第一次在教材里撞见 lim sup 和 lim inf，我盯着sup_{k≥n} a_k、inf_{k≥n} a_k这两行看了足足十分钟：上下确界明明是集合的性质，怎么一转眼就变成数列的极限了？后来刷题刷到手指发麻才反应过来，上极限和下极限这两个概念，本质上就是给那些"极限压根不存在"的数列强行造出来的两个最靠谱的替代品——它不告诉你数列最终落在哪，只告诉你它最终最多能爬到多高、最少会掉到多低。这个说法听着糙，但一旦接受它，后面所有的定义、等价刻画、运算规则都会变得顺理成章。下面这篇东西，是我把上下极限从"看不懂"啃到"条件反射"的全过程整理，包含三套等价定义的取舍、手算模板、数值验证脚本，以及一堆当年让我丢分的坑。适合正在学数学分析、实变函数、概率论的同学，也适合多年没碰、想快速捡回来的朋友。
1. 先把直觉建起来：上下极限到底在补哪个窟窿
1.1 收敛的定义太苛刻，一大半数列被挡在门外
数列极限的定义是这样的：存在实数 L，对任意 ε > 0，总存在 N，使得 n > N 时 |a_n − L| < ε。翻成人话就是——从某一项开始，后面所有的项都必须老老实实待在 L 附近那根极细的带子里，一个都不许跑出去。这个要求非常强硬，强硬到像 a_n = (−1)^n 这种最朴素的例子都被判了"死刑"：它永远在 1 和 −1 之间来回横跳，你找不到任何一个 L 能让整条尾巴都挤进去。
问题在于，"被判死刑"并不意味着这个数列没有规律。恰恰相反，(−1)^n 的规律清楚得很：偶数项永远是 1，奇数项永远是 −1，它在这两个值上各待了一半的时间。这种"虽然整体不收敛，但若干个子列各自收敛"的结构，在分析里出现得太频繁了：正项级数的根值判别法、概率论里的 Borel-Cantelli、可测函数列的逐点极限，到处都需要描述这种"发散但有规律"的状态。上下极限就是为描述它而生的工具。
1.2 关键一招：把整条数列切成一根根尾巴
定义是这样下的。对每个固定的 n，把第 n 项及其后面的所有项收集起来，得到一条"尾巴"：
T_n = { a_n, a_{n+1}, a_{n+2}, ... }
然后对这条尾巴取上确界和下确界：
$$ S_n = \sup_{k \ge n} a_k, \qquad I_n = \inf_{k \ge n} a_k $$
接着规定：
$$ \limsup_{n\to\infty} a_n = \lim_{n\to\infty} S_n, \qquad \liminf_{n\to\infty} a_n = \lim_{n\to\infty} I_n $$
这里有一个极其关键的观察，也是整个定义能够成立的全部理由：当 n 变大时，尾巴 T_n 是做"减法"的——T_{n+1} 是从 T_n 里挖掉 a_n 之后剩下的。集合变小了，它的上确界只可能变小或者不变，下确界只可能变大或者不变。换句话说，{S_n} 是一个单调递减的数列，{I_n} 是一个单调递增的数列。
而单调数列在广义实数系（把 +∞ 和 −∞ 也算进来）里是一定有极限的：单调有界就收敛，单调无界就奔向 ±∞。这就把"极限可能不存在"这个天大的麻烦彻底绕开了。上下极限的成立不依赖于原数列收敛，它永远存在，这是它比普通极限好用的根本原因。
1.3 它和上确界 sup 差在哪：一个例子讲透
很多人第一眼会把 limsup 和 sup{a_n} 混为一谈，这两个东西差得非常远。看一个极端的数列：a_1 = 100，从 a_2 开始所有项都是 0。
那么 sup{a_n : n ≥ 1} = 100，因为集合里确实有一个 100。可是 limsup a_n 等于多少？从 n ≥ 2 开始，尾巴 T_n 里全是 0，所以 S_n = 0（n ≥ 2），于是 limsup = 0。liminf 同样是 0——每条尾巴的下确界都是 0。
这个例子说明了两件事的区别：sup 只看集合里有没有那个极端值，完全不关心这个值出现几次；limsup 只看"最终"的形态，前面有限项闹得再凶也不影响它。用一句话概括：sup 是"曾经有多高"，limsup 是"以后还能有多高"。做证明的时候，凡是看到"去掉有限项不改变结果"这类操作，背后十有八九藏着上下极限。
1.4 它在哪些地方真的被用到
不夸张地说，上下极限是整个分析学科里的"万能接口"。
- 级数收敛判别：柯西根值判别法用的是 limsup |a_n|^{1/n} < 1，而不是 lim |a_n|^{1/n} < 1。原因很简单，|a_n|^{1/n} 的极限未必存在，但上极限永远存在。
- 概率论：Borel-Cantelli 引理讨论的就是集合列的 limsup——"事件无穷多次发生"的集合，写出来是 ∩_n ∪_{k≥n} E_k。
- 实变函数与测度论：Fatou 引理、单调收敛定理的各种证明，开头几乎都是"取可测函数列的上极限"。
- 数列极限的存在性判定：想证明某个数列收敛却找不到极限值，先证 liminf = limsup 是标准套路。
这四个场景我会在后面的章节里分别落到具体操作上，先记住一句：只要"极限不存在"成为障碍，第一反应应该是上下极限。
2. 三套等价定义，用哪套取决于你要干什么
上下极限的定义至少有三套常见写法，教材往往只讲一套就匆匆往下走，结果做题时发现"这题定义根本用不上"。我把三套都摆出来，并且说清楚各自的主场。
2.1 定义 A：尾巴确界的极限（最常见的教科书写法）
$$ \limsup_{n\to\infty} a_n = \lim_{n\to\infty} \left( \sup_{k \ge n} a_k \right), \qquad \liminf_{n\to\infty} a_n = \lim_{n\to\infty} \left( \inf_{k \ge n} a_k \right) $$
这套写法的优势是"永远成立"，不用讨论原数列是否收敛，而且天然给出两条铁律：
- liminf ≤ limsup 永远成立。因为每条尾巴都满足 I_n ≤ S_n，取极限就得到结论。这条不等式是我们做完任何一道题之后的第一个自查项，如果算出来的结果违反它，不用检查第二步，直接回头。
- 数列收敛当且仅当 liminf = limsup，且此时两者都等于该极限。这条是把上下极限"翻译"回普通极限的唯一桥梁，后面第 4 章会反复用到。
需要提醒的是，这里的极限是在广义实数系里取的。如果尾巴的上确界一直是 +∞，那 limsup 就是 +∞；比如 a_n = n，每条尾巴都无上界，limsup = +∞。有人会纠结"∞ 算不算极限存在"，约定成俗的做法是：上下极限默认在广义实数系里讨论，它总是存在的；只有当它取到有限值时，我们才额外说它"有限"。
2.2 定义 B：所有收敛子列极限的上确界与下确界
第二条路子更符合直觉。把所有收敛子列 a_{n_k} 的极限收集起来，组成一个集合 A（如果子列趋于 ±∞，就把 ±∞ 也算进去），那么：
$$ \limsup_{n\to\infty} a_n = \sup A, \qquad \liminf_{n\to\infty} a_n = \inf A $$
这些点有个专门的名字，叫数列的聚点（或者叫子列极限点）。所以 limsup 就是最大的聚点，liminf 就是最小的聚点。
证明思路值得完整走一遍，因为它用到的技巧在后面反复出现。设 S_n = sup_{k≥n} a_k，S = lim S_n。
第一步，任何子列极限都不超过 S。取收敛子列 a_{n_k}，因为下标严格递增，必然有 n_k ≥ k。于是 a_{n_k} ≤ sup_{j≥k} a_j = S_k。让 k → ∞，左边趋于子列极限 L，右边趋于 S，所以 L ≤ S。
第二步，S 本身一定被某个子列取到。对每个 m，从尾巴 T_m 里挑一项 a_{n_m}，使得 a_{n_m} > S_m − 1/m（如果 S_m = +∞ 就直接挑一个任意大的项）。挑的时候注意让 n_m 严格递增——这一步总能做到，因为每条尾巴都是无穷集合。于是有 S_m − 1/m < a_{n_m} ≤ S_m，两边同时趋于 S，夹逼一下就得到 a_{n_m} → S。
两步合起来，S 既是所有聚点的上界，又是其中一个聚点，所以 S = sup A。这套定义在具体计算时最好用，因为找子列比求尾巴确界直观得多。
2.3 定义 C：ε 语言——"最终"加上"无穷多次"
第三套定义是把上下极限翻译成 ε 的说法，专门用来证明"某个数就是上极限"。设 L 是有限实数，则：
limsup a_n = L 等价于下面两条同时成立：
- 对任意 ε > 0，存在 N，当 n ≥ N 时恒有 a_n < L + ε（也就是"最终不会顶破天花板"）；
- 对任意 ε > 0，都有无穷多个 n 使 a_n > L − ε（也就是"反复地摸到天花板"）。
liminf a_n = L 则等价于：
- 对任意 ε > 0，存在 N，当 n ≥ N 时恒有 a_n > L − ε（"最终不会跌破地板"）；
- 对任意 ε > 0，都有无穷多个 n 使 a_n < L + ε（"反复地摸到地板"）。
这八句话看着绕，背下来其实只要一句口诀：上极限就是"最终压不过 L + ε，但总能反复顶到 L − ε"。这里"无穷多次"和"最终"是两个不能互换的词：前者允许中间断档，后者要求从某一项之后一直保持。第 3.4 节会专门用一个例子说明搞混这两个词会出什么错。
2.4 三套定义的选择对照表
| 你正在做的事 | 推荐定义 | 理由 |
|---|---|---|
| 给一个具体数列求上下极限 | B | 找子列最直观，不需要处理 sup 的符号 |
| 证明某个不等式或判收敛 | A | 单调性直接可用，liminf ≤ limsup 顺手就来 |
| 验证"某数就是上极限" | C | ε 结构清晰，写出来就是标准证明 |
| 处理级数、概率、集合列 | A 与 C 混用 | 集合列的 limsup 与数列版本一一对应 |
| 证明上下极限的运算法则 | B | 用聚点视角做反例最方便 |
3. 从会看到会算：一套能复制的计算流程
定义看懂和题目做对之间，隔着一段谁都得走的路。我把自己做题时的流程固化成了三步，绝大多数题目照这个走不会偏。
3.1 三步法：先判有界，再求尾巴确界，最后取极限
第一步：先看尾巴有没有界。这一步最容易被跳过，但它决定了后面是不是白算。如果对每个 n，尾巴 T_n 都无上界，那 limsup = +∞，收工。比如 a_{2k} = 2k，a_{2k−1} = 0，偶数项的尾巴里能取到任意大的数，limsup 直接是 +∞，根本不用求 S_n。
第二步：求 S_n = sup_{k≥n} a_k 的显式表达式。实操中最有效的办法是把数列按子列拆开：每一项属于哪个子列、那个子列收敛到多少，先把这张表列出来。因为尾巴的上确界，就是"尾巴里所有子列各自的最终水平的最大值"（严格说，是各自尾确界的最大值）。
第三步：对 S_n 取极限。由于 {S_n} 一定单调递减，求极限时经常可以直接看出结果：它只能收敛到"最活跃的那些项"的水平。如果第二步的 S_n 表达式里还带着 1/n 之类的衰减因子，说明振幅在收缩，极限往往要按"振幅的极限"来算。
3.2 逐题拆解：四道典型例子
例 1：a_n = (−1)^n。
偶子列恒为 1，奇子列恒为 −1，两个聚点分别是 1 和 −1。所以 limsup = 1，liminf = −1。用定义 A 验证一下：对 n ≥ 1，尾巴里既有 1 又有 −1，所以 S_n ≡ 1，I_n ≡ −1。
例 2：a_n = (−1)^n (1 + 1/n)。
这一题的坑在于很多人第一反应是把振幅 1 + 1/n 的最大值 2 拿出来，得出 limsup = 2。错了。振幅是逐项衰减的：偶子列的项是 +(1 + 1/(2k)) → 1，奇子列的项是 −(1 + 1/(2k−1)) → −1。所以 limsup = 1，liminf = −1。用定义 A 走一遍：尾巴里偶数项中最大的是 1 + 1/(不小于 n 的最小偶数)，这个值随 n 增大单调递减趋于 1；同理下确界趋于 −1。这个例子说明：上下极限看的是振幅的极限，不是振幅的最大值。
例 3：a_n = 1 + (−1)^n / n。
偶子列 1 + 1/(2k) → 1，奇子列 1 − 1/(2k−1) → 1。两个聚点重合，limsup = liminf = 1，于是数列收敛到 1。这道题是定义 A 第二条铁律的直接应用，也是"用上下极限证收敛"的最简版本。
例 4：a_{2k} = 1，a_{2k−1} = 1/k。
偶数项恒为 1，奇数项是 1, 1/2, 1/3, … 趋于 0。聚点集合是 {0, 1}，sup = 1，inf = 0。所以 limsup = 1，liminf = 0，数列发散。这题的特点是 liminf 并不是 −1 或者 −∞，而是 0——liminf 跟负数没有任何必然关系，它只是最小的聚点而已。
3.3 例题汇总速查
| 数列 | limsup | liminf | 是否收敛 |
|---|---|---|---|
| (−1)^n | 1 | −1 | 否 |
| (−1)^n(1 + 1/n) | 1 | −1 | 否 |
| cos(nπ/2) | 1 | −1 | 否 |
| 1 + (−1)^n / n | 1 | 1 | 是，极限 1 |
| a_{2k} = 1, a_{2k−1} = 1/k | 1 | 0 | 否 |
| a_{2k} = 2k, a_{2k−1} = 0 | +∞ | 0 | 否 |
| n mod 3（0,1,2,0,1,2,…） | 2 | 0 | 否 |
| (−1)^n · n | +∞ | −∞ | 否 |
| 1/n | 0 | 0 | 是，极限 0 |
| sin n | 1 | −1 | 否 |
最后一行值得单独说一句。sin n 的取值看起来毫无规律，但 n 这个整数序列在模 2π 意义下是稠密的，也就是说 {n mod 2π} 会无限次地靠近 π/2 附近，也会无限次地靠近 3π/2 附近。于是 sin n 会无限次地接近 1，也无限次地接近 −1，但它永远不会一直待在 1 附近不动（否则 n 就要无限次地被 2π 的整数倍"卡住"，这不可能）。所以 limsup = 1，liminf = −1。这个例子是"稠密性 → 上下极限"的标准模板。
3.4 数值验证：跑一遍脚本，看尾巴确界怎么收敛
光看公式容易麻木，我习惯用几十行代码把过程跑出来。下面这段脚本对三个典型数列打印不同起点的尾巴上确界和下确界，直接观察它们向 limsup、liminf 靠拢的过程。
import numpy as np def tail_sup_inf(a, ns): """a 的下标从 1 开始；ns 是要考察的起始位置列表""" for n in ns: tail = a[n - 1:] # 第 n 项及其后的所有项 print(f"n={n:>7d} sup={tail.max(): .6f} inf={tail.min(): .6f}") print("-" * 48) N = 2_000_000 n = np.arange(1, N + 1) # 例 2：(-1)^n * (1 + 1/n)，理论值 limsup=1, liminf=-1 a1 = ((-1.0) ** n) * (1.0 + 1.0 / n) tail_sup_inf(a1, [10, 100, 1000, 10000, 100000]) # 例 4：偶数项为 1，奇数项为 1/k，理论值 limsup=1, liminf=0 a2 = np.where(n % 2 == 0, 1.0, 1.0 / n) tail_sup_inf(a2, [10, 100, 1000, 10000]) # sin(n)，理论值 limsup=1, liminf=-1 a3 = np.sin(n) tail_sup_inf(a3, [10, 100, 1000, 10000, 100000])跑出来的第一组会显示出很有意思的现象：n = 10 时 sup 大概是 1.1 左右，n = 100 时降到 1.01 左右，n = 100000 时几乎就是 1.00001。它不是一步到位的，而是随着尾巴缩短单调地向 1 靠拢，这正是 S_n 单调递减的直观体现。
第三组 sin(n) 更有意思：sup 一开始就非常接近 1，但后面下降得极慢，因为它要等到某个 n 恰好让 n mod 2π 极其接近 π/2 才会刷新。跑到 10 万级别时，sup 一般已经在 0.99999 以上了，但下确界那边需要更长的尾巴才明显靠近 −1。这里也给一个实操提醒：浮点数在大 n 时算 sin 会有精度损失，n 上百万以后的结果只能定性参考，别拿它当精确结论。
3.5 一个必须小题大做的细节：有限项不影响上下极限
有人会问：如果数列前面一百项全是 1000，后面全是 0，limsup 是多少？
答案是 0。因为从 n = 101 开始，每条尾巴 T_n 里全是 0，S_n = 0，极限自然是 0。前面的 1000 只是区区有限项，被尾巴切掉之后就不复存在了。
把这条推广一下：改变数列中有限多项的值，不改变 limsup 和 liminf。但"无穷多项"就完全不同了。看这个数列：a_n = 0，只有当 n 是 10 的幂时 a_n = 1。取值 1 的位置有 10, 100, 1000, … 无穷多个，但分布得极其稀疏。它的 limsup = 1，liminf = 0。注意 limsup 是 1，而不是 0——只要在无穷多个位置出现，"最终"这个筛选机制就拿它没办法。这条区别是第 5 章错误清单里排第一的坑。
4. 常用性质与运算规则：什么时候能拆，什么时候只能估
上下极限的运算规则和普通极限长得像，但魔鬼藏在细节里。这一章把能用的规则、能用的不等式，以及对应的反例全部列清楚。
4.1 基础不等式与收敛判据
最基础的三条，建议直接背下来：
- liminf a_n ≤ limsup a_n，永远成立，没有例外。
- 数列收敛（有限极限）当且仅当 liminf = limsup 且该值有限。
- 数列有界当且仅当 limsup 和 liminf 都是有限的。因为尾巴确界有限等价于尾巴有界，而尾确界单调，所以只要一条尾巴有界，所有尾巴都有界。
第二条是把上下极限"降级"为普通极限的唯一通道，用起来非常简单粗暴：想证 a_n → L，先证 limsup ≤ L，再证 liminf ≥ L，两者一夹就得 liminf = limsup = L。这个套路的普适性极强，后面第 4.3 节会完整演示一遍。
4.2 与加法、乘法、取负打交道
先说取负，这条最简单也最好用：
$$ \limsup_{n\to\infty} (-a_n) = -\liminf_{n\to\infty} a_n, \qquad \liminf_{n\to\infty} (-a_n) = -\limsup_{n\to\infty} a_n $$
然后是加法，注意这里只有不等式，没有等号：
$$ \limsup (a_n + b_n) \le \limsup a_n + \limsup b_n, \qquad \liminf (a_n + b_n) \ge \liminf a_n + \liminf b_n $$
（前提是右边不会出现 +∞ + (−∞) 这种无意义的组合。）
为什么只有不等号？举一个最干净的反例就够了：a_n = (−1)^n，b_n = (−1)^{n+1}。单独看，两个数列的 limsup 都是 1，加起来是 2。可是 a_n + b_n 恒等于 0，它的 limsup 是 0。所以 0 < 2，不等号是真的严格。
道理其实不复杂：a_n 取到最大值的那些位置，未必是 b_n 取到最大值的位置，两个"高潮"错开了，和的上确界自然就上不去。这个现象在做题时非常关键——当你看到自己要拆一个 limsup(a_n + b_n) 时，先停下来问一句：这两个数列的峰值位置同步吗？
乘法同理，对非负数列有：
$$ \limsup (a_n b_n) \le \limsup a_n \cdot \limsup b_n $$
严格的例子：a_n = 2 + (−1)^n（取值 3, 1, 3, 1, …），b_n = 2 − (−1)^n（取值 1, 3, 1, 3, …）。两者 limsup 都是 3，乘积的 limsup 却是 3（因为 a_n b_n ≡ 3），3 < 9，严格不等。
什么时候等号成立？一个充分条件是其中一个数列收敛到正的有限值。这时候峰值的错位问题就消失了，可以把收敛的那个因子提出来。这个结论在证明根值判别法、比值判别法时经常被悄悄用掉。
4.3 保序、夹逼，以及怎么用它们证收敛
保序性：如果从某一项开始恒有 a_n ≤ b_n，那么
$$ \limsup a_n \le \limsup b_n, \qquad \liminf a_n \le \liminf b_n $$
证明非常短：对所有 k ≥ N，尾巴满足 sup_{k≥n} a_k ≤ sup_{k≥n} b_k，取极限即可。这条性质看起来朴素，但它是"比较判别法"家族的源头。
夹逼定理的上下极限版本：如果从某项起 b_n ≤ a_n ≤ c_n，且 lim b_n = lim c_n = L，那么 a_n → L。用上下极限来写这个证明，只用三行：
- 由 a_n ≤ c_n 得 limsup a_n ≤ limsup c_n = L；
- 由 b_n ≤ a_n 得 liminf a_n ≥ liminf b_n = L；
- 由 liminf ≤ limsup 得三者相等，于是 a_n → L。
这就是我前面说的"用上下极限证极限存在"的标准动作。它比直接构造 ε-N 证明要省事得多，因为不需要猜 N 和 ε 的关系，只需要做两次比较。
4.4 同一个思想换个马甲：集合列的上下极限
学到这里，很多人会在概率论或者实变函数的课上被集合列的 limsup 打个措手不及。其实它就是数列版本换了个写法：
$$ \limsup_{n\to\infty} E_n = \bigcap_{n=1}^{\infty} \bigcup_{k=n}^{\infty} E_k, \qquad \liminf_{n\to\infty} E_n = \bigcup_{n=1}^{\infty} \bigcap_{k=n}^{\infty} E_k $$
读法很讲究，值得逐字拆：
- 集合列的 limsup：先固定 n 把尾巴里的集合并起来（∪_{k≥n} E_k，这是"第 n 项之后至少发生过一次"的集合），再对所有 n 取交集。意思是"不管窗口起点挪到多后面，里面都有事发生"——也就是无穷多次发生。
- 集合列的 liminf：先固定 n 取交集（∩_{k≥n} E_k，"第 n 项之后每次都发生"），再对所有 n 取并集。意思是"从某一项开始，往后全都发生"——也就是几乎处处发生（除掉有限个例外）。
两条结论值得记住：liminf E_n ⊆ limsup E_n，因为"从某项起一直发生"当然蕴含"无穷多次发生"；以及"liminf = limsup 当且仅当除有限个 n 之外 E_n 全部相同"。对照一下数列版本的 liminf ≤ limsup 和"相等即收敛"，会发现结构完全一样。Borel-Cantelli 引理讲的就是这两条式子在概率空间里的应用，而它讨论的核心问题——"事件无穷多次发生"——正是 limsup 的定义本身。
5. 踩坑清单与做题自查：这些错误我全都犯过
概念性的东西讲完，最后落到实操。这一章是我自己整理的错题本，每一条都对应真实丢过的分。
5.1 高频错误速查表
| 错误说法或做法 | 正确理解 |
|---|---|
| limsup 就是 sup{a_n} | sup 看"曾经多高"，limsup 看"最终多高"，有限项完全不影响后者 |
| limsup 一定 ≥ 0（或一定跟正负有关） | limsup 只是最大的聚点，可以取任意实数，例：a_n ≡ −5 时 limsup = −5 |
| liminf 一定是 −∞ 或负的 | 反例：a_{2k}=1, a_{2k−1}=1/k 的 liminf = 0 |
| 某个值只出现有限次也能拉高 limsup | 有限次没用，必须无穷多次出现才影响 limsup |
| 用 limsup(a_n + b_n) = limsup a_n + limsup b_n 直接拆 | 只有 ≤，"峰值错位"时严格不等 |
| 求 limsup 时只找了一个子列 | 必须找遍所有聚点，取其中最大的 |
| 把 sup 当 max 用 | 尾巴可能取不到最大值（如 a_n = 1/n 的尾巴上确界是 1/(n+1) 但如果尾巴从 n+1 开始…总之 sup 存在而 max 未必） |
| 认为 limsup = liminf 时数列可能发散 | 不会。有限值下 limsup = liminf 等价于收敛 |
| 计算时忘了尾巴是"从第 n 项开始" | 定义里的下标从 a_n 起，不是从 a_1 起 |
| 在题目里默认 limsup 存在有限 | limsup 可以取 ±∞，要先判断尾巴是否有界 |
上面第三行和第八行是我当年错得最多的两条。第三条的错误来自一个思维定式——总觉得"上"就是"大"，其实"上极限"的"上"指的是它在所有聚点里排最上面，跟数值正负毫无关系，一个恒为 −5 的常数数列，它的 limsup 就是 −5。第八行更隐蔽：有些人觉得"上下极限都是 1，但它俩中间还夹着别的聚点所以发散"，这是对定义 B 的误解——聚点集合是 {1}，没有别的聚点，数列就是收敛到 1。
5.2 做完题之后的自查清单
这五条我每次做完上下极限的题都会过一遍，基本能拦住八成的计算错误：
- 结果满足 liminf ≤ limsup 吗？违反了就直接重算，不用怀疑。
- 如果我算出两者相等，那数列是不是真的收敛？拿前几项试算一下趋势，直觉上对不上就回去检查子列有没有漏。
- 答案是否可能出现 ±∞？尾巴有界吗？尤其是分段定义的数列，先检查偶数项那条子列。
- 是否把"无穷多次"错当成"所有项"？只要看到"某个值只在若干个位置出现"，就要想清楚是有限个还是无限个。
- 振幅是否在衰减？形如 (−1)^n · f(n) 的数列，答案往往取决于 lim f(n) 而非 max f(n)。
5.3 反向练习：从上下极限倒推数列结构
检验自己是否真的理解了一个概念，最好的办法是反过来构造。下面几道题我建议动手写，不要只在脑子里过：
- 构造一个数列，使得 limsup = 2，liminf = −1，并且有无穷多项恰好等于 0。参考做法：偶数项在 [0, 2] 里取一个趋于 2 的子列，奇数项在 [−1, 0] 里取一个趋于 −1 的子列，并在中间穿插 0。这道题的关键是意识到"聚点"和"取值"可以分开安排。
- 判断真假：存在一个数列，它的 limsup = 1，liminf = 1，但它不收敛。答案是假的，而且这道题的价值在于让你亲手验证"limsup = liminf 等价于收敛"这条铁律。
- 构造一个数列，limsup = +∞，liminf = 0。参考做法：偶数项取 2k，奇数项取 1/k。此时尾巴无上界，下确界趋于 0。
- 构造一个数列，每个实数都是它的聚点。这个稍微难一点，思路是用一个遍历所有有理数的双射来排列——因为有理数在实数里稠密，上下极限相应就是 +∞ 和 −∞。
这几道题做完，你会对"聚点"这个概念建立起比读十遍定义更扎实的手感。我当时就是靠着反复构造，才终于不再需要每次翻书确认定义写的是 sup 还是 inf。
最后分享一个我在考场上用过、后来一直沿用的笨办法：拿到题先在草稿纸上画一条数轴，把所有能想到的子列极限打点标上去，标完之后 limsup 就是最右边那个点，liminf 就是最左边那个点。这个动作只花二十秒，但它能把"求上下极限"这种看起来需要灵感的题，变成纯粹的枚举工作。至于那些真正需要灵感的场合——比如 sin n 那种靠稠密性判断的——先问自己一句"这个数列会不会反复靠近某个值"，答案通常就浮出来了。
