GEOMETRÍA FRACTAL Página 63

CAPÍTULO 6

FRACTALES ESTOCASTICOS

6.1 EL MÉTODO DE MONTE CARLO

Los fractales que se han visto hasta ahora, de particular belleza, son
estrictamente matemáticos. Si se considera la auto-semejanza en sentido estadístico, se
obtienen fractales más reales. La teoría matemática que soporta estos fractales
estocásticos dista de ser simple, pero generarlos computacionalmente, es sencillo.

Los métodos basados en el azar se conocen como métodos de Monte Carlo o

métodos estocásticos y se los utiliza para introducir el azar controlado en una estructura
fractal. La computadora puede generar una secuencia suficientemente larga de números
al azar por medio del siguiente método: se elige un número arbitrario de cuatro dígitos,
designado como la “semilla”; se lo eleva al cuadrado y luego se eliminan tantos dígitos
de su extremo izquierdo como del derecho, de manera de tener otra vez un número de
cuatro dígitos en el centro, y así siguiendo. De este modo se obtiene una sucesión de
números al azar comprendidos entre 0 y 9999; esta sucesión es determinística pues ha
sido construida de manera regular, a pesar de su aspecto caótico. Es un ejemplo de
“caos determinista”.

En la práctica, la orden “random” hace que la computadora forme un grupo de

ceros y unos que se puede considerar como un número al azar comprendido entre 0 y 1 .
Escrito en notación decimal, este número tendrá ocho dígitos después de la coma.
Partiendo de algún punto inicial (la “semilla”), la computadora produce una sucesión de
números pseudoaleatorios de longitud arbitraria.

Ejemplo: Sea el árbol que se presentó en el parágrafo 5.5 donde se tomaron 12 niveles,
esto es, 20 + 21 + 22 + … + 212 = 8 191 puntos calculados en forma determinística.
Supóngase que se desea introducir la aleatoriedad del siguiente modo: sea una
sucesión de puntos al azar P 0 , P 1 , P 2 , … donde cada punto se obtiene del
anterior por medio de la transformación L o la transformación R. Esta condición
puede expresarse mediante el comando “random”: si random < ½ ,
entonces: P n+1 = L P n ; de lo contrario P n+1 = R P n .

En el caso del conjunto de Cantor, las transformaciones son las siguientes:

x 2 x
L : x´ = , R : x´ = 
3 3 3

Si se genera con el método de Monte Carlo una sucesión al azar tal como:
…L R L R R L R R R L R ,
que se lee de derecha a izquierda y si se toma el punto inicial x = 0 , se tiene la Tabla
GF Nro. 6.01. Introduciendo el azar como pequeñas perturbaciones, cuando se
construyen estructuras fractales, es factible utilizarlas como modelos para analizar
objetos naturales tales como árboles, plantas, nubes, esponjas y corales.
GEOMETRÍA FRACTAL Página 64

Tabla GF Nro. 6.01 - Aplicaciones sucesivas de los operadores L y R sobre x 0 = 0 .

Punto: Operador: x:
P0 0
P1 = R P0 R 0,2
P2 = L P1 L R 0,02
P3 = R P2 R L R 0,202
P4 = R P3 R R L R 0,2202
P5 = R P4 R R R L R 0,22202
P6 = L P5 L R R R L R 0,022202
P7 = R P6 R L R R R L R 0,2022202
……………… ……………………. …………..

Las Figs. GF Nro. 6.01; 6.02 y 6.03 muestran polvos fractales generados con el
método de Monte Carlo. Todo lo dicho sobre el conjunto de Cantor puede aplicarse, en
principio, a cualquier fractal construido con el método de Monte Carlo.

Fig. GF Nro. 6.01 - Polvo fractal generado con el método de Monte Carlo.

Fig. GF Nro. 6.02 - Polvo fractal generado con el método de Monte Carlo.
GEOMETRÍA FRACTAL Página 65

Fig. GF Nro. 6.03 - Polvo fractal generado con el método de Monte Carlo.

6.2 MOVIMIENTO BROWNIANO

En 1827 el botánico escocés Robert Brown22 notó que diminutas partículas

suspendidas en un líquido se movían siguiendo trayectorias sumamente irregulares. Este
fenómeno, así como el similar de las partículas de humo en el aire, fueron explicados
teóricamente nada menos que por Albert Einstein en 1905 como el resultado del
bombardeo molecular de las partículas. Después de sus trabajos fue posible la
comprobación experimental cuantitativa del origen de este fenómeno, comprobación que
se debió principalmente a Jean Baptiste Perrin23 que llegó a determinar el comportamiento
de las partículas “brownianas” y partiendo de ello, calculó el Número de Avogadro24, que
representa el número de moléculas existentes en un mol de cualquier sustancia.

En 1923, Norbert Wiener25 propuso para este fenómeno un modelo matemático

riguroso que exhibía un comportamiento estocástico similar al observado en el
movimiento browniano. Las trayectorias seguidas por este “proceso de Wiener” en el
espacio tridimensional son tan irregulares que tienen dimensión de Hausdorff igual a 2.
Este es un buen ejemplo de un fenómeno natural con apariencia fractal que puede
describirse mediante un modelo matemático simple.

2 2
ROBERT BROWN (1773-1858) observó por primera vez un movimiento sumamente irregular
en granos de polen suspendidos en agua. Entonces demostró que no se trataba de movimientos
exclusivos de los granos, puesto que otras partículas pequeñísimas de sustancias inorgánicas (carbón,
metales), suspendidas en un líquido cualquiera, también presentaban los mismos movimientos.
2 3
JEAN BAPTISTE PERRIN (1870-1942). Físico francés que por su determinación del Número
de Avogadro obtuvo el Premio Nóbel de Física en 1926.
2 4
AMEDEO AVOGADRO (1776-1856). Físico italiano que en 1811 enunció el principio que lleva
su nombre y que no fue aceptado hasta 1858.
2 5
NORBERT WIENER (1894-1964). Matemático estadounidense que fundó la Cibernética,
haciendo enormes contribuciones con sus investigaciones a distintas ramas de la matemática.
GEOMETRÍA FRACTAL Página 66

Siguiendo a Mandelbrot, se extiende el concepto de “fractal” a toda estructura

geométrica que posea auto-semejanza estadística. Así es posible afirmar que la
trayectoria de la partícula microscópica es una curva fractal browniana. Análogamente,
existen superficies brownianas o paisajes brownianos, que resultan sumamente
naturales. Pero es preciso hacer notar que, a pesar que los principios matemáticos
involucrados en los fractales brownianos son tan simples como la construcción de
sucesiones de transformaciones geométricas basadas en el azar, técnicamente el
problema es más complicado y constituye la base de la conocida “Computación
Gráfica”, de creciente importancia en el mundo tecnológico-científico.

Ejemplo: se construye el fractal de una línea browniana en el plano. Puede pensarse que
se trata de una línea costera o de la elevación de la tierra, referida a una línea
horizontal. Se toma para ello, un segmento y se lo divide, por ejemplo en 1 001
partes iguales: x 0 = 0 ; x 1 = 0,001 ; x 2 = 0,002 ; … ; x 1000 = 1 . Con la
computadora se genera una sucesión de mil números al azar: r 1 , r 2 , … , r 1000
comprendidos entre 0 y 1 . Mediante un adecuado factor de escala, se
representa para el k-ésimo punto, el valor de ( r 1 - ½ ) + ( r 2 - ½ ) + … + ( r k - ½ )
en función de x k = k / 1000 . De este modo se obtiene una sucesión de puntos
P 0 , P 1 , … , donde P 0 es el punto más a la izquierda del segmento original.
Como para cada k , ( r k - ½ ) está comprendido entre - ½ y + ½ , todo punto
queda estocásticamente un poco más arriba o un poco más abajo que el anterior.
El resultado es la curva que se muestra en la Fig. GF Nro. 6.04 .

Fig. GF Nro. 6.04 - Línea browniana. Incremento de la abscisa = 5; amplitud MÁX = 150.

6.3 SISTEMAS DINÁMICOS CAÓTICOS

Se llama “sistema dinámico” a todo sistema físico que varía con el tiempo. Los
sistemas dinámicos están presentes en todas las ramas de la ciencia y virtualmente en
todo aspecto de la vida. Los pronósticos meteorológicos son ejemplos de predicción en
un enorme sistema dinámico; las variables que cambian con el tiempo en dicho sistema
son la temperatura; la presión barométrica; la dirección y velocidad del viento; la
humedad; etc. La Economía es otro ejemplo de un sistema dinámico; las variaciones de
precios en la Bolsa de Valores, son una simple ilustración de la evolución temporal de
este sistema. Para analizar estas variaciones, es preciso considerar la relación existente
entre lo que ocurre y lo que ocurrirá en un futuro cercano: causa y efecto [25].
La pregunta que surge inmediatamente en este aspecto es la siguiente:
GEOMETRÍA FRACTAL Página 67

Si se conociera con todo detalle la evolución pasada de un proceso temporal, ¿podría

predecirse lo que le va a suceder en el futuro?
La respuesta a esta pregunta es a veces afirmativa y a veces negativa. Ésto
significa que algunos sistemas dinámicos son predictibles (se puede estar seguro de la
salida del Sol cada mañana) y otros no lo son (no puede asegurarse cuando va a llover).
La falta de predictibilidad debe ser estudiada dentro de la teoría matemática del “caos”,
que aparece con mayor frecuencia de la que esperamos, aun en sistemas dinámicos
simples. Intuitivamente, se dice que un sistema dinámico exhibe “caos” si posee una
dependencia sensible respecto de los valores iniciales; ésto es, si al tomar dos valores
iniciales suficientemente próximos, las trayectorias correspondientes a ambos, se separan.

Ejemplo: al estudiar modelos de crecimiento de poblaciones de insectos, aparece el

“factor malthusiano” a, nombre debido al conocido economista Malthus26 y que
representa el grado de fertilidad de la población de insectos. En 1845, Pierre F.
Verhulst (1804-1849) dedujo una ecuación para el crecimiento restringido de la
población: si se supone que la población máxima que tolera el medio ambiente
vale 1 y se parte de x insectos, entonces 1 - x mide el espacio que la naturaleza
permite para el crecimiento de dicha población. El modelo resulta:
x  a ( 1  x ) o bien considerando la ecuación recursiva:
x N 1  a x N ( 1  x N ) 0  xN  1 ,

donde x N es el porcentaje de población después de la generación N .

Si se considera f ( x N ) = a x N ( 1 - x N ) , resulta que esta función tiene en x N =

½ , un máximo de valor a / 4 , de modo que si se limita el factor a al intervalo
[ 0 , 4 ] , se estará seguro que la aplicación x N  f ( x N ) toma valores en el intervalo
[ 0 , 1 ] ; si 0 < a  1  x N  0 . Si 1 < a  2  x N  L , siendo L un
valor de equilibrio que puede ser calculado como sigue: L = a L ( 1 – L )  L = 1 - ( 1
/ a ) y la sucesión { x 1 , x 2 , … } resulta ser creciente o decreciente. Si 2 < a  3 ,
entonces la sucesión converge a 1 - ( 1 / a ) , pero de ambos lados; éste fenómeno se
llama oscilación. En el modelo biológico, si 1  a  3 , entonces existe un equilibrio
estable y se produce un balance en la naturaleza. La Tabla GF Nro. 6.02 resume los
resultados experimentales para a  3 .
Tabla GF Nro. 6.02 - Aumento en a y cociente entre incrementos sucesivos, para a  3 .

Cociente entre
m: a: Aumento en a: incrementos sucesivos:
1 3,000000 - -
2 3,449499 0,449499 -
3 3,544090 0,094591 4,75
4 3,564407 0,020313 4,26
5 3,568759 0,004352 4,67
6 3,569692 0,000933 4,67
7 3,569891 0,000199 4,70
8 3,569934 0,000043 4,60
Los valores de a para los cuales se producen transiciones de un ciclo a otro, son
llamados “puntos de bifurcación” y las transiciones son las “bifurcaciones”, de modo

2 6
THOMAS ROBERT MALTHUS (1766-1834). Economista británico que es considerado uno de
los fundadores de la escuela clásica. Autor de An Essay on the Principle of Population (1798), en la que
exponía su preocupación por el hecho que la población aumentara geométricamente mientras que la
producción de alimentos crecía a un ritmo aritmético.
GEOMETRÍA FRACTAL Página 68

que en la Tabla GF Nro. 6.02 , para un m dado, el valor de a corresponde a la aparición

de un ciclo de 2 m elementos.

El físico Mitchell Feigenbaum27 quedó sorprendido cuando notó que la sucesión

a 1 , a 2 , … , formaba una sucesión de tipo geométrico, siendo el valor del factor:
F = 4,6692016 … . Este factor se denomina “constante de Feigenbaum” y lo notable
es que aparece en modelos enteramente diferentes, cada vez que se produce un doblaje
de período repetido. F es entonces una constante universal, presente en muchos
problemas de Física, los que tienen en común una transición de fase; por ejemplo, el
comportamiento del helio (He), cerca del cero absoluto.

Para a  < a  4 , el modelo se comporta caóticamente o periódicamente. Para a

 3,83 , existe un ciclo estable de tres elementos que se llama “ventana de periodicidad”.
Entre a  y 4 , existe un número infinito numerable de ventanas, pero existe un número
infinito no numerable de valores de a , para los cuales el modelo es caótico.

La Fig. GF Nro. 6.05 ilustra el escenario de duplicación del período, para el

Proceso de Verhulst, donde: 2,9 < a < 4,0 y 0,0 < x < 1,33 . Se calcularon 600
generaciones para cada valor de a y se graficaron las últimas 150 . La región
enmarcada se presenta en la Fig. GF Nro. 6.06 . Las referencias de la Fig. GF Nro. 6.05 ,
son las siguientes:
a = 2,9 …….. punto límite único;
a = 3 ………. transición a un 2-ciclo;
a = 3,2 …… 2-ciclo;
a = 3,5 …… 4-ciclo;
a = 3,74 …… 5-ciclo;
a = 3,83 …… 3-ciclo;
a = 4 ……… caos.

Debe advertirse el alto grado de autosemejanza presente en estas figuras,

precursoras en este aspecto de los fractales de Mandelbrot. En la Fig. GF Nro. 6.06 , se
muestra el escenario de duplicación del período, para el Proceso de Verhulst, siendo
3,5352 < a < 3,5817 y 1,1079 < x < 1,1828 ; en ella, se calcularon 2200 generaciones
para cada valor de a y se graficaron las últimas 500 . La región enmarcada se presenta
en la Fig. GF Nro. 6.07 , en la que el escenario de duplicación del período, para el
Proceso de Verhulst, se grafica para 3,5684 < a < 3,5703 y 1,1224 < x < 1,1267 y donde
se calcularon 9500 generaciones para cada valor de a y se graficaron las últimas 2500 .

2 7
MITCHELL FEIGENBAUM que en (1975), estudiando las partículas elementales en Los
Alamos Laboratory, USA, descubrió una clase muy amplia de sistemas dinámicos no lineales que
exhibían transiciones al caos a través de bifurcaciones de duplicación de período.
GEOMETRÍA FRACTAL Página 69

Fig. GF Nro. 6.05 - Escenario de duplicación del período, para el Proceso de Verhulst:
2,9 < a < 4,0 y 0,0 < x < 1,33 . Se calcularon 600 generaciones para cada valor de a
y se graficaron las últimas 150 . La región enmarcada se presenta en la Fig. GF Nro. 6.06 .

Fig. GF Nro. 6.06 - Escenario de duplicación del período, para el Proceso de Verhulst:
3,5352 < a < 3,5817 y 1,1079 < x < 1,1828 ; se calcularon 2200 generaciones para cada
valor de a , graficándose las últimas 500 . Ver región enmarcada en la Fig. GF Nro.
GEOMETRÍA FRACTAL Página 70

6.07.

Fig. GF Nro. 6.07 - Escenario de duplicación del período, para el Proceso de Verhulst;
se grafica para 3,5684 < a < 3,5703 y 1,1224 < x < 1,1267 , calculándose
9500 generaciones para cada valor de a y graficándose las últimas 2500.