高阶柯西中值定理中间点的渐近性及误差估计

利用洛必达法则研究长度趋于零和长度趋于无穷大的两类区间上高阶柯西值定理中间点的渐近性及其误差估计.     

Wilson元插值误差渐近估计

Wilson元是工程界常用的一种有限元计算方法,但在理论分析中插值误差估计的常数只知道存在,不知道具体值.本文给出了在L~2、H~1范数意义下Wilson元在参考单元和一般单元上插值误差渐近估计,导出了主要常数.这种精确的估计为有限元后验误差估计和自适应计算提供保障.     

双奇次有限元的渐近准确误差估计

§1.引言 近年来自适应有限元方法无论在数学理论还是在实际应用方面都已得到迅速发展.I.Babuska 等首先提出了双线性单元(p=1)的h型自适应方法.此后作者与Babuska又发展了双二次单元(p=2)的h型自适应方法并进行了一系列数值计算.这些成果已被应用于美国马里兰大学的自适应有限元程序FEARS中.自适应方法的基础在于对有限元近似解作后验误差估计,这些估计应是便于计算的.作者在[5]中已对任     

线性模型中误差方差估计的分布的渐近展开

<正> §1.引言许宝騄教授在他的著名的工作[1]中,得到了样本方差1/(n-1)sum from i=1 to n (X_i-(?))~2(经过规则化)的分布的渐近展开.本文的目的是把许教授的结果推广到线性模型中误差方差的基于残差平方和的估计.考虑线性模型Y_i=x′_iβ+e_i,i=1,2,…,n,…. (1)此处,{x_i}为一串已知的 p 维向量(试验点列),β=(β_1,…,β_p)′为未知的回归系数向     

双偶次有限元的渐近准确误差估计

当我们用有限元方法近似求解偏微分方程的边值问题时,常对近似解有一定的精度要求.于是仅在初始网格上进行一次计算是不够的,往往要进行一系列的计算.如何根据对已有计算结果的分析来控制下一步计算,导致自适应方法的出现.自适应方法的基础是对有限元近似解作后验误差估计.在h型自适应有限元方法中,通过加细剖分来达     

线性模型误差分布估计的渐近理论

考虑线性模型,其误差是i.i.d具有公共的未知密度f(x).基于残差构造f(x)的非参数估计f_n(x),本文在作者以往工作的基础上进一步建立了f_n(x)的L₁-模相合性、渐近正态性及重对数律,而所施加的条件则是十分一般的,这些结果完善了误差分布的渐近理论.     

rArBrC上界的估计

文[1]得到如下定理. 定理1 如图1,△DEF是由△ABC的三条外角平分线构成的三角形.     

关于线性模型误差方差估计的渐近展开

<正> 早在1945年,许宝(马彔)教授在他的著名工作[2]中,得出了取自总体的独立样本的样本方差依分布收敛于正态的速度及分布的渐近展开.陈希孺教授在1979年将收敛速度推广到一般的线性模型,1980年,陈希孺教授及白志东,赵林城解除了[1]对试验点列的限制,获得与独立情况下完全一致的理想速度.在渐近展开方面,赵林城在试验点列满足一定限制的条件下,对试验误差独立同分布的场合,得到了(?)_n~2的分布按1/n~(1/n)的幂次的渐近展开式.本文目的在于,在一般场合下,对(?)_n~2 的特征函数加上一定限制,获得了(?)_n~2的分布展开到1/n~(1/n)阶的项后余项为 O(1/n).     

多元样本定理及混淆误差的估计

本文证明了多元指数型整函数的一个Ｍａｒｃｉｎｋｉｅｗｉｃａ型不等式，并由此证得了多元Ｗｈｉｔｔａｋｅｒ－Ｋｏｔｅｌｎｉｋｏｖ－Ｓｈａｎｎｏｎ型的样本定理，从而得到了多元Ｓｏｂｏｌｅｖ类上的混淆误差界的阶的精确估计。     

自适应有限元和后验误差估计——渐近准确估计

在[7]中,作者讨论了有限元误差的1-模等价估计.本文是[7]的继续,给出一种自适应有限元计算中误差的1-模渐近准确估计,即对于误差的1-模||e||_1,Ω给出可计算的估计量?,当||e||_1,Ω→0时,成立?/||e||_1,Ω→1. 本文将沿用[7]中的定义及符号.     

Banach空间中渐近非扩张映象具误差的强收敛定理

设E是一实的Banach空间,其范数是一致Gteaux可微的;D是E的一非空闭凸子集,设T:D→D是具有序列{k_n}[1,∞),lim_(n→∞) k_n=1的渐近非扩张映象.本文证明了,在一定条件下,由(1.3)和(1.5)式定义的具误差的迭代序列{x_n}强收敛于T的不动点.本文结果也推广和改进了最近一些人的最新结果.     

第二积分中值定理中值点的渐近性估计

利用上下极限法研究第二积分中值定理中值点的渐近性态,建立了多个新的渐近性定理,推广和改进了现有文献中的多个相关结果,并给出了现有文献中很少提及的中值点趋向右端点时的渐近性结果.     

关于非对角占优矩阵之逆阵上界的估计定理

本文给出一些新的、易于检验的判别定理,能通过简便的方法来判别一类非对角占优矩阵A的可逆性、给出‖A~(-1)‖的上界以及解相应扰动方程组(A δA)(X δx)=b δb的误差估计,具有较好的实用价值。     

关于线性模型中误差方差估计中心极限定理余项的非一致性估计

in linear models, the error varianceσ2 of random errors is usually estimat-ted by the residual sum of squares (divided by a su ita ble degree of free-dom), based on the first n observation, (denote it by σ_n²). it is well known t that under certain conditions, the distribution of this estimate, when standardised, converges to the standard normal distribution. In this paper, it is shown that |G_n(x)-Ф(x)|=O(n^-δ/2(1+|x|)^-(2+δ)). when the errors are indepedent (maynot be identically distributed) and their 4 + 2δ order moments exist, where G_n(x) is the distribution of (σ_n²-σ²/(varσ_n²)^1/2,Ф(x)=1/(2π)^1/2∫_-∞^xe^-r2/2dt.     

有限元的渐近准确误差估计和局部超收敛性

[1—3]曾系统讨论有限元的局部(内部)超收敛理论,指出:一个局部区域只要剖分好而且解光滑,那么有限元逼近在该区域就有超收敛性。Babuska曾讨论某几种有限元的后验估计和渐近误差估计,但这些可算的后验估计量(也叫误差指示子error estima-tor)表达式复杂,计算麻烦,作自适应处理并不方便。实际上,后验估计与局部超收敛性有着天然的联系。本文证明,凡是有超收敛性的地方都可进行渐近准确误差估计,这种可     

PA误差下回归函数小波估计的渐近性质

本文研究了回归函数小波估计的渐进性质的问题.利用概率不等式方法,获得了函数g(·)的小波估计量的r-阶矩相合,依概率收敛和强收敛以及渐进正态性的结果,所获的结果推广了其他混合相依下的相应结果.     

多维平稳序列相关估计渐近误差的谱表示

设{X_t}_(t=0 (?)±(?)…)是平稳序列,且可表示为X_t=sum from j=-∞ to +∞ b_(t-j(?)j) (1)的形式。在一维情况下,Barttett 对(?)_j 为 i.i.d 随机变量的情形得到了相关系数估计的渐近均方误差公式(即 Barttetl 公式)在多维情形,当{(?)_j}是多维的 i.i.d 序列时讨论了X_t 的相关估计的渐近均方误差公式。本文在{(?)_j}为多维鞅差序列的假定下得到了多维的     

改进的椭圆型问题一阶渐近展开误差估计

1引言考虑下述多尺度椭圆问题:■(1)其中椭圆算子A_ε定义为A_ε=-■/(■x_i)(a_(ij)~ε■/(■x_j).(2)本文使用爱因斯坦求和约定,重复指标表示求和.系数a_(ij)~ε(x)=a_(ij)(x/ε)满足下列条件:     

Euler-Maclaurin 公式与渐近估计

若 f(x)是连续可微函数,那么我们可以用 f(x)及其导函数 f′(x)的有关积分表示有限和 sum from k=n+1 to m f(k),这就是重要的 Euler-Maclaurin 公式.令 m 趋于无穷,我们就可以用广义积分表示出相应的无穷级数.更一般地,当级数是函数项级数 sum from k=1 to ∞ f(k,t)时,这个级数可用含参数 t 的广义积分表示出来.这对于研究级数的和函数的渐近性质常常是很有用的.本文先介绍 Euler-Maclaurin 公式,然后给出它在渐近估计方面的几个例子.     

线性模型误差方差估计中心极限定理余项的非一致估计

<正> 以 F_n(x)和φ(x)分别记((?)_n~2-σ~2)/(?)和标准正态随机变量的分布函数.关于 F_n(x)收敛于φ(x)的速度问题,一直是人们关心的问题.文献[1],[2]证明了δ=1时的一致和非一致收敛速度的估计问题,达到了与独立和同样好的界限.本文则证明了如下的结果: