两个缓变函数乘积的极限合并

两个缓变函数乘积的极限合并在数学分析的研究领域中，函数极限的求解始终是核心问题之一，而缓变函数作为一类具有特殊增长特性的函数，其极限运算规律的探索对于理解复杂函数的行为有着重要意义。当我们面对两个缓变函数乘积的极限问题时，直接套用常规的极限运算法则往往难以得到简洁有效的结果，这就需要我们深入剖析缓变函数的本质特性，寻找一种能够将两个缓变函数乘积的极限进行合并的方法，从而简化运算过程，揭示函数背后的数学规律。缓变函数的定义与基本特性缓变函数的定义缓变函数，也称为慢变函数，是在20世纪30年代由Karamata引入的一类函数，主要用于描述在无穷远处增长速度相对缓慢的函数。其严格定义如下：设函数(L(x))定义在区间([a,+\infty))上，且(L(x)>0)，若对于任意的(\lambda>0)，都有[\lim_{x\to+\infty}\frac{L(\lambdax)}{L(x)}=1]则称(L(x))是在(x\to+\infty)时的缓变函数。从直观上理解，缓变函数在自变量趋于无穷大时，其增长速度远远慢于任何正幂函数(x^\alpha)（(\alpha>0)）。例如，对数函数(\lnx)、幂指函数((\lnx)^\beta)（(\beta>0)）以及它们的有限次乘积和组合等都是典型的缓变函数。缓变函数的基本性质缓变函数具有一系列独特的性质，这些性质是我们研究两个缓变函数乘积极限合并的基础。乘法封闭性：若(L_1(x))和(L_2(x))都是缓变函数，则它们的乘积(L_1(x)L_2(x))也是缓变函数。这一性质可以通过缓变函数的定义直接证明：对于任意的(\lambda>0)，有[\lim_{x\to+\infty}\frac{L_1(\lambdax)L_2(\lambdax)}{L_1(x)L_2(x)}=\lim_{x\to+\infty}\frac{L_1(\lambdax)}{L_1(x)}\cdot\lim_{x\to+\infty}\frac{L_2(\lambdax)}{L_2(x)}=1\times1=1]因此，(L_1(x)L_2(x))满足缓变函数的定义。幂运算封闭性：若(L(x))是缓变函数，(\alpha)为任意实数，则([L(x)]^\alpha)也是缓变函数。证明如下：对于任意的(\lambda>0)，有[\lim_{x\to+\infty}\frac{[L(\lambdax)]^\alpha}{[L(x)]^\alpha}=\left(\lim_{x\to+\infty}\frac{L(\lambdax)}{L(x)}\right)^\alpha=1^\alpha=1]这表明缓变函数的幂次运算仍然保持缓变的特性。等价性：若(L(x))是缓变函数，且(L(x)\simM(x))（(x\to+\infty)），即(\lim_{x\to+\infty}\frac{L(x)}{M(x)}=1)，则(M(x))也是缓变函数。这是因为[\lim_{x\to+\infty}\frac{M(\lambdax)}{M(x)}=\lim_{x\to+\infty}\frac{M(\lambdax)}{L(\lambdax)}\cdot\frac{L(\lambdax)}{L(x)}\cdot\frac{L(x)}{M(x)}=1\times1\times1=1]这一性质使得我们在研究缓变函数时，可以通过等价替换来简化问题。两个缓变函数乘积的极限合并的理论基础极限合并的基本思想当我们考虑两个缓变函数(L_1(x))和(L_2(x))乘积的极限(\lim_{x\to+\infty}L_1(x)L_2(x))时，常规的极限运算法则告诉我们，若(\lim_{x\to+\infty}L_1(x)=A)且(\lim_{x\to+\infty}L_2(x)=B)，则(\lim_{x\to+\infty}L_1(x)L_2(x)=AB)。然而，对于缓变函数来说，它们在(x\to+\infty)时的极限往往不存在（例如(\lnx)当(x\to+\infty)时趋于无穷大），或者即使存在，也可能是一个复杂的表达式，直接计算乘积的极限会非常困难。因此，我们需要寻找一种方法，将两个缓变函数乘积的极限转化为一个更简洁的形式，即所谓的“极限合并”。极限合并的基本思想是利用缓变函数的特性，找到一个新的缓变函数(L(x))，使得(L_1(x)L_2(x)\simL(x))（(x\to+\infty)），从而将乘积的极限转化为(L(x))的极限。这种合并的关键在于如何根据(L_1(x))和(L_2(x))的具体形式，构造出满足条件的(L(x))。基于渐近展开的极限合并方法渐近展开是研究函数在无穷远处行为的重要工具，对于缓变函数来说，其渐近展开式具有独特的形式。一般地，缓变函数(L(x))可以表示为[L(x)=\exp\left(\int_{a}^{x}\frac{\varepsilon(t)}{t}dt\right)]其中(\varepsilon(t))是一个满足(\lim_{t\to+\infty}\varepsilon(t)=0)的函数。这一表达式揭示了缓变函数的本质：它是由一个积分因子所决定的，而这个积分因子的被积函数在无穷远处趋于零。对于两个缓变函数(L_1(x))和(L_2(x))，设它们的渐近展开式分别为[L_1(x)=\exp\left(\int_{a}^{x}\frac{\varepsilon_1(t)}{t}dt\right),\quadL_2(x)=\exp\left(\int_{a}^{x}\frac{\varepsilon_2(t)}{t}dt\right)]其中(\lim_{t\to+\infty}\varepsilon_1(t)=0)且(\lim_{t\to+\infty}\varepsilon_2(t)=0)。那么它们的乘积为[L_1(x)L_2(x)=\exp\left(\int_{a}^{x}\frac{\varepsilon_1(t)+\varepsilon_2(t)}{t}dt\right)]令(\varepsilon(t)=\varepsilon_1(t)+\varepsilon_2(t))，则(\lim_{t\to+\infty}\varepsilon(t)=0)，因此(L(x)=\exp\left(\int_{a}^{x}\frac{\varepsilon(t)}{t}dt\right))也是一个缓变函数，且(L_1(x)L_2(x)\simL(x))（(x\to+\infty)）。这就从理论上证明了两个缓变函数乘积的极限可以合并为一个新的缓变函数的极限。常见类型的两个缓变函数乘积的极限合并对数型缓变函数乘积的极限合并对数函数是最基本的缓变函数之一，我们首先考虑两个对数型缓变函数乘积的极限合并问题。设(L_1(x)=(\lnx)^{\alpha})，(L_2(x)=(\lnx)^{\beta})（(\alpha,\beta>0)），则它们的乘积为[L_1(x)L_2(x)=(\lnx)^{\alpha+\beta}]显然，((\lnx)^{\alpha+\beta})也是一个缓变函数，且根据缓变函数的幂运算封闭性，我们可以直接将乘积的极限合并为(\lim_{x\to+\infty}(\lnx)^{\alpha+\beta})。当(\alpha+\beta>0)时，该极限为(+\infty)；当(\alpha+\beta=0)时，极限为(1)；当(\alpha+\beta<0)时，极限为(0)。再考虑更复杂的情况，设(L_1(x)=\ln(\lnx))，(L_2(x)=\lnx)，则它们的乘积为(L_1(x)L_2(x)=\lnx\cdot\ln(\lnx))。我们可以通过变量替换来分析其极限行为：令(t=\lnx)，则当(x\to+\infty)时，(t\to+\infty)，此时(L_1(x)L_2(x)=t\cdot\lnt)。显然，(t\cdot\lnt)是一个缓变函数（因为(\lim_{t\to+\infty}\frac{(\lambdat)\cdot\ln(\lambdat)}{t\cdot\lnt}=\lim_{t\to+\infty}\frac{\lambdat(\ln\lambda+\lnt)}{t\lnt}=\lambda\lim_{t\to+\infty}\left(\frac{\ln\lambda}{\lnt}+1\right)=\lambda\times1=1)，对任意(\lambda>0)成立），因此我们可以将乘积的极限合并为(\lim_{x\to+\infty}\lnx\cdot\ln(\lnx)=+\infty)。幂指型缓变函数乘积的极限合并幂指型缓变函数是缓变函数的重要组成部分，其一般形式为(L(x)=(\lnx)^{\beta}e^{o(\lnx)})（(\beta>0)），其中(o(\lnx))表示当(x\to+\infty)时，比(\lnx)高阶的无穷小量。我们考虑两个幂指型缓变函数(L_1(x)=(\lnx)^{\beta_1}e^{o_1(\lnx)})和(L_2(x)=(\lnx)^{\beta_2}e^{o_2(\lnx)})（(\beta_1,\beta_2>0)）的乘积，其中(\lim_{x\to+\infty}\frac{o_1(\lnx)}{\lnx}=0)且(\lim_{x\to+\infty}\frac{o_2(\lnx)}{\lnx}=0)。它们的乘积为[L_1(x)L_2(x)=(\lnx)^{\beta_1+\beta_2}e^{o_1(\lnx)+o_2(\lnx)}]令(o(\lnx)=o_1(\lnx)+o_2(\lnx))，则(\lim_{x\to+\infty}\frac{o(\lnx)}{\lnx}=\lim_{x\to+\infty}\frac{o_1(\lnx)}{\lnx}+\lim_{x\to+\infty}\frac{o_2(\lnx)}{\lnx}=0+0=0)，因此(L(x)=(\lnx)^{\beta_1+\beta_2}e^{o(\lnx)})是一个缓变函数，且(L_1(x)L_2(x)\simL(x))（(x\to+\infty)）。这就实现了两个幂指型缓变函数乘积的极限合并。例如，设(L_1(x)=(\lnx)^2e^{\sin(\lnx)})，(L_2(x)=(\lnx)^3e^{\cos(\lnx)})，则它们的乘积为[L_1(x)L_2(x)=(\lnx)^5e^{\sin(\lnx)+\cos(\lnx)}]由于(\sin(\lnx)+\cos(\lnx)=\sqrt{2}\sin\left(\lnx+\frac{\pi}{4}\right))，而(\left|\sqrt{2}\sin\left(\lnx+\frac{\pi}{4}\right)\right|\leq\sqrt{2})，因此(\lim_{x\to+\infty}\frac{\sin(\lnx)+\cos(\lnx)}{\lnx}=0)，即(\sin(\lnx)+\cos(\lnx)=o(\lnx))。所以(L(x)=(\lnx)^5e^{\sin(\lnx)+\cos(\lnx)})是一个缓变函数，我们可以将乘积的极限合并为(\lim_{x\to+\infty}(\lnx)^5e^{\sin(\lnx)+\cos(\lnx)})。由于(e^{\sin(\lnx)+\cos(\lnx)})是一个有界函数（其取值范围在(e^{-\sqrt{2}})到(e^{\sqrt{2}})之间），而((\lnx)^5)当(x\to+\infty)时趋于无穷大，因此该极限为(+\infty)。复合型缓变函数乘积的极限合并复合型缓变函数是指由缓变函数经过复合运算得到的函数，例如(L(x)=\ln(1+\lnx))、(L(x)=(\ln(x+1))^\beta)等。对于两个复合型缓变函数(L_1(x)=f(\lnx))和(L_2(x)=g(\lnx))，其中(f(t))和(g(t))是在(t\to+\infty)时的缓变函数，我们可以通过变量替换来研究它们乘积的极限合并问题。令(t=\lnx)，则当(x\to+\infty)时，(t\to+\infty)，此时(L_1(x)=f(t))，(L_2(x)=g(t))，它们的乘积为(L_1(x)L_2(x)=f(t)g(t))。由于(f(t))和(g(t))都是缓变函数，根据缓变函数的乘法封闭性，(f(t)g(t))也是缓变函数，因此(L(x)=f(\lnx)g(\lnx))是一个缓变函数，且(L_1(x)L_2(x)\simL(x))（(x\to+\infty)）。这就实现了两个复合型缓变函数乘积的极限合并。例如，设(L_1(x)=\ln(1+\lnx))，(L_2(x)=(\ln(x+1))^2)。令(t=\lnx)，则(L_1(x)=\ln(1+t))，(L_2(x)=(\ln(e^t+1))^2=(\ln(e^t(1+e^{-t})))^2=(t+\ln(1+e^{-t}))^2)。当(t\to+\infty)时，(\ln(1+e^{-t})\sime^{-t})，因此(L_2(x)\sim(t+e^{-t})^2\simt^2)（因为(e^{-t})是比(t)高阶的无穷小量）。此时(L_1(x)L_2(x)\sim\ln(1+t)\cdott^2)，而(\ln(1+t)\cdott^2)是一个缓变函数（因为(\lim_{t\to+\infty}\frac{\ln(1+\lambdat)\cdot(\lambdat)^2}{\ln(1+t)\cdott^2}=\lambda^2\lim_{t\to+\infty}\frac{\ln(1+\lambdat)}{\ln(1+t)}=\lambda^2\lim_{t\to+\infty}\frac{\frac{\lambda}{1+\lambdat}}{\frac{1}{1+t}}=\lambda^2\lim_{t\to+\infty}\frac{\lambda(1+t)}{1+\lambdat}=\lambda^2\times\lambda=\lambda^3)？不对，这里需要重新计算：(\lim_{t\to+\infty}\frac{\ln(1+\lambdat)}{\ln(1+t)}=\lim_{t\to+\infty}\frac{\ln(t(\lambda+\frac{1}{t}))}{\ln(t(1+\frac{1}{t}))}=\lim_{t\to+\infty}\frac{\lnt+\ln(\lambda+\frac{1}{t})}{\lnt+\ln(1+\frac{1}{t})}=\lim_{t\to+\infty}\frac{1+\frac{\ln(\lambda+\frac{1}{t})}{\lnt}}{1+\frac{\ln(1+\frac{1}{t})}{\lnt}}=1)，因为当(t\to+\infty)时，(\frac{\ln(\lambda+\frac{1}{t})}{\lnt}\to0)，(\frac{\ln(1+\frac{1}{t})}{\lnt}\to0)。所以(\lim_{t\to+\infty}\frac{\ln(1+\lambdat)\cdot(\lambdat)^2}{\ln(1+t)\cdott^2}=\lambda^2\times1=\lambda^2)，这说明(\ln(1+t)\cdott^2)不是缓变函数？哦，原来我犯了一个错误，缓变函数的定义是对于任意(\lambda>0)，(\lim_{x\to+\infty}\frac{L(\lambdax)}{L(x)}=1)，而这里(L(t)=\ln(1+t)\cdott^2)，则(\frac{L(\lambdat)}{L(t)}=\frac{\ln(1+\lambdat)\cdot(\lambdat)^2}{\ln(1+t)\cdott^2}=\lambda^2\cdot\frac{\ln(1+\lambdat)}{\ln(1+t)})，当(t\to+\infty)时，(\frac{\ln(1+\lambdat)}{\ln(1+t)}=\frac{\lnt+\ln(\lambda+\frac{1}{t})}{\lnt+\ln(1+\frac{1}{t})}\to1)，所以(\frac{L(\lambdat)}{L(t)}\to\lambda^2)，这只有当(\lambda^2=1)即(\lambda=1)时才等于1，对于其他(\lambda>0)且(\lambda\neq1)，该极限不等于1，因此(L(t)=\ln(1+t)\cdott^2)不是缓变函数。这说明我之前的分析存在问题，需要重新考虑复合型缓变函数乘积的极限合并方法。实际上，对于复合型缓变函数(L_1(x)=f(\lnx))和(L_2(x)=g(\lnx))，其中(f(t))和(g(t))是缓变函数，我们不能简单地认为(f(\lnx)g(\lnx))就是缓变函数，而是需要根据缓变函数的定义来验证。正确的做法是：对于任意(\lambda>0)，计算(\frac{L_1(\lambdax)L_2(\lambdax)}{L_1(x)L_2(x)}=\frac{f(\ln(\lambdax))g(\ln(\lambdax))}{f(\lnx)g(\lnx)}=\frac{f(\ln\lambda+\lnx)g(\ln\lambda+\lnx)}{f(\lnx)g(\lnx)}=\frac{f(\ln\lambda+t)g(\ln\lambda+t)}{f(t)g(t)})（令(t=\lnx)）。由于(f(t))和(g(t))是缓变函数，根据缓变函数的定义，(\lim_{t\to+\infty}\frac{f(t+c)}{f(t)}=1)对任意常数(c)成立（这是缓变函数的一个重要性质，证明如下：对于任意(\epsilon>0)，存在(T>0)，当(t>T)时，(\left|\frac{f(\lambdat)}{f(t)}-1\right|<\epsilon)对任意(\lambda>0)成立。令(\lambda=e^{c/t})，则当(t\to+\infty)时，(\lambda\to1)，此时(f(t+c)=f(t\cdote^{c/t}))，因此(\frac{f(t+c)}{f(t)}=\frac{f(t\cdote^{c/t})}{f(t)}\to1)，因为(e^{c/t}\to1)，而缓变函数在(\lambda\to1)时的极限为1）。因此，(\lim_{t\to+\infty}\frac{f(t+\ln\lambda)}{f(t)}=1)且(\lim_{t\to+\infty}\frac{g(t+\ln\lambda)}{g(t)}=1)，所以(\lim_{t\to+\infty}\frac{f(t+\ln\lambda)g(t+\ln\lambda)}{f(t)g(t)}=1\times1=1)，即(\lim_{x\to+\infty}\frac{L_1(\lambdax)L_2(\lambdax)}{L_1(x)L_2(x)}=1)，因此(L_1(x)L_2(x))是缓变函数。这说明我们之前的错误在于对缓变函数的复合性质理解不够深入，实际上，缓变函数经过复合运算后仍然保持缓变的特性，只要复合函数的内层函数是一个增长速度足够快的函数（如(\lnx)）。回到上面的例子，(L_1(x)=\ln(1+\lnx))，(L_2(x)=(\ln(x+1))^2)。我们来验证(L_1(x)L_2(x))是否是缓变函数：对于任意(\lambda>0)，[\frac{L_1(\lambdax)L_2(\lambdax)}{L_1(x)L_2(x)}=\frac{\ln(1+\ln(\lambdax))\cdot(\ln(\lambdax+1))^2}{\ln(1+\lnx)\cdot(\ln(x+1))^2}=\frac{\ln(1+\ln\lambda+\lnx)\cdot(\ln(\lambdax(1+\frac{1}{\lambdax})))^2}{\ln(1+\lnx)\cdot(\ln(x(1+\frac{1}{x})))^2}=\frac{\ln(1+\ln\lambda+\lnx)\cdot(\ln\lambda+\lnx+\ln(1+\frac{1}{\lambdax}))^2}{\ln(1+\lnx)\cdot(\lnx+\ln(1+\frac{1}{x}))^2}]当(x\to+\infty)时，(\ln(1+\frac{1}{\lambdax})\sim\frac{1}{\lambdax}\to0)，(\ln(1+\frac{1}{x})\sim\frac{1}{x}\to0)，因此[(\ln\lambda+\lnx+\ln(1+\frac{1}{\lambdax}))^2\sim(\lnx+\ln\lambda)^2=(\lnx)^2+2\ln\lambda\lnx+(\ln\lambda)^2\sim(\lnx)^2][(\lnx+\ln(1+\frac{1}{x}))^2\sim(\lnx)^2]同时，(\ln(1+\ln\lambda+\lnx)=\ln(\lnx(1+\frac{\ln\lambda+1}{\lnx}))=\ln\lnx+\ln(1+\frac{\ln\lambda+1}{\lnx})\sim\ln\lnx)（因为(\frac{\ln\lambda+1}{\lnx}\to0)当(x\to+\infty)时），而(\ln(1+\lnx)\sim\ln\lnx)。因此，[\frac{L_1(\lambdax)L_2(\lambdax)}{L_1(x)L_2(x)}\sim\frac{\ln\lnx\cdot(\lnx)^2}{\ln\lnx\cdot(\lnx)^2}=1]这说明(L_1(x)L_2(x))是缓变函数，我们可以将乘积的极限合并为(\lim_{x\to+\infty}\ln(1+\lnx)\cdot(\ln(x+1))^2)。由于(\ln(1+\lnx)\sim\ln\lnx)且((\ln(x+1))^2\sim(\lnx)^2)当(x\to+\infty)时，因此该极限等价于(\lim_{x\to+\infty}\ln\lnx\cdot(\lnx)^2=+\infty)。两个缓变函数乘积的极限合并的应用在概率论中的应用在概率论中，缓变函数常常出现在大偏差理论、重尾分布等领域。例如，重尾分布是指尾部概率衰减速度慢于指数分布的一类分布，其分布函数(F(x))满足(\lim_{x\to+\infty}\frac{1-F(x)}{x^{-\alpha}L(x)}=1)，其中(\alpha>0)是分布的尾部指数，(L(x))是缓变函数。当我们研究两个独立的重尾分布随机变量(X)和(Y)之和的分布时，需要计算(P(X+Y>x))的渐近行为。根据重尾分布的性质，(P(X+Y>x)\simP(X>x)+P(Y>x))当(x\to+\infty)时，但如果(X)和(Y)具有相同的尾部指数(\alpha)和缓变函数(L(x))，则(P(X>x)\simx^{-\alpha}L(x))，(P(Y>x)\simx^{-\alpha}L(x))，此时(P(X+Y>x)\sim2x^{-\alpha}L(x))。这里就涉及到两个缓变函数乘积的极限合并问题：实际上，(P(X>x)P(Y>x)\simx^{-2\alpha}L(x)^2)，而我们需要将(L(x)^2)合并为一个新的缓变函数(L'(x))，使得(L(x)^2\simL'(x))当(x\to+\infty)时。根据缓变函数的乘法封闭性，(L'(x)=L(x)^2)本身就是缓变函数，因此我们可以直接将乘积的极限合并为(\lim_{x\to+\infty}x^{-2\alpha}L(x)^2)。在微分方程中的应用在微分方程的研究中，缓变函数常常用于描述解的渐近行为。例如，考虑一阶线性微分方程(y'+p(x)y=q(x))，其中(p(x))和(q(x))是在(x\to+\infty)时的缓变函数。当我们求解该方程的解在(x\to+\infty)时的渐近行为时，需要计算积分因子(\mu(x)=\exp\left(\int_{a}^{x}p(t)dt\right))和特解(y_p(x)=\mu(x)\int_{a}^{x}\frac{q(t)}{\mu(t)}dt)。如果(p(x))和(q(x))都是缓变函数，那么(\mu(x))是一个指数型函数，而(\frac{q(x)}{\mu(x)})是一个缓变函数与指数函数的乘积，其渐近行为的分析需要用到两个缓变函数乘积的极限合并方法。例如，设(p(x)=\frac{1}{x\lnx})（这是一个缓变函数，因为(\lim_{x\to+\infty}\frac{p(\lambdax)}{p(x)}=\lim_{x\to+\infty}\frac{\frac{1}{\lambdax\ln(\lambdax)}}{\frac{1}{x\lnx}}=\frac{1}{\lambda}\lim_{x\to+\infty}\frac{\lnx}{\ln\lambda+\lnx}=\frac{1}{\lambda}\times1=\frac{1}{\lambda})？不对，这里(p(x)=\frac{1}{x\lnx})不是缓变函数，因为缓变函数要求(L(x)>0)且(\lim_{x\to+\infty}\frac{L(\lambdax)}{L(x)}=1)对任意(\lambda>0)成立，而(\frac{p(\lambdax)}{p(x)}=\frac{\frac{1}{\lambdax\ln(\lambdax)}}{\frac{1}{x\lnx}}=\frac{\lnx}{\lambda(\ln\lambda+\lnx)}=\frac{1}{\lambda(1+\frac{\ln\lambda}{\lnx})}\to\frac{1}{\lambda})当(x\to+\infty)时，这只有当(\lambda=1)时才等于1，因此(p(x)=\frac{1}{x\lnx})不是缓变函数。正确的缓变函数例子应该是(p(x)=\frac{\lnx}{x})，此时(\lim_{x\to+\infty}\frac{p(\lambdax)}{p(x)}=\lim_{x\to+\infty}\frac{\frac{\ln(\lambdax)}{\lambdax}}{\frac{\lnx}{x}}=\frac{1}{\lambda}\lim_{x\to+\infty}\frac{\ln\lambda+\lnx}{\lnx}=\frac{1}{\lambda}\times1=\frac{1}{\lambda})，这也不是缓变函数。看来我需要重新找一个缓变函数的例子作为(p(x))，例如(p(x)=\frac{1}{\lnx})，此时(\lim_{x\to+\infty}\frac{p(\lambdax)}{p(x)}=\lim_{x\to+\infty}\frac{\frac{1}{\ln(\lambdax)}}{\frac{1}{\lnx}}=\lim_{x\to+\infty}\frac{\lnx}{\ln\lambda+\lnx}=1)，对任意(\lambda>0)成立，因此(p(x)=\frac{1}{\lnx})是缓变函数。现在，设微分方程为(y'+\frac{1}{\lnx}y=\frac{1}{(\lnx)^2})，其中(p(x)=\frac{1}{\lnx})和(q(x)=\frac{1}{(\lnx)^2})都是缓变函数。积分因子(\mu(x)=\exp\left(\int_{a}^{x}\frac{1}{\lnt}dt\right))，这是一个指数积分函数，其渐近行为可以通过Laplace方法来分析：当(x\to+\infty)时，(\int_{a}^{x}\frac{1}{\lnt}dt\sim\frac{x}{\lnx})，因此(\mu(x)\sim\exp\left(\frac{x}{\lnx}\right))。特解(y_p(x)=\mu(x)\int_{a}^{x}\frac{q(t)}{\mu(t)}dt=\mu(x)\int_{a}^{x}\frac{1}{(\lnt)^2\exp\left(\int_{a}^{t}\frac{1}{\lns}ds\right)}dt)。令(u(t)=\int_{a}^{t}\frac{1}{\lns}ds)，则(du=\frac{1}{\lnt}dt)，即(dt=\lntdu)，因此(y_p(x)=\mu(x)\int_{u(a)}^{u(x)}\frac{\lnt}{(\lnt)^2e^u}du=\mu(x)\int_{u(a)}^{u(x)}\frac{1}{\lnte^u}du)。由于(u(t)\sim\frac{t}{\lnt})当(t\to+\infty)时，因此(t\simu(t)\lnt\simu(t)\ln(u(t)\lnt)\simu(t)\lnu(t))（因为(\lnt\sim\lnu(t))当(t\to+\infty)时），所以(\lnt\sim\lnu(t))，因此(y_p(x)\sim\mu(x)\int_{u(a)}^{u(x)}\frac{1}{\lnue^u}du)。当(x\to+\infty)时，(u(x)\to+\infty)，而(\int_{u(a)}^{+\infty}\frac{1}{\lnue^u}du)是一个收敛的积分（因为(\frac{1}{\lnue^u})衰减速度比指数函数还快），因此(y_p(x)\sim\mu(x)\timesC)（其中(C)是一个常数），即(y_p(x)\simC\exp\left(\frac{x}{\lnx