Sistemas de funciones iteradas

y los fractales
Edwin Alfonso Adame Sarmiento
Facultad de Matematicas
Fundacion Universitaria Konrad Lorenz
Junio de 2005
Resumen
Revisaremos como preambulo las transformaciones matriciales en el plano, luego nos in-
troduciremos en el tema mostrando algunos fractales famosos, despues se describen los
conceptos fundamentales de la teora de espacios metricos, luego se revisara la parte de
Sistemas de Funciones Iteradas (SFI), donde mostraremos los dos algoritmos el determi-
nistico y el aleatorio, y por ultimo se construiran dos fractales en hoja de calculo.

Indice 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. Reexiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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 transformacion lineal . . . . . . . . . . . . . . . . . . . . . . 18
1.5. Transformaciones anes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2. Monstruos Matematicas 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 R
2
. . . . . . . . . . . . . . . . . . . . . . 31
3.2. Curva de Koch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3. Espacios metricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3.1. Espacios metricos completos y compactos . . . . . . . . . . . . . . . 35
i
3.3.2. Aplicaciones contractivas en espacios metricos . . . . . . . . . . . . 35
3.4. Teorema del punto jo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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. Obtencion 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. Aproximacion de imagenes reales mediante SFI . . . . . . . . . . . 57
4.5. Una hoja de helecho fractal . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.6. Fractales en movimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5. Fractales en Hoja de Calculo 63
5.1. El triangulo de Sierpinski . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.2. Nuevo Triangulo 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. Dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
A.3. Dimension de Homotecia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
A.4. Medida de Haussdor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
A.5. Dimension de Hausdor . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
A.6. Distancia de Hausdor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
B. Algunas nociones de Hoja de Calculo 82
ii

Indice de guras
1.1. Transformacion lineal de una imagen.[NAKOS] . . . . . . . . . . . . . . . . 1
1.2. Dominio, codominio y contradominio. . . . . . . . . . . . . . . . . . . . . . 3
1.3. Reexiones basicas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4. Compresion 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 direccion negativa de y. . . . . . . . . . . . . 10
1.8. Deslizamiento en transformaciones de imagen.[NAKOS] . . . . . . . . . . . 11
1.9. Rotacion en torno al origen. . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.10. Proyecciones ortogonales sobre los ejes. . . . . . . . . . . . . . . . . . . . . 13
1.11. Transformacion lineal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.12. Dilatacion y contraccion por un factor de 2. . . . . . . . . . . . . . . . . . 18
1.13. Matriz de una transformacion lineal.[NAKOS] . . . . . . . . . . . . . . . . 20
1.14. (a)Traslacion,(b)transformacion afn: rotacion y despues traslacion. . . . . 22
1.15. Traslacion con deslizamiento de un polgono. . . . . . . . . . . . . . . . . . 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 generacion de la curva de Hilbert. La curva de Hilbert
es un ejemplo de curva que llena el plano, por lo que su dimension fractal
es 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3. Primeros pasos del proceso de construccion de la curva de Koch. En el lmite
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 innita. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
iii
3.1. El conjunto de cantor en R
2
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 I
1
, I
2
, I
3
, I
4
y repitiendo en cada uno de ellos este proceso inde-
nidamente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.1. Una aplicacion contractiva f acerca los puntos y contrae, por tanto, los
conjuntos sobre los que se aplica. . . . . . . . . . . . . . . . . . . . . . . . 41
4.2. Traslacion mediante el vector (, ) . . . . . . . . . . . . . . . . . . . . . . 42
4.3. Giro de angulo y centro en el origen. . . . . . . . . . . . . . . . . . . . . 42
4.4. Simetra respecto del eje de abscisas. . . . . . . . . . . . . . . . . . . . . . 43
4.5. Homotecia centrada en el origen de razon k. . . . . . . . . . . . . . . . . . 43
4.6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.7. Cada parte T
i
, 1 i 3, del triangulo de Sierpinski es semejante al
triangulo total. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.8. Cada una de las partes K
i
, 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
f
1
(x) =
x
3
y f
2
(x) =
(x+2)
3
a partir del intervalo unidad. . . . . . . . . . . . 50
4.10. Primeras iteraciones del SFI asociado al triangulo de Sierpinski a partir de
un triangulo de lado unidad. . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.11. Triangulo de Sierpinski obtenido tras la aplicacion del algoritmo aleatorio
al SFI del cuadro 4.2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.12. La hoja de helecho que se intentara aproximar mediante un SFI aplicando
el teorema de collage. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.13. Cada una de las cuatro partes de la hoja del helecho aqu indicadas se puede
considerar como el resultado de una aplicacion 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 gura 4.13,tenemos
que situar la hoja en el plano R
2
. Si la imagen se centra horizontalmente
en el origen, las transformaciones se obtienen de manera mas comoda. . . . 60
4.15. Un arbol fractal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.16. La hoja de helecho agitada por el viento mediante distintos valores del
parametro . Los valores dados a son = arc sen donde evoluciona
seg un se indica bajo cada gura. El movimiento de la hoja se puede observar
al seguir las imagenes de izquierda a derecha y de arriba a abajo. . . . . . 62
iv
5.1. Formulas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.2. Ubicacion de Formulas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.3. Generando los P
i
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.4. Triangulo de Sierpinski. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.5. Funcion buscarH. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.6. El triangulo de Sierpinski. . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.7. Construccion helecho de Barnsley. . . . . . . . . . . . . . . . . . . . . . . . 71
5.8. Helecho de Barnsley. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
A.1. CP(A, ). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
A.2. d
H
(A, B) = max{
1
,
2
} =
1
. . . . . . . . . . . . . . . . . . . . . . . . . . 81
B.1. Notacion numerica en hoja de calculo. . . . . . . . . . . . . . . . . . . . . 83
B.2. Formulas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
v

Indice de cuadros
4.1. Notacion simplicada del sistema de funciones iteradas asociado al trian-
gulo de Sierpinski. La columna marcada con PROB no es util todava; su
signicado se revisara en el siguiente apartado. . . . . . . . . . . . . . . . . 53
4.2. SFI asociado a un triangulo de Sierpinski modicado mediante la variacion
de las probabilidades asociadas a cada una de sus transformaciones. . . . . 56
4.3. Aproximacion mediante el teorema de collage a la hoja de helecho. Las
probabilidades se asignaron en funcion del area generada por cada trans-
formacion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.1. funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.2. Tabla para generar el triangulo de Sierpinski. . . . . . . . . . . . . . . . . . 68
5.3. Formula que calcula el coeciente e de la funcion f
4
. . . . . . . . . . . . . 72
vi
Introduccion
Este trabajo fue editado en L
A
T
E
X, para lo cual hubo la necesidad de realizar un estudio
profundo del manejo de las sentencias que se usan para la elaboracion de textos, especial-
mente matematicos.
Basicamente los fractales se caracterizan por dos propiedades: autosemejanza (o autosi-
militud) y autorreferencia. La autorreferencia determina que el propio objeto aparece en
la denicion de s mismo, con lo que la forma de generar el fractal necesita alg un tipo de
algoritmo recurrente. La autosemejanza implica invarianza de escala, es decir, el objeto
fractal presenta la misma apariencia independientemente del grado de ampliacion con que
los miremos. Por mas que se ample cualquier zona de un fractal, siempre hay estructura,
hasta el innito, apareciendo muchas veces el objeto fractal inicial, contenido en s mismo.
En su citada obra The Fractal Geometry of Nature
1
Mandelbrot razono que la naturaleza
entiende mucho mas de geometra fractal que de geometra diferenciable.
2
La geometra
fractal aborda el estudio de formas geometricas no diferenciables o quebradas a cualquier
escala que se miren.
Tambien fue importante la publicacion 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 geometra fractal.
A partir de ah, muchos cientcos se han encontrado fractales en sus campos de estudio. La
distribucion de las galaxias, los procesos fsicos de ramicacion, agregacion y turbulencia,
la aparicion de ruido en se nales electricas (precisamente una especie de conjunto de Cantor
en su distribucion) e incluso los fenomenos economicos o sociologicos son algunos de los
lugares en los que se esconde el serpenteo incansable de los fractales.
La dimension fractal
1
Editada en castellano en 1997, veinte a nos despues de su publicacion original, por la editorial Tusquets.
2
Es mas correcto contraponer la geometra fractal a la geometra diferenciable que a la euclidiana,
aunque muchas fuentes la opongan a esta ultima.
vii
La medicion de formas fractales (fronteras, poligonales, etc.) ha obligado a introducir
conceptos nuevos que van mas alla de los conceptos geometricos clasicos. El concepto
de longitud no esta claramente denido. La longitud de la lnea fractal depende de la
longitud de instrumento, o de la unidad de medida que tomemos, la nocion de longitud
en estos casos, carece de sentido. Para ello se ha ideado otro concepto: el de dimension
fractal, que sea una generalizacion de la dimension eucldea. Sabemos que en geometra
clasica un segmento tiene dimension uno, un crculo tiene dimension dos, y una esfera
tiene dimension tres. Para que sea coherente con lo dicho una lnea fractal tiene que tener
dimension menor que dos (no llena toda la porcion 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 dimension fractal sera un n umero comprendido entre uno y
dos. La dimension Hausdor H(X) de un objeto fractal X mide el n umero de conjunto de
longitud L que hacen falta para cubrir X por L.
Rese na historica
Los fractales fueron concebidos aproximadamente en 1880 por el frances Henri Poincare.
Sus ideas fueron extendidas mas tarde fundamentalmente por dos matematicos tambien
franceses, Gaston Julia y Pierre Fatou, hacia 1918. Se trabajo mucho en este campo du-
rante varios a nos, pero el estudio quedo congelado en los a nos 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 geometra fractal. En honor a el, uno de
los conjuntos que el investigo lleva su nombre. Otros matematicos, como Douady, Hub-
bard y Sullivan trabajaron tambien en esta area explorando mas las matematicas que
sus aplicaciones. Desde la decada del 70 este campo ha estado en la vanguardia de los
matematicos contempor aneos. Investigadores como el Dr. Robert L. Devaney, de la Uni-
versidad de Boston ha estado explorando esta rama de la matematica con la ayuda de
las computadoras modernas. M.F.Barnsley, en 1985, estudio una generalizacion del me-
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 metodo 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 termino fractal para referirse a cualquier conjunto compacto y no
vaco.
El metodo 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 basicas en el plano, tam-
bien se dene la transformacion lineal general. Por ultimo se realiza un esbozo de las
transformaciones anes las cuales nos seran muy utiles en la construccion de un objeto
fractal.
En el segundo capitulo Monstruos matematicos nos introduciremos en la tematica mos-
trando algunos de los fractales mas famosos, este capitulo se basa en informacion 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 teora de conjuntos auto semejantes, todos estos son
conceptos fundamentales de la teora de espacios metricos, en los cuales se sustenta espe-
cialmente el teorema del punto jo.
Los sistemas de funciones iteradas son las bases de las tecnicas actuales en la compresion
fractal, esos sistemas generalizan la concepcion de autosemejanza del captulo 4 constitu-
yendo las herramientas basicas para la construccion de objetos fractales.
En el capitulo 6 se construyen dos fractales en hoja de calculo, el famoso triangulo de
Sierpinski y el Helecho de Barnsley esto como la dea de usar una herrmienta de uso
com un entre las personas.
En el apendice A se aborda la medida de Lebesgue, la dimension de Hausdor, la distancia
de Hausdor; estas nos sirven para medir y comparar fractales. El apendice B presenta
una motivacion para trabajar en hoja de calculo.
ix
Captulo 1
Transformaciones lineales
Los vectores y las matrices se relacionan en forma intima a traves de la multiplicacion
matricial. Para una matriz ja A de mxn, cualquier vector n x corresponde al vector m
Ax. Esta correspondencia denida por el producto matricial Ax es el principal ejemplo
de una transformacion lineal, cuya denicion actual se debe a Peano
1
.
Las transformaciones lineales desempe nan un papel importante en las matematicas, fsica,
ingeniera, procesamiento de imagenes, gracas en computadora y muchas otras areas de
la ciencia y de la vida diaria.
Figura 1.1: Transformacion lineal de una imagen.[NAKOS]
El dilema de un caricaturista[NAKOS]
Un caricaturista moderno emplea computadoras y algebra lineal para transformar las
1
Guiseppe Peano. Nacio el 27 de agosto de 1858 en Cuneo, Italia. Murio el 20 de abril de 1932 en
Turn Italia. Fue uno de los primeros en concebir a las matematicas mas como un Lenguaje, Capaz de
expresar ideas de manera sucinta y sin ambig uedades que como una simbologa. Su interes por las curvas
fractales deviene de sus estudios en el campo de de la logica simbolica y de como una proposicion nita
pudiera llegar a generar una expansion innita de proposiciones no triviales
1
imagenes que dibuja. Supongamos que trata de dar la sensacion de movimiento a la imagen
de la gura 1.1(a) inclinandola y estirandola (horizontalmente) en forma gradual para
llegar a la de la gura1.1 (b). Si el estiramiento gradual necesario, por ejemplo, a lo
largo del eje x es de 50 %, como puede modelarlo matematicamente y hacer que la
computadora trace la imagen inclinada? El metodo debera ser independiente de la imagen
(cuadro) inicial para poder aplicarlo a otros cuadros. Como veremos en la seccion 1.1,
en la respuesta interviene una sencilla multiplicacion de matriz por vector. De hecho,
necesitamos multiplicar por la izquierda el vector coordenado de cualquier punto en el
plano que deseemos transformar, por la matriz

1 0,5
0 1

1.1. Transformaciones matriciales

En esta seccion se presentaran las transformaciones de matrices y estudiaremos algunas
transformaciones matriciales del plano que desempe nan un papel importante en las gracas
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 relacion. A continuacion presentamos
algunos ejemplos de esas reglas.
(R1) Para cada vector 2 (x, y) se le asigna el vector 3 (x y, 0, y).
(R2) Para cada vector 2

x
y

se le asigna el vector 3 denido por

1 1
0 0
0 1

x
y

(R3) Para cada x > 0 se le asigna la solucion real para y de y

2
x = 0.
(R4) Para cada x real se le asigna la solucion real de x
2
+ 1 = 0
Hay varias diferencias agudas entre algunas de estas reglas. La regla (R4) no tiene sentido,
porque x
2
+ 1 = 0 no tiene solucion real. (R3) es ambigua, porque y
2
x = 0 implica

x. As, a cada x le corresponden dos n umeros, 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 denido por la regla correspondiente. (R1) y (R2) estan bien denidas, y constituyen
ejemplos de transformaciones. Una transformacion T mapeo o funcion 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, unico, 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 imagenes de los elementos de A se llama rango
2
o contradominio de T y se representa por R(T) o por T(A). Es posible que dos o mas
elementos de A tengan la misma imagen (1.2). Dos transformaciones T
1,
T
2
: A B son
iguales(se escribe T
1
= T
2
) si sus imagenes correspondientes son iguales, es decir, si
T
1
(a) = T
2
(a) para todo a en A.
Figura 1.2: Dominio, codominio y contradominio.
Las Reglas (R1) y (R2) denen transformaciones iguales, ya que

1 1
0 0
0 0

x
y

x y
0
y

Ejemplo 1.1. Sea T : R

3
R
2
la transformacion expresada por T(x, y, z) = (x t +
z, x +y z)
2
Aclaracion: El uso de la palabra rangode una transformacion es cada vez mas general y se debe a la
traduccion indiscriminada de la palabra range
2
rank; pero para tratar de conservar la diferencia entre
rangocomo dimension del contradominio, y el contradominio mismo, usaremos aqu las palabras rango
2
contradominio, respectivamente. Tambien hay que recordar que no es lo mismo range(contradominio)
que rank(rango) de una matriz.
3
(a) Por que T es una transformacion? Cual es su dominio? Cual es su codominio?
(b) Cual 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.
Solucion 1.1. (a) T es una transformacion 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
R
3
. El codominio es R
2
.
(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 solucion 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 n umeros 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 coecientes tiene dos pivotes, el sistema es consistente para todas
a, b. En consecuencia, el contradominio de T es R
2
.
4
1.1.2. Transformaciones de matrices
Consideremos por ejemplo la matriz determinada A =

1 1 1
1 1 1

. Si tomamos los
vectores 3 x y formamos los productos Ax, obtenemos vectores 2 unicos. Por ejemplo,

1 1 1
1 1 1

1
0
1

2
0

1 1 1
1 1 1

1
2
3

6
4

y en general,

1 1 1
1 1 1

x
y
z

x y +z
x +y z

Es claro que podemos denir una transformacion T : R

3
R
2
por la regla T(x) = Ax.
De hecho, T es el mapeo del ejemplo 1.1. Este es un ejemplo de transformacion ma-
tricial , o de matrices. Esta transformacion es la mas importante del algebra lineal.
Denicion 1.1. (Transformacion matricial)
Una transformacion matricial T se expresa mediante T : R
n
R
m
y a esta le corresponde
una matriz A mxn tal que
T(x) = A(x)
Para todo x R
n
. A se llama matriz(estandar) de T.
Por ejemplo, (R1) y (R2) se denen la transformacion matricial T : R
2
R
3
, 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-
cripcion explcita de R(T).
5
Solucion 1.2. Un vector 3 w =

a
b
c

esta en R(T) si y solo si hay un vector 2

x
y

tal que
T

x
y

1 1
0 0
0 1

x
y

x y
0
y

a
b
c

. Esto equivale a decir que el sistema

cuya matriz aumentada es [A : w] es consistente, o tambien que w esta 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.
As, a y c pueden ser escalares cualquiera y b = 0. En consecuencia, R(T)=

a
0
c

, a, c R

Teorema 1.1.
Si T(x) = Ax es cualquier transformacion matricial, entonces
R(T) =Col(A).
Demostracion.
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 mas importantes de una transformacion
matricial.
Teorema 1.2. Cualquier transformacion matricial T : R
n
R
m
, T(x) = Ax Satisface
lo siguiente
(1.) T(x + y) = T(x) +T(y) para todos x,y en R
n
.
(2.) T(cx) = cT(x) para todo x en R
n
y todos los escalares c.
6
1.2. Algunas transformaciones matriciales del plano
Ahora estudiaremos algunas transformaciones matriciales geometricas del plano que son
muy interesantes (R
2
R
2
): reexiones, compresiones-expansiones, cortes,rotaciones y
proyecciones.
1.2.1. Reexiones
Figura 1.3: Reexiones b asicas.
Las reexiones se denen respecto a cualquier recta en el plano. Nos interesan aquellas
que estan vinculadas con una recta que atraviesa el origen, en general respecto a los ejes
coordenados (R
x
y R
y
) y a la recta diagonal y = x(R
d
). Vease la gura 1.3 Esas reexiones
se denen con las formulas
R
y
(x, y) = (x, y) R
x
(x, y) = (x, y) R
d
(x, y) = (y, x)
Y todas estas son transformaciones matriciales; sus matrices correspondientes son

1 0
0 1

1 0
0 1

0 1
1 0

por ejemplo R
y

x
y

1 0
0 1

x
y

x
y

, y as sucesivamente.
Ademas existe la reexion basica respecto al origen, cuya formula y matriz son
R
o
(x, y) = (x, y)

1 0
0 1

7
Esto tambien puede considerarse como rotacion de 180
o
en torno al origen.
1.2.2. Compresiones-expansiones
Las compresiones y expansiones son escalamientos a lo largo de los ejes coordenados. Con
mas precision: para c > 0, la transformacion C
x
(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 compresion en la direccion del eje x positivo. Si c > 1, se reere a una expansion
(gura 1.4). Tambien se tienen compresiones y expansiones a lo largo del eje y, expresadas
por C
y
(x, y) = (x, cy) para c > 0.
Figura 1.4: Compresion y estiramiento a lo largo del eje x.
Otro tipo son los escalamientos simultaneos a lo largo de los ejes x y y, como C
xy
(x, y) =
(cx, dy) con factores de escala c > 0 y d > 0 a lo largo de las direcciones x y y (gura 1.5).
Tanto C
x
como C
y
y C
xy
son transformaciones matriciales, con sus respectivas matrices

c 0
0 1

1 0
0 c

c 0
0 d

8
Figura 1.5: Escalamiento a lo largo de los ejes x y y.
1.2.3. Cortes
Un corte o desplazamiento
3
a lo largo del eje x es una transformacion de la forma
S
x
(x, y) = (x + cy, y)
En otras palabras, cada punto se mueve a lo largo de la direccion x una cantidad
Figura 1.6: Deslizamiento a lo largo del eje x.
proporcional a la distancia al eje x (gura 1.6), tambien hay cortes a lo largo del eje y.
S
y
(x, y) = (x, cx +y)
3
Aclaracion: Este nombre de transformacion da idea de las deformaciones por esfuerzo cortante y de
los deslizamientos de capas cristalinas en los materiales sometidos a esfuerzo cortante
9
S
x
y S
y
son transformaciones matriciales cuyas matrices son

1 c
0 1

1 0
c 1

Observe que la constante c en la formula para un corte puede ser negativa. La gura 1.7
ilustra este caso para S
y
(x, y) = (x, 2x + y).
Figura 1.7: Deslizamiento a lo largo de la direccion negativa de y.
Ejemplo 1.3. Determine la transformacion S
x
que se desliza en direccion positiva de x
en un factor de 0,5. Para la gura 1.8, obtenga las imagenes de los puntos
(0, 2), (0, 1), (0,5, 0,5), (0, 0), (1, 0), (1, 1), (1, 1), (1, 0).
Solucion 1.3. S
x
se expresa como S
x
(x, y) = (x +,5y, y), Por consiguiente,
S
x

x
y

1 0,5
0 1

x
y

(1.1)
Las imagenes de los puntos identicados pueden calcularse sustituyendo sus coordenadas
10
Figura 1.8: Deslizamiento en transformaciones de imagen.[NAKOS]
en la ecuacion (1.1). Sin embargo, se ahorra espacio escribiendo los productos matriz por
vector en forma de un producto de matrices:

1 0,5
0 1

0 0 0,5 0 1 1 1 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 imagenes 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 transformacion en el plano es la rotacion o giro en torno a cualquier punto
en el plano. Nos interesan principalmente las rotaciones en torno al origen.
Ejemplo 1.4. (Rotacion en el plano)
La transformacion R

: R
2
R
2
se dene por
R

x
y

cos sin
sin cos

x
y

y hace girar cada vector x, y rad en sentido contrario al de las manecillas del reloj en
torno al origen.
11
Solucion 1.4. De acuerdo con la gura 1.9(a),

OB es la rotacion de

OA un angulo de
. Entonces
x = r cos y = r sen
x

= r cos( + ) y

= r sen( +)
Mediante identidades trigonometricas se llega a
Figura 1.9: Rotacion en torno al origen.
x

= r cos cos r sin sin y

= r sin cos +r cos sin

x

= x cos y sin y

= y cos +x sin
Por consiguiente

x cos y sin
x sin +y cos

cos sin
sin +cos

x
y

= R

x
y

Que demuestran que R

es una rotacion de rad en torno al origen.

Por ejemplo, se calculara la imagen de (1, 1) para =

2
(gura 1.9(b)).
R

1
1

cos

2
sin

2
sin

2
cos

2

1
1

0 1
1 0

1
1

1
1

12
1.2.5. Proyecciones
Las proyecciones del plano sobre una recta tambien 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 P
x
sobre el eje x y P
y
sobre el eje y (gura
1.10) se expresan por
P
x
(x, y) = (x, 0) P
y
(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 algebra lineal
y en sus aplicaciones. Son transformaciones entre espacios vectoriales que conservan la
suma vectorial y la multiplicacion por escalar. En esta seccion deniremos una transfor-
macion lineal y se mostraran varios ejemplos.
Denicion 1.2. (transformaciones lineales)
13
Sea V, W dos espacios vectoriales. Una transformacion lineal (0 mapeo lineal) de V a W
es una transformacion 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 efect uan en
V y W, respectivamente. En el caso especial V = W, la transformacion lineal T : V V
se llama operador lineal de V.
Figura 1.11: Transformacion lineal.
Ejemplo 1.5. Demuestre que las transformaciones T : R
2
R
2
denida por
T

x
y

2x 3y
x +4y

es lineal
Solucion 1.5.
Sean u =

x
1
y
1

y v =

x
2
y
2

14
Entonces
T(u +v) = T

x
1
y
1

x
2
y
2

= T

x
1
+ x
2
y
1
+ y
2

2(x
1
+x
2
) 3(y
1
+y
2
)
(x
1
+x
2
) + 4(y
1
+y
2
)

2x
1
3y
1
x
1
+4y
1

2x
2
3y
2
x
2
+4y
2

= T

x
1
y
1

+T

x
2
y
2

= T(u) + T(v)
Para todo escalar c,
T(cu) = T

cx
1
cy
1

2cx
1
3cy
1
cx
1
+ 4cy
1

= c

2x
1
3y
1
x
1
+ 4y
1

= cT

x
1
y
1

= cT(u)
Se satisfacen ambas partes de la denici`on, de modo que T es lineal.
Ejemplo 1.6. Demuestre que la transformacion T : R
3
R
2
es lineal:
T(x, y, z) = (x z, y +z)
Solucion 1.6.
Sean u = (x
1
, y
1
, z
1
) y v = (x
2
, y
2
, z
2
).
15
Entonces
T(u +v) = T(x
1
+ x
2
, y
1
+x
2
, z
1
+z
2
)
= ((x
1
+x
2
) (z
1
+z
2
), (y
1
+y
2
) + (z
1
+z
2
))
= (x
1
z
1
, y
1
+z
1
) + (x
2
z
2
, y
2
+z
2
)
= T(u) +T(v)
demuestra la parte uno de la denicion.
Ejemplo 1.7. (Transformaciones matriciales)
Demuestre que toda transformacion matricial es lineal
Solucion 1.7. De acuerdo con el Teorema 1.2 de la seccion 1.1, ambas propiedades de
la denicion se cumplen. Practicaremos volviendo a desarrollar la demostracion . Si T :
R
n
R
m
, entonces T(x) = Ax es una transformacion 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. (Transformacion lineal geometrica)
Demuestre que las reexiones, 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.
Solucion 1.8. Todos estos mapeos
4
son transformaciones matriciales, basandose en la
seccion 1.1 En consecuencia, seg un el ejemplo 1.7, son lineales.
1.3.1. Propiedades de las transformaciones lineales
Teorema 1.3. T : V W es una transformacion lineal si y solo si para todos los vectores
v
1
y v
2
V, y todos los escalares c
1
y c
2
, se cumple
T(c
1
v
1
+c
2
v
2
) = T(c
1
v
1
) +T(c
2
v
2
)
= c
1
T(v
1
) +c
2
T(v
2
)
Demostracion. Si T es lineal, entonces
T(c
1
v
1
+c
2
v
2
) = T(c
1
v
1
) +T(c
2
v
2
)
= c
1
T(v
1
) +c
2
T(v
2
)
4
Las reexiones con respecto a cualquier recta que pasa por el origen y las proyecciones sobre cualquier
recta que pasa por el origen son tambien transformaciones matriciales(es decir, lineales).
16
de acuerdo con las partes 1 y 2 de la denicion 1.2
A la inversa, si T es una transformacion tal que T(c
1
v
1
+ c
2
v
2
) = c
1
T(v
1
) + c
2
T(v
2
) para
todos v
1
, v
2
R
n
y todos c
1
, c
2
R. entonces si igualamos c
1
= c
2
= 1 obtenemos la parte
1 de la denicion y haciendo c
2
= 0 se obtiene la parte 2.
As las transformaciones lineales mapean una combinacion lineal de vectores en la misma
combinacion lineal de las imagenes de esos vectores.
Teorema 1.4. T : V W es una transformacion lineal. Entonces
1. T(0) = 0;
2. T(u v) = T(u) T(v).
Demostracion. 1. De acuerdo con la parte 2 de la denicion 1.2,
T(0) = T(0v) = 0T(v) = 0
2. Seg un el teorema 1.3, haciendo que c
1
= 1 y c
2
= 1,
T(u v) = T(1u + (1)v) = 1T(u) + (1)T(v) = T(u) T(v)
Ejemplo 1.9. Es f : R
2
R
2
una transformacion lineal, denida por f(x, y) = (x, 1)?
Solucion 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 transformacion 0 : V W es lineal.
Solucion 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 transformacion I : V V que convierte cada vector de V en si mismo se llama
transformacion identidad de V.
I(v) = v v V.
Ejemplo 1.11. (Homotecia)
Para un escalar jo c, compruebe que T : V V es lineal.
T(v) = cv
17
Solucion 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 transformacion del ejemplo N se le llama homotecia. Si c > 1, la homotecia es una
dilatacion, y su efecto sobre v es estirarlo en un factor de c. Si 0 < c < 1, la homotecia
es una contraccion, y su efecto sobre v es encogerla en un factor de c (gura 1.12). Si
c < 0, esta transformacion invierte la direccion de v.
Figura 1.12: Dilatacion y contraccion por un factor de 2.
Ejemplo 1.12. (proyeccion a al recta que pasa por el origen)
Si u es un vector jo distinto de cero en R
3
, la transformacion T : R
3
R
3
denida con
la proyeccion ortogonal de cada v R
3
sobre u es lineal (gura 1.13) .
T(v) =
v u
u u
u
Solucion 1.12. Puesto que
T(c
1
v
1
+c
2
v
2
) =
(c
1
v
1
+c
2
v
2
) u
u u
u =
c
1
v
1
u +c
2
v
2
u
u u
u
= c
1
v
1
u
u u
u +c
2
v
2
u
u u
u = c
1
T(v
1
) +c
2
T(v
2
)
Lo anterior se demostro seg un el teorema 1.3.
1.4. Matriz de una transformacion lineal
En este numeral se generalizara el concepto de matriz estandar de una transformacion
matricial. Se demostrara que toda transformacion lineal entre espacios vectoriales de di-
mensiones nitas puede representarse como una transformacion matricial.
18
Teorema 1.5. (Matriz de una transformacion lineal)
Sea T : V W una transformacion lineal entre dos espacios vectoriales V y W dde
dimensiones nitas. Sea B = {v
1
, ..., v
n
} una base de V y B

= {v

1
, ..., v

m
} una base de
W. La matriz A mxn cuyas columnas son
[T(v
1
)]
B
, ..., [T(v
n
)]
B

Es la unica matriz que satisface

[T(v)]
B
= A[v]
B
Demostracion. Como B genera a V , hay escalares c
1
, ..., c
n
tales que v = c
1
v
1
+ +c
n
v
n
.
As
T(v) = c
1
T(v
1
) + +c
n
T(v
n
)
Porque T es lineal. Por consiguiente
[T(v)]
B
= c
1
[T(v
1
)]
B
+ +c
n
[T(v
n
)]
B

= A

c
1
.
.
.
c
n

= A[v]
B
La vericacion de que A es la unica matriz con la propiedad [T(v)]
B
= A{v}
B
para todo
v V
Denicion 1.3. La matriz A del teorema 1.5 se llama matriz de T con respecto a B y
B

. Si V = W y B = B

, A se llama matriz de T con respecto a B (gura 1.13).

Observaciones
1. El teorema 1.5 es muy util. Si conocemos A es posible evaluar T(v) calculando [T(v)]
B

como A[v]
B
, lo cual es tan solo una multiplicacion de matrices.
19
Figura 1.13: Matriz de una transformacion lineal.[NAKOS]
2. La matriz de T depende de T, B y B

. Aun cuando se modica 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 unicas transformaciones
lineales de R
n
a R
m
son las transformaciones matriciales.
Teorema 1.6. Toda transformacion lineal T : R
n
R
m
es una transformacion matricial
Demostracion. Sean B y B

las bases estandar de R

n
y R
m
, respectivamente entonces
seg un el teorema 1.5, hay una matriz A tal que
[T(v)]
B
= A[v]
B
Para todo v R
n
. Pero como T(v) = [T(v)]
B
y A[v]
B
= Av para bases estandar, tenemos
T(v) = Av
Por consiguiente, T es una transformacion matricial cuya matriz estandar es A.
Ejemplo 1.13. Sea T : R
2
R
3
la transformacion lineal denida por

x
y

2x + y
x y
x + 4y

20
y sean B = {v
1
, v
2
} y B

= {v

1
, v

2
, v

3
} las bases de R
2
y R
3
, donde
v
1
= e
2
v
2
= e
1
y
v

1
= e
3
, v

2
= e
2
v

3
= e
1
respectivamente,
(a) Determine la matriz A de T con respecto a las bases B y B

.
(b) La matriz estandar de T es igual que A del inciso (a.) ?
(c) Eval ue T

4
6

en forma directa y a partir del inciso (a.).

Solucion 1.13. (a) En este caso,
T(e
2
) = T

0
1

1
1
4

y T(e
1
) = T

1
0

2
1
1

A continuacion necesitamos [T(e

2
)]
B
y [T(e
1
)]
B
. Es facil vericar que

1
1
4

4
1
1

2
1
1

1
1
2

Por consiguiente,
A =

4 1
1 1
1 2

(b) La matriz estandar de T, que tambien es la matriz de T con respecto a la base estandar,
es

2 1
1 1
1 4

que no es igual que A.

(c) Al sustituir en la formula para T, se obtiene
T

4
6

2
10
20

21
Por otro lado, para usar A se necesita

4
6

B
, que es

6
4

. De manera que,

4
6

4 1
1 1
1 2

6
4

20,0
10,0
2,0

As, por la denicion de un vector coordenado con respecto a B

.
T

4
6

= 20

0
0
1

10

0
1
0

1
0
0

2,0
10,0
20,0

1.5. Transformaciones anes

Denicion 1.4. Sea A una matriz mxn, una transformacion afn T : R
n
R
m
tiene la forma
T(x) = Ax +b
Para alg un vector m jo b. Esta transformacion es no lineal si b = 0. Por lo anterior,
T(0) = 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 traslacion por b.
Una traslacion por un vector b = 0 desplaza a una gura sumando b a todos sus puntos.
Una transformacion afn es una transformacion lineal seguida de una traslacion.
Figura 1.14: (a)Traslacion,(b)transformacion afn: rotacion y despues traslacion.
La gura 1.14(a) muestra la imagen S del cuadrado S despues de la traslacion por (2,-1).
La gura 1.14(b) muestra la imagen S del cuadrado S bajo la transformacion afn.
22
T(x) =

2
2

2
2
2
2

2
2

x +

2
0

T consiste en una rotacion de 45

seguida de una traslacion por (2, 0).

Las transformaciones anes con n = m = 2 y n = m = 3 son muy utiles para las gracas
en computadora.
Ejemplo 1.14. Obtener la transformacion afn T que convirtio la imagen izquierda de la
gura 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 imagenes 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: Traslacion con deslizamiento de un polgono.
Solucion 1.14. Sean T(x) = Ax +b con b =

b
1
b
2

y A

a b
c d

. Entonces
T

x
1
x
2

a b
c d

x
1
x
2

b
1
b
2

ax
1
+ bx
2
+b
1
cx
1
+dx
2
+b
2

ya que
T

0
1

a +b
1
c +b
2

2
1

23
T

0
1

b +b
1
d +b
2

1,5
0

1
0

a +b
1
c +b
2

0
1

llegamos al sistema
a +b
1
= 2
c +b
2
= 1
b +b
1
= 1,5
d +b
2
= 0
a +b
1
= 0
c +b
2
= 1
cuya solucion es a = 1, b = 0,5, c = 0, d = 1 y b
1
= 1, b
2
= 1. De modo que,
T(x) = Ax +b =

1 0,5
0 1

x +

1
1

Por lo anterior, T es el deslizamiento en 0,5 a lo largo del eje x seguido de la traslacion

por (1, 1).
Si observamos la gura 1.16, la transformacion afn T se describe con la rotacion de 45

en direccion positiva en torno al eje z seguida de una traslacion por (1, 1, 1), esto se aplico
al tetraedro de la izquierda y produjo el tetraedro de la derecha.
T(x) =

2
2

2
2
0

2
2

2
2
0
0 0 1

x +

1
1
1

Figura 1.16: Tetraedro girado y trasladado.

24
Captulo 2
Monstruos Matematicas
La historia de los fractales comienza a nales del siglo XIX, en el siglo XX permanecen en
estado de quietud. En el ultimo cuarto del siglo XX y casi en paralelo a la evolucion de la
investigacion de los sistemas caoticos, los fractales van cobrando un auge creciente, hasta
convertirse en un concepto cada vez mas extendido en todas las ciencias.
En este apartado nos introduciremos en el tema mostrando algunos fractales famosos.
2.1. Fractales
A nales del siglo pasado, el matematico Charles Hermite tildaba de plaga lamentablela
fascinacion que algunos otros matematicos sentan por determinadas curvas que desaaban
los cimientos de la geometra de la epoca. Muchos como el consideraban patologicas aquel
tipo de curvas, desentendiendose de sus insolitas propiedades. Uno de aquellos primeros
monstruos geometricos era el denominado conjunto de Cantor. Su denicion 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 innitas veces (paso al lmite) es el conjunto de Cantor.
Un espectador innitesimal que observara la repeticion anterior durante una eternidad,
no terminara por ver desaparecer la totalidad de los los puntos. El consolidado sistema
de de medidas de la epoca (medida de Lebesgue) daba para dicho conjunto medida nula.
Tarde o temprano se tuvo que aceptar que aquel sistema de medidas era insuciente.
En 1890, Peano ideo otro de tales rarezas: una curva que rellenaba el plano Como poda
una region cuadrada del plano ser una curva? A nos mas tarde Hilbert ideo una curva con
identica propiedad pero de mas sencilla elaboracion.
25
Otro ejemplo es el de la curva ideada por el Matematico 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 formaran un triangulo equilatero. El proceso se repite innitas
veces con los cuatro segmentos resultantes. Una caracterstica sorprendente de la curva de
Koch es que un permetro innito aloja un area nita.
Todas estas formas han terminado por transformar muchos de los conceptos dados por
validos hasta el siglo pasado, terminando en la denominada teora geometrica de la medida
desarrollada en las primeras decadas del siglo XX. Uno de los aspectos mas importantes
surgidos de esta teora es la redenicion del concepto de dimension a cargo de Hausdor,
que permite que estas curvas tengan dimension fraccionaria. La curva de Koch tiene una
dimension de Hausdor de 1, 2618 lo cual indica que esta mas cerca de ser una recta
(dimension 1) que una area (dimension 2). Los trabajos de Hausdor fueron continuados
durante la decada de los a nos 20 del siglo XX por Besicovitch derivando la teora geometrica
de la medida.
Hoy da todas las curvas anteriores estan contenidas dentro de una clase mas amplia de
objetos matematicos denominados fractales. El termino fractal fue acu nado por Benoit
Mandelbrot (descubridor de uno de los mas bellos y complejos conjuntos matematicos,
que lleva su nombre) hace apenas unos veintisiete a nos como un neologismo derivado
de la palabra latina fractus
1
estando a un por establecer la denicion exacta y denitiva
del termino. Sin embargo, de algo no hay duda: las curvas anteriormente descritas son
genuinamente fractales.
Resulta curioso que los matematicos que sentaron las bases de la teora geometrica de
la medida a comienzos de este siglo, lo hicieron desde un punto de vista completamente
teorico, sin intuir los cambios que han propiciado a las matematicas como tal.
2.2. El conjunto de Cantor
El conjunto de Cantor
2
es un ejemplo clasico 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 descripcion de esta medida puede encontrarse en el apendice
A.
Para construir el conjunto de Cantor se partira del intervalo unidad E
0
= [0, 1] R,
Dividimos dicho intervalo en tres partes iguales y consideramos los intervalos cerrados de
1
Aunque Mandelbrot denio el sustantivo fractal con un genero femenino, son raras las referencias en
castellano que se reeren a las fractales y gran mayora las que lo hacen a los fractales.
2
George Cantor Nacio en San Petersburgo (Rusia). Su madre era rusa y su padre era un comerciante
danes. En 1856 la familia se traslado a Wiesbaden (Alemania),Cantor estudio los conjuntos innitos
26
los extremos
E
11
=

0,
1
3

E
12
=

2
3
, 1

cada uno de ellos de longitud

1
3
.
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
E
21
=

0,
1
9

E
22
=

2
9
,
1
3

E
23
=

2
3
,
7
9

E
24
=

8
9
, 1

cada uno de ellos de longitud

1
9
.
Si continuamos indenidamente de esta forma, en la etapa k-esima tendremos 2
k
intervalos
cerrados E
kj
con j = 1, 2, . . . , 2
k
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
E
k
=
2
k

j=1
E
kj
Observemos que los conjuntos E
k
, k = 1, 2, . . . , forman una sucesion monotonamente
decreciente, esto es
E
k+1
E
k
k
El conjunto lmite de este proceso
27
E =

k=1
E
k
se denomina conjunto ternario de Cantor. En la gura 2.1 se muestran las primeras etapas
de la generacion del conjunto de Cantor.
Las propiedades asombrosas de este conjunto son abundantes. Veamos unas cuantas. En
primer lugar observemos que E no es vaco ya que en cada E
k
estan, como mnimo, los
extremos de los 2
k
intervalos cuya union nos da E
k
y, por lo tanto, tambien estan en E.
Ademas, el conjunto de Cantor es cerrado por ser interseccion de cerrados.
Con todo, estos no son los unicos puntos de E; si as fuera, se tratara de un conjunto
numerable. Pero E es no numerable. Veamoslo.
Cada punto de E es representable de forma unica mediante
a =
a
1
3
+
a
2
3
2
+ +
an
3
n
+
donde cada a
i
es 0 o 2. Podemos entonces escribirlo en base tres como
a = 0.a
1
a
2
. . . a
n
. . .
Recprocamente, cada expresion de este tipo corresponde a un punto de E. Si E fuera
numerable
3
podramos ordenar sus elementos. Supongamos que es cierto lo anterior y que
E es numerable
a
1
= 0.a
1
1
a
1
2
a
2
= 0.a
2
1
a
2
2
a
3
= 0.a
3
1
a
3
2
. . . . . . . . . . . .
y formemos un punto 0.b
1
b
2
. . . a partir de la sucesion anterior con la regla siguiente
sia
n
n
= 0, b
n
= 2
sia
n
n
= 2, b
n
= 0
3
Un conjunto es innito si tiene el mismo cardinal que una parte estricta suya, esto es, si puede
establecerse una aplicacion biyectiva entre el conjunto y un subconjunto propio suyo. Un conjunto es
numerable si tiene el mismo cardinal que N. Cantor demostro que Qes numerable y que R es no numerable.
28
El n umero as formado no esta en la sucesion anterior y, sin embargo, pertenece claramente
a E y, por tanto, E no puede ser numerable.
Este procedimiento es muy similar a la famosa tecnica utilizada por Cantor para demostrar
la numerabilidad de R.
Aun as el conjunto de Cantor tiene medida de Lebesgue unidimensional nula. Esta medida
se discute en el apendice A. Para cualquier etapa k, la familia de intervalos {E
kj
}, j =
1, . . . , 2
k
, es un recubrimiento de E formado por intervalos disyuntos. As se tiene, por las
propiedades de la medida de Lebesgue, que
L
1
(E) L
1
(
2
k

j=1
E
kj
) =
2
k

j=1
L
1
(E
kj
) = 2
k
3
k
= (
2
3
)
k
Puesto que la desigualdad es cierta para todo k y (
2
3
)
k
tiende a cero cuando k tiende a
innito, se obtiene L
1
(E) = 0.
Aunque aqu no se demostrara, puede comprobarse, ademas, que el conjunto E no contiene
intervalos, es decir, es innitamente poroso.
2.3. Curvas de Peano y Hilbert
En 1980 Peano construyo 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. A nos mas tarde,
Hilbert construye otra del mismo tipo con una construccion geometrica mas simple de
describir. La curva de Hilbert se construye iterando el procedimiento que puede observarse
en la gura 2.2. En cada etapa cada segmento se sustituye por otros cuatro con la mitad
de longitud. La curva Lmite de tales poligonales llena el cuadrado de unidad.
2.4. Curva de Koch
Esta curva fue construida en 1904 por el matematico 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 formaran un triangulo equilatero. Con cada uno de
los cuatro segmentos que as queden determinados se repite la operacion anteriormente
descrita.
se procede indenidamente de esta forma obteniendo en cada etapa k una poligonal de
longitud (
4
3
)
k
. La curva de Koch se dene como la curva lmite a que converge la sucesion
29
Figura 2.2: Primeras etapas de la generacion de la curva de Hilbert. La curva de Hilbert
es un ejemplo de curva que llena el plano, por lo que su dimension fractal es 2.
cuando k tiende a innito. Se trata, por tanto, de una curva de longitud innita pues (
4
3
)
k
tiende a innito con k. Mas a un, la longitud de la parte de curva comprendida entre dos
puntos cualesquiera de la misma tambien es innita. El area bajo la curva, por otra parte,
viene dada por la serie
1 + (
4
9
) + (
4
9
)
2
+ (
4
9
)
3
+
Figura 2.3: Primeros pasos del proceso de construccion de la curva de Koch. En el lmite
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 innita.
que converge a
9
3
asumiendo que el area bajo el triangulo de la primera iteracion es 1. En
la gura 2.3 pueden verse las primeras etapas de la generacion de la curva de Koch.
30
Captulo 3
Conjuntos Autosemejantes
3.1. Conjuntos autosemejantes famosos
Como muestra de estos conjuntos se abordaran tres conjuntos celebres.
3.1.1. Conjunto de Cantor
Consideremos un sistema
1
,
2
de dos contracciones de R de ecuaciones
1
=
x
3
y

2
(x) =
x
3
+
2
3
. La primera transforma I = [0, 1] en el intervalo [0,
1
3
], mientras que

2
(I) = [
2
3
, 1].
Sabemos que el conjunto de Cantor E construido en el pagina 26 no es otro que el conjunto
de los n umeros reales incluidos en I tales que en sus expresiones decimales en base tres
solo guran ceros y doses. Observamos que si x es uno de tales n umeros,
x
3
tambien lo es
(la division por 3 en base 3 se efect ua corriendo la coma decimal un lugar a la izquierda).
Tambien
x
3
+
2
3
estara 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
1
(E) y
2
(E) resultan ser aqu, respectivamente, aquellos puntos del con-
junto de Cantor cuyas expresiones decimales comienzan por 0, 0 y aquellos que comienzan
por 0, 2. Entre ambos re unen todos los puntos de E, siendo vaca su interseccion. He-
mos probado que el conjunto de Cantor es autosemejante con arreglo a la denicion dada
anteriormente.
3.1.2. Conjuntos de Cantor en R
2
Para obtener el conjunto de cantor en R
2
mostrado en la gura 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 R
2
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 peque nos que ocupan sus cuatro esquinas. Mas concretamente,
si
1
y
2
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 I
1
, I
2
, I
3
, I
4
y repitiendo en cada uno de ellos este proceso indenidamente

ij
= (
i
(x),
j
(y)), 1 i, j 2
El conjunto E se descompone en la union de cuatro copias semejantes, que son precisa-
mente las
ij
(E).
3.2. Curva de Koch
Consideremos las cuatro semejanzas del plano que transforman el segmento unitario I en
los cuatro segmentos de la gura 3.2.
Puede demostrarse que la curva de Koch es autosemejante respecto a estas cuatro seme-
janzas, cada una de las cuales tiene razon
1
3
. En el captulo siguiente se dan las ecuaciones
exactas de tales semejanzas.
32
3.3. Espacios metricos
Antes de profundizar en las caractersticas de los conjuntos autosemejantes, es necesario
mostrar algunos conceptos sobre topologa y espacios metricos cuya comprension es vital.
Aunque en un principio puedan parecer conceptos excesivamente abstractos, se vera su
utilidad a la hora de conformar una base teorica solida de la geometra fractal.
Se dice que d es una metrica o distancia denida en un conjunto X si a cada par de puntos
x, y X se les puede asignar un n umero 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 metrico. Un ejemplo caracterstico de espacio metrico
es el espacio R
n
con la distancia eucldea habitual
d(x, y) = |x y| =

k=1
(x
2
k
y
2
k
)
con x, y R
n
.
Si (X, d) es un espacio metrico, todo A X admite de forma natural una metrica d
A
,
dada para x, y A por
d
A
(x, y) = d(x, y)
lo que convierte (A, d
A
) en un espacio metrico del que se dice es subespacio metrico de
X.
En un espacio metrico (X, d), dado un punto x X y un n umero real r > 0 se dene
bola abierta de centro x y radio r como el conjunto
B(x, r) = {y X = d(x, y) < r}
Si en esta denicion se cambia < por se obtiene la denicion de bola cerrada con
centro x y radio r.
Un subconjunto A de un espacio metrico se dice acotado si esta incluido en alguna bola
del espacio metrico.
33
Denicion 3.1. Dado un conjunto acotado A R no vaco, el supremo de A, que repre-
sentamos por supA, cumple las dos condiciones siguientes:
1. Para cualquier x A se verica x supA
2. dado > 0, por peque no que sea, existe x Atal que x > (supA) es decir, un punto
x tan proximo al supremo de A como queramos
Si el conjunto A es cerrado (incluye a su frontera), no solo 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 maximo. A partir de esta denicion de supremo es sencillo obtener la de
nmo y mnimo de un conjunto.
Dado un subconjunto acotado A en un espacio metrico (X,d) se dene diametro de A
como
|A| = sup
x,yA
{d(x, y)}
Si A y B son conjuntos acotados de X (en particular cuando alguno de ellos se reduce a
un punto), se dene distancia
1
entre A y B como
d(A, B) = inf
xA,yB
{d(x, y)}
En un espacio metrico (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 metrico (X, d) dado A X se llama adherencia de A al conjunto

A = adh(A) = {x X : para toda bola B(x, r), B(x, r) A = }

La adherencia de un conjunto es el mnimo conjunto cerrado que lo contiene y tambien

A = adh(A) = {x : d(A, x) = 0}
Un conjunto es cerrado si y solo si coincide con su adherencia.
Dado A X se llama interior de A al conjunto
1
Esta distancia no coincide con la metrica de Hausdor d
H
que se vera mas adelante; de hecho, ni
siquiera es una metrica seg un la denicion 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 el. Un conjunto es
abierto si y solo si coincide con su interior.
Una sucesion {x
n
} de puntos de un espacio metrico (X, d) es convergente si existe un
n umero x que verique que para cualquier > 0 existe un natural N tal que si n > N,
d(x, x
n
) < . Entonces se escribe x = lm
n
x
n
.
Una aplicacion f : X Y entre dos espacios metricos es continua en x X si para
todo > 0 existe tal que
d(x, y) > d(f(x), f(y)) <
Si f es continua en todo punto de X, se dice que es continua en X. Una condicion necesaria
y suciente para que f sea continua en x es que, para toda {x
n
} convergente a x, sea
lmf(x
n
) = f(lmx
n
)f(x)
Una condicion necesaria y suciente para que f sea continua en X es que para todo A X
sea
f(adh(A)) adh(f(A))
3.3.1. Espacios metricos completos y compactos
En un espacio metrico (X, d) una sucesion {x
n
} se llama de cauchy si para todo > 0
existe un N tal que si p, q > N, d(x
p
, xq) > . Toda sucesion convergente es de Cauchy,
pero puede haber sucesiones de Cauchy que no sean convergentes. Cuando toda sucesion
de Cauchy es convergente a un punto de X, al espacio metrico se le denomina completo.
Un espacio metrico es compacto si para toda sucesion {x
n
} de puntos de X admite
una subsucesion convergente a un punto de X. Son ejemplos caractersticos de conjuntos
compactos los conjuntos cerrados y acotados de R
n
. La imagen de un conjunto compacto
por una aplicacion continua entre espacios metricos es un conjunto compacto.
3.3.2. Aplicaciones contractivas en espacios metricos
Una aplicacion f : X X, donde (X, d) es un espacio metrico, 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
contraccion, modulo de la contraccion o razon de contractividad. En estas
condiciones se verica la siguiente proposicion.
35
Proposicion 3.1. Si la aplicacion f : X X sobre el espacio metrico X es contractiva,
entonces se cumple:
1. f es continua
2. Si g : X X es contractiva de modulo k

, entonces g f es contractiva de modulo

k k

3. f
n
es contractiva de modulo k
n
La demostracion se puede encontrar en [[GUZMAN],pag.150]
3.4. Teorema del punto jo
Estamos en condiciones de dar un teorema importante para nuestro trabajo, ya que sin el
la compresion fractal (al menos tal como hoy se conoce) no seria posible. Se trata, ademas,
de un resultado muy util en muchas areas de las matematicas.
Teorema 3.2. (Teorema del punto jo) Si X es un espacio metrico completo y
f : X X es una aplicacion contractiva de modulo k, entonces existe un unico x X
denominado punto jo de la contraccion tal que f(x) = x.
Demostracion. 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 unico.
Teorema 3.3. Si X es un espacio metrico completo y f : X X es una aplicacion
contractiva de modulo k, entonces, si x es el punto jo de la contraccion tal que f(x) = x,
se tiene que para cualquier y X
1. x = lm
n
f
n
(y)
2
2. d(x, y)
1
1k
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
Demostracion. Veamos en primer lugar la demostracion de 1. Probaremos a continuacion
que, dado un y X arbitrario, la sucesion cuyo termino general es y
n
= f
n
(y) es de
Cauchy.
Para p 1 arbitrario
d(y
p
, y
p+1
) = d(f(y
p1
), f(y
p
)) k d(y
p1
, y
p
)
Aplicando esta formula repetidas veces se tiene
d(y
p
, y
p+1
) k
p
d(y
0
, y
1
para p < q arbitrarios, en virtud de la desigualdad triangular
d(y
p
, y
q
) d(y
p
, y
p+1
) +d(y
p+1
, y
p+2
) + + d(y
q1
, y
q
)

i=p
d(y
i
, y
i+1
)
d(y
0
, y
1
)

i=p
k
i
= d(y
0
, y
1
)
k
p
1k
y esta ultima expresion se hace mas peque na que un arbitrario tomando p sucientemente
grande.
Como {y
n
} es de Cauchy en el espacio completo (X, d), debe ser convergente. Si x es su
lmite, en virtud de la continuidad de f se tiene
f(x) = f( lm
n
y
n
)
= lm
n
f(y
n
)
= lm
n
y
n+1
37
= x
y esto prueba que x es el punto jo de la contraccion y concluye la demostracion de 1.
Para demostrar 2., tomando p = 0 en
d(y
p
, y
q
) d(y
0
, y
1
)
k
p
1k
se obtiene
d(y
0
, y
q
)
1
1k
d(y
0
, y
1
)
Tomando lmites cuando q tiende a innito
lm
q
d(y
0
, y
q
) = d(y
0
, lm
q
y
q
) = d(y
0
, x)
1
1 k
d(y
0
, f(y
0
))
donde y
0
X es arbitrario.
3.5. Invarianza respecto a un sistema de semejanzas
Expondremos ahora un resultado que proporciona un criterio mas ecaz para probar la
autosemejanza de conjuntos al permitir su construccion directa a partir de sistemas de
autosemejanzas. En los ejemplos de la seccion 3.1 hemos encontrado el sistema de semejan-
zas a posteriori basandonos en el conocimiento que tenamos del proceso de construccion
de los conjuntos. Ademas, la demostracion rigurosa de la autosemejanza del conjunto de
Cantor fue posible porque se dispona de las expresiones decimales de sus puntos.
Conseguiremos ahora, por tanto, un metodo exible para la construccion y caracterizacion
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 = {
1
,
2
, . . . ,
m
} de semejanzas contractivas de R
n
(esto es, todas ellas de razon menor a la unidad) existe un unico compacto y no vaco
E R
n
tal que
E =
m

i=1

i
(E)
38
Observemos que el conjunto E cuya existencia conocemos a partir de cualquier sistema
de semejanzas contractivas, dado a priori, satisface la condicion 1. de la denicion de
autosemejante, pero nada podemos asegurar respecto de la condicion 2.
39
Captulo 4
Sistemas de Funciones Iteradas
4.1. El espacio de los fractales
J. E. Hutchinson fue en 1981 el primer matematico que, estudiando las propiedades co-
munes (compacidad, autosemejanza etc.) de los fractales ya conocidos, elaboro una teora
unicada para la obtencion de una amplia clase de conjuntos fractales: los conjuntos auto-
semejantes.
En 1985, M. F. Barnsley generalizo el metodo de Hutchinson. Mientras que este 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 captulo consideraremos fractal en sentido amplio
a todo conjunto compacto, es decir, a cualquier conjunto no vaco acotado y que conten-
ga a su frontera. Esta consideracion surge del hecho de poder unicar bajo un nombre
comun 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 ser an aplicados nicamente a los autenticos conjuntos fractales.
Llamaremos, por tanto, fractal a cualquier subconjunto compacto y no vaco de R
n
y
espacio de los fractales, o espacio donde van a vivir los fractales, de R
n
al conjunto de
todos los fractales de dicho espacio, es decir, al conjunto:
H(R
n
) = {K : K R
n
, K = y K es compacto}
Puesto que aqu vamos a tratar sobre el problema de aproximar objetos naturales (fracta-
les en un cierto espacio R
n
) mediante fractales que nosotros podamos generar, es necesario
40
disponer de una metrica que nos de la distancia entre elementos del espacio H(R
n
). Noso-
tros consideraremos la metrica de Hausdor d
H
. d
H
es una metrica sobre el espacio H(R)
n
y el espacio de los fractales (H(R
n
) ,d
H
) es un espacio metrico completo.
4.2. Aplicaciones contractivas
Vamos a estudiar lo que ocurre cuando el conjunto de transformaciones esta formado por
aplicaciones de una clase mucho mas amplia: aplicaciones contractivas. Toda aplicacion
contractiva es continua e induce una aplicacion contractiva en el espacio metrico completo
(H(R
n
), d
H
)
Intuitivamente una aplicacion contractiva f : R
n
R
n
es aquella que acerca los puntos y
contrae las guras como se reeja en la gura 4.1 Entre dos guras semejantes y distintas
del plano eucldeo siempre existe una aplicacion contractiva que transforma la mayor en la
menor. Esta aplicacion contractiva es una composicion de isometras (traslaciones, giros y
simetras) y una homotecia contractiva. A continuacion se muestran las transformaciones
Figura 4.1: Una aplicacion contractiva f acerca los puntos y contrae, por tanto, los con-
juntos sobre los que se aplica.
elementales del plano eucldeo. Cualquier giro, simetra u homotecia se puede obtener por
composicion de las transformaciones elementales siguientes. Si las isometras y homotecias
que denen una aplicacion contractiva son faciles de determinar, entonces dicha aplicacion
se puede obtener como composicion de las mismas. Si, por el contrario, son difciles de
determinar, se puede proceder directamente a calcular la semejanza teniendo en cuenta
que toda semejanza es una transformacion afn y que, por tanto, sus ecuaciones son:
f(x, y) = f(ax +by +e, cx +dy +f)
o bien
41
Figura 4.2: Traslacion mediante el vector (, )
Figura 4.3: Giro de angulo y centro en el origen.
f

x
y

a b
c d

x
y

e
f

Para determinar los coecientes a; b; c; d; e y f se procede a determinar las imagenes de

tres puntos y a resolver el correspondiente sistema de seis ecuaciones con seis incognitas
que nos dara sus valores:
f(x
1
, y
1
) = (ax
1
+by
1
+e, cx
1
+dy
1
+ f) = (x

1
, y

1
)
f(x
2
, y
2
) = (ax
2
+by
2
+e, cx
2
+dy
2
+ f) = (x

2
, y

2
)
f(x
3
, y
3
) = (ax
3
+by
3
+e, cx
3
+dy
3
+ f) = (x

3
, y

3
)
Cuando la aplicacion contractiva que transforma una gura en otra es una transformacion
afn (lo que ocurre cuando una gura se obtiene de la otra mediante giros, traslaciones,
42
Figura 4.4: Simetra respecto del eje de abscisas.
Figura 4.5: Homotecia centrada en el origen de razon k.
homotecias, simetras y estiramiento o comprension en el sentido de algunos ejes).
Veamos algunos ejemplos.
Ejemplo 4.1. Consideremos el triangulo de Sierpinski T R
2
y la representacion de la
gura 4.7.
Podemos poner T = T
1
T
2
T
3
, siendo T
1
,T
2
y T
3
las partes del triangulo de Sierpinski
que caen dentro de los tres triangulos de lado 1/3 en la gura 4.7 se muestran.
Cada parte T
i
, 1 i 3, del triangulo de Sierpinski es semejante al conjunto total T.
Luego existiran semejanzas contractivas f
1
, f
2
y f
3
tales que f
i
(T) = T
i
, 1 i 3 que
hacen que.
T = f
1
(T) f
2
(T) f
3
(T)
43
Figura 4.6: .
Vamos a determinar esas transformaciones. La semejanza f
1
es una homotecia de centro
el origen y razon 1/3, luego
f
1
(x, y) =

x
3
,
y
3

o matricialmente
f
1

x
y

1
3
0
0
1
3

x
y

La semejanza f
2
es una homotecia de centro el origen y razon
1
3
, seguida de una traslacion
de vector (
2
3
, 0), luego
f
2

x, y

x
3
,
y
3

2
3
, 0

o bien
f
2

x
y

1
3
0
0
1
3

x
y

2
3
0

y la semejanza f
3
es una homotecia de centro el origen y razon
1
3
seguida de una traslacion
de vector (
2
3
) cos 60

,
2
3
) sin 60

, luego
f
3

x, y

x
3
,
y
3

2
3
cos 60

,
2
3
sin 60

o en forma matricial
f
3

x
y

1
3
0
0
1
3

x
y

+
2
3

cos 60

sin 60

44
Figura 4.7: Cada parte T
i
, 1 i 3, del triangulo de Sierpinski es semejante al triangulo
total.
Es facil observar que cada una de las aplicaciones contractivas f
i
, 1 i 3, tiene razon
1
3
.
Ejemplo 4.2. Consideremos la curva de Koch K R
2
. Entonces K =
4
i=1
K
i
siendo
K
i
, 1 i 4, tales que f
i
(K) = K
i
y, por tanto, tales que
K =
4

i=1
f
i
(K)
Vamos a determinar estas transformaciones. La semejanza f
1
es una homotecia de centro
el origen y razon
1
3
, luego
f
1

x
y

1
3
0
0
1
3

x
y

o es lo mismo
f
3

x, y

x
3
,
y
3

La semejanza f
2
es una homotecia de centro el origen y razon
1
3
, seguida de un giro de
centro el origen y angulo 60

y seguida de una traslacion de vector (

1
3
, 0), luego
f
2

x
y

cos 60

sin 60

sin 60

cos 60

1
3
0
0
1
3

x
y

1
3
0

45
Figura 4.8: Cada una de las partes K
i
, 1 i 4, de la curva de Koch indicadas es
semejante a la curva total K.
y desarrollando
f
2
(x, y) =

xcos 60

y sin 60

+1
3
,
xsin 60

+y cos 60

La semejanza f
3
es una homotecia de centro el origen y razon
1
3
, seguida de un giro de cen-
tro el origen y angulo 60

y seguida de una traslacion de vector

3
3
cos 30

3
3
sin 30

=
(
1
2
,

3
6
), luego
f
3
(x, y) =

cos(60

) sin(60

)
sin(60

) cos(60

1
3
0
0
1
3

x
y

1
2
3
6

y desarrollando f
3
(x, y) =

xcos 60

y sin 60

3
+
1
2
,
xsin 60

+y cos 60

3
+

3
6

Por ultimo, la
semejanza f
4
es una homotecia de centro el origen y razon
1
3
, seguida de una traslacion
de vector
2
3
, 0, luego
f
4

x
y

1
3
0
0
1
3

x
y

2
3
0

o bien
f
4
(x, y) =

x+2
3
,
y
3

Todas las aplicaciones f

i
, 1 i 4, son contractivas de razon
1
3
.
Si f : R
n
R
n
es una aplicacion contractiva, entonces la aplicacion f : H(R
n
) H(R
n
)
es tambien contractiva. Aplicando el teorema de punto jo a la aplicacion f R
n
existira
un unico punto x
f
R
n
tal que f(x
f
) = x
f
y aplicando a f en (H(R
n
), d
H
) existira un
unico conjunto K
f
R
n
compacto y no vaco K
f
H(R
n
) tal que f(K
f
) = K
f
y
46
lm
k
f
k
(B) = K
f
, B H(R
n
)
en la metrica de Hausdor.
Una familia nita de aplicaciones contractivas denidas sobre un mismo espacio R
n
es lo
que llamaremos un sistema de funciones iteradas. Mas concretamente:
Denicion 4.1. Llamaremos sistema de funciones iteradas (SFI) en R
n
a cualquier
familia nita f
i
N
i=1
de aplicaciones contractivas f
i
= R
n
R
n
, 1 i N. Tal sistema de
funciones iteradas se representara por:
{f
1
, f
2
, . . . , f
N
}
y llamaremos razon de contractividad del SFI a
r = max{r
1
, r
2
, . . . , r
N
}
donde r
i
, 0 r
i
1, es la razon de contractividad de f
i
(obviamente, 0 r < 1).
Ejemplo 4.3. En R
2
, sea f
i
la aplicacion contractiva que transforma el triangulo de Sier-
pinski T = T
1
T
2
T
e
en T
i
, 1 i 3, seg un la gura 4.7 Estas aplicaciones son las
presentadas en la pagina 42.
Entonces f
1
, f
2
, f
3
es un SFI y, puesto que la razon de cada una de las aplicaciones con-
tractivas f
i
, 1 i 3, es
1
3
, la razon de contractividad de este SFI es
1
3
.
Ejemplo 4.4. En R
2
sea f
i
la aplicacion contractiva que transforma la curva de Koch
K = K
1
K
2
K
3
K
4
, en K
i
, 1 i 4, de la gura 4.8. Mas concretamente, cada f
i
responde a la forma dada en el ejemplo de la pagina 45
Ahora f
1
, f
2
, f
3
, f
4
es un SFI y, puesto que la razon de cada una de las aplicaciones con-
tractivas f
i
, 1 i 4 es
1
3
, la razon de contractividad de este SFI es tambien
1
3
.
En los dos ejemplos anteriores existe un conjunto que es igual a la union de sus imagenes
obtenidas al aplicarle cada una de las aplicaciones contractivas. En el primer caso, si
T R
2
es el triangulo de Sierpinski, se cumple que T =
3
i=1
f
i
(T); en el segundo, si
K R
2
es la curva de Koch, K =
4
i=1
f
i
(K)
Lo anterior nos sugiere plantearnos las siguientes cuestiones. Dado un SFI {f
1
, f
2
, . . . , f
N
}
en R
n
,
1. Existira un conjunto A R
n
tal que A =
N
i=1
f
i
(A)? (invariante respecto del SFI) y,
si la pregunta a esta respuesta es armativa,
47
2. ser a unico?, como se obtendra?
Si {f
1
, f
2
, . . . , f
N
} es un SFI de razon r y K R
n
es un conjunto compacto no vaco,
entonces f
i
(K), 1 i N, sera tambien, po la continuidad de f
i
, compacto y no vaco.
Puede demostrarse que la union nita de conjuntos compactos es un conjunto compacto.
Con ello se tendra que la aplicacion esta bien denida
F : H(R
n
) H(R
n
)
F(K) =
N

i=1
f
i
(K), K H(R
n
)
Las cuestiones planteadas anteriormente se traducen ahora, en el contexto de la funcion
F, en el estudio de la existencia y unicidad de alg un punto jo para esta aplicacion, es
decir, de alg un conjunto A H(R
n
) tal que
F(A) =
N

i=1
f
i
(A) = A
La aplicacion F es contractiva de razon r en el espacio metrico completo (H(R
n
), d
H
).
Aplicando el teorema del punto jo existira un unico A H(R
n
) tal que
F(A) = A
y, ademas, para todo B H(R
n
) se cumple que
lm
k
F
k
(B) = A
en el espacio metrico (H(R
n
), d
H
).
Con todo esto hemos probado el siguiente resultado:
Teorema 4.1. Sea {f
1
, f
2
, . . . , f
N
} un sistema de funciones iteradas en R
n
de razon de
contractividad r, 0 r < 1. Entonces existe un unico fractal A H(R
n
) tal que
F(A) =

N
i=1
f
i
(A) = A
48
Ademas, para cualquier fractal B H(R
n
) se cumple
lim
k
F
k
(B) = A
en el espacio metrico completo H(R
n
), d
H
.
Denicion 4.2. Sea {f
1
, f
2
, . . . , f
N
} un SFI sobre R
n
. se llama atractor del SFI al unico
fractal A H(R
n
) que verica
F(A) =
N

i=1
f
i
(A) = A
cuya existencia y unicidad queda asegurada por el teorema anterior.
Si A es el atractor asociado a un SFI f
1
, f
2
, . . . f
N
de raz on r, el teorema anterior nos
sugiere un metodo para la obtencion del conjunto A. Este metodo consiste en partir de
un conjunto compacto y no vaco B R
n
e iterar la aplicacion F sobre B, hallando los
primeros terminos de la sucesion {F
k
(B)}

k=0
. El teorema 3.3 nos proporciona tambien un
metodo para calcular en cada paso, una cota de la distancia de Hausdor entre el atractor
A y su aproximacion F
k
(B). Esta formula es
d
H
(F
k
(B), A)
1
1r
d
H
(F
k
(B), F
k+1
(B))
Veamos a continuacion unos ejemplos de SFI en los que determinaremos el atractor a
traves de estas aproximaciones as como la distancia de Hausdor entre el atractor y sus
aproximaciones.
Ejemplo 4.5. Sean f
i
: R R, i = 1, 2, las aplicaciones contractivas denidas por
f
1
(x) =
x
3
y f
2
(x) =
x+2
3
ambas de razon
1
3
. Entonces {f
1
, f
2
} es un SFI de razon r =
1
3
cuyo atractor es el conjunto
clasico de Cantor C R, ya que este conjunto, como hemos visto, verica que C =
f
1
(C) f
2
(C).
Vamos a aplicar el proceso iterativo de obtencion del atractor, sugerido por el teorema
4.1, partiendo del conjunto B = [0, 1] R.
49
Entonces
B = [0, 1]
F(B) = f
1
(B) f
2
(B)
= [0,
1
3
] [
2
3
, 1]
F
2
(B) = f
1
(F(B)) f
2
(F(B))
= [0,
1
9
] [
2
9
,
3
9
] [
6
9
,
7
9
] [
8
9
, 1]
Figura 4.9: Intervalos convergentes al conjunto de Cantor obtenidos mediante el SFI
f
1
(x) =
x
3
y f
2
(x) =
(x+2)
3
a partir del intervalo unidad.
que como se puede observar en la gura 4.9, nos va dando los intervalos que generan por
induccion el conjunto clasico de Cantor.
Teniendo en cuenta que la distancia de Hausdor entre dos conjuntos es la maxima dis-
tancia entre un punto de un conjunto y el otro conjunto, se puede observar que
d
H
(B, F(B)) =
1
6
d
H
(F(B), F
2
(B)) =
1
18
d
H
(F
2
(B), F
3
(B)) =
1
54
y, en general,
d
H
(F
k
(B), F
k+1
(B)) =
1
2 3
k+1
, k 0
50
Luego una cota de la distancia de Hausdor entre el conjunto de Cantor C (atractor) y
sus aproximaciones es
d
H
(C, F
k
(B))
1
1 r
d
H
(F
k
(B), F
k+1
(B))
=
1
1
1
3
1
2 3
k+1
=
3
2
1
2 3
k+1
=
1
4 3
k
, k 0
Lo que nos permite hallar el conjunto de Cantor con la aproximacion deseada. Es obvio
que la obtencion del atractor la podamos haber abordado desde cualquier conjunto B R
compacto y no vaco.
Ejemplo 4.6. Sean f
i
: R
2
R
2
, 1 i 3, las aplicaciones contractivas denidas por
f
1
(x, y) = r(x, y)f
2
(x, y)
= r(x, y) + (1 r, 0)
f
3
(x, y) = r(x
1
2
, y

3
2
) + (
1
2
,

3
2
)
con 0 < r
1
2
, siendo r la razon de contractividad de cada una de ellas. Entonces
{f
1
, f
2
, f
3
} es un SFI de razon r, cuyo atractor sera un cierto angulo T
r
H(R
n
) con
n = 2 tal que
T
r
=
3

i=1
f
i
(T
r
)
Figura 4.10: Primeras iteraciones del SFI asociado al triangulo de Sierpinski a partir de
un triangulo de lado unidad.
51
Conviene observar que si r =
1
3
, entonces el atractor T
1/3
es el triangulo de Sierpinski.
Para un r generico, obtendremos el triangulo generalizado de Sierpinski. Vamos a apli-
car el proceso iterativo de obtencion del atractor al tri angulo con vertices en los puntos
(0, 0), (1, 0) y (
1
2
,

3
2
). Sea B este triangulo. Las primeras iteraciones de este conjunto B
se pueden ver en la gura 4.10.
dH(B, F(B)) =

(
1 2r
2
)
2
+ (

3
6
)
2
(
r
2
)
2
=

3
2
(
2
3
r)
En general, y por semejanza, se tiene que
d
H
(F
k
(B), F
k+1
(B)) =

3
2
r
k
(
2
3
r), k 0
Luego una cota de la distancia de Hausdor entre el atractor T
r
y sus primeras aproxima-
ciones es
d
H
(T
r
, F
k
(B))
1
1 r
d
H
(f
k
(B), F
k+1
(B))
=
1
1 r

3
2
r
k
2 3r
3
=
r
k
(2 3r)
2

3(1 r)
4.3. Obtenci on del fractal asociado a un SFI
Solo consideramos aqu el caso de los SFI denidos sobre R
2
por ser de mas sencilla
elaboracion. Se describiran dos algoritmos distintos, uno determinista y otro aleatorio,
Ambos, proporcionan el mismo resultado.
4.3.1. Algoritmo Determinista
Las pautas anteriores para la obtencion del atractor de un SFI pueden resu-
mirse en el siguiente algoritmo.
1. Elegir un conjunto arbitrario B X compacto y no vaco
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
f
i
(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 aproximacion al atractor A.
El SFI asociado al triangulo de Sierpinski de razon r =
1
2
construido sobre el triangulo
isosceles cuya base y altura coinciden con la base y altura de una ventana 100X100 es
{f
1
, f
2
, f
3
} donde
f
1

x
y

1
2
0
0
1
2

x
y

1
1

f
2

x
y

1
2
0
0
1
2

x
y

50
1

f
3

x
y

1
2
0
0
1
2

x
y

25
50

que se puede expresar de forma simplicada como en el cuadro 4.1 No debemos jarnos,
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: Notacion simplicada del sistema de funciones iteradas asociado al triangulo
de Sierpinski. La columna marcada con PROB no es util todava; su signicado se revisara
en el siguiente apartado.
Nos vamos ahora a ocupar en la elaboracion de un algoritmo aleatorio para la obtencion
del fractal determinista. Queremos hacer hincapie en el hecho de que el fractal que va-
mos a generar es un fractal absolutamente determinista(el SFI que genera el fractal esta
unvocamente determinado) y que la aleatoridad reside unicamente en el algoritmo que lo
genera.
53
4.3.2. Algoritmo aleatorio
Sea {f
1
, f
2
, . . . , f
N
} un sistema de funciones iteradas planas. Asignamos a cada f
i
, 1
i N, una cierta probabilidad p
i
> 0 tal que
N
i=1
p
i
= 1 y realizamos el siguiente proceso
iterativo.
Se elige x
0
R
2
arbitrario. A continuacion se elige aleatoriamente
x
1
{f
1
(x
0
), . . . , f
N
(x
0
)}
donde f
i
(x
0
), 1 i N, tiene una probabilidad p
i
de ser elegido. Analogamente e
independientemente del paso anterior, se elige aleatoriamente
x
2
{f
1
(x
1
), . . . , f
N
(x
1
)}
Seg un la misma distribucion de probabilidades, Cuando tenemos construidos {x
0
, x
1
, . . . , x
p
},
se determina x
p+1
mediante el mismo proceso anterior, es decir, eligiendo de manera in-
dependiente (de los anteriores pasos) y aleatoria
x
p+1
{f
1
(x
p
), . . . , f
N
(x
p
)}
seg un la misma distribucion de probabilidades. Y as sucesivamente. Entonces con pro-
babilidad uno, el conjunto obtenido {x
n
}

c=0
X converge en la metrica de Hausdor al
atractor A del SFI en el sentido de que dado > 0, existe K = K() N tal que
lm
M
d
H
(A, {x
n
: K n M} <
De lo anterior se deduce que los puntos del conjunto {x
n
}

n=0
que pueden estar a mayor
distancia del atractor son los primeros puntos de la sucesion. Por este motivo, cuando se
intenta aproximar el atractor mediante este algoritmo se suelen despreciar los primeros
terminos (con despreciar los 50 primeros suele bastar).
Si podemos asegurar que el punto inicial considerado pertenece al atractor, x
0
A, y
puesto que las funciones {f
i
}
N
i=1
no pueden sacar los puntos del atractor A(A =
N
i=1
f
i
(A)),
entonces podemos asegurar
{x
0
, x
1
, . . . , x
M
} A, M N
y que con probabilidad uno
d
H
(A, {x
n
}

n=0
= lm
M
d
H
(A, {x
0
, x
1
, . . . , x
M
}) = 0
54
o, lo que es lo mismo, que con probabilidad uno la sucesion {x
n
}

n=0
es densa en el atractor
A:
A = adh({x
n
}

n=0
)
Cuando se quiere aproximar un atractor mediante este algoritmo, nos interesa obtener la
mejor aproximacion con el mejor n umero de puntos. Si la masa(medida) acumulada en cada
f
i
(A), 1 i N, es aproximadamente la misma, entonces es conveniente elegir p
i
=
1
N
,
1 i N. Este es el caso, por ejemplo, del triangulo de Sierpinski (p
1
= p
2
= p
3
=
1
3
). Si
no es as, conviene elegir las probabilidades aproximadamente proporcionales a la cantidad
de la masa que hay en cada f
i
A.
En este ultimo caso se puede elegir un cierto conjunto W R
2
de area no nula y facil de
calcular y elegir
P
i

rea(f
i
(W))

N
j=1
rea(f
j
(W))
. 1 i N
de tal forma que
N
i=1
p
i
= 1. En el caso particular de que las aplicaciones contractivas
sean transformaciones anes,(vistas en el numeral 1.5) es decir,
f
i

x
y

a
i
b
i
c
i
d
i

x
y

e
i
f
i

1 i N
entonces se puede elegir
p
i

| a
i
d
i
b
i
c
i
|

N
j=1
| a
j
d
j
b
j
c
j
|
donde signica aproximadamente igual para indicar tambien que si alg un p
i
fuese igual
a cero, habra que asignarle alg un valor peque no no nulo, por ejemplo p
i
= 0, 001, ya que
en caso contrario nunca se aplicara la transformacion correspondiente.
Una redaccion mas precisa del algoritmo anterior sera la siguiente:
1. Elegir un punto arbitrario x R
2
2. Hacer desde i = 1 hasta M
2-1 Elegir j aleatoriamente entre {1, 2, . . . , N} con probabilidades {p
1
, p
2
, . . . , p
N
},
p
i
> 0
2-2 Hallar y = f
j
(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 aproximacion del atractor A.
Un cambio en las probabilidades asociadas al SFI va a producir un cambio en la distribu-
cion de los M puntos que se representan, lo que producira distintos aspectos de sombras
sobre el atractor. Esto puede vericarse con el SFI para la obtencion del triangulo de
Sierpinski con probabilidades p
1
= 0, 6, p
2
= 0, 3, p
3
= 0, 1 mostrado en el cuadro 4.2 .El
conjunto resultante tras la aplicacion del algoritmo aleatorio a este SFI puede observarse
en la gura .
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 triangulo de Sierpinski modicado mediante la variacion
de las probabilidades asociadas a cada una de sus transformaciones.
Figura 4.11: Triangulo de Sierpinski obtenido tras la aplicacion del algoritmo aleatorio al
SFI del cuadro 4.2.
4.4. Teorema del Collage
Una imagen I sera un conjunto compacto y no vacio de puntos de R
n
, n = 1, 2, 3. Sea
I H(R
n
) una imagen real y supongamos que existe un SFI {f
1
, f
2
, . . . , f
N
} de razon r
56
tal que F(I) =
N
i=1
f
i
(I) esta sucientemente proximo a I, es decir,
d
H
(I, F(I))
Entonces si A H(R
n
) es el atractor de este SFI, se tiene, aplicando el teorema del punto
jo que
d
H
(A, I)
1
1 r
d
H
(I, F(I))

1 r
Es decir, que el atractor A del SFI se aproxima bastante a la imagen real I siempre que
> 0 sea sucientemente peque no. Tenemos por tanto el siguiente corolario del teorema
de punto jo.
Corolario 4.2. (Teorema del collage)
Sea I H(R
n
) una imagen real y dado > 0, sea {f
1
, f
2
, . . . , f
N
} un SFI con factor de
contractividad r, 0 r < 1, tal que
d
H
(I, F(I))
Entonces
d
H
(A, I)

1 r
donde A es el atractor del SFI
A la vista del teorema anterior se puede observar que la aproximacion del atractor A a la
imagen real I sera mejor cuanto mas peque no sea el valor del facto de contractividad r y
que esta aproximacion no depende del n umero 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 aproximacion sea lo sucientemente buena.
Si el SFI correspondiente esta formado por pocas transformaciones, almacenandolo en
lugar de la imagen I habremos obtenido una reduccion signicativa en el espacio ocupado
por la imagen. Esta fue la idea que abri o la investigacion en la compresion fractal de
imagenes.
4.4.1. Aproximacion de imagenes reales mediante SFI
Sea i H(R
n
) una imagen real. El proceso a seguir para aproximarla mediante SFI sera
el siguiente:
57
1. Encontrar aplicaciones contractivas f
i
R
n
R
n
, 1 i N, tales que
d
H
(I,
N

i=1
f
i
(I))
sea lo mas peque no posible. Sea, por ejemplo, d
H
(I,
N
i=1
f
i
(I))
Entonces
d
H
(A, I)

1 r
donde A es el atractor del SFI y esta aproximacion sera mejor cuanto mas peque nos
sean y r. Por ello es conveniente elegir transformaciones contractivas de la mejor razon
posible, independientemente del n umero 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 que no hacer que el SFI F comprima muy ligeramente I con lo
que la distancia d
H
(I, F(I)) sera muy peque na y quiza d
H
(A, I) tambien lo sea, Esto no
funcionara porque para tal SFI el termino
1
1r
sera muy grande y no podremos garantizar
que d
H
(A, I) sea peque na(de hecho, no lo es)
4.5. Una hoja de helecho fractal
Sea I R
2
la imagen de la gura 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 aplicacion
contractiva (a ser posible afn). Una Una posible descomposicion se ilustra en la gura
4.13 En esta descomposicion utilizamos 4 partes que llamamos I
i
, 1 i 4, y se cumple
que I =
4
i=1
I
i
. Para hallar las aplicaciones que transforman la imagen total I en I
i
,
1 i 4, tenemos que situar esta imagen en el plano R
2
, lo que podemos hacer como se
muestra en la gura 4.14 , incluyendo I en el cuadrado [
1
2
,
1
2
] x [0, 1]. De esta forma la
imagen queda centrada horizontalmente en el origen y es mas facil operar.
La aplicacion f
1
que nos transforma I en I
1
es una homotecia centrada en el origen de
razon
3
4
seguida de un leve giro de angulo

32
y de una traslacion al punto (0,
1
4
) luego
f
1

x
y

cos

32
sin

32
sin

32
cos

32

3
4
0
0
3
4

x
y

0
1
4

58
Figura 4.12: La hoja de helecho que se intentara aproximar mediante un SFI aplicando el
teorema de collage.
Figura 4.13: Cada una de las cuatro partes de la hoja del helecho aqu indicadas se puede
considerar como el resultado de una aplicacion contractiva sobre la imagen completa.
La aplicacion f
3
que nos transforma I en I
3
es una homotecia centrada en el origen de
razon
3
10
respecto al eje de abscisas y
2
5
respecto al de ordenadas seguida de un giro de

3
,
seguida de una traslacion de vector (0,
1
8
)
f
3

x
y

cos

3
sin

3
sin

3
cos

3

3
10
0
0
2
5

x
y

0
1
8

Por ultimo, la aplicacion f

4
que transforma I en I
4
es una homotecia centrada en el origen
de razon
3
10
respecto al eje de abscisas y
1
2
respecto al de ordenadas seguida de un giro de

4
y seguida de una traslacion al punto (0,
1
8
Despues de asignar probabilidades, seg un
los criterios establecidos en la seccion anterior, el SFI escrito en forma simplicada sera
el de el cuadro 4.3, que ejecutado mediante el algoritmo aleatorio y representando 100000
puntos nos dara precisamente la imagen de la gura 4.12.
Como ejercicio el lector puede intentar ahora obtener un SFI que aproxime el arbol mos-
trado en la gura 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 gura 4.13,tenemos que situar
la hoja en el plano R
2
. Si la imagen se centra horizontalmente en el origen, las transfor-
maciones se obtienen de manera mas comoda.
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: Aproximacion mediante el teorema de collage a la hoja de helecho. Las pro-
babilidades se asignaron en funcion del area generada por cada transformacion.
dos conforman la parte inferior del tronco.
4.6. Fractales en movimiento
Nos vamos a ocupar aqu de la posibilidad de establecer movimiento en los conjuntos frac-
tales. Puesto que los conjuntos fractales que hemos considerado en este captulo dependen
directamente de una familia de funciones contractivas parece razonable esperar que peque-
nas variaciones en estas funciones produzcan peque nas variaciones en el fractal generado.
Si esto fuera as, podramos producir con una sucesion de fractales muy proximos entre s
un efecto de movimiento.
Supongamos que las aplicaciones contractivas que denen un SFI {f
1
, f
2
, . . . , f
N
} no vie-
60
Figura 4.15: Un arbol fractal.
nen unvocamente determinadas, sino que estan denidas en funcion de un parametro
p [, ] R del que dependen continuamente. El siguiente teorema determina como
inuyen en el atractor peque nas variaciones del parametro p.
Teorema 4.3. Para cada p [, ] R sea {f
1
(p), . . . , f
N
(p)} un SFI de razon r(p),
0 r(p) r < 1, con atractor A(p) H(R
n
). Supongamos que cada transformacion
f
i
(p)(x) = f
i
(p, x) es continua para todo x respecto de p en [, ]. Entonces el atractor
A(p) depende continuamente de p [, ].
La demostracion, algo tecnica, puede encontrarse en [GUZMAN][pag. 201]. Este teorema
se puede utilizar para la animacion de imagenes. Aunque no entraremos en mas detalles,
se mostrara un ejemplo.
Ejemplo 4.7. Si en la denicion del SFI de la hoja dado en la seccion anterior sustituimos
la aplicacion f
1
por
f
1

x
y

cos sin
sin cos

3
4
0
0
3
4

x
y

0
1
4

entonces {f
1
(), f
2
, f
3
, f
4
} es un SFI de razon
3
4
que depende continuamente del parametro
[

2
,

2
]. Luego el atractor A() dependera continuamente de . Al variar continua-
61
mente se obtiene un efecto de movimiento de la hoja. Variando seg un los valores.

1
= arc sen 0, 15

2
= arc sen 0, 1

3
= arc sen 0, 05

4
= arc sen 0

5
= arc sen 0, 05

6
= arc sen 0, 1
puede obtenerse la sucesion de imagenes mostrada en la gura 4.16
Figura 4.16: La hoja de helecho agitada por el viento mediante distintos valores del pa-
rametro . Los valores dados a son = arc sen donde evoluciona seg un se indica
bajo cada gura. El movimiento de la hoja se puede observar al seguir las imagenes de
izquierda a derecha y de arriba a abajo.
62
Captulo 5
Fractales en Hoja de Calculo
A continuacion se hara la representacion de algunos objetos fractales en hoja de calculo,
en el apendice B se dene una peque na introduccion a la hoja de calculo.
5.1. El triangulo de Sierpinski
Consideremos un triangulo de vertices A, B, CyP
0
un punto cualquiera del plano. Elegimos
al azar un vertice y hallamos el punto medio del segmento cuyos extremos son el punto P
0
y el vertice elegido. A este punto le llamamos P
1
. Elegimos al azar otro vertice y hallamos
de nuevo el punto medio del segmento cuyos extremos son el vertice y el punto P
1
; este
punto sera el punto P
2
. Si se repite el proceso unos miles de veces y se representan los
puntos P
0
,P
1
,P
2
,. . . as obtenidos el graco se aproximara al triangulo de Sierpinski.
En la hoja de calculo ponemos los rotulos y valores iniciales tal como se indica en la gura
5.1 A continuacion se escriben las formulas mediante las cuales generaremos la sucesion
de puntos P
1
, P
2
, . . . En primer lugar los n umeros aleatorios: la hoja de calculo obtiene
n umeros pseudo-aleatorios comprendidos entre 0 y 1 mediante la funcion aleatorio(); para
obtener aleatoriamente los n umeros 1, 2 y 3 se utilizara la formula:
= Entero(3 Aleatorio() + 1)
La funcion entero (x) obtiene la parte entera de x. Esta formula la colocaremos en la celda
A4.
Para elegir al azar un vertice del triangulo utilizaremos la funcion de la hoja de calculo
Elegir(ndice; valor1; valor2; . . .)
63
Figura 5.1: Formulas.
Esta funcion utiliza el valor ndice para devolver un valor de la lista de argumentos: si
`ndice=1 devolvera valor1, si ndice=2 devolvera valor2, etc.
se utilizara la funcion del siguiente modo: mediante la formula:
= (B3 +Elegir(A4; $E$3; $E$6; $E$9))/2
situada en la celda B4 se calcula la abscisa del punto P
1
y a traves de la formula
= C3 +Elegir(A4; $F$3; $F$6; $F$9))/2
situada en la celda C4 calcularemos la ordenada, tal como se indica en la gura5.2
Aclaraciones
Figura 5.2: Ubicacion de Formulas.
64
Figura 5.3: Generando los P
i
.
En nuestra f ormula, la funcion Elegir() utiliza el n umero aleatorio generado en la celda
A4 como ndice y las abscisas o las ordenadas de los vertices como argumentos.
La columna y la la de las celdas que contienen estas coordenadas van precedidas del
signo $ con el n de que luego, cuando copiemos las formulas reiteradamente para gene-
rar unos miles de puntos P
i
, la referencia a dichas a dichas celdas se efect ue con caracter
absoluto en todas las formulas, la referencia debe hacerse a estas celdas exactamente y
no a su posicion relativa.
Ya se ha obtenido el punto P
1
. Del mismo modo se obtendran unos miles de puntos P
i
,
dos o tres mil puntos; para ello, y aqu se muestra la potencia de la hoja de calculo,
marcamos las celdas A4, B4, C4 tal como se indica en la gura5.3 Rellenamos hacia abajo
dos mil o tres mil las; las formulas se copiaran igual n umero de veces pero manteniendo
la referencia absoluta a las celdas de las coordenadas de los vertices del triangulo gracias
al signo $.
Ahora representaremos gracamente los puntos cuyas coordenadas acabamos de calcular
para obtener una representacion del Triangulo de Sierpinski. Para ellos seleccionaremos las
celdas que contienen dichas coordenadas y elegimos la opcion Insertar Diagrama . . .
optando por el diagrama XY (Dispersin) el resultado se muestra en la gura 5.4.
65
Figura 5.4: Triangulo de Sierpinski.
66
5.2. Nuevo Triangulo de Sierpinski
Formamos un sistema de funciones iteradas por tres aplicaciones construidas:
f
1

= 0, 5x + 0y
y

= 0x + 0, 5y
f
2

= 0, 5x + 0y + 50
y

= 0x + 0, 5y
f
3

= 0, 5x + 0y + 35
y

= 0x + 0, 5y + 50
Las tres aplicaciones tienen un coeciente de contraccion de 0, 5; ademas de esto la f
2
a nade
una traslacion denida por un vector de componentes (0; 50) y la f
3
otra de componentes
(35; 50).
A continuacion 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
Como representar todo esto en hoja de calculo?
funci on f
1
f
2
f
3
probabilidad
1
3
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 calculo existe una funcion,
BUSCARH(valor
b
uscado; matriz
b
uscar
e
n
; indicador
f
ilas; ordenado).
V alor
b
uscado es el valor que se busca en la primera la de latabla.V alor
b
uscado puede
ser un valor, una referencia o una cadena de texto.
Matriz
b
uscar
e
n es una tabla de informacion 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 sera escribir en la Hoja de Calculo la tabla con los coe-
cientes a, b, c, d, e, f de las tres aplicaciones f
1
, f
2
, f
3
; ademas, como la primera la de dicha
tabla pondremos el criterio del que se servira la funcion BUSCARH() para optar entre
una de las tres aplicaciones f
1
, f
2
, f
3
. Este criterio debe ser aleatorio, as que colocaremos
tres valores, 0,
1
3
,
2
3
en la primera la de la tabla.
Situaremos a continuacion la tabla en alg un lugar de la hoja de calculo donde no interera
en nuestro trabajo. Una vez escrita la tabla, y para olvidarnos un poco de ella le pone-
Cuadro 5.2: Tabla para generar el triangulo de Sierpinski.
mos un nombre al rango de valores que contiene, de modo que, cuando se quiera hacer
referencia a esta tabla nos bastara tan solo con citar su nombre; para esto, marcamos el
rango de valores de la tabla es decir,L4 : N10, OJO, sin las cabeceras, ni adornos, solo los
valores de las probabilidades y de los coecientes a, b, c, d, e, f y desde el men u elegimos
Insertar Nombres Definir . . . , y en la ventana de dialogo escribimos el nombre,
por ejemplo tabla1.
Procederemos ahora a la construccion del fractal.
Volvemos al principio de la hoja de calculo y colocamos los rotulos y el valor inicial del
punto P
0
como lo hicimos en la seccion 5.1; las formulas seran un poco diferentes: el n u-
mero aleatorio debe ser un numero comprendido entre 0 y 1, que es lo que nos proporciona
directamente la funcion Aleatorio() y las coordenadas de los puntos P
1
, P
2
, . . . las obten-
dremos mediante las funciones de la pagina 41 haciendo uso de la funcion BUSCARH().
La abscisa del punto P
1
que viene dada por la ecuacion x

= ax + by + e la escribiremos
68
Figura 5.5: Funcion buscarH.
en la celda B4 como:
BUSCARH(A4; tabla1; 2) B3 +BUSCARH(A4; tabla1; 3) C3
+BUSCARH(A4; tabla1; 6)
la ordenada la calcularemos en la celda C4 mediante la formula:
BUSCARH(A4; tabla1; 4) B3 +BUSCARH(A4; tabla1; 5) C3
+BUSCARH(A4; tabla1; 7)
tal y como se muestra en la gura 5.5
El paso siguiente sera marcar el rango de celdas A4 : C y rellenar hacia abajo dos mil
o tres mil las para obtener otros tantos puntos. Marcando luego las coordenadas de los
puntos representados gracamente haciendo uso de Insertar Diagrama . . ., o simple-
mente elegimos la herramienta Ayudante para gracos utilizando la opcion Diagrama xy
(Dispersion). El resultado sera como el que se muestra en la gura 5.6
69
Figura 5.6: El triangulo de Sierpinski.
70
5.3. El Helecho de Barsnsley
Se ver a a continuacion un sistema de funcion iterada que genera un helecho y que incluso
podemos simular la inclinacion que produce el viento al introducir en la funcion f
4
un
parametro angular que al tomar valores en un rango comprendido entre 10
o
y 10
o
hace
que el helecho se incline a la derecha o a la izquierda.
El sistema de funciones es el siguiente:
f
1

= 0x + 0y + 50
y

= 0x + 025y
f
2

= 0

3x cos

5y sin

+ 50 15 cos

= 0

3x sin

+ 05y cos

+ 12

5 15 sin

f
3

= 0

3x cos

3
0

4y sin

3
+ 50 15 cos

3
y

= 0

3x sin

3
+ 04y cos

3
+ 12

5 15 sin

3
f
4

= 0

75x cos 0

75y sin + 50 37

5 cos
y

= 0

75x sin + 075y cos + 25 37

5 sin
Necesitamos situar el valor del angulo en alguna celda accesible para poder modicarlo
con facilidad, y para ello se construira as:
A nadiendo una celda D3 en la que pondremos el valor del angulo en grados. As, al
Figura 5.7: Construccion helecho de Barnsley.
construir la tabla de coecientes de las funciones del SFI, para e y f tomaremos los
71
Cuadro 5.3: Formula que calcula el coeciente e de la funcion f
4
.
valores del angulo como referencia a la celda D3 En el cuadro 5.3 se observa la formula
que calcula el coeciente e de la funcion f
4
,
= 50 37, 5 cos(D3 PI()/180)
que pasa el valor contenido en la celda D3 de grados a radianes multiplicando por la
funcion incorporada PI() y dividiendo por 180, ya que las funciones circulares de la
hoja de calculo solo admiten valores en radianes. El resto de coecientes de esta funcion
se obtienen mediante formulas similares, ya que todos dependen del valor del angulo
situado en la celda D3. Construida la tabla, le asignamos el nombre Tabla6 de tal forma
como se hizo en la seccion 5.2 y cambiamos los valores del segundo parametro de la funcion
BuscarH en las celdas B4 y C4. Rellenamos hacia abajo todas las celdas que contienen las
coordenadas de los puntos P
i
y obtendremos un resultado como el mostrado en la gura
5.8
72
Figura 5.8: Helecho de Barnsley.
73
Captulo 6
Conclusiones
a Este tema invita a reexionar sobre nuestra geometra clasica, quiza estamos vivien-
do el preambulo del cambio, considero que en unos a nos no muy lejanos se estaran
recibiendo cursos de geometra Fractal, como recibir cualquier curso de

Algebra ele-
mental.
a Los fractales tienen bastantes propiedades matematicas, las que me impactaron,
fueron aquellas que se derivan del analisis matematico, el ver como de la teora de la
medida se puede armar todo un respaldo para la construccion de objetos fractales.
a Las herramientas computacionales que tenemos a nuestro alcance hoy da, nos son
utiles en muchas de nuestras diversas tareas simples, es por eso que hago el merito a
una que casi en un 95 % usamos todos y es el Excel, quien lo creyera que una hoja de
calculo pueda ser utilizada para generar estas hermosas guras naturales fractales.
Considero que la hoja de calculo es un medio con el cual se pueden hacer muchas
aplicaciones.
a Hay varios temas que derivan de esto y es la invitacion a los que vienen mas atras
de nosotros que profundicen en estos temas, a continuacion se da un listado para
futuras investigaciones.
Aplicaciones en Biologa, Medicina, Ingeniera, Economa y Sociologa.
Automatas celulares
Estructuras Coherentes
Difusion
Sistemas desordenados
74
Supercies y vol umenes fractales
Fenomenos de crecimiento
Sistemas de funciones iteradas
Analisis y sntesis de im agenes
Sistemas L
Multifractales
Sistemas dinamicos no lineales
Formacion de estructuras
Transiciones de fase
Autoorganizacion y fenomenos de cooperacion
Turbulencia
Visualizacion
Ondas e interacciones
75
Apendice A
Medida de Conjuntos
A menudo resulta necesario determinar el tama no de un fractal para poder establecer su
similitud con alg un otro. Existen distintos n umeros asociados con los fractales que nos
permiten compararlos. Estos n umeros, denominados normalmente dimensiones frac-
tales, son un intento de cuanticar nuestra idea subjetiva acerca de la densidad con que
un fractal ocupa el espacio al que pertenece.
La mas importante de tales dimensiones es la dimension de Hausdor.
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 s y
una larga historia. Ya Euclides considero el calculo de areas de rectangulos y triangulos.
Para otras regiones limitadas por lneas rectas se proceda a su triangulacion. Si la region
esta limitada por curvas, la triangulacion no es posible y se hace necesario recurrir entonces
al metodo de exhaucion propuesto por Arqumedes y que es, basicamente, una version del
concepto actual de paso al lmite en el que se van considerando sucesivos triangulos de
area cada vez menor para rellenar adecuadamente la region.
Costo dos mil a nos abandonar la tradicion griega de la triangulacion que requera grandes
dosis de ingenio y habilidad para cada caso particular. En la decada de 1890, Peano y
Jordan consideraron un metodo basado enlosados que, aun siendo mucho mejor que el de
triangulacion, produca resultados erroneos con cierto tipo de conjuntos.
No estaba claro como haba que proceder para encontrar una denicion satisfactoria de
area hasta que Emile Borel sugirio la idea de usar enlosados formados por innitos rec-
76
tangulos.
La idea de Borel fue desarrollada por Henri Lebesgue llegandose as a la denicion de lo
que hoy da se conoce como medida de Lebesgue y que generaliza la idea de longitud, area
y volumen en la recta, plano y espacio, respectivamente. Exponemos la denicion en R
n
,
aunque puede ser mas sencillo pensar en lo siguiente que n = 2.
Consideremos la familia R de los hipercubos (rectangulos) R de R
n
de la forma
[a
1
, b
1
)x x[a
n
, b
n
) = R
Denimos el volumen V (R) de un rectangulo R como
V (R) = (b
1
a
1
) . . . (b
n
a
n
)
Dado ahora E R
n
consideraremos todos los recubrimientos (enlosados) {R
i
} de E, es
decir, tales que E =

i=1
R
i
y denimos
L
n
(E) = inf{

i=1
V (R
i
) : {R
i
} es un recubrimiento de E}
Pueden demostrarse las siguientes proposiciones:
(a) L
n
() = 0
(b) L
n
(A) L
n
(B) si A B
(c) Para cualquier familia numerable {E
k
}, k = 1, 2, . . . , de subconjuntos de R
n
se verica
L
n
(

k=1
E
k
)

k=1
L
n
(E
k
)
propiedad denominada subaditividad
A L
n
se le denomina medida exterior de Lebesgue. Sin embargo, no es cierto siempre que
dado un E tal que E R
n
se verique
L
n
(E B) +L
n
(E B) = L
n
(E)B R
n
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 R
n
diremos que
el conjunto E es medible Lebesgue, hecho que afortunadamente ocurra para los conjuntos
mas usuales hasta que los fractales comenzaron a ser conjuntos usuales.
Si E es medible Lebesgue, L
n
(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. Dimensi on
Hay varios conceptos matematicos diferentes que responden al nombre de dimension de
un conjunto geometrico. Uno de ellos, el de dimension topologica, hace alusion a la forma
de ocupar el espacio que tiene el conjunto. As, tanto a una curva diferenciable, como a
la curva de Koch, o a la de Pea, no, se les asigna dimension topologica igual a uno, y a
un punto, a los puntos racionales de la recta real y al conjunto de Cantor se les asigna
dimension cero.
Pero este tipo de dimensiones plantean un serio problema pues resultan ser poco nas al
otorgar la misma dimension a un unico punto que a un conjunto no numerable de puntos
como es el conjunto de Cantor. La medida de Lebesgue L
n
(E) proporciona analogas
consecuencias al considerar siempre dimensiones enteras n = 1, 2, 3 . . . Este planteamiento
llevo a tomar en consideracion la introduccion de categoras intermedias o dimensiones
A.3. Dimensi on de Homotecia
Una manera de asignar una dimension fraccionaria a un conjunto parte de una propiedad
de la dimension que sirve a Platon en su dialogo Menon para demostrar la doctrina de
la reminiscencia a partir de la creencia mtica en la preexistencia y transmigracion del
alma. Socrates mediante el metodo mayeutico consigue que un esclavo iletrado de Menon
recupere de s mismo el conocimiento acerca de como cuando el lado de un cuadrado se
duplica se obtiene una gura 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 multiplicacion sera de ocho
y no de cuatro.
Nos encontramos, por tanto, con un rango distintivo de cada dimension. Precisandolo mas,
supongamos que una gura de dimension entera d puede ser descompuesta en n copias a
escala r de s misma (piensese en el ejemplo del cuadrado de Socrates donde d = 2, r =
1
2
y n = 4). Entonces es facil ver que n = (
1
r
)
d
o tomando logaritmos que
d =
log n
log(
1
r
)
=
log n
log r
Si tomamos esta formula como denicion del valor de la dimension de cualquier gura que
pueda ser descompuesta en copias a escala de s misma, obtenemos una manera comoda
de asignar una dimension a algunos conjuntos fractales clasicos. El conjunto de Cantor
E, por ejemplo, puede descomponerse en dos copias de s mismo a escala
1
3
o en cuatro
copias de s mismo a escala
1
9
lo que nos da
78
dim(E) =
log 2
log 3
=
log 4
log 9
= . 630 93
Este metodo es de muy facil aplicacion, pero exige que el conjunto a medir pueda ser
descompuesto en copias de s mismo a escala, lo cual es una propiedad muy especca de
ciertos conjuntos. Sin embargo, la idea puede aprovecharse para calcular la dimension de
cualquier tipo de conjunto.
A.4. Medida de Haussdor
Dado un conjunto E R
n
y un numero real positivo , diremos que una familia {A
i
},
i = 1, 2, . . . , de subconjuntos de R
n
es un recubrimiento- de E, si la union de tales
conjuntos contiene a E, es decir,
E =

i=1
A
i
y el diametro de cada uno de los miembros del recubrimiento es menor o igual que
|A
i
| i = 1, 2, . . .
Dado un conjunto E R
n
y un n umero real s > 0, denimos
H
s

(E) = inf{

i=1
|A
i
|
s
: {A
i
}es recubrimiento de E}
n umero
1
que mide el tama no-s del conjunto E, es decir, ignorando las irregularidades de
que tienen tama no menor que .
Si hacemos tender a cero, iremos apreciando irregularidades de tama no cada vez menor.
Ademas, si 0, H
s

(E) aumenta, pues es un nmo tomado cada vez sobre una clase
mas restringida de recubrimientos y, por tanto existe el lmite
H
s
(E) = lm
0
H
s

(E)
1
para una denicion precisa de los conceptos de nmo y supremo puede consultarse la pagina 34
79
que puede ser nito o innito. Al n umero H
s
(E) se le conoce como medida s-dimensional
de Hausdor.
Puede demostrarse que la denicion es equivalente si se supone que los recubrimientos
estan formados por abiertos, por cerrados o por conexos, debido a que tales restricciones
no alteran las sumas de lo diametros de los conjuntos del mismo.
A.5. Dimensi on de Hausdor
La medida s-dimensional de Hausdor como funcion de s tiene un comportamiento espe-
cial. Su rango esta formado por uno, dos o tres valores. Estos posibles valores son cero,
un n umero nito e innito.
Teorema A.1. Sea n un n umero entero positivo y sea E un subconjunto acotado de R
n
.
Sea H
s
(E) la medida s-dimensional de Hausdor tal como se denio mas arriba como
0 D
H
n tal que
H
s
(E) =

si s < D
H
0 si s > D
H
El unico n umero real D
H
que cumple el teorema anterior se conoce como la dimension de
Hausdor del conjunto E y se escribe tambien como D
H
(E). Evidentemente, los conjuntos
clasicos conservan su dimension clasica bajo D
H
, pero los conjuntos fractales estan ahora
mucho mejor caracterizados y podemos intentar dar una denicion precisa de ellos.
Sera muy simple armar que una fractal es aquel conjunto con dimension fraccionaria.
Algunos fractales tienen dimension entera. Un fractal es cualquier conjunto cuya dimension
de Hausdor sea mayor estrictamente que su dimension topologica.
A.6. Distancia de Hausdor
Una forma alternativa de entender la distancia de Hausdor entre dos conjuntos es a partir
del concepto de cuerpo paralelo.
El cuerpo paralelo de un conjunto compacto F, CP(A, ), es la union de todas las
bolas de radio d centradas en puntos del conjunto A. Si x CP(A, ) para alg un y A es
d(x, y) d. Por ello, es facil comprobar que, para hallar d
H
(A, B), basta tomar
1
y
2
lo
mas peque nos posible de forma que A CP(B,
2
) y B CP(A,
1
). Entonces d
H
(A, B)
es la mayor entre los n umeros
1
y
2
.
80
Figura A.1: CP(A, ).
Figura A.2: d
H
(A, B) = max{
1
,
2
} =
1
.
81
Apendice B
Algunas nociones de Hoja de Calculo
La Hoja de Calculo la invento en el a no 1978 un estudiante de la Universidad de Harvard
llamado Dan Bricklin, y el programa informatico lo escribio un amigo suyo llamado Bob
Framkston. Se trataba de una aplicacion para un microordenador muy popular en los
ambientes universitarios norteamericanos de la epoca, el Apple II. Visicalc -que as se
llamo esa primera Hoja de Calculo fue todo un exito. Posteriormente Lotus compro
los derechos y, tras sucesivas mejora.s, la convirtio en la Lotus 1-2-3, que represento
el paradigma de las Hojas de Calculo durante muchos a nos. El programa simula una
cuadrcula parecida a las hojas que se utilizan en contabilidad.
Una, Hoja de Calculo aparece en la pantalla del ordenador como una cuadrcula de celdas
ordenadas por las y columnas. Cada celda se identica por su columna y su la; las
columnas se enumeran mediante la sucesion alfabetica (A, B, ..., Y, Z. AA, AB, ...) ,y las
las mediante la sucesion natural (1, 2, 3, ...), de modo que la celda G5 estara situada en la
5
a
la, 7
a
columna. Tambien podemos identicar un grupo de celdas. lo que denominamos
un rango de celdas , del siguiente modo: si estan en la misma la o en la misma columna,
se indicara la primera y la ultima celdas separadas por dos puntos (:); C2:H2 identica
el rango de celdas de la segunda la contenidas entre la tercera y la octava columnas.
Cuando el rango de celdas ocupa un rectangulo que abarca varias las y varias columnas,
quedara identicado se nalando la celda que ocupa la esquina superior izquierda y la que
esta en la esquina inferior derecha, separadas por dos plintos; E5:G8 identica. ei rango de
las doce celdas pertenecientes a las las quinta, sexta, septima y octava y a las columnas
quinta, sexta y septima.
Una celda de una Hoja de Calculo puede contener n umeros, formulas o cualquier otra
cosa que no sean ni n umeros ni formulas, lo que denominamos texto con caracter general.
En una celda de una hoja de calculo se pueden escribir n umeros en:
82
formato decimal normal: 3, 56
notacion cientca: 2, 34e 5
formato de fecha: 03/4/2005
formato de hora: 08:20:12
Figura B.1: Notacion numerica en hoja de calculo.
Figura B.2: Formulas.
Una formula es cualquier expresion 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 divisi on
el signo para la multiplicaci on
el signo para la potenciaci on
ademas de toda la coleccion de funciones de la hoja de calculo.
En una formula se puede usar, ademas de valores numericos, referencias a otras celdas que
actuaran como indeterminadas en la expresion algebraica.
84
Bibliografa
[NAKOS] Nakos George y Joyner David,

Algebra Lineal Con Aplicaciones, In-
ternationa Thomson editores, S.A. , 1999.
[G.FRACT.] Estrada William Fernando, Geometria Fractal, Conceptos y procedi-
mientos para la construccion 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,Martn Miguel A, Mor an 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.
[L
A
T
E
X] 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

Indice alfabetico
aplicacion
espacios metricos
continua, 35
bola
abierta, 33
cerrada, 33
conjunto
abierto, 34
adherencia, 34
cerrado, 34
interior, 34
espacio metrico
compacto, 35
completo, 35
sucesion
espacio metrico
Cauchy, 35
convergente, 35
transformacion
afn, 22
matricial, 5
transformaciones matriciales
compresiones, 8
cortes, 9
lineales, 13
proyecciones, 13
reexiones, 7
rotaciones, 11
86