ZESZYTY NAUKOWE 169-184

Ireneusz WINNICKI1

FRAKTALE WOK NAS I KILKA SW O CHAOSIE

Streszczenie
W artykule zawarte s podstawowe informacje na temat geometrii fraktalnej oraz chaosu pojawiajcego si w obliczeniach. Przedstawione s w nim przykady struktur fraktalnych wystpujcych w rodowisku naturalnym, w tym w wybranych procesach atmosferycznych. Materia ten ma zachci ambitnych studentw do signicia do bardzo bogatej literatury.

Abstract
The article presents basic information on fractal geometry and chaos, which appeared during different calculations. Some examples of fractal structures in environment and in the processes in the atmosphere are included. This article is aimed to raise interest of ambitious students to refer them to the literature.

1. WSTP DEFINICJA FRAKTALA. FRAKTALE W NATURZE

Co to jest Fraktal wie kady, cho moe nie jest tego wiadomy. Jeeli kto nie potrafi poprawnie zdefiniowa tego terminu, to na pewno go sysza. Ot, fraktal jest pewn struktur samopodobn speniajc kilka warunkw, z ktrych najwaniejszym jest wymiar fraktalny Hausdorffa2 (waciwie: HausdorffaBesicovitcha). Ten konkretny warunek zakada, e wymiar Hausdorffa fraktala jest niemniejszy od jego wymiaru topologicznego. A to oznacza, e dowolna krzywa jakiego ksztatu jest topologicznym rwnowanikiem prostej linii i ma topologiczny wymiar wynoszcy jeden. Oznacza to rwnie, e wymiar krzywej nie moe by mniejszy od jednoci, a figury paskiej od dwch.
1

Prof. dr hab. in. wykada w Warszawskiej Wyzszej Szkole Informatyki. Jest etatowym pracownikiem Wojskowej Akademii Technicznej.

Felix Hausdorff (ur. 8 listopada 1868 roku we Wrocawiu (wwczas Breslau), zm. 26 stycznia 1942 roku w Bonn) niemiecki matematyk, jeden z twrcw topologii.

169

Ireneusz WINNICKI

Ponadto, musimy zapamita, e wymiar topologiczny punktu (oraz zbioru punktw) jest rwny zeru. Fraktal powstaje w wyniku niezbyt zoonej procedury geometrycznej. Jednak kada taka konstrukcja prowadzi do przyblienia, a nie do efektu ostatecznego. Tak wic: - Fraktale istniej jedynie jako idealizacja zjawiska. - Fraktale s obiektami granicznymi opisywanymi nie wzorem, ale zalenociami rekurencyjnymi. Z tego drugiego powodu wprowadzono wymiar Minkowskiego-Bouliganda w postaci granicy cigu liczbowego. Co to znaczy, e pewna struktura geometryczna jest samopodobna? Ot, najlepiej to wyjani na przykadzie linii prostej. Kady jej fragment jest podobny do caoci. Nie jest wane, czy z niej wytniemy odcinek o dugoci 1 kilometra, 1 metra, czy 10 centymetrw. Kady z tych fragmentw jest podobny do caej prostej. Jednak uwaga: prostej nie uwaa si za fraktal. Oprcz cechy samopodobiestwa, fraktal musi spenia warunki, ktrych prosta nie spenia. Zasada samopodobiestwa wystpuje w matematyce wielokrotnie. Jednym z najstarszych i najwaniejszych przykadw jest nasz ukad dziesitny. Jeden metr dzieli si na dziesi decymetrw, decymetr na dziesi centymetrw, centymetr na dziesi milimetrw itd. Z powyszego opisu wynika, e fragment zbioru powinien by podobny do caoci. Pojawia si naturalne pytanie: jak gboko moemy wchodzi w wydzielone fragmenty? Czy jest gdzie granica takiego zanurzania si i otrzymywania kolejnego mniejszego obiektu, ale podobnego do zbioru wyjciowego? Ot, w geometrii opisywanej rwnaniem rekurencyjnym nie ma takiej granicy. W matematycznym modelu fraktali wasno samopodobiestwa przenosi si na nastpn generacj nieskoczenie wiele razy. Ale w naturze jest! Shaun Lovejoy [3], [5], geofizyk kanadyjski, analizowa prawdziwe chmury na podstawie zdj satelitarnych. W wyniku tych bada doszed do nadzwyczajnego wniosku: nie do, e chmury s fraktalami, to jeszcze w sidmym zanurzeniu ich wymiar fraktalny jest taki sam. Taki stopie jednorodnoci jest praktycznie bezprecedensowy wrd zjawisk naturalnych. Przykady chmur, ktre najtrafniej obrazuj budow fraktaln przedstawiamy na rysunku 1.

170

FRAKTALE WOK NAS I KILKA SW O CHAOSIE

Rys. 1. Chmury Cumulus i Altocumulus. Prawy dolny rysunek jest wynikiem symulacji komputerowej

Lovejoy bada take opady deszczu, stwierdzajc, e granice obszarw pokrytych deszczem stanowi fraktal. Co wicej, deszcz ma tendencj do padania nieregularnymi zrywami, a jego zmiany w krtkich i dugich skalach czasu s podobne, tak wic czasowa struktura deszczu jest rwnie fraktalna. Niektre obiekty mog charakteryzowa si zmiennym wymiarem fraktalnym. Oznacza to, e (przykadowo) chmury lub byskawice na kilku pierwszych poziomach zanurzenia charakteryzuj si wymiarem fraktalnym D1, a na kilku kolejRys. 2. Byskawica nych wymiarem D2. Mamy wwczas do czynienia z przeplatajcymi si fraktalami, czyli tzw. multifraktalem. Zagadnienie to opisuje m.in. prof. Wiesaw Macek [19].

171

Ireneusz WINNICKI

Kolejnym fraktalem zaczerpnitym z natury jest wyadowanie atmosferyczne byskawica. Byskawica nie jest lini prost. W kadym jej fragmencie moemy doszukiwa si podobiestwa do obrazu wyadowania pocztkowego (rysunek 2). Wiemy ju, e miar samopodobiestwa jest pewna liczba, zwana wymiarem fraktalnym. Jej wyznaczenie w jednym przypadku jest proste, w innym do zoone. Opis tej metodyki mona znale w rnych rdach (patrz wykaz literatury).

Rys. 3. Podobiestwo fragmentw linii brzegowej

Rys. 4. Punkt Zabriskiego w Dolinie mierci ilustruje fraktalne uksztatowanie terenu

172

FRAKTALE WOK NAS I KILKA SW O CHAOSIE

Powyej zamieszczamy kilka innych przykadw takiego samopodobiestwa. Na rysunku 3 przedstawione jest zdjcie satelitarne wybrzea. Przy kadym kolejnym powikszeniu widzimy podobne fragmenty: mae zatoki, jakie pwyspy. W kadym przypadku linia brzegowa jest poszarpana. Na rysunku 4 prezentujemy tzw. Punkt Zabriskiego wierzchoki gr w Parku Narodowym Doliny mierci w Kalifornii jako przykad fraktalnego modelu terenu. Bardzo dobr ilustracj fraktala s kalafiory i brokuy, w szczeglnoci brokuy woskie (Romanesco broccoli, patrz rysunek 5).

Rys. 5. Brokuy woskie

Rys. 6. Spirala Fibonacciego (logarytmiczna) na brokule woskim. Jest to tzw. Zota spirala. Wspczynnik b jest zot liczb

173

Ireneusz WINNICKI

Budowa poszczeglnych ryczek brokuu woskiego wykazuje due podobiestwo do zotej spirali Fibonacciego, szczeglnego przypadku spirali logarytmicznej. Rozpoznajemy j na rysunku 6. Cech wspln fraktali wymienionych powyej jest przybliona metoda wyznaczania ich wymiaru. Polega ona na zliczaniu kwadratw bd szecianw obejmujcych swoj powierzchni lub objtoci wybrane fragmentu zbiorw. W ten sposb okrela si fraktalny wymiar linii brzegowej, chmur, opadw. Znamy metod cyrklow (podziakow), pudekow (kostkow) i inne. Przejdziemy teraz do bardziej zoonych zbiorw fraktalnych, budowanych nie przez natur, lecz czowieka.

2. PATEK NIEGU JAKO FRAKTAL I INNE CIEKAWE ZBIORY

Przykadw fraktali konstruowanych komputerowo na podstawie niezbyt zoonych algorytmw matematycznych jest nieskoczenie wiele. Jednym z nich jest krzywa Kocha geometryczne przyblienie 1/3 patka niegu. Krzywa Kocha jest przypadkiem funkcji cigej zmiennej rzeczywistej, nierniczkowalnej w kadym punkcie, tzw. funkcji Weierstrassa. Dugo L krzywej Kocha jest nieskoczona (rys. 9): (1) Patek niegu jest zoeniem trzech krzywych Kocha. Jego obwd rwnie ma dugo nieskoczon, pomimo tego, e te trzy krzywe ograniczaj obszar o skoczonym polu3 P (rys. 8): (2) Krzywa ta nie zawiera adnych odcinkw w kadym swoim
Rys. 7. Okrelenie dugoci krzywej Kocha
3

Wzr oglny ma posta

, gdzie a dugo inicjatora.

174

FRAKTALE WOK NAS I KILKA SW O CHAOSIE

punkcie ma zagicie, a wic w adnym nie ma stycznej. W efekcie nie jest rniczkowalna. Tak wic, wymiar fraktalny Ds krzywej Kocha jest wikszy, ni jego wymiar topologiczny, ktry wynosi jeden, ale mniejszy ni jego wymiar euklidesowy wynoszcy dwa. Skoro Ds krzywej Kocha jest wikszy ni dla linii, ale mniejszy ni dla powierzchni, mona w przyblieniu powiedzie, e krzywa Kocha to wicej ni linia, ale nie cakiem powierzchnia. Jaki jest zatem jej wymiar? Odpowied: (3) Skd taka dziwna warto? Ot, zgodnie z definicj wymiaru fraktalnego: N = s Ds skd (4)

gdzie: N liczba elementw powtarzajcych si, s skala podziau zbioru. A wic, szukamy takiej skali, w ktrej zbir wyjciowy, czyli inicjator, powtarza si. Najlepiej ograniczy si do pierwszego kroku (patrz rys. 7). Inicjator zosta podzielony na trzy elementy, czyli s = 3. Natomiast powielilimy go N = 4 razy. Std wynik (3). Analizujc kolejne etapy konstrukcji, widzimy, e zawsze fragment krzywej Kocha zawiera w sobie 4 (N = 4) kopie, kada dugoci 1/3 (s = 3) odcinka z poprzedniego kroku konstrukcji. Widzimy, e rzeczywicie wymiar krzywej Kocha zawiera si w przedziale 1 < Ds < 2.

Rys. 8. Zaleno pola powierzchni patka Kocha od numeru iteracji

175

Ireneusz WINNICKI

Rys. 9. Zaleno dugoci obwodu patka Kocha od numeru iteracji

Wymiar fraktalny obiektu charakteryzuje stopie jego nieregularnoci zoono struktury oraz okrela stopie wypenienia dostpnej przestrzeni przez dany obiekt. Wiemy, e wymiar fraktalny linii brzegowej Norwegii wynosi 1.52, Wielkiej Brytanii 1.36, a granic Polski tylko 1.14. Wymiar fraktalny jest z reguy duo wyszy ni wymiar topologiczny obiektu i wyraony jest najczciej liczb uamkow. Chocia znany jest obiekt, ktrego wymiar fraktalny jest liczb cakowit, rwn 2. Jest to piramida (gbka) Sierpiskiego. Przejdmy do kolejnego przykadu. Pamitamy z wstpu, e wymiar topologiczny punktu jest rwny zero. Takim fraktalem punktowym jest graniczna posta zbioru Cantora. Konstrukcja zbioru Cantora jest bardzo prosta. Odcinek dzielimy na trzy rwne czci i usuwamy rodkow (rysunek 10). Postpujemy tak z kadym z pozostaych dwch, czterech itd. odcinkw. Wraz z kolejnymi krokami liczba odcinkw ronie, a dugo kadego dy do zera. W efekcie dugo zbioru Cantora jest rwna zero. Otrzymalimy bowiem cig geometryczny, ktrego suma jest rwna:

(5)

176

FRAKTALE WOK NAS I KILKA SW O CHAOSIE

Rys. 10. Zbir Cantora

Jednak wymiar fraktalny zbioru Cantora jest rny od zera. Na podstawie pierwszego kroku jego konstrukcji widzimy, e liczba elementw powtarzajcych si N = 2, a odcinek wyjciowy podzielilimy na 3 mniejsze. Std s = 3. Zatem (6)

Rys. 11. Dywan Sierpiskiego. Jego pole powierzchni jest rwne 0 [11]

Rys. 12. Kostka Mengera [12]

Zbir Cantora jest zbiorem wyjciowym do konstrukcji innych fraktali: dywanu Sierpiskiego rysunek 11, czy te kostki (gbki) Mengera rysunek 12. 177

Ireneusz WINNICKI

Rys. 13. Trjkt Sierpiskiego. Wymiar fraktalny

[10]

3. CHAOS DETERMINISTYCZNY W MATEMATYCE I FIZYCE KILKA PRZYKADW

Chaos deterministyczny to wasno rwna lub ukadw rwna, polegajca na duej wraliwoci rozwiza na dowolnie mae zaburzenie parametrw. Dotyczy to zwykle nieliniowych rwna rniczkowych i rnicowych, opisujcych ukady dynamiczne (definicja na podstawie: Wikipedia.org). Jeeli rwnania opisuj zmiany ukadu w czasie, to niewielkie zaburzenie warunkw pocztkowych powoduje rosnce wykadniczo z czasem zmiany w zachowaniu ukadu dynamicznego. Zagadnienie to czsto jest czone ze stabilnoci ukadw oraz z definicj poprawnego sformuowania zagadnienia granicznego. Co to znaczy dua wraliwo na dowolnie mae zaburzenie parametrw? Ot, mamy ukad rwna liniowych [11]:

Oraz ten sam ukad z minimalnie zmienion praw stron b:

Otrzymalimy dwie pary rozwiza, zupenie innych. I chocia powysze przykady dotycz w oglnoci uwarunkowania macierzy, to bardzo dobrze oddaj istot omawianego zjawiska. Mae zmiany w warunkach pocztkowych (w tym przypadku w prawych stronach) wywoay bardzo due zmiany w rozwizaniu ukadu. Inny przykad. Poddamy iteracyjnemu przeksztaceniu proste rwnanie kwadratowe, znane w literaturze jako funkcja logistyczna: pi+1 = pi + r pi (1 pi), p0 = 0.01, r = 3.0 (7)

178

FRAKTALE WOK NAS I KILKA SW O CHAOSIE

W Tabeli 1 zamieszczono kolejne wartoci pi+1 (i = 0,1,...) tego przeksztacenia wyznaczone na dwch kalkulatorach osobistych (za [8]). Na stronie internetowej [23] zagadnienie to jest rozszerzone o arkusz kalkulacyjny Excel oraz trzeci kalkulator. Nie naley si zatem dziwi, e rozwizujc to samo (nawet bardzo proste) zadanie na rnych kalkulatorach, czasami otrzymujemy rne wyniki. Przy rozwizywaniu zagadnie bardziej zoonych posugujemy si komputerami. Jak si okazuje one te generuj bdy zaokrglania. W tabeli 2 zamieszczono rozwizanie tego samego problemu z wykorzystaniem 3 kompilatorw: Matlab, C++ oraz Compaq Visual Fortran.
Tab. 1. Obliczenia rekurencyjne na dwch kalkulatorach (patrz [8], s.84) Iteracja 1 2 3 4 5 6 10 15 20 25 30 50 CASIO fx-7000G 0.0397 0.15407173 0.5450726260 1.288978001 0.1715191421 0.5978201201 0.7229143012 1.270261775 0.5965292447 1.315587846 0.3742092321 0.0036616295 HP 28S 0.0397 0.15407173 0.545072626044 1.28897800119 0.171519142100 0.597820120080 0.722914301711 1.27026178116 0.596528770927 1.31558435183 0.374647695060 0.225758993390

Tab. 2. Obliczenia rekurencyjne dla p = 0.01, r =3.0: ten sam komputer, rne kompilatory (obliczenia wasne) Iteracja 1 2 3 4 5 10 50 55 57 60 100 Matlab 0.0397 0.15407173 0.5450726260444213 1.2889780011888006 0.1715191421091756 0.722914301179573 1.31399674660676 0.581591926507394 0.085438156362504 1.05273968653737 0.393788595636378 C++ 0.0397 0.15407173 0.5450726260444213 1.2889780011888006 0.1715191421091756 0.7229143011795721 1.3143395878296971 0.5361217643525467 0.1966620808234614 0.0001875776026813 0.9050692605962565 CVFortran 0.039699999119 0.154071726687 0.545072615855 1.288977993755 0.171519169865 0.722912979476 0.790536917691 0.030301775607

179

Ireneusz WINNICKI

Rozwizania te przedstawiaj tzw. przebieg nieuporzdkowany. Przebiegi stabilny i niestabilny prezentuj rysunki 14 i 15 opracowane na podstawie danych z tabeli 3.
Tab. 3. Obliczenia rekurencyjne dla p=0.01, r=2.0 i r=3.02 ten sam komputer, rne kompi-latory obliczenia wasne Iteracja 1 10 46 50 53 54 75 90 100 120 130 140 150 155 160 1000 r = 2.0 Matlab 0.029800000000 0.908077060698 0.950091385236 0.951929397831 1.042764334448 0.953578088951 1.036922272850 0.963379653811 0.965162892534 0.968066877593 0.969271347780 0.970349435408 0.971321800385 1.026711612425 0.972204662171 0.988769045891 CVFortran 0.029799999338 0.908077065063 0.950091385917 0.951929398440 1.042764333979 0.953578089499 1.036922272553 0.963379654080 0.965162892766 0.968066877772 0.969271347940 0.970349435551 0.971321800514 1.026711612315 0.972204662289 0.988769045899 r = 3.02 Matlab CVFortran 0.039898000000 0.039897998926 0.479532933630 0.479536779228 1.073999017080 1.337735917606 0.931471083910 -2.600728081154 1.333682614730 -0.010298025616 Przebieg niestabilny Przebieg niestabilny

Rys. 14. Przebieg stabilny dla p = 0.01 i r = 2.0 (Matlab, Compaq Visual Fortran) obliczenia wasne

180

FRAKTALE WOK NAS I KILKA SW O CHAOSIE

Rys. 15. Przebieg niestabilny dla p = 0.01 i r = 3.02 (Matlab) obliczenia wasne

Zauwamy, e rwnania (8) pi+1 = pi + r pi (1 pi) i (9) pi+1 = (1 + r) pi r pi2 z matematycznego punktu widzenia s rwnowane. Ale czy na pewno? Poniej (tabela 4) przytaczamy cig kolejnych wartoci iteracyjnych pi+1 wyznaczonych zgodnie z (8) i (9):
Tab. 4. Funkcja logistyczna. Obliczenia wasne wykonane na platformie Compaq Visual Fortran Iteracja 1 2 10 14 20 27 35 45 58 pi+1 = pi + r pi (1 pi) 0.039699999119 0.154071726687 0.722912979476 0.521649906617 0.597880187132 0.141718403381 0.048581975466 1.199809837084 1.167729362478 pi+1 = (1 + r) pi r pi 0.039699999119 0.154071726687 0.722912979476 0.521649906616 0.597880187171 0.141718400296 0.048581975466 1.200596470286 0.031189917534
2

Okazuje si, e szybciej lub wolniej, niezalenie od precyzji oblicze, jzyka programowania oraz typu maszyny obliczeniowej pojawiaj si rnice w tego typu cigach wartoci. Wniosek jest prosty komputery te nie s wolne od chaosu. 181

Ireneusz WINNICKI

Jednym z pierwszych, ktry uwiadomi sobie pod koniec lat 50-tych wag chaosu w ukadach deterministycznych by amerykaski meteorolog i matematyk, Edward Norton Lorenz (1917 2008). Na przykadzie matematycznych modeli uywanych w dugoterminowym prognozowaniu pogody Lorenz uzasadni zjawisko niemonoci przewidywania zachowania si ukadw deterministycznych. Dzisiaj wiemy, e w czasach wspczesnych nie bdziemy dysponowa wiarygodn prognoz pogody na duej ni 72 godziny. Dlatego tak wany jest rozwijajcy si coraz prniej dzia prognoz pogody wykorzystujcy dane historyczne. Szczeglnie duo si o tym mwio podczas zimy 2009/2010. Lorenz analizowa ukad 12 rwna rniczkowych zwyczajnych. Prowadzi obliczenia na liczbach z dokadnoci do 6 miejsca po przecinku (0.506127) i ten sam model uruchamia nastpnie z tymi samymi danymi zapisanymi z dokadnoci do 3 miejsca po przecinku (0.506). Otrzymywa zupenie inne wyniki. Ta niewielka rnica 0.000127 w czasie symulacji pogody na dwa miesice staa si tak wielka jak same dane Rys. 16. Dziwny atraktor Lorenza jest fraktalem pocztkowe. Okazao si, e jeeli sama atmosfera zachowuje si w podobny sposb, to nie jestemy w stanie przewidzie pogody na najblisze dwa miesice. Te mae rnice powikszaj si do znacznych wartoci (patrz [8], [11], [23]). Poniej przedstawiamy ukad rwna dynamiki atmosfery w przyblieniu barotropowym, czsto utosamiany z modelem pytkiej wody:

(10)

182

FRAKTALE WOK NAS I KILKA SW O CHAOSIE

Pomimo tego, e ukad (10) jest jednym z najprostszych opisw dynamiki atmosfery, to i tak przy dostatecznie dugich obliczeniach wyniki kocowe niewiele maj wsplnego z rzeczywistoci. Wrmy do analizy Lorenza. Na rysunku 16 przedstawiamy dziwny atraktor, nazwany jego nazwiskiem, w postaci skrzyde motyla. Chcc powiedzie dokd pody punkt pocztkowy A (rysunek 17) po dugim czasie, musimy go okreli z nieskoczon dokadnoci podajc cakowity rozkad dziesitny, wszystkie cyfry a do nieskoczonoci! Z analizy rysunku 17 wynika, e nawet nie wiemy na ktr orbit skieruje si punkt A ju po kilku pierwszych iteracjach. Pamitamy, e komputery mog prowadzi obliczenia jedynie do okrelonej liczby miejsc Rys. 17. Atraktor Lorenza. Pierwsze iteracje dziesitnych ([8], [11]). Jeeli posugiwalimy si zupenie poprawnym modelem pogody, to nie moemy przy jego pomocy przygotowywa prognoz na duszy czas. Zjawisko to nosi nazw CZUEJ ZALENOCI OD WARUNKW POCZTKOWYCH i jest jedn z podstawowych wasnoci chaosu deterministycznego. Problem ten jest szczegowo opisany przez samego Lorenza (patrz [2]). Ze wzgldu na wag poruszanego zagadnienia na wielu stronach internetowych mona znale wspczesne analizy osigni Lorenza oraz prace dotyczce teorii chaosu. Skoro tak jest, to sawne pytanie Edwarda Lorenza postawione w 1972 roku: Can the flap of the butterfly wing stir up a tornado in Texas? lub jego inna obiegowa wersja: Does the flap of the butterflys wings in Brazil set off a tornado in Texas? pozostaje stale aktualne, chocia odpowied jest znana praktycznie NIE, w teorii TAK.

183

Ireneusz WINNICKI

Literatura
1. Kudrewicz J.: Fraktale i chaos. WNT, Warszawa 2004 2. Lorenz E. N., 1963: Deterministic nonperiodic flow. Journal of Atmospheric Sciences, Vol. 20: str. 130141 3. Lovejoy S., Marsan D., Schertzer D., 1996: Causal space-time multifractal processes: Predictability and forecasting of rain fields. Journal of Geophysical Research, vol. 101, D21. 4. Lovejoy, S., Schertzer D., 1995: Multifractals and Rain. New Uncertainty Concepts in Hydrology and Hydrological Modelling, Ed. A. W. Kundzewicz, 62-103, Cambridge Press. 5. Lovejoy S., Schertzer D., Tsonis A.A.: Functional Box-Counting and Multiple Elliptical Dimensions in Rain., Science, 1987: Vol. 235. no. 4792, pp. 1036 1038. 6. Mandelbrot B. B.: The Fractal Geometry of Nature., W. H. Freeman and Co., New York 1982. 7. Ott E.: Chaos w ukadach dynamicznych., WNT, Warszawa 1997 8. Peitgen H. O., Jurgens H., Saupe D.: Granice chaosu. Fraktale. Cz. 1, Wydawnictwo Naukowe PWN, Warszawa 1995 9. Peitgen H. O., Jurgens H., Saupe D.: Granice chaosu. Fraktale. Cz. 2, Wydawnictwo Naukowe PWN, Warszawa 1996 10. Schuster H. G.: Chaos deterministyczny. Wprowadzenie., Wydawnictwo Naukowe PWN, Warszawa 1993 11. Stewart I.: Czy Bg gra w koci. Nowa matematyka chaosu., Wydawnictwo Naukowe PWN, Warszawa 2001. 12. Strang G. W.: Linear Algebra and its Application., Academic Press, New York 1976. 13. http://en.wikipedia.org/wiki/Sierpinski_triangle#Analogues_in_higher_dimensions 14. http://mathworld.wolfram.com/SierpinskiCarpet.html 15. http://en.wikipedia.org/wiki/Universal_curve 16. http://www.mini.pw.edu.pl/MiNIwyklady/index.html 17. http://www.mini.pw.edu.pl/MiNIwyklady/minkowski/index.html 18. http://www.mini.pw.edu.pl/MiNIwyklady/fraktale/Platek/platek.html 19. http://www.portalwiedzy.pan.pl/images/stories/pliki/publikacje/acad_wer_full/03_06/16-18_ macek.pdf 20. http://www-users.mat.uni.torun.pl/~philip/festiwal.pdf 21. http://tages.fm.interia.pl/fraktale.html 22. http://projekt-fraktale.republika.pl/wymiary.htm 23. http://berith.webpark.pl/stro/nauk/nau1.html

184