歡迎來到 3D 數學的世界！
在 H2 數學中，你已經掌握了像 \(y = f(x)\) 這樣的函數，也就是一個輸入對應一個輸出。但現實世界往往沒有那麼簡單。以房間裡的溫度為例：它不僅取決於你距離門有多遠 (\(x\))，還取決於你距離窗戶有多遠 (\(y\))。
本章我們將探討二元函數 (Functions of Two Variables)，即 \(z = f(x, y)\)。你將學會如何在這些 3D「地形」中導航、找出最陡峭的上坡路徑，以及定位最高的山峰和最深的谷底。如果剛開始覺得 3D 形狀很難想像，別擔心，我們會一步步為你拆解！
1. 理解曲面：\(z = f(x, y)\)
當我們有兩個輸入變數 (\(x\) 和 \(y\)) 時，輸出 (\(z\)) 會在三維空間中構成一個曲面 (Surface)。
類比：想像你正站在一個丘陵公園裡。你的水平位置由座標 \((x, y)\) 給出，而你腳下的地面高度則是 \(z\)。整個公園就是由該函數所定義的「曲面」。
快速回顧：
- 在 2D 中，\(y = f(x)\) 是一條曲線 (Curve)。
- 在 3D 中，\(z = f(x, y)\) 是一個曲面 (Surface)。
2. 偏導數：一次處理一個變數
我們該如何求出 3D 曲面的「斜率」呢？由於我們可以向許多方向移動，我們首先從觀察當我們只在 \(x\) 方向或只在 \(y\) 方向移動時，\(z\) 是如何變化的開始。
一階偏導數 (First-Order Partial Derivatives)
若要尋找關於 \(x\) 的偏導數（寫作 \(\frac{\partial z}{\partial x}\) 或 \(f_x\)），我們將 \(y\) 視為常數（就像 5 或 \(\pi\) 一樣），然後進行正常的微分。
例子：若 \(f(x, y) = x^2 + 3xy + y^2\)
求 \(f_x\)：將 \(y\) 視為常數。\(x^2\) 的導數是 \(2x\)。\(3xy\) 的導數是 \(3y\)。\(y^2\) 的導數是 \(0\)。
所以，\(f_x = 2x + 3y\)。
二階偏導數 (Second-Order Partial Derivatives)
就像 2D 微積分一樣，我們可以再次微分。有四種可能性：
1. \(f_{xx}\)：對 \(x\) 微分兩次。
2. \(f_{yy}\)：對 \(y\) 微分兩次。
3. \(f_{xy}\)：先對 \(x\) 微分，再將結果對 \(y\) 微分。
4. \(f_{yx}\)：先對 \(y\) 微分，再將結果對 \(x\) 微分。
你知道嗎？對於大多數你將遇到的函數，這些「混合偏導數」是相等的：\(f_{xy} = f_{yx}\)。如果你算出的結果不同，記得檢查一下計算過程！
重點提示：偏微分其實就是一般的微分，只是你需要將那些你暫時不關注的變數「凍結」起來。
3. 梯度與方向導數
如果你想斜著走怎麼辦？我們需要使用梯度向量 (Gradient Vector) 和方向導數 (Directional Derivatives)。
梯度向量 (\(\nabla f\))
梯度記為 \(\nabla f\)（讀作 "del f"），是一個由一階偏導數組成的向量：
\(\nabla f = \begin{pmatrix} f_x \\ f_y \end{pmatrix}\)
為什麼它很重要：在點 \((a, b)\) 處的梯度向量指向最陡峭的上升方向（爬山最快的方法）。其模長 \(|\nabla f|\) 就是該最陡斜率的大小。
方向導數
若要找出沿著單位向量 (unit vector) \(\mathbf{u} = \begin{pmatrix} u_1 \\ u_2 \end{pmatrix}\) 方向的斜率，我們使用以下公式：
方向導數 = \(\nabla f \cdot \mathbf{u} = f_x u_1 + f_y u_2\)
常見錯誤：在使用此公式前，請務必確保你的方向向量 \(\mathbf{u}\) 是單位向量（長度 = 1）。如果不是，請先將該向量除以它的模長！
4. 切平面與局部線性化
如果你將任何平滑曲面無限放大，它看起來就像一個平坦的平面。這就是切平面 (Tangent Plane)。
切平面方程式
在點 \((x_0, y_0, z_0)\) 處，曲面 \(z = f(x, y)\) 的切平面方程式為：
\(z - z_0 = f_x(x_0, y_0)(x - x_0) + f_y(x_0, y_0)(y - y_0)\)
局部線性化 (Local Linearisation)
這只是一個聽起來很高深的說法，意指「利用切平面來估算數值」。對於非常接近 \((x_0, y_0)\) 的點 \((x, y)\)：
\(f(x, y) \approx f(x_0, y_0) + f_x(x_0, y_0)\Delta x + f_y(x_0, y_0)\Delta y\)
記憶小撇步：這與 2D 中的線性近似公式 (\(y \approx y_0 + f'(x_0)\Delta x\)) 完全一樣，只是多了一項關於 \(y\) 的變化！
5. 二次近似
如果平坦的切平面精確度不足，我們可以加上二次項（二階導數）來捕捉曲面的「曲率」。在 \((0, 0)\) 附近，\(f(x, y)\) 的二次近似為：
\(f(x, y) \approx f(0, 0) + f_x x + f_y y + \frac{1}{2}(f_{xx} x^2 + 2f_{xy} xy + f_{yy} y^2)\)
注意：導數是在 (0, 0) 處計算的。
6. 駐點：山峰、谷底與鞍點
當曲面完全平坦時，就會出現駐點 (Stationary Point)。這發生在兩個偏導數同時為零時：
\(f_x = 0\) 且 \(f_y = 0\)
駐點類型
1. 局部極大值 (Local Maximum)：就像山頂。
2. 局部極小值 (Local Minimum)：就像碗底。
3. 鞍點 (Saddle Point)：從一個方向看像極大值，但從另一個方向看卻像極小值的點（就像馬鞍或山間隘口）。
二階導數測試 (Second Derivative Test)
要分類一個點，請計算 \(D = f_{xx}f_{yy} - (f_{xy})^2\)：
- 若 \(D > 0\) 且 \(f_{xx} > 0\)：這是局部極小值。
- 若 \(D > 0\) 且 \(f_{xx} < 0\)：這是局部極大值。
- 若 \(D < 0\)：這是鞍點。
- 若 \(D = 0\)：測試無效（可能是任何情況！）。
重點提示：尋找駐點是一個兩步走的過程：先解聯立方程 \(f_x=0, f_y=0\)，然後使用 \(D\) 測試來判斷你找到了什麼。
總結檢查清單
你是否能夠：
1. 計算一階和二階偏導數？(\(f_x, f_y, f_{xx}, f_{yy}, f_{xy}\))
2. 求出梯度向量並將其用於方向導數？
3. 寫出切平面方程式？
4. 使用 \(D\) 測試來分類駐點？
5. 將這些步驟應用於解決現實世界的「最大/最小值」應用題？
如果剛開始覺得很難，別擔心！多練習微分步驟是建立信心的最好方法。你可以做到的！