特征值问题误差分析：Babuska–Osborn紧算子谱逼近理论

特征值问题误差分析：Babuska–Osborn紧算子谱逼近理论

上午好，各位。非常荣幸站在这里。且，今天我想给大家分享一些关于特征值问题的误差分析。
关于我们的讨论班，我提议用说英文。就是，关于我们的讨论班，我提一个建议。我觉得大家可以英文来讲。事实上，我们以前就这么干过，并且取得了不错的成果。为什么呢？因为大家以后有可能不免要在国际会议上做报告，要和外国人交流，讨论班就是一个很好的练习的机会。
有问题吗？那么今天就从我这里开始，以后我也很可能就参与到你们的讨论班当中来。try to persuade everybody……don’t be shy, just try, OK? Speak as more as possible。反对无效，反对无效，反对无效，好，我说服了所有人。

从一个简单的例子开始

一维例子

让我们从一个简单的例子讲起。让 $\Omega =[0,\pi ]$，我们寻找特征对 $(\lambda ,u),u\ne 0$，使得
$$\begin{array}{rl}-u^{\prime \prime }(x)& =\lambda u(x)\text{ in }\Omega ,\\ u(0)& =u(\pi )=0.\end{array}$$
这个问题具有真解 $\lambda =k^2,u=\sin (kx),k=1,2,3,\cdots$。取 $V=H_0^1(\Omega )$，标准的有限元方法告诉我们，上述问题的弱形式是，寻找 $\lambda \in \mathbb{R}$ 和非零 $u\in V$，使得，
$${\int }_0^{\pi }{u}^{\prime }(x)v^{\prime }(x)\mathrm{d}x=\lambda {\int }_0^{\pi }u(x)v(x)\mathrm{d}x\forall v\in V$$
它的有限元逼近是，取 V h = span ⁡ { φ 1 , … , φ N } ⊂ V V_{h}=\operatorname{span}\left\{\varphi_{1}, \ldots, \varphi_{N}\right\} \subset V Vh​=span{φ1​,…,φN​}⊂V，那么，我们要求 ${\lambda }_h\in \mathbb{R}$ 和非零 $u_h\in V_h$，使得
$${\int }_0^{\pi }{u}_h^{\prime }(x)v^{\prime }(x)\mathrm{d}x={\lambda }_h{\int }_0^{\pi }{u}_h(x)v(x)\mathrm{d}x\forall v\in V_h$$

它的代数形式是，
$$A\mathrm{x}=\lambda M\mathrm{x}$$
其中的 A = { a i j } i , j = 1 N A=\left\{a_{i j}\right\}_{i, j=1}^{N} A={aij​}i,j=1N​ 是刚度矩阵， M = { m i j } i , j = 1 N M=\left\{m_{i j}\right\}_{i, j=1}^{N} M={mij​}i,j=1N​ 是质量矩阵，他们的元素是：
$$a_{ij}={\int }_0^{\pi }{\phi }_j^{\prime }(x){\phi }_i^{\prime }(x)\mathrm{d}x$$
$$m_{ij}={\int }_0^{\pi }{\phi }_j(x){\phi }_i(x)\mathrm{d}x$$

P1 元逼近

为了方便，我们不妨更具体一些。我们把$[0,\pi ]$ 剖分成 $N+1$ 份，区间长度为 $h=\frac{1}{N+1}$，有限元空间我们用 ${\mathcal{P}}_1$。简单的计算，我们可以得到刚度矩阵和质量矩阵。
$$a_{ij}=\frac{1}{h}\cdot \{\begin{array}{ll}2& \text{ for }i=j,\\ -1& \text{ for }|i-j|=1,\\ 0& \text{ otherwise }\end{array}{m}_{ij}=h\cdot \{\begin{array}{ll}4/6& \text{ for }i=j\\ 1/6& \text{ for }|i-j|=1\\ 0& \text{ otherwise }\end{array}$$
不妨取 $N=3$，我用 MATLAB 算了一下，${\lambda }_h^{(1)}=1.0524$，${\lambda }_h^{(2)}=4.8634$，${\lambda }_h^{(3)}=12.843$，且 $u_h^{(1)}=[0.7071,1,0.7071]$，$u_h^{(2)}=[1,0,-1]$，$u_h^{(3)}=[0.7071,-1,0.7071]$，它刚好就是：
$$u_h^{(k)}(ih)=\sin (kih),i=1,\dots ,N$$
$${\lambda }_h^{(k)}=\left(6/h^2\right)\frac{1-\cos kh}{2+\cos kh}$$
那么，我们可以很容易地看到，
$${\Vert u^{(k)}-u_h^{(k)}\Vert }_V=O(h)\left|{\lambda }^{(k)}-{\lambda }_h^{(k)}\right|=O\left(h^2\right)$$
这里的 $u^{(k)}(x)=\sin (kx)$，${\lambda }^{(k)}=k^2$。事实上，做泰勒展开，
$$\frac{1-\cos kh}{2+\cos kh}=\frac{1}{6}(kh{)}^2+\frac{1}{72}(kh{)}^4+O(kh{)}^6$$.
代入即可得到这样一个估计。

一些观测和思考

一些重要观测：

• 数值解出来的特征函数，是正弦函数在节点处的插值。这意味着更密的网格才能捕捉到更高频率的特征。
• 数值特征值从上逼近特征值。
  $${\lambda }^{(k)}\le {\lambda }_h^{(k)}\le {\lambda }^{(k)}+C(k)h^2$$
  这是因为，
  $${\lambda }_h^{(k)}=k^2+\left(k^4/12\right)h^2+O\left(k^6{h}^4\right),\text{ as }h\to 0$$
• 特征值的误差估计是特征向量的两倍，更一般地，对于 $p$ 阶拉格朗日元，
  $${\Vert u^{(k)}-u_h^{(k)}\Vert }_V=O\left(h^p\right)\left|{\lambda }^{(k)}-{\lambda }_h^{(k)}\right|=O\left(h^{2p}\right)$$

一个问题是，如何衡量特征函数的误差？因为对应于同一个特征值的特征函数并不是唯一的。

• 特征子空间的任意一个元素都是特征函数。
• 单特征值的特征向量，即使做了归一化，依然在差一个符号的意义下不唯一。

一些基本定义

下面我们将介绍紧算子谱逼近理论。首先，我们给出一些定义。
$X$ 是希尔伯特空间，$T:X\to X$ 是一个紧线性算子。

• 预解集（正则集）$\rho (T)$：
  { z ∈ C ∣ ( z I − T ) 是 个 双 射 } . \left\{z \in \mathbb{C} \mid (zI-T)是个双射 \right\}. {z∈C∣(zI−T)是个双射}.
• 预解算子：$(z-T{)}^{-1}$。这里省略了 $I$。
• 谱集：$\sigma (T)=\mathbb{C}\backslash \rho (T)$。所有非零的谱集都是特征值，零可是可不是。
• $\lambda -T$ 的上升重数（$\lambda$ 非零特征值）：最小整数 $\alpha$，使得 $\ker (\lambda -T{)}^{\alpha }=\ker (\lambda -T{)}^{\alpha +1}$。
• 特征值代数重数：$\dim (\ker (\lambda -T{)}^{\alpha })$ 。
• 广义特征向量：$\ker (\lambda -T{)}^{\alpha }$ 中的元素。
• 广义特征向量的阶：一个广义特征向量是 $k$ 阶的，当它在$\ker (\lambda -T{)}^k$，但不在 $\ker (\lambda -T{)}^{k-1}$。
• 特征值几何重数：$\dim (\ker (\lambda -T{)}^{})$

当 $T$ 是自共轭的时候，所有特征值的上升重数为 1，几何重数等于代数重数，所有的广义特征向量都是特征向量。

• Riesz 谱投影：给定一个闭合曲线 $\Gamma \subset \rho (T)$，它包围了一个特征值 $\lambda$，那么，谱投影$E(\lambda ):X\to X$，定义为：
  $$E(\lambda )=\frac{1}{2\pi \mathrm{i}}{\int }_{\Gamma }(z-T{)}^{-1}\mathrm{d}z$$

谱投影的值域就是广义特征向量空间，
$$E(\lambda )X=\ker (\lambda -T{)}^{\alpha }$$
如果 $\Gamma$ 包含更多的特征值，那么
$$E\left({\lambda }_1,{\lambda }_2,\dots ,{\lambda }_n\right)X=\underset{i=1}{\overset{n}{⨁}}\ker {\left({\lambda }_i-T\right)}^{{\alpha }_i}$$

• 共轭：$T^{\ast }:X\to X$ 表示 $T$ 的共轭。

$T$ 和 $T^{\ast }$ 分享相同的几何重数，代数重数和共轭的特征值。

变分特征值问题

特征值问题

下面考虑变分特征值问题。我们主要考虑对称特征值的情况。
$V$ 和 $H$ 都是希尔伯特空间，$V\subset H$ 是稠密连续嵌入。令 $a:V\times V\to \mathbb{R}$ 和 $b:H\times H\to \mathbb{R}$ 是对称连续的双线性型，且 $a$ 满足椭圆性，即
$$a(v,v)\ge \alpha \Vert v{\Vert }_V^2\forall v\in V$$
那么我们要考虑的变分特征值问题是，寻求 $\lambda \in \mathbb{R}$，$u\in V,u\ne 0$：
$$a(u,v)=\lambda b(u,v)\forall v\in V$$
解算子 $T:H\to H$ 定义为：
$$a(Tf,v)=b(f,v)\forall v\in V$$
我们假定 $T$ 是自共轭的，它是紧算子。它的特征值的倒数正好是变分特征值问题的特征值。
我们把特征值按一种自然的方式排一下：
$${\lambda }^{(1)}\le {\lambda }^{(2)}\le \cdots \le {\lambda }^{(k)}\le \cdots$$
我们用 $u^{(k)}$ 表示相应的特征函数，并且被归一化，$b\left(u^{(k)},u^{(k)}\right)=1$。$E^{(k)}=\mathrm{span}\left\{u^{(k)}\right\}$。容易推导得到，特征函数具有正交性：
$$a\left(u^{(m)},u^{(n)}\right)=b\left(u^{(m)},u^{(n)}\right)=0\text{ if }m\ne n$$

特征值刻画

Rayleigh 商是刻画特征值的一个重要工具。
$$\begin{array}{rlrl}{\lambda }^{(1)}=& \underset{v\in V}{\min }\frac{a(v,v)}{b(v,v)},& u^{(1)}=& \underset{v\in V}{\mathrm{argmin}}\frac{a(v,v)}{b(v,v)},\\ {\lambda }^{(k)}=& \underset{v\in {\left(\underset{i=1}{\oplus }{E}^{(i)}\right)}^{\perp }}{\min }\frac{a(v,v)}{b(v,v)},& u^{(k)}=& \underset{v\in {\left(\underset{i=1}{\oplus }{E}^{(i)}\right)}^{\perp }}{\mathrm{argmin}}\frac{a(v,v)}{b(v,v)},\end{array}$$
这里的正交补的正交，可以由 $a$ 和 $b$ 诱导都可以。

假设 $V_h$ 是 $V$ 的希尔伯特子空间，和有限元中一样，变分问题的 Galerkin 离散可以写为：
$$a\left(u_h,v\right)={\lambda }_{h}b\left(u_h,v\right)\forall v\in V_h$$

类似原来特征值问题，我们可以有：
$$a\left(T_{h}f,v\right)=b(f,v)\forall v\in V_h$$
$${\lambda }_h^{(1)}\le {\lambda }_h^{(2)}\le \cdots \le {\lambda }_h^{(k)}\le \cdots$$
$$b\left(u_h^{(k)},u_h^{(k)}\right)=1$$
$$a\left(u_h^{(m)},u_h^{(n)}\right)=b\left(u_h^{(m)},u_h^{(n)}\right)=0\text{ if }m\ne n$$
$$\begin{array}{rl}& {\lambda }_h^{(1)}=\underset{v\in V_h}{\min }\frac{a(v,v)}{b(v,v)},u_h^{(1)}=\underset{v\in V_h}{\mathrm{argmin}}\frac{a(v,v)}{b(v,v)}\\ & {\lambda }_h^{(k)}=\underset{v\in {\left(\begin{array}{c}\oplus \\ i=1\end{array}E{E}_h^{(i)}\right)}^{\perp }}{\min }\frac{a(v,v)}{b(v,v)},u_h^{(k)}=\arg \underset{v\in {\left(\underset{i=1}{\oplus }{E}_h^{(i)}\right)}^{\perp }}{\min }\frac{a(v,v)}{b(v,v)},\end{array}$$
具体不在赘述。因为 $V_h\subset V$，那么，容易知道
$${\lambda }^{(1)}\le {\lambda }_h^{(1)}$$
当考虑第 $k$ 个特征值的时候，我们不能知道得到上述关系。所以我们介绍极小-极大值性质。

极小极大性质 特征值问题的第 $k$ 个特征值 ${\lambda }^{(k)}$ 满足
$${\lambda }^{(k)}=\underset{E\in V^{(k)}}{\min }\underset{v\in E}{\max }\frac{a(v,v)}{b(v,v)}$$
这里 $V^{(k)}$ 表示 $V$ 的 所有 $k$ 维子空间。

对于离散问题，也有类似的性质：
$${\lambda }_h^{(k)}=\underset{E_h\in V_h^{(k)}}{\min }\underset{v\in E_h}{\max }\frac{a(v,v)}{b(v,v)}$$

那么，对于协调逼近 $V_h\subset V$，我们立马就可以得到所有的特征值从上面被逼近，即
$${\lambda }^{(k)}\le {\lambda }_h^{(k)}\forall k$$

误差的刻画

诚如第一节所讲，误差的刻画是比较困难的。为此，我们定义两个希尔伯特空间的 $\delta$ 距离：
$$\begin{array}{rl}\delta (E,F)=& \underset{\genfrac{}{}{0ex}{}{u\in E}{\Vert u{\Vert }_H=1}}{\sup }\underset{v\in F}{\inf }\Vert u-v{\Vert }_H\\ \hat{\delta }(E,F)=& \max (\delta (E,F),\delta (F,E))\end{array}$$
我们用 $m(k)$ 表示前 $k$ 个不同特征值的特征空间维数，那么离散问题收敛到连续问题，我们可以写为：
对任意 $\epsilon >0$ 和 $k>0$，存在，$h_0>0$ 使得，对所有的 $h<h_0$，我们有
$$\begin{array}{c}\underset{1\le i\le m(k)}{\max }\left|{\lambda }^{(i)}-{\lambda }_h^{(i)}\right|\le \epsilon \\ \hat{\delta }\left(\underset{i=1}{\oplus (k)}{E}^{(i)},\stackrel{m(k)}{\oplus =1}{E}_h^{(i)}\right)\le \epsilon \end{array}$$

性质： 离散特征值问题收敛到连续特征值问题，当且仅当
$${\Vert T-T_h\Vert }_{\mathcal{L}(H)}\to 0\text{ 当}h\to 0$$

如果 $T:V\to V$ 是紧的，且那么上式可以被改为
$${\Vert T-T_h\Vert }_{\mathcal{L}(V)}\to 0\text{ 当}h\to 0$$

$P_h$ 是关于 $a$ 的 Riesz 投影。

性质： 若 $T$ 是紧的从 $H$ 到$V$，$P_h$ 强收敛到从 $V$ 到 $H$ 的单位矩阵，那么上一个性质成立从 $H$ 到 $H$。

如果 $T:V\to V$ 是紧的，$P_h$ 强点收敛于单位矩阵从 $V$ 到 $V$，那么
$${\Vert T-T_h\Vert }_{\mathcal{L}(V)}\to 0当h\to 0$$

Babuska-Osborn 理论

收敛性

我们依然考虑希尔伯特空间中的对称问题。假定 $X$ 是希尔伯特空间。$T:X\to X$ 是紧线性算子。我们考虑 $T_h$ 使得，
$${\Vert T-T_h\Vert }_{\mathcal{L}(X)}\to 0\text{ as }h\to 0$$
对于只包含一个特征值 $\lambda$ 的曲线 $\Gamma \subset \rho \left(T_{}\right)$，当 $h$ 足够小时，$\Gamma \subset \rho \left(T_h\right)$，且 $\Gamma$ 刚好包含了 $T_h$ 的 $m$ 个特征值。

更简单地说，考虑离散谱投影：
$$E_h(\lambda )=\frac{1}{2\pi \mathrm{i}}{\int }_{\Gamma }{\left(z-T_h\right)}^{-1}\mathrm{d}z$$
我们有，
$${\Vert E(\lambda )-E_h(\lambda )\Vert }_{\mathcal{L}(X)}\to 0\text{ as }h\to 0$$

我们可以总结为如下定理：

定理： $T\to T_h$，那么 ${\lambda }_{i,h}\to \lambda$，且
$${\Vert E(\lambda )-E_h(\lambda )\Vert }_{\mathcal{L}(X)}\to 0\text{ as }h\to 0$$

通常的框架

$V_1$ 和 $V_2$ 是复希尔伯特空间，我们需要找 $\lambda \in \mathbb{C}$ 和 $u\in V_1$ 且 $u\ne 0$，使得，
$$a(u,v)=\lambda b(u,v)\forall v\in V_2$$
$a:V_1\times V_2\to \mathbb{C}$ 且 $b:V_1\times V_2\to \mathbb{C}$ 是拟双线性形式，$a$ 满足连续性，
$$\left|a\left(v_1,v_2\right)\right|\le C{\Vert v_1\Vert }_{V_1}{\Vert v_2\Vert }_{V_2}\forall v_1\in V_1\forall v_2\in V_2$$
$b$ 在紧范数 $H_1$ （在 $H_1$ 的意义下，$V_1$ 中的任意 $V_1$ 意义下的有界序列有柯西子列）的意义下是有界的，
$$\left|b\left(v_1,v_2\right)\right|\le C{\Vert v_1\Vert }_{H_1}{\Vert v_2\Vert }_{V_2}\forall v_1\in V_1\forall v_2\in V_2$$
我们假定类强制性条件：
inf ⁡ v 1 ∈ V 1 sup ⁡ v 2 ∈ V 2 ∣ a ( v 1 , v 2 ) ∣ ∥ v 1 ∥ V 1 ∥ v 2 ∥ V 2 ≥ γ > 0 sup ⁡ v 1 ∈ V 1 ∣ a ( v 1 , v 2 ) ∣ > 0 ∀ v 2 ∈ V 2 \ { 0 } \begin{aligned} &\inf _{v_{1} \in V_{1}} \sup _{v_{2} \in V_{2}} \frac{\left|a\left(v_{1}, v_{2}\right)\right|}{\left\|v_{1}\right\|_{V_{1}}\left\|v_{2}\right\|_{V_{2}}} \geq \gamma>0 \\ &\sup _{v_{1} \in V_{1}}\left|a\left(v_{1}, v_{2}\right)\right|>0 \quad \forall v_{2} \in V_{2} \backslash\{0\} \end{aligned} ​v1​∈V1​inf​v2​∈V2​sup​∥v1​∥V1​​∥v2​∥V2​​∣a(v1​,v2​)∣​≥γ>0v1​∈V1​sup​∣a(v1​,v2​)∣>0∀v2​∈V2​\{0}​
那么我们就可以引入解算子 $T:V_1\to V_1$ 和 $T_{\ast }:V_2\to V_2$，
$$\begin{array}{rl}a(Tf,v)=b(f,v)& \forall f\in V_1\forall v\in V_2,\\ a\left(v,T_{\ast }g\right)=b(v,g)& \forall g\in V_2\forall v\in V_1.\end{array}$$
从上面的假设中，我们可以推的 $T$ 和 $T_{\ast }$ 是个紧算子。

$T$ 在 $V_1$ 上的共轭，可以写为：
$$T^{\ast }=A^{\ast }\circ T_{\ast }\circ A^{\ast -1}$$
其中 $A:V_1\to V_2$ 是和 $a$ 相关的线性算子。

我们也可以定义上述特征值问题的共轭特征值问题。寻求 $\lambda \in \mathbb{C}$ 且 $u\in V_2$，$u\ne 0$ 使得，
$$a(v,u)=\lambda b(v,u)\forall v\in V_1$$
离散特征值问题公式形式能够被类似地定义，罗列如下：
$$a\left(v_{1,h},v_2\right)={\lambda }_{h}b\left(v_{1,h},v_2\right)\forall v_2\in V_{2,h}$$
inf ⁡ v 1 ∈ V 1 , h sup ⁡ v 2 ∈ V 2 , h ∣ a ( v 1 , v 2 ) ∣ ∥ v 1 ∥ V 1 ∥ v 2 ∥ V 2 ≥ γ > 0 sup ⁡ v 1 ∈ V 1 , h ∣ a ( v 1 , v 2 ) ∣ > 0 ∀ v 2 ∈ V 2 , h \ { 0 } \begin{aligned} &\inf _{v_{1} \in V_{1, h}} \sup _{v_{2} \in V_{2, h}} \frac{\left|a\left(v_{1}, v_{2}\right)\right|}{\left\|v_{1}\right\|_{V_{1}}\left\|v_{2}\right\|_{V_{2}}} \geq \gamma>0 \\ &\sup _{v_{1} \in V_{1, h}}\left|a\left(v_{1}, v_{2}\right)\right|>0 \quad \forall v_{2} \in V_{2, h} \backslash\{0\} \end{aligned} ​v1​∈V1,h​inf​v2​∈V2,h​sup​∥v1​∥V1​​∥v2​∥V2​​∣a(v1​,v2​)∣​≥γ>0v1​∈V1,h​sup​∣a(v1​,v2​)∣>0∀v2​∈V2,h​\{0}​

并且我们假定
$$\dim \left(V_{1,h}\right)=\dim \left(V_{2,h}\right)$$

收敛阶

为了统一，我们用 $X$ 表示 $V_1$。
时间关系，我们直接给出一些主要结论。

推论： 令 $\lambda$ 是原连续问题的特征值，令 $E=E\left({\lambda }^{-1}\right)V_1$ 是原问题的广义特征空间，并且令 $E_h=E_h\left({\lambda }^{-1}\right)V_1$，那么
$$\hat{\delta }\left(E,E_h\right)\le C\underset{\genfrac{}{}{0ex}{}{u\in E}{\Vert u\Vert =1}}{\sup }\underset{v\in V_{1,h}}{\inf }\Vert u-v{\Vert }_{V_1}$$

推论： 令 $\lambda$ 是原连续问题的特征值，${\hat{\lambda }}_h$ 表示逼近 $\lambda$ 的 $m$ 个特征值的算术平均。 那么，
$$\left|\lambda -{\hat{\lambda }}_h\right|\le C\underset{\genfrac{}{}{0ex}{}{u\in E}{\Vert u\Vert =1}}{\sup }\underset{v\in V_{1,h}}{\inf }\Vert u-v{\Vert }_{V_1}\underset{u\in E^{\ast }}{\sup }\underset{\Vert u\Vert =1}{\inf }v\in V_{2,h}\Vert u-v{\Vert }_{V_2}$$
这里 $E$ 是 $\lambda$ 广义特征函数空间，$E^{\ast }$ 关于 $\lambda$ 的广义共轭特征函数空间。

推论： 对 $i=1,\dots ,m$，我们有
$${\left|\lambda -{\lambda }_{i,h}\right|}^{\alpha }\le C\underset{\genfrac{}{}{0ex}{}{u\in E}{\Vert u\Vert =1}}{\sup }\underset{\genfrac{}{}{0ex}{}{v\in V_{1,h}}{\Vert u\in E^{\ast }}}{\inf }\Vert u-v{\Vert }_{V_1}\underset{\Vert u\Vert =1}{\sup }\underset{\Vert u,h}{\inf }\Vert u-v{\Vert }_{V_2}$$
这里 $E$ 是 $\lambda$ 广义特征函数空间，$E^{\ast }$ 关于 $\lambda$ 的广义共轭特征函数空间。

推论： 令 { λ h } \left\{\lambda_{h}\right\} {λh​} 是收敛到 $\lambda$ 的离散特征值序列。 对于某个 $k\le \alpha$ ，考虑一列 $\ker {\left({\lambda }_h^{-1}-T_h\right)}^k$ 中的单位特征函数 { u h } \left\{u_{h}\right\} {uh​}（$k$ 阶离散广义特征函数）。那么，对于任意的整数 $\ell$ 满足 $k\le \ell \le \alpha$，总存在一个连续问题的 $\ell$ 阶广义特征向量 $u(h)$，使得
$${\Vert u(h)-u_h\Vert }_{V_1}^{\alpha /(\ell -k+1)}\le C\underset{\genfrac{}{}{0ex}{}{u\in E}{\Vert u\Vert =1}}{\sup }\underset{v\in V_{1,h}}{\inf }\Vert u-v{\Vert }_{V_1}.$$

对称变分特征值问题

这里我们考虑特殊的情况，$V_1=V_2$ 是相同的实值希尔伯特空间，并且 $T$ 是自共轭的，那么我们有如下结果：

定理： 对每个 $k$，我们有
$${\lambda }^{(k)}\le {\lambda }_h^{(k)}\le {\lambda }^{(k)}+C\underset{\genfrac{}{}{0ex}{}{u\in E}{\Vert u\Vert =1}}{\sup }\underset{v\in V_h}{\inf }\Vert u-v{\Vert }_V^2,$$
这里 $E$ 表示 ${\lambda }^{(k)}$ 对应的特征空间。

定理： 令 $u^{(k)}$ 是 $m$ 重特征值（${\lambda }^{(k)}=\cdots ={\lambda }^{(k+m-1)}$） ${\lambda }^{(k)}$ 的一个单位特征向量 , $u_h^{(k)},\dots ,u_h^{(k+m-1)}$ 表示 $m$ 个 收敛于 ${\lambda }^{(k)}$ 的离散特征值的特征函数，那么存在
$$w_h^{(k)}\in \mathrm{span}\left\{u_h^{(k)},\dots ,u_h^{(k+m-1)}\right\}$$
使得
$${\Vert u^{(k)}-w_h^{(k)}\Vert }_V\le C\underset{\genfrac{}{}{0ex}{}{u\in E}{\Vert u\Vert =1}}{\sup }\underset{v\in V_h}{\inf }\Vert u-v{\Vert }_V$$
这里$E$ 表示 ${\lambda }^{(k)}$ 对应的特征空间。