想象你在放学后走向学校的大门，有一条古怪的规则：每一步都只走“剩余距离的一半”。第一步跨过全程的 1/2，第二步再走剩下的一半……第 10 步结束时，你离门口只剩下全程的千分之一。你永远无法真正踏进大门，但可以无限地靠近它。数学里，这条“无限靠近却不一定到达”的路，就是极限（limit）。微积分的两位主角——导数与积分，本质上都是极限：导数追问“瞬间的变化率”，积分处理“无限细分的累加”。所以，极限是微积分的第一道门槛。这篇文章会用“走向大门”这个画面贯穿始终：数列极限是你一步一步的脚印，函数极限是你从左右两侧走廊同时靠近门口，ε-N 与 ε-δ 语言则是你和裁判之间的一场“误差挑战赛”。推开这扇门，微积分的世界就向你敞开了。

岗位关联

对 AI 从业者的价值：训练深度模型时，loss 曲线是否收敛、梯度是否趋向 0、强化学习的奖励是否趋于稳定，本质都是极限判断。理解极限定义，你才能严谨地读懂“收敛”，而不是只把训练跑完就草草收工。

目录
  1. 可视化演示
  2. 数列极限直观
  3. 数列极限定义
  4. 函数极限直观
  5. 左右极限判定
  6. 极限基本性质
  7. 极限四则运算
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

数列极限直观

放学后人潮涌向校门，你注意到一位同学走路的规矩很特别：每一步都只走剩余距离的一半。第一步跨出全程的 1/2，第二步再跨剩下的一半……第 n 步结束，他离门口只剩下全程的 1/2^n。无论走多少步，他都“差一点”，但这份“差一点”可以小到任何你想要的程度。把每一步的位置记下来，就得到一串数 a₁, a₂, a₃, …，这就是一个数列。

数学上更常见的例子是 a_n = 1 + 1/n：第 1 项是 2，第 2 项是 1.5，第 3 项约 1.333，第 10 项是 1.1，第 100 项是 1.01。项数 n 越大，a_n 离 1 越近。我们说这个数列“收敛于 1”，记作：

回到“剩余距离减半”的例子，如果把大门的位置记作 0，第 n 步离门口的距离是 1/2^n，那么 lim_{n→∞} (1/2)^n = 0——你永远没踏进门，但距离可以任意小。数列极限描述的就是这种“越走越近、近到无话可说”的趋势。至于“多近算近”“怎么证明”，就是下一节 ε-N 语言要解决的精确问题。

lim⁡n→∞an=1\displaystyle \lim_{n \to \infty} a_n = 1
这个式子读作“当 n 趋向无穷大时，a_n 的极限等于 1”，意思是：数列越往后，越无限贴近 1。
  1. lim 记号lim 是拉丁文 limit（极限）的缩写，专门用来表达“无限趋近”这件事。
    lim⁡\lim
  2. n → ∞箭头表示“趋向”：项数 n 不断增大、冲向无穷大，也就是数列越排越靠后。
    n→∞n \to \infty
  3. a_n数列的第 n 项，对应你第 n 步所在的位置。
    ana_n
  4. = 1等号右边是数列最终无限贴近的“目标值”。
    =1= 1

数列极限定义

光说“越来越近”太模糊：离门 1 米算近吗？如果你个子高，一步就迈进去了；但如果裁判要求“误差小于 1 毫米”呢？为了把“任意近”变成无懈可击的数学语言，数学家设计了一场游戏：挑剔的裁判 ε 先出题——“我要求误差小于 ε，你做得到吗？”自信的同学 N 回应——“从第 N 项开始，后面每一项的误差都小于 ε！”

裁判可以不断把 ε 调小：0.1、0.001、10⁻⁹……同学则每次都能重新找到一个更大的 N 来应战。只要“无论是谁、无论出多难的题，你都能接住”，我们就说这个数列的极限是 A。这就是 ε-N 定义：

把裁判和同学的游戏翻译回来：ε 是“剩余距离”的验收标准，N 是“还需要走多少步”的承诺。你越是较真（ε 越小），需要承诺的步数就越多（N 越大），但只要你愿意，总能给出答复。这就是“极限等于 A”的真正含义——不是“最后一步踩到 A”，而是“所有后续项都被 ε 兜住”。

∀ε>0, ∃N∈N∗, ∀n>N: ∣an−A∣<ε\displaystyle \forall \varepsilon > 0, \ \exists N \in \mathbb{N}^*, \ \forall n > N: \ |a_n - A| < \varepsilon
翻译成人话：随便你挑一个正数 ε 当误差上限，我总能找到一个项数 N，使得从 N 后面任意一项开始，a_n 与 A 的距离都小于 ε。
  1. 任意挑战书∀ 是“任意”符号；ε 是希腊字母，代表裁判提出的误差要求，它可以是任何正数，而不是某个固定的小数。
    ∀ε>0\forall \varepsilon > 0
  2. 存在应战者∃ 是“存在”符号；N 是项数门槛，意思是可以找到一个自然数 N 来回应裁判，通常 N 会随着 ε 变小而变大。
    ∃N∈N∗\exists N \in \mathbb{N}^*
  3. 放行后面的项∀ n > N 表示“所有比 N 更大的项数”，即从第 N+1 项开始往后全部都要满足要求，不允许有漏网之鱼。
    ∀n>N\forall n > N
  4. 距离小于误差|a_n − A| 是 a_n 与目标 A 的距离；整个不等式说明这段距离被 ε 牢牢压住。
    ∣an−A∣<ε|a_n - A| < \varepsilon

函数极限直观

数列像一个人的连续脚印，函数极限则是“从四面八方打量一扇门”。假设门口贴着一张通知，你从左边走廊慢慢靠近，或者从右边走廊慢慢靠近，只要离得足够近，都能看清同一个字。函数 f(x) 在自变量 x 无限靠近 x₀ 时，函数值无限靠近某个数 L，这就叫函数极限。

函数极限的严格定义与数列很像，只是“误差挑战”从“项数门槛 N”换成了“自变量距离门槛 δ”：裁判依然要求函数值误差小于 ε，而这次选手需要用“x 离 x₀ 足够近”来回应——只要 x 与 x₀ 的距离小于 δ，函数值就与 L 的误差小于 ε。

0 < |x − x₀| 是整个定义里最容易被忽略却最关键的细节：它说“你可以无限靠近门口，但不必推开门进去”。所以你完全不用在意 x₀ 处有没有函数值、函数值是什么——就像门口贴的通知，不管你推不推门，它都清清楚楚地贴在那里。函数极限衡量的是“周围邻居”的行为，而不是“本人”的立场。

lim⁡x→x0f(x)=L  ⟺  ∀ε>0, ∃δ>0, 0<∣x−x0∣<δ⇒∣f(x)−L∣<ε\displaystyle \lim_{x \to x_0} f(x) = L \iff \forall \varepsilon > 0, \ \exists \delta > 0, \ 0 < |x - x_0| < \delta \Rightarrow |f(x) - L| < \varepsilon
这就是微积分里最著名的“ε-δ 语言”：ε 是函数值的误差要求，δ 是自变量允许偏离的范围。它把“无限靠近”翻译成了“两个距离的博弈”。
  1. 极限陈述就是要证明的结论：当 x 趋向 x₀ 时 f(x) 的极限是 L。
    lim⁡x→x0f(x)=L\lim_{x \to x_0} f(x) = L
  2. 裁判先出题对于任意一个正误差 ε，无论它多小，都必须给出回应。
    ∀ε>0\forall \varepsilon > 0
  3. 选手有回应总存在一个正数 δ，作为“自变量允许的范围半径”。
    ∃δ>0\exists \delta > 0
  4. 排除本人条件中藏着 0 < |x − x₀|，它表示 x 只是靠近 x₀ 但不能等于 x₀——正是这一点，让极限与“函数在 x₀ 的取值”划清界限。
    0<∣x−x0∣<δ0 < |x - x_0| < \delta
  5. 兑现承诺满足上述条件后，必须推出函数值误差小于 ε，即“靠近 x₀ 就靠近 L”。
    ∣f(x)−L∣<ε|f(x) - L| < \varepsilon

左右极限判定

学校的正门连着左右两条走廊。如果你从左边走廊一步步靠近门口，会看到门左侧的景色；从右边走廊靠近，看到的是右侧的景色。只有当你从两边靠近时“看到的读数”完全一致，才可以说“走到门口时，景色是确定的”。数学里，这两条走廊分别叫“左极限”和“右极限”。

记号上，我们用 x → x₀⁻ 表示“从小于 x₀ 的一侧（左边）逼近”，x → x₀⁺ 表示“从大于 x₀ 的一侧（右边）逼近”。函数在某点有极限，当且仅当左、右极限都存在且相等：

判断分段函数在某点是否有极限，就是左右走廊各看一眼。例如 f(x) = x + 1（x < 1），f(x) = 3 − x（x ≥ 1）：在 x = 1 处，左极限是 2，右极限也是 2，所以极限存在且为 2。但若把右段改成 5 − x，右极限变成 4，左右不一致，极限就不存在。两边都点头，门才开得了。

lim⁡x→x0−f(x)=lim⁡x→x0+f(x)=L  ⟺  lim⁡x→x0f(x)=L\displaystyle \lim_{x \to x_0^-} f(x) = \lim_{x \to x_0^+} f(x) = L \iff \lim_{x \to x_0} f(x) = L
这个等价关系是判断极限是否存在的“标准动作”：先分别算左右两侧的趋势，再比对读数是否一致。
  1. 左极限记号上标减号表示从 x₀ 的左侧逼近 x₀。
    lim⁡x→x0−f(x)\lim_{x \to x_0^-} f(x)
  2. 右极限记号上标加号表示从 x₀ 的右侧逼近 x₀。
    lim⁡x→x0+f(x)\lim_{x \to x_0^+} f(x)
  3. 两侧读数相等左边走廊和右边走廊看到的极限都是同一个 L。
    =L= L
  4. 等价于极限存在当且仅当左右一致，双侧极限才存在且等于 L。
      ⟺  lim⁡x→x0f(x)=L\iff \lim_{x \to x_0} f(x) = L

极限基本性质

极限是一种“公平的尺子”：同一把尺子量同一段距离，不可能量出两个不同的长度。同样，一个函数在同一点的极限如果有，就必须唯一，这叫做极限的唯一性。而夹逼定理则像是做三明治：火腿被两片面包死死夹住，只要上下面包都被送到同一个位置，中间的火腿也只能跟着到那儿。

唯一性保证了“极限值不会打架”，它是所有极限计算和推理的地基；夹逼定理则提供了一条“不直接算也能求极限”的捷径——比如后面会遇到的重要极限 lim_{x→0} (sin x)/x = 1，就是靠夹逼证出来的。夹逼定理的严格表述是：

三明治的比喻提醒我们夹逼定理的使用条件：面包（上下界）必须都趋向同一个位置，火腿才能有归宿；如果两片面包一个去食堂一个去操场，中间的肉就会被撕成两半，定理自然失效。唯一性则像一把公平的尺子，保证不管怎么量，极限值不会有两个答案。

若 g(x)≤f(x)≤h(x) 且 lim⁡x→x0g(x)=lim⁡x→x0h(x)=L, 则 lim⁡x→x0f(x)=L\displaystyle \text{若 } g(x) \le f(x) \le h(x) \ \text{且} \ \lim_{x \to x_0} g(x) = \lim_{x \to x_0} h(x) = L, \ \text{则} \ \lim_{x \to x_0} f(x) = L
夹逼定理有两条关键前提：一是上、下两个函数夹住 f；二是两者的极限都等于同一个 L。缺一不可。
  1. 三明治摆放在 x₀ 附近，g(x) 不大于 f(x)，f(x) 不大于 h(x)，即 f 被上下两片夹住。
    g(x)≤f(x)≤h(x)g(x) \le f(x) \le h(x)
  2. 两片面目标一致上片 h 和下片 g 的极限同为 L。
    lim⁡x→x0g(x)=lim⁡x→x0h(x)=L\lim_{x \to x_0} g(x) = \lim_{x \to x_0} h(x) = L
  3. 中间被带走既然上下都被压到 L，中间的 f 也只能被带到 L，得出极限结论。
    lim⁡x→x0f(x)=L\lim_{x \to x_0} f(x) = L

极限四则运算

现在你已经能“看懂”极限了，但计算才是硬道理。想象两个人一起走向校门：你知道小明最后会停在 2 米处，小红会停在 3 米处，那么两人的平均位置、间隔距离、相向而行的相遇点，都可以直接算出来——你不需要再一帧一帧地盯着他们的脚步。极限的四则运算，就是把这种“已知结果推结果”的便利正式化。

如果两个函数在 x₀ 处的极限都存在，那么和、差、积的极限等于极限的和、差、积；除法则多一个条件——分母极限不能为零：

四则运算让“求极限”变成“搭积木”：面对一个复杂的表达式，先拆成简单函数的加减乘除，再分别求出每块的极限，最后拼装。就像两人同行——只要知道小明的终点和小红的终点，两人的中间位置、距离差随时可以心算。这也解释了为什么几乎所有极限题，第一步都是“把能直接算的先算出来”。

lim⁡x→x0(f±g)=lim⁡x→x0f±lim⁡x→x0g,lim⁡x→x0(f⋅g)=lim⁡x→x0f⋅lim⁡x→x0g,lim⁡x→x0fg=lim⁡flim⁡g (lim⁡g≠0)\displaystyle \lim_{x \to x_0} (f \pm g) = \lim_{x \to x_0} f \pm \lim_{x \to x_0} g, \quad \lim_{x \to x_0} (f \cdot g) = \lim_{x \to x_0} f \cdot \lim_{x \to x_0} g, \quad \lim_{x \to x_0} \frac{f}{g} = \frac{\lim f}{\lim g} \ (\lim g \ne 0)
这里所有极限都是指在 x → x₀ 时取的。除法公式中，分母的极限必须非零，否则法则失效。
  1. 加减法则和的极限等于极限的和，差的极限等于极限的差，可以推广到有限项相加。
    lim⁡x→x0(f±g)=lim⁡x→x0f±lim⁡x→x0g\lim_{x \to x_0} (f \pm g) = \lim_{x \to x_0} f \pm \lim_{x \to x_0} g
  2. 乘法法则乘积的极限等于极限的乘积，常数倍是它的特例，例如 lim(3f) = 3lim f。
    lim⁡x→x0(f⋅g)=lim⁡x→x0f⋅lim⁡x→x0g\lim_{x \to x_0} (f \cdot g) = \lim_{x \to x_0} f \cdot \lim_{x \to x_0} g
  3. 除法法则商的极限等于极限的商，附加条件是分母极限不为零。
    lim⁡x→x0fg=lim⁡x→x0flim⁡x→x0g\lim_{x \to x_0} \frac{f}{g} = \frac{\lim_{x \to x_0} f}{\lim_{x \to x_0} g}
  4. 零分母禁区当分母极限为 0 时除法法则失效，需要先化简（如约去公因子）再计算。
    lim⁡x→x0g≠0\lim_{x \to x_0} g \ne 0

AI 应用场景

深度学习训练收敛性判断

阶段：模型训练与调优

解决的问题：训练神经网络时，loss（损失）曲线是一条随时间变化的数列。传统做法是“看曲线差不多平了就停”，既不严谨也容易过早停止。用极限的眼光看：训练收敛等价于 loss 序列存在极限。工程上常设定一个 ε 阈值，当 |loss_{t+1} − loss_t| < ε 且持续 k 个 epoch，就判定“足够接近极限”，触发早停（early stopping），既防止过拟合又节省 GPU 预算。

具体案例：训练图像分类模型时，loss 从 2.3 一路降到 0.31、0.30、0.299……工程师设置 ε = 0.001、连续 5 个 epoch 满足条件即停止训练。这本质上就是在做一次 ε-N 判断——判断 loss 这个数列的极限是否已经“足够接近”。

迭代算法的收敛性验证

阶段：算法设计与数值计算

解决的问题：牛顿法、梯度下降、EM 算法等迭代算法，每一步产生一个更接近最优解的点，这些点连起来就是一个数列。算法好不好用，要看这个数列是否收敛、收敛多快。极限定义提供了收敛判据：若迭代点列满足“对任意 ε 存在 N”的条件，则算法可靠；若曲线震荡不收敛，就要调整学习率——相当于“让每个脚印更小，保证能走进 ε 的范围”。

具体案例：在推荐系统里用矩阵分解做协同过滤，交替最小化目标函数时，工程师画出“目标函数值—迭代次数”曲线，观察的就是一个数列的极限是否存在。曲线一旦出现锯齿状震荡，就需要降低学习率或改用自适应优化器。

强化学习价值函数的收敛判定

阶段：强化学习训练

解决的问题：Q-learning 的价值函数更新公式里藏着极限思想：Q 值序列在一次次的迭代中逐步逼近真实价值。判断“训练是否完成”就是判断 Q 值数列是否收敛。

具体案例：机器臂抓取任务的 Q 函数训练 10 万步后，Q 值变化小于 0.01，工程师据此决定停止训练并冻结策略——这与判断"lim a_n = A"是同一个思维模式：不断观察后续项的变化幅度，直到它被 ε 牢牢压住。

Python 演示

python31 行
import mathfrom sympy import Symbol, limit, oo  def seq_item(n):    # a_n = 1 + 1/n, 目标极限 A = 1    return 1 + 1.0 / n  def find_N_for_epsilon(eps, step_span=20, max_iter=5000):    # 对给定的 eps, 寻找一个 N, 使 n > N 时 |a_n - A| < eps    n = 1    for _ in range(max_iter):        ok = True        for k in range(n + 1, n + step_span):            if abs(seq_item(k) - 1.0) >= eps:                ok = False                break        if ok:            return n        n += step_span    return None  print("数列前 10 项:", [round(seq_item(i), 4) for i in range(1, 11)])for eps in [0.1, 0.01, 0.001, 0.0001]:    N = find_N_for_epsilon(eps)    print("epsilon = {} -> N = {}".format(eps, N)) n = Symbol("n")print("sympy 求极限:", limit(1 + 1 / n, n, oo))
目的：用数值方法模拟 ε-N 定义——对不同的误差 ε，寻找对应的门槛 N；最后用 sympy 符号计算验证数列极限确实为 1。
  1. if abs(seq_item(k) - 1.0) >= eps:检验第 k 项的 |a_n − A| 是否小于 ε，这是 ε-N 定义里的核心不等式。
  2. for k in range(n + 1, n + step_span):从 N 之后抽查一段后续项，确保“所有后续项都被兜住”而不是只碰巧满足一项。
  3. for eps in [0.1, 0.01, 0.001, 0.0001]:模拟裁判不断把 ε 调小，观察 N 随之变大的规律。
  4. n = Symbol("n")创建符号变量，让 sympy 能做解析计算而不是数值近似。
  5. limit(1 + 1 / n, n, oo)直接调用符号极限工具，得到精确答案 1，与前面的数值实验互相印证。

常见误区

误区我一直以为函数在 x₀ 处的极限就是把 x₀ 代进去算出来的 f(x₀)，这两个就是一回事，所以题目里 f(x₀) 跳变时，极限也会跟着变。

正解极限描述的是“邻居们”的行为，不是“本人”。定义里的 0 < |x − x₀| 明确要求 x 不能等于 x₀，所以 f(x₀) 即使不存在或者取别的值，极限照样可以存在。就像你不需要真的推开大门，也能判断门口的公告写了什么；门内的人喊什么，不影响公告内容。

为何常见：初学函数求值时，“代入”是最高频的操作，自然把“代入求值”和“取极限”混为一谈。

误区趋近就是越来越近但永远到不了，所以极限值必须是“到不了”的数，比如 lim a_n = A 就说明 a_n 永远不等于 A。

正解极限只关心“后面的项离目标能多近”，并不禁止相等。常数列 a_n = 1 的极限就是 1，每一项都等于极限值；收敛到 1 的数列也完全可以从某一项开始全部等于 1。“趋近”允许无限次到达，甚至一直停在目标上。

为何常见：因为最常用的例子 1/n 确实永远不等于 0，初学者把“例子的特点”当成了“定义的要求”。

误区定义里的 ε 大概是 0.001 或者 0.0001 这样的“小数字”，做题时随便取一个带进去验证就行。

正解ε 是“任意正数”，裁判想挑多小就多小；定义要成立，必须对所有的 ε 都成立。你只证明 ε = 0.001 时能找到 N，不算证明极限，就像只挡住一次裁判的挑战不能说稳赢。真正的极限是“无论裁判出多难的题，你都能接住”。

为何常见：理解定义需要“对任意”的量词意识，初学者往往按例子的具体数值去套，忽略了全称量词的威力。

误区分段函数在分段点 x₀ 处，因为左右两边式子不一样，极限肯定不存在。

正解未必。只要左右极限都等于同一个 L，即使函数值在两侧用不同式子表达，极限依然存在。例如 f(x) = x + 1（x < 0），f(x) = x² + 1（x ≥ 0），在 0 处左右极限都是 1。判断只看左右两侧趋近的结果是否一致，与“式子换没换”无关。

为何常见：“分段”两个字容易让人以为在断点处一定有跳跃，其实分段只是描述方式不同，函数可以平滑地穿过断点。

误区用除法法则时，只要把分子分母的极限分别代进去除就行。分母极限出现 0 也没关系，可能是"0/0"型，约分一下就能算。

正解四则运算除法法则的前提是分母极限不为零。若分母极限为 0，法则直接失效：此时极限可能存在（0/0 型）也可能不存在（非零常数除以 0 趋向无穷）。“0/0“型需要用因式分解、有理化、等价无穷小等手段先化简，而不能直接套除法法则。就像不能拿”0 米除以 0 秒”来算速度，得先搞清楚分子分母是不是同趋向 0 的同阶量。

为何常见：学生习惯先代值后计算，遇到 0/0 只想着约分，忘了前提条件是法则成立的范围。

面试题

Q1. 关于数列极限 $\displaystyle \lim_{n \to \infty} a_n = A$ 的直观含义，以下哪项正确？

单选题 · easy

  • A.数列从某一项开始必须完全等于 A
  • B.数列的项与 A 的距离可以任意小← 正确答案
  • C.数列必须单调递增
  • D.数列必须包含无穷多个不同的值

答案：B。极限描述的是“后面的项无限靠近 A”的趋势，允许 a_n 一直不等于 A（如 1/n），也允许等于 A（常数列）。B 正是 ε-N 定义的核心。A 把“趋近”错当成“到达”；C 不是必要条件，收敛数列可以上下震荡；D 也不对，常数列收敛于自身。

Q2. 记号 $\displaystyle \lim_{x \to x_0} f(x) = L$ 中的 $x \to x_0$ 表示什么？

单选题 · easy

  • A.x 必须等于 x₀
  • B.x 无限靠近 x₀ 但不一定等于它← 正确答案
  • C.x 必须趋向无穷大
  • D.x 只能从右边靠近

答案：B。极限中的趋近是“双侧的、不要求到达”的。0 < |x − x₀| 明确排除了 x = x₀，所以 B 正确。A 把趋近当成了等于；C 混淆了自变量趋向某点与趋向无穷大；D 只描述了右极限，漏掉了左极限。

Q3. 在 ε-N 定义中，当 ε 缩小为原来的 1/10 时，门槛 N 通常会如何变化？

单选题 · single

  • A.N 保持不变
  • B.N 通常要变得更大← 正确答案
  • C.N 通常会变小
  • D.N 与 ε 完全无关

答案：B。ε 越苛刻，需要等到更靠后的项才能保证 |a_n − A| < ε，所以 N 通常要更大。这就像裁判把误差要求从 1 米收紧到 1 毫米后，选手需要承诺走更多步数才能满足要求。A、C、D 都与 ε-N 的博弈逻辑相悖。

Q4. 若函数 f 在 x₀ 处无定义，但左右极限都存在且等于 5，则 $\displaystyle \lim_{x \to x_0} f(x)$ 为多少？

单选题 · mid

  • A.不存在
  • B.0
  • C.5← 正确答案
  • D.无法确定，因为 f(x₀) 没有定义

答案：C。极限与函数值无关。0 < |x − x₀| 说明考察的是 x₀ 周围“邻居”的行为，f(x₀) 无定义完全不影响极限。左右极限都为 5，所以双侧极限存在且为 5。A 错；B 没有依据；D 把“无定义”误当成了“极限不存在”的充分条件。

Q5. 已知 $\displaystyle \lim_{x \to x_0} f(x) = 2$，$\displaystyle \lim_{x \to x_0} g(x) = 3$，则 $\displaystyle \lim_{x \to x_0} (2f(x) - g(x))$ 等于多少？

单选题 · mid

  • A.-1
  • B.1← 正确答案
  • C.5
  • D.7

答案：B。由四则运算的加减法则与常数倍法则，lim(2f − g) = 2lim f − lim g = 2 × 2 − 3 = 1。前提是两个极限都存在，题目已经满足。A 是符号搞反的迷惑项；C、D 是错误运算的结果。

Q6. 对函数极限 ε-δ 定义中的条件 0 < |x − x₀|，正确的理解是？

单选题 · easy

  • A.x 必须小于 x₀
  • B.x 被允许等于 x₀
  • C.x 不能等于 x₀← 正确答案
  • D.x 必须大于 x₀

答案：C。0 < |x − x₀| 表示距离严格为正，即 x ≠ x₀。这说明函数在 x₀ 处是否有定义、取值多少都不影响极限。C 正确；A、D 分别只取了左侧或右侧，以偏概全；B 与不等式 0 < 距离 直接矛盾。

Q7. 以下哪些情况会导致 $\displaystyle \lim_{x \to x_0} f(x)$ 不存在？

多选题 · hard

  • A.左、右极限都存在但不相等← 正确答案
  • B.左、右极限都存在且相等
  • C.函数在 x₀ 附近震荡且不趋于任何数← 正确答案
  • D.函数在 x₀ 处无定义

答案：AC。极限存在当且仅当左右极限存在且相等，A 中左右不等则极限不存在；C 中震荡不收敛，也不存在极限。B 恰好是极限存在的情形；D 中无定义不影响极限，例如 sin x / x 在 0 处无定义但极限为 1。

Q8. 关于极限四则运算法则，下列说法正确的是？

多选题 · mid

  • A.加法要求两个函数的极限都存在← 正确答案
  • B.乘法要求两个函数的极限都存在← 正确答案
  • C.除法只要求分子极限存在
  • D.除法还要求分母极限不为零← 正确答案

答案：ABD。加减乘法的法则前提都是两个极限各自存在；除法额外要求分母极限不为零，否则法则失效。C 错在忽略了分母的条件——正如两人同行算“相遇时间”，光知道一人的终点还不够。

Q9. 数列 $\displaystyle a_n = 1 + \frac{(-1)^n}{n}$ 的极限是？

单选题 · hard

  • A.不存在，因为它在 0 和 2 之间震荡
  • B.0
  • C.1← 正确答案
  • D.2

答案：C。(−1)ⁿ/n 的绝对值是 1/n，随 n 增大趋向 0，所以整个数列被夹在 1 − 1/n 和 1 + 1/n 之间，由夹逼定理，极限为 1。A 错在把“有界震荡”当成不收敛——这里振幅本身在收缩到 0；B、D 是常见的直觉错误。

Q10. 下列说法正确的有？

多选题 · extreme

  • A.若数列收敛于 A，则对任意 ε > 0 都能找到相应的 N← 正确答案
  • B.若数列收敛于 A，则数列必有界← 正确答案
  • C.若 $\displaystyle \lim_{x \to x_0} f(x)$ 存在，则 f 在 x₀ 处必有定义
  • D.若 g(x) ≤ f(x) ≤ h(x) 且三者的极限都存在，则 $\displaystyle \lim g \le \lim f \le \lim h$← 正确答案

答案：ABD。A 就是 ε-N 定义本身，正确；B 收敛数列必有界——后面的项全被 ε 区间框住，前有限项自然有界；C 错误，极限存在不要求 f(x₀) 有定义，这正是“趋近不等于到达”的体现；D 是保序性：夹逼关系在取极限后保持，相当于三明治中上下两片的位置约束着中间的火腿。