不定式求导之“洛必达与伯努利的师生情”

不定式求导之“洛必达与伯努利的师生情”

小象实战讲义 · 人工智能数学基础

在掌握了导数的定义和基本求导法则后，我们面临一个现实问题：如何计算那些形式“怪异”的极限？例如，当分子分母都趋于0或无穷时，极限的商究竟是多少？这些“不确定”的形式被称为不定式。本节将系统介绍不定式的概念，并引入微积分中一个强大而著名的工具——洛必达法则，它将求极限问题巧妙地转化为求导问题。学完本节，你将能系统性地处理 0/0、∞/∞ 等各类不定式极限，为后续学习泰勒展开、最优化等高级主题扫清计算障碍。

💡 核心导读

本节将沿以下路径展开：

1. 认识不定式：明确哪些极限形式无法直接通过极限四则运算得出，如 ∞-∞、0×∞、0/0、∞/∞、1^∞、0^0、∞^0。
2. 洛必达法则：掌握解决 0/0 型和 ∞/∞ 型不定式的核心定理，理解其使用前提和几何直观。
3. 法则的应用与陷阱：通过典型例题学习如何应用洛必达法则，并识别其适用条件，避免误用。
4. 背后的故事：了解洛必达法则背后一段关于洛必达与伯努利家族的趣闻，增添学习趣味。
5. 知识体系回顾：串联本章关于导数、求导法则与洛必达法则的核心要点，形成完整知识网络。

一、 何为不定式？

设函数 $f(x)$ 与 $g(x)$ 在 $x \to a$ 时的极限分别为 $A$ 和 $B$。

• 若 $A$ 和 $B$ 都是有限数，则根据极限的四则运算法则，$f(x) \pm g(x)$, $f(x) \cdot g(x)$, $f(x)/g(x)$（$B \ne 0$）的极限可以确定。
• 但当 $A$ 和 $B$ 中至少有一个是 $0$ 或无穷大时，某些运算的极限结果将变得“不确定”，我们称之为不定式。

常见的七种不定式类型如下：

1. $\infty - \infty$ 型：例如，$x \to +\infty$ 时，$x$ 与 $x^2$ 均趋于 $+\infty$，但 $x^2 - x$ 的极限是 $+\infty$；而 $x$ 与 $(x+1)$ 均趋于 $+\infty$，但 $(x+1) - x$ 的极限却是 $1$。结果依赖于函数趋于无穷的“速度”（阶）。
2. $0 \times \infty$ 型：$0$ 与无穷大的乘积，结果取决于谁是“更高阶”的无穷小或无穷大。
3. $\frac{0}{0}$ 型：两个无穷小量之比的极限，这是微分学思想的起源。
4. $\frac{\infty}{\infty}$ 型：两个无穷大量之比的极限。
5. $1^{\infty}$ 型：底数趋于1，指数趋于无穷。
6. $0^{0}$ 型：底数趋于0，指数趋于0。
7. $\infty^{0}$ 型：底数趋于无穷，指数趋于0。

后三种幂指函数不定式，通常可以通过取对数转化为 $0 \times \infty$ 型，进而可能转化为 $\frac{0}{0}$ 或 $\frac{\infty}{\infty}$ 型。

核心问题：对于这些不定式，极限是否存在？如果存在，如何计算？

二、 洛必达法则：破解 0/0 与 ∞/∞ 的利器

历史上，微积分的先驱们为求解这些不定式极限付出了巨大努力。最终，一个以法国贵族数学家洛必达命名的法则提供了系统性的解决方案。不过，这个法则的真正发现者是其家庭教师——约翰·伯努利。两人之间“一个愿买，一个愿卖”的协议，以及伯努利家族内部的竞争轶事，构成了微积分史上一段有趣的插曲。但无论如何，洛必达法则本身是一个极其优美而强大的工具。

2.1 0/0 型的洛必达法则

定理（0/0型洛必达法则）： 设函数 $f(x)$ 和 $g(x)$ 在点 $a$ 的某个去心邻域内可导，且满足：

1. $\lim\limits_{x \to a} f(x) = 0$， $\lim\limits_{x \to a} g(x) = 0$；
2. $g’(x) \ne 0$；
3. $\lim\limits_{x \to a} \frac{f’(x)}{g’(x)} = L$（$L$ 为有限数或 $\pm\infty$）。

则有 $$\lim_{x \to a} \frac{f(x)}{g(x)} = \lim_{x \to a} \frac{f’(x)}{g’(x)} = L.$$

要点说明：

• $a$ 的推广：定理中的 $x \to a$ 可以替换为 $x \to a^+$， $x \to a^-$， $x \to +\infty$， $x \to -\infty$ 或 $x \to \infty$，结论依然成立。
• 几何直观：在 0/0 型极限点附近，原函数 $f$ 和 $g$ 都非常接近0，它们的变化率（导数）之比 $\frac{f’}{g’}$ 决定了它们趋于0的“相对速度”，从而决定了比值 $\frac{f}{g}$ 的极限。
• 使用步骤：验证是否为 0/0 型 → 分别对分子分母求导 → 求导后比值的极限 → 若极限存在或为无穷，则此极限即为原极限。

例1：求极限 $\lim\limits_{x \to 0^+} \frac{\sqrt{x}}{e^{2\sqrt{x}} - 1}$。

解：当 $x \to 0^+$ 时，分子 $\sqrt{x} \to 0$，分母 $e^{2\sqrt{x}} - 1 \to 0$，为 0/0 型不定式。应用洛必达法则：

$$\begin{aligned} \lim_{x \to 0^+} \frac{\sqrt{x}}{e^{2\sqrt{x}} - 1} &\stackrel{(L’)}{=} \lim_{x \to 0^+} \frac{(\sqrt{x})’}{(e^{2\sqrt{x}} - 1)’} \ &= \lim_{x \to 0^+} \frac{\frac{1}{2\sqrt{x}}}{e^{2\sqrt{x}} \cdot (2\sqrt{x})’} \ &= \lim_{x \to 0^+} \frac{\frac{1}{2\sqrt{x}}}{e^{2\sqrt{x}} \cdot \frac{1}{\sqrt{x}}} \ &= \lim_{x \to 0^+} \frac{1}{2 e^{2\sqrt{x}}} = \frac{1}{2}. \end{aligned}$$

例2：求极限 $\lim\limits_{x \to +\infty} x \left( \frac{\pi}{2} - \arctan x \right)$。

解：当 $x \to +\infty$ 时，$x \to +\infty$，$\left( \frac{\pi}{2} - \arctan x \right) \to 0$，为 ∞×0 型。将其转化为 0/0 型：

$$\lim_{x \to +\infty} x \left( \frac{\pi}{2} - \arctan x \right) = \lim_{x \to +\infty} \frac{\frac{\pi}{2} - \arctan x}{\frac{1}{x}}.$$ 此时分子分母均趋于0，为 0/0 型。应用洛必达法则： $$\begin{aligned} \lim_{x \to +\infty} \frac{\frac{\pi}{2} - \arctan x}{1/x} &\stackrel{(L’)}{=} \lim_{x \to +\infty} \frac{0 - \frac{1}{1+x^2}}{-\frac{1}{x^2}} \ &= \lim_{x \to +\infty} \frac{x^2}{1+x^2} = \lim_{x \to +\infty} \left(1 - \frac{1}{1+x^2}\right) = 1. \end{aligned}$$

2.2 ∞/∞ 型的洛必达法则

定理（∞/∞型洛必达法则）： 设函数 $f(x)$ 和 $g(x)$ 在点 $a$ 的某个去心邻域内可导，且满足：

1. $\lim\limits_{x \to a} |g(x)| = +\infty$；
2. $g’(x) \ne 0$；
3. $\lim\limits_{x \to a} \frac{f’(x)}{g’(x)} = L$（$L$ 为有限数或 $\pm\infty$）。

则有 $$\lim_{x \to a} \frac{f(x)}{g(x)} = \lim_{x \to a} \frac{f’(x)}{g’(x)} = L.$$

其使用要点与 0/0 型完全相同。

例3：比较对数函数与幂函数的增长阶。求 $\lim\limits_{x \to +\infty} \frac{\ln x}{x^{\varepsilon}}$，其中 $\varepsilon > 0$。

解：这是 ∞/∞ 型。应用洛必达法则： $$\lim_{x \to +\infty} \frac{\ln x}{x^{\varepsilon}} \stackrel{(L’)}{=} \lim_{x \to +\infty} \frac{1/x}{\varepsilon x^{\varepsilon-1}} = \lim_{x \to +\infty} \frac{1}{\varepsilon x^{\varepsilon}} = 0.$$ 结论：当 $x \to +\infty$ 时，对数函数 $\ln x$ 的增长速度慢于任何正幂函数 $x^{\varepsilon} (\varepsilon > 0)$。

例4：比较指数函数与幂函数的增长阶。求 $\lim\limits_{x \to +\infty} \frac{x^{\alpha}}{e^{x}}$，其中 $\alpha > 0$。

解：这是 ∞/∞ 型。连续应用洛必达法则。注意到每求一次导，分子 $x^{\alpha}$ 的指数减1，而分母 $e^x$ 始终不变。经过有限次（例如 $k$ 次，$k > \alpha$）求导后，分子将变为常数或趋于0，分母仍为 $e^x \to +\infty$。因此： $$\lim_{x \to +\infty} \frac{x^{\alpha}}{e^{x}} = 0.$$ 结论：当 $x \to +\infty$ 时，指数函数 $e^x$ 的增长速度快于任何幂函数 $x^{\alpha} (\alpha > 0)$。

import numpy as np
import matplotlib.pyplot as plt

# 验证例3和例4的结论：比较函数增长速度
x = np.linspace(1, 100, 1000)
ln_x = np.log(x)
x_pow_01 = x**0.1
x_pow_2 = x**2
exp_x = np.exp(x/10) # 对e^x进行缩放以便在同一量级下观察

plt.figure(figsize=(12, 5))

plt.subplot(1, 2, 1)
plt.plot(x, ln_x, label='<span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>ln</mi><mo>⁡</mo><mi>x</mi></mrow><annotation encoding="application/x-tex">\ln x</annotation></semantics></math></span><span class="katex-html" aria-hidden="true"><span class="katex-base"><span class="katex-strut" style="height:0.6944em;"></span><span class="mop">ln</span><span class="mspace" style="margin-right:0.1667em;"></span><span class="mord mathnormal">x</span></span></span></span>', linewidth=2)
plt.plot(x, x_pow_01, label='<span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msup><mi>x</mi><mn>0.1</mn></msup></mrow><annotation encoding="application/x-tex">x^{0.1}</annotation></semantics></math></span><span class="katex-html" aria-hidden="true"><span class="katex-base"><span class="katex-strut" style="height:0.8141em;"></span><span class="mord"><span class="mord mathnormal">x</span><span class="msupsub"><span class="vlist-t"><span class="vlist-r"><span class="vlist" style="height:0.8141em;"><span style="top:-3.063em;margin-right:0.05em;"><span class="pstrut" style="height:2.7em;"></span><span class="katex-sizing reset-size6 size3 mtight"><span class="mord mtight"><span class="mord mtight">0.1</span></span></span></span></span></span></span></span></span></span></span></span>', linewidth=2)
plt.xlabel('x')
plt.ylabel('y')
plt.title('对数函数 vs. 幂函数 (<span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msup><mi>x</mi><mn>0.1</mn></msup></mrow><annotation encoding="application/x-tex">x^{0.1}</annotation></semantics></math></span><span class="katex-html" aria-hidden="true"><span class="katex-base"><span class="katex-strut" style="height:0.8141em;"></span><span class="mord"><span class="mord mathnormal">x</span><span class="msupsub"><span class="vlist-t"><span class="vlist-r"><span class="vlist" style="height:0.8141em;"><span style="top:-3.063em;margin-right:0.05em;"><span class="pstrut" style="height:2.7em;"></span><span class="katex-sizing reset-size6 size3 mtight"><span class="mord mtight"><span class="mord mtight">0.1</span></span></span></span></span></span></span></span></span></span></span></span>)')
plt.legend()
plt.grid(True, alpha=0.3)

plt.subplot(1, 2, 2)
plt.plot(x, x_pow_2, label='<span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msup><mi>x</mi><mn>2</mn></msup></mrow><annotation encoding="application/x-tex">x^2</annotation></semantics></math></span><span class="katex-html" aria-hidden="true"><span class="katex-base"><span class="katex-strut" style="height:0.8141em;"></span><span class="mord"><span class="mord mathnormal">x</span><span class="msupsub"><span class="vlist-t"><span class="vlist-r"><span class="vlist" style="height:0.8141em;"><span style="top:-3.063em;margin-right:0.05em;"><span class="pstrut" style="height:2.7em;"></span><span class="katex-sizing reset-size6 size3 mtight"><span class="mord mtight">2</span></span></span></span></span></span></span></span></span></span></span>', linewidth=2)
plt.plot(x, exp_x, label='<span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msup><mi>e</mi><mrow><mi>x</mi><mi mathvariant="normal">/</mi><mn>10</mn></mrow></msup></mrow><annotation encoding="application/x-tex">e^{x/10}</annotation></semantics></math></span><span class="katex-html" aria-hidden="true"><span class="katex-base"><span class="katex-strut" style="height:0.888em;"></span><span class="mord"><span class="mord mathnormal">e</span><span class="msupsub"><span class="vlist-t"><span class="vlist-r"><span class="vlist" style="height:0.888em;"><span style="top:-3.063em;margin-right:0.05em;"><span class="pstrut" style="height:2.7em;"></span><span class="katex-sizing reset-size6 size3 mtight"><span class="mord mtight"><span class="mord mathnormal mtight">x</span><span class="mord mtight">/10</span></span></span></span></span></span></span></span></span></span></span></span> (缩放后)', linewidth=2) # 注意是缩放后的e^x
plt.xlabel('x')
plt.ylabel('y')
plt.title('幂函数 (<span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msup><mi>x</mi><mn>2</mn></msup></mrow><annotation encoding="application/x-tex">x^2</annotation></semantics></math></span><span class="katex-html" aria-hidden="true"><span class="katex-base"><span class="katex-strut" style="height:0.8141em;"></span><span class="mord"><span class="mord mathnormal">x</span><span class="msupsub"><span class="vlist-t"><span class="vlist-r"><span class="vlist" style="height:0.8141em;"><span style="top:-3.063em;margin-right:0.05em;"><span class="pstrut" style="height:2.7em;"></span><span class="katex-sizing reset-size6 size3 mtight"><span class="mord mtight">2</span></span></span></span></span></span></span></span></span></span></span>) vs. 指数函数 (<span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><msup><mi>e</mi><mrow><mi>x</mi><mi mathvariant="normal">/</mi><mn>10</mn></mrow></msup></mrow><annotation encoding="application/x-tex">e^{x/10}</annotation></semantics></math></span><span class="katex-html" aria-hidden="true"><span class="katex-base"><span class="katex-strut" style="height:0.888em;"></span><span class="mord"><span class="mord mathnormal">e</span><span class="msupsub"><span class="vlist-t"><span class="vlist-r"><span class="vlist" style="height:0.888em;"><span style="top:-3.063em;margin-right:0.05em;"><span class="pstrut" style="height:2.7em;"></span><span class="katex-sizing reset-size6 size3 mtight"><span class="mord mtight"><span class="mord mathnormal mtight">x</span><span class="mord mtight">/10</span></span></span></span></span></span></span></span></span></span></span></span>, 缩放)')
plt.legend()
plt.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# 数值计算极限趋势
print("当x较大时，ln(x) / x^0.1 的值：")
for val in [10, 50, 100, 500]:
    print(f"x={val}: {np.log(val) / (val**0.1):.6f}")

print("\n当x较大时，x^2 / e^(x/10) 的值：")
for val in [10, 30, 50, 80]:
    print(f"x={val}: {(val**2) / np.exp(val/10):.6f}")

2.3 使用洛必达法则的注意事项与陷阱

洛必达法则并非万能，使用时必须严格检查前提条件。

1. 验证不定式类型：必须是 0/0 或 ∞/∞ 型才能直接应用。其他类型需先变形。
2. 验证导数之比的极限存在：法则要求 $\lim \frac{f’}{g’}$ 存在（或为无穷）。如果 $\lim \frac{f’}{g’}$ 不存在且不为无穷，则不能推出原极限不存在，只能说明洛必达法则在此失效，需改用其他方法。
   • 反例：$\lim\limits_{x \to \infty} \frac{x + \sin x}{x}$ 是 ∞/∞ 型。若误用洛必达：$\lim\limits_{x \to \infty} \frac{1 + \cos x}{1}$ 极限不存在。但原极限可通过化简求得：$\lim\limits_{x \to \infty} (1 + \frac{\sin x}{x}) = 1$。
3. 可多次使用，但需步步验证：每次使用前，都要确认新的分式是否仍满足 0/0 或 ∞/∞ 型，并且求导后的极限是否存在。
   • 错误示范：$\lim\limits_{x \to \infty} \frac{x - \sin x}{x + \sin x}$。第一次洛必达后得到 $\frac{1-\cos x}{1+\cos x}$，此式极限不存在。若强行第二次洛必达，会得到错误结果 $-1$。而实际上，原极限为 $1$（分子分母同除以 $x$ 可得）。

三、 本章核心要点回顾与串联

本节是《导数》一章的收官之作，我们来串联所有核心知识点：

1. 导数的本源：导数定义为函数在某点的瞬时变化率，是如下极限： $$f’(x_0) = \lim_{\Delta x \to 0} \frac{f(x_0 + \Delta x) - f(x_0)}{\Delta x}.$$ 其几何意义是曲线切线的斜率，物理意义是变化率（如速度）。

2. 求导的武器库：

   • 基本公式：初等函数（幂、指、对、三角、反三角）的导数公式必须熟记。
   • 四则运算法则：$(u \pm v)’ = u’ \pm v’$， $(uv)’ = u’v + uv’$， $(\frac{u}{v})’ = \frac{u’v - uv’}{v^2}$。
   • 链式法则：复合函数求导的基石，$\frac{dy}{dx} = \frac{dy}{du} \cdot \frac{du}{dx}$。
   • 衍生技巧：基于等式两边同时求导，可求解隐函数、反函数、参数方程确定的函数的导数。

3. 极限计算的终极武器之一：洛必达法则。它专门用于求解 0/0 和 ∞/∞ 型不定式极限，其核心思想是： $$\text{若满足条件，则} \lim \frac{f(x)}{g(x)} = \lim \frac{f’(x)}{g’(x)}.$$ 它将复杂的极限计算转化为相对容易的求导计算。

📝 动手练一练

1. 基础题：计算极限 $\lim\limits_{x \to 0} \frac{e^x - 1 - x}{x^2}$。 参考答案：此为 0/0 型。应用洛必达法则两次。 $$\begin{aligned} \lim_{x \to 0} \frac{e^x - 1 - x}{x^2} &\stackrel{(L’)}{=} \lim_{x \to 0} \frac{e^x - 1}{2x} \quad (\text{仍为 }0/0\text{型}) \ &\stackrel{(L’)}{=} \lim_{x \to 0} \frac{e^x}{2} = \frac{1}{2}. \end{aligned}$$

2. 综合题：计算极限 $\lim\limits_{x \to 0^+} x^x$。（提示：幂指函数 $u^v = e^{v \ln u}$，先化为 0×∞ 型，再转化为 ∞/∞ 或 0/0 型） 参考答案：设 $y = x^x$，则 $\ln y = x \ln x$。 $$\lim_{x \to 0^+} \ln y = \lim_{x \to 0^+} x \ln x = \lim_{x \to 0^+} \frac{\ln x}{1/x} \quad (\infty/\infty \text{型}).$$ 应用洛必达法则： $$\lim_{x \to 0^+} \frac{\ln x}{1/x} \stackrel{(L’)}{=} \lim_{x \to 0^+} \frac{1/x}{-1/x^2} = \lim_{x \to 0^+} (-x) = 0.$$ 因此，$\lim\limits_{x \to 0^+} \ln y = 0$，故 $\lim\limits_{x \to 0^+} y = \lim\limits_{x \to 0^+} x^x = e^0 = 1$。

本章小结

本节我们深入探讨了微积分中处理极限问题的关键技巧。从识别七类不定式出发，重点掌握了破解 0/0 与 ∞/∞ 型不定式的洛必达法则，并通过例题和注意事项明确了其正确用法。最后，我们将导数定义、求导法则与洛必达法则串联起来，构成了完整的单变量微分学基础框架。

学完本节，你的行动清单是：

1. 记忆与辨析：熟记七种不定式形式，并能将非 0/0、∞/∞ 型（如 0×∞， 1^∞）通过代数变形转化为这两种基本型。
2. 规范应用：面对极限题，养成先判断类型，再验证洛必达法则使用条件，最后规范书写的解题习惯，特别注意避免对“振荡不存在”的极限误用法则。
3. 体系构建：合上书本，尝试画出从导数定义到洛必达法则的完整知识脉络图，确保每个知识点（定义、几何意义、求导公式、法则）都能在图中找到位置和联系。

— 小象教研组