数值微分简介
你好！在标准的数学课程中，你可能已经花费了很多时间，利用代数方法来求出 \(x^2\) 或 \(\sin(x)\) 这类函数的导数（即斜率）。但如果函数复杂到无法直接微分，又或者你手头上只有一组数据点而没有具体的函数公式时，该怎么办呢？
这时候，数值微分（Numerical Differentiation）就能派上用场了！它让我们仅凭坐标点，就能估算出曲线在特定点的斜率。这就像是与其拥有一张完美的 3D 地形图，不如透过观察身前身后几厘米的地面，来估计山坡的陡峭程度一样。
快速回顾：请记住，导数 \(f'(x)\) 代表了函数在该点的切线斜率。在数值方法中，我们会使用一个很小的步长，称为 \(h\)，来协助我们求出这个斜率。
1. 前向差分法 (Forward Difference Method)
前向差分法是估算斜率最简单的方法，其原理与你在 Year 12 接触到的微积分基本定义（由第一原理求导）如出一辙。
想像你正站在 \(x\) 点。为了找出斜率，你向前迈出极小的一步到 \(x + h\)，计算“高度”（即 y 值）的变化量，然后除以步长。
公式
\(f'(x) \approx \frac{f(x + h) - f(x)}{h}\)
逐步操作指南：
1. 确定你想要求斜率的点 \(x\)。
2. 选择一个较小的 \(h\) 值（通常越小越好！）。
3. 计算 \(f(x)\) 和 \(f(x + h)\)。
4. 将这些数值代入公式中即可。
比喻：想象你正在爬山。为了估计你脚下位置的陡峭程度，你只需观察前方一步远的地面，看看它比你现在脚下的位置高出多少。
如果觉得这个方法不够精确，别担心！ 因为我们只向前看，所以当曲线弯曲程度较大时，这个方法往往会高估或低估真实的斜率。
重点总结：前向差分法使用该点本身以及其前方的一点。它计算简单，但准确度不是最高的。
2. 中心差分法 (Central Difference Method)
如果说前向差分法是“向前看一步”，那么中心差分法就是“向前看一步，同时向后看一步”。这通常能提供更好的“平衡”，从而得到更精确的结果。
公式
\(f'(x) \approx \frac{f(x + h) - f(x - h)}{2h}\)
小心陷阱！ 一个常见错误是分母只除以 \(h\)。由于你向前移动了 \(h\)，又向后移动了 \(h\)，这两点之间的总水平距离实际上是 \(2h\)。
为什么它更好？
透过使用 \(x\) 两侧的点，曲线弯曲带来的“误差”往往会互相抵消。在图形上，连接 \(f(x-h)\) 和 \(f(x+h)\) 的直线，几乎总是比前向差分法所用的直线更接近真正的切线。
记忆小撇步：“中心”意味着我们关心的点位于我们两个计算点的中心。“向前一步，向后一步，除以双倍距离（\(2h\)）。”
重点总结：中心差分法使用 \(x\) 两侧的点。对于相同的 \(h\) 值，它通常比前向差分法精确得多。
3. 准确度与方法的“阶”(Order of Methods)
在数值方法中，我们会讨论当 \(h\) 减小时，误差消失的速度。这称为方法的阶（Order of the Method）。
一阶与二阶方法
1. 前向差分法是一阶方法，记作 \(O(h)\)。
意义： 如果你将步长 \(h\) 减半，斜率估计中的误差大约也会减半。
2. 中心差分法是二阶方法，记作 \(O(h^2)\)。
意义： 如果你将步长 \(h\) 减半，误差大约会变成原来的四分之一（\(0.5^2 = 0.25\)）。这就是为什么它能这么快达到精确的原因！
你知道吗？ 虽然较小的 \(h\) 通常意味着更高的精确度，但如果你把 \(h\) 设定得“太小”（例如 \(0.000000000001\)），电脑和计算器可能会因为处理不了这么多位小数而产生“舍入误差”。所以，\(h\) 其实有一个“黄金区间”！
快速回顾表：
- 前向差分： \(O(h)\) - 当 \(h\) 减半时，误差减半。
- 中心差分： \(O(h^2)\) - 当 \(h\) 减半时，误差变为原来的四分之一。
4. 使用一系列的 \(h\) 值
在考试中，你可能会被要求计算一系列递减的 \(h\) 值（例如 \(h = 0.1\)，接着 \(h = 0.05\)，然后 \(h = 0.025\)）对应的斜率。
透过观察答案如何变化，你可以观察到准确度的极限。如果 \(h = 0.05\) 和 \(h = 0.025\) 的答案在小数点后四位都几乎相同，你就可以很有把握地认为你的答案达到了该精确度。
必须避免的常见错误：
- 分母陷阱：在中心差分法中误用 \(h\) 而非 \(2h\)。
- 过早取舍入：如果在计算过程中将 \(f(x+h)\) 等数值提早取舍入到小数点后两位，最终答案就会变得毫无意义！请保留尽可能多的位数，直到最后计算完毕再处理。
- 负号问题：如果 \(x\) 本身是负数，或者函数涉及减法运算，在计算 \(f(x-h)\) 时要特别留意负号的变化。
总结：数值微分是透过小步长来估算斜率。前向差分法是一种简单的一阶方法，而中心差分法是一种更优秀的二阶方法，它透过观测目标点两侧的数据，提供了更高的准确度。