欢迎来到数与代数：AI 数学的基石！

你好，未来的数学家！数与代数（Number and algebra）这一章，是我们为整个“数学：应用与解释”（Applications and Interpretation）课程搭建核心工具箱的地方。虽然它听起来可能偏向理论，但这一部分实际上极其具有实用性——它是我们对现实世界中的金融增长、人口变化和误差分析进行建模时所使用的通用语言。

如果代数过去并不是你最擅长的部分，也不用担心。我们将重点放在如何高效利用科技（图形计算器 GDC），让你能够专注于正确建立数学模型，并最重要的一点——解读计算结果。

第 1 节：应用数学中的准确度与误差

在 AI 课程中，我们处理的是真实数据，而这些数据很少是完美且“干净”的。理解如何准确处理数字并量化测量误差，对于构建可信的模型至关重要。

1.1 近似数的处理

我们经常需要对数字进行取整。表达精度的两种主要方式是：

  • 小数位数 (dp - decimal places)： 数小数点之后的位数。例如，\(4.5678\) 保留 2 位小数 (dp) 为 \(4.57\)。
  • 有效数字 (sf - significant figures)： 这与数值的可靠性有关，计算所有非零数字，以及非占位符的零。
    示例：
    • \(105.2\) 有 4 位有效数字。
    • \(0.0034\) 有 2 位有效数字（开头的零不计入）。
    • \(5000\) 可能有 1、2、3 或 4 位有效数字，具体取决于语境（除非有小数点，否则默认为 1 位有效数字，例如 \(5000.\) 即为 4 位有效数字）。

需避免的常见错误： 当计算过程中涉及多次取整时，请务必只对最终答案取整。中间值请直接存在 GDC 中计算！

1.2 百分比误差 (Percentage Error)

我们的误差有多大？百分比误差告诉我们误差相对于真实值的大小，通常以百分比表示。这是 AI 课程中评估模型成功与否的关键技能。

公式： \[ \text{百分比误差} = \frac{| \text{近似值} - \text{精确值} |}{\text{精确值}} \times 100\% \]

  • 竖线 \(|\dots|\) 表示取绝对值（误差始终视为正数）。
  • 现实生活中的例子： 如果你估算一栋建筑的高度（近似值 = 24m），但实际高度为 25m（精确值），则百分比误差为：
    \( \frac{|24 - 25|}{25} \times 100\% = \frac{1}{25} \times 100\% = 4\% \)

核心要点： 准确度很重要。请使用正确的取整方法（有效数字或小数位数），并记住百分比误差公式，以量化建模的成败。

第 2 节：数列与级数——建模增长

数列（Sequences）是数字的有序列表，而级数（Series）是这些数字的和。我们主要研究两种类型：线性增长（等差数列）和指数增长（等比数列）。

2.1 等差数列与等差级数

什么是等差： 数列中每一项通过加上或减去同一个数（公差，\(d\)）得到下一项。
类比： 这就像每个月固定加薪 100 元，属于线性、平稳的增长。

公式（公式手册中均有提供！）：

  • 第 \(n\) 项 (\(u_n\))： \( u_n = u_1 + (n-1)d \)
    （其中 \(u_1\) 是首项，\(n\) 是项数。）
  • 前 \(n\) 项和 (\(S_n\))： \( S_n = \frac{n}{2} (2u_1 + (n-1)d) \)
    或 \( S_n = \frac{n}{2} (u_1 + u_n) \)

2.2 等比数列与等比级数

什么是等比： 数列中每一项通过乘以或除以同一个数（公比，\(r\)）得到下一项。
类比： 这就像复利，你的增长基于当前的金额，从而导致迅速的（指数级）增长。

公式（公式手册中均有提供！）：

  • 第 \(n\) 项 (\(u_n\))： \( u_n = u_1 r^{n-1} \)
  • 前 \(n\) 项和 (\(S_n\))： \( S_n = \frac{u_1 (r^n - 1)}{r - 1} \)，其中 \(r \ne 1\)

2.3 等比级数：无穷级数（仅限 HL）

HL 学生注意： 如果公比 \(r\) 在 \(-1\) 和 \(1\) 之间（即 \(|r| < 1\)），数列项会变得越来越小，以至于其和趋向于一个有限的极限。这就是无穷和，\(S_{\infty}\)。

无穷和公式： \[ S_{\infty} = \frac{u_1}{1 - r} \quad \text{当 } |r| < 1 \text{ 时} \] 你知道吗？ 这个概念在经济学中用于计算政府支出对经济的总影响（乘数效应）。

核心要点： 等差是线性的，等比是指数型的。等比增长（乘法）对于理解金融数学至关重要。

第 3 节：金融数学——AI 数学的核心

金融应用是 AI 课程中等比数列最常见的现实用途。你必须熟悉相关术语，并熟练使用 GDC 的金融求解器 (TVM Solver)。

3.1 单利与复利

单利 (Simple Interest)： 利息仅按原始本金计算。属于线性增长（等差）。

复利 (Compound Interest)： 利息是根据本金加上已累计的利息来计算的。属于指数增长（等比）。这几乎是所有储蓄和贷款的标准计算方式。

复利公式： \[ FV = PV \left( 1 + \frac{r}{100k} \right)^{nk} \] 其中：

  • FV： 未来值 (Future Value，即最终金额)
  • PV： 现值 (Present Value，即初始本金)
  • r： 年名义利率 (%)
  • n： 年数
  • k： 每年计息次数（例如，k=4 表示按季度计息）

3.2 使用 GDC (TVM Solver)

TVM Solver 是你最好的朋友。它可以处理复杂的金融计算，尤其是在处理年金（定期付款）时。

TVM 重要变量：

  • N： 付款/计息的总次数 (\(N = n \times k\))。
  • I%： 年利率（以百分比输入）。
  • PV： 现值（初始存款或贷款额）。如果钱流出你的钱包，通常输入负数。
  • PMT： 支付金额（如果是标准复利，则为零）。
  • FV： 未来值（目标储蓄额或剩余余额）。
  • P/Y 和 C/Y： 每年付款次数和每年计息次数。在 AI 课程中，这两个数字通常是一样的！（例如，“每月”意味着 12）。

专业提示：符号约定！ 流出你的钱（存款、贷款本金）为负数。你收到的钱（未来储蓄、贷款发放额）为正数。一致性是关键！

3.3 折旧 (HL/SL)

折旧是指资产价值随时间的下降。从数学上讲，它的运算方式与复利完全相同，但利率 \(r\) 是负的。

  • 如果一辆车每年折旧 15%，那么它每年的价值都要乘以 \( (1 - 0.15) = 0.85 \)。
3.4 年金与摊销 (HL 重点)

年金涉及定期、定额的支付 (PMT)。贷款、抵押贷款和定期退休储蓄计划都属于年金。

HL 学生： 你必须能够使用 TVM Solver 计算贷款的每月还款额 (PMT)，确定支付的总利息，并可能构建一个简单的摊销表 (amortization schedule)（显示每笔还款中多少用于偿还本金，多少用于偿还利息）。

核心要点： 金融数学的核心就是等比数列。请务必掌握 TVM Solver 和符号约定（资金流的正负）。

第 4 节：求解线性方程与方程组 (HL 拓展)

有时，现实问题涉及多个变量，且必须同时满足多个条件——这就会产生线性方程组。

4.1 线性方程组 (SL/HL)

对于 2x2 或 3x3 的方程组，在 AI 课程中最简单的方法是使用 GDC 求解：
示例： 一家烘焙店卖松饼 (x) 和羊角面包 (y)。
方程 1（成本）：\( 2x + 3y = 15 \)
方程 2（数量）：\( x + y = 6 \)

  • GDC 方法 1（图形法）： 将方程输入为 \(Y=\)，找到交点。（最适合 2x2）。
  • GDC 方法 2（求解器）： 使用内置的线性方程求解器应用程序（通常在“Apps”或“Solve”下）。（最适合 3x3）。
4.2 矩阵与方程组 (仅限 HL)

对于更大的方程组，矩阵提供了一种组织和求解的高效方式。

方程组可以写成矩阵形式：\( AX = B \)
其中：

  • A： 系数矩阵（\(x, y, z\) 前面的数字）。
  • X： 变量矩阵（例如：\( \begin{pmatrix} x \\ y \end{pmatrix} \)）。
  • B： 常数矩阵（等号右侧的数字）。

为了求出解（变量矩阵 \(X\)），我们必须使用逆矩阵 \(A^{-1}\)： \[ X = A^{-1} B \]

GDC 操作步骤 (HL)：

  1. 在 GDC 的矩阵编辑器中定义矩阵 A（系数）和矩阵 B（常数）。
  2. 计算 A 的逆：\( A^{-1} \)。
  3. 相乘：\( A^{-1} \times B \)。得到的矩阵即为解 \(X\)。

重要概念： 矩阵方程组仅当矩阵 A 的行列式 (determinant) 不为零时才有唯一解。如果行列式为零，则该矩阵是奇异矩阵，系统要么无解，要么有无数个解。

核心要点： 使用科技手段求解线性方程组。HL 学生必须精通逆矩阵法 \(X = A^{-1} B\)。

快速复习：核心公式与概念


  • 百分比误差： \( \frac{|\text{近似值} - \text{精确值}|}{\text{精确值}} \times 100\% \)
  • 等差数列： \( u_n = u_1 + (n-1)d \)
  • 等比数列： \( u_n = u_1 r^{n-1} \)
  • 复利/折旧： \( FV = PV \left( 1 + \frac{r}{100k} \right)^{nk} \)
  • HL 矩阵解法： \( X = A^{-1} B \)

记住：在 AI 课程中，问题的建立和对结果的解读与计算本身同样重要。始终检查你的答案在现实语境中是否合理！祝你好运！