随机过程 更新过程（下）

随机过程 更新过程（下）

更新定理

Feller 初等更新定理

在 Poisson 过程中，我们有 $M(t)=E[N(t)]=\lambda t$ ，因此：
$$\frac{M(t)}{t}=\lambda =\frac{1}{E(X_i)}$$
当 $t\to \infty$ 时，一般的更新过程也有该性质。

Feller 初等更新定理：记 $\mu =E(X_i)$ ，则：（若 $\mu =\infty$ ，则 $\frac{1}{\mu }=0$）
$$\frac{M(t)}{t}\to \frac{1}{\mu }$$
证明：首先假设 $\mu <\infty$ ，我们证明 $\underset{t\to \infty }{\mathrm{liminf}}\frac{M(t)}{t}\ge \frac{1}{\mu }$ 和 $\underset{t\to \infty }{\mathrm{limsup}}\frac{M(t)}{t}\le \frac{1}{\mu }$ 同时成立

① 由于：（就是说第 $t$ 时刻已经更新了 $N(t)$ 次，那么要更新 $N(t)+1$ 次所需要的时间肯定比 $t$ 要大）
$$T_{N(t)+1}>t$$
两边取期望，使用 Wald 等式：
$$E(T_{N(t)+1})=E(X_i)E[N(t)+1]=\mu [M(t)+1]>t$$
即：
$$\frac{M(t)}{t}>\frac{1}{\mu }-\frac{1}{t}$$
两边取极限得到：
$$\underset{t\to \infty }{\mathrm{liminf}}\frac{M(t)}{t}\ge \frac{1}{\mu }$$
② 固定常数 $M$ ，构造一个新的随机变量：
$$X_n^c=\{\begin{array}{ll}{X}_n& X_n\le M\\ M& X_n>M\end{array}$$
以 { X i c } \{X_i^c\} {Xic​} 确定一个新的更新过程，令：
T n c = ∑ i = 1 n X n c N ( t ) c = sup ⁡ { n :   T n c ≤ t } \begin{array}{c} T_n^c=\sum\limits_{i=1}^{n}X_n^c \\ N(t)^c=\sup\{n:\, T_n^c \leq t \} \end{array} Tnc​=i=1∑n​Xnc​N(t)c=sup{n:Tnc​≤t}​
由于 $X_n^c\le M$ ，所有：
$$T_{N(t{)}^c+1}^c=T_{N(t{)}^c}^c+X_{N(t{)}^c+1}^c\le t+M$$
使用和上边一样的技巧，两边取期望，使用 Wald 等式：
$${\mu }_M[M(t{)}^c+1]\le t+M\Rightarrow \frac{M(t{)}^c}{t+M}\le \frac{1}{{\mu }_M}-\frac{1}{t+M}$$
两边取极限，得到：
$$\underset{t\to \infty }{\mathrm{limsup}}\frac{M(t{)}^c}{t}\le \frac{1}{{\mu }_M}$$
因为 $X_n^c\le X_n$ ，所以 $T_n^c\le T_n$ ，因此 $N(t{)}^c\ge N(t)$ ，$M(t{)}^c\ge M(t)$ ，所以：
$$\underset{t\to \infty }{\mathrm{limsup}}\frac{M(t)}{t}\le \underset{t\to \infty }{\mathrm{limsup}}\frac{M(t{)}^c}{t}\le \frac{1}{{\mu }_M}$$
令 $M\to \infty$ ，有 $X_n^c\to X_n$ ，$E(X_n^c)\to E(X_n)$ ，即 ${\mu }_M\to \mu$ ，所以：
$$\underset{t\to \infty }{\mathrm{limsup}}\frac{M(t)}{t}\le \frac{1}{\mu }$$
综合 ① 和 ② 得到： $\underset{t\to \infty }{\lim }\frac{M(t)}{t}=\frac{1}{\mu }$ ；

当 $\mu =\infty$ 时，在考虑 $X_n^c$ 的确定过程，当 $M\to \infty$ 时， ${\mu }_M\to \infty$ ，所以也是成立的；

Blackwell 更新定理

当 $\mu <\infty$ 时，Feller 初等更新定理可以看作当 $t\to \infty$ 时，$M(t)\sim \frac{t}{\mu }$ （注意 $M(t)$ 是个函数）。那我们可以研究一下当 $t\to \infty$ 时，对于任意一个 $h$ ，是否有：
$$M(t+h)-M(t)\to \frac{t+h}{\mu }-\frac{t}{\mu }=\frac{h}{\mu }$$
格点分布：称随机变量 $X$ 服从格点分布（或随机变量 $X$ 的分布 $F$ 是格点的），若存在 $d\ge 0$ ，使得：
$$\sum _{n=0}^{\infty }P(X=nd)=1$$
称满足上述条件的最大 $d$ 称为此格点分布的周期。

注意：

• 上述定义只能知道 $F$ 在不是 $nd$ 上取值为 0，但不代表所有的 $nd$ 都被取到了，有可能有限个 $nd$ 的概率相加已经为 $1$ 了。
• 格点分布是一类离散分布，例如二项分布、泊松分布都是格点分布，但是有一些离散分布并不属于格点分布，因为离散分布的值域只要是可数的就行，例如某个随机变量 $X$ 的分布为：

$$\begin{array}{cccccc}X& \frac{1}{2}& \frac{1}{3}& \frac{1}{4}& \frac{1}{5}& \cdots \\ P(X)& \frac{1}{2}& \frac{1}{2^2}& \frac{1}{2^3}& \frac{1}{2^4}& \cdots \end{array}$$

这样的话 $X$ 是离散分布的，但是找不到一个 $d$ 使得任意 $\frac{1}{k}$ 都用 $nd$ 来表示，因此 $X$ 不是格点分布

Blackwell 更新定理：记 $\mu =E(X_n)$

• 若 $F$ 不是格点分布，则对一切 $a\ge 0$ ，当 $t\to \infty$ 时，有：

$$M(t+a)-M(t)\to \frac{a}{\mu }$$

• 若 $F$ 是格点分布，周期为 $d$ ，则当 $n\to \infty$ 时，有：

$$P(在nd时刻发生更新)\to \frac{d}{\mu }$$

这个定理书上都没有捏，估计是看不懂，可以直观理解一下。当不是格点分布时，表示在长度为 $a$ 的时间区间内发生的平均次数为 $\frac{a}{\mu }$，这个跟初等更新定理时差不多的意思。但是当 $F$ 为格点分布时，由于更新只发生在 $d$ 的整数倍，所以更新次数的多少依赖于区间上 $nd$ 点的数目，而同样长的区间所含形如 $nd$ 点的数目可能是不同的。而平均来说，单位时间发生的次数为 $\frac{1}{\mu }$ ，所以可以认为平均到每个时间长度为 $d$ 的区间上，平均发生次数为 $\frac{1}{d}$ 。

如上边所说，Feller 初等更新定理时 Blackwell 更新定理的特殊情况。令 $b_n=M(t+1)-M(t)$ ，当 $F$ 不是格点分布时，有：
$$\underset{n\to \infty }{\lim }{b}_n=\frac{1}{\mu }$$
由极限的四则运算得：
$$\frac{b_1+b_2+\cdots +b_n}{n}=\frac{M(n)}{n}\to \frac{1}{\mu }$$
从而对任意实数 $t$ （相当于连续时间），有：
$$\frac{\lfloor t\rfloor }{t}\cdot \frac{M(\lfloor t\rfloor )}{\lfloor t\rfloor }\le \frac{M(t)}{t}\le \frac{\lfloor t\rfloor +1}{t}\cdot \frac{M(\lfloor t\rfloor +1)}{\lfloor t\rfloor +1}$$
令 $t\to \infty$ ，由夹逼定理可知：
$$\frac{M(t)}{t}\to \frac{1}{\mu }$$
当 $F$ 是格点分布时，这里就不是取 $\lfloor t\rfloor$ 和 $\lfloor t\rfloor +1$ 了，而是取离 $t$ 前后两个最近的 $nd$ ，然后也可以由夹逼定理得到一样的结果。

关键更新定理

关键更新定理：记 $\mu =E(X_n)$ ，设函数 $h(t)$ $(t\in [0,\infty ))$ ，满足（1）$h(t)$ 非负不增；（2）${\int }_0^{\infty }h(t)dt<\infty$ 。$H(t)$ 是更新方程：
$$H(t)=h(t)+{\int }_0^{t}H(t-s)dF(s)$$
的解（$F(x)$ 就是 $X_i$ 的分布函数）。那么：

• 若 $F$ 不是格点分布，有：

$$\underset{t\to \infty }{\lim }H(t)=\{\begin{array}{lc}\frac{1}{\mu }{\int }_0^{\infty }h(x)dx& \mu <\infty \\ 0& \mu =\infty \end{array}$$

• 若 $F$ 是格点分布，对于 $0\le c<d$ ，有：

$$\underset{n\to \infty }{\lim }H(c+nd)=\{\begin{array}{lc}\frac{d}{\mu }\sum _{n=0}^{\infty }h(c+nd)& \mu <\infty \\ 0& \mu =\infty \end{array}$$

关键更新定理和 Blackwell 更新定理是等价的，所以同样没有证明hhhh。但是我们可以简单证明以下二者的等价性：（考虑 $F$ 不是格点分布、$\mu <\infty$ 的情况）

① 关键更新定理 $\to$ Blackwell 更新定理：对于任意 $a\ge 0$ ，我们令：
$$h(t)=\{\begin{array}{lc}1& 0\le t\le a\\ 0& t>a\end{array}$$

这样 $h(t)$ 就满足了非负不增的条件，并且在正数区间上积分也是有限的。这样我们就可以得到 $H(t)$ 的解：（我们取 $t\to \infty$ ）
$$H(t)=h(t)+{\int }_0^{t}h(t-s)dM(s)={\int }_{t-a}^{t}dM(s)=M(t)-M(t-a)$$
其中 $M(t)$ 是 $F(t)$ 的更新函数，又有：
$$\underset{t\to \infty }{\lim }H(t)=\frac{1}{\mu }{\int }_0^{\infty }h(x)dx=\frac{a}{\mu }$$
因此得到 Blackwell 更新定理 $F(t)$ 为非格点分布的情况：
$$\underset{t\to \infty }{\lim }M(t)-M(t-a)=\frac{a}{\mu }$$
② Blackwell 更新定理 $\to$ 关键更新定理：也是和上面一样的假设：考虑 $F$ 不是格点分布、$\mu <\infty$ 的情况，根据 Blackwell 更新定理有：
$$\underset{t\to \infty }{\lim }\frac{M(t+a)-M(t)}{a}=\frac{1}{\mu }$$
则：
$$\underset{a\to 0}{\lim }\underset{t\to \infty }{\lim }\frac{M(t+a)-M(t)}{a}=\frac{1}{\mu }$$
假设极限次序可以交换，那么有：
$$\underset{t\to \infty }{\lim }\frac{dM(t)}{dt}=\frac{1}{\mu }$$
因为 ${\int }_0^{\infty }h(t)dt<\infty$ ，所以 $\underset{t\to \infty }{\lim }h(t)=0$ ， 则 $H(t)$ 有：
$$\underset{t\to \infty }{\lim }H(t)=\underset{t\to \infty }{\lim }h(t)+\underset{t\to \infty }{\lim }{\int }_0^{t}h(t-s)dM(s)=\frac{1}{\mu }{\int }_0^{\infty }h(t)dt$$

更新定理的应用

技巧：直接使用更新定理，这些题目往往直接算出期望来，然后使用 Feller 初等更新定理即可；

例：某机器使用电池供电，设电池寿命 $X_i$ 服从均值为 45h 的正态分布，电池失效时需要去仓库领取，领取时间 $Y_i$ 服从期望为 0.5 h，求长时间工作时机器更换电池的速率

解：更换电池的速率，就是长时间更换次数除以时间，设 $N(t)$ 表示到时刻 $t$ 为止更换的次数，平均更新时间为 $E(X_i+Y_i)=45.5$ ，则根据更新定理，更换电池的速率为：
$$\underset{t\to \infty }{\lim }\frac{E[N(t)]}{t}=\underset{t\to \infty }{\lim }\frac{M(t)}{t}=\frac{1}{E(X_i+Y_i)}=\frac{2}{91}(次/小时)$$
技巧：利用某些过程的无记忆性（还是叫独立增量性哇），我们可以写出一些递归的表达式，转换成更新方程，就可以求出某些分布函数

例：（剩余寿命与年龄的极限分布）以 $r(t)=T_{N(t)+1}-t$ 表示 $t$ 时刻的剩余寿命，即从 $t$ 时刻开始到下次更新剩余的时间，$s(t)=t-T_{N(t)}$ 为 $t$ 时刻的年龄，求 $r(t)$ 和 $s(t)$ 的极限分布。

解：解释一下题目， 把当前看成 $t$ 时刻，则 $T_{N(t)}$ 为上一次更新的时间，所以年龄是 $t-T_{N(t)}$ ；$T_{N(t)+1}$ 是下一次更新的时间，所以 $T_{N(t)+1}-t$ 是剩余的寿命

令 ${\bar{R}}_y(t)=P(r(t)>y)$ ，对第一次更新的时刻 $X_1$ 取条件，得：
$$P(r(t)>y|X_1=x)=\{\begin{array}{lc}1& x>t+y\\ 0& t<x\le t+y\\ {\bar{R}}_y(t-x)& 0<x\le t\end{array}$$

• 当 $x>t+y$ 时，说明第一次更新发生在 $t+y$ 时刻后，则 $t$ 时刻的剩余寿命为 $x-t>y$ ，所以剩余寿命一定比 $y$ 要大，概率为 1；
• 当 $t<x\le t+y$ 时，说明第一次更新发生在当前时刻之后，$t+y$ 时刻之前，说明剩余寿命 $x-t<y$ ，所以剩余寿命一定不比 $y$ 要大，概率为 0；
• 当 $0<x\le t$ 时，说明第一次更新发生在当前时刻后，我们可以递归进行以上过程，按照无记忆性去理解

由全概率公式，可以得到：
$$\begin{array}{rl}{\bar{R}}_y(t)=& {\int }_0^{\infty }P(r(t)>y|X_1=x)dF(x)\\ =& {\int }_{t+y}^{\infty }dF(x)+{\int }_0^t{\bar{R}}_y(t-x)dF(x)\\ =& 1-F(t+y)+{\int }_0^t{\bar{R}}_y(t-x)dF(x)\end{array}$$
这就得到了一个更新方程，其解为：
$${\bar{R}}_y(x)=1-F(t+y)+{\int }_0^{\infty }(1-F(t+y-x))dM(x)$$
我们假设 $\mu =E(X_1)<\infty$ ，则：（这一步我没有理解为什么）
$$\mu ={\int }_0^{\infty }xdF(x)={\int }_0^{\infty }[1-F(x)]dx<\infty$$
因此：
$${\int }_0^{\infty }[1-F(t+y)]dt={\int }_y^{\infty }[1-F(t)]dy<\infty$$
由关键更新定理得到剩余寿命的极限分布为：
$$\underset{t\to \infty }{\lim }P(r(t)>y)=\underset{t\to \infty }{\lim }{\bar{R}}_y(t)=\frac{1}{\mu }{\int }_y^{\infty }[1-F(t)]dt$$

年龄的分布式可以由上面的式子得出，注意到：
{ r ( t ) > x ,   s ( t ) > y }    ⟺    { r ( t − y ) > x + y } \{ r(t)\gt x, \,s(t)\gt y \} \iff \{ r(t-y)\gt x+y \} {r(t)>x,s(t)>y}⟺{r(t−y)>x+y}
所以：
$$\underset{t\to \infty }{\lim }P(r(t)>x,s(t)>y)=\underset{t\to \infty }{\lim }P(r(t-y)>x+y)=\frac{1}{\mu }{\int }_{x+y}^{\infty }[1-F(t)]dt$$
特别地，可以得到年龄的极限分布：
$$\underset{t\to \infty }{\lim }P(s(t)>y)=\underset{t\to \infty }{\lim }P(s(t)>y,r(t)>0)=\frac{1}{\mu }{\int }_y^{\infty }[1-F(t)]dt$$
可以看到剩余寿命和年龄的极限分布相同。

更新过程的推广

延迟更新过程

延迟更新过程：仅仅对 $X_1$ 作出特殊假设，允许 $X_1$ 服从与其他 $X_i(i>1)$ 不同的分布 $G$ ，但仍然是相互独立的。这样的话，更新定理仍然是成立的，只是说 $M(t)=G\ast F\ast F\ast \cdots (t)$ ，第一次更新的时刻对无穷远的情况并没有很大影响

例：对于上边机器换零件的情况，我们可以认为开始观察时第一个零件已经使用一段时间了，所以它的分布和后续的分布就不一样

更新回报过程

更新回报过程：类似于复合 Poisson 过程，设：
$$R(t)=\sum _{i=t}^{N(t)}{R}_i$$
其中 { N ( t ) ,   t ≥ 0 } \{N(t),\,t\geq 0\} {N(t),t≥0} 是一个更新过程，$R_i$ 独立同分布且与 $N(t)$ 独立，则称 $R(t)$ 是一个更新回报过程。可以理解为，$R_i$ 是第 $i$ 次更新获得的回报。更一般的更新过程，可以要求 $R_i$ 只依赖于 $X_i$ ，但是随机向量列 $(X_1,R_i)$ 独立同分布。。

更新回报定理：若更新回报过程满足 $E(X_i)<\infty$ 且 $E(R_i)<\infty$ ，则有：

• $\underset{t\to \infty }{\lim }\frac{R(t)}{t}=\frac{E(R_i)}{E(X_i)}$ 以概率 1 成立
• $\underset{t\to \infty }{\lim }\frac{E[R(t)]}{t}=\frac{E(R_i)}{E(X_i)}$

以上定理可以分别由强大数定理和更新方程及定理证明

例：（产品保修策略）设某公司所出售的商品采取如下更换策略：

• 若产品在售出 $w$ 时间内损坏，则免费更换相同产品；
• 若在 $(w,w+T]$ 期间损坏，则按使用时间折价更换新产品；

对在 $(0,w]$ 内更换的新产品执行原来的更换期，而对在 $(w,w+T]$ 内折价更换的新产品，则从更换时刻重新计算更换期。讨论长期执行此策略对厂家的期望利润的影响。（假定产品一旦损坏，顾客立刻更换、折换或者购买新的）。

解：设 $t=0$ 时刻顾客购买了一个新产品，售价 $c$ ，成本 $c_0<c$ ，产品寿命为 $X$ ，服从分布函数为 $F(t)$ ，且 $E(X)=\mu <\infty$ 。设用户相邻两次购买的间隔（包括全价购买和折换购买、不包括免费更换）为 $Y_1$ ，$Y_2$ ，$\cdots$ 。因为每次更换的产品都是新的，所以 $Y$ 独立同分布。记 $Y$ 的分布为 $G(t)$ ，记 $N(t)$ 为 $(0,t]$ 时间内的更换次数，$T_n$ 为第 $n$ 次更换的时间，$M(t)=E[N(t)]$ 。（乐，已经定义了一堆东西，但是大部分符号都是之前见过的）

首先计算用户在 $(0,Y_1)$ 内的花费期望 $E(Y_1)$ ，对于用户而言，更换策略为：
$$\{\begin{array}{lc}0& y\le w\\ \frac{c(y-w)}{T}& w<y<w+T\end{array}$$
其中 $y$ 为使用时间。设 $R_w$ 为产品在 $w$ 时刻的剩余寿命，则 $Y_1=w+R_w$ ，且 $Y_1=T_{N(w)+1}$ （这两个等式好好理解一下。。。第一个等式是因为 $Y_i$ 不包括免费更换，所以是 $w$ 时间以后第一次坏掉的时间（即 $R_w$ ）再加上之前 $w$ 的时间；第二个等式同样是因为 $Y_i$ 不包括免费更换，所以 $N(w)$ 次更新后的下一次更新就是用户第一次不能免费更换的更新）

由前面证明剩余寿命的过程中得到：
$$P(w+R_w>t)={\bar{R}}_{t-w}(w)=1-F(t)+{\int }_0^w[1-F(t-x)]dM(x)=\bar{F}(t)+{\int }_0^w\bar{F}(t-x)dM(x)$$
所以
$$\begin{array}{rl}\bar{G}(t)=& P(Y_1>t)\\ =& \{\begin{array}{ll}1& 0\le t\le w\\ P(w+R_w>t)=\bar{F}(t)+{\int }_0^w\bar{F}(t-x)dM(x)& t>w\end{array}\end{array}$$
由 wald 等式得：
$$E(Y_1)=E[T_{N(t)+1}]=\mu [1+M(w)]$$
设 $(0,Y_1]$ 内用户花费为 $c_1$ ，则：
$$c_1=\{\begin{array}{ll}c& Y_1>w+T\\ \frac{c(Y_1-w)}{T}& w<Y_1\le w+T\end{array}$$
从而：
$$E(c_1)=c\bar{G}(w+T)+\frac{c}{T}{\int }_w^{w+T}(t-w)dG(t)$$
对右边第二项换元、分部积分，得到：
$$\begin{array}{rl}=& c(1-G(w+T))+\frac{c}{T}{\int }_0^{T}tdG(t+w)\\ =& c(1-G(w+T))+cG(w+T)-\frac{c}{T}{\int }_0^{T}G(t+w)dt\\ =& c-\frac{c}{T}{\int }_0^T(1-\bar{G}(t+w))dt\\ =& \frac{c}{T}{\int }_0^T\bar{G}(t+w)dt\\ =& \frac{c}{T}{\int }_0^{T}P(R_w>x)dx\end{array}$$
于是用户的长期平均费用为（更新回报定理）：
$$c(w,T)=\frac{E(c_1)}{E(Y_1)}=\frac{c{\int }_0^{T}P(R_w>x)dx}{T\mu (1+M(w))}$$

对于公司而言，在 $(0,w]$ 内免费更换产品的个数的期望值为 $E(N(w))=M(w)$ ，因此，在一个购买周期 $(0,Y_1]$ 内，公司所付成本为 $c_0[M(t)+1]$ ，公司从每个用户所得的长期平均利润为：
$$c(w,T)-\frac{c_0(1+M(t))}{\mu (1+M(t))}=c(w,T)-\frac{c_0}{\mu }$$

交替更新过程

更新过程仅考虑了一种状态，但是现实情况中，比如可能某个机器开了一段时间 $Z_i$ ，零件损坏，需要关闭一段时间 $Y_i$ 才能修好，下一个零件的寿命又是 $Z_{i+1}$，维修时间为 $Y_{i+1}$ ，每当系统被打开称为一次更新。

假设随机向量列 $\{(Z_n,Y_n),n\ge 1\}$ 是独立同分布的，即 $Z_i,Y_j$ 在 $i\ne j$ 时时独立的，但 $Z_i$ ，$Y_i$ 允许不独立。

Th：设 $H$ 是 $Z_n$ 的分布，$G$ 是 $Y_n$ 的分布，$F$ 是 $Z_n+Y_n$ 的分布，并记 $P(t)=P(t时刻系统是开的)$ ，设 $E(Y_n+Z_n)<\infty$ ，且 $F$ 不是格点分布，则：
$$\underset{t\to \infty }{\lim }P(t)=\frac{E(Z_n)}{E(Z_n)+E(Y_n)}$$
直观上理解还是很好理解的，开的概率肯定就是开的时间所占的比例，使用关键更新定理证明：

证明：对第一次更新的时刻 $X_1=Z_1+Y_1$ 取条件概率：
$$P(t时刻系统开着|X_1=x)=\{\begin{array}{ll}P(Z_1>t|Z_1+Y_1>t)& x\ge t\\ P(t-x)& x<t\end{array}$$

• 如果 $x\ge t$ ，说明 $t$ 时刻处于第一次更新前，所以要保证在 $Z_1+Y_1>t$ 的前提下，系统要从头开到 $t$ 时刻，即 $Z_1>t$ ；
• 如果 $x<t$ ，说明到 $t$ 时刻时，第一次更新已经结束了，由独立性得，剩下的时间是否开和第一次更新的时间无关

则：
$$\begin{array}{rl}P(t)=& {\int }_0^{\infty }P(t时刻系统开着|X_1=x)dF(x)\\ =& P(Z_1>t)+{\int }_0^{t}P(t-x)dF(x)\\ =& \bar{H}(t)+{\int }_0^{t}P(t-x)dF(x)\end{array}$$
这是一个更新方程，解得：
$$P(t)=\bar{H}(t)+{\int }_0^t\bar{H}(t-x)dM(x)$$
又 ${\int }_0^{\infty }\bar{H}(t)dt=E(Z_1)<\infty$ ，而且显然 $\bar{H}(t)$ 非负不增，由关键更新定理得：
$$\underset{t\to \infty }{\lim }P(t)=\frac{1}{E(Z_1+Y_1)}{\int }_0^{\infty }\bar{H}(t)dt=\frac{E(Z_1)}{E(Z_1)+E(Y_1)}$$