不等式：大小關係的代數與幾何
從數線上的「比力氣」到凸性、集中不等式與最佳化——理解不等式如何成為整個量化科學的通用語言
兩條繩子綁一頭牛，誰先繃斷？
想像你在拔河，兩隊人馬各執一端。繩子最終往哪邊移動，取決於哪一隊「力氣比較大」。數學裡也有許多這樣的「比力氣」問題：兩個量擺在一起，我們想知道誰大、誰小、相差多少，以及這種大小關係在什麼條件下會翻轉。
這正是不等式（inequality）的核心。等式 $a = b$ 告訴我們兩個量「剛好一樣」，而不等式 $a < b$、$a \le b$、$a > b$、$a \ge b$ 描述的是更普遍、也更貼近真實世界的情況——畢竟在生活裡，「剛剛好相等」反而是稀有的巧合，「誰多誰少」才是常態。
從「一杯飲料的成本不能超過售價」到「橋樑承受的應力必須小於材料的極限」，不等式是工程、經濟、統計乃至整個分析學（analysis）的語言。接下來我們從最基本的數線直覺出發，一路走到能讓人眼睛一亮的均值不等式（AM-GM inequality）。
數線上的大小：不等式的幾何意義
把實數放到一條數線（number line）上，大小關係立刻有了幾何意義：$a < b$ 表示 $a$ 在 $b$ 的左邊。這個圖像非常有用，因為它把抽象的符號變成可以「看見」的位置。
不等式 $x > 3$ 的解，不是單一一個數，而是數線上 $3$ 右側的一整段——我們稱之為一個區間（interval），記為 $(3, +\infty)$。圓括號表示「不包含端點」；若是 $x \ge 3$，則寫成 $[3, +\infty)$，方括號表示「包含 $3$」。這個「解是一整片區域」的特性，正是不等式和方程式最大的不同。
兩個不等式聯立時，幾何上就是兩段區間的交集。例如：
$$-2 \le x < 5$$
代表 $x$ 同時滿足 $x \ge -2$ 與 $x < 5$，在數線上就是從 $-2$（含）到 $5$（不含）的一段，即區間 $[-2, 5)$。
運算規則：哪些動作會讓不等號翻面？
解不等式時，我們可以對兩邊做運算，但有一條致命的陷阱：不是所有運算都「保持」不等號方向。
加減任何數，方向不變：
$$a < b \implies a + c < b + c$$
乘以正數，方向不變；但乘以負數，方向必須翻轉：
$$a < b,\ c > 0 \implies ac < bc$$ $$a < b,\ c < 0 \implies ac > bc$$
這是初學者最常踩的雷。例如解 $-2x < 6$，兩邊同除以 $-2$ 時，不等號要翻成 $x > -3$，而不是 $x < -3$。背後的直覺是：乘以負數相當於把整條數線「左右鏡射」，原本在左邊的點翻到了右邊，大小關係自然反轉。
倒數也有類似的微妙之處。當 $a, b$ 同號時：
$$0 < a < b \implies \frac{1}{a} > \frac{1}{b}$$
例如 $2 < 5$，但 $\frac{1}{2} > \frac{1}{5}$。若 $a, b$ 異號，則需逐情況討論，不能盲目套用。
動手試試：解一個分式不等式
來解 $\dfrac{x-1}{x+2} \ge 0$。
很多人第一反應是「兩邊乘以 $x+2$」，但這正是大忌——因為我們不知道 $x+2$ 是正是負，貿然乘下去無法決定要不要翻轉不等號。正確的做法是分析分子與分母的正負號。
分式 $\ge 0$，代表分子與分母同號（或分子為 $0$）。關鍵點是讓分子或分母為零的位置：$x = 1$（分子為 $0$）與 $x = -2$（分母為 $0$，此處未定義）。這兩點把數線切成三段，逐段檢驗符號：
| 區間 | $x - 1$ | $x + 2$ | 商的符號 |
|---|---|---|---|
| $x < -2$ | $-$ | $-$ | $+$ |
| $-2 < x < 1$ | $-$ | $+$ | $-$ |
| $x > 1$ | $+$ | $+$ | $+$ |
我們要的是商 $\ge 0$，所以取 $+$ 號的兩段。注意 $x = 1$ 使分式為 $0$，符合 $\ge$，要納入；但 $x = -2$ 讓分母為零、分式無定義，必須排除。最終解為：
$$x < -2 \quad \text{或} \quad x \ge 1, \qquad \text{即 } (-\infty, -2) \cup [1, +\infty)$$
這種「找臨界點、分段檢驗符號」的方法（sign analysis），對任何多項式或分式不等式都適用，遠比硬乘來得安全。
絕對值不等式：距離的語言
絕對值 $|x|$ 的本質是「$x$ 到原點的距離」。因此 $|x| < 3$ 讀作「到原點的距離小於 $3$」，幾何上就是夾在 $-3$ 與 $3$ 之間：
$$|x| < 3 \iff -3 < x < 3$$
反過來，$|x| > 3$ 是「距離大於 $3$」，對應數線兩端往外散開的兩段：
$$|x| > 3 \iff x < -3 \ \text{或}\ x > 3$$
更一般地，$|x - a|$ 表示 $x$ 到點 $a$ 的距離。所以 $|x - 5| \le 2$ 就是「$x$ 到 $5$ 的距離不超過 $2$」，即 $3 \le x \le 7$。把絕對值翻譯成「距離」，往往比死記公式更不容易出錯。
這裡也藏著分析學中極重要的三角不等式（triangle inequality）：
$$|a + b| \le |a| + |b|$$
它說的是「兩段位移合起來的長度，不會超過兩段各自長度之和」——就像走路時，直線抄捷徑永遠不會比繞路更遠。這條看似樸素的不等式，是日後定義「收斂」「連續」「距離空間」的基石。
二次不等式：拋物線的高低
考慮 $x^2 - x - 6 > 0$。先因式分解：
$$x^2 - x - 6 = (x - 3)(x + 2)$$
對應的拋物線 $y = (x-3)(x+2)$ 開口向上，與 $x$ 軸交於 $x = -2$ 與 $x = 3$。所謂「$> 0$」就是問拋物線在哪裡跑到 $x$ 軸上方。開口向上的拋物線，在兩根之外為正、兩根之間為負，所以：
$$x^2 - x - 6 > 0 \iff x < -2 \ \text{或}\ x > 3$$
若改問 $x^2 - x - 6 < 0$，答案就是兩根之間：$-2 < x < 3$。把二次不等式和拋物線圖形綁在一起，是最直觀、最不易出錯的解法。
重點回顧
- 不等式的解是一段區間，而非單一數值；幾何上對應數線上的一片區域，聯立則取交集。
- 乘除負數要翻轉不等號——這是最常見的錯誤來源；其幾何直覺是「鏡射數線」。
- 分式與多項式不等式用「臨界點分段檢驗符號」最安全，切忌盲目把分母乘過去。
- 絕對值不等式翻譯成「距離」：$|x-a|<r$ 即距離小於 $r$，自然得到夾擠區間。
- 二次不等式看拋物線高低：開口向上時，兩根之外為正、兩根之間為負。
深入探討（研究所視角）
不等式在大學數學裡只是工具，但到了研究所，它本身就是一門深刻的學問。以下幾條主線值得一探。
均值不等式與凸性（convexity）。 著名的算術—幾何平均不等式（AM-GM）指出，對非負實數 $a_1, \dots, a_n$：
$$\frac{a_1 + a_2 + \cdots + a_n}{n} \ge \sqrt[n]{a_1 a_2 \cdots a_n}$$
等號當且僅當所有 $a_i$ 相等時成立。它的現代證明往往透過 Jensen 不等式（Jensen's inequality）：若 $\varphi$ 為凸函數（convex function），則
$$\varphi\!\left(\frac{\sum a_i}{n}\right) \le \frac{\sum \varphi(a_i)}{n}$$
取 $\varphi(x) = -\ln x$（它是凸的，因為 $\varphi''(x) = 1/x^2 > 0$），代入即推出 AM-GM。這揭示了一個深刻觀點：大量初等不等式，本質上都是某個函數凸性的化身。凸性可由二階導數判定——$f''(x) \ge 0$ 在整個區間上成立，函數即為凸，其圖形「下凹托住」每一條割線。
積分形式與柯西—施瓦茲（Cauchy–Schwarz）。 不等式不只活在有限個數之間，也活在函數空間裡。柯西—施瓦茲不等式的積分版本為：
$$\left( \int_a^b f(x)\,g(x)\,dx \right)^2 \le \left( \int_a^b f(x)^2\,dx \right)\left( \int_a^b g(x)^2\,dx \right)$$
它是有限維向量內積 $|\langle u, v\rangle| \le \|u\|\,\|v\|$ 的無窮維推廣，也是希爾伯特空間（Hilbert space）幾何的出發點。在機器學習裡，它支撐了核方法（kernel methods）的理論基礎；在統計裡，它導出相關係數 $|\rho| \le 1$ 這一基本事實。
集中不等式（concentration inequalities）與機率。 現代資料科學最倚重的不等式之一是馬可夫不等式（Markov's inequality）：對非負隨機變數 $X$ 與任意 $t > 0$，
$$P(X \ge t) \le \frac{\mathbb{E}[X]}{t}$$
由它可推出 柴比雪夫不等式（Chebyshev's inequality），進而是大數法則（law of large numbers）的骨架。再往前走，Hoeffding 不等式、Chernoff bound 等「集中不等式」告訴我們：大量獨立隨機變數的平均，會以指數速度集中在期望值附近。這正是為什麼「樣本數夠大，民調就準」有嚴格的數學保證。
最佳化與對偶（duality）。 在線性規劃（linear programming）與凸最佳化中，一整組不等式 $Ax \le b$ 定義出一個可行域（feasible region）——一個高維的多面體。求最大值就是在這片由不等式圍出的區域中尋找頂點，而 KKT 條件（Karush–Kuhn–Tucker conditions）則用一組不等式刻畫了最佳解的特徵。當代深度學習的訓練、投資組合的配置、物流路徑的規劃，本質上都是在「一堆不等式約束下求極值」。
跨領域連結。 從資訊理論的熵不等式（entropy inequalities），到物理學中刻畫不可逆過程的熱力學第二定律（以 $\Delta S \ge 0$ 的形式呈現），再到經濟學裡描述偏好的效用不等式——「大小關係」是橫貫所有量化科學的通用語。掌握不等式，不只是學會解一道題，更是學會用「比較」的眼光去丈量這個並非樣樣相等的世界。
當你下次再看到一個 $\le$ 符號時，不妨多想一層：它背後是不是藏著某個凸函數、某段距離、或某個機率事件的集中現象？那層思考，正是從「會算」邁向「理解」的分水嶺。