A nd rz ej G r z y bo w s k i
Częstochowa
Minimaksowe decyzje w pewnych problemach sterowania z wieloma źródłami głośnych zakłóceń
(Praca wpłynęła do Redakcji 1986.05.12)
Wprowadzenie. W pracy rozważa się układ stochastyczny opisany równa- niem (1). Niezależne ciągi zmiennych losowych vk0, vkl, ..., k = 1, . . s, mo- żna interpretować jako zakłócenia działające na system i pochodzące z s niezależnych źródeł. O zakłóceniach tych zakładamy, że są „głośne”, tzn. że w chwili n znamy wartości wszystkich zakłóceń do chwili n — 1 włącznie.
Zmienne losowe vk0, kl,... mają rozkład o znanej funkcji gęstości pk(vk, źk) zależnej od nieznanego parametru Xk. Ponadto w rozpatrywanym modelu zakładamy, że sterowania un nie oddziaływają na system w sposób zdetermi- nowany, lecz są zniekształcane przez losowy „błąd wzbudzony” w„. Dla takiego układu chcemy zaleźć sterowania minimaksowe. Szczegółowo rozwią- zano ten problem w sytuacji, gdy zakłócenia składają się z sumy zmiennych losowych o rozkładzie dwumianowym oraz z komponenty ciągłej o rozkła- dzie normalnym.
I. Sformułowanie problemu. Rozważmy układ stochastyczny zadany przez równanie
S
(1) *n+l =a„X„ + W„u„+ £ yk»Vkn>
k= 1
*o = e, n = 0, 1, ..., M,
gdzie xn jest zmienną stanu, un jest sterowaniem, w„, vkn, k = 1, ..., s, n = 0, 1, _, j6f są niezależnymi zmiennymi losowymi; a„, ykn, e — dane stałe.
Przyjmujemy, że w chwili n znamy: V f”1 = (vk0, vki, ..., r*n_i),
k = 1, ..., s, oraz X„ = (x0, x l5 ..., x„). Zakładamy, że dla n = 1 ,..., M un
jest rzeczywistą funkcją borelowską X„, V f ' 1, k = 1, ..., s. Przyjmujemy, że
dla każdego k = 1, ..., s, vk0, vkl, ... mają ten sam rozkład PAfc oraz że PXk
należy do wykładniczej rodziny rozkładów z kwadratową funkcją wariancji, tzn. jego gęstość względem <r-skończonej miary q na R = ( — 00, 00) ma postać:
(2) pk (vk, Xk) = Sk (vk, qk) exp [qk Ak (Xk) + vkBk (Xk)],
gdzie Xk eA k jest parametrem. Zakładamy parametryzację naturalną, dla której zachodzą warunki podane w pracy [ 1], z których wynika, że (3) Ekk (vkn) = qkXk, Eh (vkn) = qkl Xk2 + qk2 Xk + qk3
dla pewnych stałych qk > 0; qkl, qk2, qk 3 - Będziemy zakładać, że znamy postać pk(vk, Xk), k = 1, ..., s, nie znamy jednak wartości parametru Xk.
Rozkład zmiennych losowych w„ jest nieznany, ale zakładamy, że dane są jego pierwszy i drugi moment, tzn. znamy: E(wn) = px, £(wj) = p2 •
Niech u0, ulf ..., uM będą sterowaniami. Wektor U =(u0 , ..., uM) nazy- wamy strategią sterowania.
Przyjmujemy, że sterowanie odbywa się do losowego momentu N. Zakła- damy, że ten losowy horyzont jest ograniczoną zmienną losową, niezależną od w„, vkn, k = 1, ..., s, n = 0, .. ., M, o danym rozkładzie:
(4) P(N = n) = pn, pM > 0, Y M j Pi = L i= 1
Wprowadzimy oznaczenie: X = (Xl5 X2, ..., Xs). Zdefiniujemy funkcję ryzyka dla danej strategii sterowania U jako:
(5) «(I, U) = EP {£x[S (dl. D ^ ’di, i = 0 W + k ,«?)]} =
= Ep {Ex [ Y (aoo x } + Y a*k + 2 Y a 0 k xi Xk +
i == 0 k= 1
s — 1 s
+ 2 1 z flk/Xfc x, + ki uf
*=
1/= k+ 1 gdzie macierze
4°o ao\ ••• flffi
(6) A (i) = n (i) “ 11
_a{ol
•• • a {i)
W SS_J
są nieujemnie określone, o^i) > 0, > 0, (x,, X) = (xf, .Xx, ..., Xs), £ p( ) ozna-
cza wartość oczekiwaną względem rozkładu (4) zmiennej losowej N, E x ( )
oznacza wartość oczekiwaną względem rozkładu zmiennych losowych
w0, wM, vk0, ..., vkM, k = 1, ..., s, gdy X jest znanym parametrem.
Załóżmy, że parametry Ak są niezależnymi zmiennymi losowymi. Niech 77 będzie rozkładem a priori wektora losowego X. Funkcję
(7) r(77, U) = j R(X, U) dli
Ai x ... x /ls
nazywamy ryzykiem bayesowskim.
W dalszym ciągu będziemy zakładali, że jedyną informacją o parametrach ,..., As jest to, że FI należy do pewnej rodziny rozkładów r . Będziemy rozważali tylko te strategie sterowania U, dla których ryzyko bayesowskie jest skończone dla każdego l l e r . Zbiór tych strategii oznaczymy przez A r.
Strategię U{0)e A r, dla której
(8) supr(77, U{0)) = inf supr(77, U\
ner UeAp ner
nazywamy r-minimaksową strategią sterowania.
r-minimaksowych strategii sterowania będziemy szukali w przypadku, gdy ryzyko dane jest wzorem (5), a klasa r jest określona przez zadanie pewnych momentów dla rozkładów zmiennych losowych Xl5 ..., As.
II. Naturalna rodzina wykładnicza z kwadratową funkcją wariancji. Załóż- my, że dla danego k zmienne losowe vk0, vkl, ... mają rozkład z gęstością pk(vk, Xk) określoną wzorem (2). W [1] pokazano, że istnieje dokładnie sześć rozkładów — nie licząc ich liniowych transformacji — należących do klasy wykładniczej i spełniających warunek (3). Są to rozkłady: Poissona, dwumia- nowy, ujemno-dwumianowy, gamma, normalny i GEHS.
Oznaczmy przez 7 7 ^ rozkład o gęstości danej wzorem (9) gk (X*, Pk, rk) = Ck (pk, rk) Bk (/k) exp [& Ak (żk) + rk Bk (Xk)], gdzie parametry (£k, rk)eS k.
W [3] podano postacie zbiorów Sk parametrów (/?k, rk), gdy pk(vk, Ak) jest gęstością jednego z sześciu wskazanych rozkładów.
Gdy FIpkrk jest rozkładem a priori parametru Ak, wtedy rozkładem a posteriori tego parametru, gdy znamy £ vki, jest' ^k(Xk, ^k„, rkn), gdzie n- 1
i=0 n— 1 (10) Pkn = Pk + nqk, rk„ = rk+ £ vki.
i= 0
Dla rozkładu a priori 77Jgfcrfc parametru Ak mamy (patrz [2], [3])
( 1 1 ) E ix jv r 1) ^
Pkn oraz
£ ( 4 2/ n " “ ‘) = V
ir,2„ + T ń r» „+ Ę ,
( 12 )
gdzie E(-/Vk *) oznacza warunkową wartość oczekiwaną, gdy jest dany wektor Fk"_1; T£, i = 1, 2, 3, są stałymi zależnymi od fikHt fik0 = pk,rk0 = rk.
III. Strategie bayesowskie i ich ryzyka. Niech X = (At , ..., As) ma rozkład 77. Strategię sterowania Un €Ar spełniającą warunek
(13) r(77, Un) = inf r(77, U)
UeJp nazywamy strategią bayesowską.
Wprowadzamy oznaczenia: fi = fia-i),r = (rit ra_i).__
Niech U*(fi, r, ps, rs) = (u$, uf, ufa) będzie strategią sterowania określoną w następujący sposób:
(14) «Sr = 0,
U* = - P„Xn~ X Qknrkn = - PHXn- £ ^ M _ 1 ’
Pkn
gdzie
(15)
k= 1 k= 1
P„ = n „+1 ctnAn+lfi1 77„
J ,—— An+1 p2 77n
+ 1 ^~ 77„ +1 ^n+l Tkn^k + ^fc.n+l 1 0 *„ = -p r~ P i 77,
M
= I p„
, , 77„+1 ,, Pkn
kn+ ——— An+i g 2
k 1, ..., s,
stałe A„, Dkn, k = 1, ..., s, spełniają równania rekurencyjne
4 - n (") i ^ n + 1 ,4
— “00+ ^n+1
,(16)
^ ~2 i ^ n+ 1 /( j - j An+1 <X 0C„ _2 .,2
“ u , , 77w+1 ^
^"+1 ^2
Dkn — a0ik + 77„ + 1 C^kn Qk An+ i "ł" Dk n+ i] ^ ( IIn+i A '„2\
n
^n+1 ^
/n„ , 77„+1 a
+ ^ n + l/^2 77,
z warunkami początkowymi: = a(0^ , 7)kM = a ^ , k = 1 ,..., s. Przez <r2 oznaczono wariancję zmiennych losowych w„.
Podobnie jak w [2] przez zastosowanie metod programowania dynami-
cznego dowodzi się, że wyżej opisana strategia sterowania jest bayesowska
względem rozkładu a prio ri77 = n Pin x llp 2r2 x ... x / 7 ^ , gdy (/?, r, /?s, rs)
eSi xS2 x ... xSs. Przez {fi, r, /?s, rs) rozumiemy wektor
(fil* r 1, 02, r2,..., 0S, rs).
Niech Vn~1 = (F 1"“ 1, K2"_1, ..., Fs"-1) oraz niech M n ~
(17) R„(ż, 17) = £ x {£ — I f + k u f W" - 1, Xn},
gdzie X J oznacza warunkową wartość oczekiwaną przy danych wartościach Vk ~x, k = 1, s, X n.
Oczywiście R 0 (X, U)
=R (X, U).
Stosując metody podobne jak w [2] dowodzi się, że Rn(I, U) spełnia następujące równanie rekurencyjne:
(18) R„(X, U) = (x„, X)A<">{x„ X)r + ^«„2 + % i £ x[R„ł I (I, U ) / V ~ \ X„], a następnie, że
(19) R(X, r, A, r,)) = a(0’x3 + £ [ C ^ + 4 °U ,2 + 21il0'x 04 +
k = 1
+ 2 X 4? Xi + 2 £ (fcg* rk r} + mg* Xk Xj) + g(k0) Xk] + z(0),
j= 1 J= k 1
gdzie stałe a(0), 4 0); ^k0), 4?\ g[0), z(0); k, j = 1 , ..., s, k ^ r ^ s , k < / < s, można otrzymać z następujących, rekurencyjnych ze względu na n równań:
a'"> = A„, Ą"' = Din,
t& = 4 a , . 0 , . + % - f e An k iQknQ „ + b ^ l>y
d** =: akk H jj C^n+1 7k« Qki + 2Dk „+ j yk„ qk +
+2K+1,* + M ri,<h l+4"+11],
(20) = % - [ - / ( ,+, a . y„q,lii+bi }+1 1 , a„M. + « r “i
mli? = 4 ? + /7^ L‘ [ 4 + i Tta7in9»9i + 1 Vi„9i + Di,.+1 A,9„ +
+ ® +119ft + S'* " 9, + J) 9* 9, + mlT "],
4 ”’
2 '"' =
n »+1
n„+i n„
[An+ i ykn4k2 + frk*+1)4k2+0k"+1)]>
K +1 i yk2^k3+ k= 1 k= 1 i
z warunkami początkowymi: a(M) = affl, Ą M) = a[k\ hk = ajj?, mkł = affK i pozostałymi stałymi dla n = M równymi zeru. Rozwiązanie tego układu równań jest następujące:
( 21 )
, ( n )
A„ /ii"* = Dkn,
i M - 1 o(i)
U(n) _ V 3fcr
kr n n it f i kifiri’
Ąn) = — n n
m _ _ L
~ n XX n
M - l ... -
t'k’-Z q t Z ( i- n ) - ~ + Z
i = n + l Pki i = n + l \Pki) .
C(i)
M- 1 ł fck
M — 1 o(i) M - l o (0
Z / + « , Z
i = n Pki i - n + 1 Pki Pji _
4 ? i #•(«) _
rki Hk
M - 1
i = n + 1 Z
M - 1Z(n) =
+ HkHi Z
i = n + l P k i P l i _ Hk2
- - c(0 M -1 o(0
Z Z ( * - » ) = * +
1 ' Pki i = n + 1 Pli
C (0
M - 1
C(i)
i V1 /• \ ^kk
i = n + l \Pki) J
77
rr 1 s Z ^k3
i J n k= 1
M - l o (0
. /• x *^kk
gdzie niezależne od fi, /?s stałe są dane równaniami:
^k? = H k n H i n ( I I n+ 1A n+ k f i 2 + n „ k n),
M - i= n„ a g + Z n i+! t ó ^ki 4-+1 + 2ykt- qk Dk>i+i + 1}),
M - 1
( 2 2 ) tffl = F l n a f f + Y
jH i + 1 (Jki 7 u Hk Hi A - + i + 7ki Hk A , i + 1 + 7 u Hi D k,i + 1 + a u + 1 ))»
i~ n
4 ? = fti (* ~ n) + Hk (i — n)(i — n — 1),
M - 1
ykn = Z 7ki 77f + i A l + ! . i = n
IV. Granice strategii bayesowskich. Podzielmy zbiór indeksów «/ =
= {1,2, . . .,s — l} na trzy rozłączne podzbiory J u J 2, </3 takie, że J = / j u Ą u Ą . Oznaczmy ten podział zbioru </ przez Wprowadzimy następujące oznaczenia związane z podziałem ^ zbioru J . Przez fi* =
= {fi*, /?f-i) oznaczamy punkt w /f*- 1 — być może niewłaściwy — taki,
że fit = fik, gdy k fit = oo, gdy k e J 2, gdzie Analogicznie,
przez P = (rf, rf_x) oznaczamy punkt w Rs~x taki, że r$ = mk, gdy k e J t v J 2, rf = rk, gdy k e J 3.
Niech m* = (mf, m f-J, y = (yi, ys_-i), = (<71 ? będą punktami w I?5-1. Będziemy pisali, że y -►/?*, jeżeli dla każdego k e J : yk -*/?*, oraz że %. -*m*, jeżeli — ->m* dla k e J i KjJ2 i — “*-77' dla k e</3.
y l k 7k Pk
Z danym podziałem & zbioru J związane są strategie sterowania, których oznaczenia i definicje podajemy poniżej.
Oznaczmy przez U#{(}*, P , /3S, rs) = (u0, uM) strategię sterowania, dla której:
«m = 0,
(mk)
(23) un = - P nx„ - Y. HtĄ ---- £ Hknmk —
k e ^ i Pkn k e S 2
~ I H j - p - H j f - , n = 1...M - 1,
k e S
3Pkn Psn
uo — ~ P o xo~ X Hkomk~ Z ^ko~n Hs0— .
k e ^ i
2 k e .^ 3Pk Ps
Podobnie przez +Up(j3*, r, oo, mj = (+u0, +Mi> •••» +% ) oznaczamy stra- tegię, dla której
+“M = °’ <»*>
(24) +u„ = - P . x . ~ Y. HtĄ ---- X Hk„mk-
k e S ^ Pkn k e J 2
~ Y H k n j 1 - H s n m s , n = 1 , . . . , M — 1, k e J 3 Pkn
+ U0 ~ ~ P o X0~ X HkOmk~ X ^ k0~R HsOms- ke^i kj J2 *6^3 Pk
Wreszcie przez ~Up(j3*, P , /?s, ms) = (- u0, _ m 15 ..., _wM) oznaczamy strategię zdefiniowaną następująco:
mm —
J mk>
Un = ~ PnXn~ £ H kn~£---Z H kn ™k ~ r kn
keSi Pl kn
k e J 2(ms)
- I n = 1... M - l ,
k e S
3Pkn Ps
U0 — ~ PoX0~ Z ^kO mk — Z ^*0 71 #s0 ms • keSj u-^2 ke^3 Pk
( 25 )
Występujące w powyższych definicjach symbole /?*„, rkn mają znaczenie
n— 1
nadane im wzorami (10), a rk™k) = ]T vki-\-mk^k.
Dla f c e { l,...,s | będziemy pisali, że mkESkl, jeżeli istnieje ciąg i=0
{(7ki» <*«)};= i, (Va, dla którego yki -+ oo, — ^ m k dla i -> oo. Podob- nie będziemy pisali, że (fłk, mk) eSk2, jeżeli istnieje ciąg {(yki, tfki)};=i, dla 7ki
którego (yu , aki)e S k, yki -►&, — ^ m k dla i -►oo.
Z postaci zbiorów Sk wynika, że dla każdego z sześciu rozkładów należących do klasy wykładniczej z kwadratową funkcją wariancji Pk > 0, jeżeli (Pk,r k)eS k (patrz [3]).
Załóżmy, że
mk eSkl, (yk, ak) eSk dla k e J 2t (26) (fik, mk) eSk2, (yk, <rk) eSk dla /c 6 J u
(pk,r k)eS k dla k e J 3, k = s.
Wtedy z (19) i (21) otrzymujemy
(27) R (I, f*. ft, O) = lim R(X, £/*(f, <f, ft, rj).
f-ł*
-=• ->m*
Jeżeli mseSsl,(ys,trs)eS s, to
(28) R (f,+l/,(? * ,r* ,o o ,m J)= lim R (X, U* (y, 5, y„ aj).
-»m*
yc -►oo,--- ►mc s
ffsVs s Jeżeli (&, ms)e Ss2, (ys, <Js)eS s, to
(29) R(X, ~ U<?($*, r*, f}s, mj) = lim R(X, U*(y, a, ys, aj).
y-+ P *,J -*m*
yS~*Ps’ys ~*mSas
V. Strategie r-minimaksowe. Niech U* (/?, r, ps, rj będzie strategią baye- sowską wzgjędem rozkładu a priori 7 7 ^ x 7 7 ^ = 7 7 ^ x n fi r x ... x /7^
parametru k. Wtedy z (19) i (21) otrzymujemy, że jeżeli TI jest rozkładem a priori parametru I, to
(30) r ( n ,V * t f , r, ft, r,)) = £ Ą01 £ (A?) + fc= 1
+ £ (2Dfc0 + 9l°> + 2 £ IJj? ij) £ (A*) ■+ 2 ’£* £ mg' £ (A*) E (A,) +
*=1 j = l k = 1 j= k + 1
+ io ^ o + z(0) + i B ^ + 2 Z b[?rkrj).
fc = 1 j= k+ 1
Załóżmy, że dla k e J zmienne losowe vk0, vkl, ... mają rozkład dwumia- nowy z parametrem Xk, a zmienne losowe vs0, vsl, ... mają rozkład normalny z parametrem Xs.
Załóżmy, że r jest zbiorem tych wszystkich rozkładów a priori parametru I, dla których
(31) E(Xk) — mk, 0 < mk < 1 dla k e J oraz
(32) £(żs2) = ms, ms > 0,
gdzie stałe mk, k = 1 , ..., s, są dane.
Gdy pk(vk, żk) jest gęstością rozkładu dwumianowego, wtedy dla rozkładu a priori parametru Xk zdefiniowanego wzorem (9) mamy, gdy (Pk, rk)eS k, że E(Xk) = j - oraz
Pk
(33) E (11) = g s* = {/V- rk > 0, rk > 0}.
Gdy pk{vk, Xk) jest gęstością rozkładu normalnego, wtedy dla rozkładu a priori parametru Xk zadanego wzorem (9), gdy (Pk, rk) eSk, mamy że E(Xk) = oraz
Pk
(34) E(li) = § + - j - , Sk = % > 0, rk eR\.
Pk Pk t
Wobec tego, jeżeli iJ^>Fx/7^ eT i {Pk,r k)e S k, k = 1, ..., s, otrzymujemy (35)
oraz (36)
— = mk, k e ./,
Pk
r2 1
1 2
+ - = ms.
Pt Ps
Z (30) wynika, że jeżeli n eT, to ryzyko bayesowskie r(J7, U* (P, r, /łs, rs)) przyjmuje postać
(37) r { n ,U * tf,r ,P „ r ,)) =
= i ' Ą ^ M E U D + Z .W , f, Ps, rs)E ls + Z 20 , f, A, rj, k= 1
gdzie
s — 1
Z itf, r, rs) = 2Ds0 x0 + g(s0) + 2 £ /Js0)r, + 2 X m j?S -
j= i ;= i
( 38 )
W nawiasach przy współczynnikach we wzorze (37) zaznaczono ich faktyczną zależność od wskazanych zmiennych.
Wprowadzimy podział , / zbioru indeksów ,/ = [1, s — 1] związany z własnościami współczynników Ą0)( ). Rozłączne zbiory / l5 , / 2, ^3 podziału , / określamy następująco:
k e J 1 o d ia każdego fi > 0 djt0)(/ł) > 0, (39) / c g / 2 o dla każdego fi > 0 <40)(/ł) <0, /c g o istnieje fik takie, że d{k0)(j3k) = 0.
Oczywiście / = i t u i 2u / 3, co wynika z ciągłości funkcji c40)(-) dla /?k > 0.
Przyporządkujmy temu podziałowi punkty fi*, r*, m* (określenie patrz IV), dla których:
& = 0 dla k e J u fik = fik dla / c g / 3, r* = mk dla / c g , / i u . / 2, rk = mkfik dla / c g , / 3, m* = mk dla / c g / ,
gdzie mk = £żk, / c g ,/.
Z analizy postaci współczynnika Z t (fi, r, fis, rs) łatwo widać, że spełnia on przynajmniej jeden z trzech poniższych warunków
(A) lim Z 3 (y, a, fis, J m s - fis) ^ 0, y ~*P*A */v) -"i* Ps-<*>
(B) lim Z ^ y , a, Ps, - ^ / m sf ó - p s) ^ 0, y-*P*,(óly)
Ps-°°
(C) istnieją fis ^ — i rs takie, że (&, rs) eSs i ms f Gs (^s ’ fis» rs) dXs TYls
As oraz
lim Z i {y, o , fis, rs) = 0.
y o/y) ~*m*
Ponadto zauważmy, że Z x(-, •, ■, •) jest ograniczoną funkcją swoich zmien- nych, gdy spełniają one warunki (35) i (36).
Stosując wyżej wprowadzone oznaczenia, sformułujemy twierdzenie poda- jące r-minimaksowe strategie sterowania (.T-MSS) w każdym z możliwych
przypadków zachowania się współczynników d(k0)(•), / c g ,/; Z l (-, •, •, •)•
T w ie r d z e n ie . Przypuśćmy, że zmienne losowe vk0, vkl, ... mają dla k e J rozkłady dwumianowe, a zmienne losowe vs0, vsl, ... mają rozkład normalny.
Wtedy:
1) jeżeli spełniony jest warunek (A), to strategia + Up(fi*, r*, oo, y/ms) jest r-MSS;
2) jeżeli spełniony jest warunek (B), to strategia + Up(j3*, r*, oo, — ^/m^
jest r~MSS;
3) jeżeli spełniony jest warunek (C), to strategia U<?($*, r*, \8S, rs) jest T- MSS.
Do dowodu twierdzenia potrzebny jest, znany z teorii decyzji, lemat (patrz twierdzenie 6.5.2 [4]), który podamy w wersji zamieszczonej w [3]
L e m a t . Niech {TJk j ® będzie ciągiem rozkładów a priori na przestrzeni A, n ke r i niech [Uk} f oraz 1 r(n k, Uk) ] ® będą odpowiadającymi mu ciągami bayesowskich strategii sterowania i ich ryzyk bayesowskich. Jeżeli U° jest strategią sterowania spełniającą warunek
supr(77, U°) = limsupr(17fc, Uk),
Ile r k -* oo
to U° jest r-minimaksową strategią sterowania.
D o w ó d tw ierdzenia. Przypuśćmy, że spełniony jest warunek (A).
Z (37) i (28) mamy
r (n, r*, oo, ^/mj) = lim r(J7, U*(y, 5, y„ - 7>» = y-*P*,(a/y)->m* ys-ao
= lim [ £ 4 0»(Vl) £ tó ) + £ 4 0l(y*)£(^) + E 4 01 ( « £ « ) +
k e ^ i k e J 2 k e J 3
( a/y) -*m*
+ z 1 (y, O, ys, J m sy 2 - ys) EXs + Z 2{y, a, ys, J m sy2s - ys)] ^
< lim [ X dk0)(yk)mk+ Z 4 0)(yfcW + Zi(y, o, ys, j m sy2s- y s) ^/ms +
y ^ p * ,y s -*oo k e f i
+ z 2 (y, V, ys, \/™sy2- y s)] = lim [V Ą 0)(yk) ak^ k + 1^ +
y-+P*, vs - « k e J yk (y k + 1)
(a/y) ->m*
/ 2
+ Zi(y, ó, ys, J m sy2 - ys) ^ — h + z 2{y, d, ys, J m sy2- y s)] =
Js
= _ lim r(n f ^ x IJ ______> U*(y, 5, ys, J m s y2s - ys)).
y-*p*,ys ->ao V*’v msy 2 + ys