2 極限 (Limits)

學習目標

理解極限是「趨近」而非「等於」的數學語言
能夠視覺化理解函數在某點附近的行為
理解左極限與右極限的概念
連結極限概念與統計學中的大數法則
理解連續機率分布的定義基礎

2.1 概念說明

在日常生活中，我們常說「無限接近」某個值。比如說，當你開車逐漸接近醫院時，你與醫院的距離越來越小，但在抵達之前，距離永遠不會真的變成零。這就是極限的核心概念：趨近。

極限不是「等於」，而是「無限接近」。用數學語言來說：

當 $x$ 趨近於 $a$ 時，函數 $f(x)$ 趨近於 $L$

我們寫成： \[\lim_{x \to a} f(x) = L\]

這裡有幾個關鍵點：

$x$ 可以無限接近 $a$，但不一定等於 $a$
函數在 $x = a$ 這點可能沒有定義
極限存在與否，與 $f(a)$ 的值無關

2.1.1 醫學中的極限概念

想像測量血糖濃度的過程：

你每隔 5 分鐘測一次，得到一系列數值
隨著測量間隔越來越短（5 分鐘 → 1 分鐘 → 10 秒 → 1 秒），你越來越接近「瞬時血糖值」
但實際上，我們永遠無法在「零時間」內測量
這個「瞬時值」就是極限的概念

2.2 視覺化理解

2.2.1 經典範例：消失的分母

考慮這個函數： \[f(x) = \frac{x^2 - 4}{x - 2}\]

當 $x = 2$ 時，分子分母都是零，函數沒有定義。但是，當 $x$ 趨近 2 時會發生什麼？

Code

# 建立資料
x <- seq(0, 4, by = 0.01)
x <- x[x != 2]  # 移除 x = 2

# 實際上 (x² - 4)/(x - 2) = (x-2)(x+2)/(x-2) = x + 2
f_x <- (x^2 - 4) / (x - 2)

df <- data.frame(x = x, y = f_x)

ggplot(df, aes(x, y)) +
  geom_line(color = "#2E86AB", linewidth = 1.2) +
  # 標記極限值
  geom_point(aes(x = 2, y = 4), shape = 21, size = 5,
             fill = "white", color = "#E94F37", stroke = 2) +
  # 虛線輔助線
  geom_hline(yintercept = 4, linetype = "dashed",
             color = "gray50", alpha = 0.7) +
  geom_vline(xintercept = 2, linetype = "dashed",
             color = "gray50", alpha = 0.7) +
  # 標註
  annotate("text", x = 2.5, y = 4.3,
           label = "極限值 = 4\n(但 f(2) 未定義)",
           hjust = 0, size = 4.5, color = "#E94F37") +
  labs(
    title = "極限的視覺化",
    subtitle = expression(lim(x %->% 2)~frac(x^2 - 4, x - 2) == 4),
    x = "x",
    y = "f(x)"
  ) +
  scale_x_continuous(breaks = seq(0, 4, 0.5)) +
  scale_y_continuous(breaks = seq(0, 6, 0.5)) +
  theme_minimal(base_size = 14) +
  theme(
    plot.title = element_text(face = "bold", size = 16),
    plot.subtitle = element_text(size = 13)
  )

2.2.2 「放大鏡」效果：越靠近越清楚

要真正理解極限，我們可以用「放大鏡」的方式，越放越大，觀察 $x = 2$ 附近的行為。

Code

# 建立四個不同放大程度的圖
create_zoom_plot <- function(x_center, x_range, zoom_label) {
  x_min <- x_center - x_range
  x_max <- x_center + x_range

  # 建立資料
  x_seq <- seq(x_min, x_max, length.out = 200)
  x_seq <- x_seq[abs(x_seq - 2) > 0.001]  # 避免除以零

  y_seq <- (x_seq^2 - 4) / (x_seq - 2)

  df_zoom <- data.frame(x = x_seq, y = y_seq)

  ggplot(df_zoom, aes(x, y)) +
    geom_line(color = "#2E86AB", linewidth = 1.2) +
    geom_point(aes(x = 2, y = 4), shape = 21, size = 4,
               fill = "white", color = "#E94F37", stroke = 1.5) +
    geom_hline(yintercept = 4, linetype = "dashed",
               color = "gray50", alpha = 0.5) +
    geom_vline(xintercept = 2, linetype = "dashed",
               color = "gray50", alpha = 0.5) +
    labs(
      title = zoom_label,
      x = "x",
      y = "f(x)"
    ) +
    coord_cartesian(
      xlim = c(x_min, x_max),
      ylim = c(4 - x_range, 4 + x_range)
    ) +
    theme_minimal(base_size = 12) +
    theme(
      plot.title = element_text(face = "bold", hjust = 0.5)
    )
}

# 建立四個不同放大程度
p1 <- create_zoom_plot(2, 2, "全貌 (範圍 ±2)")
p2 <- create_zoom_plot(2, 1, "放大 2x (範圍 ±1)")
p3 <- create_zoom_plot(2, 0.5, "放大 4x (範圍 ±0.5)")
p4 <- create_zoom_plot(2, 0.1, "放大 20x (範圍 ±0.1)")

# 組合圖形
(p1 | p2) / (p3 | p4) +
  plot_annotation(
    title = "極限的「放大鏡」視角",
    subtitle = "越放大，越確定 f(x) 趨近於 4（雖然 f(2) 不存在）",
    theme = theme(
      plot.title = element_text(size = 18, face = "bold"),
      plot.subtitle = element_text(size = 14)
    )
  )

2.2.3 數值驗證：逐步逼近

讓我們用數值來驗證極限：

Code

# 從左側逼近
x_left <- 2 - c(1, 0.1, 0.01, 0.001, 0.0001)
f_left <- (x_left^2 - 4) / (x_left - 2)

# 從右側逼近
x_right <- 2 + c(1, 0.1, 0.01, 0.001, 0.0001)
f_right <- (x_right^2 - 4) / (x_right - 2)

# 建立表格
limit_table <- data.frame(
  `從左逼近 x` = x_left,
  `f(x) 值` = round(f_left, 6),
  `從右逼近 x` = x_right,
  `f(x) 值 ` = round(f_right, 6)
)

knitr::kable(limit_table, align = "c")

Table 2.1: 從左側和右側逼近 x = 2

從左逼近.x	f.x..值	從右逼近.x	f.x..值.
1.0000	3.0000	3.0000	5.0000
1.9000	3.9000	2.1000	4.1000
1.9900	3.9900	2.0100	4.0100
1.9990	3.9990	2.0010	4.0010
1.9999	3.9999	2.0001	4.0001

從表格可以清楚看到，無論從左或從右逼近 $x = 2$，函數值都趨近於 4。

2.3 數學定義

2.3.1 極限的嚴格定義

極限的 ε-δ 定義

我們說 $\lim_{x \to a} f(x) = L$，如果：

對於任意小的 $\varepsilon > 0$，存在 $\delta > 0$，使得當 $0 < |x - a| < \delta$ 時，有 $|f(x) - L| < \varepsilon$。

白話翻譯：無論你要求 $f(x)$ 與 $L$ 有多接近（$\varepsilon$ 有多小），我都能找到一個 $x$ 與 $a$ 的距離範圍（$\delta$），讓在這範圍內的所有 $f(x)$ 都滿足你的要求。

2.3.2 單側極限

右極限：$\lim_{x \to a^+} f(x) = L$ 表示從右側（$x > a$）趨近
左極限：$\lim_{x \to a^-} f(x) = L$ 表示從左側（$x < a$）趨近

極限存在的條件

極限 $\lim_{x \to a} f(x)$ 存在，當且僅當： \[\lim_{x \to a^-} f(x) = \lim_{x \to a^+} f(x)\]

也就是說，左極限和右極限必須相等。

2.3.3 極限的運算性質

假設 $\lim_{x \to a} f(x) = L$ 且 $\lim_{x \to a} g(x) = M$，則：

和的極限：$\lim_{x \to a} [f(x) + g(x)] = L + M$
積的極限：$\lim_{x \to a} [f(x) \cdot g(x)] = L \cdot M$
商的極限：$\lim_{x \to a} \frac{f(x)}{g(x)} = \frac{L}{M}$（若 $M \neq 0$）

2.4 練習題

2.4.1 觀念題

判斷題：如果 $f(a)$ 沒有定義，那麼 $\lim_{x \to a} f(x)$ 一定不存在。（O / X）

參考答案

答案是 X（錯誤）。極限的存在與函數值是否有定義無關。本章的經典範例 $f(x) = \frac{x^2-4}{x-2}$ 就是最好的證明：雖然 $f(2)$ 未定義，但 $\lim_{x \to 2} f(x) = 4$ 是存在的。極限只關心函數在 $a$ 點附近的行為，而不是在 $a$ 點本身的值。

選擇題：下列哪個敘述是正確的？
- 1. 極限存在，函數值一定存在
- 1. 函數值存在，極限一定存在
- 1. 極限值等於函數值
- 1. 以上皆非

參考答案

答案是 (D) 以上皆非。選項 (A) 錯：極限存在不代表函數值存在（如 $\frac{x^2-4}{x-2}$ 在 $x=2$ 處）。選項 (B) 錯：函數值存在不保證極限存在（如分段函數在跳躍點）。選項 (C) 錯：極限值不一定等於函數值，下一章「連續性」會詳細討論這個條件。

問答題：用自己的話解釋「左極限」與「右極限」的差異，並舉一個醫學例子。

參考答案

左極限是從小於 $a$ 的方向趨近，右極限是從大於 $a$ 的方向趨近。醫學例子：藥物劑量-反應關係中，某些藥物存在「閾值效應」（threshold effect）。在閾值劑量之前（左側），反應幾乎為零；超過閾值後（右側），反應迅速上升。此時左極限和右極限不相等，極限不存在，代表在該劑量點有明顯的不連續性。

2.4.2 計算題

計算下列極限：
1. $\lim_{x \to 3} \frac{x^2 - 9}{x - 3}$
2. $\lim_{x \to 0} \frac{x^2 + 2x}{x}$
3. $\lim_{x \to 1} \frac{x^3 - 1}{x - 1}$

參考答案

a. 因式分解：$\frac{x^2-9}{x-3} = \frac{(x-3)(x+3)}{x-3} = x+3$（當 $x \neq 3$），所以 $\lim_{x \to 3} (x+3) = 6$。 b. 提出 $x$：$\frac{x^2+2x}{x} = \frac{x(x+2)}{x} = x+2$（當 $x \neq 0$），所以 $\lim_{x \to 0} (x+2) = 2$。 c. 因式分解：$x^3-1 = (x-1)(x^2+x+1)$，所以 $\frac{x^3-1}{x-1} = x^2+x+1$（當 $x \neq 1$），因此 $\lim_{x \to 1} (x^2+x+1) = 3$。

考慮函數： \[f(x) = \begin{cases} x + 1 & \text{if } x < 2 \\ 5 & \text{if } x = 2 \\ 2x - 1 & \text{if } x > 2 \end{cases}\]

求：(a) $\lim_{x \to 2^-} f(x)$, (b) $\lim_{x \to 2^+} f(x)$, (c) $\lim_{x \to 2} f(x)$ 是否存在？

參考答案

(a) 從左側趨近：使用 $x < 2$ 的公式 $f(x) = x + 1$，所以 $\lim_{x \to 2^-} f(x) = 2 + 1 = 3$。 (b) 從右側趨近：使用 $x > 2$ 的公式 $f(x) = 2x - 1$，所以 $\lim_{x \to 2^+} f(x) = 2(2) - 1 = 3$。 (c) 因為左極限 = 右極限 = 3，所以 $\lim_{x \to 2} f(x) = 3$ 存在。注意：極限值是 3，但 $f(2) = 5$，所以極限值 ≠ 函數值。

2.4.3 R 操作題

視覺化練習：修改以下程式碼，視覺化 $\lim_{x \to 0} \frac{\sin(x)}{x}$ 的極限（提示：極限值是 1）

x <- seq(-0.5, 0.5, by = 0.001)
x <- x[x != 0]

f_x <- sin(x) / x

df <- data.frame(x = x, y = f_x)

ggplot(df, aes(x, y)) +
  geom_line(color = "#2E86AB", linewidth = 1.2) +
  geom_hline(yintercept = ___, linetype = "dashed", color = "#E94F37") +
  labs(title = "sin(x)/x 的極限")

參考答案

填入 yintercept = 1。執行程式碼後，你會看到函數曲線在 $x = 0$ 附近無限接近 1。這個極限是微積分中的重要極限之一，在三角函數的微分公式推導中扮演關鍵角色。紅色虛線（$y = 1$）清楚顯示極限值的位置。

數值實驗：建立一個表格，驗證 $\lim_{x \to 0} \frac{e^x - 1}{x} = 1$

參考答案

參考本章「數值驗證」的表格程式碼，從左右兩側逼近 $x = 0$。範例程式：

x_left <- -c(0.1, 0.01, 0.001, 0.0001)
f_left <- (exp(x_left) - 1) / x_left
x_right <- c(0.1, 0.01, 0.001, 0.0001)
f_right <- (exp(x_right) - 1) / x_right

你會發現當 $x$ 越接近 0，函數值越接近 1。這個極限是指數函數微分的基礎：$\frac{d}{dx}e^x = e^x$ 的證明核心。

2.5 統計應用

2.5.1 大數法則 (Law of Large Numbers)

極限在統計學中最重要的應用之一是大數法則¹：

當樣本數 $n$ 趨近於無窮大時，樣本平均數 $\bar{X}_n$ 會趨近於母體平均數 $\mu$

數學表達： \[\lim_{n \to \infty} \bar{X}_n = \mu\]

Code

set.seed(42)

# 模擬擲骰子 10000 次
n_rolls <- 10000
dice_rolls <- sample(1:6, n_rolls, replace = TRUE)

# 計算累積平均數
cumulative_mean <- cumsum(dice_rolls) / seq_along(dice_rolls)

df_lln <- data.frame(
  n = 1:n_rolls,
  mean = cumulative_mean
)

ggplot(df_lln, aes(n, mean)) +
  geom_line(color = "#2E86AB", linewidth = 0.8) +
  geom_hline(yintercept = 3.5, linetype = "dashed",
             color = "#E94F37", linewidth = 1) +
  annotate("text", x = 7000, y = 3.7,
           label = "理論平均 = 3.5",
           color = "#E94F37", size = 5) +
  labs(
    title = "大數法則：擲骰子的累積平均數",
    subtitle = "隨著次數增加，樣本平均趨近於理論平均 (3.5)",
    x = "擲骰次數 (n)",
    y = "累積平均數"
  ) +
  scale_x_log10(labels = scales::comma) +
  coord_cartesian(ylim = c(2.5, 4.5)) +
  theme_minimal(base_size = 14) +
  theme(
    plot.title = element_text(face = "bold")
  )

2.5.2 連續機率分布的定義

連續型隨機變數的機率密度函數 (PDF) 必須滿足²：

\[\int_{-\infty}^{\infty} f(x) dx = 1\]

這個積分的定義就建立在極限之上：

\[\int_{-\infty}^{\infty} f(x) dx = \lim_{a \to -\infty} \lim_{b \to \infty} \int_a^b f(x) dx\]

2.5.3 P-value 的極端情況

在假設檢定中，p-value 本質上是計算「極端情況」的機率³：

\[p\text{-value} = P(|T| \geq |t_{\text{obs}}|)\]

當檢定統計量 $t$ 趨近於無窮大時：

\[\lim_{t \to \infty} P(|T| \geq t) = 0\]

這解釋了為什麼極端的檢定統計量會給出非常小的 p-value。

本章重點整理

核心概念

極限是「趨近」而非「等於」：$\lim_{x \to a} f(x) = L$ 不代表 $f(a) = L$
極限存在與函數值無關：$f(a)$ 可以不存在，但極限仍可存在
左右極限必須相等：$\lim_{x \to a^-} f(x) = \lim_{x \to a^+} f(x)$ 才能說極限存在
統計應用：
- 大數法則：樣本平均趨近母體平均
- 連續分布的定義基礎
- 理解極端事件的機率
視覺化理解：用「放大鏡」的概念，越靠近越清楚函數的行為

下一章預告

在理解了極限的概念後，我們將學習連續性：什麼樣的函數可以「一筆畫完」？這對於理解機率密度函數 (PDF) 至關重要。

Dekking FM, Kraaikamp C, Lopuhaä HP, Meester LE. A Modern Introduction to Probability and Statistics: Understanding Why and How. Springer; 2005.

Rice JA. Mathematical Statistics and Data Analysis. 3rd ed. Duxbury Press; 2006.

Lehmann EL, Romano JP. Testing Statistical Hypotheses. 3rd ed. Springer; 2005.

--- title: "極限 (Limits)" --- ```{r} #| include: false source(here::here("R/_common.R")) library(dplyr) ``` ## 學習目標 {.unnumbered} - 理解極限是「趨近」而非「等於」的數學語言 - 能夠視覺化理解函數在某點附近的行為 - 理解左極限與右極限的概念 - 連結極限概念與統計學中的大數法則 - 理解連續機率分布的定義基礎 ## 概念說明在日常生活中，我們常說「無限接近」某個值。比如說，當你開車逐漸接近醫院時，你與醫院的距離越來越小，但在抵達之前，距離永遠不會真的變成零。這就是**極限**的核心概念：**趨近**。極限不是「等於」，而是「無限接近」。用數學語言來說： > 當 $x$ 趨近於 $a$ 時，函數 $f(x)$ 趨近於 $L$ 我們寫成： $$\lim_{x \to a} f(x) = L$$ 這裡有幾個關鍵點： 1. **$x$ 可以無限接近 $a$，但不一定等於 $a$** 2. **函數在 $x = a$ 這點可能沒有定義** 3. **極限存在與否，與 $f(a)$ 的值無關** ### 醫學中的極限概念想像測量血糖濃度的過程： - 你每隔 5 分鐘測一次，得到一系列數值 - 隨著測量間隔越來越短（5 分鐘 → 1 分鐘 → 10 秒 → 1 秒），你越來越接近「瞬時血糖值」 - 但實際上，我們永遠無法在「零時間」內測量 - 這個「瞬時值」就是極限的概念 ## 視覺化理解 ### 經典範例：消失的分母考慮這個函數： $$f(x) = \frac{x^2 - 4}{x - 2}$$ 當 $x = 2$ 時，分子分母都是零，函數沒有定義。但是，當 $x$ **趨近** 2 時會發生什麼？ ```{r} #| label: fig-limit-basic #| fig-cap: "極限的視覺化：當 x → 2 時，f(x) 趨近於 4" #| fig-width: 8 #| fig-height: 5 # 建立資料 x <- seq(0, 4, by = 0.01) x <- x[x != 2] # 移除 x = 2 # 實際上 (x² - 4)/(x - 2) = (x-2)(x+2)/(x-2) = x + 2 f_x <- (x^2 - 4) / (x - 2) df <- data.frame(x = x, y = f_x) ggplot(df, aes(x, y)) + geom_line(color = "#2E86AB", linewidth = 1.2) + # 標記極限值 geom_point(aes(x = 2, y = 4), shape = 21, size = 5, fill = "white", color = "#E94F37", stroke = 2) + # 虛線輔助線 geom_hline(yintercept = 4, linetype = "dashed", color = "gray50", alpha = 0.7) + geom_vline(xintercept = 2, linetype = "dashed", color = "gray50", alpha = 0.7) + # 標註 annotate("text", x = 2.5, y = 4.3, label = "極限值 = 4\n(但 f(2) 未定義)", hjust = 0, size = 4.5, color = "#E94F37") + labs( title = "極限的視覺化", subtitle = expression(lim(x %->% 2)~frac(x^2 - 4, x - 2) == 4), x = "x", y = "f(x)" ) + scale_x_continuous(breaks = seq(0, 4, 0.5)) + scale_y_continuous(breaks = seq(0, 6, 0.5)) + theme_minimal(base_size = 14) + theme( plot.title = element_text(face = "bold", size = 16), plot.subtitle = element_text(size = 13) ) ``` ### 「放大鏡」效果：越靠近越清楚要真正理解極限，我們可以用「放大鏡」的方式，越放越大，觀察 $x = 2$ 附近的行為。 ```{r} #| label: fig-limit-zoom #| fig-cap: "放大鏡效果：越放大越確定 f(x) 趨近於 4" #| fig-width: 10 #| fig-height: 8 # 建立四個不同放大程度的圖 create_zoom_plot <- function(x_center, x_range, zoom_label) { x_min <- x_center - x_range x_max <- x_center + x_range # 建立資料 x_seq <- seq(x_min, x_max, length.out = 200) x_seq <- x_seq[abs(x_seq - 2) > 0.001] # 避免除以零 y_seq <- (x_seq^2 - 4) / (x_seq - 2) df_zoom <- data.frame(x = x_seq, y = y_seq) ggplot(df_zoom, aes(x, y)) + geom_line(color = "#2E86AB", linewidth = 1.2) + geom_point(aes(x = 2, y = 4), shape = 21, size = 4, fill = "white", color = "#E94F37", stroke = 1.5) + geom_hline(yintercept = 4, linetype = "dashed", color = "gray50", alpha = 0.5) + geom_vline(xintercept = 2, linetype = "dashed", color = "gray50", alpha = 0.5) + labs( title = zoom_label, x = "x", y = "f(x)" ) + coord_cartesian( xlim = c(x_min, x_max), ylim = c(4 - x_range, 4 + x_range) ) + theme_minimal(base_size = 12) + theme( plot.title = element_text(face = "bold", hjust = 0.5) ) } # 建立四個不同放大程度 p1 <- create_zoom_plot(2, 2, "全貌 (範圍 ±2)") p2 <- create_zoom_plot(2, 1, "放大 2x (範圍 ±1)") p3 <- create_zoom_plot(2, 0.5, "放大 4x (範圍 ±0.5)") p4 <- create_zoom_plot(2, 0.1, "放大 20x (範圍 ±0.1)") # 組合圖形 (p1 | p2) / (p3 | p4) + plot_annotation( title = "極限的「放大鏡」視角", subtitle = "越放大，越確定 f(x) 趨近於 4（雖然 f(2) 不存在）", theme = theme( plot.title = element_text(size = 18, face = "bold"), plot.subtitle = element_text(size = 14) ) ) ``` ### 數值驗證：逐步逼近讓我們用數值來驗證極限： ```{r} #| label: tbl-limit-numerical #| tbl-cap: "從左側和右側逼近 x = 2" # 從左側逼近 x_left <- 2 - c(1, 0.1, 0.01, 0.001, 0.0001) f_left <- (x_left^2 - 4) / (x_left - 2) # 從右側逼近 x_right <- 2 + c(1, 0.1, 0.01, 0.001, 0.0001) f_right <- (x_right^2 - 4) / (x_right - 2) # 建立表格 limit_table <- data.frame( `從左逼近 x` = x_left, `f(x) 值` = round(f_left, 6), `從右逼近 x` = x_right, `f(x) 值 ` = round(f_right, 6) ) knitr::kable(limit_table, align = "c") ``` 從表格可以清楚看到，無論從左或從右逼近 $x = 2$，函數值都趨近於 4。 ## 數學定義 ### 極限的嚴格定義 ::: {.callout-note icon="false"} ## 極限的 ε-δ 定義我們說 $\lim_{x \to a} f(x) = L$，如果：對於任意小的 $\varepsilon > 0$，存在 $\delta > 0$，使得當 $0 < |x - a| < \delta$ 時，有 $|f(x) - L| < \varepsilon$。 **白話翻譯**：無論你要求 $f(x)$ 與 $L$ 有多接近（$\varepsilon$ 有多小），我都能找到一個 $x$ 與 $a$ 的距離範圍（$\delta$），讓在這範圍內的所有 $f(x)$ 都滿足你的要求。 ::: ### 單側極限 - **右極限**：$\lim_{x \to a^+} f(x) = L$ 表示從右側（$x > a$）趨近 - **左極限**：$\lim_{x \to a^-} f(x) = L$ 表示從左側（$x < a$）趨近 ::: {.callout-important} ## 極限存在的條件極限 $\lim_{x \to a} f(x)$ 存在，當且僅當： $$\lim_{x \to a^-} f(x) = \lim_{x \to a^+} f(x)$$ 也就是說，左極限和右極限必須相等。 ::: ### 極限的運算性質假設 $\lim_{x \to a} f(x) = L$ 且 $\lim_{x \to a} g(x) = M$，則： 1. **和的極限**：$\lim_{x \to a} [f(x) + g(x)] = L + M$ 2. **積的極限**：$\lim_{x \to a} [f(x) \cdot g(x)] = L \cdot M$ 3. **商的極限**：$\lim_{x \to a} \frac{f(x)}{g(x)} = \frac{L}{M}$（若 $M \neq 0$） ## 練習題 ### 觀念題 1. **判斷題**：如果 $f(a)$ 沒有定義，那麼 $\lim_{x \to a} f(x)$ 一定不存在。（O / X） ::: {.callout-tip collapse="true" title="參考答案"} 答案是 **X（錯誤）**。極限的存在與函數值是否有定義無關。本章的經典範例 $f(x) = \frac{x^2-4}{x-2}$ 就是最好的證明：雖然 $f(2)$ 未定義，但 $\lim_{x \to 2} f(x) = 4$ 是存在的。極限只關心函數在 $a$ 點**附近**的行為，而不是在 $a$ 點**本身**的值。 ::: 2. **選擇題**：下列哪個敘述是正確的？ - (A) 極限存在，函數值一定存在 - (B) 函數值存在，極限一定存在 - (C) 極限值等於函數值 - (D) 以上皆非 ::: {.callout-tip collapse="true" title="參考答案"} 答案是 **(D) 以上皆非**。選項 (A) 錯：極限存在不代表函數值存在（如 $\frac{x^2-4}{x-2}$ 在 $x=2$ 處）。選項 (B) 錯：函數值存在不保證極限存在（如分段函數在跳躍點）。選項 (C) 錯：極限值不一定等於函數值，下一章「連續性」會詳細討論這個條件。 ::: 3. **問答題**：用自己的話解釋「左極限」與「右極限」的差異，並舉一個醫學例子。 ::: {.callout-tip collapse="true" title="參考答案"} **左極限**是從小於 $a$ 的方向趨近，**右極限**是從大於 $a$ 的方向趨近。醫學例子：藥物劑量-反應關係中，某些藥物存在「閾值效應」（threshold effect）。在閾值劑量之前（左側），反應幾乎為零；超過閾值後（右側），反應迅速上升。此時左極限和右極限不相等，極限不存在，代表在該劑量點有明顯的不連續性。 ::: ### 計算題 4. 計算下列極限： a. $\lim_{x \to 3} \frac{x^2 - 9}{x - 3}$ b. $\lim_{x \to 0} \frac{x^2 + 2x}{x}$ c. $\lim_{x \to 1} \frac{x^3 - 1}{x - 1}$ ::: {.callout-tip collapse="true" title="參考答案"} **a.** 因式分解：$\frac{x^2-9}{x-3} = \frac{(x-3)(x+3)}{x-3} = x+3$（當 $x \neq 3$），所以 $\lim_{x \to 3} (x+3) = 6$。 **b.** 提出 $x$：$\frac{x^2+2x}{x} = \frac{x(x+2)}{x} = x+2$（當 $x \neq 0$），所以 $\lim_{x \to 0} (x+2) = 2$。 **c.** 因式分解：$x^3-1 = (x-1)(x^2+x+1)$，所以 $\frac{x^3-1}{x-1} = x^2+x+1$（當 $x \neq 1$），因此 $\lim_{x \to 1} (x^2+x+1) = 3$。 ::: 5. 考慮函數： $$f(x) = \begin{cases} x + 1 & \text{if } x < 2 \\ 5 & \text{if } x = 2 \\ 2x - 1 & \text{if } x > 2 \end{cases}$$ 求：(a) $\lim_{x \to 2^-} f(x)$, (b) $\lim_{x \to 2^+} f(x)$, (c) $\lim_{x \to 2} f(x)$ 是否存在？ ::: {.callout-tip collapse="true" title="參考答案"} **(a)** 從左側趨近：使用 $x < 2$ 的公式 $f(x) = x + 1$，所以 $\lim_{x \to 2^-} f(x) = 2 + 1 = 3$。 **(b)** 從右側趨近：使用 $x > 2$ 的公式 $f(x) = 2x - 1$，所以 $\lim_{x \to 2^+} f(x) = 2(2) - 1 = 3$。 **(c)** 因為左極限 = 右極限 = 3，所以 $\lim_{x \to 2} f(x) = 3$ **存在**。注意：極限值是 3，但 $f(2) = 5$，所以極限值 ≠ 函數值。 ::: ### R 操作題 6. **視覺化練習**：修改以下程式碼，視覺化 $\lim_{x \to 0} \frac{\sin(x)}{x}$ 的極限（提示：極限值是 1） ```r x <- seq(-0.5, 0.5, by = 0.001) x <- x[x != 0] f_x <- sin(x) / x df <- data.frame(x = x, y = f_x) ggplot(df, aes(x, y)) + geom_line(color = "#2E86AB", linewidth = 1.2) + geom_hline(yintercept = ___, linetype = "dashed", color = "#E94F37") + labs(title = "sin(x)/x 的極限") ``` ::: {.callout-tip collapse="true" title="參考答案"} 填入 `yintercept = 1`。執行程式碼後，你會看到函數曲線在 $x = 0$ 附近無限接近 1。這個極限是微積分中的重要極限之一，在三角函數的微分公式推導中扮演關鍵角色。紅色虛線（$y = 1$）清楚顯示極限值的位置。 ::: 7. **數值實驗**：建立一個表格，驗證 $\lim_{x \to 0} \frac{e^x - 1}{x} = 1$ ::: {.callout-tip collapse="true" title="參考答案"} 參考本章「數值驗證」的表格程式碼，從左右兩側逼近 $x = 0$。範例程式： ```r x_left <- -c(0.1, 0.01, 0.001, 0.0001) f_left <- (exp(x_left) - 1) / x_left x_right <- c(0.1, 0.01, 0.001, 0.0001) f_right <- (exp(x_right) - 1) / x_right ``` 你會發現當 $x$ 越接近 0，函數值越接近 1。這個極限是指數函數微分的基礎：$\frac{d}{dx}e^x = e^x$ 的證明核心。 ::: ## 統計應用 ### 大數法則 (Law of Large Numbers) 極限在統計學中最重要的應用之一是**大數法則** [@dekking2005modern]： > 當樣本數 $n$ 趨近於無窮大時，樣本平均數 $\bar{X}_n$ 會趨近於母體平均數 $\mu$ 數學表達： $$\lim_{n \to \infty} \bar{X}_n = \mu$$ ```{r} #| label: fig-law-of-large-numbers #| fig-cap: "大數法則的視覺化：擲骰子實驗" #| fig-width: 9 #| fig-height: 5 set.seed(42) # 模擬擲骰子 10000 次 n_rolls <- 10000 dice_rolls <- sample(1:6, n_rolls, replace = TRUE) # 計算累積平均數 cumulative_mean <- cumsum(dice_rolls) / seq_along(dice_rolls) df_lln <- data.frame( n = 1:n_rolls, mean = cumulative_mean ) ggplot(df_lln, aes(n, mean)) + geom_line(color = "#2E86AB", linewidth = 0.8) + geom_hline(yintercept = 3.5, linetype = "dashed", color = "#E94F37", linewidth = 1) + annotate("text", x = 7000, y = 3.7, label = "理論平均 = 3.5", color = "#E94F37", size = 5) + labs( title = "大數法則：擲骰子的累積平均數", subtitle = "隨著次數增加，樣本平均趨近於理論平均 (3.5)", x = "擲骰次數 (n)", y = "累積平均數" ) + scale_x_log10(labels = scales::comma) + coord_cartesian(ylim = c(2.5, 4.5)) + theme_minimal(base_size = 14) + theme( plot.title = element_text(face = "bold") ) ``` ### 連續機率分布的定義連續型隨機變數的機率密度函數 (PDF) 必須滿足 [@rice2006mathematical]： $$\int_{-\infty}^{\infty} f(x) dx = 1$$ 這個積分的定義就建立在極限之上： $$\int_{-\infty}^{\infty} f(x) dx = \lim_{a \to -\infty} \lim_{b \to \infty} \int_a^b f(x) dx$$ ### P-value 的極端情況在假設檢定中，p-value 本質上是計算「極端情況」的機率 [@lehmann2005testing]： $$p\text{-value} = P(|T| \geq |t_{\text{obs}}|)$$ 當檢定統計量 $t$ 趨近於無窮大時： $$\lim_{t \to \infty} P(|T| \geq t) = 0$$ 這解釋了為什麼極端的檢定統計量會給出非常小的 p-value。 ## 本章重點整理 {.unnumbered} ::: {.callout-tip icon="false"} ## 核心概念 1. **極限是「趨近」而非「等於」**：$\lim_{x \to a} f(x) = L$ 不代表 $f(a) = L$ 2. **極限存在與函數值無關**：$f(a)$ 可以不存在，但極限仍可存在 3. **左右極限必須相等**：$\lim_{x \to a^-} f(x) = \lim_{x \to a^+} f(x)$ 才能說極限存在 4. **統計應用**： - 大數法則：樣本平均趨近母體平均 - 連續分布的定義基礎 - 理解極端事件的機率 5. **視覺化理解**：用「放大鏡」的概念，越靠近越清楚函數的行為 ::: ::: {.callout-note} ## 下一章預告在理解了極限的概念後，我們將學習**連續性**：什麼樣的函數可以「一筆畫完」？這對於理解機率密度函數 (PDF) 至關重要。 :::