欢迎来到误差的世界！
在进阶数学中，我们经常使用数值方法 (Numerical Methods) 来解决那些无法单凭纸笔得出精确解的问题。由于我们使用的是近似值，我们必须精确了解自己可能“错”得有多离谱。这就是本章的重点！如果一开始觉得这些概念有点“吹毛求疵”，请不用担心；一旦你看懂了其中的规律，你会发现这其实是数学工具箱中非常合乎逻辑的一部分。
在本章中，我们将学习如何衡量误差、误差在计算过程中如何累积，以及如何利用这些误差来让我们的答案变得更精确。
1. 绝对误差与相对误差
当我们估算一个数值时，我们的猜测与真实数值之间总是存在差异。我们通常用以下两种方式来衡量：
基本概念
设 \(x\) 为精确值 (exact value)，\(X\) 为近似值 (approximate value)。
- 绝对误差 (Absolute Error)： 这就是近似值与精确值之间的简单差异。
公式：\( \text{Absolute Error} = X - x \)
注意：在 MEI 课程中，这可能是正数也可能是负数。如果是正数，代表我们的近似值偏大！ - 相对误差 (Relative Error)： 这将误差与数值本身的大小进行比较。
公式：\( \text{Relative Error} = \frac{X - x}{x} \)
（如果无法得知精确值，有时我们会使用 \(\frac{X - x}{X}\) 来计算）。
生活化例子： 想像你在测量一条绳子。
如果你测量一条 10cm 的绳子时偏差了 1cm，那这误差相当大（10% 的误差）。
但如果你测量一条 1km 的电缆时偏差了 1cm，根本没人在意（0.001% 的误差）。
虽然绝对误差是一样的（1cm），但相对误差才真正反映了误差的严重程度！
重点总结： 绝对误差是“差距”，而相对误差是“百分比式的比较”。
2. 数字的表示：舍入 vs. 截断
电脑和计算器的精度有限。它们无法储存像 \(\pi\) 这样无限的小数，所以必须将它们“切掉”。
两种截断数字的方法
- 舍入 (Rounding)： 取最接近的数值。（例如：7.86 舍入到小数点后第一位是 7.9）。
- 截断 (Chopping/Truncation)： 直接忽略某一位之后的所有数字。（例如：7.86 截断到小数点后第一位是 7.8）。
最大误差速查指南
如果你将一个数字舍入到小数点后 \(n\) 位，最大绝对误差为 \(0.5 \times 10^{-n}\)。
如果你将一个数字截断到小数点后 \(n\) 位，最大绝对误差为 \(1 \times 10^{-n}\)。
快速复习：
舍入至小数点后 2 位 \(\rightarrow\) 最大误差 = \(0.005\)
截断至小数点后 2 位 \(\rightarrow\) 最大误差 = \(0.01\)
重点总结： 通常来说，截断产生的误差会比舍入更大！
3. 误差传播
这是一个比较专业的说法，意思是：“如果我的初始数字有误差，那它会如何影响最终答案的误差？”
算术运算
- 加法与减法： 误差通常会累加。如果你将 200 个数字相加，而每个数字的最大误差为 0.05，那么总误差可能高达 \(200 \times 0.05 = 10\)。
- 减法的危机！ 当你减去两个极为接近的数值时，常会发生常见错误。例如：1.23457 减去 1.23456 等于 0.00001。你几乎损失了所有的“有效数字”，而原始数字中原本微小的误差，相较于你最终得到的小数结果，瞬间变得非常巨大。
函数的误差
如果 \(x\) 存在误差，它会如何影响 \(f(x)\)？
我们可以使用导数（斜率）来估算：
\( \text{Error in } f(x) \approx f'(x) \times (\text{Error in } x) \)
你知道吗？ 这就是为什么在程序设计中运算的顺序非常重要。在长篇计算的最后才进行减法运算，有时会让误差“爆炸性”增长！
重点总结： 小心减去两个相似的数字——这是最容易导致计算失准的元凶。
4. 收敛与方法的阶数
当我们使用迭代法（如 Newton-Raphson 法）求根时，我们想知道逼近答案的速度有多快。这被称为收敛阶数 (Order of Convergence)。
误差关系
设 \(\epsilon_n\) 为第 \(n\) 步的误差。如果一个方法满足以下条件，则称其为 \(k\) 阶方法：
\( \epsilon_{n+1} \approx C(\epsilon_n)^k \)
- 一阶 (First Order, \(k=1\))： 每一步的误差是前一步的固定比例（例如：二分法 Bisection method）。稳定但速度较慢。
- 二阶 (Second Order, \(k=2\))： 误差大致是前一步误差的平方（例如：Newton-Raphson 法）。这非常快！如果你的误差是 0.1，下一步可能就是 0.01，再下一步就是 0.0001。正确的小数位数几乎每步都会翻倍。
重点总结： 阶数越高，通常收敛速度越快。
5. 改善解（外推法 Extrapolation）
如果我们知道所用的方法有特定的“阶数”，我们实际上可以利用这些资讯来预测“完美”的答案。这被称为外推法 (extrapolation)。
差值比率
透过观察一系列的近似值（我们称之为 \(A_1, A_2, A_3\)），计算它们之间的差值。
如果这些差值的比率保持一致，我们就可以估算剩余的误差，并将其扣除，从而得到一个改善后的解。
考试步骤建议：
1. 计算连续近似值之间的差值。
2. 求出这些差值的比率。
3. 利用该比率“跳跃”至无穷远处的极限值（真正的答案）。
重点总结： 误差分析不仅仅是为了指出错误，它更是一个精确找到真实答案的强大工具！
复习小总结
- 绝对误差 = \(X - x\)（差距）。
- 相对误差 = \(\frac{X - x}{x}\)（比较）。
- 舍入最大误差 = 最后一位位值的一半。
- 截断最大误差 = 最后一位的完整位值。
- 减去相似数字是导致精度流失的主要来源。
- Newton-Raphson 法通常是二阶收敛（非常快）。
如果加法和乘法的误差公式让你感到困惑，请别担心——只要记得测试“最坏情况”（最大可能值减去最小可能值），你通常就能轻松找出最大误差！