夹逼定理

夹逼定理 (Squeeze Theorem)

夹逼定理（又称夹挤定理、三明治定理或迫敛定理）是微积分中用于计算函数极限的核心工具之一。其直观含义为：若一个函数在某个区间内被两个函数"夹"在中间，且这两个外侧函数在目标点处的极限相等，则夹在中间的函数在该点处的极限必等于该共同值。夹逼定理既适用于数列情形（数列极限），也适用于函数情形（函数极限），是处理难以直接求极限的复杂表达式时不可缺少的技术手段。

定理陈述

数列形式：设 $\{a_n\}$、$\{b_n\}$、$\{c_n\}$ 为三个实数列。若存在正整数 $N$，使得对所有 $n \geq N$ 有 $a_n \leq b_n \leq c_n$，且 $\lim_{n\to\infty} a_n = \lim_{n\to\infty} c_n = L$，则 $\lim_{n\to\infty} b_n = L$。

函数形式：设函数 $f(x)$、$g(x)$、$h(x)$ 在点 $a$ 的某个去心邻域内有定义。若对该邻域内所有 $x \neq a$ 有 $f(x) \leq g(x) \leq h(x)$，且 $\lim_{x\to a} f(x) = \lim_{x\to a} h(x) = L$，则 $\lim_{x\to a} g(x) = L$。该结论对 $x$ 趋于无穷的单侧极限同样成立。

定理的关键前提是夹逼不等式和外侧函数极限相等。若外侧极限不同或不等号方向不一致，定理无法应用。在证明中，夹逼定理通常与极限的 $\varepsilon$-$\delta$ 定义结合使用：给定任意 $\varepsilon > 0$，可找到公共的 $N$（或 $\delta$）使得外侧两个函数均落入 $(L-\varepsilon, L+\varepsilon)$ 区间，从而中间函数也被迫落入该区间。

经典应用

夹逼定理最著名的应用之一是证明 $\lim_{x\to 0} \frac{\sin x}{x} = 1$。该证明采用几何构造：在单位圆中，对于 $0 < x < \frac{\pi}{2}$，以弧度制衡量角度时，下列不等式成立：

两边同除以 $\sin x$（在 $x > 0$ 时为正）得：

取倒数并颠倒不等号方向：

由于 $\cos(-x) = \cos x$ 且 $\frac{\sin(-x)}{-x} = \frac{\sin x}{x}$，该不等式对所有 $x \in (-\frac{\pi}{2}, 0) \cup (0, \frac{\pi}{2})$ 成立。由于 $\lim_{x\to 0} \cos x = 1$ 且 $\lim_{x\to 0} 1 = 1$，由夹逼定理立即得到 $\lim_{x\to 0} \frac{\sin x}{x} = 1$。该极限是所有三角函数的导数公式推导的基础，包括 $\frac{d}{dx}\sin x = \cos x$ 和 $\frac{d}{dx}\cos x = -\sin x$。

另一个重要应用涉及自然常数 $e$ 的定义。考虑数列 $a_n = (1 + \frac{1}{n})^n$，可通过二项式定理展开并与夹逼论证结合证明其单调递增且有上界，从而极限存在并定义为 $e$。在此过程中，常利用不等式 $(1 + \frac{1}{n})^n < (1 + \frac{1}{n})^{n+1}$ 以及相关数列的收敛性质。

在多元情形中，夹逼定理同样适用。例如，要计算 $\lim_{(x,y)\to(0,0)} \frac{x^2y}{x^2 + y^2}$，可利用不等式 $0 \leq \left|\frac{x^2y}{x^2 + y^2}\right| \leq |y|$（因 $\frac{x^2}{x^2 + y^2} \leq 1$），而 $\lim_{(x,y)\to(0,0)} |y| = 0$，故原极限为 $0$。

与相关概念的关系

夹逼定理与单调有界定理同属实数连续性的等价表述体系。单调有界定理断言：单调递增且有上界的数列必收敛，单调递减且有下界的数列必收敛。两者在分析学中互为补充——夹逼定理用于处理比较关系（已知两个外侧极限），而单调有界定理用于处理内在性质（无需已知极限值即可证明收敛）。

此外，夹逼定理与无穷小比较和等价无穷小替换紧密相关。在求极限过程中，若能将复杂函数放大和缩小为已知极限的简单函数，夹逼定理即可给出精确结果。例如，使用 $\ln(1+x) \sim x$（当 $x\to 0$）实质上可视为夹逼思维的推论：通过泰勒展开给出误差界，从而确定极限。

在数列场合，Stolz定理可视为夹逼定理在不定式极限（$\frac{0}{0}$ 或 $\frac{\infty}{\infty}$ 型）中的离散类比。两者均基于序列项的渐近比较来推导极限行为。

证明方法与推广

夹逼定理的严格证明依赖于实数的完备性。在数列情形中，利用极限定义：对任意 $\varepsilon > 0$，存在 $N_1$ 使得 $n \geq N_1$ 时 $|a_n - L| < \varepsilon$，存在 $N_2$ 使得 $n \geq N_2$ 时 $|c_n - L| < \varepsilon$。取 $N = \max\{N_0, N_1, N_2\}$（其中 $N_0$ 为不等式 $a_n \leq b_n \leq c_n$ 生效的起点），则对所有 $n \geq N$：

从而 $|b_n - L| < \varepsilon$，得证。函数情形的证明类似，仅需将 $N$ 替换为 $\delta$。

在更一般的拓扑空间中，夹逼定理可推广至偏序集上的网（net）收敛，此时不等式条件替换为偏序关系，收敛采用 Moore-Smith 收敛理论表述。在概率论中，夹逼定理的精神体现于控制收敛定理：若随机变量序列被一个可积函数控制且几乎处处收敛，则其期望的极限等于极限的期望——这本质上是对随机变量进行了"夹逼"。

教学中的常见误区

学生在应用夹逼定理时常见的错误包括：一是忽视不等号的方向一致性，错误地认为只要 $g(x)$ 在 $f(x)$ 和 $h(x)$ 之间即可，而未验证 $f(x)$ 是下界、$h(x)$ 是上界；二是误以为外侧函数极限必须严格相等才能应用——实际上仅需两者趋于相同极限即可，外侧函数可以分别从不同方向趋近；三是在无法直接验证不等式时放弃夹逼法，而非考虑使用绝对值和放缩技术（如利用 $|g(x)| \leq h(x)$ 且 $h(x) \to 0$ 推出 $g(x) \to 0$）；四是将夹逼定理用于证明发散——若外侧极限不同，中间的极限可能不存在，但也可能依然存在，此时夹逼定理无法提供结论。

在中文语境下，"夹逼"一词因其字面含义有时会引起学生的注意。英文术语 "Squeeze Theorem" 或 "Sandwich Theorem"（三明治定理）更具直观画面感，而中文的"迫敛定理"则在正式教材中更受青睐。无论术语选择如何，其数学实质——通过比较构造极限的唯一性——是统一且普适的。