lim sup 与 lim inf：从震荡数列到集合、函数与概率论

1. 从一道让人发懵的题说起：极限不存在时，我们还能说什么

第一次在数学分析课上撞见lim sup和lim inf这两个符号，我盯着课本看了半天：极限就是极限，为什么还要分上下？直到做习题时碰到a_n = (-1)^n，老师说它的极限不存在，但它的上极限是 1、下极限是 -1，我才意识到这两个东西根本不是"两个新极限"，而是专门用来处理震荡型数列的一套工具。它的核心作用就一句话：当数列本身不肯老老实实收敛时，我们去问它"最靠上的那股趋势"和"最靠下的那股趋势"分别奔向哪里。上极限（lim sup，也叫上极限）刻画的是尾部最大的聚点，下极限（lim inf）刻画的是尾部最小的聚点。

这两个概念解决的痛点非常具体。普通极限要求"后面所有项都挤在一个数附近"，条件太苛刻，而现实中大量数列、集合序列、函数在一点附近的行为都是来回振荡的。比如函数sin(1/x)在 0 附近疯狂震荡，你说它趋于哪个值？都不趋于。但你希望有个量能描述"它最多能冲到多高、最多能跌到多低"，上下极限正好干这件事。如果你正在学数学分析、实变函数、概率论，或者准备考研数学、做测度论相关课题，这套东西是绕不开的基础设施——尤其是集合序列的上下极限，在实变和概率里出现频率高得惊人。

坦白讲，很多人第一次学它时觉得抽象，是因为教材喜欢一上来就给"尾部上确界的极限"这种定义，符号叠符号，看起来像绕口令。但如果先把直觉建立起来——上极限就是"最大的那个子列极限"，下极限就是"最小的那个子列极限"——符号立刻就有意义了。下面我按我自己理解它的顺序，把两种定义、性质清单、手算套路、集合版和函数版，以及踩过的坑，一条一条说清楚。

1.1 一个例子先摆出来，感受一下差别

拿a_n = (-1)^n来说，写开来就是-1, 1, -1, 1, ...。你没法说它收敛，因为它在两个值之间永不停止地跳。但你能说清楚两件事：第一，它所有的项都不超过 1，而且确实有无数多项取到 1，所以 1 是它尾部能到达的"上限天花板"；第二，它所有的项都不低于 -1，而且也确实有无数多项取到 -1，所以 -1 是"下限地板"。这两个数不是随便挑的，它们都实打实地被无穷多个项取到，是真正意义上的"聚点"。

再看a_n = 1/n，这个老老实实收敛到 0，所以它的上极限和下极限都是 0。再看a_n = n，它没有界，往上跑到无穷，下极限是 +∞ 吗？不是，它的下极限也是 +∞，因为尾部最小的一项也趋于无穷。这就引出一个关键点：上极限和下极限允许取到+∞或-∞，它们是在扩充实数系R ∪ {-∞, +∞}里取值的。你只要记住，凡是在普通极限讨论里需要"如果存在"这个前提的地方，上下极限基本都不需要，它总是存在的。这是它最大的优势。

我个人的感受是，普通极限像是一个"及格线"要求：全班同学都得考到 80 分周围才算数；而上下极限更像是"最高分"和"最低分"，不管班级成绩多乱，这两个数永远有。

1.2 为什么教材不直接说"最大聚点"

因为"聚点"这个词本身要先定义清楚，而尾部上确界的写法可以完全绕开子列、绕开聚点，纯用确界和单调极限来搭建，逻辑上更干净。好处是不依赖选择公理那类东西，也更方便推广到集合序列和函数上去。坏处就是第一次读起来像套娃。所以正确的学习顺序是：先用子列直觉理解它是什么，再回头接受尾部上确界的形式定义，最后用形式定义去算题。这两条腿都得有，缺一条后面都会瘸。

还有一点容易被忽略：定理lim sup a_n ≥ lim inf a_n是恒成立的，而且等号成立当且仅当普通极限存在。这句话是整个章节的骨架，几乎所有习题都在围绕它做文章。

2. 两种定义，两种视角：把 lim sup 和 lim inf 说透

定义这东西，看一个就够，但看两个能省掉后面很多纠结。我先给最常用的那个，再给最直观的那个，然后说清楚为什么它们是一回事，以及做不同题的时候该拿哪个出来用。

2.1 定义一：尾部上确界的下极限

设{a_n}是一个实数列。固定一个n，考虑从第n项开始往后的所有项，也就是尾部{a_n, a_{n+1}, a_{n+2}, ...}，记这个集合的上确界为

S_n = sup{ a_k : k ≥ n }

注意S_n本身是一个数列。当n变大时，我们扔掉的项越来越多，剩下的集合越来越小，所以上确界只可能变小或者不变，于是{S_n}是一个单调递减数列。单调递减数列在扩充实数系里一定有极限，这个极限就叫上极限：

lim sup a_n = lim_{n→∞} S_n = inf_n sup_{k≥n} a_k

同样的写法，把 sup 换成 inf：

lim inf a_n = lim_{n→∞} I_n = sup_n inf_{k≥n} a_k

这里I_n = inf{ a_k : k ≥ n }是单调递增的，所以极限也总存在。这个定义最大的好处是"永远有定义"——不需要任何额外条件。我用它算题的频率远高于下面那个。

2.2 定义二：子列极限的上下确界

换一个角度。把所有收敛子列的极限收集起来，组成一个集合

E = { x ∈ R : 存在子列 a_{n_k} → x }

这个集合叫{a_n}的聚点集（或极限点集）。那么有

lim sup a_n = sup E，lim inf a_n = inf E

而且更强的结论是：lim sup a_n和lim inf a_n本身都是E里面的元素。也就是说，一定存在一个子列收敛到上极限，也一定存在一个子列收敛到下极限。这就是为什么我说它们是"能真正被达到的天花板和地板"，不是空洞的界。

这个定义解释力极强。a_n = (-1)^n的收敛子列只有两类：全是 1 的和全是 -1 的，聚点集是{-1, 1}，上确界 1、下确界 -1，一目了然。再比如把全体有理数排成一个数列q_1, q_2, q_3, ...（这称为有理数的一个枚举），因为有理数在实数里稠密，任意实数都是某个子列的极限，聚点集是整个R，于是它的上极限是+∞、下极限是-∞。这个例子我第一次看到时挺震撼的，一个每项都是有限数的数列，上下极限竟然跑到两头去了。

2.3 两个定义为什么等价：一句证明思路

要证明inf_n sup_{k≥n} a_k等于子列极限的上确界，方向是两步走。第一步，证明左边的值本身是一个子列极限：记L = inf_n S_n，对每个n挑一项a_{k_n}，使得k_n严格递增且a_{k_n} > S_n - 1/n（当S_n = +∞时挑个足够大的数即可），这样构造出的子列就收敛到L。第二步，证明任何子列的极限都不超过L：因为对任意n，子列从某项之后的所有项都落在尾部集合里，所以子列的极限不超过S_n，对n取 inf 就得到不超过L。两边一夹，等号成立。

实际操作中，我一般这么分工：算具体数值用定义一，因为它直接把问题转化成"求尾部上确界的表达式，再对 n 取极限"，步骤机械、不易出错；做证明题用定义二，尤其是需要构造子列、证明某点可达的时候，用聚点视角思路清楚得多。

2.4 两个定义对照速查

注意：定义二在证明时用得爽，但它依赖"任何有界数列必有收敛子列"这个结论，而无界的时候要分情况讨论，反而麻烦。所以我建议以定义一为主，定义二为辅。

3. 性质清单与三种典型算法

性质这部分，很多教材列十几条，其实真正高频的也就七八条。我把它们整理成一张表，再配上三条我总结的计算套路，基本能覆盖 90% 的习题。

3.1 必背性质清单

设{a_n}、{b_n}是实数列，所有运算都在扩充实数系里理解（遇到+∞ + (-∞)这种未定式时要重新讨论）：

加法那条特别值得琢磨。等号不总成立，a_n = (-1)^n、b_n = (-1)^{n+1}就是经典反例：a_n + b_n ≡ 0，上极限是 0；而两个上极限都是 1，加起来是 2。原因是两个震荡"错峰"抵消了，各自的尾部上确界被拉高，但和的尾部上确界并没有那么高。理解这一点，做不等式估计时就不会乱用等号。

3.2 三种典型算法，从易到难

套路一：奇偶拆子列法。这是遇到震荡最直接的做法。把n分成奇数和偶数，分别求子列的极限。如果整个数列可以拆成有限个（比如 3 个、4 个）有各自极限的子列，那么这些子列极限中的最大值就是上极限，最小值就是下极限。拿a_n = (-1)^n + 1/n来说，偶子列是1 + 1/n → 1，奇子列是-1 + 1/n → -1，所以上极限 1、下极限 -1。这个方法对a_n = (-1)^n · n这类也一样好使，只是要注意子列可能发散到无穷。

套路二：尾部上确界法。严格按照定义一来，先写出S_n = sup{ a_k : k ≥ n }的具体表达式，再对n求极限。对a_n = (-1)^n来说，不管你从第几项开始看，尾部里永远同时有 1 和 -1，所以S_n ≡ 1，I_n ≡ -1，取极限得 1 和 -1。对a_n = (-1)^n + 1/n，尾部里最大的那一项出现在最小的偶数k ≥ n上，值是1 + 1/K，随着n增大K也增大，所以上限趋于 1。这个方法机械，适合考试时稳扎稳打。

套路三：利用稠密性/数论性质。遇到a_n = sin(n)这种，前面两种方法都不好用，因为sin(n)的取值不按奇偶规律走。这时候要用数论结论：{n mod 2π}在[0, 2π)中稠密，所以存在子列使得n_k mod 2π趋近于π/2，从而sin(n_k) → 1；同理会存在子列趋近于-π/2，于是sin(n_k) → -1。因此上极限是 1，下极限是 -1。这类题在实数系里算"高级题"，考的就是你知不知道把序列问题转化为分布问题。

3.3 一个数值验证的小工具

手工推导容易出错，我平时会写几行 Python 验证一下尾部的走势。注意这只是有限项近似，n取得足够大才能看出趋势：

import numpy as np def scan_tail(a, start=0): """打印尾部上确界随 n 的变化，用来肉眼判断 lim sup / lim inf""" a = np.asarray(a, dtype=float) for n in range(start, len(a), max(1, (len(a) - start) // 12)): tail = a[n:] print(f"n={n:5d} sup={tail.max():9.5f} inf={tail.min():9.5f}") # 例一：(-1)^n + 1/n n = np.arange(1, 2001) scan_tail((-1.0) ** n + 1.0 / n, start=0) # 例二：sin(n) scan_tail(np.sin(n), start=0)

跑出来你会看到第一种情况的上确界列很快贴近 1、下确界列贴近 -1；第二种情况两组数会缓慢地在 1 和 -1 附近来回靠拢，这就是稠密性在数值上的影子。这类小验证不解决证明问题，但能帮你确认自己是不是把方向搞反了，尤其是判断正负号的时候特别有用。

提示：sup和inf是尾部的确界，不是最大值和最小值，二者不等价。尾部可能有上确界但取不到，比如a_n = 1/n的尾部上确界是1/n（当 n 是最初项时）但从来取不到 1，所以千万别写"最大值"。

3.4 lim sup = lim inf 为什么就是收敛

这个结论平时看可能觉得理所当然，其实值得掰开说。已经知道lim inf ≤ lim sup恒成立，剩下只要证明等号成立时数列收敛就行：设L = lim sup a_n = lim inf a_n。此时尾部上确界S_n和尾部下确界I_n都收敛到L，而I_n ≤ a_n ≤ S_n（第 n 项一定被夹在尾部下确界和上确界之间），两边一夹，a_n → L。反过来，如果a_n → L，那尾部上确界和下确界都被逼到L附近，所以三个量相等。

这个夹逼的思路非常有用，我在证明题里用得最多。它本质上说明：上极限和下极限之间的差距，就是数列的"震荡幅度"。差距越小，越接近收敛；差距为 0，就是收敛。

4. 集合版的上下极限：实变和概率论里的真正主力

数列的上下极限只是热身。真正在后续课程里天天出现的是集合序列的上下极限。它的定义长得跟数列版几乎一样，只是把 sup 换成并集、inf 换成交集，理解方式却更有画面感。

4.1 定义与"无穷多次"的翻译

设{A_n}是一列集合。定义

lim sup A_n = ⋂_{n=1}^∞ ⋃_{k=n}^∞ A_k lim inf A_n = ⋃_{n=1}^∞ ⋂_{k=n}^∞ A_k

看着唬人，翻译成人话就清楚了。⋃_{k≥n} A_k是"从第 n 项往后的所有集合的并"，再对所有 n 取交，意思是"不管从哪个位置开始看，后面的并里都有它"——等价于

x ∈ lim sup A_n ⟺ x 属于无穷多个 A_n

同理

x ∈ lim inf A_n ⟺ x 属于除去有限多个之外的所有 A_n

也就是说，上极限就是"被无穷多次命中的元素"，下极限就是"从某一项开始就一直被命中的元素"。前者在概率里叫"无穷多次发生"，记作{A_n i.o.}，i.o.就是 infinitely often。

马上能得到两条基本事实：lim inf A_n ⊂ lim sup A_n（恒成立），而且lim sup A_n与lim inf A_n之间还差着"无穷多次命中但最终不命中"的那部分元素。补集运算还给出一个漂亮的对偶关系：

(lim sup A_n)^c = lim inf (A_n^c)

这条在证明里非常好用，很多关于下极限的结论都是从上极限的结论取补集直接搬过来的。

举一个我经常用来给同学解释的例子。在实数轴上令A_n = [0,1]当n为奇数，A_n = [2,3]当n为偶数。那么[0,1]中的每个点都被无穷多个奇数项命中，所以属于上极限；[2,3]中的点也一样。但没有任何点能被从某一项开始的所有集合都包含，"最终一直命中"的条件无人满足，所以下极限是空集。这个例子的直观图像就是两个区间在轮流闪烁，上极限是它们留下的"痕迹总和"，下极限是"始终稳定的那部分"。

4.2 特征函数搭桥，把两套理论缝在一起

集合版和数列版不是两套孤立的东西，它们通过特征函数精确地对应起来：

1_{lim sup A_n}(x) = lim sup 1_{A_n}(x) 1_{lim inf A_n}(x) = lim inf 1_{A_n}(x)

逐点成立，非常干净。右边是数列的上极限，左边是集合的上极限的特征函数。这就意味着，任何关于数列上下极限的结论，都可以逐点翻译成集合的结论。0和1组成的数列只在两个值之间震荡，所以它的上极限要么是 1 要么是 0，恰好对应"属于无穷多项"和"不属于无穷多项"。

这个桥接最经典的应用就是 Borel–Cantelli 引理。设(Ω, F, μ)是测度空间，如果

Σ_{n=1}^∞ μ(A_n) < ∞

那么μ(lim sup A_n) = 0。这个结论的证明思路很值得学：Σ μ(A_n)有限，说明尾部之和趋于 0，而lim sup A_n的测度被尾部任何一段的并的测度控制，取极限就得 0。这里"尾部"的处理方式和数列版尾部上确界几乎是同一套逻辑，只是把"上确界"换成了"并集的测度"。这也是为什么我一直强调，先把数列版搞扎实，集合版就是换层皮。

在概率论里还有反向结论（需要独立性假设）：如果Σ P(A_n) = ∞且各A_n相互独立，那么P(lim sup A_n) = 1。这两条合起来，就是判断"几乎必然发生无穷多次"的标准武器，在随机游走的重返性、大数定律的强弱形式里都有影子。

注意：lim sup A_n里的sup对应的是并集，lim inf A_n里的inf对应的是交集。这个对应关系别背反了。记忆口诀：并集更"大"，对应上限；交集更"小"，对应下限。

5. 函数版的上下极限：一个点的震荡有多大

第三层推广是函数在一点处的上下极限。它的定义和数列版结构完全一致，只是把"尾部"从序号换成"去心邻域"。

5.1 定义与两个典型例子

设f定义在x_0的一个去心邻域上（可以没有定义在x_0本身）。定义

lim sup_{x→x_0} f(x) = inf_{δ>0} sup{ f(x) : 0 < |x - x_0| < δ } lim inf_{x→x_0} f(x) = sup_{δ>0} inf{ f(x) : 0 < |x - x_0| < δ }

把 δ 视作"缩小观察窗口"，sup{ f(x) : 0 < |x-x_0| < δ }是窗口内函数值的上确界，窗口越缩越小，这个上确界单调递减（或者不变），极限存在，就是上极限。这个结构和数列里"尾部越切越短"完全同构。

经典例子一：f(x) = sin(1/x)在x → 0处。当 x 趋近 0 时1/x跑遍整个实数轴，sin在[-1, 1]上来回震荡，任意小的去心邻域里都有取值任意接近 1 和 -1 的点。于是上极限是 1、下极限是 -1，普通极限不存在。这就是函数版的"奇偶拆子列"。

经典例子二：Dirichlet 函数，有理点取 1、无理点取 0。在任意一点x_0处，任意小的邻域里既有有理点也有无理点，所以上极限恒为 1、下极限恒为 0，普通极限处处不存在。这个例子说明上下极限能把"处处不连续"这种极端情形量化出来。

5.2 用它定义连续和震荡

有了上下极限，"连续"这个概念可以重新表述得非常干净：

f 在 x_0 处连续 ⟺ lim sup_{x→x_0} f(x) = lim inf_{x→x_0} f(x) = f(x_0)

必要性来自普通极限存在且等于函数值；充分性就是我们熟悉的夹逼。也就是说，连续等价于"上下极限合并成一个值，而且这个值恰好是函数值"。

顺着往下，可以定义f在x_0处的震荡：

osc_{x_0} f = lim sup_{x→x_0} f(x) - lim inf_{x→x_0} f(x)

差值为 0 就是连续，差值越大越"跳"。这个量在实变里很有用，因为断裂点集的结构分析、黎曼可积性的判断，本质上都在问"震荡能不能被控制住"。我个人觉得，把"连续"理解成"震荡为零"比背 ε-δ 定义更直观，做题时也更容易想起来要怎么动手。

和数列版对应的两条性质同样成立：lim inf ≤ lim sup恒成立；lim sup_{x→x_0} (-f(x)) = -lim inf_{x→x_0} f(x)。证明都是逐点照搬数列版的论证，不需要新技巧。

5.3 三种版本对照速查

三张表摆在一起看，你会发现它们就是同一个模式套用在不同结构上：取一个大范围的集合 → 求内部极值 → 收缩范围取极限。看清这个模式，后面再遇到别的结构的上下极限，你自己就能照葫芦画瓢地写出来，不需要重新学。

6. 常见坑与排查技巧：我踩过的那几个

这部分是我觉得最值钱的地方。上下极限的题目出错，往往不是因为不理解概念，而是因为几个固定的习惯性错误。我把自己和周围同学反复踩过的坑整理出来。

6.1 六个高频错误速查表

关于第 2 条我想多说一句。很多教材在讲数列上下极限时默认数列有界，理由是"有界才谈得上有限值"。但比赛题和后续课程里，+∞、-∞作为上下极限非常常见。判断方法很简单：如果尾部的上确界随着 n 增大而无界地涨，那上极限就是+∞。a_n = n^{(-1)^n}就是个典型，偶数项是 n、奇数项是 1/n，上确界是+∞、下确界是 0。

6.2 我的三个操作习惯

习惯一：先问上下极限是否存在（在扩充实数系里）。因为答案永远是"存在"，所以这一步其实是白问。真正要问的是"它是有界还是有无限"。快速判断法：看数列是否有界。有界的话上下极限都有限；无界的话至少有一个方向跑到无穷。

习惯二：算题先写尾部表达式。我会先在草稿纸上写下S_n = sup{a_k : k ≥ n}的具体形式，哪怕只是1或者1 + 1/k这种，也比直接套结论稳。写出来之后，lim sup就是对S_n取极限，一步到位。这一步的好处是能立刻暴露"尾部到底是个什么形状"。

习惯三：所有不等式估计都写出来源。加减法和乘法的次可加性，在证明题里非常容易用错方向。我的做法是每写一个≤或≥，旁边都标一下依据（是保序性、是次可加性、还是某一项收敛）。养成这个习惯之后，考试时被扣分的概率明显下降。

提示：如果题目只让你求lim sup或只让你求lim inf，别偷懒只算一个。很多题目真正的考点是"两者之差"或者"它们是否相等"。一般情况下都建议两个都算出来，顺便验证一下lim inf ≤ lim sup是否成立，这能当做一个自查。

6.3 一种进阶视角：上极限是最大聚点

回到第二章的定义二，其实还有一层更深的理解：上极限是数列的最大聚点，下极限是最小聚点。这两个点不一定被数列取到，但一定被某个收敛子列取到。所以在实数轴上，把数列所有的聚点画出来，最小和最大那两个就是上下极限，中间的部分是"介于两者之间的震荡带"。

这个视角在证明题里特别好用。比如要证明"存在子列收敛到lim sup a_n"，你直接引用"上极限是最大聚点"这个事实就完事了，不用再构造一遍。要证明"任何子列的极限都 ≤lim sup a_n"，你就说"最大聚点的定义"，也是一句话。

7. 它到底藏在哪些地方：从级数到幂级数

你可能觉得上下极限离日常很远，其实它就在你熟悉的方法里。

7.1 根值判别法背后的那个符号

学过级数的人用过根值判别法：给定级数Σ a_n，考察lim sup |a_n|^{1/n}。如果这个值小于 1，级数绝对收敛；大于 1，发散；等于 1 则判别法失效。注意这里用的是lim sup而不是普通极限，很多教材为了教学方便写成"设|a_n|^{1/n} → ρ"，其实削弱了定理的适用范围。只要lim sup |a_n|^{1/n} < 1就能保证收敛，根本不需要整个数列收敛。

原因是级数收敛只关心尾部上界的衰减速度。哪怕|a_n|^{1/n}上下来回震荡，只要它的上极限小于 1，就说明"最坏的那些项"也在指数衰减，收敛性自然没问题。这也是为什么泛函分析和实变课里，定理一律用lim sup来陈述。

比值判别法和根值判别法之间还藏着一条上下极限的不等式链：

lim inf |a_{n+1}/a_n| ≤ lim inf |a_n|^{1/n} ≤ lim sup |a_n|^{1/n} ≤ lim sup |a_{n+1}/a_n|

这条链特别好在它一次性解释了两个判别法的强弱关系：只要比值判别法能判，根值判别法一定能判；反过来不成立。这属于"知道一次就受益很久"的结论。虽然做题时不一定直接引用，但能让你明白为什么书上总是优先推荐根值法。

幂级数收敛半径也是同一回事，R = 1 / lim sup |c_n|^{1/n}（系数形式）。注意分母用的是上极限，不是普通极限。以Σ c_n z^n为例，如果系数里夹杂着偶尔出现的零项，普通极限根本不存在，但收敛半径照样算得出来，靠的就是上极限。

7.2 在分析证明里它出现的两个固定位置

第一处，是处理"极限不存在"的一般化命题。凡是"若有极限则...成立"的定理，你都能问一句"没有极限怎么办"。这时候一般会改用上下极限来陈述，结论会变成不等式或者双侧估计。比如常见的"极限保序"结论，去掉存在性假设后，就变成上下极限之间的不等式。

第二处，是处理逐点收敛和一致收敛的过渡。比如你想定义一个函数序列的"逐点极限"，但因为每点处极限不一定存在，就需要先用上下极限把逐点的信息提取出来，然后再讨论可测性、积分收敛性。测度论里的 Fatou 引理、单调收敛定理，本质上都在处理这类问题，而lim inf就是它们的标准工具。Fatou 引理写成∫ lim inf f_n ≤ lim inf ∫ f_n，用的正是函数版的上下极限。

8. 我自己的理解方式与一点建议

如果让我用一句话概括上极限和下极限：它们是普通极限在"震荡场景"下的两个替身，一个负责天花板，一个负责地板；当天花板和地板重合时，普通极限才存在。

我个人的学习经验是，千万不要把它当成一个新知识点单独背，而是把它当成"极限的宽松版本"来理解。普通极限要求"全部收敛到同一个值"，上下极限只要求"至少知道最高和最低两条趋势线"。放宽了要求，换来的是永远存在这个好性质。这套思路在后面学集合、学函数、学积分时都会反复用到，本质上是同一个模式的复制。

最后分享一个小技巧。判断一个概念是不是理解透了，可以用它重新解释你已经熟悉的东西。比如拿出一道你以前做过的数列收敛题，用上下极限的框架重写一遍，看看是不是"上极限 = 下极限 = 极限"这个结构。我试过几次之后，明显感觉对收敛的理解深了一层，而且做证明题时能想到的路子变多了。这种"用新工具重做旧题"的练习，比刷十道新题的价值还高。