歡迎來到誤差的世界！
在進階數學中，我們經常使用數值方法 (Numerical Methods) 來解決那些無法單憑紙筆得出精確解的問題。由於我們使用的是近似值，我們必須精確了解自己可能「錯」得有多離譜。這就是本章的重點！如果一開始覺得這些概念有點「吹毛求疵」，請不用擔心；一旦你看懂了其中的規律，你會發現這其實是數學工具箱中非常合乎邏輯的一部分。
在本章中，我們將學習如何衡量誤差、誤差在計算過程中如何累積，以及如何利用這些誤差來讓我們的答案變得更精確。
1. 絕對誤差與相對誤差
當我們估算一個數值時，我們的猜測與真實數值之間總是存在差異。我們通常用以下兩種方式來衡量：
基本概念
設 \(x\) 為精確值 (exact value)，\(X\) 為近似值 (approximate value)。
- 絕對誤差 (Absolute Error)： 這就是近似值與精確值之間的簡單差異。
公式：\( \text{Absolute Error} = X - x \)
注意：在 MEI 課程中，這可能是正數也可能是負數。如果是正數，代表我們的近似值偏大！ - 相對誤差 (Relative Error)： 這將誤差與數值本身的大小進行比較。
公式：\( \text{Relative Error} = \frac{X - x}{x} \)
（如果無法得知精確值，有時我們會使用 \(\frac{X - x}{X}\) 來計算）。
生活化例子： 想像你在測量一條繩子。
如果你測量一條 10cm 的繩子時偏差了 1cm，那這誤差相當大（10% 的誤差）。
但如果你測量一條 1km 的電纜時偏差了 1cm，根本沒人在意（0.001% 的誤差）。
雖然絕對誤差是一樣的（1cm），但相對誤差才真正反映了誤差的嚴重程度！
重點總結： 絕對誤差是「差距」，而相對誤差是「百分比式的比較」。
2. 數字的表示：捨入 vs. 截斷
電腦和計算機的精度有限。它們無法儲存像 \(\pi\) 這樣無限的小數，所以必須將它們「切掉」。
兩種截斷數字的方法
- 捨入 (Rounding)： 取最接近的數值。（例如：7.86 捨入到小數點後第一位是 7.9）。
- 截斷 (Chopping/Truncation)： 直接忽略某一位之後的所有數字。（例如：7.86 截斷到小數點後第一位是 7.8）。
最大誤差速查指南
如果你將一個數字捨入到小數點後 \(n\) 位，最大絕對誤差為 \(0.5 \times 10^{-n}\)。
如果你將一個數字截斷到小數點後 \(n\) 位，最大絕對誤差為 \(1 \times 10^{-n}\)。
快速複習：
捨入至小數點後 2 位 \(\rightarrow\) 最大誤差 = \(0.005\)
截斷至小數點後 2 位 \(\rightarrow\) 最大誤差 = \(0.01\)
重點總結： 通常來說，截斷產生的誤差會比捨入更大！
3. 誤差傳播
這是一個比較專業的說法，意思是：「如果我的初始數字有誤差，那它會如何影響最終答案的誤差？」
算術運算
- 加法與減法： 誤差通常會累加。如果你將 200 個數字相加，而每個數字的最大誤差為 0.05，那麼總誤差可能高達 \(200 \times 0.05 = 10\)。
- 減法的危機！ 當你減去兩個極為接近的數值時，常會發生常見錯誤。例如：1.23457 減去 1.23456 等於 0.00001。你幾乎損失了所有的「有效數字」，而原始數字中原本微小的誤差，相較於你最終得到的小數結果，瞬間變得非常巨大。
函數的誤差
如果 \(x\) 存在誤差，它會如何影響 \(f(x)\)？
我們可以使用導數（斜率）來估算：
\( \text{Error in } f(x) \approx f'(x) \times (\text{Error in } x) \)
你知道嗎？ 這就是為什麼在程式設計中運算的順序非常重要。在長篇計算的最後才進行減法運算，有時會讓誤差「爆炸性」增長！
重點總結： 小心減去兩個相似的數字——這是最容易導致計算失準的元兇。
4. 收斂與方法的階數
當我們使用迭代法（如 Newton-Raphson 法）求根時，我們想知道逼近答案的速度有多快。這被稱為收斂階數 (Order of Convergence)。
誤差關係
設 \(\epsilon_n\) 為第 \(n\) 步的誤差。如果一個方法滿足以下條件，則稱其為 \(k\) 階方法：
\( \epsilon_{n+1} \approx C(\epsilon_n)^k \)
- 一階 (First Order, \(k=1\))： 每一步的誤差是前一步的固定比例（例如：二分法 Bisection method）。穩定但速度較慢。
- 二階 (Second Order, \(k=2\))： 誤差大致是前一步誤差的平方（例如：Newton-Raphson 法）。這非常快！如果你的誤差是 0.1，下一步可能就是 0.01，再下一步就是 0.0001。正確的小數位數幾乎每步都會翻倍。
重點總結： 階數越高，通常收斂速度越快。
5. 改善解（外推法 Extrapolation）
如果我們知道所用的方法有特定的「階數」，我們實際上可以利用這些資訊來預測「完美」的答案。這被稱為外推法 (extrapolation)。
差值比率
透過觀察一系列的近似值（我們稱之為 \(A_1, A_2, A_3\)），計算它們之間的差值。
如果這些差值的比率保持一致，我們就可以估算剩餘的誤差，並將其扣除，從而得到一個改善後的解。
考試步驟建議：
1. 計算連續近似值之間的差值。
2. 求出這些差值的比率。
3. 利用該比率「跳躍」至無窮遠處的極限值（真正的答案）。
重點總結： 誤差分析不僅僅是為了指出錯誤，它更是一個精確找到真實答案的強大工具！
複習小總結
- 絕對誤差 = \(X - x\)（差距）。
- 相對誤差 = \(\frac{X - x}{x}\)（比較）。
- 捨入最大誤差 = 最後一位位值的一半。
- 截斷最大誤差 = 最後一位的完整位值。
- 減去相似數字是導致精度流失的主要來源。
- Newton-Raphson 法通常是二階收斂（非常快）。
如果加法和乘法的誤差公式讓你感到困惑，請別擔心——只要記得測試「最壞情況」（最大可能值減去最小可能值），你通常就能輕鬆找出最大誤差！