Fractales:

¿Cómo se organiza la naturaleza?

Armando Cisternas
Departamento de Geofı́sica, FCFM, Universidad de Chile.

Agosto 2008

1
1. INTRODUCCION
El objeto del curso es estudiar la evolución de sistemas complejos no-lineales, en que cada una de las partes
interactua con las partes vecinas. Se injecta permanentemente energı́a al sistema, y también hay disipación
de energı́a al interior del sistema (por ejemplo por fricción).

Tales sistemas, luego de un transiente, llegan a un estado de auto-organización. Tales estados pueden ser
de equilibrio estable, de periodicidad entre varias opciones (bifurcaciones), o simplemente caóticos. En todo
caso, el caos no es total sino que existe algo de orden.

Una de las primeras observaciones de estos sistemas de criticalidad auto-organizada (CAO), fue la obser-
vación de Mandelbrot, quien al tratar de medir el largo de la costa de Bretaña (Francia) se dió cuenta que la
costa no era unidimensional, sino que poseı́a una dimensión fraccionaria mayor que 1. Esta era la Dimensión
Fractal.

A continuación examinaremos las contribuciones de algunos cientı́ficos que fueron aportando nuevos elemen-
tos, hasta llegar a construir la Teorı́a de la auto-organización en la vecindad de un estado crı́tico (Un ejemplo
es la auto-organización de los terremotos cerca de la ruptura).

1.1. Cientı́ficos Creadores de la Teorı́a del CAO

Figura 1: HENRI POINCARE. Aunque no se liga directamente a la teorı́a del CAO, Poincare estudió en
1913 las propiedades de los sistemas no-lineales, en particular con el llamado problema de tres cuerpos. El
vió por primera vez la importancia de la dependencia de las condiciones iniciales.

1
Figura 2: EDWARD LORENZ fue quien introdujo en 1963 el concepto de efecto mariposa (efecto de pequeñas
perturbaciones), estudiando un sistema no-lineal con tres atractores, que aproximaba las ecuaciones de la
convección de un lı́quido.

Figura 3: BENOIT MANDELBROT definió en 1967 los conceptos de dimensión fractal y geometrı́a fractal,
asociados al largo de la costa.

2
Figura 4: ILYA PRIGOGINE desarrolló en 1980 el concepto de fenómenos no-lineales irreversibles (con
pérdida de energı́a) que se auto-organizan cerca de un estado crı́tico.

Figura 5: PER BAK realizó en 1986 el modelo de un cono de arena que modelaba en forma simple la
criticalidad auto-organizada. Al dejar caer arena en un lugar, el cono crecı́a hasta alcanzar un ángulo critico
α. Luego las avalanchas de arena se auto-organizaban para mantener el ángulo α.

3
Figura 6: MITCHELL FEIGENBAUM dió otro ejemplo sencillo del pasaje de la estabilidad al caos a través
de un proceso de bifurcaciones. El modelo corresponde a la ecuación logı́stica.

4
2. CRITICALIDAD AUTO ORGANIZADA (CAO)
2.1. DIMENSION FRACTAL
Consideremos de un cuadrado de lado L dividido en celdas de lado ε. Ası́ el número de celdas dentro del
cuadrado está dado por
 2
L
N (ε) = (1)
ε
en el caso de un cubo (dimensión 3) el número de celdas es
 3
L
N (ε) = (2)
ε

En caso de un conjunto fractal de dimensión d esperamos tener

 d
L
N (ε) = (3)
ε

De donde sale la definicion de la dimension de Capacidad (Haussdorf):

log N (ε) log N (ε)

d = lı́m
= lı́m (4)
log Lε ε→0 log L + log 1


ε→0
ε

si ε es pequeño podemos despreciar el logaritmo del largo L quedando

log N (ε)
dC = lı́m (5)
log 1ε


ε→0

donde N (ε) es el número de celdas que contienen al menos un punto del conjunto fractal. En forma practica se
calcula N (ε) para valores diferentes de ε y se determina la pendiente de la curva (log N, log ε) que debe ser −d.

EJEMPLO: Conjunto de Cantor

El conjunto de Cantor (o Cantor dust) se genera tomando una recta de largo 1 y dividiéndola en 3 partes
iguales. Al dividirla se quita el segmento central. El proceso continua con los segmentos que quedan y asi en
adelante.

5
El número de segmentos que ocupa el fractal y el ε de cada paso se resume como sigue

N (ε) ε
1er paso 2 1/3
2do paso 22 (1/3)2
.. .. ..
. . .
n-ésimo paso N (ε) = 2n ε = (1/3)n

de aquı́ podemos calcular

log 2n log 2
dC = lı́m = <1 (6)
n→∞ log 3n log 3
es decir, el conjunto de Cantor ocupa menos espacio que una linea en 1D.

EJEMPLO: Copo de nieve de KOCH

Se comienza con un triángulo equilátero y en cada paso se divide cada lado en 3, se retira el segmento del
medio y se le reemplaza por un triángulo equilátero con lados iguales al segmento. N (ε) es el número de
segmentos en cada paso. La figura resultante recuerda el largo de la costa de Mandelbrot.

N (ε) ε
1er paso 3 1
2do paso 3·4 1/3
3do paso 3 · 16 (1/3)2
.. .. ..
. . .
n-ésimo paso N (ε) = 3 · 4n ε = (1/3)n

de donde calculamos la dimensión de capacidad

log (3 · 4n ) log 3 + n log 4
dC = lı́m = lı́m (7)
n→∞ log 3n n→∞ log 3n

6
 log 3 log 4 log 4
= lı́m + = >1 (8)
n→∞ n log 3 log 3 log 3

CASO GENERAL
Supongamos para simplificar que el fractal contiene M puntos distribuidos en celdas de tamaño ε, con mi
puntos en la celda i-ésima. Las probabilidades de ocupacion de las celdas estan dadas por
mi X
pi = , pi = 1 (9)
M i

En el caso de una curva, en lugar de un conjunto discreto tomamos las probabilidades proporcionales a los
largos de los segmentos de la curva en cada celda.
Consideremos una funcion general de un parametro α:
log i pα
P
i
A(α) = (10)
1−α
donde la suma se hace evidentemente solo sobre las celdas ocupadas por el fractal.
Analizaremos como se comportan los distintos valores de A(α):
Caso α = 0

A(0) = log N (ε) (11)

por lo que usando A(0) recuperamos la definición de dimensión de capacidad que hemos definido
anteriormente.
Caso α = 1
Usando L’Hopital pues A(1) es indetermidado si α → 1 encontramos que
 
P1 α
P α
i pi log pi
pi
i
A(1) = lı́m (12)
α→1 −1
pα
P
i log pi
X
iP
= − lı́m α = − pi log pi = − hlog pi i = S (13)
i pi
α→1
i
| {z }
Entropı́a del Sistema

lo que da la entropı́a S del sistema (o su contrario: la información).

Caso α = 2 X
A(2) = − log p2i (14)
i
donde p2i = pi ·pi es la probabilidad de que dos puntos ocupen la celda i (puesto que son independientes).
Entonces, cada sumando corresponde a la probabilidad de encontrar dos puntos del fractal dentro de la
celda i-esima, es decir, dos puntos a una distancia menor que ε. Esta es la probabilidad de correlación.
Además: X X
log p2i ≤ log pi = log 1 = 0
i i
de donde
A(2) ≥ 0

7
De lo anterior podemos definir tres tipos de dimensión que expresan propiedades distintas del conjunto fractal
1. Dimensión de Capacidad, ya definida.
A(0) log N (ε)
d0 = lı́m 1 = ε→0
lı́m (15)
log 1ε



ε→0 log ε
Esta dimensión no contiene información sobre la probabilidad de ocupación de la celda.
2. Dimensión de Información:
A(1) S
d1 = lı́m
= lı́m (16)
ε→0 log 1 ε→0 log 1
ε ε
Para celdas equiprobables la entropı́a S es máxima (máximo desorden del sistema) y la información I
es mı́nima (no se puede diferenciar una celda de otra).
X
S = − pi log pi (17)
i
X
I = pi log pi = −S (18)
i

3. Dimensión de Correlación:
log i p2i
P
A(2)
d2 = lı́m
= lı́m (19)
ε→0 log 1 ε→0 log 1


ε ε
La dimensión de correlación puede ser calculada de manera mas económica usando el método de
Grassberger y Procaccia. Consideremos la función
1 X
C(ε) = lı́m H (ε − k~xi − ~xj k) (20)
N →∞ N 2
i6=j

donde hay N puntos {~xi }i=1...N y H(x) es la función escalón de Heavyside. Esta doble suma sobre los
pares de puntos del conjunto es función de ε y retiene sólo las parejas cuyas distancias sean menores
que ε. La suma está normalizada a N 2 . La dimensión de correlación está dada por
C(ε)
d2 = lı́m (21)
ε→0 log 1


ε

COMENTARIOS FINALES
La función A(α) es decreciente en α (ver Apéndice), luego
d0 ≥ d1 ≥ d2 (22)

En el caso más general, el cálculo es más estable y práctico si se utiliza la fórmula de Grassberger y
Procaccia para obtener la dimensión generalizada dα
 1
 α−1  α−1
1 1 Cα (ε)
X  X 
Cα (ε) =  H (ε − k~xi − ~xj k) =⇒ dα = lı́m (23)

ε→0 log 1


N j N − 1

ε

i6=j

8
2.2. LA ECUACION LOGISTICA
La ecuación logı́stica fue estudiada para comprender la evolución de un sistema viviente sometido a las leyes
básicas de la evolución: desarrollo y competencia. La ecuación logı́stica:

xn+1 = µxn (1 − xn ) (24)

que permite seguir la evolución del sistema. Al calcular xn+1 en función de xn , se vé un factor que crece
con xn y otro que decrece, además de la constante µ. Esta ecuación es no lineal y el segundo miembro
está representado por una parábola en x = 0, 1 y que es máxima en x = 0,5. El valor máximo es µ/4.
Hay varias posibilidades en función del valor de µ:
0<µ≤1
La parábola no corta a la diagonal pues la tangente en el origen es menor que 1. En este caso la especie
tiende a desaparecer xn → 0.
1<µ<3
En este caso la ecuaciónconverge a una solución única, un punto fijo. Para tener este resultado es
necesario que la pendiente de la parábola en el punto de intersección de la diagonal sea menor que 1 en
módulo, de tal modo que los cambios veticales sean menores que los horizontales. La especie es estable.
3 < µ < 3,45 . . .
Aquı́ aparece una bifurcación. La solución ya no es única, sino que oscila entre dos valores. La especie
sufre cambios cı́clicos representados por la oscilación entre xa y xb .
3,45 < µ < 3,53 . . .
Hay una nueva bifurcación y el sistema oscila entre cuatro valores.
Cerca de µ = 3,56994 . . . se produce el paso al caos. El sistema ya no oscila periódicamente entre un
número de valores, sino que se comporta en forma caótica. Para valores mayores de µ en ciertos casos
hay un retorno al orden.

9
Figura 7: Caso 0 < µ < 1. xn converge a 0.

10
11
12
BIFURCACIONES

El conjunto de las observaciones anteriores puede ser visto en un diagrama (xn , µ) donde los xn son os
valores finales de la iteración, los atractores. Para un µ < 3 la solución lı́mite es única. En µ = 3 se produce
la primera bifurcación, con dos valores xn lı́mites. En µ = 3,45 . . . hay dos nuevas bifurcaciones y cuatro
valores lı́mites.
Feigenbaum verificó que las bifurcaciones no ocurren en forma cualquiera. Si tres bifurcaciones consecutivas
para µk−1 , µk , µk+1 entonces
µk − µk−1
lı́m = 4,669201 . . . (25)
k→∞ µk+1 − µk

la llamada constante de Feigenbaum.

Figura 8: Diagrama (xn , µ) donde se ven las bifurcaciones.

2.2.1. Exponente de Lyapunov y Ecuación Logı́stica

Es importante ver la variación de la aplicación logı́stica después de n pasos en función de la variación de las
condiciones iniciales. Partimos de

xn+1 = µxn (1 − xn ) (26)

dxn+1 = µ(1 − 2xn )dxn (27)

y despues de n pasos
dxn+1 = µn (1 − 2xn )(1 − 2xn−1 ) · · · (1 − 2x1 )dx1
o bien
dxn+1 = Λn dx1 (28)

13
con
Λn = µn (1 − 2xn )(1 − 2xn−1 ) · · · (1 − 2x1 ) (29)
si n es grande se puede aproximar Λn por
Λn = enλL (30)
donde λL se llama exponente de Lyapunov
log Λn
λL = lı́m (31)
n→∞ n
Hay tres casos:
λL < 0, dxn+1 → 0, y el valor lı́mite bien definido en forma única.
λL = 0 bifurcaciones
λL > 0 comportamiento caótico de dxn+1

Figura 9: Exponente de Lyapunov de la ecuación logı́stica. La lı́nea horizontal es λL = 0. Cuando λL cruza

esta lı́nea se producen bifurcaciones.

Si el sistema tiene más de una dimensión hay tantos coeficientes de Lyapunov como el orden de la dimensión.

2.2.2. Exponentes de Lyapunov

Supongamos que partimos con una superficie A0 , cuadrada
√ y que al ser objeto√de un proceso no lineal se
estira en una dirección y se encoge en otra. Digamos A0 eλ1 t en una dirección y A0 eλ2 t en la otra (λ1 > 0,
λ2 < 0).

14
La superficie deformada es
A(t) = A0 e(λ1 +λ2 )t
√
donde λ1 y λ2 son los exponentes de Lyapunov. Dividiendo A(t) en cuadrados de lado ε = A0 eλ2 t , el
número de cuadrados es:
A0 e(λ1 +λ2 )t
N (ε) = = e(λ1 −λ2 )t (32)
A0 e2λ2 t
Ahora es posible calcular la dimensión de capacidad ligada a los exponentes de Lyapunov

log N (ε) (λ1 − λ2 )t

dL = lı́m 1 = lı́m 1 (33)
ε→0 log t→∞ − log A0 − λ2 t
ε 2
λ1
dL = 1− >1 (34)
λ2
y dL = 2 sólo si λ2 = −λ1 .

15
2.2.3. El exponente de Hurst
En los años 30, Hurst estuvo estudiando las fluctuaciones del rı́o Nilo en Egipto, en relación con la construcción
de represas y a partir de 1951 publicó sus resultados.
Sea X(t) el volumen de agua aportado por el Nilo en año t (t=1,2,. . .,τ ) en el punto donde se desea instalar
la represa. El promedio en el perı́odo τ es
1X
hξiτ = ξ(t) (35)
τ t
y la desviación estándar v
u τ
u1 X 2
στ = t [ξ(t) − hξiτ ] (36)
τ t=1

El gráfico de la función acumulativa de ξ(t)

t
X
X(t) = ξ(u)
u=1

se conoce como escalera del diablo (Devil Staircase).

Figura 10: Escalera del diablo de Hurst.

La tendencia media de la función acumulativa está dada por la recta

τ
tX
X̄(t) = ξ(t) (37)
τ t=1

16
Si se pasan dos rectas paralelas a esta y que toquen a la acumulativa por arriba y por abajo, la distancia
vertical entre ambas se llama el rango R

R(τ ) = [max X(t, τ ) − min X(t, τ )]t∈[1,τ ] (38)

donde
X(t, τ ) = X(t) − X̄(t)
Ejemplo: sea un proceso acumulativo dado por:

xt+1 = xt + ξt+1 (39)

donde ξt+1 es un proceso gausiano independiente con media cero y desviación estándar 1:

hξt i = 0, σ(ξt ) = 1

si se comienza con un valor nulo en t = 0, la función acumulativa

t
X
Xt = ξt0
t0 =1

• hξt i = 0 =⇒ hXt i = 0
• como hξt ξt0 i = δtt0 por independencia
t
X t
X
Xt2 =


hξi ξj i = δij = t
i,j=0 i,j=0

y la varianza
σ = t1/2
y en un intervalo de largo τ , σ ≈ τ 1/2 .
De aquı́ el rango R(τ ) también varı́a como R ∼ τ 1/2 , y dá el alto mı́nimo de la represa.

En general R ∼ τ H donde H es el exponente de Hurst.

1
Si H = 2 hay independencia en el proceso.
1
Si H > 2 se dice que el proceso es persistente.
1
Si H < 2 se dice que el proceso es anti-persistente.
Hurst propone usar el rango re-escalado respecto de la desviación estándar σ
R
∼ τH
σ

17
2.3. Circle Map
El circle map es una aplicación del cı́rculo en si mismo a través de varios pasos.
Aplicación estandar:
K
θn+1 = θn + Ω − sin 2πθn (mod1) (40)
2π
Dos parámetros (Ω, K)

Ω = rotación (41)
K = no linealidad (42)

Un ejemplo puede ser el péndulo no lineal.

Veremos distintos valores de K:
K = 0:
θn+1 = θn + Ω (Ω = 0,4)
Si Ω = 0,4 entonces 5 iteraciones permiten la vuelta al ángulo de origen.
4 2
W =Ω= =
10 5
donde W (winding number ) es el número de vueltas que permite la repetición periódica. Si W = pq el
sistema es periódico.
Si W = irracional el sistema es quasi periódico. Por ejemplo W = 0,404004 . . . ⇒ 200 interaciones.

18
K 6= 0 Hay modos cerrados (hay periodicidad) aún si Ω es irracional.

θn − θ0
W = lı́m
n→∞ n
Con K = 0,95 y Ω = 0,404004 hay mode locking (se vuelve a la periodicidad).

• El ancho de los mode locking crece con K.

• En K = 1 forman un fractal.
• Para K > 1 las lenguas de Arnold se cortan, pero los perı́odos serán función de las condiciones
iniciales: hay CAOS.
• Para K fijo y Ω variable se pasa horizontalmente de periódico a quasi-periódico.
• Hay criticalidad auto organizada en el caso de la escalera del diablo.
• Caminos al caos:
◦ Sólo quasi periódico.
◦ Sólo periódico.
◦ Mezcla

19
Figura 11: Escalera del diablo con W en función de Ω con K = 1. El panel inferior es un zoom del superior.

20
2.4. Péndulo
ECUACION DEL PENDULO
No lineal.
Disipación interna.
Energı́a externa.
Masa m, largo l, peso W = mg
d2 θ dθ
ml + γ +W sin θ = A cos ωD t (43)
dt2 dt | {z }
energiaexterna
|{z}
disipacion

Forma adimensional
d2 θ 1 dθ
+ + sin θ = k cos ωD t (44)
dt2 q dt
o un sistema de primer orden equivalente
dω 1
= ω − sin θ + k cos φ (45)
dt q
dθ
= ω (46)
dt
dφ
= ωD (47)
dt
Tres ecuaciones que contienen caos.

21
Figura 12: Movimiento periódico del péndulo. A la izquierda se ve el movimiento fı́sico y a la derecha la
proyección de este movimiento en el plano (ω, θ). En el caso (a) la periodicidad consiste en dos ciclos. En
el caso (b) hay una ida y vuelta al interior de un ciclo y en el caso (c) el perı́odo corresponde a dos vueltas
completas y cada vuelta tiene un ir y venir.

22
Figura 13: El movimiento del péndulo está representado en 3D, con φ/ω0 = t, la coordenada temporal. Los
valores corresponden a q = 2 y k = 0,9 y la de abajo k = 1,07.

23
 Figura 14: Péndulo 3D, con k = 1,47 y k = 1,5

Figura 15: Proyección en el plano (ω, θ) del péndulo en el caso de una oscilación perı́odica. La figura de abajo
corresponde a la sección de Poincare, es decir, se toma un punto por cada perı́odo de la fuerza perturbadora.
Como el movimiento es periódico aparece sólo un punto.

24
Figura 16: La periodicidad consiste en dos vueltas en el plano (ω, θ). Luego en la secció de Poincare aparecen
dos puntos.

Figura 17: Para k = 1,15 el movimiento es caótico. La sección de Poincare (abajo) es un conjunto fractal
complejo.

25
Figura 18: Gráfico ω = ω(k). La figura de abajo muestra un detalle entre k = 1,45 y k = 1,5. Se ve
análogamente a la logı́stica que puede llegarse a un ω único o puede haber bifurcaciones y finalmente el paso
al caos.

26
3. MODELO DE LORENZ
Sistema no lineal simple que aproxima la dinámica de un fluido
dx
= −σ(x − y) (48)
dt
dy
= (r − z)x − y (49)
dz
dz
= xy − bz (50)
dt
SIGNIFICADO FISICO

x: Velocidad circulatoria del fluido.

y: diferencia de temperatura entre fluido que sube y fluido que baja.
z: perturbación respecto a una variación lineal de la temperatura con la profundidad (equilibrio).
Las ecuaciones también dependen de tres parámetros (σ, b, r).

3.1. Puntos Fijos

Podemos buscar aquellos puntos tales que
d~x
=0
dt
El punto fijo más claro es el orı́gen O

~x = 0 ⇐⇒ (x, y, z) = (0, 0, 0)

También podemos ir anulando de a una cada derivada temporal, obteniendo

dx  p 
dt = 0 ⇒ x = y ±pb(r − 1)
dy
dt = 0 ⇒ r − z − 1 = 0 ⇒ z = rp− 1 ⇒ ~x± =  ± b(r − 1)  ≡ C ±
dz 2
dt = 0 ⇒ x − bz = 0 ⇒ x = ± b(r − 1)
r−1

de donde tenemos que O y C ± son los tres puntos fijos del sistema.

Lorenz fija σ = 10 y b = 8/3, haciendo variar el parámetro r (el cual corresponde al número de Rayleigh).

3.2. Divergencia

~ · ~v = ∂ ẋ ∂ ẏ ∂ ż
div ~v = ∇ + + = −σ − 1 − b (51)
∂x ∂y ∂z
Si σ = 10 y b = 8/3, entonces div ~v = −41/3, lo que implica una rápida contracción del volumen.

27
3.3. El Jacobiano
Los valores propios del sistema se obtienen para el Jacobiano en torno a cada uno de los puntos fijos.
Caso del orı́gen O.
El desarrollo se hace en torno a ~x = 0 y se quedan los términos lineales. Colocando
x(t) = eλt x (52)
y(t) = eλt y (53)
z(t) = eλt z (54)
se tiene
λx = −σ(x − y) (55)
λy = rx − y (56)
λz = −bz (57)
y el Jacobiano  
 σ+λ
 −σ 0 

det  −r 1+λ 0 =0
 
 0 0 b+λ 
y de aquı́
(λ + b) λ2 + (σ + 1)λ + σ(r − 1) = 0
 
(58)
de donde
λ1 = −b < 0 (59)
±
Caso de C

λ3 + (1 + b + σ)λ2 + b(r + σ)λ + 2σb(r − 1) = 0 (60)

Variando r encontramos
• 0<r<1
Todas las raı́ces son reales y negativas, y el orı́gen O es un atractor.
• r=1
Bifurcación. O es inestable. C + y C − estables. Órbitas parten de O y terminan ya sea en C + o C − .
• r = 13,56 . . .
Primera órbita homoclı́nica1 : sólo una vuelta en torno a C + o a C − antes de volver a O.
• r = 24,06 . . .
Siguiente órbita homoclı́nica. Infinitas veces en torno a C + o a C − .
• 1 < r < 24,74 . . .
Valores propios complejos con parte real negativa (espiral en torno a O).
• r = 27,74
C + y C − inestables. Partes reales positivas en ambos puntos.
• r = 28
Diverge y converge.Atracción aleatoria en torno a C + y C − . No predictible.
1 homoclı́nico: dar vuelta en torno a un sólo punto. Puede ser caótica pero siempre en torno al mismo punto.

28
Figura 19: Parte superior muestra el paso de órbitas en torno a C + y a C − . En la parte inferior ...?

29
Figura 20: En (a) el punto O es de atracción en cualquier dirección. En (b) el punto O es equilibrio inestables,
y C + y C − son atractores. O sólo es atractor en el plano ortogonal al eje que une C + y C − y que pasa por O.
En el caso (c) se comienza a hacer una espiral en torno a C + o a C − , el caso (d) es una proyección del caso
(c). En el caso (e) los tres puntos son inestables, r0 es el paso a la inestabilidad total. Comienzan a aparecer
órbitas en torno a C + o a C − , pero no se acercan. El30caso (f ) es una evoución de (e) de forma tal que una
órbita de C + puede pasar impredictiblemente a C − o viceversa.
Figura 21: Parte superior: Diagrama de Poincare del sistema de Lorenz. Un diagrama de Poincare es un
gráfico que representa la distancia al origen para distintos valores de r. Semejante al caso de la logı́stica,
pero invertido (r es como el inverso de µ en la ecuación logı́stica). La parte inferior muestra distintas órbitas
para distintos valores de r.

31
Figura 22: El diagrama de la izquierda es heteroclı́nico y el de la derecha es homoclı́nico.

32
Figura 23: Esta figura muestra el caso del CAOS en que hay un cierto número de revoluciones en una órbita
y en forma impredictible se pasa a otra órbita y no es posible predecir el número de vueltas en torno a cada
órbita aunque se conozcan las condiciones iniciales y las ecuaciones del sistema. Efecto Mariposa.

Figura 24: Exponentes de Lyapunov del sistema de Lorenz. Los exponentes positivos aportan el CAOS al
sistema.

33
4. FUNCION DE PARTICION
4.1. Termodinámica de equilibrio estable (Boltzmann-Gibbs).
Consideremos un sistema discreto cuyas realizaciones corresponden a n configuraciones posibles Ai , con
probabilidades pi . El sistema puede entonces ser representado por el esquema:
 
Ai
i = 1...n
pi

La entropı́a de Boltzman-Gibbs de este sistema en equilibrio estable, es el valor medio del logaritmo de la
probabilidad de las configuraciones del mismo, multiplicado por una constante negativa −k:
X
S = −k hlog pi i = −k pi log pi (61)
i

Como la entropı́a es proporcional al valor medio del logaritmo de la probabilidad, se deduce que es una
función aditiva para eventos independientes, pues en este caso la probabilidad de un evento compuesto es el
producto de las probabilidades de las componentes. está definición implica tambien que S sea positivo, pues
log pi < 0. La entropı́a es también una función convexa de los pi (condición de máximo). En efecto:

∂2S k
2 =− <0 (62)
∂pi pi

4.2. Función de partición y teorı́a matemática de la Termodinámica Clásica.

Supongamos que conocemos los valores medios de m funciones fk (Ai ) de las configuraciones del sistema:
X
hfk i = pi fk (ai ) k = 1, 2, . . . , m (63)
i
P
con la condición i pi = 1. Por ejemplo, si una de las funciones toma los valores de la energia εi correspon-
diente a cada estado Ai , entonces su valor medio es U , la energá interna del sistema.

El segundo principio de la termodinámica nos dice que debemos encontrar el máximo de la entropı́a S
con las condiciones impuestas por el conocimiento de los promedios hfk i. Para esto, recurrimos al método
de los multiplicadores de Lagrange, utilizando m multiplicadores λi . Se obtiene ası́ un doble conjunto de
variables: las extensivas hfk i, y las correspondientes intensivas λk (k = 1 . . . m). De este modo
X X
S+ λk pi fk (Ai ) = max (64)
k i

o bien
S X
+ λk fk (Aj ) = 0 (65)
pj
k

es decir: X
−k(log pj + 1) + λk fk (Aj ) = 0 (66)
k

34
finalmente !
X
pj = Cte exp λk fk (Aj ) (67)
k

y despues de la normalización de los pj :

P
exp ( k λk fk (Aj ))
pj = (68)
Z(λ)

donde !
X X
Z(λ) = exp λk fk (Aj ) (69)
j k

es conocida con el nombre de función de partición, y contiene todos los elementos necesarios para construir
la termodinámica.

A continuación vamos a utilizar la función de partición para calcular las variables termodinámicas.

Funciones de configuración
Con este resultado podemos estimar los valores medios de las funciones de configuración del sistema a
partir de la función de partición.

P
λj fj (Ai )

j
X X
hfk i = pi fk (Ai ) = fk (Ai ) exp (70)
i i
Z(λ)
∂
= log Z(λ) k = 1 . . . m (71)
∂λk

y de aquı́ se pueden calcular los λj ya que se tienen m ecuaciones con m incógnitas. Se verá que hfk i
es extensiva y que λk es intensiva.

EJEMPLO:
En el caso en que la única función de configuración conocida sea U , la energı́a interna del sistema, y λ0 el
multiplicador de Lagrange correspondiente, entonces:
 
1 1 E(Aj )
pj = exp (λ0 E(Aj )) = exp − (72)
Z Z kT

Donde segun 5), se ha podido escribir ∂S/∂U = −kλ0 = 1/T , o sea, el inverso de la temperatura absoluta,
de acuerdo con las convenciones de la termodinámica.
Por otro lado, si se define εj = E(Aj ), se tiene:
X X  εj 
S = −k pj log pj = −k pj − − log Z (73)
j j
kT
U
= + k log Z (74)
T

35
Reordenando los términos se encuentra:

F = U − T S = −kT log Z (75)

Donde F es la energı́a libre de Helmholtz, la que también está dada, en este caso, en términos de la función
de partición.

4.3. Leyes de Potencia y Entropı́a Generalizada. Distribución Multinomial

La distribución multinomial servirá como ejemplo de un proceso en el que se genera un fractal. Para esto,
se divide el segmento [0, 1] en m celdas iguales, luego se asigna una probabilidad pi (i = 1 . . . m), a la i-sima
celda es decir, se da una cierta masa virtual a la celda. La suma de las probabilidades está normalizada:
X
pi = 1 (76)
i

En un segundo paso, cada una de las celdas es nuevamente dividida en m partes, y la probabilidad de la celda
de orden i es distribuida entre las sub celdas resultantes de la misma manera, es decir, que la probabilidad
(masa) de la sub celda de orden j será pi · pj .

Después de n pasos, la distribución de probabilidades (masas) será dada por la distribución multinomial
X n!

(p1 + p2 + . . . + pm )n = pk11 pk22 . . . pkmm = 1 (77)
k1 !k2 ! . . . km !
k
P
donde la suma se efectua sobre todos los valores de ki , con la condición i ki = n. Un término cualquiera
de está suma tiene ki celdas con probabilidad pi (i = 1 . . . m).

Este proceso puede ser interpretado en términos de la individualización de los sub segmentos de tamao
ε = 1/mn , que tengan la misma masa. Ası́, si se selecciona las celdas con masa

µ = pk11 pk22 . . . pkmm (78)

obtenemos un número total de celdas igual a

n!
N= (79)
(k1 !k2 !km !)
independientemente del orden en que esten distribuidas las pi en las sub celdas.

Evidentemente, el conjunto más numeroso (N máximo) será representativo del proceso, y tendrá una estruc-
tura auto-similar (fractal), pues el mismo proceso se repite a todas las escalas.

APROXIMACION DE STIRLING

Comenzaremos definiendo el número relativo φi de celdas ocupadas con probabilidad pi

ki
φi = (80)
n

36
de donde se tiene
X X ki
φi = =1 (81)
i i
n
De acuerdo con la aproximación de Stirling en su forma más simple, tenemos:
n! ∼ nn e−n para n grande (82)
de donde
 n n
( k 1  k 2  k m ) " k 1  k 2  km #−1
k1 k2 km k1 k2 km
N ∼ ... = ... (83)
e e e e n n n
1
= (84)
φki 1 φki 2 . . . φki m
finalmente X X
log N ∼ − ki log φi = −n φi log φi y como log ε = −n log m (85)
i i
podemos escribir P
φi log φi
i
N ∼ε log m = ε−δ/ log m (86)
donde log es el logaritmo en base e, y del mismo modo
P
φi log φi
i
µ = ε− log m = εα/ log m (87)
Los valores correspondientes a N y a µ están dados por leyes de potencia! Hemos expresado de este modo la
masa, y el número de celdas de igual masa, en forma de leyes de potencia (excepto por un factor exponencial
{log m}−1 ), donde:
X
δ = − φi log φi ≥ 0 es el exponente del número de celdas y (88)
i
X
α = − φi log pi ≥ 0 es el exponente de masa (89)
i

VALOR EXTREMO DE N
P
El valor extremo de δ = − i φi log φi , que llamaremos f (α), corresponde al conjunto más numeroso. Luego
hay que buscar el extremo de δ con las condiciones:
X
α = − φi log pi (90)
i
X
φi = 1 (91)
i

Usando los multiplicadores de Lagrange q y λ, tenemos:

!
X X X
∂φj − φi log φi + q φi log pi + λ φ =0 (92)
i i i

37
finalmente:

−1 − log φj + q log pj + λ = 0 y (93)

log φj = log pqj + λ − 1 (94)

y
Pde aquı́ se determina el multiplicador de Lagrange λ por normalización de los φj es decir usando la condición
i φi = 1:
pqj
φj = (95)
Zq
donde Zq = i pqi es similar a la función de partición de la termodinámica.
P

El otro multiplicador de Lagrange, q, está determinado en función de α a través de

X
α=− φi log pi (96)
i

En efecto, la expresión para α se convierte en:

X X pq (log pi )
i
α=− φi log pi = − = −∂q τ (q) (97)
i i
Zq

donde τ (q) = log Zq y analogamente

X X pq (log pq − log Zq )
i i
f (α) = − φi log φi = − (98)
i i
Zq
X pq log pi
i
= −q + log Zq (99)
i
Zq
 
2 τ (q)
= qα + τ (q) = −q ∂q (100)
q

4.4. La Transformación de Legendre

El proceso de maximización del número de celdas que tienen igual masa ha conducido a una correspondencia
entre dos espacios bidimensionales:
[α, f (α)] ←→ [q, τ (q)]
con α = −τ 0 (q) y f (α) = τ (q) − qτ 0 (q).

está correspondencia se llama transformación de Legendre y se relaciona con una ecuación no-lineal de
primer orden (ecuación de Legendre):
y = xy 0 + f (y 0 ) (101)
Una solución simple resulta de elegir y 0 = Cte. En este caso se tiene la ecuación de una recta con pendiente y 0 .
Variando y 0 se obtiene una familia de rectas. Una solución no trivial resulta de la envolvente de está familia
de rectas.
En efecto la ecuación

38
 Figura 25: Familia de rectas y su envolvente en la Transformación de Legendre.

τ (q) = −qα(q) + f (α) (102)

0
se puede escribir como una ecuación de Legendre ya que α = −τ (q):

τ (q) = qτ 0 (q) + f (−τ 0 (q)) (103)

Por otro lado, derivando respecto de α la expresión f (α) = qα + τ (q), tenemos:

f 0 (α) = q + αq 0 (α) + τ 0 (q)q 0 (α) = q + αq 0 (α) − αq 0 (α) = q (104)

es decir f 0 (α) = q, y finalmente

f (α) = αf 0 (α) + τ (f 0 (α)) (105)

De está manera la transformación de Legendre permite pasar de la curva [α, f (α)] a la curva [q, τ (q)], usando
α = −τ 0 (q). La transformación inversa se obtiene usando q = f 0 (α), donde q es la pendiente de f (α).

Los valores extremos de f (α) se obtienen para q = 0, y los de τ (q) para α = 0. Si consideramos la cur-
va [α, f (α)] y hacemos α = 0, se obtiene f (0) = τ (q), es decir que τ (q) es la intersección de la tangente a
f (α) de pendiente q, con el eje vertical α = 0. En particular, τ (q) = 0 corresponde a la pendiente q = 1, ya
que en este caso f (α) = α y f 0 (α) = q = 1.

En la figura de la izquierda se tiene:

f (α) − τ
q= (106)
α

39
5. DIMENSION FRACTAL
La medida Zq es un tipo de función de partición:
X
Zq = pqi (107)
i

Zq depende del parámetro q en la forma siguiente:

Si q = 0, Zq es la medida del soporte independientemente de los pi .
P
Si q = 1, Zq = i pi = 1, pues la suma de las probabilidades está normalizada.
Si q es positivo y grande, Zq privilegia las regiones de mayor pi
Si q es negativo y su valor absoluto es grande, Zq privilegia regiones de menor pi
La ley de potencia que hemos encontrado contiene una parte puramente geométrica (el soporte) y otra ligada
a la masa:
α−f (α) α−[τ (q)+qα] (1−q)α−τ (q)
ε1 = ε1 = ε1 (108)
donde ε1 = ε1/ log m .

Definición: τ (q) = (q − 1)Dq donde Dq es la dimensión fractal generalizada.

De aquı́:
α−f (α) (1−q)(α+Dq )
ε1 = ε1 (109)
La dimensión fractal generalizada Dq toma la parte puramente geométrica, mientras que α es el exponente
de masa.

El valor de Dq se calcula cuando la dimensión ε de las celdas tiende a cero:

τ (q) 1 Zq
Dq = lı́m = lı́m log (110)
ε→0 q−1 q − 1 ε→0 log ε
log i pqi
P
1
= lı́m (111)
q − 1 ε→0 log ε
Si q = 0 tenemos la medida del soporte, es decir la dimensión de capacidad.
P
pi log pi
Si q = 1 tenemos la dimensión de información: D1 = lı́mε→0 i log ε
P
La información I = i pi log pi es proporcional a la entropı́a negativa. Más exactamente, la definición clásica
de la entropı́a en la estadı́stica de Boltzmann es:
X
S = −k pi log pi = −k∂q Zq |q=1 (112)
i

k siendo una constante positiva.

40
6. Apéndice
PROPIEDAD: La función A(α) es decreciente.
Demostración:
log i pα
P
i
A(α) = (113)
1−α
derivando respecto a α
1 X 1 1 X α
A0 (α) = log pα
i + p log pi (114)
(1 − α) i pi i i
2
P α
(1 − α) i
" #
1 X
α 1 X α (1−α)
= log pi + P α pi log pi (115)
(1 − α)2 i i pi i

Podemos usar la propiedad del logaritmo2

 
ax + by a log x + b log b
log >
a+b a+b

de donde llegamos a
" #
1 X X pα (1−α)
0 α i
A (α) < log pi + log P α pi (116)
(1 − α)2 i i i pi
" P #
1 X
α i p i 1 X
= log p i + log P α = log pi = 0 (117)
(1 − α)2 i i pi (1 − α)2 i

por lo que
A0 (α) < 0 (118)

2 se puede demostrar gráficamente

41
Referencias
[1] Per Bak: How Nature Works.
[2] Mandelbrot: The Fractal Geometry of Nature.
[3] Feder: Fractals.
[4] Froyland: Introduction to Chaos.

[5] Baker-Gollub: Chaotic Dynamics.

42