ARCH(0,1)模型参数中位无偏估计的渐近展开，王德辉，内藤贯太，本文给出ARCH(0,1)模型参数中位无偏估的Edgeworth展开，并应用此结果，给出了检验ARCH模型的方法。能过模拟可以看出，此方法是可行的。

关于数学逼近展开式的，是一本很不错的参考书，供学习‘科研者参考’

算法分析与设计教学课件：Chapter 3 asymptotic analysis.pptx

算法分析与设计教学课件：Chapter 3 Asymptotic analysis1.pptx

此应用程序处理由分子和分母定义的传递函数 W(s) 的渐近波特图例子： 数量=randint（1,5）； den=rand(1,6); bode_asymptotic(num,den);

Asymptotic Statistics

非常经典的统计教程，大样本理论。在统计学中，渐近理论或大样本理论是评估估计量和统计检验性质的框架。 在此框架内，通常假设样本大小n无限增长; 然后，估计量和测试的属性在极限中评估为n→∞。 在实践中，极限评估也被视为对大的有限样本大小大致有效。

在本文中，我们主要关注具有量化输入反馈和任意数据包损失的离散线性系统的稳定性问题。 详细分析了最粗糙的量化策略，以确保系统的渐近稳定性。 如果最粗糙的量化器是对数的， 渐近稳定该系统的必要和充分条件被转化为代数Riccati方程，然后转化为一些LMI。 然后获得对数量化器的量化密度在所有与丢包有关的Lyapunov函数上的最小值根据这些LMI。 此外，我们还证明了对数量化器的扇区绑定方法对于具有任意数据包丢失的系统仍然有效。 渐近稳定性问题可以转换为具有扇区边界不确定性的鲁棒控制问题。 不确定系统的鲁棒稳定性被公式化为一些LMI。 最后，给出一个例子来说明本文结果的有效性。

High-Dimensional Statistics A Non-Asymptotic Viewpoint by Martin J. Wainwright, University of California, Berkeley。2019年 Cambridge University Press 新书，高维统计经典教材，统计学习理论重要书籍。