Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FACULTAD DE INGENIERÍA,
CIENCIAS FÍSICAS Y MATEMÁTICA
CARRERA DE INGENIERÍA MATEMÁTICA
Dedicado a
LALALllalala
ii
AGRADECIMIENTO
Laallalalala
iii
AUTORIZACIÓN DE LA AUTORÍA INTELECTUAL
Yo, Pedro Gabriel Fernández Dalgo en calidad de autor del trabajo de inves-
tigación: EQUIVALENCIA DE ALGUNAS FORMULACIONES PARA LA
DEFINICIÓN DE DISTRIBUCIÓN TEMPERADA, autorizo a la Universidad
Central del Ecuador a hacer uso de todos los contenidos que me pertenecen o
parte de los que contiene esta obra, con fines estrictamente académicos o de
investigación.
CI: 1722056718
Telf: 0992875676
E-mail: gabrielmanfima1993@hotmail.com
iv
APROBACIÓN DEL TRABAJO DE INVESTIGACIÓN POR
PARTE DEL TUTOR
Yo, Dr. Borys Xxx Xxxx Xxxxx Ph.D., en calidad de tutor del trabajo de
titulación EQUIVALENCIA DE ALGUNAS FORMULACIONES PARA LA
DEFINICIÓN DE DISTRIBUCIÓN TEMPERADA, elaborado por el estudi-
ante Pedro Gabriel Fernández Dalgo, estudiante de la Carrera de Ingenierı́a
Matemática, Facultad de Ingenierı́a, Ciencia Fı́sicas y Matemática de la Uni-
versidad Central del Ecuador, considero que el mismo reúne los requisitos y
méritos necesarios en el campo metodológico y en el campo epistemológico, para
ser sometido a la evaluación por parte del jurado examinador que se designe,
por lo que lo APRUEBO, a fin de que el trabajo investigativo sea habilitado
para continuar con el proceso de titulación determinado por la Universidad
Central del Ecuador.
CI: 1715111111
Telf: 099999999
E-mail: tatatataa@gmail.com
v
APROBACIÓN DEL INFORME FINAL/TRIBUNAL
Fecha:.............................................
vi
CONTENIDO
DEDICATORIA ii
AGRADECIMIENTO iii
RESUMEN x
ABSTRACT xi
INTRODUCCIÓN 1
I RESULTADOS PRELIMINARES 7
1.1 Distribución Conjunta. . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Densidad Conjunta. . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Cambio de variable en vectores aleatorios bivariados. . . . . . . 9
II CÓPULAS 11
2.1 Definición de Cópula y propiedades . . . . . . . . . . . . . . . . 11
2.2 Teorema de Sklar . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3 Tipos de Cópulas . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3.1 Cópula producto . . . . . . . . . . . . . . . . . . . . . . 15
vii
2.3.2 Copula Gaussiana (Normal). . . . . . . . . . . . . . . . . 15
2.3.3 Cópulas Arquimedianas. . . . . . . . . . . . . . . . . . . 15
2.3.3.1 Cópula Clayton. . . . . . . . . . . . . . . . . . 17
2.3.3.2 Cópula Frank. . . . . . . . . . . . . . . . . . . 17
2.3.3.3 Cópula Gumbel. . . . . . . . . . . . . . . . . . 18
2.4 Estmación del parámetro de una cópula. . . . . . . . . . . . . . 18
2.4.1 Estimación por máxima verosimilitud. . . . . . . . . . . 19
2.4.2 Selección de la cópula. . . . . . . . . . . . . . . . . . . . 20
2.4.2.1 Criterio de Información de Akaike (AIC). . . . 20
2.4.2.2 Criterio de Información Bayesiano (BIC). . . . 21
IV APLICACIÓN 28
4.1 Modelos de evaluación de impacto . . . . . . . . . . . . . . . . . 28
4.2 Función de densidad para diferencias simples . . . . . . . . . . . 30
4.2.1 Cópula Clayton en diferencias simples . . . . . . . . . . 31
4.2.2 Cópula Frank en diferencias simples . . . . . . . . . . . . 31
4.2.3 Cópula Gumbel en diferencias simples . . . . . . . . . . 31
4.3 Función de densidad para variación relativa . . . . . . . . . . . 32
4.3.1 Cópula Clayton en variación relativa . . . . . . . . . . . 32
4.3.2 Cópula Frank en variación relativa . . . . . . . . . . . . 33
viii
4.3.3 Cópula Gumbel en variación relativa . . . . . . . . . . . 33
4.4 Función de densidad para diferencias en diferencias . . . . . . . 33
4.4.1 Cópula Clayton por diferencias en diferenicas . . . . . . 34
4.4.2 Cópula Frank por diferencias en diferenicas . . . . . . . . 35
4.4.3 Cópula Gumbel para diferencias en diferencias . . . . . . 36
BIBLIOGRAFÍA 42
ix
EQUIVALENCIA DE ALGUNAS FORMULACIONES PARA LA
DEFINICIÓN DE DISTRIBUCIÓN TEMPERADA
RESUMEN
x
EQUIVALENCE OF SOME FORMULATIONS FOR
DEFINITION OF TEMPERED DISTRIBUTION
ABSTRACT
I CERTIFY that the above and foregoing is a true and correct translation of
the original document in Spanish.
——————————–
Certified Translator
ID: ......................
xi
INTRODUCCIÓN
NOTACIONES
RESULTADOS DE ANÁLISIS
[a, b] que toman valores reales (o complejos). Si existe c ∈ [a, b] tal que la
+∞
sucesión numérica (fn (c))+∞ 0
n=1 converge, y la sucesión de las derivadas (fn )n=1
uniformemente en [a, b] para una función derivable f tal que f 0 = g, (Ver [1],
Lema 2.3, páginas 58-61; [2], Teorema 7, páginas 302-304).
Teorema 3. Sea (X, d) un espacio métrico completo y suponga que X =
+∞
[
Xn , donde Xn es cerrado en X para todo n ∈ Z+ . Luego, existe n0 ∈ Z+
n=1
1
tal que Xn0 tiene interior no vacı́o. Este resultado se conoce como Teorema de
Baire, (Ver [4], Teorema 4.7-2, páginas 247, 248).
TRANSFORMADA DE FOURIER
2
S (R), que cumple
Z
< T, ϕ >= lim ϕn (x)ϕ(x) dx, ∀ϕ ∈ S (R).
n→+∞ R
X 1 ||ϕ − θ||α,β
d(ϕ, θ) := α+β 1 + ||ϕ − θ||
, ∀ϕ, θ ∈ S (R),
α,β∈N
2 α,β
ϕ(y)
lim
= ϕ0 (0), si x = 0
y→0 y
θ(x) =
ϕ(x) ,
si x 6= 0
x
3
(Ver [6], Teorema 3.3, páginas 196-198).
Definición 4. Para cada ϕ ∈ S (R), se define la transformada inversa de
Fourier de ϕ, como
ϕ̌ : R −→ C
Z
1
x 7−→ √ ϕ(ξ)eiξx dx = ϕ̂(−x).
2π R
siempre que el lado derecho tenga sentido, (Ver [6], página 202).
Proposición 5. Si ϕ ∈ S (R) y f : R → C es continua y acotada, entonces
ϕ ∗ f ∈ C ∞ (R) y
(ϕ ∗ f )(α) = ϕ(α) ∗ f, ∀α ∈ N.
Si además, Z
(1 + |y|)α |f (y)|dy < +∞, ∀α ∈ N,
R
4
DEFINICIÓN DEL PROBLEMA
Este hecho ha sido de interés para la comunidad matemática, desde los ini-
cios de la teorı́a de distribuciones a finales de la década de 1940, por Laurent
Schwartz, lo que le llevó a ganar la medalla Fields durante el Congreso Inter-
nacional de Matemáticos (ICM), en Cambridge, Massachusets, USA, en 1950.
Sin embargo, la mayorı́a de tratados no presentan una prueba en detalle, o
acuden a resultados avanzados de espacios vectoriales topológicos. Debido a
esto, se quiere presentar una prueba detallada de estos resultados.
OBJETIVOS
Objetivo General
5
Objetivos Especı́ficos
6
CAPÍTULO I
RESULTADOS PRELIMINARES
2
Definición 7. Una función H ⊂ R es bicreciente si VH (B) ≥ 0 para todos los
rectángulos de B cuyos vértices están en DomH.
Lema 4. Sean S1 y S2 subconjuntos no vacı́os de R, y sea H una función
bicreciente con dominio S1 × S2 . Sea x1 , x2 ∈ S1 , con x1 ≤ x2 , y sea y1 , y2 ∈
S2 ,con y1 ≤ y2 . Entonces la función t → H(t, y2 ) − H(t, y1 ) es no decreciente
en S1 , y la función t → H(x2 , t) − H(x1 , t) es no decreciente en S2 .
7
argumento.
Lema 6. Sean S1 y S2 subconjuntos no vacı́os de R, y sea H una función de
base y bicreciente, con funciones marginales, cuyo dominio es S1 × S2 . Sean
(x1 , y1 ) y (x2 , y2 ) puntos en S1 × S2 . Entonces
8
1.2 Densidad Conjunta.
Z xn Z x1
P (X1 ≤ x1 , ...Xn ≤ xn ) = ··· f (t1 , ...tn )dt1 · · · dtn , (1.3)
−∞ −∞
para todo x1 , ..., xn. Entonces f (x1 , ...xn ) es la función de densidad conjunta
de X1 ...., Xn (con f (x1 , ...xn ) ≥ 0).
fU,V (u, v) = fX,Y (g −1 (u, v)) |J(u, v)| para (u, v) ∈ g(I) (1.4)
en donde
−1
∂g1 ∂g1−1
J(u, v) = ∂g∂u−1 ∂v
−1
∂g2
∂u2 ∂v
9
k(y)
X
fX gi−1 (y) |Ji | .
fY (y) = (1.5)
i−1
ZZ
0
P ((U, V ) ∈ S) = P ((X, Y ) ∈ S ) = f (x, y)dxdy.
S0
ZZ ZZ
∂(x, y)
P ((U, V ) ∈ S) = f (x, y)| |dudv = g(u, v)dudv,
S ∂(u, v) S
10
CAPÍTULO II
CÓPULAS
Note que para todo (x, y) ∈ DomC 0 , 0 ≤ C 0 (x, y) ≤ 1, ası́ RanC 0 también es
un subconjunto de I.
11
Note que una cópula C, es una función de distribución multivariante cuyas
distribuciones marginales se distribuyen uniformemente entre [0, 1]. En el caso
bivariante, C(x, y) = P [X ≤ x, Y ≤ y]
C(x, 0) = 0 = C(0, y)
C(x, 1) = x y C(1, y) = y;
12
Esta ecuación es la versión cópula de las cotas de Fréchet-Hoeffding.
((F (x), G(y)), H(x, y))x, y ∈ R
define una función real C 0 cuyo dominio es RanF ×RanG que es una subcópula
por las propiedades de H, Luego, para cada u ∈ RanF , existe un x ∈ R tal
que F (x) = u. Ası́ C 0 (u, 1) = C 0 (F (x), G(∞)) = H(x, ∞) = F (x) = u.
La demostración de las otras propiedades de subcópulas se realizan de forma
similar.
Lema 8. Sea C 0 una subcópula. Entonces existe una cópula C tal que C(x, y) =
C 0 (x, y) para todo (x, y) ∈ C 0 ; es decir, una subcópula puede ser extendida a
una cópula.
13
Teorema 9. Sea H una función de distribución conjunta con marginales F y
G. Entonces existe una cópula C tal que para todo x, y
14
Cuando F y G son continuas, este corolario nos sirve como un método para
construir cópulas desde las funciones de distribución conjuntas.
15
plios rangos de dependencia. A coninuación se presentan ejemplos de la familia
Arquimediana.
Teorema 10. Sea ϕ : I → [0, ∞] una función continua y estrictamente decre-
ciente, tal que ϕ(1) = 0. Entonces la función
Donde
ϕ−1 (t), 0 ≤ t ≤ ϕ(0).
ϕ(−1) (t) = (2.10)
0, otro caso.
Para primera igualdad se utiliza que ϕ(0) + ϕ(v) ≥ ϕ(0) y la definición de ϕ(−1)
obteniendose el resultado.
Si una cópula C satisface las condiciones del Teorema, es llamada cópula Ar-
quimediana y la función ϕ(t) es su generador.
16
2.3.3.1 Cópula Clayton.
1 −α
ϕ(t) = (t − 1),
α
con la pseudoinversa
(α + 1)(uv)α
cα (u, v) = 1 . (2.12)
(uα + v α − (uv)α )2+ α
e−αt − 1
ϕ(t) = −ln ,
e−α − 1
17
con la pseudoinversa
1
ϕ(−1) (s) = − ln[1 + e−s (e−α − 1)],
α
(e−αu − 1)(e−αv − 1)
1
Cα (u, v) = − ln 1 + , α 6= 0. (2.13)
α e−α − 1
α(1 − eα )e−α(u+v)
cα (u, v) = (2.14)
(e−α − 1 + (e−αu − 1)(e−αv − 1))2
El generador
ϕ(t) = (−ln(t))α ,
con pseudoinversa
1/α
ϕ(−1) (s) = e−s ,
define la cópula
18
verosimilitud que se detalla a continuación.
Suponga que se tiene cierta cantidad de datos que, sin pérdida de generalidad,
asumimos provienen de una cópula. En principio no conocemos nada acerca de
la ”verdadera” cópula de la cual provienen los datos, ası́ que lo se hará es buscar
posibles candidatos dentro de las familia Arquimediana que se propondrá.
n
Y
f (x1 , ..., xn ; α) = cα (xi ).
i=1
n
Y
ς(α; Xn ) = cα (xi ).
i=1
n
X
l (α; Xn ) = log(cα (xi ))). (2.17)
i=1
19
α = argmax l (α; Xn ) (2.18)
α
20
2.4.2.2 Criterio de Información Bayesiano (BIC).
21
CAPÍTULO III
FUNCIÓN DE DENSIDAD
En este capı́tulo se muestra como utilizar las cópulas para estimar la función
de densidad de transformación de variables aleatorias
Para estimar las marginales se utiliza la estimación tipo núcleo que es un tipo
de estimación no paramétrica.
n
ˆ 1 X x − Xi
fn (x) = K . (3.1)
nhn i=1 h
Z x
F̂X (x) = fˆX (t)dt (3.2)
−∞
22
3.2 Estimación de los parámetros de dependencia
n
X
l(α) = ln(cα (xi , yi )))
i=1
"Z n n
#
x Z x
1 X t − Xi 1 X t − Yi
= α · log K( ) dt · K( ) dt
−∞ nhx i=1 hx −∞ nhy i=1 hy
" Z n
!α
x
1 1 X t − Xi
+ log(α + 1) + + 2 log K( ) dt
α −∞ nhx i=1 hx
Z x n Z y n
!α
1 X t − Xi 1 X t − Yi
− K( ) dt · K( ) dt
−∞ nhx i=1 hx −∞ nhy i=1 hy
Z y n
!α #
1 X t − Yi
+ K( ) dt (3.3)
−∞ nhy i=1 hy
23
n
X
l(α) = ln(cα (xi , yi )))
i=1
n
X
l(α) = ln(cα (xi , yi )))
i=1
" n n
!#
x Z y
t − Xi t − Yi
Z
1 X 1 X
= − log K( ) dt · K( ) dt
−∞ nhx i=1 hx −∞ nhy i=1 hy
" Z x n
!#
1 X t − Xi
+ (α − 1)log ln K( ) dt
−∞ nhx i=1 hx
" Z y n
!#
1 X t − Yi
+ (α − 1)log ln K( ) dt
−∞ nhy i=1 hy
3.3 Cópulas
24
3.3.1 Cópula Clayton
donde
x n
t − Xi
Z
1 X
FX (x) = K( ) dt
−∞ nhx i=1 hx
x n
t − Yi
Z
1 X
FY (y) = K( ) dt
−∞ nhy i=1 hy
Por las ecuaciones (2.11) y (3.2), la cópula Gumbel toma la siguiente forma:
25
Cα (u, v) = Cα (FX (x), FY (y))
" n
!!α
x
t − Xi
Z
1 X
= exp − −ln K( ) dt
−∞ nhx i=1 hx
n
!!α !−1/α
x
t − Yi
Z
1 X
+ ln K( ) dt (3.8)
−∞ nhy i=1 hy
El Teorema de Sklar muestra que las cópulas se pueden utilizar para estimar
la distribución conjunta, donde u = FX (x) y v = FY (y), esto es
∂2
C(u, v) = fX,Y (x, y)fX (x)fY (y)
∂u∂v
Luego
26
∂2
fX,Y (x, y) = Cα (u, v) · fX (x)fY (y)
∂u∂v
∂2
∂u∂v
C(u, v) es la densidad cópula y se la representa por c(u, v). Entonces
27
CAPÍTULO IV
APLICACIÓN
Cuando los supuestos son realistas, el grupo de control es una buena repre-
sentación del contra-factual, cuando los supuestos no son realistas, la estimación
del impacto del programa resulta sesgada, lo cual puede conducir a tomar malas
decisiones, y generar pérdidas [6].
28
Los métodos de evaluación se describen a continuación.
• Diferencia simple.
Mide las diferencias después del programa entre aquellos que participaron
en el programa x y aquellos que no y. En el grupo de comparación se
encuentran los individuos que no participaron en el programa, y para los
cuales se tiene datos después del programa.
x − y.
• Variación relativa
Mide las diferencias después del programa entre aquellos que participaron
en el programa x y aquellos que no y, con respecto a alguno de los dos
grupos de interés, por ejemplo, con respecto a aquellos que no partici-
paron.
x−y
. (4.1)
y
• Diferencias en diferencias
29
no cambian con en el tiempo y todos los cambios en el tiempo que afectan
al grupo tratado y no tratado de igual manera. Existen algunas desven-
tajas para la utilización de este método, si los dos grupos se hubieran
desarrollado de manera diferente en la ausencia del programa existe un
sesgo de selección, por lo que se necesita un grupo no afectado por el
programa y datos anteriores a la intervención [6].
(xf − x0 ) − (yf − y0 ).
Se definen Z = X y W = X − Y . Entonces
1 0
J(z, w) =
=1
0 1
x = z; y = z − w.
30
4.2.1 Cópula Clayton en diferencias simples
Por las ecuaciones (4.2) y (2.19) la transformación vı́a copula Clayton se expresa
como sigue
Por las ecuaciones (4.2) y (2.19) la transformación vı́a copula Frank se expresa
como sigue
Por las ecuaciones (4.2) y (2.19) la transformación vı́a copula Gumbel se expresa
como sigue
31
4.3 Función de densidad para variación relativa
X−Y
Se definen Z = X y W = Y
. Entonces
1 0
J(z, w) = = X
y1 −X Y2
Y2
x−y
Luego se resuelve z = x y w = y
y se obtiene
z
x = z; y= (4.6)
w+1
z z x
fZ,W (z, w) = cα (FX (z), FY ( )) · fX (z)fY ( ) 2, (4.7)
w+1 w+1 y
Por las ecuaciones (4.2) y (2.19) la transformación vı́a copula Clayton se expresa
como sigue
z z
fZ,W (z, w) = cα (FX (z), FY ( )) · fX (z)fY ( ),
w+1 w+1
z
(α + 1)(FX (z)FY ( w+1 ))α · fX (z)fY (z − w)
= α 2+ 1 (4.8)
(FX (z))α + FY ( w+1
z
) − (FX (z)FY ( w+1 z
))α α
32
4.3.2 Cópula Frank en variación relativa
Por las ecuaciones (4.2) y (2.19) la transformación vı́a copula Frank se expresa
como sigue
z z
fZ,W (z, w) = cα (FX (z), FY ( )) · fX (z)fY ( ),
w+1 w+1
z
α(1 − e−α )e−α(FX (z)+FY ( w+1 )) · FX (z)FY ( w+1
z
)
= z (4.9)
(e−α − 1 + (e−αFX (z) − 1)(e−αFY ( w+1 ) − 1))2
Por las ecuaciones (4.2) y (2.19) la transformación vı́a copula Gumbel se expresa
como sigue
z z
fZ,W (z, w) = cα (FX (z), FY ( )) · fX (z)fY ( ),
w+1 w+1
z z
= (FX (z)FY ( ))−1 (ln(FX (z))ln(FY ( )))
w+1 w+1
z
)) w2/α−2 + (α − 1)w1/α−2
· Cα (FX (z), FY ( (4.10)
w+1
z z
donde w = (−ln(FX (z)))α + (−ln(FY ( w+1 )))α y, Cα (FX (z), FY ( w+1 )) es la
cópula Frank.
Se utiliza la transformación
33
Se definen R = X0 , S = Xf , W = Y0 , y Z = (X0 − Xf ) − (Y0 − Yf ). Entonces
1 0 0 0
−
0 1 0 0
J(g 1) = = −1 (4.11)
0 0 1 0
−1 −1
1 1
r = x0
s = xf
w = y0
z = (x0 − xf ) − (y0 − yf ))
y se obtiene
x0 = r
xf = s
y0 = w
z2 = s − r − z + w
Cα (u1 , u2 , u3 , u4 ) = (u−α −α −α −α
1 + u2 + u3 + u4 − 3)
−1/α
. (4.13)
34
La densidad de esta cópula es
· (1 + 2α)(1 + 3α)u−α−1
1 u−α−1
2 u−α−1
3 u−α−1
4 (4.14)
fE,S,W,Z (r, s, w, z) = cα (FX0 (r), FXf (s), FY0 (w), FYf (s − r − z + w))
donde
35
Por las ecuaciones (4.17) y (4.12) se sigue que
donde
donde
36
donde A esta definida en y, Cg es la cópula Gumbel.
37
y para todo x ∈ R \ (−M, M ), usando (4.21) se tiene que
De (4.22) y (4.23) se sigue que para todo x ∈ R, |Φ(α) (x)| < (1 + |x|2 )K .
K
|Φ(j) (x)| ≤ Cj (1 + |x|2 ) j .
38
Sean α, β ∈ N. Luego, usando (4.24), se sigue que para todo x ∈ R,
β
α (β)
X
α β (j) (β−j)
|x (Φϕ) (x)| = x Φ (x)ϕ (x)
j j=0
β
α
X β
≤ |x| |Φ(j) (x)||ϕ(β−j) (x)|
j=0
j
β
α
X β
Cj (1 + |x|2 )Kj |ϕ(β−j) (x)|
≤ |x|
j=0
j
β
α
X β
Lj Cj (1 + |x|2Kj )|ϕ(β−j) (x)| .
≤ |x|
j=0
j
Entonces,
β
X β
= Lj Cj ||ϕ||α,β−j + ||ϕ||α+2Kj ,β−j < +∞. (4.25)
j=0
j
−−−−→ 0.
n→+∞
39
n=1 converge a Φϕ en S (R).
Usando el Teorema 4, se obtiene que (Φϕn )+∞
ΦT : S (R) −→ C
ϕ 7−→ < ΦT, ϕ >=< T, Φϕ >,
40
CAPÍTULO V
41
BIBLIOGRAFÍA
[1] Borys Álvarez Samaniego, Problema de Cauchy para una ecuación no lineal,
no local, proveniente de la Dinámica de Fluidos, Memorias de la “I Escuela
de Verano en Matemáticas y Fı́sica”, ISBN: 978-9942-945-08-2, Editorial
Universitaria (UCE), Núcleo de Investigadores Cientı́ficos (UCE), Junio
2015.
[2] Elon Lages Lima, Curso de Análise, Volume 1, Sétima Edição, Projeto
Euclides, Instituto de Matemática Pura e Aplicada (IMPA), Rio de Janeiro,
1992.
[3] Elon Lages Lima, Curso de Análise, Volume 2, Terceira Edição, Projeto
Euclides, Instituto de Matemática Pura e Aplicada (IMPA), Rio de Janeiro,
1989.
[4] Erwin Kreyszig, Introductory Functional Analysis with Applications, United
States of America, John Wiley & Sons, Inc., 1978.
[5] Ivan F. Wilde, Distribution Theory (Generalized Functions) Notes, Novem-
ber 9, 2005, 66 pages.
[6] Rafael Iório Júnior & Valéria de Magalhães, Equações Diferencias Parcias:
Uma Introdução, Projeto Euclides, Instituto de Matemática Pura e Apli-
cada (IMPA), Rio de Janeiro, 1988.
[7] Rafael Iório Júnior & Valéria de Magalhães, Fourier Analysis and Partial
Differential Equations, Cambridge University Press, United Kingdom, 2001.
[8] Robert G. Bartle, The Elements of Integration and Lebesgue Measure,
United States of America, John Wiley & Sons, Inc., 1995.
[9] Walter Rudin, Functional Analysis, Second Edition, Singapure, McGraw-
Hill, Inc., 1991.
42