH() para optar entre
una de las tres aplicaciones f1 , f2 , f3 . Este criterio debe ser aleatorio, ası́ que colocaremos
tres valores, 0, 31 , 23 en la primera fila de la tabla.
Situaremos a continuación la tabla en algún lugar de la hoja de cálculo donde no interfiera
en nuestro trabajo. Una vez escrita la tabla, y para olvidarnos un poco de ella le pone-
Cuadro 5.2: Tabla para generar el triángulo de Sierpinski.
mos un nombre al rango de valores que contiene, de modo que, cuando se quiera hacer
referencia a esta tabla nos bastará tan solo con citar su nombre; para esto, marcamos el
rango de valores de la tabla es decir,L4 : N 10, OJO, sin las cabeceras, ni adornos, sólo los
valores de las probabilidades y de los coeficientes a, b, c, d, e, f y desde el menú elegimos
Insertar → N ombres → Def inir . . . , y en la ventana de dialogo escribimos el nombre,
por ejemplo ”tabla1”.
Procederemos ahora a la construcción del fractal.
Volvemos al principio de la hoja de cálculo y colocamos los rótulos y el valor inicial del
punto P0 como lo hicimos en la sección 5.1; las fórmulas serán un poco diferentes: el nú-
mero aleatorio debe ser un numero comprendido entre 0 y 1, que es lo que nos proporciona
directamente la función Aleatorio() y las coordenadas de los puntos P1 , P2 , . . . las obten-
dremos mediante las funciones de la página 41 haciendo uso de la función BUSCARH().
La abscisa del punto P1 que viene dada por la ecuación x0 = ax + by + e la escribiremos
68
Figura 5.5: Función buscarH.
en la celda B4 como:
BU SCARH(A4; tabla1; 2) ∗ B3 + BU SCARH(A4; tabla1; 3) ∗ C3

+BU SCARH(A4; tabla1; 6)
la ordenada la calcularemos en la celda C4 mediante la fórmula:
BU SCARH(A4; tabla1; 4) ∗ B3 + BU SCARH(A4; tabla1; 5) ∗ C3

+BU SCARH(A4; tabla1; 7)
tal y como se muestra en la figura 5.5

El paso siguiente será marcar el rango de celdas A4 : C y rellenar hacia abajo dos mil
o tres mil filas para obtener otros tantos puntos. Marcando luego las coordenadas de los
puntos representados gráficamente haciendo uso de Insertar → Diagrama . . ., o simple-
mente elegimos la herramienta Ayudante para gráficos utilizando la opción Diagrama xy
(Dispersion). El resultado será como el que se muestra en la figura 5.6
69
Figura 5.6: El triángulo de Sierpinski.
70
5.3. El Helecho de Barsnsley
Se verá a continuación un sistema de función iterada que genera un helecho y que incluso
podemos simular la inclinación que produce el viento al introducir en la función f4 un
parámetro angular que al tomar valores en un rango comprendido entre −10o y 10o hace
que el helecho se incline a la derecha o a la izquierda.
El sistema de funciones es el siguiente:
(
x0 = 0x + 0y + 50
f1 ≡
y 0 = 0x + 0025y
(
x0 = 00 3x cos − π4 − 00 5y sin − π4 + 50 − 15 cos − π4

f2 ≡
y 0 = 00 3x sin − π4 + 005y cos − π4 + 120 5 − 15 sin − π4

(
x0 = 00 3x cos π3 − 00 4y sin π3 + 50 − 15 cos π3
f3 ≡
y0 = 00 3x sin π3 + 004y cos π3 + 120 5 − 15 sin π3
(
x0 = 00 75x cos α − 00 75y sin α + 50 − 370 5 cos α
f4 ≡
y0 = 00 75x sin α + 0075y cos α + 25 − 370 5 sin α
Necesitamos situar el valor del ángulo α en alguna celda accesible para poder modificarlo
con facilidad, y para ello se construirá ası́:
Añadiendo una celda D3 en la que pondremos el valor del ángulo en grados. Ası́, al
Figura 5.7: Construcción helecho de Barnsley.
construir la tabla de coeficientes de las funciones del SFI, para e y f tomaremos los
71
Cuadro 5.3: Fórmula que calcula el coeficiente e de la función f4 .
valores del ángulo α como referencia a la celda D3 En el cuadro 5.3 se observa la fórmula
que calcula el coeficiente e de la función f4 ,
= 50 − 37, 5 ∗ cos(D3 ∗ P I()/180)
que pasa el valor contenido en la celda D3 de grados a radianes multiplicando por la

función incorporada P I() y dividiendo por 180, ya que las funciones circulares de la
hoja de cálculo sólo admiten valores en radianes. El resto de coeficientes de esta función
se obtienen mediante fórmulas similares, ya que todos dependen del valor del ángulo α
situado en la celda D3. Construida la tabla, le asignamos el nombre Tabla6 de tal forma
como se hizo en la sección 5.2 y cambiamos los valores del segundo parámetro de la función
BuscarH en las celdas B4 y C4. Rellenamos hacia abajo todas las celdas que contienen las
coordenadas de los puntos Pi y obtendremos un resultado como el mostrado en la figura
5.8
72
Figura 5.8: Helecho de Barnsley.
73
Capı́tulo 6
Conclusiones
❂ Este tema invita a reflexionar sobre nuestra geometrı́a clásica, quizá estamos vivien-
do el preámbulo del cambio, considero que en unos años no muy lejanos se estarán
recibiendo cursos de geometrı́a Fractal, como recibir cualquier curso de Álgebra ele-
mental.
❂ Los fractales tienen bastantes propiedades matemáticas, las que me impactaron,

fueron aquellas que se derivan del análisis matemático, el ver como de la teorı́a de la
medida se puede armar todo un respaldo para la construcción de objetos fractales.
❂ Las herramientas computacionales que tenemos a nuestro alcance hoy dı́a, nos son
útiles en muchas de nuestras diversas tareas simples, es por eso que hago el mérito a
una que casi en un 95 % usamos todos y es el Excel, quien lo creyera que una hoja de
cálculo pueda ser utilizada para generar estas hermosas figuras naturales fractales.
Considero que la hoja de cálculo es un medio con el cual se pueden hacer muchas
aplicaciones.
❂ Hay varios temas que derivan de esto y es la invitación a los que vienen más atrás
de nosotros que profundicen en estos temas, a continuación se da un listado para
futuras investigaciones.
✍ Aplicaciones en Biologı́a, Medicina, Ingenierı́a, Economı́a y Sociologı́a.

✍ Autómatas celulares
✍ Estructuras Coherentes
✍ Difusión
✍ Sistemas desordenados
74
✍ Superficies y volúmenes fractales
✍ Fenómenos de crecimiento
✍ Sistemas de funciones iteradas
✍ Análisis y sı́ntesis de imágenes
✍ Sistemas L
✍ Multifractales
✍ Sistemas dinámicos no lineales
✍ Formación de estructuras
✍ Transiciones de fase
✍ Autoorganización y fenómenos de cooperación
✍ Turbulencia
✍ Visualización
✍ Ondas e interacciones
75
Apéndice A
Medida de Conjuntos
A menudo resulta necesario determinar el tamaño de un fractal para poder establecer su

similitud con algún otro. Existen distintos números asociados con los fractales que nos
permiten compararlos. Estos números, denominados normalmente dimensiones frac-
tales, son un intento de cuantificar nuestra idea subjetiva acerca de la densidad con que
un fractal ocupa el espacio al que pertenece.
La más importante de tales dimensiones es la dimensión de Hausdorff.
A.1. La medida de Lebesgue

La medida de conjuntos de puntos en la recta, en el plano o en el espacio tiene tras de sý́
una larga historia. Ya Euclides consideró el cálculo de áreas de rectángulos y triángulos.
Para otras regiones limitadas por lı́neas rectas se procedı́a a su triangulación. Si la región
está limitada por curvas, la triangulación no es posible y se hace necesario recurrir entonces
al método de exhaución propuesto por Arquı́medes y que es, básicamente, una versión del
concepto actual de paso al lı́mite en el que se van considerando sucesivos triángulos de
área cada vez menor para rellenar adecuadamente la región.
Costó dos mil años abandonar la tradición griega de la triangulación que requerı́a grandes
dosis de ingenio y habilidad para cada caso particular. En la década de 1890, Peano y
Jordan consideraron un método basado enlosados que, aun siendo mucho mejor que el de
triangulación, producı́a resultados erróneos con cierto tipo de conjuntos.
No estaba claro cómo habı́a que proceder para encontrar una definición satisfactoria de
área hasta que Emile Borel sugirió la idea de usar enlosados formados por infinitos rec-
76
tángulos.
La idea de Borel fue desarrollada por Henri Lebesgue llegándose ası́ a la definición de lo
que hoy dı́a se conoce como medida de Lebesgue y que generaliza la idea de longitud, área
y volumen en la recta, plano y espacio, respectivamente. Exponemos la definición en Rn ,
aunque puede ser más sencillo pensar en lo siguiente que n = 2.
Consideremos la familia R de los hipercubos (rectángulos) R de Rn de la forma
[a1 , b1 )x · · · x[an , bn ) = R
Definimos el volumen V (R) de un rectángulo R como
V (R) = (b1 − a1 ) . . . (bn − an )
Dado ahora E ⊂ Rn consideraremos todos los recubrimientos (enlosados) {Ri } de E, es
decir, tales que E = ∪∞
i=1 Ri y definimos
P∞
Ln (E) = inf{ i=1 V (Ri ) : {Ri } es un recubrimiento de E}
Pueden demostrarse las siguientes proposiciones:
(a) Ln (∅) = 0
(b) Ln (A) ≤ Ln (B) si A ⊂ B
(c) Para cualquier familia numerable {Ek }, k = 1, 2, . . . , de subconjuntos de Rn se verifica
∞
[ ∞
X
n
L ( Ek ) ≤ Ln (Ek )
k=1 k=1
propiedad denominada subaditividad

A Ln se le denomina medida exterior de Lebesgue. Sin embargo, no es cierto siempre que
dado un E tal que E ⊂ Rn se verifique
Ln (E − B) + Ln (E ∩ B) = Ln (E)∀B ⊂ Rn
es decir, que la medida de un conjunto sea siempre igual a la suma de las medidas de dos
partes complementarias. Cuando dicha igualdad es cierta para todo B ⊂ Rn diremos que
el conjunto E es medible Lebesgue, hecho que afortunadamente ocurrı́a para los conjuntos
más usuales hasta que los fractales comenzaron a ser conjuntos usuales.
Si E es medible Lebesgue, Ln (E) es una medida del conjunto E que se llama medida de
Lebesgue. La clase de los conjuntos medibles Lebesgue abarca a una clase de conjuntos
muy amplia.
77
A.2. Dimensión
Hay varios conceptos matemáticos diferentes que responden al nombre de dimensión de
un conjunto geométrico. Uno de ellos, el de dimensión topológica, hace alusión a la forma
de ocupar el espacio que tiene el conjunto. Ası́, tanto a una curva diferenciable, como a
la curva de Koch, o a la de Pea, no, se les asigna dimensión topológica igual a uno, y a
un punto, a los puntos racionales de la recta real y al conjunto de Cantor se les asigna
dimensión cero.
Pero este tipo de dimensiones plantean un serio problema pues resultan ser poco finas al
otorgar la misma dimensión a un único punto que a un conjunto no numerable de puntos
como es el conjunto de Cantor. La medida de Lebesgue Ln (E) proporciona análogas
consecuencias al considerar siempre dimensiones enteras n = 1, 2, 3 . . . Este planteamiento
llevó a tomar en consideración la introducción de categorı́as intermedias o dimensiones
A.3. Dimensión de Homotecia

Una manera de asignar una dimensión fraccionaria a un conjunto parte de una propiedad
de la dimensión que sirve a Platón en su diálogo Menón para demostrar la doctrina de
la reminiscencia a partir de la creencia mı́tica en la preexistencia y transmigración del
alma. Sócrates mediante el método mayéutico consigue que un esclavo iletrado de Menón
recupere de sı́ mismo el conocimiento acerca de cómo cuando el lado de un cuadrado se
duplica se obtiene una figura equivalente a cuatro, y no a dos, de los cuadrados iniciales.
Si en lugar de un cuadrado se tratara de un cubo, el factor de multiplicación serı́a de ocho
y no de cuatro.
Nos encontramos, por tanto, con un rango distintivo de cada dimensión. Precisándolo más,
supongamos que una figura de dimensión entera d puede ser descompuesta en n copias a
escala r de sı́ misma (piénsese en el ejemplo del cuadrado de Socrates donde d = 2, r = 12
y n = 4). Entonces es fácil ver que n = ( 1r )d o tomando logaritmos que
log n log n
d= 1 =
log( r ) − log r
Si tomamos esta fórmula como definición del valor de la dimensión de cualquier figura que
pueda ser descompuesta en copias a escala de sı́ misma, obtenemos una manera cómoda
de asignar una dimensión a algunos conjuntos fractales clásicos. El conjunto de Cantor
E, por ejemplo, puede descomponerse en dos copias de sı́ mismo a escala 13 o en cuatro
copias de sı́ mismo a escala 19 lo que nos da
78
log 2 log 4
dim(E) = = = . 630 93
log 3 log 9
Este método es de muy fácil aplicación, pero exige que el conjunto a medir pueda ser
descompuesto en copias de sı́ mismo a escala, lo cual es una propiedad muy especı́fica de
ciertos conjuntos. Sin embargo, la idea puede aprovecharse para calcular la dimensión de
cualquier tipo de conjunto.
A.4. Medida de Haussdorff

Dado un conjunto E ⊂ Rn y un numero real positivo δ, diremos que una familia {Ai },
i = 1, 2, . . . , de subconjuntos de Rn es un recubrimiento-δ de E, si la unión de tales
conjuntos contiene a E, es decir,
∞
[
E= Ai
i=1
y el diámetro de cada uno de los miembros del recubrimiento es menor o igual que δ
|Ai | ≤ δ ∀i = 1, 2, . . .
Dado un conjunto E ⊂ Rn y un número real s > 0, definimos
∞
X
Hδs (E) = inf { |Ai |s : {Ai }es recubrimiento − δ de E}
i=1
número1 que mide el tamaño-s del conjunto E, es decir, ignorando las irregularidades de
que tienen tamaño menor que δ.
Si hacemos tender δ a cero, iremos apreciando irregularidades de tamaño cada vez menor.
Además, si δ → 0, Hδs (E) aumenta, pues es un ı́nfimo tomado cada vez sobre una clase
más restringida de recubrimientos y, por tanto existe el lı́mite
H s (E) = lı́m Hδs (E)

δ→0
1
para una definición precisa de los conceptos de ı́nfimo y supremo puede consultarse la página 34
79
que puede ser finito o infinito. Al número H s (E) se le conoce como medida s-dimensional
de Hausdorff.
Puede demostrarse que la definición es equivalente si se supone que los recubrimientos
están formados por abiertos, por cerrados o por conexos, debido a que tales restricciones
no alteran las sumas de lo diámetros de los conjuntos del mismo.
A.5. Dimensión de Hausdorff

La medida s-dimensional de Hausdorff como función de s tiene un comportamiento espe-
cial. Su rango está formado por uno, dos o tres valores. Estos posibles valores son cero,
un número finito e infinito.
Teorema A.1. Sea n un número entero positivo y sea E un subconjunto acotado de Rn .

Sea H s (E) la medida s-dimensional de Hausdorff tal como se definió más arriba como
0 ≤ DH ≤ n tal que
(
∞ si s < DH
H s (E) =
0 si s > DH
El único número real DH que cumple el teorema anterior se conoce como la dimensión de
Hausdorff del conjunto E y se escribe también como DH (E). Evidentemente, los conjuntos
clásicos conservan su dimensión clásica bajo DH , pero los conjuntos fractales están ahora
mucho mejor caracterizados y podemos intentar dar una definición precisa de ellos.
Serı́a muy simple afirmar que una fractal es aquel conjunto con dimensión fraccionaria.
Algunos fractales tienen dimensión entera. Un fractal es cualquier conjunto cuya dimensión
de Hausdorff sea mayor estrictamente que su dimensión topológica.
A.6. Distancia de Hausdorff

Una forma alternativa de entender la distancia de Hausdorff entre dos conjuntos es a partir
del concepto de cuerpo δ − paralelo.
El cuerpo δ − paralelo de un conjunto compacto F , CP (A, δ), es la unión de todas las
bolas de radio d centradas en puntos del conjunto A. Si x ∈ CP (A, δ) para algún y ∈ A es
d(x, y) ≤ d. Por ello, es fácil comprobar que, para hallar dH (A, B), basta tomar δ1 y δ2 lo
más pequeños posible de forma que A ⊂ CP (B, δ2 ) y B ⊂ CP (A, δ1 ). Entonces dH (A, B)
es la mayor entre los números δ1 y δ2 .
80
Figura A.1: CP (A, δ).
Figura A.2: dH (A, B) = max{δ1 , δ2 } = δ1 .
81
Apéndice B
Algunas nociones de Hoja de Cálculo
La Hoja de Cálculo la inventó en el año 1978 un estudiante de la Universidad de Harvard

llamado Dan Bricklin, y el programa informático lo escribió un amigo suyo llamado Bob
Framkston. Se trataba de una aplicación para un microordenador muy popular en los
ambientes universitarios norteamericanos de la época, el Apple II. Visicalc -que ası́ se
llamó esa primera Hoja de Cálculo— fue todo un éxito. Posteriormente Lotus compró
los derechos y, tras sucesivas mejora.s, la convirtió en la Lotus 1-2-3, que representó
el paradigma de las Hojas de Cálculo durante muchos años. El programa simula una
cuadrı́cula parecida a las hojas que se utilizan en contabilidad.
Una, Hoja de Cálculo aparece en la pantalla del ordenador como una cuadrı́cula de celdas
ordenadas por filas y columnas. Cada celda se identifica por su columna y su fila; las
columnas se enumeran mediante la sucesión alfabética (A, B, ..., Y, Z. AA, AB, ...) ,y las
filas mediante la sucesión natural (1, 2, 3, ...), de modo que la celda G5 estará situada en la
5a fila, 7a columna. También podemos identificar un grupo de celdas. lo que denominamos
un rango de celdas , del siguiente modo: si están en la misma fila o en la misma columna,
se indicará la primera y la última celdas separadas por dos puntos (:); C2:H2 identifica
el rango de celdas de la segunda fila contenidas entre la tercera y la octava columnas.
Cuando el rango de celdas ocupa un rectángulo que abarca varias filas y varias columnas,
quedará identificado señalando la celda que ocupa la esquina superior izquierda y la que
está en la esquina inferior derecha, separadas por dos plintos; E5:G8 identifica. ei rango de
las doce celdas pertenecientes a las filas quinta, sexta, séptima y octava y a las columnas
quinta, sexta y séptima.
Una celda de una Hoja de Cálculo puede contener números, fórmulas o cualquier otra
cosa que no sean ni números ni fórmulas, lo que denominamos texto con carácter general.
En una celda de una hoja de cálculo se pueden escribir números en:
82
✎ formato decimal normal: 3, 56
✎ notación cientı́fica: −2, 34e − 5
✎ formato de fecha: 03/4/2005
✎ formato de hora: 08:20:12
Figura B.1: Notación numérica en hoja de cálculo.
Figura B.2: Fórmulas.
Una formula es cualquier expresión algebraica bien construida precedida por el signo igual
(=) Se utilizan los siguientes signos:
83
? el signo + para la suma
? el signo − para la resta
? el signo / para la división
? el signo ∗ para la multiplicación
? el signo ˆ para la potenciación
? además de toda la colección de funciones de la hoja de cálculo.
En una formula se puede usar, además de valores numéricos, referencias a otras celdas que
actuarán como indeterminadas en la expresión algebraica.
84
Bibliografı́a
[NAKOS] Nakos George y Joyner David, Álgebra Lineal Con Aplicaciones, In-
ternationa Thomson editores, S.A. , 1999.
[G.FRACT.] Estrada William Fernando, Geometria Fractal, Conceptos y procedi-
mientos para la construcción de fractales, Cooperativa editorial Magisterio ,
2004.
[BARNS.] Barnsley Michael , Fractals Everywhere, Academics Press, 1988.
[MANDEL.] Mandelbrot Benoit B. , La Geometria Fractal de la Naturaleza, Tusques
Editores, S.A. , 1997.
[GUZMAN] Guzman Miguel de,Martı́n Miguel A, Morán Manuel y Reyes
Miguel, Estructuras Fractales y sus Aplicaciones, Editorial Labor, S.A. ,
1993.
[FRACTUS] Talanquer Vicente, Fractus Fracta Fractal, Impresora y Encuadernadora
Progreso, S.A. , 2002.
[LATEX] Rodrigo de Castro Korgi, El Universo Latex,Panamericana Formas e
Impresos, S.A., 2003.
[EXCEL] Vila Fermi, Microsoft Excel2000,Alfaomega grupo editorial S.A.,2000.
[C.FRACT.] Monroy Olivares Cesar, Curvas Fractales,Afaomega grupo Editor,
S.A., 2002.
[O.FRACT.] Mandelbrot Benoit, Los Objetos Fractales,Tusquets Editores, S.A.,
1988.
[FRACT.] Herren Gustavo, Fractales las Estructuras Aleatorias,Editores Litera-
rios,2002.
85
Índice alfabético
aplicación rotaciones, 11
espacios métricos
continua, 35
bola
abierta, 33
cerrada, 33
conjunto
abierto, 34
adherencia, 34
cerrado, 34
interior, 34
espacio métrico
compacto, 35
completo, 35
sucesión
espacio métrico
Cauchy, 35
convergente, 35
transformación
afı́n, 22
matricial, 5
transformaciones matriciales
compresiones, 8
cortes, 9
lineales, 13
proyecciones, 13
reflexiones, 7
86

SFI y Los Fractales PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

SFI y Los Fractales PDF

Cargado por

Copyright:

Formatos disponibles

Sistemas de funciones iteradas

Edwin Alfonso Adame Sarmiento

4. Sistemas de Funciones Iteradas 40

5. Fractales en Hoja de Cálculo 63

B. Algunas nociones de Hoja de Cálculo 82

1.1. Transformación lineal de una imagen.[NAKOS] . . . . . . . . . . . . . . . . 1

2.1. El conjunto ternario de Cantor se obtiene de manera inductiva comenzando

A.1. CP (A, δ). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

B.1. Notación numérica en hoja de cálculo. . . . . . . . . . . . . . . . . . . . . 83

4.1. Notación simplificada del sistema de funciones iteradas asociado al trián-

En el capitulo uno se describen las transformaciones matriciales básicas en el plano, tam-

Los vectores y las matrices se relacionan en forma intima a través de la multiplicación

Figura 1.1: Transformación lineal de una imagen.[NAKOS]

Un caricaturista moderno emplea computadoras y álgebra lineal para transformar las

1.1. Transformaciones matriciales

1.1.1. Transformaciones generales

(R1) Para cada vector 2 (x, y) se le asigna el vector 3 (x y, 0, y).

(R3) Para cada x > 0 se le asigna la solución real para y de y 2 − x = 0.

(R4) Para cada x real se le asigna la solución real de x2 + 1 = 0

Figura 1.2: Dominio, codominio y contradominio.

Las Reglas (R1) y (R2) definen transformaciones iguales, ya que

Ejemplo 1.1. Sea T : R3 → R2 la transformación expresada por T (x, y, z) = (x − t +

çontradominio”, respectivamente. También hay que recordar que no es lo mismo range”(contradominio)

(c) Determine todos los vectores 3 que se aplican a (0, 0).

(d) Describa el contradominio de T .

Definición 1.1. (Transformación matricial)

Para todo x ∈ Rn . A se llama matriz(estándar) de T.

Por ejemplo, (R1) y (R2) se definen la transformación matricial T : R2 → R3 , T (x) =

cuya matriz aumentada es [A : w] es consistente, o también que w está en Col(A). Por

w ∈ R(T ) ⇐⇒ T (x) = w para algun x

Teorema 1.2. Cualquier transformación matricial T : Rn → Rm , T (x) = Ax Satisface

(1.) T (x + y) = T (x) + T (y) para todos x,y en Rn .

(2.) T (cx) = cT (x) para todo x en Rn y todos los escalares c.

Figura 1.3: Reflexiones básicas.

Figura 1.4: Compresión y estiramiento a lo largo del eje x.

Figura 1.6: Deslizamiento a lo largo del eje x.

Figura 1.7: Deslizamiento a lo largo de la dirección negativa de y.

Ejemplo 1.3. Determine la transformación Sx que se desliza en dirección positiva de x

Solución 1.3. Sx se expresa como Sx (x, y) = (x + ,5y, y), Por consiguiente,

Las coordenadas de las imágenes son

Ejemplo 1.4. (Rotación en el plano)

Figura 1.9: Rotación en torno al origen.

x0 = r cos φ cos θ − r sin φ sin θ y 0 = r sin φ cos θ + r cos φ sin θ

Que demuestran que Rθ es una rotación de θ rad en torno al origen.

1.10) se expresan por

Px (x, y) = (x, 0) Py (x, y) = (0, y)

las cuales son transformaciones matriciales con matrices

Figura 1.10: Proyecciones ortogonales sobre los ejes.

1.3. Transformaciones lineales

Definición 1.2. (transformaciones lineales)

1. T (u+v)=T (u)+T (v);

Figura 1.11: Transformación lineal.

Ejemplo 1.5. Demuestre que las transformaciones T : R2 → R2 definida por

Para todo escalar c,

Se satisfacen ambas partes de la definiciòn, de modo que T es lineal.

Ejemplo 1.6. Demuestre que la transformación T : R3 → R2 es lineal:

Sean u = (x1 , y1 , z1 ) y v = (x2 , y2 , z2 ).

demuestra la parte uno de la definición.

1.3.1. Propiedades de las transformaciones lineales

T (c1 v1 + c2 v2 ) = T (c1 v1 ) + T (c2 v2 )

Demostración. Si T es lineal, entonces

T (c1 v1 + c2 v2 ) = T (c1 v1 ) + T (c2 v2 )

Teorema 1.4. T : V → W es una transformación lineal. Entonces