III REPEM – Memorias Santa Rosa, La Pampa, Argentina, Agosto 2010

CB 11

GENERACIÓN DE FRACTALES A PARTIR DE TRANSFORMACIONES AFINES

Mei YI LEE, Fabio Rubén PRIETO

Facultad de Ciencias Exactas y Naturales - Universidad Nacional de La Pampa - Argentina

[email protected]

Nivel Educativo: Medio / Educación Superior.

Palabras Clave: Fractales, transformaciones afines.

RESUMEN

Muchas de las características de los fractales se encuentran presente en la geografía, el arte, la

música, la biología, la medicina, la informática y otras tantas ramas de la ciencia y la
tecnología. La propiedad de autosimilaridad o simetría de escalamiento aparece en numerosos
aspectos que revelan una universalidad en su carácter.

En este trabajo mostramos una breve introducción a la geometría fractal, analizando las
principales características de la misma. Una de estas características es la dimensión fractal, a
la que debemos recurrir para describir algunos fenómenos naturales los cuales son imposibles
de estudiar desde la geometría euclidiana.

Describimos también un algoritmo para la generación de fractales mediante el sistema de

funciones iteradas (SFI), y su relación con un tema de gran actualidad como el de la
compresión de imágenes. El algoritmo mencionado se pudo implementar utilizando el Matlab
para obtener imágenes de distintos fractales.

INTRODUCCIÓN

Es muy común en Matemática recurrir a distintos elementos de la geometría euclidiana para

modelar situaciones problemáticas. En estos casos, las dos simplificaciones más usuales que
se hacen son la linealización de las leyes que no lo son y la regularización de las formas
geométricas, es decir suponer suaves o lisas, líneas o superficies que tampoco lo son. Al viajar
en avión y mirar las nubes, las montañas o un árbol, al observar una costa y pensar si es
posible conocer su longitud real, midiendo cada recoveco que forman las rocas ¿Podemos
encontrar una geometría que expliquen estas formas?, seguro que no. Se llegaría a la
conclusión que la belleza de lo cotidiano se escapa a los modelos de nuestra Geometría
euclidiana (Mandelbrot, 2003). Lo concreto es que en realidad ni las nubes son esféricas, ni
las montañas son cónicas, ni las costas circulares.

En términos más generales, la mayoría de las formas naturales son tan irregulares y
fragmentadas que la naturaleza no sólo presenta un grado superior de complejidad, sino que
ésta se da a un nivel completamente diferente. El número de escalas de las distintas formas
naturales es, a efectos prácticos, infinito.

520
III REPEM – Memorias Santa Rosa, La Pampa, Argentina, Agosto 2010

Mandelbrot puso en nuestras manos una nueva geometría, la Geometría Fractal. Ésta es un
nuevo lenguaje que nos permite describir detalles de objetos o fenómenos naturales que
escapan a la percepción directa, lo cual no sucede con los elementos de la Geometría
euclidiana: puntos, líneas, círculos, esferas, etc.
En 1982 publica un nuevo libro, “The Fractal Geometry of Nature” en el cual propone la
siguiente definición:
“Un fractal es, por definición, un
conjunto cuya dimensión fractal
es estrictamente mayor que
su dimensión topológica.”
Después de más de veinte años, se han propuesto otras definiciones que también se
aproximan, pero hasta ahora no existe ninguna comúnmente aceptada.
En general los fractales son figuras geométricas que se caracterizan por su autosemejanza, son
estructuras infinitas contenidas en una superficie finita y resultan de utilidad en áreas como
botánica, biología, medicina, economía y computación. En el análisis de una gran diversidad
de fenómenos como: turbulencias, bolsa de valores, dispersión del humo y percolación.
Además de sintetizar imágenes como montañas, nubes, costas rocosas, ríos y plantas entre
otras.

CARACTERIZACIONES GENERALES DE LOS FRACTALES

En 1990, Kenneth Falconer, en su obra titulada “Fractal Geometry: Mathematical

Foundations and Applications”, explica que una estructura fractal debe satisfacer al menos
una de las siguientes propiedades:

1) Posee detalle a todas las escalas de observación.

2) No es posible describirlo con geometría euclidiana, tanto local como globalmente.
3) Posee alguna clase de autosemejanza, posiblemente estadística.
4) Su dimensión fractal es mayor que su dimensión topológica.
5) El algoritmo que sirve para describirlo es muy simple, y posiblemente de carácter
recursivo.
La primera propiedad establece que un fractal no tiene ninguna escala característica, sino que
cualquier escala es buena para representarlo. De esta forma, independientemente de la escala a
la que nos encontremos, el nivel de detalle del fractal seguirá siendo el mismo.

Un fractal no tiene escala característica

521
III REPEM – Memorias Santa Rosa, La Pampa, Argentina, Agosto 2010

La segunda propiedad establece que al intentar representar un fractal en términos de la

geometría clásica, éste pierde todo el caos y autosimilitud que lo caracteriza, siendo necesaria
la creación de una nueva geometría, la geometría fractal.

La geometría clásica (euclidiana) es incapaz de representar fractales

La tercera propiedad introduce el concepto de autosemejanza. En general, una estructura se

dice autosemejante si puede ser construida como una reunión de estructuras, cada una de las
cuales es una copia de la original pero a tamaño reducido.

La curva de Koch es autosemejante

La cuarta propiedad introduce el concepto de dimensión fractal, concepto que se describe más
adelante.

Por último, la quinta propiedad establece que para generar un fractal basta con muy poca
información. La clave se encuentra en la iteración, que consigue generar una gran cantidad de
estructuras a partir de esa información inicial.

522
III REPEM – Memorias Santa Rosa, La Pampa, Argentina, Agosto 2010

Dimensión fractal

Nuestra concepción intuitiva de la dimensión de los objetos se refiere a la dimensión

topológica, una línea tiene dimensión uno, una superficie dos y un volumen tres. Sin embargo
una línea irregular tiende a formar una superficie, y una superficie si se dobla se convierte en
un volumen, por ejemplo si tomamos una hoja de papel y la arrugamos hasta convertirla en
una bola de papel, la dimensión de la hoja ya no es dos por que el objeto obtenido no es plano,
tampoco podemos decir que tiene una dimensión tres por que la bola de papel no es
homogénea.
Muchas estructuras naturales tienen estas características; por lo que, geométricamente, estas
estructuras podrían tener una dimensión no entera entre 2 y 3. Es entonces cuando se observa
la necesidad de definir el concepto de dimensión fractal. La dimensión fractal es un índice
matemático que podemos calcular y que nos permite cuantificar las características de los
objetos o fenómenos fractales.
Estos índices, denominados normalmente dimensiones fractales, son un intento de cuantificar
nuestra idea subjetiva acerca de la densidad con que un fractal ocupa el espacio al que
pertenece.
La más importante de tales dimensiones es la dimensión de Hausdorff, aunque su dificultad de
instrumentación en la práctica lleva a considerar desarrollos alternativos.
Como una de las tantas aplicaciones que poseen los fractales, vamos a mostrar brevemente
como se pueden utilizar estas estructuras para la compresión de imágenes. Comenzaremos
primero con la definición de algunas nociones elementales que nos permitirá abordar este
campo de aplicación.

Sistemas de funciones iteradas

J. E. Hutchinson fue en 1981 el primer matemático que, estudiando las propiedades comunes
(compacidad, autosemejanza, etc.) de los fractales ya conocidos, elaboró una teoría unificada
para la obtención de una amplia clase de conjuntos fractales: los conjuntos autosemejantes.
Generalizando el método de Hutchinson, en 1985, M. F. Barnsley utiliza los sistemas de
funciones iteradas para la generación de conjuntos fractales. Los ejemplos que mostraremos
se presentan sobre R2 para simplificar los cálculos pero debe quedar claro, en todo caso, que
los desarrollos son aplicables en cualquier espacio métrico completo.

El espacio de los fractales

Debe tenerse en cuenta que en este trabajo consideraremos fractal en sentido amplio a todo
conjunto compacto, es decir, a cualquier conjunto no vacío acotado y que contenga a su
frontera.
Esta consideración surge del hecho de poder unificar bajo un nombre común a todos los
conjuntos que se pueden derivar de un sistema de funciones iteradas, independientemente de
que posean o no estructura fractal. De cualquier modo, los resultados obtenidos serán
aplicados únicamente a los auténticos conjuntos fractales.
Llamaremos, por tanto, fractal a cualquier subconjunto compacto y no vacío de Rn y espacio
de los fractales, o espacio donde van a vivir los fractales de Rn, al conjunto de todos los
fractales de dicho espacio, es decir, al conjunto

( ) {
H R n = K : K ⊂ R n , K ≠ φ y K es Compacto }
523
III REPEM – Memorias Santa Rosa, La Pampa, Argentina, Agosto 2010

Puesto que aquí vamos a tratar sobre el problema de aproximar objetos naturales (fractales en
un cierto espacio Rn) mediante fractales que nosotros podamos generar, es necesario disponer
de una métrica que nos dé la distancia entre elementos del espacio H(Rn). Consideraremos la
métrica de Hausdorff dH en el espacio antes mencionado H(Rn); el espacio de los fractales
con esta métrica (H(Rn), dH) es un espacio métrico completo.

Aplicaciones contractivas
Intuitivamente una aplicación contractiva f : Rn → Rn es aquella que acerca los puntos y
contrae las figuras como se refleja en la siguiente figura.

Una aplicación contractiva f

acerca los puntos y contrae, por tanto, los conjuntos sobre los que se aplica.

Entre dos figuras semejantes y distintas del plano euclídeo siempre existe una aplicación
contractiva que transforma la mayor en la menor. Esta aplicación contractiva es una
composición de isometrías (traslaciones, rotaciones y simetrías) y una homotecia contractiva.
A continuación se muestran las transformaciones elementales del plano euclídeo. Cualquier
otra rotación, simetría u homotecia se puede obtener por composición de las transformaciones
elementales siguientes.

Traslación de vector u = < x0, y0 >

 x   1 0   x0 
f   =   +  
 y   0 1   y0 

Rotación de ángulo ϕ y centro en el origen

 x   Cosϕ − Senϕ   x 
f   =   ⋅ 
 y   Senϕ Cosϕ   y 

Simetría respecto al eje de abscisas

 x  1 0   x 
f   =   ⋅  
 y   0 − 1  y 

524
III REPEM – Memorias Santa Rosa, La Pampa, Argentina, Agosto 2010

Homotecia de centro en el origen y razón k

 x  k 0  x
f   =   ⋅  
 y 0 k   y

Si las isometrías y homotecias que definen una aplicación contractiva son fáciles de
determinar, entonces dicha aplicación se puede obtener como composición de las mismas. Si,
por el contrario, son difíciles de determinar, se puede proceder directamente a calcular la
semejanza teniendo en cuenta que toda semejanza es una transformación afín y que, por tanto,
sus ecuaciones son
f(x, y) = f(ax + by + e, cx + dy + g)
o bien
 x a b   x  e 
f   =   ⋅   +  
 y c d   y  g
Para determinar los coeficientes a, b, c, d, e y g se procede a determinar las imágenes de tres
puntos y a resolver el correspondiente sistema de seis ecuaciones con seis incógnitas que nos
daría sus valores:

f(x1, y1) = (ax1 + by1 + e, cx1 + dy1 + g) = (x´1, y´1 )

f(x2, y2) = (ax2 + by2 + e, cx2 + dy2 + g) = (x´2, y´2 )
f(x3, y3) = (ax3 + by3 + e, cx3 + dy3 + g) = (x´3, y´3 )

Veamos algunos ejemplos.

Ejemplo 1
Consideremos el Triángulo de Sierpinsky T ⊂ R2, y la representación que se muestra en la
siguiente figura:

Podemos poner T = T1 ∪ T2 ∪T3, siendo T1, T2 y T3 las partes del triángulo de Sierpinski que
caen dentro del triángulo T de lado 1 que aparece en la figura. Cada parte Ti, con i =1, 2, 3 del
triángulo de Sierpinski es semejante al conjunto total T. Luego existirán aplicaciones
contractivas f1, f2 y f3 tales que fi(T) = Ti, i = 1, 2, 3, tales que T = f1(T) ∪ f2(T) ∪ f3(T).
Vamos a determinar esas transformaciones. La aplicación f1 es una homotecia de centro en el
x y
origen y razón 1/3, luego f1 ( x, y ) =  ,  o bien en forma matricial:
3 3
525
III REPEM – Memorias Santa Rosa, La Pampa, Argentina, Agosto 2010

1 
 x 3 0  x
f1   =   ⋅  
 y   0 1   y 
 3
La aplicación f2 es una homotecia de centro en el origen y razón 1/3, seguida de una traslación
x y 2 
de vector (2/3, 0), luego f 2 ( x, y ) =  ,  +  ,0  o bien
3 3 3 
1 
   3 0   x   2 
x
f 2   =   ⋅   + 3
  0
y  1   y   0 
 
 3
Finalmente la aplicación f3 es una homotecia de centro en el origen y razón 1/3 seguida de una
traslación de vector ((2/3) cos 60º, (2/3) sen 60º), luego

x y 2 2 
f 3 ( x, y ) =  ,  +  Cos 60º , Sen60º 
3 3 3 3 
1  2 
 x   3 0   x   3 Cos 60º 
O bien f 3   =   ⋅   +  
 y   0 1   y   2 Sen60º 
 3 3 
Es fácil observar que cada una de las aplicaciones contractivas fi , tiene razón 1/3.

Ejemplo 2
Consideremos la curva de Koch K ⊂ R2. Entonces K = K1 ∪ K2 ∪ K3∪ K4, siendo Ki, i =1, 2,
3, 4; las partes de la curva de Koch que se indican
en la figura de la izquierda y que son semejantes a
K2 K3
la curva total K. Luego existirán semejanzas
K1 K4 contractivas fi, i =1, 2, 3, 4 tales que fi(K) = Ki y,
4
por tanto, tales que K =  K i .
i =1
Las aplicaciones fi se describen a continuación:

La aplicación f1(K) = K1 es una homotecia de centro en el origen y razón 1/3, luego

1 
  3 0  x
x
f1   =   ⋅  
  0
y  1   y 
 3
La aplicación f2(K) = K2 es una homotecia de centro en el origen y razón 1/3, seguida de una
rotación de centro en el origen y ángulo 60º y una traslación de vector (1/3, 0)
1 
 x   Cos 60º − Sen60º   3 0  x   1 
f 2   =   ⋅    + 3
 y   Sen60º Cos 60º   0 1  y   0 
 3
526
III REPEM – Memorias Santa Rosa, La Pampa, Argentina, Agosto 2010

La aplicación f3(K) = K3 es una homotecia de centro en el origen y razón 1/3, seguida de una
rotación con centro en el origen y ángulo −60º y de una traslación de vector
 3 3  1 3
 = , 
 3 Cos 60 º ,
3
Cos 60 º   2 6  , luego
   
1 
 x   Cos (− 60º ) − Sen(− 60º )  3 0  x   2 
f 3   =   ⋅    + 3
 y   Sen(− 60º ) Cos (− 60º )   0 1  y   0 
 3
Finalmente la aplicación f4(K) = K4 es una homotecia de centro en el origen y razón 1/3,
2 
seguida de una traslación de vector  ,0  , o sea
3 
1 
   3 0   x   2 
x
f 4   =   ⋅   + 3
  0
y  1   y   0 
 
 3
Igual que en el ejemplo anterior podemos ver que todas las aplicaciones son contractivas y de
razón 1/3.

Si f : R n → R n es una aplicación contractiva, entonces la aplicación f : H R n → H R n es ( ) ( )

también contractiva. Aplicando el teorema del punto fijo a la función f en R n existirá un
( ( ) )
único punto x f ∈ R n tal que f (x f ) = x f y aplicándolo a f en H R n , d H existirá un único
( )
conjunto K f ∈ H R n ⊂ R n compacto y no vacío tal que f (K f ) = K f y Lim f k (B ) = K f para
k →∞

todo B ∈ H R ( ) en la métrica de Hausdorff.

n

Una familia finita de aplicaciones contractivas definidas sobre un mismo espacio Rn es lo que
llamaremos un sistema de funciones iteradas. Más concretamente:
Definición: Llamaremos sistema de funciones iteradas (SFI) en Rn a cualquier familia finita
{ f i }iN=1 de aplicaciones contractivas f : R n → R n , i = 1,2,...,N y llamaremos razón de
contractividad del SFI a r = máx{r1, r2, . . . , rN} donde ri, 0 ≤ ri < 1, es la razón de
contractividad de fi (obviamente, 0 ≤ r < 1).

La teoría matemática demuestra que la familia de funciones { f i }i =1 converge a una única

N

imagen que se denomina “atractor del sistema“ y es justamente la imagen del fractal buscado.
Formalmente
Definición: Sea {f1, f2, . . . , fN} un SFI sobre Rn. Se llama atractor del SFI al único fractal A ∈
H(Rn) que verifica
N
F ( A) =  f i ( A) = A
i =1
cuya existencia y unicidad queda asegurada por el teorema del punto fijo 1.

1
Teorema: Si X es un espacio métrico completo y f : X → X es una aplicación contractiva de módulo k,
entonces, si x es el punto fijo de la contracción tal que f(x) = x, se tiene que para cualquier y ∈ X
a) x = lím f n ( y )
n→∞

1
b) d ( x, y ) ≤ d ( y, f ( y ))
1− k
527
III REPEM – Memorias Santa Rosa, La Pampa, Argentina, Agosto 2010

Ejemplo 3
Sean fi : R2 → R2, 1 ≤ i ≤ 3, las aplicaciones contractivas que transforman el triángulo de
Sierpinski, obtenidas en el ejemplo 1

f 1 ( x, y ) = r ( x, y )
f 2 (x, y ) = r (x, y ) + (1 − r ,0)
 1 3 1 3
f 3 ( x, y ) = r  x − , y − + , 
 2 2 
 2 2   
con 0 < r ≤ 1/2, siendo r la razón de contractividad de cada una de ellas. Entonces la familia
de funciones {f1, f2, f3} es un SFI de razón r, cuyo atractor será un cierto conjunto Tr ∈ H(Rn)
con n = 2 tal que
3
Tr =  f i (Tr )
i =1

Primeras iteraciones del SFI asociado al triángulo de Sierpinski

a partir de un triángulo de lado unidad.

Conviene observar que si r = 1/3, entonces el atractor T1/3 es el triángulo de Sierpinski. Para
un r genérico, obtendremos el triángulo generalizado de Sierpinski. Vamos a aplicar el
proceso iterativo de obtención del atractor al triángulo con vértices en los puntos (0,0), (1,0) y
 1 , 3  . Sea T este triángulo. Las primeras iteraciones de este conjunto T se pueden ver
 2 2 

en la figura anterior.

Obtención del fractal asociado a un SFI

Sólo consideraremos aquí el caso de los SFI definidos sobre R2 por ser de más sencilla
elaboración. Mostraremos como ejemplo un algoritmo determinista para la construcción del
triángulo de Sierpinski mencionado anteriormente. Existen también algoritmos aleatorios pero
no lo mostramos aquí por razones de espacio.

Algoritmo determinista
Las pautas anteriores para la obtención del atractor de un SFI pueden resumirse en el siguiente
algoritmo.
1. Elegir un conjunto arbitrario T ⊂ X compacto y no vacío
2. Hacer Z = T
3. Representar Z
4. Hacer desde i = 1 hasta M
4.1. Borrar Z
N
4.2. Hallar F (Z ) =  f i (Z )
i =1
4.3. Hacer Z = F(Z)
4.4. Representar Z
5. Fin
528
III REPEM – Memorias Santa Rosa, La Pampa, Argentina, Agosto 2010

Cuando este algoritmo termine de ejecutarse habremos obtenido f M(T) que para M = 10 nos
da, en general, una muy buena aproximación al atractor T.
El SFI asociado al triángulo de Sierpinski de razón r = 1/2 construido sobre el triángulo
isósceles cuya base y altura coinciden con la base y altura de una ventana 100 × 100 es {f1, f2,
f3} donde
§1 ·
§ x · ¨ 2 0 ¸ § x · §1 ·
f1 ¨¨ ¸¸ = ¨ ¸ ⋅ ¨¨ ¸¸ + ¨¨ ¸¸
© y ¹ ¨¨ 0 1 ¸¸ © y ¹ ©1¹
© 2¹
§1 ·
§ x· ¨ 2 0 ¸ § x · § 50 ·
f 2 ¨¨ ¸¸ = ¨ ¸⋅¨ ¸ + ¨ ¸
© y ¹ ¨¨ 0 1 ¸ ¨© y ¸¹ ¨© 1 ¸¹
¸
© 2¹
§1 ·
§ x· ¨ 2 0 ¸ § x · § 25 ·
f 3 ¨¨ ¸¸ = ¨ ¸⋅¨ ¸ + ¨ ¸
© y ¹ ¨¨ 0 1 ¸ ¨© y ¸¹ ¨© 50 ¸¹
¸
© 2¹
que se puede expresar de forma simplificada como se ilustra en la siguiente tabla.
f a b c D e g 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
Notación simplificada del sistema de funciones iteradas
asociado al triángulo de Sierpinski

En este caso todas las fi tienen la misma probabilidad. En el algoritmo aleatorio le asignamos
N
a cada fi, 1 ≤ i ≤ N, una cierta probabilidad pi > 0 tal que ∑p
i =1
i = 1 . En estos algoritmos

podemos obtener fractales como el de la siguiente figura:

Triángulo de Sierpinski
obtenido tras la aplicación del algoritmo aleatorio

La obtención de imágenes mediante el SFI es de gran importancia en la actualidad, sobre todo

en las ciencias de la computación ya que es uno de los mecanismos utilizados para la
compresión de imágenes.

Introducción a la compresión de imágenes

La compresión se ha convertido en un factor importante para facilitar el almacenamiento y
transmisión de imágenes. Se necesita una gran cantidad de datos para representar las
imágenes digitales. Si podemos comprimir estos datos, lograremos disminuir la cantidad de
espacio de almacenamiento necesario y la cantidad de tiempo requerido para transmitir estas
imágenes.
529
III REPEM – Memorias Santa Rosa, La Pampa, Argentina, Agosto 2010

Existen dos tipos de compresión de imágenes: compresión sin pérdidas o con pérdida. La
Compresión Lossless significa que cuando la imagen es comprimida o descomprimida, la
imagen original pueden recuperarse completamente intacta. Estas técnicas por lo general
producen una compresión de 3:1. Ciertos tipos de imágenes (como imágenes médicas o las
imágenes con texto) son inútiles si la información se pierde en el proceso de descompresión.

Dado que el ojo humano tiene sus límites, a menudo podemos tolerar una cierta pérdida de
una imagen cuando es descomprimida. Podemos usar técnicas de compresión con pérdida,
cuando no es crucial para duplicar una imagen exactamente. El popular JPEG y MPEG son
técnicas de compresión con pérdida (las imágenes restauradas se aproximan a la original). En
algunos casos, las imágenes descomprimidas aparecen sin pérdidas a pesar de que se
comprimieron utilizando técnicas con pérdida. A esto se le llama compresión sin pérdida
visual. El uso de este método permite obtener radios de compresión de hasta 100:1.

CONCLUSIONES

En este trabajo hemos presentado una introducción a la geometría fractal, analizando las
principales características de la misma como también se ha discutido la necesidad de utilizar
la dimensión fractal para describir algunos fenómenos naturales los cuales son imposibles de
estudiar desde la geometría euclidiana.

La realización de este trabajo nos permitió explorar un terreno de la matemática que

desconocíamos y poner en práctica algunos de los conocimientos adquiridos en nuestra
carrera (desde algunas nociones básicas del álgebra lineal (transformaciones afines) pasando
por las nociones topológicas básicas de conjuntos abiertos, compactos, espacios métricos,
hasta el importante Teorema del punto Fijo) los cuales, aislados de la realidad, resultan poco
interesantes para los estudiantes. Pensamos que con algunas modificaciones podría ser un
tema atractivo para enseñar en el nivel medio/ Polimodal en el que los alumnos pueden
visualizar en un caso concreto el uso de diferentes recursos matemáticos y de este modo
apreciar la importancia de la enseñanza de esta ciencia.

BIBLIOGRAFÍA

COLVIN, JEFF. 1998. Iterated function systems And Fractal image compression.
GARCÍA DE JALÓN, JAVIER; RODRÍGUEZ, JOSÉ I. y BRAZÁLEZ, ALFONSO.
2001. Aprenda Matlab 6.1 como si estuviera en primero. (Escuela Técnica Superior de
Ingenieros Industriales. Universidad Politécnica de Madrid).
FALCONER, KENETH. 2003. Fractal Geometry (Mathematical Foundations and
applications 2da edition).
MANDELBROT, BENOÎT. 1993. Geometría Fractal en la Naturaleza (Tusquets Editores.
España)
de GUZMÁN MIGUEL.1993. Estructuras fractales y sus aplicaciones. (Labor, Madrid)

PEITGEN, H.-O., JURGENS, H., SAUPE, D.1 992. Caos y fractales. (Nuevas Fronteras de
Ciencia, Nueva York).
PÉREZ ORTIZ, J.A.1998. Codificación fractal De imágenes (Proyecto Final de la Carrera -
Universidad de Alicante).
530