欢迎来到 3D 数学的世界！
在 H2 数学中，你已经掌握了像 \(y = f(x)\) 这样的函数，也就是一个输入对应一个输出。但现实世界往往没有那么简单。以房间里的温度为例：它不仅取决于你距离门有多远 (\(x\))，还取决于你距离窗户有多远 (\(y\))。
本章我们将探讨二元函数 (Functions of Two Variables)，即 \(z = f(x, y)\)。你将学会如何在这些 3D“地形”中导航、找出最陡峭的上坡路径，以及定位最高的山峰和最深的谷底。如果刚开始觉得 3D 形状很难想象，别担心，我们会一步步为你拆解！
1. 理解曲面：\(z = f(x, y)\)
当我们有两个输入变量 (\(x\) 和 \(y\)) 时，输出 (\(z\)) 会在三维空间中构成一个曲面 (Surface)。
类比：想象你正站在一个丘陵公园里。你的水平位置由坐标 \((x, y)\) 给出，而你脚下的地面高度则是 \(z\)。整个公园就是由该函数所定义的“曲面”。
快速回顾：
- 在 2D 中，\(y = f(x)\) 是一条曲线 (Curve)。
- 在 3D 中，\(z = f(x, y)\) 是一个曲面 (Surface)。
2. 偏导数：一次处理一个变量
我们该如何求出 3D 曲面的“斜率”呢？由于我们可以向许多方向移动，我们首先从观察当我们只在 \(x\) 方向或只在 \(y\) 方向移动时，\(z\) 是如何变化的开始。
一阶偏导数 (First-Order Partial Derivatives)
若要寻找关于 \(x\) 的偏导数（写作 \(\frac{\partial z}{\partial x}\) 或 \(f_x\)），我们将 \(y\) 视为常数（就像 5 或 \(\pi\) 一样），然后进行正常的微分。
例子：若 \(f(x, y) = x^2 + 3xy + y^2\)
求 \(f_x\)：将 \(y\) 视为常数。\(x^2\) 的导数是 \(2x\)。\(3xy\) 的导数是 \(3y\)。\(y^2\) 的导数是 \(0\)。
所以，\(f_x = 2x + 3y\)。
二阶偏导数 (Second-Order Partial Derivatives)
就像 2D 微积分一样，我们可以再次微分。有四种可能性：
1. \(f_{xx}\)：对 \(x\) 微分两次。
2. \(f_{yy}\)：对 \(y\) 微分两次。
3. \(f_{xy}\)：先对 \(x\) 微分，再将结果对 \(y\) 微分。
4. \(f_{yx}\)：先对 \(y\) 微分，再将结果对 \(x\) 微分。
你知道吗？对于大多数你将遇到的函数，这些“混合偏导数”是相等的：\(f_{xy} = f_{yx}\)。如果你算出的结果不同，记得检查一下计算过程！
重点提示：偏微分其实就是一般的微分，只是你需要将那些你暂时不关注的变量“冻结”起来。
3. 梯度与方向导数
如果你想斜着走怎么办？我们需要使用梯度向量 (Gradient Vector) 和方向导数 (Directional Derivatives)。
梯度向量 (\(\nabla f\))
梯度记为 \(\nabla f\)（读作 "del f"），是一个由一阶偏导数组成的向量：
\(\nabla f = \begin{pmatrix} f_x \\ f_y \end{pmatrix}\)
为什么它很重要：在点 \((a, b)\) 处的梯度向量指向最陡峭的上升方向（爬山最快的方法）。其模长 \(|\nabla f|\) 就是该最陡斜率的大小。
方向导数
若要找出沿着单位向量 (unit vector) \(\mathbf{u} = \begin{pmatrix} u_1 \\ u_2 \end{pmatrix}\) 方向的斜率，我们使用以下公式：
方向导数 = \(\nabla f \cdot \mathbf{u} = f_x u_1 + f_y u_2\)
常见错误：在使用此公式前，请务必确保你的方向向量 \(\mathbf{u}\) 是单位向量（长度 = 1）。如果不是，请先将该向量除以它的模长！
4. 切平面与局部线性化
如果你将任何平滑曲面无限放大，它看起来就像一个平坦的平面。这就是切平面 (Tangent Plane)。
切平面方程式
在点 \((x_0, y_0, z_0)\) 处，曲面 \(z = f(x, y)\) 的切平面方程式为：
\(z - z_0 = f_x(x_0, y_0)(x - x_0) + f_y(x_0, y_0)(y - y_0)\)
局部线性化 (Local Linearisation)
这只是一个听起来很高深的说法，意指“利用切平面来估算数值”。对于非常接近 \((x_0, y_0)\) 的点 \((x, y)\)：
\(f(x, y) \approx f(x_0, y_0) + f_x(x_0, y_0)\Delta x + f_y(x_0, y_0)\Delta y\)
记忆小撇步：这与 2D 中的线性近似公式 (\(y \approx y_0 + f'(x_0)\Delta x\)) 完全一样，只是多了一项关于 \(y\) 的变化！
5. 二次近似
如果平坦的切平面精确度不足，我们可以加上二次项（二阶导数）来捕捉曲面的“曲率”。在 \((0, 0)\) 附近，\(f(x, y)\) 的二次近似为：
\(f(x, y) \approx f(0, 0) + f_x x + f_y y + \frac{1}{2}(f_{xx} x^2 + 2f_{xy} xy + f_{yy} y^2)\)
注意：导数是在 (0, 0) 处计算的。
6. 驻点：山峰、谷底与鞍点
当曲面完全平坦时，就会出现驻点 (Stationary Point)。这发生在两个偏导数同时为零时：
\(f_x = 0\) 且 \(f_y = 0\)
驻点类型
1. 局部极值 (Local Maximum)：就像山顶。
2. 局部极小值 (Local Minimum)：就像碗底。
3. 鞍点 (Saddle Point)：从一个方向看像极值，但从另一个方向看却像极小值的点（就像马鞍或山间隘口）。
二阶导数测试 (Second Derivative Test)
要分类一个点，请计算 \(D = f_{xx}f_{yy} - (f_{xy})^2\)：
- 若 \(D > 0\) 且 \(f_{xx} > 0\)：这是局部极小值。
- 若 \(D > 0\) 且 \(f_{xx} < 0\)：这是局部极值。
- 若 \(D < 0\)：这是鞍点。
- 若 \(D = 0\)：测试无效（可能是任何情况！）。
重点提示：寻找驻点是一个两步走的过程：先解联立方程 \(f_x=0, f_y=0\)，然后使用 \(D\) 测试来判断你找到了什么。
总结检查清单
你是否能够：
1. 计算一阶和二阶偏导数？(\(f_x, f_y, f_{xx}, f_{yy}, f_{xy}\))
2. 求出梯度向量并将其用于方向导数？
3. 写出切平面方程式？
4. 使用 \(D\) 测试来分类驻点？
5. 将这些步骤应用于解决现实世界的“最大/最小值”应用题？
如果刚开始觉得很难，别担心！多练习微分步骤是建立信心的最好方法。你可以做到的！