Teoría de automejora de desigualdades de tipo Poincaré

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Teoría de automejora de desigualdades de tipo Poincaré"

Transcripción

1 UNIVERSIDAD AUTONOMA DE MADRID Facultad de Cencas Departamento de Matemátcas Teoría de automejora de desgualdades de tpo Poncaré Memora presentada para optar al grado de Doctor en Cencas Matemátcas Presentada por: Ana Jménez del Toro Drgda por: D. José María Martell Berrocal Madrd, 22 de Julo de 2013

2

3 UNIVERSIDAD AUTONOMA DE MADRID Facultad de Cencas Departamento de Matemátcas Teoría de automejora de desgualdades de tpo Poncaré Memora presentada para optar al grado de Doctor en Cencas Matemátcas Presentada por: Ana Jménez del Toro Drgda por: D. José María Martell Berrocal Madrd, 22 de Julo de 2013

4

5 A ms padres

6

7 Prefaco En los campos del Análss armónco y las Ecuacones en Dervadas Parcales podemos encontrar varas estmacones con propedades de automejora de la ntegrabldad de las funcones nvolucradas. Algunas stuacones cláscas en las cuales las funcones automejoran su ntegrabldad son las sguentes. En R n con n 2, el teorema de nmersón de Sobolev afrma que W 1,p loc (Rn ) L p loc (Rn ), para todo 1 p < n y donde p = n p/(n p) es el índce de Sobolev conjugado de p (ver por ejemplo [SC4]). Más concretamente, comenzando con la desgualdad clásca de Poncaré-(1, 1) (1) f f dx C l() f dx, o con su versón en (1, p) ( 1/p (2) f f dx C l() f dx) p, se tene la sguente automejora en la ntegrabldad de la osclacón ( ) 1/p ( 1/p f f p dx C l() f dx) p. De esta forma s n 2 y 1 p < n se tene que s f L p loc (Rn ) con f L p loc (Rn ), entonces f L p loc (Rn ). En el caso p = n puede probarse que W 1,n loc (Rn ) está contendo en una clase de funcones exp L n loc (Rn ) con n = n/(n 1) a través de la desgualdad de Trudnger (obtenda en prmer lugar por Yudovch en [Yud]): ( 1/n (3) f f exp L n, f dx) n. Este tpo de automejoras exponencales aparecen tambén asocadas al espaco de funcones de osclacón meda acotada BMO: recordemos que f BMO s sup f f dx < R n 5

8 Teoría de automejora v La desgualdad de John-Nrenberg (ver [JoN]) establece que s f BMO (a pror f L 1 loc (Rn )) entonces, f es exponencalmente ntegrable en cada cubo : f f exp L, C. Esto claramente mplca que f L p loc (Rn ) para cualquer 1 p <. Lo msmo ocurre en el espaco L(α), α 0, que defnmos del sguente modo: f L(α) s verfca que 1 sup R n f f α <. Obsérvese que L(0) es el espaco BMO. Estas funcones tambén mejoran su ntegrabldad obtenéndose f f exp L, C α. En espacos más generales, como varedades de Remann, Saloff-Coste consderó propedades de automejora de desgualdades de Poncaré (ver [BCLS], [SC1], [SC2], [SC4]). Éstos son útles cuando estudamos grandes escalas del comportamento de solucones de ecuacones en dervadas parcales, tales como Laplace y ecuacones del calor, en estos contextos (ver, por ejemplo, [HaK1], [HaK2], [Jer], [SC2], [SC4], [VSCC]). Se puede ver que todas las stuacones anterores tenen en común que nvolucran a la osclacón de la funcón en algún cubo, vía f f. Bajo este punto de vsta y sn utlzar nnguna estructura dferencable, en [FPW], [MaP] y [OP] los autores generalzan la teoría clásca de automejora y extenden algunos resultados de [HaK2], [Fra], [GaN], [Lu], [Bus]. Se toma como punto de partda desgualdades de la forma: (4) f f dx a(, f), R n, donde a es un funconal que depende del cubo y en algunas ocasones de la funcón f. Bajo certas condcones de tpo geométrco sobre el funconal a, se establece que la desgualdad (4) esconde dferentes tpos de automejora. Así, en espacos de tpo homogéneo, en [FPW] consguen automejora de tpo L p, mentras que en [MaP] obtenen resultados de automejora exponencal y en partcular, la desgualdad de John- Nrenberg para funcones en BMO. [OP] contene resultados de automejora de tpo L p en el contexto euclídeo con medda no doblante. Por otro lado, se puede ver que la osclacón f f está íntmamente relaconada con el operador maxmal agudo de Fefferman-Sten M #. En [Ma1] se ntroduce un nuevo operador maxmal agudo asocado a una aproxmacón de la dentdad {S t } t>0 : M # S f(x) = sup f S t f dy, x

9 v Prefaco donde t es un parámetro que depende de la longtud del lado del cubo. Este operador permte defnr nuevos espacos de funcones, como son el espaco de osclacón meda acotada asocado a aproxmacones de la dentdad, BMO S de [DuY], y el espaco de Morrey-Campanato asocado a aproxmacones de la dentdad, L S (α) de [DDY] y [Tan]. Además, en [DuY] se muestra como comenzando con una estmacón de tpo (4) con a(, f) = C y la osclacón f f es reemplazada por f S t f, se consgue una propedad de automejora y el espaco BMO S y L S (α) satsfacen la desgualdad de John-Nrenberg correspondente (ver [DuY], [DDY] y [Tan]). Nosotros damos un paso más en esta teoría de automejora y estudamos la osclacón generalzada f S t f. En la prmera parte de la memora presentamos un método general que nos permte asegurar propedades de automejora de desgualdades de tpo Poncaré generalzadas asocadas a aproxmacones de la dentdad y semgrupos. Así, tomando como punto de partda una estmacón de la forma: (5) f S t f dx a(, f), R n, donde t = l() m y {S t } t>0 es una aproxmacón de la dentdad o un semgrupo cuyo núcleo decae sufcentemente rápdo (ver la Seccón 2.6), obtenemos, según las propedades que satsfaga el funconal a, dferentes estmacones de la osclacón f S t f. Las estmacones (5) serán denomnadas desgualdades de tpo Poncaré generalzadas, por su analogía con (1). Esta memora está dvdda en dos partes ndependentes. En la prmera se consderan resultados de automejora en el contexto euclídeo. El Capítulo 1 es la ntroduccón, donde explcamos en qué consste la prmera parte de la memora. En el Capítulo 2 se encuentran algunas defncones y resultados prevos. En el Capítulo 3 mostramos un método basado en el lema de recubrmento de Whtney y la técnca de las desgualdades de tpo buenas-λ (ntroducda por Burkholder y Gundy [BuG]) el cual nos permte obtener resultados de automejora en la escala de los espacos de Lebesgue de desgualdades de tpo Poncaré asocadas a aproxmacones de la dentdad o semgrupos, en el marco euclídeo R n y con la medda de Lebesgue dx (a veces reemplazamos la medda de Lebesgue por un peso de Muckenhoupt). Más concretamente, dada f verfcando (5), s a satsface certa condcón de tpo geométrco (a D r, ver la Seccón 2.5), entonces se obtenen estmacones de tpo L r, () para la osclacón generalzada f S t f. En partcular, estudamos algunas estmacones de tpo Poncaré expanddas que tenen en cuenta la falta de localzacón de las aproxmacones de la dentdad o de los semgrupos. Como consecuenca de este método, obtenemos desgualdades globales de tpo pseudo-poncaré y desgualdades de tpo fuerte. En el Capítulo 4 asumendo (5) con a un funconal no-decrecente (como en [MaP]

10 Teoría de automejora v escrbmos a T ), consegumos una estmacón de tpo exponencal para osclacones generalzadas. Tambén estudamos algunas estmacones de tpo Poncaré expanddas. En la segunda parte del trabajo extendemos esta teoría a los espacos de tpo homogéneo. Recordemos que (X, d, µ) es un espaco de tpo homogéneo s X es un conjunto dotado de una cuas-métrca d y una medda de Borel no-negatva µ verfcando la sguente condcón: µ(2 B) c µ µ(b) <, donde 2 B es la bola con el msmo centro que B y con rado doble. El prmer estudo sstemátco sobre los espacos de tpo homogéneo fue realzado por R.R. Cofman y G. Wess en el año 1971 (ver [CoW]), momento desde el cual podemos encontrar numerosas referencas sobre este tema. La hstoría de dcha teoría muestra cómo, en muchos casos, el ambente de trabajo es muy cercano al euclídeo y dferentes técncas utlzadas en el espaco euclídeo pueden ser adaptadas a los espacos de tpo homogéneo. Incluso, los espacos de tpo homogéneo pueden ser dotados de una estructura dádca. M. Chrst en [Chr] construye coleccones de conjuntos que mtan el comportamento de los cubos dádcos en el espaco euclídeo. Estos trabajos y algunos otros, como [MaS] de R.A. Macías y C. Segova, ponen de manfesto el alto grado de complejdad y refnamento que ha adqurdo el estudo de los espacos de tpo homogéneo. Además, este contexto se ha do revelando más natural para certas cuestones. Así, en la segunda parte de la memora, contnuamos el estudo realzado en la Parte I. Analzamos propedades de automejora, en la escala de los espacos de Lebesgue, de desgualdades de Poncaré generalzadas en espacos de tpo homogéneo. Del msmo modo que en la Parte I tomamos (5) como punto de partda, en el marco del espaco de tpo homogéneo y para funconales verfcando certas condcones de sumabldad, obtenemos estmacones en el espaco débl de Lebesgue con la osclacón f S t f en el lado zquerdo y una expansón de a sobre bolas dlatadas en el lado derecho. Estas extensones son análogas a las obtendas en la prmera parte de la memora y sus demostracones son más técncas. Es claro que el contexto euclídeo puede enmarcarse dentro de el de los espacos de tpo homogéneo, sn embargo, la geometría de estos últmos es a menudo más compleja. De este modo, a la hora de desarrollar estas técncas es convenente estudar prmero el caso de R n donde hay menos preocupacones de carácter geométrco. Cabe por ejemplo destacar que nuestro método utlza de forma fundamental la estructura dádca del espaco en cuestón y que en R n dchas estructura es más manejable. Así, las deas fundamentales de este trabajo se encuentran en la prmera parte de la memora donde estudamos el contexto euclídeo. La segunda parte extende dchas técncas a los espacos de tpo homogéneo, usando las msmas deas, pero en un contexto donde la geometría y la estructura dádca son más complejas. Por otro lado, las aplcacones de nuestro método resultan más nteresantes en el contexto de los espacos de tpo homogéneo donde, en prncpo, no tenemos estructura

11 x Prefaco dferencable. En algunos casos, como el de las varedades remannanas, pese a tener una estructura dferencable, las correspondentes desgualdades de Poncaré cláscas pueden fallar o no conocerse. Esta es en muchos casos una de las dferencas a la hora de buscar aplcacones de nuestro método. En la Seccón 7.3 mostraremos algunos ejemplos donde establecemos propedades de automejora para desgualdades de tpo Poncaré generalzadas en rangos donde las correspondentes desgualdades de Poncaré cláscas pueden no ser certas. Esta es quzás una de las motvacones prncpales para establecer una teoría de automejora en espacos de tpo homogéneo. La segunda parte de la memora está organzada del sguente modo. El Capítulo 5 es la ntroduccón. En el Capítulo 6 se encuentran algunas defncones y resultados prevos. El Capítulo 7 y el Capítulo 8 son las extensones a espacos de tpo homogéneo del Capítulo 3 y del Capítulo 4, respectvamente. Así, en el Capítulo 7 mostramos, en espacos de tpo homogéneo, resultados de automejora en la escala de los espacos de Lebesgue de desgualdades de tpo Poncaré asocadas a aproxmacones de la dentdad o semgrupos. En el Capítulo 8 consegumos estmacones de tpo exponencal para osclacones generalzadas en espacos de tpo homogéneo. En ambos capítulos obtenemos aplcacones en marcos donde pueden fallar o no conocerse las desgualdades de Poncaré. Este es el caso de algunas varedades remannanas con volúmen doblante y cotas superores gaussanas para el núcleo asocado al semgrupo del calor asocado al operador de Laplace-Beltram. Los resultados que se presentan en esta memora aparecen en los artículos: () Self-mprovement of Poncaré type nequaltes assocated wth approxmatons of the dentty and semgroups (con J.M. Martell), Potental Anal. 38, no. 3, (2013). () L p self-mprovement of generalzed Poncaré nequaltes n spaces of homogeneous type (con N. Badr y J.M. Martell), J. Funct. Anal. 260, no. 11, (2011). () Exponental self-mprovement of generalzed Poncaré nequaltes assocated wth approxmatons of the dentty and semgroups, Trans. Am. Math. Soc. 364, no. 2, (2012). El artículo () consttuye el Capítulo 3. En él obtenemos resultados de automejora en la escala de los espacos de Lebesgue de desgualdades de tpo Poncaré asocadas a aproxmacones de la dentdad o semgrupos en el contexto euclídeo. El artículo () corresponde al Capítulo 7. En él extendemos artículo () a espacos de tpo homogéneo. El artículo () se corresponde con los Capítulos 4 y 8. En éste consegumos estmacones de tpo exponencal para osclacones generalzadas en el espaco euclídeo y

12 Teoría de automejora x en espacos de tpo homogéneo. La bblografía de la memora ha sdo unfcada y puede encontrarse en las últmas págnas.

13 Agradecmentos uero dedcar unas líneas para expresar m agradecmento a todas las personas que de un modo u otro han contrbudo con su apoyo centífco y/o personal a que este trabajo se haya poddo realzar. En prmer lugar agradecer el excelente trato que sempre he recbdo del personal de los departamentos de Matemátcas de la Unversdad de Sevlla y de la Unversdad Autónoma de Madrd, en partcular, al Prof. Carlos Pérez le agradezco el haberme dado la oportundad de ncarme en la nvestgacón y ofrecerme la posbldad de venr a la Unversdad Autónoma de Madrd donde he trabajado bajo la supervsón de Chema Martell, a quen le agradezco el apoyo personal y profesonal que me ha ofrecdo; su pacenca, su energía, su tempo, su ayuda... Sn él este día nunca habría llegado. Gracas a su famla por abrrme las puertas de su casa y permtrme dsfrutar de sus hjos. A su antguo despacho: a Mate por prestarme su estufa cuando llegue ( qué frío pase ms prmeros días!), a Dan por su alegría y la tranquldad que me transmtía y a Javer por sus sugerencas. A J. L. Torrea no tengo palabras para agradecerle todo lo que ha hecho por mí. Ha sdo m abuelo en la UAM (no por la edad, no te lo tomes mal). Sno por su dsponbldad, pacenca, confanza, carño, consejos, amstad... Gracas por todos los detalles que ha tendo conmgo, por los cafés, comdas, excursones... Gracas por tantas rsas y buenos ratos. Gracas por nvtarme al CIMPA y gracas al grupo de nvestgacón al que he pertenecdo por facltarme r y realzar una estanca de nvestgacón en Argentna. Gracas a todos los membros del Insttuto de Matemátcas Aplcada del Ltoral (IMAL) de Santa Fe, de la Unversdad Naconal del Sur en Bahía Blanca y de la Unversdad Naconal de Comahue en Neuquén con los que trabajé, en especal a: Slva, Nora, Pola, Oscar, Roberto, Sheldy, Raquel y Ale, son ncreíbles. Gracas por vuestra hosptaldad, amabldad, entusasmo, enseñanza, nterés por m trabajo, dedcacón, empuje... A Magdalena e Ireneo por ser ms padres en la UAM: gracas por vuestra confanza, proteccón, entrega, carño... Gracas a ellos y a Gustavo por ayudarme en ms prmeros años de docenca, he aprenddo mucho de vosotros. Gracas a Eugeno por oblgarme a mpartr docenca, por su cercanía y por su labor de lector. 11

14 Teoría de automejora x Gracas a Fernando S. y Ana V. por ayudarme sempre con el papeleo y lo ben que sempre me han tratado. A Matteo B., D. Faraco y Jesús G. agradecerles el entusasmo con el que trabajan y las sugerencas dadas. A María Teresa Carrllo le agradezco sus palabras de esperanza, segurdad y ánmo y sus reflexones. Gracas por la lusón y motvacón para nvestgar que me deron los profesores Nadne B. y Javer S. (de la Unversté Pars-Sud en Orsay y de la Unverstat Autònoma de Barcelona, respectvamente), con quenes tuve la suerte de poder trabajar. Gracas a los becaros por las rsas, trastadas, por todos los ratos que hemos compartdo y por todo lo que me habés ayudado. A Lvu, Ángel, F. Holgado y M. Cea por acogerme tan ben y estar sempre dsponbles. A Nat por ser un ejemplo a segur, por su fuerza y espírtu de lucha y superacón. A Dana (la colombana) por ser tan buena amga. A Paco y Pedro por tener m acento cerquta. A Jose y Bentez por las rsas mañaneras y las peleas de chnchetas. A Angélca, Mar Luz, Mar Jose y Prmo por las rsas y por la tarde de las llaves (una de las más dvertdas en la UAM). A Davd y Jav por sus orgnales payasadas. A Carlos por su maga. A Mo, Elías y F. Charro por ser unos nños encantadores. A m despacho: A Pablo y Dan por ser ms dos grandes apoyos, ms nños. A Keth por las luchas con el are acondconado (gracas a él las arrugas tardaron algo más en aparecer). A Jose Manuel (el mallorquín) por su humor. A Sofía por nuestras charlas. A J. M. Castelero por darme el empujón necesaro para termnar esta tess. A ms compañeros de colegos por sus ánmos y a ms gyms por ser ms válvulas de escape. Por últmo, aunque los más mportantes, a m casa. Gracas por vuestra generosdad, por estar sempre dsponbles, ayudarme, apoyarme, confar en mí, valorarme... Al Bcho por entender y reírse de ms brujadas. A Vrgna por ser muy buena hermana y ayudarme sempre que se lo he peddo. A los señores decrles que aunque no lo dga nunca os quero mucho. Gracas por estar sempre, por dárnoslo todo, por los valores, educacón... Gracas por ser los mejores padres del mundo y gracas por ser tan pesaos. Gracas a todos por hacer posble que este día haya llegado. Gracas por darme la oportundad de realzar esta experenca, donde he conocdo a grandes personas y he aprenddo mucho (y no sólo de mates). GRACIAS!

15 Índce general I Espaco euclídeo R n Introduccón Prelmnares Cubos dádcos Operadores maxmales Pesos Espaco Exp Funconales Aproxmacones de la dentdad Automejora L p Resultados prncpales Demostracones Aplcacones Automejora Exp Resultados prncpales Demostracones Aplcacones II Espacos de tpo homogéneo Introduccón Prelmnares Espacos de tpo homogéneo Conjuntos dádcos Pesos Funconales

16 6.5. Aproxmacones de la dentdad Automejora L p Resultados prncpales Demostracones Aplcacones Automejora Exp Resultado prncpal Demostracones Aplcacones

17 Parte I Teoría de automejora en el espaco euclídeo R n 15

18

19 Capítulo 1 Introduccón El objetvo de esta parte de la memora es estudar extensones de los resultados de [FPW] y [MaP]. En [FPW], los autores presentan un método general basado en la teoría de Calderón- Zygmund y las desgualdades de tpo buenas-λ que permte establecer (bajo certas condcones de tpo geométrco sobre el funconal a) que la desgualdad (1.1) esconde una automejora de tpo L r, para r > 1. Sea a un funconal defndo sobre la famla de cubos de R n y f verfcando la sguente desgualdad: (1.1) f f dx a(), para todo cubo y donde f = f dx. Supongamos que exste 1 < r < de forma que a D r, esto es, a( ) r Ca r a()r, para cada y cualquer famla { } de subcubos de dsjuntos dos a dos. Entonces, (1.1) se automejora hasta obtener la sguente estmacón: f f L r,, C. Además, bajo certas condcones, las estmacones de tpo débl mplcan resultados de tpo fuerte. Este punto de vsta tambén permte obtener versones L r de la desgualdad de John-Nrenberg para funcones en BMO. Así, nuestro objetvo es reemplazar f f por f S t f, donde {S t } t>0 es una aproxmacón de la dentdad o un semgrupo (ver la Seccón 2.6), y presentar una teoría general que nos permta asegurar propedades de automejora de tpo L r de desgualdades de Poncaré generalzadas asocadas a aproxmacones de la dentdad y 17

20 Teoría de automejora en el espaco euclídeo R n a semgrupos a partr de (1.2) f S t f dx a(, f), para todo cubo R n y donde t = l() m y {S t } t>0 es una aproxmacón de la dentdad o un semgrupo cuyo núcleo decae sufcentemente rápdo (ver la Seccón 2.6). Las estmacones (1.2) serán denomnadas desgualdades de tpo Poncaré generalzadas. Nuestro método, basado en el lema de recubrmento de Whtney y la técnca de las desgualdades de tpo buenas-λ (ntroducda por Burkholder y Gundy [BuG]), nos permte obtener resultados de automejora en la escala de los espacos de Lebesgue de desgualdades de tpo Poncaré asocadas a aproxmacones de la dentdad o a semgrupos. El resultado prncpal del Capítulo 3 es el Teorema 3.1 (ver el Capítulo 2 para la notacón y defncones prevas): Sean {S t } t>0 como en la Seccón 2.6, 1 < r < y a D r. S f M verfca f S t f dx a(), para todo cubo y donde t = l() m, entonces, para cada, se tene que f S t f L r,, C k 0 2 2n k g(c 2 mk ) a(2 k ), donde g es una funcón con certas propedades que acota al núcleo de S t (ver la Seccón 2.6). S además a es doblante (a(2 ) C a()), entonces, para cada f S t f L r,, C a(). En el Capítulo 3 tambén obtenemos las sguentes extensones del resultado anteror: a espacos con pesos en los Teoremas 3.3 y 3.8 y a condcones D r que permtan que aparezca otro funconal en el lado derecho en los Teoremas 3.11, 3.13 y Como consecuenca de los resultados anterores mostramos algunas aplcacones. En prmer lugar, en el Ejemplo 3.26 mostramos que s f BMO S, donde { } BMO S = f M : sup f S t f dx <, entonces, tenemos la sguente automejora en su ntegrabldad local ( 1/r f S t f dx) r C <, 18

21 1. Introduccón para cada 1 < r < y para todo. Motvados por la desgualdad clásca de Poncaré-(1, 1) tenemos el Ejemplo Dado 1 p < n, escrbmos p = n p/(n p) que denota al índce de Sobolev conjugado de p. S la funcón f M verfca la desgualdad de Poncaré reducda : f S t f dx l() h dx, para todo cubo y donde h es una funcón medble no-negatva, entonces se automejora la ntegrabldad del lado zquerdo obtenéndose ( ) 1/r f S t f r dx ( 1/p σ(k) l(2 k ) h dx) p, k 0 para cada 1 < r < p, para todo y para alguna sucesón {σ(k)} k 0. Además, s p n, la estmacón anteror se satsface para cada 1 < r <. Por otro lado, en la Seccón consegumos desgualdades de tpo pseudo-poncaré globales: Para todo t > 0 y para cada 1 p < n y p r < p, 2 k f S t f L r (R n ) t (1 r 1 p ) n m h L r (R n ). Por últmo, en la Seccón se encuentran los ejemplos que consderamos más naturales, pues tomamos como punto de partda funcones verfcando desgualdades de tpo Poncaré expanddas que tenen en cuenta los efectos de cola. Debdo a que, en general, el semgrupo no localza, pensamos que este tpo de desgualdades expanddas son más nteresantes que las reducdas. Una aplcacón de nuestros resultados es el Ejemplo 3.34, en el que al no utlzar la desgualdad de Poncaré clásca, srve de motvacón para extenderlo a otros contextos: S L = dv(a ) es un operador elíptco de segundo orden con cotas gaussanas para el que e t L tdv satsface estmacones L p L p offdagonal con 1 p < fjo (ver [AM2], [HoM, Lemma 2.2]), entonces conclumos que f e t L f dx ( 1/p e c4k l(2 k ) f dx) p. k 0 2 k Esta estmacón y nuestros resultados de automejora nos permten conclur que para cualquer 1 < q < p s 1 p < n ó 1 < q < s p n se tene ( ) 1 f e t L f q q ( 1/p dx e c2k l(2 k ) f dx) p. k 0 2 k 19

22 Teoría de automejora en el espaco euclídeo R n Tras el estudo de las automejoras en la escala de los espacos de Lebesgue presentaremos las automejoras de tpo exponencal que generalzan [MaP]. En este trabajo se consderan funconales a no-decrecentes: a( 1 ) C a a( 2 ), para cada 1 2. Así suponendo que f verfca (1.1) se tene que f f exp L() C a(). En el Capítulo 4 trabajamos en el espaco exp L y estudamos propedades de automejora de tpo exponencal de desgualdades generalzadas de tpo Poncaré con un funconal no-decrecente a (escrbmos a T, como en [MaP]). El resultado prncpal es el Teorema 4.1 (ver el Capítulo 2 para la notacón y defncones prevas): Sea {S t } t>0 como en la Seccón 2.6 y a T. S f M verfca f S t f dx a(), para todo cubo y donde t = l() m, entonces, para cada cubo, se tene que f S t f exp L, C k 0 2 n k g ( 2 m(k 6)) a(2 k ). Tambén se satsface la versón con peso de la desgualdad anteror. Como aplcacón de este resultado, en el Ejemplo 4.5 mejoramos el resultado que consegumos en el Ejemplo 3.26: S f BMO S entonces, para todo, se tene que f S t f exp L, C <. En el Ejemplo 4.7 completamos los ejemplos estudados en la Seccón En partcular, contnuamos el estudo del Ejemplo 3.28 y demostramos que s p n y la funcón verfca una desgualdad de Poncaré reducda, entonces f S t f exp L, C ( 1/p σ(k) l(2 k ) h dx) p, k 0 para alguna sucesón {σ(k)} k 0. Por últmo, en el Ejemplo 4.8 contnuamos estudando desgualdades de tpo Poncaré expanddas y consegumos la sguente automejora: S f M satsface f S t f dx α(k) l(2 k ) h dx, k k 2 k

23 1. Introduccón para todo cubo, alguna sucesón {α(k)} k 0 de números no-negatvos y h una funcón medble no-negatva, entonces f S t f exp L, k 0 para certa sucesón {ˆα(k)} k 0. ( ˆα(k) l(2 k ) 2 k h p dx) 1/p, En la segunda parte del trabajo extendemos esta teoría a los espacos de tpo homogéneo. 21

24 Teoría de automejora en el espaco euclídeo R n 22

25 Capítulo 2 Prelmnares Trabajamos en el espaco euclídeo R n con la medda de Lebesgue dx (a veces cambaremos la medda de Lebesgue por la medda de Lebesgue con un peso de Muckenhoupt) y utlzamos la dstanca nfnta. Obvamente, todos los resultados pueden ser adaptados a la dstanca euclídea (pues en R n todas las dstancas son equvalentes). Recordemos que la dstanca nfnta entre x e y R n vene dada por x y = x y = máx 1 n x y. Por otro lado, asummos (sn pérdda de generaldad) que todos los cubos son de la forma n [ = a, a + l() ), =1 donde a R y l() es la longtud del lado del cubo. Denotamos por a su medda de Lebesgue (así, = l() n ). Dado un cubo R n y un parámetro λ > 0, denotamos por λ al cubo concéntrco con, de forma que l(λ ) = λ l(). Utlzamos la sguente descomposcón de R n en anllos dádcos: R n = k 2C k (), donde C 2 () = 4 y C k () = 2 k \ 2 k 1, para todo k 3. Además, s x 2 e y C k () para k 2 entonces, (2.1) x y m l() λ k, donde λ k = { 0, s k = 2, 2 m(k 3), s k 3. Pues s k = 2, tenemos que x y 0, y por lo tanto, λ 2 = 0. S k 3, tenemos que x y 1 2 (2k 1 1) l() 2 k 3 l(), 23

26 2.1. Cubos dádcos y así, λ k = 2 m(k 3), para k 3. Por otro lado, dado X un espaco de Lebesgue, de Marcnkewcz o de Orlcz (como L p, L p, o expl), escrbmos: f X, = f X(, dx ) y f X(w), = f X(, w w() ). Fnalmente, recordemos que A B sgnfca que el cocente A/B está acotado por una constante que no depende de las varables relevantes, A y B. Las letras C y c denotan constantes ndependentes de las varables esencales y pueden varar de una línea a otra Cubos dádcos Un ntervalo dádco en R es un ntervalo de la forma [j 2 k, (j + 1) 2 k ), con j, k Z. Defnmos estos ntervalos cerrados por la zquerda y abertos por la derecha, de modo que dferentes ntervalos dádcos de la msma longtud son sempre conjuntos dsjuntos. Un cubo dádco en R n es un producto de ntervalos dádcos de la msma longtud. Es decr, un cubo dádco es un conjunto de la forma n [j 2 k, (j + 1) 2 k ), con j 1,...,j n, k Z. =1 Introducmos la sguente notacón: D denota el conjunto de todos los cubos dádcos en R n y para cada k Z, D k denota la k-ésma generacón de D. Esto es, D k es el conjunto de todos los cubos dádcos de R n cuyos lados mden 2 k, así D = k Z D k. Algunas propedades fundamentales de los cubos dádcos son: (a) Dos cubos dádcos son dsjuntos o uno de ellos está contendo en el otro. Además, cada D k proporcona una partcón de R n en conjuntos dsjuntos. (b) Cada x R n pertenece a un únco cubo en D k, para cada k Z. De este modo, x genera una únca { k } k= cadena de cubos dádcos decrecente (esto es, k+1 k ) tal que, para cada k Z, k D k y {x} = k. 24 k=

27 2. Prelmnares Como consecuenca de las propedades anterores observamos que cada cubo dádco pertenece a una únca generacón D k para algún k Z y tene exactamente 2 n descendentes (subcubos de de la sguente generacón D k+1 ). Además, dado (no necesaramente dádco) podemos construr D() el conjunto de cubos dádcos relatvos a del sguente modo D() = D k (). k=0 Donde D 0 () =, D 1 () es la prmera generacón: el conjunto de los 2 n cubos descendentes de (construdos por bseccón de cada uno de sus lados). Dvdendo de este modo cada cubo descendente, formamos las famlas {D k ()} k 0. Este conjunto mantene las msmas propedades que D Operador maxmal y operador maxmal agudo Dada una funcón localmente ntegrable f y un cubo, denotamos la meda de f en del sguente modo: f = f(x) dx = 1 f(x) dx. El operador maxmal es el supremo de todas las medas de una funcón localmente ntegrable sobre aquellos cubos que contenen a un punto fjo: Mf(x) = sup( f ). x De esta forma, M está acotado en L (R n ), es de tpo débl (1, 1) y fuerte (p, p) para todo 1 < p <. El operador maxmal agudo es el supremo de todas las osclacones de una funcón localmente ntegrable sobre aquellos cubos que contenen a un punto fjo: M # f(x) = sup f(y) f dy. x 2.3. Pesos Un peso w es una funcón no-negatva y localmente ntegrable. Para cualquer conjunto medble E, denotamos w(e) = w(x) dx. E 25

28 2.3. Pesos Dada una funcón medble f y un cubo, la meda de f en respecto de w vene dada por f dw = f(x) dw(x) = 1 f(x) w(x) dx. w() Decmos que w es doblante s: w(2 ) C w w() <, para alguna constante 0 < C w < y para cada cubo. Una coleccón de pesos doblantes ben conocda, y con la cual trabajaremos, es la clase de pesos de Muckenhoupt. Ésta se defne del sguente modo: A = p 1A p. Para 1 < p <, decmos que w A p s exste una constante 0 < C < tal que ( ) ( p 1 w dx w dx) 1 p C, para todo cubo y donde p tal que 1/p + 1/p = 1 (entonces, 1 p = 1/(p 1)). Decmos que w A 1 s exste una constante 0 < C < tal que para cada cubo : w dx C w(y), para cas todo y ; o equvalentemente, s Mw(x) C w(x) para cas todo x R n. Ejemplos cláscos de pesos de Muckenhoupt son w(x) = x α con α > n (necestamos que w L 1 loc (Rn )). Se puede comprobar que: w A 1 n < α 0. w A p n < α < n (p 1). w A n < α. Otra clase de pesos con la que trabajaremos es la clase de pesos Reverse Hölder. Decmos que w RH p con 1 < p <, s exste una constante 0 < C < tal que para cada cubo : ( 1/p w dx) p C w dx. 26

29 2. Prelmnares Decmos que w RH s exste una constante 0 < C < tal que para cada cubo : sup ess w C w dx. Algunas propedades de estas clases de pesos son: Teorema 2.1 A p = RH p. 1 p< C w 1<p S w A exsten 1 p < y 1 < s de modo que w A p RH s. Así, para cualquer cubo y cualquer conjunto medble S, se tene: ( ) p 1 S (2.2) w(s) ( ) 1/s S w() C w. La prmera desgualdad es consecuenca del hecho de que w A p y la segunda de que w RH s. Las clases de Muckenhoupt son crecentes y las clases Reverse Hölder son decrecentes. Esto sgnfca que s 1 < p < q < entonces, A 1 A p A q y RH RH q RH p. Además satsfacen propedades de apertura : S w A p para algún 1 < p < entonces, w A p ǫ para algún 0 < ǫ <. S w RH p para algún 1 < p < entonces, w RH p+ǫ para algún 0 < ǫ < (Teorema de Gehrng). Las demostracones de estas afrmacones, así como otras muchas propedades de estas clases de pesos pueden encontrarse en [Duo], [GC-RF] o [Gra] Espaco Exp Este espaco fue ntroducdo por A. Zygmund (y E. C. Ttchmarsh) en 1928 y aparece de modo natural como caso límte de L p cuando p (ver [BeS] y sus referencas). El espaco exp L() se defne como el conjunto de todas las funcones f medbles en tales que para alguna constante C > 0: exp ( C f ) dx <. La norma de Luxemburg localzada y normalzada de expl() vene dada por { ( f exp L, = ínf λ > 0 : exp f ) } λ 1 dx 1. 27

30 2.5. Funconales Generalzando, el espaco exponencal con peso exp L(, w) es el conjunto de todas las funcones f medbles en tales que para alguna constante C > 0: exp ( C f ) wdx <, con norma: { f exp L(w), = ínf λ > 0 : ( exp f ) } λ 1 dw 1. Recomendamos consultar [BeS] y [RR] para conocer mejor el espaco exp L y los espacos de Orlcz Funconales Trabajamos con funconales de la forma: a : F [0, + ) a(, f) [0, + ) donde es la famla de cubos en R n y F certa famla de funcones. Cuando no nos nterese cómo a depende de f, escrbmos smplemente a(). El funconal a es doblante s exste alguna constante fnta y postva C a tal que para cada : a(2 ) C a a(). Recordemos las condcones D r, utlzadas en [FPW] para estudar propedades de automejora de desgualdades del tpo (4): Defncón 2.2 Sea µ una medda de Borel y 1 r <. Decmos que el funconal a verfca la condcón D r (µ) (escrbmos a D r (µ)) s exste una constante fnta C a 1 para la cual a satsface la sguente estmacón: (2.3) a( ) r µ( ) Ca r a()r µ(), para cada y cualquer famla { } de subcubos de dsjuntos dos a dos. Denotamos por a Dr(µ) ( a Dr(µ) 1) al ínfmo de las constantes C a. Cuando µ es la medda de Lebesgue smplemente escrbmos D r y dµ = w dx con w un peso dado, escrbmos D r (w). 28

31 2. Prelmnares La sguente condcón fue ntroducda en [MaP] con el fn de estudar resultados de automejora de tpo exponencal de desgualdades cláscas de tpo Poncaré: Defncón 2.3 Decmos que el funconal a es no-decrecente o verfca la condcón T (escrbmos a T ) s exste una constante fnta y postva C a tal que: (2.4) a( 1 ) C a a( 2 ), para cada 1 2. Denotamos por a T ( a T 1) al ínfmo de las constantes C a. S a T = 1, decmos que a es crecente. Notar que, debdo a la desgualdad de Hölder, las condcones D r (µ) son decrecentes: D r (µ) D s (µ) y a Ds(µ) a Dr(µ), para 1 s < r < y la condcón T es más fuerte que D r (µ), para cualquer 1 r <. Veamos algunos ejemplos que más tarde utlzaremos: a() = l() α ν() D n, donde 0 α < n y ν es una medda de Borel n α postva. Dados un cubo y { } una famla de subcubos de dsjuntos dos a dos, utlzando que n/(n α) 1, tenemos que a( ) n n α = ν( ) n = a() n n α. n α ( ) n n α ν( ) ν() n n α ( ) 1/p ν() a() = l() D p n, donde 1 p < n y ν es una medda de Borel n p postva. Dados un cubo y { } una famla de subcubos de dsjuntos dos a dos, utlzando que n/(n p) 1, tenemos que a( ) p n n p = ( ) ν( ) n n n p n p ν( ) ν() n n p = a() p n n p. En partcular, podemos afrmar que ( 1/p a() = l() f dx) p D p n, 1 p < n, n p pues basta tomar ν() = f p dx. 29

32 2.6. Aproxmacones de la dentdad a() = 1 T p 1 D p (µ), para cualquer µ medda de Borel postva. a() = ν() α T p 1 D p (µ), para cualquer µ medda de Borel postva y α 0. Dados dos cubos 1 2, tenemos que a( 1 ) = ν( 1 ) α ν( 2 ) α = a( 2 ). En [Per] o en [MaP] se pueden ver otros funconales y sus propedades Aproxmacones de la dentdad y semgrupos Trabajamos con famlas de operadores lneales {S t } t>0 que juegan el papel de aproxmacones de la dentdad generalzadas o de semgrupos. Asummos que estos operadores conmutan (es decr, S t S s = S s S t, para cada s, t > 0). Obsérvese que las famlas de operadores que forman un semgrupo (esto es, S s S t = S s+t, para todo s, t > 0) conmutan. Puede ser convenente pensar que {S t } t>0 es un semgrupo, pues esta es nuestra prncpal motvacón. A estos operadores tambén les exgmos que admtan la sguente representacón ntegral: S t f(x) = s t (x, y) f(y) dy. R n Los núcleos s t (x, y) son funcones medbles verfcando la sguente acotacón: (2.5) s t (x, y) 1 t n/m g ( x y m para alguna constante postva m y alguna funcón g postva, acotada, no-crecente y que para todo N 0 satsfaga que lím r r N g(r) = 0. Obsérvese que s en la expresón anteror fjamos N > 0, mponemos un decamento menor sobre g. Nosotros elegremos N sufcentemente grande de modo que las estmacones que obtengamos no sean trvales. Por otro lado, se puede ver que el decamento de g asegura que la representacón ntegral de S t tene sentdo para toda funcón f L p (R n ) y que los operadores S t están unformemente acotados en L p (R n ) para todo 1 p. Por otro lado, observamos que (2.5) nos conduce a un reescalamento entre el parámetro t y el espaco de las varables. Así, de ahora en adelante, dado un cubo, escrbmos t = l() m ; de modo que t y S t están adaptados o escalados a. 30 t ),

33 2. Prelmnares Consderamos una ampla clase de funcones para las cuales S t está ben defndo. Ésta es defnda en [DuY] del sguente modo: M = β>0 M β, donde M β es el conjunto de funcones medbles f tales que: ( ) f Mβ = f(x) β 1 + x dx <. R n En [DuY], los autores establecen que ( M β, Mβ ) es un espaco de Banach y que s f M entonces, S t f y S s (S t f) están ben defndas y son fntas en cas todo, para todo t, s > 0. Por últmo, menconamos algunos ejemplos de aproxmacones de la dentdad. Consderamos un operador elíptco de segundo orden asocado a A, una matrz real n n y con coefcentes en L (R n ). Esto es, defnmos un operador en forma de dvergenca elíptco de segundo orden Lf = dv (A f), entenddo en el sentdo débl como un operador maxmal, acretvo, en L 2 (R n, dx). El operador L genera el semgrupo {e t L } t>0 cuyo núcleo del calor tene cotas gaussanas; esto es, se verfca (2.5) para m = 2 y g(t) = C e c t. En dmensones n = 1, 2 tambén podemos consderar matrces con valores complejos. En partcular, s A es la matrz dentdad, L =, y {e t } t>0 es el semgrupo del calor clásco. Tambén podemos tomar los operadores S t = I (I e t L ) k, para algún k 1 fjo. En este caso perdemos la propedad de semgrupo. Sn embargo, aún tenemos la regla de conmutacón y el decamento gaussano, y podemos aplcar nuestros resultados a la famla {S t } t>0. En algunas aplcacones es nteresante tener k sufcentemente grande para obtener un decamento extra en las estmacones resultantes (ver [HoM], [Aus], [AM2] y sus referencas). 31

34 2.6. Aproxmacones de la dentdad 32

35 Capítulo 3 Automejora de tpo L p en R n de desgualdades de Poncaré generalzadas asocadas a aproxmacones de la dentdad y a semgrupos El propósto de este capítulo es presentar un método general que permta estudar propedades de automejora en la escala de los espacos de Lebesgue de desgualdades de tpo Poncaré asocadas a aproxmacones de la dentdad o semgrupos, en el marco euclídeo R n y con la medda de Lebesgue dx (a veces reemplazamos la medda de Lebesgue por un peso de Muckenhoupt). El capítulo está organzado del sguente modo: El resultado prncpal y sus dferentes extensones están en la Seccón 3.1. La Seccón 3.2 contene las demostracones de estos resultados. Las aplcacones se encuentran en la Seccón 3.3. Dedcamos las Seccones y a estudar varas desgualdades de tpo Poncaré. Prmero comenzamos con una estmacón cuyo lado derecho está localzado a un cubo dado. Después, tenemos en cuenta la falta de localzacón de las aproxmacones de la dentdad o de los semgrupos y en el lado derecho escrbmos una sere de térmnos que dependen de algunas de las dlatacones de los cubos. En este últmo caso obtenemos estmacones en la escala de los espacos de Orlcz. En la Seccón obtenemos desgualdades de tpo pseudo-poncaré globales. 33

36 3.1. Resultados prncpales 3.1. Resultados prncpales A contnuacón establecemos nuestro resultado prncpal que proporcona estmacones de automejoras de tpo débl a partr de (1.2) y la condcón D r. Después, mostramos una extensón con pesos (para pesos en la clase de Muckenhoupt). Fnalmente, generalzamos la condcón D r permtendo un funconal dferente en el lado derecho para obtener resultados con y sn pesos Automejora de tpo L r, Teorema 3.1 Sean {S t } t>0 como en la Seccón 2.6, 1 < r < y a D r. S f M verfca (3.1) f S t f dx a(), para todo cubo y donde t = l() m, entonces, para cada, se tene que (3.2) f S t f C L 2 2n k g(c 2 mk ) a(2 k ). r,, k 0 S además a es doblante, entonces, para cada : f S t f L r,, C a(). Observacón 3.2 La constante 0 < c < 1 depende sólo de m. Por otro lado, C 1 depende de n, m, r, a Dr, g(0), g(1) y del decamento de g. En la últma expresón, C depende tambén de la constante que hace que a sea doblante Extensones a espacos con pesos El Teorema 3.1 se puede extender a los espacos con peso A del sguente modo: Teorema 3.3 Sean {S t } t>0 como en la Seccón 2.6, w A, 1 r < y a D r (w) D 1. S f M verfca (3.1), entonces, para cada cubo, se tene que (3.3) f S t f L r, (w), C k n k g(c 2 mk ) a(2 k ). S además a es doblante, podemos escrbr C a() en el lado derecho de la desgualdad anteror. 34

37 3. Automejora L p Observacón 3.4 La constante 0 < c < 1 depende de m y C 1 depende de n, m, r, w, a Dr(w), a D1, g(0), g(1) y del decamento de g. Observacón 3.5 Obsérvese que (3.1) es una estmacón sn peso y a partr de ella consegumos otra con peso para la osclacón f S t f. Observacón 3.6 En el Teorema 3.1 no tene sentdo consderar el caso r = 1, pues (3.1) es más fuerte que (3.2) cuando r = 1. Sn embargo, en el Teorema 3.3 sí resulta nteresante este caso: (3.1) mde la osclacón generalzada de la funcón respecto a la medda de Lebesgue mentras que (3.3) lo hace respecto a una medda con peso. Observacón 3.7 En el resultado anteror exgmos la condcón D 1 debdo a que para demostrar el Teorema 3.3 utlzamos el Lema 3.15 y la Proposcón 3.18, más abajo. Sn embargo, s w A r y a D r (w) entonces, automátcamente a D 1. Para cualquer famla { } de cubos dsjuntos, la desgualdad de Hölder mplca que a( ) a( ) w( ) 1 r w 1 r ( ) 1 r ( ) 1 ( a( ) r r ) 1 w( ) w 1 r r ( ) a Dr(w) a() w() 1 r w 1 r () 1 r C a Dr(w) a(). Por otro lado, en la demostracón del sguente teorema, observamos que cuando S t es un semgrupo la condcón a D 1 no es necesara. Teorema 3.8 Sean {S t } t>0 un semgrupo, w A, 1 r < y a D r (w). S f M y verfca (3.1), entonces, para cada cubo, se tene que (3.4) f S t f L r, (w), C k 0 2 n k (1+s/r) g(c 2 mk ) a(2 k ), donde s = máx{r, s 0 } con s 0 tal que w A s0. S además a es doblante podemos escrbr C a() en el lado derecho de la desgualdad anteror. La demostracón de este resultado (como se puede ver más adelante) es dferente y más técnca que la del Teorema 3.3. Además, necestamos una prueba alternatva de la Proposcón Observacón 3.9 La constante C 1 en (3.4) depende de n, m, w, a Dr, g(0), g(1) y del decamento de g y 0 < c < 1 depende de m. S a es doblante, C depende tambén de la constante que hace que a sea doblante. 35

38 3.1. Resultados prncpales Observacón 3.10 S w A entonces, w A s0, para algún 1 s 0 < (ver [Gra]). Pero, como cabe esperar, cuanto más pequeño sea s 0 y más grande sea r (es decr, cuanto más fuerte sean las condcones sobre el peso y sobre el funconal), mejor será la estmacón (3.4). Obsérvese que s w = 1, entonces s 0 = 1 y s = r, y recuperamos el Teorema Más extensones Sguendo las deas de [FPW], extendemos los Teoremas 3.1 y 3.3 cambando la hpótess sobre el funconal a, de modo que la nueva condcón de tpo D r nos permta escrbr un funconal dferente en el lado derecho de la desgualdad (2.3). Teorema 3.11 Sean {S t } t>0 como en la Seccón 2.6 y 1 < r <. Supongamos que los funconales a y ā verfcan la sguente condcón de tpo D r : (3.5) a( ) r ā() r, para cada cubo y cualquer famla { } de subcubos de dsjuntos dos a dos. S f M verfca (3.1), entonces, para cada, se tene que (3.6) f S t f L r,, C k 0 2 2n k g(c 2 mk ) ā(2 k ). S además ā es doblante, podemos escrbr C ā() en el lado derecho de la desgualdad anteror. Observacón 3.12 Dados dos funconales a y ā y abusando en la notacón, decmos que (a, ā) D r s verfcan (3.5). Realzando los cambos oportunos, podemos generalzar el Teorema 3.3 permtendo un funconal dferente en el lado derecho de la condcón D r (w): Teorema 3.13 Sean {S t } t>0 como en la Seccón 2.6, w A, 1 r < y (a, ā) D r (w) D 1. S f M verfca (3.1), entonces, para cada cubo, se tene que (3.7) f S t f L r, (w), C k n k g(c 2 mk ) ā(2 k ). S además ā es doblante, podemos escrbr C ā() en el lado derecho de la desgualdad anteror. Enuncamos ahora una generalzacón del Teorema 3.8 en este contexto: 36

39 3. Automejora L p Teorema 3.14 Sean {S t } t>0 un semgrupo, w A, 1 r < y (a, ā) D r (w). S f M verfca (3.1), entonces, para cada cubo, se tene que (3.8) f S t f L r, (w), C k 0 2 n k (1+s/r) g(c 2 mk ) ā(2 k ), donde s = máx{r, s 0 } con s 0 tal que w A s Demostracones de los resultados prncpales Demostracón del Teorema 3.1 Defnmos un nuevo funconal ã : F (0, + ] dado por (3.9) ã() = 2 2 n k g ( 2 m(k 5) 3) a(2 k ). k 0 Fjamos un cubo para el cual ã() <. En caso contraro, no hay nada que probar. Tomamos (3.10) G(x) = f(x) S t f(x) χ 4 (x). Por el teorema de dferencacón de Lebesgue basta estmar MG L r, (R n,dx/ ), y para ello estudamos los conjuntos de nvel: (3.11) Ω t = {x R n : MG(x) > t}, para todo t > 0. Donde M es el operador maxmal sobre cubos no centrados. Dvdmos la demostracón en dos casos según sea el tamaño de t: para t pequeño, la estmacón es trval. Para t grande, utlzamos el recubrmento de Whtney adaptado a y certos resultados auxlares sobre {S t } t>0. Las demostracones de todos los resultados auxlares que vamos a utlzar las posponemos hasta el fnal de la Seccón El sguente lema es una herramenta muy útl que utlzamos repetdamente y cuya prmera consecuenca es que la funcón G es ntegrable. Lema 3.15 Sea {S t } t>0 como en la Seccón 2.6. S a D 1 y f M satsface (3.1), para cada cubo R y k N, se tene la sguente estmacón: f S tr f dx a D1 a(k R). k R 37

40 3.2. Demostracones Aplcando el resultado anteror, que a D r D 1 y ã() <, tenemos que G L 1 (R n ): (3.12) G L 1 (R n ) = f S t f dx 4 n a D1 a(4 ) c 0 ã() <, 4n 4 donde c 0 = a D1 g(1) 1. S además utlzamos que M es de tpo débl (1, 1) con constante 3 n, obtenemos: (3.13) Ω t 3n t G L 1 (R n ) < c 0 ã(). t Ahora nuestro objetvo es mostrar la sguente desgualdad que es la clave de la demostracón del teorema. Sea q > 1 sufcentemente grande, a elegr. Veamos que dado 0 < λ < 1, para todo t > 0, se satsface la sguente desgualdad de tpo buenas-λ ( ) r c0 ã() (3.14) Ω q t c λ Ω t + c, λ t donde c 1 depende de n, a Dr y g. S 0 < t c 0 ã() y 0 < λ < 1, (3.14) es nmedata: ( ) r ( ) r c0 ã() c0 ã() Ω q t < c λ Ω t + c. λ t λ t Para estudar el otro caso (t > c 0 ã()), construmos una malla de R n adaptada al cubo fjado. Esta malla se forma consderando traslacones y dlatacones de la estructura dádca clásca del sguente modo: dado = n [ =1 a, a +l() ), denotamos por D a la coleccón de cubos dádcos nducdos por y por D,k a su k-ésma generacón. Esto es: D = D,k k Z y, para cada k Z, D,k es el conjunto de cubos de la forma: n [ a + 2 k m l(), a + 2 k (m + 1) l() ), =1 con m 1, m 2,...,m n Z. Por construccón, esta descomposcón dádca tene las sguentes característcas: () S R D,k entonces, l(r) = 2 k l(). 38

41 3. Automejora L p () S R 1, R 2 D y R 1 R 2 Ø entonces, o ben R 1 R 2 o ben R 1 R 2. () R n = R, {R} R D,k es una famla de cubos dsjuntos dos a dos y D,0. R D,k Una vez construda la malla dádca, establecemos la sguente versón del lema de recubrmento de Whtney: Teorema 3.16 Dados R n y Ω un subconjunto propo y aberto de R n, exste una famla de cubos de Whtney { } D con las sguentes propedades: (a) Ω =. (b) Los cubos son maxmales respecto a la nclusón y, así, dsjuntos dos a dos. (c) l( ) < d(, Ω c ) 4 l( ) y por lo tanto, 10 Ω c Ø. Obsérvese que Ω t (dado por (3.11)) es un conjunto aberto, pues es un conjunto de nvel de MG (funcón semcontnua nferormente). Además, sabemos que G L 1 (R n ) y Ω t <, y por lo tanto, Ω t R n. Entonces, podemos aplcar el teorema anteror a Ω t y obtenemos el sguente resultado: Lema 3.17 Dados, t > 0 y G L 1 (R n ). Tomamos Ω t defndo por (3.11) y { t } su famla de cubos de Whtney. Entonces, se verfcan las sguentes propedades: (d) M ( ) G χ (2 t ) c (x) 23 n t, para todo x t. (e) G dx 10 n t, para todo k 1. 2 k t Así, dada la estructura dádca D y aplcando el Teorema 3.16 y el Lema 3.17, cubrmos el conjunto Ω t con la famla de cubos de Whtney { t }, para cada t > c 0 ã(). Además, como consecuenca de (3.13) y t > c 0 ã(), tenemos que Ω t <. Esto junto con el hecho de que t Ω t mplca que para todo : (3.15) l( t ) < l(). A contnuacón estudamos Ω q t : utlzando que los conjuntos de nvel están andados, escrbmos la sguente cadena de gualdades Ω q t = Ω q t Ω t = {x t : MG(x) > q t}. 39

42 3.2. Demostracones Debdo a que en el sumatoro anteror sólo contrbuyen aquellos t tales que t Ø, de ahora en adelante, sólo consderamos los cubos t (pues, t Ø, los cubos t son dádcos respecto a y verfcan (3.15)). Por otro lado, utlzando el apartado (d) del Lema 3.17, podemos localzar G(x) cuando x t del sguente modo: MG(x) M(G χ 2 t )(x) + M(G χ (2 t ) c )(x) M(G χ 2 t )(x) + 23 n t. De este modo, s q > 23 n, tenemos que (3.16) Ω q t {x t : M(G χ 2 t )(x) > (q 23 n ) t}. : t Notar que a pesar de que la estmacón de G está localzada al cubo 2 t esta funcón nvolucra a en su térmno S t f. Para reemplazar S t f por S t tf, necestamos el sguente resultado: Proposcón 3.18 Para todo x 2 t, se tene que St tf(x) S t f(x) ( ) C1 t + ã(), donde C 1 depende de n, a D1 y g. Observacón 3.19 En la demostracón de este resultado sólo utlzaremos que a D 1 y no la condcón más fuerte a D r. Así, para t > c 0 ã(), tenemos: M(G χ 2 t )(x) = M ( f S t χ 2 t ) (x) M ( f S t t f χ 2 t ) (x) + C1 ( t + ã() ) M ( f S t t f χ 2 t ) (x) + C1 (1 + c 1 0 ) t. Ahora elegmos q sufcentemente grande de modo que b = q 23 n C 1 (1 + c 1 0 ) > 0 y tomamos 0 < λ < 1. Entonces, la estmacón anteror junto con (3.16) mplcan que (3.17) Ω q t : t {x t : M ( (f S t t f) χ 2 t ) (x) > bt} = Γ 1 + Γ 2 = I + II, 40

43 3. Automejora L p donde { Γ 1 = t : 2 t } f S t tf dx λ t { y Γ 2 = t : 2 t } f S t tf dx > λ t. Estudamos cada uno de los sumandos por separado. Para I utlzamos que la funcón maxmal es de tpo débl (1, 1) y el Teorema 3.16, y obtenemos que I 3n f S t bt Γ 2 t tf dx λ 6n t b λ 6n Ω t. b 1 : t Para estmar II prmero recordamos que a D r D 1 y observamos que el hecho de que t Γ 2 y el Lema 3.15 mplcan que (3.18) λ t < f S t tf dx a D1 a(2 t ) y por lo tanto, 2 t Así, la sguente desgualdad es nmedata II Γ 2 t a r D 1 ( ) a(2 1 < a r t r ) D 1. λ t : t ( a(2 t ) λ t ) r 2 t. El sguente paso es aplcar la condcón D r, aunque no podemos hacerlo drectamente debdo a que los cubos de la famla {2 t } pueden no ser dsjuntos dos a dos. Sn embargo, como veremos más adelante, {2 t } 2 y además estos cubos pueden ser separados en c n (con c n 144 n ) famlas F j de cubos dsjuntos dos a dos. Entonces podemos utlzar la condcón a D r sobre cada famla F j y así, obtenemos que II a r D 1 c n j=1 : t F j a r D r ( c0 ã() λ t ( a(2 t ) λ t ) r. ) r ( ) 2 t a r a Dr a(2 ) r D 1 c n 2 λ t Volvendo a (3.17) con las estmacones obtendas para I y II, conclumos que ( ) r c0 ã() Ω q t < c λ Ω t + c, λ t 41

44 3.2. Demostracones para todo t > c 0 ã() y donde c depende de n, a Dr y g. Para completar la demostracón de (3.14) tenemos que probar la afrmacón anteror: {2 t } 2 y los cubos pueden ser separados en c n (con c n 144 n ) famlas F j de cubos dsjuntos dos a dos. El hecho de que 2 t 2 es consecuenca de (3.15): s x 2 t y x y x son los centros de t y, respectvamente, entonces x x x x + x x l( t ) + 1 l() l(), 2 por lo tanto, x 2. Obsérvese que hemos usado que, t D y (3.15) mplcan que l( t ) l()/2. Veamos ahora que 2 t Ω t, para todo : prmero, fjamos x 2 t, y por lo tanto d(x, t ) l( t )/2. Esto junto con la defncón de dstanca y la propedad fundamental del ínfmo mplca que dado ǫ > 0 exste x ǫ t tal que Por lo tanto, s y Ω c t, tenemos que x x ǫ d(x, t ) + ǫ l(t ) 2 + ǫ. d( t, Ωc t ) x ǫ y x y + x ǫ x x y + l(t ) 2 Puesto que la desgualdad anteror se satsface para todo x 2 t, y Ω c t y para todo ǫ > 0, podemos utlzar de nuevo la defncón de dstanca y escrbr que d( t, Ωc t ) d(2 t, Ωc t ) + l(t ) 2. Por últmo, observamos que esta desgualdad y el apartado (c) del Teorema 3.16 mplcan que + ǫ. (3.19) 0 < l(t ) 2 < d(2 t, Ω c t) 4 l( t ), y en partcular, 2 t Ω t, para todo. Veamos ahora que para cada x Ω t, se tene que s x k =1 2 t, entonces k 48n : sea d = d(x, Ω c t ) > 0, comprobamos que (3.20) k 2 t (x, 8 d), =1 42

DEFINICIÓN DE INDICADORES

DEFINICIÓN DE INDICADORES DEFINICIÓN DE INDICADORES ÍNDICE 1. Notacón básca... 3 2. Indcadores de ntegracón: comerco total de benes... 4 2.1. Grado de apertura... 4 2.2. Grado de conexón... 4 2.3. Grado de conexón total... 5 2.4.

Más detalles

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis

Tema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ

Más detalles

Capitalización y descuento simple

Capitalización y descuento simple Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los

Más detalles

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos. ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:

Más detalles

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández

Más detalles

Relaciones entre variables

Relaciones entre variables Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.

Más detalles

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de

Más detalles

EXPERIMENTACIÓN COMERCIAL(I)

EXPERIMENTACIÓN COMERCIAL(I) EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado

Más detalles

ACTIVIDADES INICIALES

ACTIVIDADES INICIALES Soluconaro 7 Números complejos ACTIVIDADES INICIALES 7.I. Clasfca los sguentes números, dcendo a cuál de los conjuntos numércos pertenece (entendendo como tal el menor conjunto). a) 0 b) 6 c) d) e) 0 f)

Más detalles

Smoothed Particle Hydrodynamics Animación Avanzada

Smoothed Particle Hydrodynamics Animación Avanzada Smoothed Partcle Hydrodynamcs Anmacón Avanzada Iván Alduán Íñguez 03 de Abrl de 2014 Índce Métodos sn malla Smoothed partcle hydrodynamcs Aplcacón del método en fludos Búsqueda de vecnos Métodos sn malla

Más detalles

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,

Más detalles

1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo

1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo EL ÁLGEBRA GEOMÉTRICA DEL ESPACIO Y TIEMPO. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA Defncón del álgebra geométrca del espaco-tempo Defno el álgebra geométrca del espaco y tempo como el álgebra de las matrces

Más detalles

Unidad Central del Valle del Cauca Facultad de Ciencias Administrativas, Económicas y Contables Programa de Contaduría Pública

Unidad Central del Valle del Cauca Facultad de Ciencias Administrativas, Económicas y Contables Programa de Contaduría Pública Undad Central del Valle del Cauca Facultad de Cencas Admnstratvas, Económcas y Contables Programa de Contaduría Públca Curso de Matemátcas Fnanceras Profesor: Javer Hernando Ossa Ossa Ejerccos resueltos

Más detalles

TEMA 4 Variables aleatorias discretas Esperanza y varianza

TEMA 4 Variables aleatorias discretas Esperanza y varianza Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón

Más detalles

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1 Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale

Más detalles

GUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22

GUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22 DOCENTE: LIC.GUSTO DOLFO JUEZ GUI DE TJO PCTICO Nº 22 CES: POFESODO Y LICENCITU EN IOLOGI PGIN Nº 132 GUIS DE CTIIDDES Y TJO PCTICO Nº 22 OJETIOS: Lograr que el lumno: Interprete la nformacón de un vector.

Más detalles

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,

Más detalles

Clase 25. Macroeconomía, Sexta Parte

Clase 25. Macroeconomía, Sexta Parte Introduccón a la Facultad de Cs. Físcas y Matemátcas - Unversdad de Chle Clase 25. Macroeconomía, Sexta Parte 12 de Juno, 2008 Garca Se recomenda complementar la clase con una lectura cudadosa de los capítulos

Más detalles

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor

Más detalles

1.1 Ejercicios Resueltos Tema 1

1.1 Ejercicios Resueltos Tema 1 .. EJERCICIOS RESUELTOS TEMA. Ejerccos Resueltos Tema Ejemplo: Probarque ++3+ + n 3 + 3 +3 3 + + n 3 n (n +) Ã n (n +)! - Para n es certa, tambén lo comprobamos para n, 3,... ( + ) + 3 (+) supuesto certa

Más detalles

Cifrado de imágenes usando autómatas celulares con memoria

Cifrado de imágenes usando autómatas celulares con memoria Cfrado de mágenes usando autómatas celulares con memora L. Hernández Encnas 1, A. Hernández Encnas 2, S. Hoya Whte 2, A. Martín del Rey 3, G. Rodríguez Sánchez 4 1 Insttuto de Físca Aplcada, CSIC, C/Serrano

Más detalles

Tema 3: Adaptadores de Señal

Tema 3: Adaptadores de Señal Tema 3: Adaptadores de Señal Sstema GENERAL de nstrumentacón (bloques( funconales): Señal sensor Fltrado, A/D Amplfcacón Rado, nternet bus de datos Medo Sensor prmaro Transductor de entrada Adaptacón de

Más detalles

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso

Más detalles

Unidad I. 1. 1. Definición de reacción de combustión. 1. 2. Clasificación de combustibles

Unidad I. 1. 1. Definición de reacción de combustión. 1. 2. Clasificación de combustibles 2 Undad I.. Defncón de reaccón de combustón La reaccón de combustón se basa en la reaccón químca exotérmca de una sustanca (o una mezcla de ellas) denomnada combustble, con el oxígeno. Como consecuenca

Más detalles

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................

Más detalles

Geometría convexa y politopos, día 1

Geometría convexa y politopos, día 1 Geometría convexa y poltopos, día 1 Alexey Beshenov (cadadr@gmal.com) 8 de agosto de 2016 Los objetos geométrcos que nos nteresan en esta hstora son subconjuntos de R n. Voy a denotar los puntos de R n

Más detalles

ALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República.

ALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República. 9/05/03 ALN - VD CeCal In. Co. Facultad de Ingenería Unversdad de la Repúblca Índce Defncón Propedades de VD Ejemplo de VD Métodos para calcular VD Aplcacones de VD Repaso de matrces: Una matrz es Untara

Más detalles

Índice de Precios de las Materias Primas

Índice de Precios de las Materias Primas May-15 Resumen Ejecutvo El objetvo del (IPMP) es sntetzar la dnámca de los precos de las exportacones de Argentna, consderando la relatva establdad en el corto plazo de los precos de las ventas externas

Más detalles

Material realizado por J. David Moreno y María Gutiérrez. Asignatura: Economía Financiera

Material realizado por J. David Moreno y María Gutiérrez. Asignatura: Economía Financiera Tema - MATEMÁTICAS FINANCIERAS Materal realzado por J. Davd Moreno y María Gutérrez Unversdad Carlos III de Madrd Asgnatura: Economía Fnancera Apuntes realzados por J. Davd Moreno y María Gutérrez Advertenca

Más detalles

UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009

UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009 UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas

Más detalles

TERMODINÁMICA AVANZADA

TERMODINÁMICA AVANZADA ERMODINÁMICA AANZADA Undad III: ermodnámca del Equlbro Fugacdad Fugacdad para gases, líqudos y sóldos Datos volumétrcos 9/7/ Rafael Gamero Fugacdad ropedades con varables ndependentes y ln f ' Con la dfncón

Más detalles

Pruebas Estadísticas de Números Pseudoaleatorios

Pruebas Estadísticas de Números Pseudoaleatorios Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =

Más detalles

Análisis de Regresión y Correlación

Análisis de Regresión y Correlación 1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón

Más detalles

TEMA 10. OPERACIONES PASIVAS Y OPERACIONES ACTIVAS.

TEMA 10. OPERACIONES PASIVAS Y OPERACIONES ACTIVAS. GESTIÓN FINANCIERA. TEMA 10. OPERACIONES PASIVAS Y OPERACIONES ACTIVAS. 1.- Funconamento de las cuentas bancaras. FUNCIONAMIENTO DE LAS CUENTAS BANCARIAS. Las cuentas bancaras se dvden en tres partes:

Más detalles

ESTRATEGIAS DIDÁCTICAS PARA ABORDAR LA EDUCACIÓN

ESTRATEGIAS DIDÁCTICAS PARA ABORDAR LA EDUCACIÓN ESTRATEGIAS DIDÁCTICAS PARA ABORDAR LA EDUCACIÓN AMBIENTAL EN EL NIVEL MEDIO SUPERIOR ARACELI ACEVEDO-CRUZ / MA. EUGENIA HERES-PULIDO Facultad de Estudos Superores Iztacala, Unversdad Naconal Autónoma

Más detalles

Apuntes de Matemática Discreta 9. Funciones

Apuntes de Matemática Discreta 9. Funciones Apuntes de Matemática Discreta 9. Funciones Francisco José González Gutiérrez Cádiz, Octubre de 004 Universidad de Cádiz Departamento de Matemáticas ii Lección 9 Funciones Contenido 9.1 Definiciones y

Más detalles

Trabajo y Energía Cinética

Trabajo y Energía Cinética Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..

Más detalles

Algoritmo para la ubicación de un nodo por su representación binaria

Algoritmo para la ubicación de un nodo por su representación binaria Título: Ubcacón de un Nodo por su Representacón Bnara Autor: Lus R. Morera González En este artículo ntroducremos un algortmo de carácter netamente geométrco para ubcar en un árbol natural la representacón

Más detalles

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la

Más detalles

Simulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.

Simulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización. Smulacón y Optmzacón de Procesos Químcos Ttulacón: Ingenería Químca. 5º Curso Optmzacón. Programacón Cuadrátca Métodos de Penalzacón Programacón Cuadrátca Sucesva Gradente Reducdo Octubre de 009. Programacón

Más detalles

rsums Aproxima la integral de f mediante sumas de Riemann y realiza una representación gráfica de los rectángulos.

rsums Aproxima la integral de f mediante sumas de Riemann y realiza una representación gráfica de los rectángulos. PRÁCTICA INTEGRACIÓN Práctcas Matlab Práctca : Integracón Objetvos o Calcular ntegrales defndas de forma aproxmada, utlzando sumas de Remann. o o o Profundzar en la comprensón del concepto de ntegracón.

Más detalles

Matemáticas II. Segundo Curso, Grado en Ingeniería Electrónica Industrial y Automática Grado en Ingeniería Eléctrica. 17 de febrero de

Matemáticas II. Segundo Curso, Grado en Ingeniería Electrónica Industrial y Automática Grado en Ingeniería Eléctrica. 17 de febrero de Matemátcas II Segundo Curso, Grado en Ingenería Electrónca Industral y Automátca Grado en Ingenería Eléctrca 7 de febrero de 0. Conteste las sguentes cuestones: Ã! 0 (a) (0.5 ptos.) Escrba en forma bnómca

Más detalles

SEGUNDA PARTE RENTAS FINANCIERAS

SEGUNDA PARTE RENTAS FINANCIERAS SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de

Más detalles

CANTIDADES VECTORIALES: VECTORES

CANTIDADES VECTORIALES: VECTORES INSTITUION EDUTIV L PRESENTION NOMRE LUMN: RE : MTEMÁTIS SIGNTUR: GEOMETRÍ DOENTE: JOSÉ IGNIO DE JESÚS FRNO RESTREPO TIPO DE GUI: ONEPTUL - EJERITION PERIODO GRDO FEH DURION 3 11 JUNIO 3 DE 2012 7 UNIDDES

Más detalles

ANÁLISIS DE ACCESIBILIDAD E INTERACCIÓN ESPECIAL:

ANÁLISIS DE ACCESIBILIDAD E INTERACCIÓN ESPECIAL: Geografía y Sstemas de Informacón Geográfca (GEOSIG). Revsta dgtal del Grupo de Estudos sobre Geografía y Análss Espacal con Sstemas de Informacón Geográfca (GESIG). Programa de Estudos Geográfcos (PROEG).

Más detalles

DELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID

DELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID DELTA MATE OMAÓN UNETAA / Gral. Ampuda, 6 8003 MADD EXÁMEN NTODUÓN A LA ELETÓNA UM JUNO 008 El examen consta de ses preguntas. Lea detendamente los enuncados. tene cualquer duda consulte al profesor. Todas

Más detalles

Créditos Y Sistemas de Amortización: Diferencias, Similitudes e Implicancias

Créditos Y Sistemas de Amortización: Diferencias, Similitudes e Implicancias Crédtos Y Sstemas de Amortzacón: Dferencas, Smltudes e Implcancas Introduccón Cuando los ngresos de un agente económco superan su gasto de consumo, surge el concepto de ahorro, esto es, la parte del ngreso

Más detalles

Correlación y regresión lineal simple

Correlación y regresión lineal simple . Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan

Más detalles

PROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF)

PROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF) ANEXO I EVALUACIÓN DE LA ENERGIA REGULANTE COMENSABLE (RRmj) OR ROORCIONAR RESERVA ROTANTE ARA EFECTUAR LA REGULACIÓN RIMARIA DE FRECUENCIA ( RF) REMISAS DE LA METODOLOGÍA Las pruebas dnámcas para la Regulacón

Más detalles

Aplicaciones Lineales y Multilineales Continuas

Aplicaciones Lineales y Multilineales Continuas Capítulo 4 Aplicaciones Lineales y Multilineales Continuas La conexión entre las estructuras vectorial y topológica de los espacios normados, se pone claramente de manifiesto en el estudio de las aplicaciones

Más detalles

Profesor: Rafael Caballero Roldán

Profesor: Rafael Caballero Roldán Contendo: 5 Restrccones de ntegrdad 5 Restrccones de los domnos 5 Integrdad referencal 5 Conceptos báscos 5 Integrdad referencal en el modelo E-R 53 Modfcacón de la base de datos 53 Dependencas funconales

Más detalles

CONTROVERSIAS A LAS BASES TÉCNICO ECONOMICAS PRELIMINARES PROCESO TARIFARIO CONCESIONARIA COMPAÑÍA DE TELÉFONOS DE COYHAIQUE S.A.

CONTROVERSIAS A LAS BASES TÉCNICO ECONOMICAS PRELIMINARES PROCESO TARIFARIO CONCESIONARIA COMPAÑÍA DE TELÉFONOS DE COYHAIQUE S.A. CONTROVERSIAS A LAS BASES TÉCNICO ECONOMICAS PRELIMINARES PROCESO TARIFARIO CONCESIONARIA COMPAÑÍA DE TELÉFONOS DE COYHAIQUE S.A. PERÍODO 201-2020 Introduccón Las Bases Técnco Económcas Prelmnares, en

Más detalles

Análisis del caso promedio. Técnicas Avanzadas de Programación - Javier Campos 70

Análisis del caso promedio. Técnicas Avanzadas de Programación - Javier Campos 70 Análss del caso promedo Técncas Avanzadas de Programacón - Javer Campos 70 Análss del caso promedo El plan: Probabldad Análss probablsta Árboles bnaros de búsqueda construdos aleatoramente Tres, árboles

Más detalles

Introducción al Método de los Elementos Finitos

Introducción al Método de los Elementos Finitos S 4 v v 5 Introduccón al Método de los Elementos Fntos Parte 4 Estmacón de error en problemas elíptcos Alberto Cardona, Víctor Facnott Cmec-Intec (UNL/Concet), Santa Fe, Argentna Estmacón de error en problemas

Más detalles

La representación Denavit-Hartenberg

La representación Denavit-Hartenberg La representacón Denavt-Hartenberg José Cortés Parejo. Marzo 8 Se trata de un procedmeto sstemátco para descrbr la estructura cnemátca de una cadena artculada consttuda por artculacones con. un solo grado

Más detalles

UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II

UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II PRACTICA 11: Crcutos no lneales elementales con el amplfcador operaconal OBJETIVO: El alumno se famlarzará con

Más detalles

Tema 4: Variables aleatorias

Tema 4: Variables aleatorias Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son

Más detalles

Matemática Financiera Sistemas de Amortización de Deudas

Matemática Financiera Sistemas de Amortización de Deudas Matemátca Fnancera Sstemas de Amortzacón de Deudas 7 Qué aprendemos Sstema Francés: Descomposcón de la cuota. Amortzacones acumuladas. Cálculo del saldo. Evolucón. Representacón gráfca. Expresones recursvas

Más detalles

PROBLEMAS DE ELECTRÓNICA ANALÓGICA (Diodos)

PROBLEMAS DE ELECTRÓNICA ANALÓGICA (Diodos) PROBLEMAS DE ELECTRÓNCA ANALÓGCA (Dodos) Escuela Poltécnca Superor Profesor. Darío García Rodríguez . En el crcuto de la fgura los dodos son deales, calcular la ntensdad que crcula por la fuente V en funcón

Más detalles

Guía de ejercicios #1

Guía de ejercicios #1 Unversdad Técnca Federco Santa María Departamento de Electrónca Fundamentos de Electrónca Guía de ejerccos # Ejercco Ω v (t) V 3V Ω v0 v 6 3 t[mseg] 6 Suponendo el modelo deal para los dodos, a) Dbuje

Más detalles

MODELOS DE ELECCIÓN BINARIA

MODELOS DE ELECCIÓN BINARIA MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos

Más detalles

Pronósticos. Humberto R. Álvarez A., Ph. D.

Pronósticos. Humberto R. Álvarez A., Ph. D. Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las

Más detalles

TEMA 8: PRÉSTAMOS ÍNDICE

TEMA 8: PRÉSTAMOS ÍNDICE TEM 8: PRÉSTMOS ÍNDICE 1. CONCEPTO DE PRÉSTMO: SISTEMS DE MORTIZCIÓN DE PRÉSTMOS... 1 2. NOMENCLTUR PR PRÉSTMOS DE MORTIZCIÓN FRCCIOND... 3 3. CUDRO DE MORTIZCIÓN GENERL... 3 4. MORTIZCIÓN DE PRÉSTMO MEDINTE

Más detalles

v i CIRCUITOS ELÉCTRICOS (apuntes para el curso de Electrónica)

v i CIRCUITOS ELÉCTRICOS (apuntes para el curso de Electrónica) IUITOS EÉTIOS (apuntes para el curso de Electrónca) os crcutos eléctrcos están compuestos por: fuentes de energía: generadores de tensón y generadores de corrente y elementos pasos: resstores, nductores

Más detalles

GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES

GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES PRONÓSTICOS PREDICCIÓN, PRONÓSTICO Y PROSPECTIVA Predccón: estmacón de un acontecmento futuro que

Más detalles

Enlaces de las Series de Salarios. Metodología

Enlaces de las Series de Salarios. Metodología Enlaces de las eres de alaros Metodología ntroduccón La Encuesta de alaros en la ndustra y los ervcos (E, cuyo últmo cambo de base se produjo en 996) ha sufrdo certas modfcacones metodológcas y de cobertura,

Más detalles

Física I. TRABAJO y ENERGÍA MECÁNICA. Apuntes complementarios al libro de texto. Autor : Dr. Jorge O. Ratto

Física I. TRABAJO y ENERGÍA MECÁNICA. Apuntes complementarios al libro de texto. Autor : Dr. Jorge O. Ratto ísca I Apuntes complementaros al lbro de teto TRABAJO y ENERGÍA MECÁNICA Autor : Dr. Jorge O. Ratto Estudaremos el trabajo mecánco de la sguente manera : undmensonal constante Tpo de movmento varable bdmensonal

Más detalles

2.5 Especialidades en la facturación eléctrica

2.5 Especialidades en la facturación eléctrica 2.5 Especaldades en la facturacón eléctrca Es necesaro destacar a contnuacón algunos aspectos peculares de la facturacón eléctrca según Tarfas, que tendrán su mportanca a la hora de establecer los crteros

Más detalles

EDO: Ecuación Diferencial Ordinaria Soluciones numéricas. Jorge Eduardo Ortiz Triviño

EDO: Ecuación Diferencial Ordinaria Soluciones numéricas. Jorge Eduardo Ortiz Triviño EDO: Ecuacón Dferencal Ordnara Solucones numércas Jorge Eduardo Ortz Trvño Organzacón general Errores en los cálculos numércos Raíces de ecuacones no-lneales Sstemas de ecuacones lneales Interpolacón ajuste

Más detalles

Operadores por Regiones

Operadores por Regiones Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]

Más detalles

La variable compleja permite resolver problemas muy diferentes dentro de. áreas tan variadas como pueden ser hidráulica, aerodinámica, electricidad,

La variable compleja permite resolver problemas muy diferentes dentro de. áreas tan variadas como pueden ser hidráulica, aerodinámica, electricidad, 17 Análss matemátco para Ingenería. M. MOLERO; A. SALVADOR; T. MENARGUEZ; L. GARMENDIA CAPÍTULO 1 Los números complejos La varable compleja permte resolver problemas muy dferentes dentro de áreas tan varadas

Más detalles

Existencia y unicidad de solución de una ecuación diferencial parcial no lineal estacionaria del tipo elíptico

Existencia y unicidad de solución de una ecuación diferencial parcial no lineal estacionaria del tipo elíptico Agrondustral Scence Agrond Sc 5 (05) Escuela de Ingenería Agrondustral Unversdad Naconal de Trujllo Exstenca uncdad de solucón de una ecuacón dferencal parcal no lneal estaconara del tpo elíptco Exstence

Más detalles

Esta es la forma vectorial de la recta. Si desarrollamos las dos posibles ecuaciones, tendremos las ecuaciones paramétricas de la recta:

Esta es la forma vectorial de la recta. Si desarrollamos las dos posibles ecuaciones, tendremos las ecuaciones paramétricas de la recta: Todo el mundo sabe que dos puntos definen una recta, pero los matemáticos son un poco diferentes y, aún aceptando la máxima universal, ellos prefieren decir que un punto y un vector nos definen una recta.

Más detalles

Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17

Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 17 Procesamento Dgtal de mágenes Pablo Roncaglolo B. Nº 7 Orden de las clases... CAPTURA, DGTALZACON Y ADQUSCON DE MAGENES TRATAMENTO ESPACAL DE MAGENES TRATAMENTO EN FRECUENCA DE MAGENES RESTAURACON DE MAGENES

Más detalles

E 1 E 2 E 2 E 3 E 4 E 5 2E 4

E 1 E 2 E 2 E 3 E 4 E 5 2E 4 Problemas resueltos de Espacios Vectoriales: 1- Para cada uno de los conjuntos de vectores que se dan a continuación estudia si son linealmente independientes, sistema generador o base: a) (2, 1, 1, 1),

Más detalles

UNIDAD 1. LOS NÚMEROS ENTEROS.

UNIDAD 1. LOS NÚMEROS ENTEROS. UNIDAD 1. LOS NÚMEROS ENTEROS. Al final deberás haber aprendido... Interpretar y expresar números enteros. Representar números enteros en la recta numérica. Comparar y ordenar números enteros. Realizar

Más detalles

CAPÍTULO 4 MARCO TEÓRICO

CAPÍTULO 4 MARCO TEÓRICO CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.

Más detalles

RESISTENCIAS EN SERIE Y LEY DE LAS MALLAS V 1 V 2 V 3 A B C

RESISTENCIAS EN SERIE Y LEY DE LAS MALLAS V 1 V 2 V 3 A B C RESISTENCIS EN SERIE Y LEY DE LS MLLS V V 2 V 3 C D Fgura R R 2 R 3 Nomenclatura: Suponemos que el potencal en es mayor que el potencal en, por lo tanto la ntensdad de la corrente se mueve haca la derecha.

Más detalles

VII. Solución numérica de ecuaciones diferenciales

VII. Solución numérica de ecuaciones diferenciales VII. Solucón numérca de ecuacones derencales VII. Antecedentes Sea dv dt una ecuacón derencal de prmer orden : g c m son constantes v es una varable dependente t es una varable ndependente c g v I m Las

Más detalles

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables

Más detalles

La ventana de Microsoft Excel

La ventana de Microsoft Excel Actividad N 1 Conceptos básicos de Planilla de Cálculo La ventana del Microsoft Excel y sus partes. Movimiento del cursor. Tipos de datos. Metodología de trabajo con planillas. La ventana de Microsoft

Más detalles

RESUELTOS POR M. I. A. MARIO LUIS CRUZ VARGAS PROBLEMAS RESUELTOS DE ANUALIDADES ANTICIPADAS

RESUELTOS POR M. I. A. MARIO LUIS CRUZ VARGAS PROBLEMAS RESUELTOS DE ANUALIDADES ANTICIPADAS PROBLEMAS RESUELTOS DE ANUALIDADES ANTICIPADAS. En las msmas condcones, qué tpo de anualdades produce un monto mayor: una vencda o una antcpada? Por qué? Las anualdades antcpadas producen un monto mayor

Más detalles

BASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.

BASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases. BASES Y DIMENSIÓN Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho espacio o subespacio, que sea a la vez linealmente independiente. β Propiedades

Más detalles

Ejercicio Nº 3: Realizar aumentos en una Tabla de Sueldos

Ejercicio Nº 3: Realizar aumentos en una Tabla de Sueldos SESION5: BASE DE DATOS PLANILLAS Ejercicio Nº : Realizar aumentos en una Tabla de Sueldos Veamos pues. En la hoja de calculo se tiene la Tabla de Sueldos de varios empleados (aquí ahora vemos solo empleados,

Más detalles

Módulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multiobjective Optimization)

Módulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multiobjective Optimization) Módulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multobjectve Optmzaton) Patrca Jaramllo A. y Rcardo Smth Q. Insttuto de Sstemas y Cencas de la Decsón Facultad de Mnas Unversdad Naconal de Colomba, Medellín,

Más detalles

CAPÍTULO V ESTRUCTURAS ALGEBRAICAS

CAPÍTULO V ESTRUCTURAS ALGEBRAICAS ESTRUCTURAS ALGEBRAICAS 7 CAPÍTULO V ESTRUCTURAS ALGEBRAICAS Estructura Algebraca es todo conjunto no vacío en el cual se han defndo una o más leyes de composcón nterna, luego de cumplr certas propedades

Más detalles

Tema 7: Variables Ficticias

Tema 7: Variables Ficticias Tema 7: Varables Fctcas Máxmo Camacho Máxmo Camacho Econometría I - ADE+D /2 - Tema 7 Varables fctcas Bloque I: El modelo lneal clásco r Tema : Introduccón a la econometría r Tema 2: El modelo de regresón

Más detalles

Tema 2. Espacios Vectoriales. 2.1. Introducción

Tema 2. Espacios Vectoriales. 2.1. Introducción Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por

Más detalles

Apuntes de Matemática Discreta 1. Conjuntos y Subconjuntos

Apuntes de Matemática Discreta 1. Conjuntos y Subconjuntos Apuntes de Matemática Discreta 1. Conjuntos y Subconjuntos Francisco José González Gutiérrez Cádiz, Octubre de 2004 Universidad de Cádiz Departamento de Matemáticas ii Lección 1 Conjuntos y Subconjuntos

Más detalles

Leyes de tensión y de corriente

Leyes de tensión y de corriente hay6611x_ch03.qxd 1/4/07 5:07 PM Page 35 CAPÍTULO 3 Leyes de tensón y de corrente CONCEPTOS CLAVE INTRODUCCIÓN En el capítulo 2 se presentaron la resstenca así como varos tpos de fuentes. Después de defnr

Más detalles

Tema 3. Espacios vectoriales

Tema 3. Espacios vectoriales Tema 3. Espacios vectoriales Estructura del tema. Definición y propiedades. Ejemplos. Dependencia e independencia lineal. Conceptos de base y dimensión. Coordenadas Subespacios vectoriales. 0.1. Definición

Más detalles

EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA

EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de

Más detalles

17/02/2015. Ángel Serrano Sánchez de León

17/02/2015. Ángel Serrano Sánchez de León Ángel Serrano Sánchez de León 1 Índce Introduccón Varables estadístcas Dstrbucones esde frecuencas c Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca,

Más detalles

Modificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere.

Modificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere. UNIVERSIDAD DE CARABOBO FACULTAD DE CIENCIA Y TECNOLOGÍA DIRECCION DE EXTENSION COORDINACION DE PASANTIAS Modificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere. Pasante:

Más detalles

Capítulo 2: Introducción al método de los Elementos Finitos 2. CAPÍTULO 2 INTRODUCCIÓN AL MÉTODO DE LOS ELEMENTOS FINITOS

Capítulo 2: Introducción al método de los Elementos Finitos 2. CAPÍTULO 2 INTRODUCCIÓN AL MÉTODO DE LOS ELEMENTOS FINITOS Capítulo 2: Introduccón al método de los Elementos Fntos 2. CAPÍTULO 2 ITRODUCCIÓ AL MÉTODO DE LOS ELEMETOS FIITOS 2.. ITRODUCCIÓ Vrtualmente cada fenómeno en la naturaleza, sea bológco, geológco o mecánco

Más detalles

Métodos Nodales Híbridos en la Solución de las Ecuaciones de Difusión en Geometría XY

Métodos Nodales Híbridos en la Solución de las Ecuaciones de Difusión en Geometría XY Energía Nuclear y Segurdad Radológca: Nuevos Retos y Perspectvas XIV Congreso Anual de la SNM/XXI Reunón Anual de la SMSR Guadalajara, Jalsco, Méxco, - de Septembre, (, Memoras en CDROM Métodos Nodales

Más detalles

IMPLEMENTACIÓN PRÁCTICA DE UN BANCO DE FILTROS UNIFORME. S Q Salida del filtro Q h(n) Filtro s(n) Señal L Tamaño de la ventana del filtro 0 # n # L-1

IMPLEMENTACIÓN PRÁCTICA DE UN BANCO DE FILTROS UNIFORME. S Q Salida del filtro Q h(n) Filtro s(n) Señal L Tamaño de la ventana del filtro 0 # n # L-1 IMPEMEACIÓ PRÁCICA DE U BACO DE FIROS UIFORME En este tpo de bancos, la forma de la respuesta espectral de cada uno de los fltros es la msma, y su frecuenca central se raparte de manera unforme en el espectro:

Más detalles

Valoración de opciones financieras por diferencias finitas

Valoración de opciones financieras por diferencias finitas Valoracón de opcones fnanceras por dferencas fntas José Mª Pesquero Fernández Dpto. Nuevos Productos - Tesorería BBVA mpesquero@grupobbva.com Indce INDICE. Introduccón. La ecuacón dferencal 3. Dferencas

Más detalles

Subconjuntos destacados en la

Subconjuntos destacados en la 2 Subconjuntos destacados en la topología métrica En este capítulo, introducimos una serie de conceptos ligados a los puntos y a conjuntos que por el importante papel que juegan en la topología métrica,

Más detalles