欢迎来到误差的世界！
在过去的数学课中，你可能大多时间都在寻找那个“完美”的答案。然而，在现实世界中——以及在进阶数学 (Further Mathematics) 里——许多问题都无法求得精确解。取而代之，我们使用数值方法 (Numerical Methods) 来寻找“足够好”的答案。
本章的重点在于理解误差 (Errors)。我们将学习如何衡量答案的偏差程度、探讨误差发生的原因，以及如何利用这些知识来优化我们的计算结果。如果起初觉得有些抽象，请不用担心；一旦你看懂了其中的规律，这就像是当一名数字侦探一样有趣！
1. 绝对误差与相对误差
在修正误差之前，我们需要先知道如何测量它们。在数值方法中，我们区分真值 (Exact Value)（答案的实际数值）与近似值 (Approximate Value)（我们计算出的结果）。
关键定义：
设 \(x\) 为真值，\(X\) 为近似值。
- 绝对误差 (Absolute Error)： 这只是近似值与真值之间的差。
公式：\( \text{Absolute Error} = X - x \) - 相对误差 (Relative Error)： 这将误差与原始数值的大小进行比较。它通常更有用，因为它能显示错误的“显著”程度。
公式：\( \text{Relative Error} = \frac{X - x}{x} \)
类比： 想象你在进行测量。
1. 如果你测量一支 10cm 的铅笔，而误差有 1cm，那问题就很大了！（高相对误差）。
2. 如果你测量到月球的距离，而误差有 1cm，根本没人在意！（微小的相对误差）。
即使两种情况下的绝对误差（1cm）相同，相对误差才真正反映了问题的严重性。
重点速览：
- 绝对误差 = \(X - x\)
- 相对误差 = \(\frac{\text{绝对误差}}{\text{真值}}\)
注意：绝对误差可以是负数或正数。有些教科书会使用大小（正值），但 MEI 课程大纲允许使用有符号的数值。
核心要点： 绝对误差是“原始的”错误；相对误差则告诉你，与总体数值相比，这个错误有多重要。
2. 数字的表示：舍入与截断
电脑和计算器的精度有限。它们无法存储具有无限位数的数字（例如 \(\pi\)），因此必须在某处将其截断。通常有两种方式：
舍入 (Rounding)
这是你最熟悉的方法。如果下一位数字是 5 或更大，则进位。
范例：7.86 舍入至小数点后第一位为 7.9。
截断 (Chopping)
这就比较“残酷”了。无论后面的数字是什么，你直接将指定位数之后的所有数字删除。
范例：7.86 截断至小数点后第一位为 7.8。
你知道吗？ 电脑经常使用截断，因为它比舍入的运算速度更快，尽管它平均会产生略大的误差。
最大误差边界 (Maximum Error Bounds)
当我们进行舍入或截断时，会产生最大可能误差：
- 若舍入至小数点后第一位，最大绝对误差为 0.05。
- 若截断至小数点后第一位，最大绝对误差为 0.1。
常见错误： 学生常忘记截断产生的最大误差比舍入更大。务必检查题目要求的是哪一种！
核心要点： 截断就像“向下取整”函数——它总是将数字向零或更小的方向推，而舍入则是将其移向最近的数值。
3. 误差传播 (Error Propagation)
误差就像流言蜚语——它们会扩散并增长！当你使用近似数进行算术运算时，误差会“传播”到最终结果中。
和与差中的误差
当你对数字进行加减时，绝对误差会累加。
如果你有 200 个数字，每个数字都截断至最近的整数，则每个数字的最大误差为 0.9。
总和的最大误差为 \(200 \times 0.9 = 180\)。
单个数字的平均误差为 0.45，因此总和的预期误差为 \(200 \times 0.45 = 90\)。
“危险区域”：相减两个极为接近的数值
这是考试中最爱考的主题！如果你相减两个非常接近的数字（例如 \(1.234567 - 1.234566\)），得到的结果会非常小。然而，原始数字中的误差却依然存在。由于结果变得如此之小，相对误差会变得巨大。这可能导致整个计算完全失效。
核心要点： 如果可能，请避免相减两个极为接近的数字。这会导致你的误差在相对意义上“爆发”。
4. 收敛性与方法的阶 (Convergence and Order of Method)
当我们使用迭代过程（如求根）时，我们想知道两件事：1. 它是否会更接近答案（收敛性）？ 2. 它达到答案的速度有多快（阶）？
数列的收敛阶
如果我们有一系列误差 \( \epsilon_n \)，则收敛阶 \(k\) 是将一个误差与下一个误差联系起来的幂次：
\( \epsilon_{n+1} \approx C \times (\epsilon_n)^k \)
- 若 \(k=1\)，则为一阶收敛（例如不动点迭代）。
- 若 \(k=2\)，则为二阶收敛（例如牛顿-拉弗森法）。这比一阶快得多！
方法的阶（步长 \(h\)）
对于使用步长 \(h\) 的方法（如数值微分），我们观察当改变 \(h\) 时误差如何变化：
\( \text{Error} \propto h^k \)
- 一阶： 将 \(h\) 减半会使误差减半。
- 二阶： 将 \(h\) 减半会使误差缩小为原来的 1/4 (\(2^2\))。
记忆小撇步： “阶”就是幂次 (\(k\))。幂次越高 = 误差减少得越快！
核心要点： 牛顿-拉弗森法通常是二阶的，这意味着正确小数位数的数量在每一步中大约会翻倍！
5. 优化解法 (外推法 Extrapolation)
如果我们知道连续近似值之间差值的比例，我们就可以“预测”误差并将其消除。这称为外推法 (Extrapolation)。
步骤流程：
- 使用不同的步长（例如 \(h\)、\(h/2\)、\(h/4\)）计算近似值。
- 找出这些近似值之间的差。
- 计算这些差值的比例。
- 利用此比例来估计当误差趋近于零时的“极限”。
范例： 如果你正在近似一个积分，且将步长 \(h\) 减半总是使结果之间的差异减少为原来的 1/4，你就可以利用此规律，通过外推至无穷小 (extrapolation to infinity) 跳跃到一个精确得多的答案。
重点速览：
- 差值比例： 有助于确定方法的阶。
- 外推法： 利用误差规律来找到更好的估计值。
- 精度： 始终根据差值的一致性，在最终答案中证明你所使用的精度层级。
最后鼓励： 误差看起来可能很讨厌，但它们和其他事物一样，都遵循数学规则。一旦你掌握了这些公式，你就能精确判断自己对数值答案的信任程度！