簡介：歡迎來到數值方法（Numerical Methods）的世界！
你有沒有試過解一條方程式，卻發現無論用多少代數技巧，都無法把 \(x\) 單獨分離出來？不用擔心，即使是專業數學家也會遇到這種情況！在 A-Level 數學（卷一）中，我們學到當無法求得精確的「解析」（analytical）答案時，便會使用數值方法。這些是尋找達到所需精度要求的「足夠好」近似解的巧妙技巧。想像一下，這就像玩「找東西」遊戲，我們不斷靠近目標，直到對結果滿意為止！
1. 尋找根：符號改變法（Change of Sign Method）
函數 \(f(x)\) 的根（root）就是 \(x\) 的值，使得圖形穿過 x 軸，即 \(f(x) = 0\)。如果無法精確找到它，我們會嘗試將它「困」在兩個數值之間。
運作原理：
如果一個函數是連續的（意味著你可以在不提起筆的情況下畫出它），並且在兩個點 \(a\) 和 \(b\) 之間從負值變為正值（或反之），那麼這兩點之間必然至少存在一個根。
類比：如果你在地下室（負高度），然後突然出現在一樓（正高度），那麼你在某個時刻必然穿過了地面（零高度）！
步驟：
- 選擇兩個 \(x\) 值，例如 \(x=1\) 和 \(x=2\)。
- 計算 \(f(1)\) 和 \(f(2)\)。
- 如果其中一個答案是正數，另一個是負數，則存在符號改變（change of sign）。
- 陳述：「由於存在符號改變且函數連續，因此在區間 \([1, 2]\) 內必然存在一個根。」
什麼時候會失敗？
有時「符號改變」法可能會失靈。如果出現以下情況，它可能會失敗：
- 區間太寬，包含了偶數個根（它們相互抵消，符號看起來沒有變化）。
- 存在垂直漸近線（圖形中的「斷點」）。雖然符號改變了，但圖形其實從未觸及零。
快速複習：要證明根的存在，請在連續函數中尋找符號改變！
2. 簡單迭代法（Simple Iteration）：\(x_{n+1} = g(x_n)\)
迭代是一個透過不斷重複數學步驟來逐步逼近答案的過程。我們將 \(f(x) = 0\) 重寫為 \(x = g(x)\) 的形式。
蛛網圖與階梯圖（Cobweb and Staircase Diagrams）
我們可以透過繪製直線 \(y = x\) 和曲線 \(y = g(x)\) 來視覺化迭代的過程。數字運行的「路徑」會形成兩種截然不同的模式：
- 蛛網圖（Cobweb Diagrams）： 當數列在根的上方和下方擺動，呈螺旋狀向內（或向外）收斂時，就會出現這種情況。
- 階梯圖（Staircase Diagrams）： 當數列從一側逼近根，看起來像一級級階梯時，就會出現這種情況。
記憶小貼士：斜率法則（Gradient Rule）
只有當 \(g(x)\) 在根附近的斜率「平緩」時，迭代才會收斂（找到答案）。具體來說：\(|g'(x)| < 1\)。如果圖形太陡，數值將會遠離根而無法收斂！
重點總結：迭代就像一個迴圈。你將一個答案帶入開頭，以獲得更準確的新答案。
3. 牛頓-拉弗森法（The Newton-Raphson Method）
這是一種更強大的「渦輪增壓」版迭代法。它利用曲線的切線（斜率）直接指向根的位置。
公式：
\(x_{n+1} = x_n - \frac{f(x_n)}{f'(x_n)}\)
不用慌！\(f(x_n)\) 只是 Y 值，而 \(f'(x_n)\) 只是你當前猜測點的斜率。
步驟詳解：
- 設定一個初始猜測值 \(x_0\)。
- 對函數進行微分得到 \(f'(x)\)。
- 將 \(x_0\) 代入公式求出 \(x_1\)。
- 將 \(x_1\) 再次代入以求出 \(x_2\)，重複此過程直到數值不再改變為止。
要避免的常見錯誤：
- 從駐點附近開始： 如果你的猜測值接近斜率 \(f'(x)\) 為零的位置，公式中就會出現除以零的情況。這會導致方法失敗，因為切線變成了水平線，永遠不會觸及 x 軸！
- 微分錯誤： 開始迭代前，請務必再三檢查你的微分計算是否正確。
4. 數值積分：梯形法則（The Trapezium Rule）
有時我們無法用常規方法對函數進行積分。與其尋找曲線下的精確面積，我們將面積切割成多個梯形（頂部平坦的切片），然後將它們的面積加起來。
公式：
\(\text{Area} \approx \frac{1}{2}h [ (y_0 + y_n) + 2(y_1 + y_2 + ... + y_{n-1}) ]\)
其中 \(h = \frac{b-a}{n}\)（這是每個切條的寬度）。
簡單記憶公式的方法：
面積 \(\approx \frac{1}{2} \times \text{寬度} \times [(\text{首項} + \text{末項}) + 2 \times (\text{所有中間項})]\)
這是高估還是低估？
這是考試熱門題！這取決於曲線的凹凸性：
- 凸曲線（U 型）： 梯形的平頂位於曲線上方。這是一個高估（overestimate）。
- 凹曲線（n 型）： 平頂位於曲線下方。這是一個低估（underestimate）。
快速複習：切片越多，精度越高！梯形法則將彎曲的面積變成了易於計算的形狀序列。
5. 實際應用問題
數值方法不僅用於抽象數學，它們在建模中非常實用。你可能會被要求找出：
- 移動物體到達特定距離所需的時間（求根）。
- 一段時間內消耗的燃料總量（數值積分）。
處理實際應用題時，請務必檢查你的答案是否合理。如果你在計算大樓高度時得到一個負數，請回去檢查你的步驟！
總結檢查表：
- 我能利用符號改變證明根的存在嗎？
- 我會繪製蛛網圖或階梯圖嗎？
- 我能熟練背誦牛頓-拉弗森公式嗎？
- 我能根據圖形形狀判斷梯形法則的估算結果是高估還是低估嗎？
如果起初覺得這些技巧有點複雜，不用擔心！數值方法是非常規律性的。一旦你練習了幾道牛頓-拉弗森或梯形法則的題目，你就會開始看到其中的模式。你一定可以的！