歡迎來到數值積分（Numerical Integration）的世界！
你有沒有試過解數學題時，發現根本沒有一個簡潔、完美的答案？在常規的 A Level 數學中，大多數積分題目都被設計得很「友善」。但在現實世界中，函數往往非常複雜，有時使用標準的積分法則根本無法求出精確值。
這就是數值積分派上用場的時候了！我們使用巧妙的法則來估算曲線下的面積。試著把它想像成測量一個水窪的面積——你不能用簡單的直尺，但你可以將它拆解成你已知形狀的幾何體。在本章中，我們將探討中點法（Midpoint Rule）、梯形法則（Trapezium Rule），以及當中的重量級成員：辛普森法則（Simpson’s Rule）。
1. 基本概念：我們在做什麼？
我們的目標是估算定積分 \( \int_{a}^{b} f(x) dx \)。我們將從 \( a \) 到 \( b \) 的區間分成 \( n \) 個相等的狹長條（strips），每個條的寬度為 \( h \)。
條寬公式：
\( h = \frac{b - a}{n} \)
類比： 想像你在鋪地板。\( a \) 和 \( b \) 是兩面牆，\( h \) 是每塊瓷磚的寬度。如果你想要更多的瓷磚 (\( n \))，每塊瓷磚就必須更薄 (\( h \))。
溫故知新：預備知識
- 縱坐標（Ordinate, \( y \)）： 函數在特定 \( x \) 點的值。
- 區間（Interval）： 起始點 \( a \) 與終點 \( b \) 之間的範圍。
- 弧度（Radians）： 進行微積分計算時，請務必確保計算機處於 弧度（Radians） 模式！
關鍵點： 數值積分是透過將曲線拆解成較小、易於處理的狹長條，來估算其面積的過程。
2. 中點法（Midpoint Rule, \( M_n \)）
中點法透過矩形來估算每個條形的面積。但我們不是用條形的起點或終點高度，而是使用條形中點處的高度。
公式：
\( M_n = h(y_{1/2} + y_{3/2} + \dots + y_{n-1/2}) \)
這裡的 \( y_{1/2} \) 簡單來說就是函數在第一個條形中點處的值。
步驟：
1. 計算寬度 \( h \)。
2. 找出每個條形的中點。
3. 將這些中點代入你的函數 \( f(x) \) 以獲得高度（即 \( y \) 值）。
4. 將所有高度相加，再乘以 \( h \)。
常見錯誤： 不要混淆條形的數量 (\( n \)) 和中點的數量。如果你有 4 個條形，你就會有 4 個中點！
3. 梯形法則（Trapezium Rule, \( T_n \)）
你可能在 A Level 數學中學過這個！我們不再使用平頂的矩形，而是使用梯形來「順應」曲線的斜率。
公式：
\( T_n = \frac{1}{2}h \{ (y_0 + y_n) + 2(y_1 + y_2 + \dots + y_{n-1}) \} \)
記憶小撇步： 「兩端算一次，中間算兩次」。你只會將最開始和最後一個高度各算一次，但中間的每一個高度都要算兩次，因為它們被相鄰的兩個梯形共用了。
關鍵點： \( T_n \) 通常比簡單的矩形法準確，但在面對彎曲程度很大的線條時，表現仍會受限。
4. 重量級法則：辛普森法則（Simpson’s Rule, \( S_{2n} \))
如果說梯形法是用直線來「連接點」，那麼 辛普森法則 就像是用 拋物線 來連接點。它的準確度高得多！
公式：
\( S_{2n} = \frac{1}{3}h \{ (y_0 + y_{2n}) + 4(y_1 + y_3 + \dots + y_{2n-1}) + 2(y_2 + y_4 + \dots + y_{2n-2}) \} \)
加權模式： 1, 4, 2, 4, 2... 4, 1。
「兩端」乘以 1。「奇數編號」的縱坐標乘以 4，「偶數編號」的縱坐標乘以 2。
你知道嗎？ 要使用辛普森法則，你必須確保條形的數量是偶數。如果 \( n \) 是奇數，1-4-2 的模式就無法運作了！
快速回顧：
- 中點法 (\( M_n \))： 使用條形中點的高度。
- 梯形法 (\( T_n \))： 使用條形邊緣的高度，1-2-1 模式。
- 辛普森法則 (\( S_{2n} \))： 使用條形邊緣的高度，1-4-2-4-1 模式。
5. MEI 的「黃金連結」
在 Further Maths B (MEI) 中，一個常見的任務是利用你之前的計算結果來獲取新的估算值。你不一定每次都要從零開始計算！
關係一：改進梯形法則
如果你已有 \( M_n \) 和 \( T_n \)，你可以輕鬆求出將條形數量加倍後的估算值 (\( T_{2n} \))：
\( T_{2n} = \frac{1}{2}(M_n + T_n) \)
關係二：由其他法則推導辛普森法則
這是考試的最愛！辛普森法則其實就是另外兩個法則的加權平均：
\( S_{2n} = \frac{1}{3}(2M_n + T_n) \)
注意：有時寫作 \( S_{2n} = \frac{2M_n + T_n}{3} \)。
關鍵點： 這些連結讓你無需重新計算每一個 \( y \) 值，就能快速提升準確度。
6. 收斂與誤差
如果「收斂階數（Order of Convergence）」聽起來很嚇人，不用擔心；它只是指「當我們增加更多條形時，誤差消失得有多快？」
- 中點法與梯形法則： 這些是 二階（second-order） 方法。如果你將條形數量加倍，誤差大約會縮小 4 倍 (\( 2^2 \))。
- 辛普森法則： 這是 四階（fourth-order） 方法。如果你將條形數量加倍，誤差大約會縮小 16 倍 (\( 2^4 \))！這就是為什麼辛普森法則準確得多的原因。
凹性（Concavity）與高估/低估
你的估算值會偏大還是偏小？這取決於圖形的形狀（凹性）：
- 凹向上（開心笑臉 \(\cup\)）： 梯形法則會 高估（直線位於曲線上方）。中點法會 低估。
- 凹向下（悲傷臉 \(\cap\)）： 梯形法則會 低估。中點法會 高估。
關鍵點： 如果 \( T_n \) 是高估而 \( M_n \) 是低估，那麼真實值一定介於兩者之間！
摘要檢核表
你是否能夠：
1. 計算條形寬度 \( h \)？
2. 正確運用中點法、梯形法和辛普森法則？
3. 記住辛普森法則的 1-4-2-4-1 加權模式？
4. 使用「黃金連結」來求出 \( T_{2n} \) 和 \( S_{2n} \)？
5. 根據曲線形狀判斷估算值是偏高還是偏低？
繼續練習吧！數值方法講究的是條理。只要仔細檢查你的數值表，你一定能做得很好！