阶的估计I 无穷小量与强函数1 基本概念 无穷小量与强函数的运算法则

写在前面

阶的估计是一个大家从学数分/高数开始到未来研究工作中出现频率都会非常高的一个词语，特别是对于从事数值计算/理论研究的工作者而言。结合我个人学习与研究经历来说，阶的估计就是尝试用毕生所学分析技巧去计算一个极限/积分/级数或者找它们的上下界的过程，并且这些极限/积分/级数看起来都非常不一般，比如我在科研中遇到过的：
$$f(y)=\int y{e}^{\frac{y^2}{2(1+u^{-2}{\tau }^2)}}\frac{1}{u^2+(u\ln (u^{-2}){)}^2}du$$

目标是估计$f(y)$这个函数关于$y$在$0$处的阶，也就是找到一个$\alpha$使得
$$\underset{|y|\to 0}{\lim }{y}^{-\alpha }f(y)=const$$

这个积分拥有让人一看就想放弃的魔力，但它和贝叶斯统计理论中的一个小问题的一种可行解的稳健性有关，所以我们又不得不尝试搞一下这个积分。

阶的估计的应用非常广泛：数值计算中估计算法的误差/收敛速率，机器学习中估计算法的收敛速率/运算时间/最少样本量，理论统计中计算随机元的concentration、证明估计量的一致性/计算估计量的收敛速率等。并且这些领域有一个共同的特点，那就是这是一个机器无法替代的工作！无法被替代的原因很简单，机器虽然能做数值逼近，但它处理不了无穷这个概念。这是一个好事，说明我们理论工作者在短时间内还是不可或缺的，但这也是一个坏事，意味着我们不得不与这些奇形怪状的极限/积分/级数战斗。所以这个系列的博客就是总结一些大家数分/高数/复变/实变都学过的关于收敛性与阶的判断技巧，希望对大家的学习与科研带来一些帮助。

---

定义1.1 无穷小量
假设$$\underset{x\to x_0}{\lim }f(x)=0$$

称$f(x)$在$x\to x_0$时是无穷小量，记为$f(x)=o(1)$；如果
$$\underset{x\to x_0}{\lim }\frac{f(x)}{g(x)}=0$$

称$f(x)$在$x\to x_0$时关于$g(x)$是无穷小量，记为$f(x)=o(g(x))$，它的含义是在$x\to x_0$时，$f(x)$比$g(x)$更快趋近于0；

定义1.2 等价
如果
$$\underset{x\to x_0}{\lim }\frac{f(x)}{g(x)}=1$$称$f(x)$在$x\to x_0$时关于 g ( x ) g(x)