想象一场田径赛跑的终点判罚:两位选手同时冲线,电子计时器却显示“0/0“——谁快谁慢根本看不出来;或者两位选手都跑得无影无踪,屏幕上只有”无穷/无穷“,裁判彻底傻眼。这种”成绩单没法直接比较“的僵局,就是数学里的不定式极限。今天的主角洛必达法则,就是一位聪明的新裁判:既然冲线瞬间的位置比不出来,那就比瞬时速度!把分子分母分别求导,用速度之比代替位置之比,往往一击致命。这篇文章会用”赛跑判罚“这个比喻贯穿始终,带你认识什么是不定式、洛必达法则该怎么用、用之前要检查哪些”赛场规则”、多次使用和五种变形转化,最后用完整例题帮你把抽象公式变成顺手解题的工具。

岗位关联

对 AI 从业者而言,无论是推导优化算法的收敛性、分析归一化层的数值稳定性,还是研究强化学习的策略梯度估计,都离不开极限分析。洛必达法则是最常用的“比值极限”利器,掌握它等于给理论推导配了一把快刀。

目录
  1. 可视化演示
  2. 不定式识别
  3. 核心公式
  4. 使用条件
  5. 多次使用
  6. 形式转化
  7. 解题实战
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析,包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效(进入视口后自动加载,约 3KB)。

系统可视化 处理流程:输入→处理→模型→输出 性能监控:实时指标 P=L×T

不定式识别

终点裁判的第一课,是学会认出“僵局”。赛场上,如果一位选手冲到终点线前突然停下(趋于 0),另一位却还在离终点很远的地方(趋于某个非零常数),那胜负一目了然——停下的那位输定了。真正让裁判头疼的是两种局面:两位选手同时撞线(分子分母同时趋于 0),以及两位选手都跑出视野(分子分母同时趋于无穷大)。这两种情况的“成绩单”写成比值,就是 0/0 或 ∞/∞,数学上叫不定式(也叫待定型)。

为什么说它们是“待定”?因为撞线那一瞬间,位置信息完全失效,极限值取决于两位选手“撞线前的冲刺方式”。比如同样是 0/0,sin⁡xx\frac{\sin x}{x} 的极限是 1,而 xx2\frac{x}{x^2} 的极限是无穷大。反过来,像 1/0(一位在终点一位跑出视野)、0/1、∞+∞\infty+\infty 这种能直接判断结果的,叫确定型,不需要请洛必达出手。

lim⁡x→af(x)g(x),若 lim⁡x→af(x)=lim⁡x→ag(x)=0\displaystyle \lim_{x\to a}\frac{f(x)}{g(x)},\qquad \text{若}\ \lim_{x\to a}f(x)=\lim_{x\to a}g(x)=0

1. 极限符号:lim⁡x→a\displaystyle\lim_{x\to a} 表示“当自变量 xx 无限接近 aa 时”观察变化趋势,这是求极限的通用开场白。

lim⁡x→a\lim_{x\to a}

2. 比值结构:f(x)g(x)\displaystyle\frac{f(x)}{g(x)} 是分子函数与分母函数的比值,对应赛场上两位选手的成绩之比。

f(x)g(x)\frac{f(x)}{g(x)}

3. 撞线条件:lim⁡x→af(x)=lim⁡x→ag(x)=0\displaystyle\lim_{x\to a}f(x)=\lim_{x\to a}g(x)=0 表示两者同时到达 0,即“同时撞线”,此时比值无法直接判断。

lim⁡x→af(x)=lim⁡x→ag(x)=0\lim_{x\to a}f(x)=\lim_{x\to a}g(x)=0

回到赛场视角:识别不定式,就是确认“这真的是个僵局”。只有 0/0 和 ∞/∞ 两种僵局值得请洛必达裁判出马;其他情况要么直接写答案,要么另有办法。入场券没拿对,后面全白搭。

核心公式

裁判的破局思路很妙:撞线瞬间的位置比不出来,那就比瞬时速度。在运动学里,速度正是位置的导数。所以洛必达法则说:当 0/0 或 ∞/∞ 型僵局出现时,把分子和分母分别求导,再比较两个导数的比值。相当于把“谁先撞线”的老问题,换成“谁过线瞬间冲得更快”的新问题。

这个法则由法国数学家洛必达(L'Hôpital)整理出版,因此得名。它的核心公式非常简洁:只要满足使用条件,原极限等于分子分母分别求导后的比值极限。

lim⁡x→af(x)g(x)=lim⁡x→af′(x)g′(x)\displaystyle \lim_{x\to a}\frac{f(x)}{g(x)}=\lim_{x\to a}\frac{f'(x)}{g'(x)}

1. 原比值:lim⁡x→af(x)g(x)\displaystyle\lim_{x\to a}\frac{f(x)}{g(x)} 是我们要计算的原始极限,对应“两位选手撞线时刻的位置比”。

lim⁡x→af(x)g(x)\lim_{x\to a}\frac{f(x)}{g(x)}

2. 分子速度:f′(x)f'(x) 是分子函数的导数,即“分子选手撞线瞬间的瞬时速度”。

f′(x)f'(x)

3. 分母速度:g′(x)g'(x) 是分母函数的导数,即“分母选手撞线瞬间的瞬时速度”。

g′(x)g'(x)

4. 等号成立:整个等式成立的前提是左边为 0/0 或 ∞/∞ 型,且右边的导数之比极限存在(或为无穷大)。这是裁判行使权力的“授权书”。

lim⁡x→af′(x)g′(x) 存在或为 ∞\lim_{x\to a}\frac{f'(x)}{g'(x)}\ \text{存在或为}\ \infty

举个例子感受一下:lim⁡x→0sin⁡xx\lim_{x\to 0}\frac{\sin x}{x} 是标准的 0/0 僵局。分子求导得 cos⁡x\cos x,分母求导得 1,新比值在 x=0x=0 处等于 1,于是原极限就是 1。速度裁判一出手,僵局瞬间化解。

使用条件

洛必达这位裁判虽然厉害,但也不是随叫随到。他有三条铁规矩,缺一不可:

第一,两位选手在终点线附近必须“状态在线”——即函数 ff 和 gg 在 aa 的某个去心邻域内可导(注意:不要求在 aa 点本身有定义,因为极限关心的是“接近”而不是“到达”)。第二,必须确实是 0/0 或 ∞/∞ 型僵局,其他类型他一律不接。第三,分母的速度不能为零(g′(x)≠0g'(x)\ne 0),而且速度比 f′(x)g′(x)\frac{f'(x)}{g'(x)} 的极限必须存在或趋于无穷大——如果速度比震荡来震荡去,这位裁判也判不了。

{f,g 在 a 的去心邻域内可导lim⁡x→af(x)=lim⁡x→ag(x)=0 或 ±∞g′(x)≠0,lim⁡x→af′(x)g′(x) 存在或为 ∞\displaystyle \begin{cases} f,g\ \text{在}\ a\ \text{的去心邻域内可导}\\[4pt] \lim_{x\to a}f(x)=\lim_{x\to a}g(x)=0\ \text{或}\ \pm\infty\\[4pt] g'(x)\ne 0,\quad \lim_{x\to a}\frac{f'(x)}{g'(x)}\ \text{存在或为}\ \infty \end{cases}

1. 可导条件:f,g 在 a 的去心邻域内可导f,g\ \text{在}\ a\ \text{的去心邻域内可导},指在 aa 附近(但不包括 aa 本身)函数光滑可求导——选手在冲刺路段必须“有速度可言”。

f,g 在 a 的去心邻域内可导f,g\ \text{在}\ a\ \text{的去心邻域内可导}

2. 类型条件:lim⁡f=lim⁡g=0\lim f=\lim g=0 或 ±∞\pm\infty,锁定 0/0 与 ∞/∞ 两种僵局,这是裁判的受理范围。

lim⁡x→af(x)=lim⁡x→ag(x)=0 或 ±∞\lim_{x\to a}f(x)=\lim_{x\to a}g(x)=0\ \text{或}\ \pm\infty

3. 非零约束:g′(x)≠0g'(x)\ne 0 保证比分母,速度不为零才有意义——裁判不能拿一个“静止的参照物”来比较。

g′(x)≠0g'(x)\ne 0

4. 收敛要求:速度比 lim⁡f′(x)g′(x)\lim\frac{f'(x)}{g'(x)} 必须存在或为无穷大,否则新问题同样无解。

lim⁡x→af′(x)g′(x) 存在或为 ∞\lim_{x\to a}\frac{f'(x)}{g'(x)}\ \text{存在或为}\ \infty

这三条规矩看起来多,实际做题时只需每次使用前扫一眼:是不是不定式?可不可导?分母导数为不为零?三问通过,才敢叫裁判。

多次使用

有时候,速度比完发现又撞线了——分子分母求导后居然还是 0/0 或 ∞/∞。这时候裁判的策略是“追加仲裁”:再求一次导,再比一次速度。理论上可以循环多次,直到比值极限能直接看出为止。这就像赛跑出了加赛:第一轮并列,第二轮还是并列,就一直加赛到分出胜负。

lim⁡x→af(x)g(x)=lim⁡x→af′(x)g′(x)=lim⁡x→af′′(x)g′′(x)=⋯=lim⁡x→af(n)(x)g(n)(x)\displaystyle \lim_{x\to a}\frac{f(x)}{g(x)}=\lim_{x\to a}\frac{f'(x)}{g'(x)}=\lim_{x\to a}\frac{f''(x)}{g''(x)}=\cdots=\lim_{x\to a}\frac{f^{(n)}(x)}{g^{(n)}(x)}

1. 第一轮:lim⁡x→af(x)g(x)=lim⁡x→af′(x)g′(x)\displaystyle\lim_{x\to a}\frac{f(x)}{g(x)}=\lim_{x\to a}\frac{f'(x)}{g'(x)},首次判罚,位置比换成速度比。

lim⁡x→af(x)g(x)=lim⁡x→af′(x)g′(x)\lim_{x\to a}\frac{f(x)}{g(x)}=\lim_{x\to a}\frac{f'(x)}{g'(x)}

2. 第二轮:=lim⁡x→af′′(x)g′′(x)\displaystyle=\lim_{x\to a}\frac{f''(x)}{g''(x)},若求导后仍是 0/0 或 ∞/∞,继续追加仲裁。

lim⁡x→af′′(x)g′′(x)\lim_{x\to a}\frac{f''(x)}{g''(x)}

3. 第 n 轮:=lim⁡x→af(n)(x)g(n)(x)\displaystyle=\lim_{x\to a}\frac{f^{(n)}(x)}{g^{(n)}(x)},条件始终满足时可一路求到 nn 阶导数。

lim⁡x→af(n)(x)g(n)(x)\lim_{x\to a}\frac{f^{(n)}(x)}{g^{(n)}(x)}

经典例子:lim⁡x→0x3x−sin⁡x\lim_{x\to 0}\frac{x^3}{x-\sin x}。第一次求导得 3x21−cos⁡x\frac{3x^2}{1-\cos x},还是 0/0;第二次得 6xsin⁡x\frac{6x}{\sin x},仍是 0/0;第三次得 6cos⁡x\frac{6}{\cos x},终于稳定到 6。三轮判罚,答案到手。但注意:如果某一轮发现导数之比在震荡(比如 cos⁡x1\frac{\cos x}{1} 型的振荡),就要立刻停手——洛必达失效,改走等价无穷小、泰勒展开或夹逼定理的路线。

形式转化

赛场上的僵局不止两种。有的选手在终点线(0),有的还在远处(∞),成绩单写成了 0⋅∞0\cdot\infty;有的两位都冲出视野(∞-∞);还有的赛制是“接力赛”,成绩写成 000^0、1∞1^\infty、∞0\infty^0 这种幂指型。这些都不是 0/0 或 ∞/∞,裁判乍一看不受理——但聪明的助理裁判可以改赛制,把它们变回老赛道。

常见的转化套路有三板斧。第一斧,0·∞ 型:把其中一个因子取倒数放到分母,变成 f1/g\frac{f}{1/g} 或 g1/f\frac{g}{1/f},自然成为 0/0 或 ∞/∞。第二斧,∞-∞ 型:先通分或有理化,把减法合并成一个分式,往往直接变成 0/0。第三斧,幂指型:利用恒等式 fg=egln⁡ff^g=e^{g\ln f},把指数上的比赛换成“净胜分” gln⁡fg\ln f,先算 ln⁡\ln 的极限,再还原成指数。

f(x)⋅g(x)=f(x)1/g(x)=g(x)1/f(x),f(x)g(x)=e g(x)ln⁡f(x)\displaystyle f(x)\cdot g(x)=\frac{f(x)}{1/g(x)}=\frac{g(x)}{1/f(x)},\qquad f(x)^{g(x)}=e^{\,g(x)\ln f(x)}

1. 取倒数:f⋅g=f1/g\displaystyle f\cdot g=\frac{f}{1/g},把乘积型化成“分子除以分母”的分式型——让远处的选手翻个跟头回到终点附近。

f⋅g=f1/gf\cdot g=\frac{f}{1/g}

2. 另一方向:=g1/f\displaystyle=\frac{g}{1/f},哪个因子取倒数更方便就用哪个,两条路都通向标准不定式。

g1/f\frac{g}{1/f}

3. 对数恒等式:fg=egln⁡f\displaystyle f^g=e^{g\ln f},幂指型通过对数“降维”,把指数问题变成乘积问题。

fg=egln⁡ff^g=e^{g\ln f}

4. 还原指数:先算 lim⁡gln⁡f\displaystyle\lim g\ln f,再用 exe^x 还原——原极限就是 ee 的该极限次方。

elim⁡gln⁡fe^{\lim g\ln f}

做题时记住:凡是长得不像 0/0 或 ∞/∞ 的极限,第一反应不是硬算,而是把它“掰”回标准型。取倒数、通分、取对数,三招换赛道,裁判就能接手了。

解题实战

现在把整套执法流程串起来。拿到一个极限题,按四步走:第一步,判类型——直接代入看是 0/0、∞/∞、确定型,还是需要转化的变形式。第二步,查条件——在去心邻域内可导吗?分母导数非零吗?第三步,套公式——分子分母分别求导,得到新比值求极限。第四步,写答案——若新比值能直接算出就结束;若仍是 0/0 或 ∞/∞ 就循环回第三步;若发现不满足条件就换方法。

来看一个完整例题:求 lim⁡x→01−cos⁡xx2\lim_{x\to 0}\frac{1-\cos x}{x^2}。

lim⁡x→01−cos⁡xx2=lim⁡x→0sin⁡x2x=lim⁡x→0cos⁡x2=12\displaystyle \lim_{x\to 0}\frac{1-\cos x}{x^2} =\lim_{x\to 0}\frac{\sin x}{2x} =\lim_{x\to 0}\frac{\cos x}{2} =\frac{1}{2}

1. 代入判型:x=0x=0 时 1−cos⁡0=01-\cos 0=0、02=00^2=0,确认是 0/0 型不定式。

lim⁡x→01−cos⁡xx2\lim_{x\to 0}\frac{1-\cos x}{x^2}

2. 首次求导:分子 (1−cos⁡x)′=sin⁡x(1-\cos x)'=\sin x,分母 (x2)′=2x(x^2)'=2x,得到 sin⁡x2x\frac{\sin x}{2x},仍是 0/0,继续追加仲裁。

lim⁡x→0sin⁡x2x\lim_{x\to 0}\frac{\sin x}{2x}

3. 二次求导:分子 (sin⁡x)′=cos⁡x(\sin x)'=\cos x,分母 (2x)′=2(2x)'=2,新比值 cos⁡x2\frac{\cos x}{2} 在 0 处等于 12\frac12。

lim⁡x→0cos⁡x2=12\lim_{x\to 0}\frac{\cos x}{2}=\frac12

从“赛跑判罚”的角度看,整个过程就是:确认撞线僵局 → 请裁判比速度 → 还是僵局 → 再比加速度 → 终于分出胜负。洛必达法则不是万能的,但配合类型判定、条件检查和形式转化,它就是求极限手里最锋利的那把刀。

AI 应用场景

深度学习优化器收敛性分析

阶段:模型训练的理论分析

解决的问题:在证明 Adam、AdaGrad 等自适应优化算法的收敛性时,常需要分析学习率累加项与梯度方差累加项的比值极限。这类比值往往呈现 ∞/∞ 型不定式,传统做法是用放缩不等式硬凑,非常繁琐。用洛必达法则判断两个无穷大量“谁跑得快”,能直接确定比值收敛到常数还是发散,从而判断学习率是否被“排干”、训练是否收敛。

具体案例:分析 AdaGrad 的 ∑t=1Tηt2\sum_{t=1}^{T}\eta_t^2 与 ∑t=1Tηt\sum_{t=1}^{T}\eta_t 之比在 T→∞T\to\infty 时的极限。把两个累加和看成“两位选手”,用洛必达的离散类比(Stolz 定理)或连续化后求导,可证明该比值趋于 0,从而推出遗憾界(regret bound)的收敛阶。

Transformer 归一化层稳定性推导

阶段:模型结构设计与数值稳定性分析

解决的问题:当 LayerNorm 或 softmax 的温度参数趋于 0 或无穷时,归一化输出的极限行为分析涉及 0/0 型极限(如 softmax 梯度在饱和区的比值)。用洛必达法则求这些比值极限,能判断梯度是否消失或爆炸,指导温度参数的初始化范围。

具体案例:分析 lim⁡t→0softmax(x/t)i−softmax(x/t)jt\lim_{t\to 0}\frac{\text{softmax}(x/t)_i-\text{softmax}(x/t)_j}{t} 的极限,用于解释为什么低温 softmax 会退化为 one-hot 分布、梯度如何随之消失。借助洛必达求导,可精确给出退化速度,为蒸馏温度的选择提供理论依据。

强化学习重要性采样比值估计

阶段:策略优化与样本效率分析

解决的问题:在 PPO 等强化学习算法中,新旧策略的重要性采样权重比值 πθnew(a∣s)πθold(a∣s)\frac{\pi_{\theta_{\text{new}}}(a|s)}{\pi_{\theta_{\text{old}}}(a|s)} 在策略更新趋近时接近于 1 的极限,误差分析中会出现 0/0 型不定式。用洛必达法则对策略参数求导,可估计比值对参数变化的敏感度,从而设计更稳的裁剪(clip)边界。

具体案例:当新旧策略差距 θnew−θold→0\theta_{\text{new}}-\theta_{\text{old}}\to 0 时,计算权重比与 1 之差的极限,推导出 PPO 目标函数在参数空间的局部曲率,用于自适应调整裁剪范围。

Python 演示

python46 行
import sympy as sp  def is_indeterminate(f, g, x, a):    lf = sp.limit(f, x, a)    lg = sp.limit(g, x, a)    zero_pair = sp.simplify(lf) == 0 and sp.simplify(lg) == 0    inf_pair = (lf is sp.oo or lf is -sp.oo) and (lg is sp.oo or lg is -sp.oo)    return zero_pair or inf_pair, lf, lg  def lhopital(f, g, x, a, max_times=4):    for i in range(max_times):        fp = sp.diff(f, x)        gp = sp.diff(g, x)        if sp.simplify(gp) == 0:            raise ValueError("分母导数为零,洛必达条件不满足")        ratio = sp.simplify(fp / gp)        r = sp.limit(ratio, x, a)        if r.is_finite:            return r, fp, gp, i + 1        f, g = fp, gp    return None, f, g, max_times  def demo():    x = sp.symbols("x")    cases = [        (sp.sin(x), x, 0, "sin(x)/x"),        (sp.exp(x) - 1, x, 0, "(e^x - 1)/x"),        (1 - sp.cos(x), x**2, 0, "(1-cos(x))/x^2"),        (x**3, x - sp.sin(x), 0, "x^3/(x-sin(x))"),    ]    results = []    for f, g, a, name in cases:        ok, lf, lg = is_indeterminate(f, g, x, a)        if not ok:            results.append(name + ": 不是不定式,跳过")            continue        ans, fp, gp, steps = lhopital(f, g, x, a)        results.append(name + " = " + str(ans) + " (用了 " + str(steps) + " 次洛必达)")    print("\n".join(results))  if __name__ == "__main__":    demo()
目的:用 SymPy 符号计算自动判定不定式类型,并循环应用洛必达法则求极限,演示 4 个经典例题的完整求解过程。
  1. lf = sp.limit(f, x, a)先算分子在趋近点的极限,判断是否为 0 或无穷大。
  2. zero_pair = sp.simplify(lf) == 0 and sp.simplify(lg) == 0两者同时为 0,确认 0/0 型僵局。
  3. inf_pair = (lf is sp.oo or lf is -sp.oo) and ...两者同时为无穷大,确认 ∞/∞ 型僵局。
  4. if r.is_finite:若求导后比值的极限是有限数,直接返回结果;否则继续循环求导。
  5. f, g = fp, gp一轮不行就把导数作为新的分子分母,进入下一轮“追加仲裁”。
  6. if sp.simplify(gp) == 0:分母导数为零直接报错,提醒用户“速度为零没法比”。
  7. (x**3, x - sp.sin(x), 0, "x^3/(x-sin(x))")这个例子需要三轮洛必达才出答案 6,展示循环判罚的威力。

常见误区

误区我觉得只要分子分母都有极限,就能用洛必达法则求导。比如 lim⁡x→01x\lim_{x\to 0}\frac{1}{x},分子是 1 分母是 0,我也套公式求了个导,结果很奇怪。

正解洛必达法则只受理 0/0 和 ∞/∞ 两种不定式。10\frac{1}{0} 是确定型,答案直接就是无穷大,根本不需要(也不能)用洛必达。硬套公式会把简单的题做错。好比裁判只处理“撞线僵局”,你把一个明明能看清胜负的比赛硬塞给他,他只会拒绝判罚。

为何常见:初学者把“有极限”和“极限为 0”混为一谈,以为只要不能直接代入就是不定式,忽略了先判断类型的步骤。

误区只要 0/0,我就大胆求导。有一次对 ∣x∣|x| 相关的极限用洛必达,结果算出的答案和正确答案完全对不上。

正解洛必达要求函数在趋近点的某个去心邻域内可导。∣x∣|x| 在 0 处不可导(左导数和右导数不相等),不满足条件。就像裁判要求“选手在冲刺路段必须有速度表”,你拿一个没有速度表的选手来比,裁判当然不受理。使用前要确认函数是光滑的。

为何常见:大家习惯关注“极限是否存在”,很少检查可导性;而考试题里命题人往往故意在这一点上挖坑。

误区我用洛必达求导后,发现 f′(x)g′(x)\frac{f'(x)}{g'(x)} 的极限在震荡,比如 cos⁡x\cos x 这样来回跳,于是立刻说原极限不存在。

正解洛必达法则只是充分条件,不是必要条件。f′g′\frac{f'}{g'} 的极限不存在,只能说明洛必达“判不了”,不能说明原比值极限不存在。经典反例:lim⁡x→∞x+sin⁡xx=1\lim_{x\to\infty}\frac{x+\sin x}{x}=1,但求导后的 (1+cos⁡x)/1(1+\cos x)/1 震荡无极限。这好比裁判的测速仪坏了,不代表比赛没有胜负,换夹逼或等价无穷小就能判。

为何常见:把“某一种求解方法失效”等同于“极限本身不存在”,是充分必要条件混淆的典型错误。

误区洛必达可以一直用下去,反正每次求导就行。有一次我一口气求了五次导,结果得到一个奇怪的大数,检查才发现中途分母导数为零了。

正解每一次循环都必须重新验证三条条件:还是不是 0/0 或 ∞/∞?还能不能求导?分母导数是否非零?如果某一轮已经变成确定型(比如分母不为 0),就要立刻停手,直接代入计算,而不是继续盲目求导。

为何常见:循环操作容易让人“上头”,以为公式可以无脑套用,忽略了每一轮的“受理检查”。

面试题

Q1. 下列哪种情况属于“不定式”,可以请洛必达法则出手?

单选题 · easy

  • 0/0 型

Q2. 洛必达法则最核心的操作是什么?

单选题 · easy

  • 分子分母分别对自变量求导

Q3. 下列说法正确的有?

多选题 · easy

  • 0/0 是待定型
  • 无穷比无穷是待定型
  • 1 的无穷次方是待定型

Q4. 使用洛必达法则时,对函数 f 和 g 的要求是什么?

单选题 · mid

  • 在趋近点的去心邻域内可导

Q5. 极限 lim⁡x→0ex−1x\lim_{x\to 0}\frac{e^x-1}{x} 用洛必达法则的结果是多少?

单选题 · mid

  • 1

Q6. 关于 0·∞ 型极限的转化,下列说法正确的是?

多选题 · mid

  • 可化为 f/(1/g) 即 0/0 型
  • 可化为 g/(1/f) 即无穷比无穷型
  • 两种取倒数方向都值得试一试

Q7. 对幂指型 u(x)v(x)u(x)^{v(x)} 的极限,第一步通常做什么?

单选题 · mid

  • 取对数化为 e 的 v·ln u 次方

Q8. 若 lim⁡f′(x)g′(x)\lim \frac{f'(x)}{g'(x)} 振荡不存在,下列说法正确的是?

单选题 · hard

  • 洛必达失效,原极限需另法判断

Q9. 洛必达法则失效时,可用的替代思路有哪些?

多选题 · hard

  • 等价无穷小替换
  • 泰勒展开取主项
  • 夹逼准则估算范围

Q10. 极限 lim⁡x→∞x+sin⁡xx\lim_{x\to\infty}\frac{x+\sin x}{x} 的正确结果是?

单选题 · extreme

  • 1,洛必达并不适用