數學：應用與詮釋 (Mathematics: Applications and Interpretation) - 函數學習筆記

各位未來的數學建模師，大家好！這章關於函數 (Functions) 的內容是 IB AI 課程的核心。函數是數學建模的基石——它讓我們能精確地描述現實世界中一個量如何隨著另一個量而變化（例如人口增長的速率，或公司利潤隨產量的變化）。別擔心某些概念看起來太抽象；我們會用淺顯易懂的類比來拆解它們，並像 AI 課程要求的那樣，將重點放在「詮釋」和「科技工具的使用」上。

AI 學習重點： 在「應用與詮釋」課程中，我們關注的是函數的意義是什麼、如何使用科技工具來分析它，以及如何將其應用於現實情境中。

1. 定義與理解函數

1.1 什麼是函數？

函數 (Function) 本質上是一個對應規則，將每個輸入值 (\(x\)) 指派給唯一一個輸出值 (\(y\))。你可以把它想像成一台精確的機器：

  • 你放入某個東西（輸入，\(x\)）。
  • 機器依照規則運作（函數，\(f\)）。
  • 它準確地吐出一個結果（輸出，\(y\)）。

類比： 想像一台自動販賣機。如果你按下 A1 按鈕，你總是會得到特定的飲料。如果按下 A1 有時掉出巧克力，有時掉出果汁，那它就不是一個函數！

1.2 函數符號 (Function Notation)

我們使用符號 \(y = f(x)\)，讀作「y 等於 f of x」。

  • \(x\) 是自變數 (independent variable)（你選擇輸入的值）。
  • \(y\) 或 \(f(x)\) 是應變數 (dependent variable)（結果取決於 \(x\)）。

例子： 若 \(f(x) = x^2 + 3\)，那麼 \(f(4)\) 意指將 4 代入 \(x\)：\(f(4) = (4)^2 + 3 = 19\)。

1.3 定義域與值域 (Domain and Range)

理解函數的限制至關重要，特別是在進行現實世界的模型建模時。

a) 定義域 (Domain，輸入)

定義域是指函數在運算上有效的完整輸入值集合（\(x\)-值）。在現實世界的模型中，定義域通常會受到常識限制（例如時間必須為正數，\(t \ge 0\)）。

需注意的限制：

  1. 除數不能為零。若 \(f(x) = 1/x\)，則 \(x \ne 0\)。
  2. 在實數系統中，負數不能開平方根（或任何偶次方根）。若 \(f(x) = \sqrt{x-5}\)，則 \(x-5 \ge 0\)，因此 \(x \ge 5\)。

b) 值域 (Range，輸出)

值域是函數運算後可能產生的完整輸出值集合（\(y\)-值）。通常使用圖形計算機 (GDC) 查看圖形來判斷值域是最簡單的方法。

複習快訊：垂直線測試 (Vertical Line Test)
若要判斷一個圖形是否代表一個函數，請使用垂直線測試。如果任何一條垂直線與圖形交於超過一個點，那麼它就不是一個函數。

2. 圖形特徵與詮釋（GDC 技巧至關重要）

在 AI 課程中，我們非常依賴繪圖科技 (GDC) 來快速分析函數。

2.1 截距 (Intercepts)

a) \(y\)-截距： 圖形與 \(y\)-軸的交點。這發生在 \(x = 0\) 時。
詮釋： 在建模中，\(y\)-截距通常代表初始值 (initial value) 或起始狀態。

b) \(x\)-截距（根或零點）： 圖形與 \(x\)-軸的交點。這發生在 \(f(x) = 0\) 時。
GDC 技巧： 使用 GDC 上的「Zero」或「Root」功能來精確找出這些點。

2.2 漸近線 (Asymptotes)

漸近線 (Asymptote) 是一條函數趨近但永遠不會真正碰到的線。它們代表了現實模型中的限制。

  • 垂直漸近線 (Vertical Asymptotes, VA)： 當 \(x\) 趨近於某個使函數無定義的值時發生（通常是由除以零導致）。例子：\(f(x) = 1/(x-3)\) 在 \(x=3\) 處有一條 VA。
  • 水平漸近線 (Horizontal Asymptotes, HA)： 描述函數在 \(x\) 趨近於極大或極小值（\(x \rightarrow \pm \infty\)）時的行為。例子：人口模型中的最大負載容量。

你知道嗎？ 指數增長曲線通常有一條代表零的水平漸近線（初始人口不能低於零），而指數衰減曲線則可能有一條代表化學反應中可達到的最小濃度值的 HA。

2.3 遞增與遞減區間 (Increasing and Decreasing Intervals)

如果從左到右圖形向上，該函數為遞增 (increasing)；如果圖形向下，則為遞減 (decreasing)。

  • 函數從遞增變為遞減（或反之）的點被稱為局部極大值 (local maximums) 和局部極小值 (local minimums)（統稱為極值，extrema）。
  • GDC 技巧： 使用 GDC 上的「Maximum」或「Minimum」功能找出這些極值的座標。
  • 詮釋： 局部極大值可能代表週期內的最高利潤或最高氣溫。

3. 函數組合：複合函數與反函數

3.1 複合函數 (Composite Functions)

當一個函數的輸出變為另一個函數的輸入時，就會產生複合函數。記作 \(f(g(x))\) 或 \((f \circ g)(x)\)。

記憶法： 想像函數是從右到左依序運算的：從 \(x\) 開始，先做 \(g\)，然後對結果再做 \(f\)。

例子： 若 \(f(x) = x^2\) 且 \(g(x) = x+1\)：
\(f(g(x)) = f(x+1) = (x+1)^2\)。
\(g(f(x)) = g(x^2) = x^2 + 1\)。
請注意運算順序很重要！\(f(g(x)) \ne g(f(x))\)。

3.2 反函數 (Inverse Functions)

反函數，記作 \(f^{-1}(x)\)，會抵銷原始函數 \(f(x)\) 的運算。如果 \(f\) 將 \(a\) 對應到 \(b\)，那麼 \(f^{-1}\) 就將 \(b\) 對應回 \(a\)。

關鍵性質： 如果你先進行函數運算再進行其反函數（或反之），你會得到原始輸入：\(f(f^{-1}(x)) = x\)。

如何找出 \(f^{-1}(x)\)（步驟）：

  1. 從方程式 \(y = f(x)\) 開始。
  2. 交換 \(x\) 和 \(y\) 的位置。
  3. 解出新的方程式中的 \(y\)。
  4. 將 \(y\) 替換為 \(f^{-1}(x)\)。

圖形連結： \(f^{-1}(x)\) 的圖形是 \(f(x)\) 沿著 \(y = x\) 這條直線進行反射 (reflection) 的結果。

重大警告： 符號 \(f^{-1}(x)\) 代表反函數。它並不代表倒數 (\(1/f(x)\))。這是學生常犯的錯誤！

學習小撇步：一對一函數 (One-to-One Functions)
要使反函數 \(f^{-1}(x)\) 存在，原始函數 \(f(x)\) 必須通過水平線測試。這意味著每個輸出 (\(y\)) 都必須僅來自一個輸入 (\(x\))。如果函數未通過此測試（例如二次函數），則在求反函數前必須先限制 \(f(x)\) 的定義域。

4. 建模所需的關鍵函數類型

AI 課程要求學生能熟練地應用並詮釋幾種特定類型的函數，以進行真實數據的建模。

4.1 線性函數：\(f(x) = mx + c\)

線性模型代表變動率為常數的情境。

  • \(m\) 是斜率 (gradient)：\(y\) 的變動量除以 \(x\) 的變動量。
  • \(c\) 是 \(y\)-截距（初始值）。
現實應用： 根據駕駛距離計算成本，或攝氏與華氏溫度的換算。

4.2 二次函數：\(f(x) = ax^2 + bx + c\)

二次模型產生拋物線形狀，適用於優化問題和軌跡分析。

  • \(a\) 的正負號決定開口方向（若 \(a>0\)，開口向上 $\cup$；若 \(a<0\)，開口向下 $\cap$）。
  • 頂點 (vertex)（\(x = -b/(2a)\)）給出了最大值或最小值。
現實應用： 投擲物體的軌跡，或商業場景中的最大化利潤。

4.3 指數函數：\(f(x) = a b^x\) 或 \(f(x) = a e^{kx}\)

指數函數用於建模變動率與當前量成正比的快速增長或衰減。

  • 若 \(b > 1\) 或 \(k > 0\)：增長 (Growth)（例如人口增長、複利）。
  • 若 \(0 < b < 1\) 或 \(k < 0\)：衰減 (Decay)（例如放射性衰變、折舊）。
  • 它們通常在 \(y=0\) 處有一條水平漸近線。

4.4 對數函數：\(f(x) = \log_b (x)\)

對數函數是指數函數的反函數。它們用於壓縮大範圍的數據刻度。

  • 它們在 \(x=0\) 處有一條垂直漸近線。
  • 增長速度非常緩慢。
現實應用： 測量聲音強度（分貝）、地震強度（芮氏規模）或酸鹼值 (pH)。

4.5 冪函數：\(f(x) = ax^k\)

冪函數包含簡單多項式以及量與量之間以指數相關的模型。

  • 若 \(k\) 是正整數 (\(x, x^2, x^3\))：標準多項式。
  • 若 \(k\) 是負數 (\(x^{-1} = 1/x\))：倒數函數（有理函數）。
  • 若 \(k\) 是分數 (\(x^{1/2} = \sqrt{x}\))：根函數。
現實應用： 生物學中的尺度法則，或平方反比定律（其中 \(k=-2\)）。

4.6 週期性（三角）函數

週期函數（如正弦與餘弦）用於模擬循環規律。
AI 建模的通用形式：\(f(x) = a \sin(b(x-c)) + d\) 或 \(f(x) = a \cos(b(x-c)) + d\)。

  • 振幅 (Amplitude, \(a\))： 最大值與最小值之間距離的一半。
  • 週期 (Period)： 完成一個完整循環的長度（\(2\pi/b\) 或 \(360^\circ/b\)）。
  • 垂直位移 (Vertical Shift, \(d\))： 平均值或平衡線。
  • 相位位移 (Phase Shift, \(c\))： 起點的水平位移。
現實應用： 潮汐模型、季節性氣溫變化或生物節律。

5. 函數的變換 (Transformations)

理解變換可以讓你預測方程式的改變如何影響圖形，進而幫助你將模型擬合到數據上。

我們從母函數 \(y = f(x)\) 開始，變換為 \(y = A f(B(x-C)) + D\)。

5.1 垂直變換（影響輸出 - 在函數外）

這些改變很直觀（所見即所得）。

  • 垂直平移： \(y = f(x) + D\)
    將圖形向上移動 \(D\) 個單位（若 \(D>0\)）或向下移動（若 \(D<0\)）。
  • 垂直拉伸/壓縮： \(y = A f(x)\)
    將圖形垂直拉伸 \(|A|\) 倍。若 \(A\) 為負，圖形也會沿著 \(x\)-軸進行反射。
5.2 水平變換（影響輸入 - 在函數內）

這些改變是反直覺的（它們的操作與符號暗示的正好相反）。

  • 水平平移： \(y = f(x-C)\)
    將圖形向右移動 \(C\) 個單位（若 \(C>0\)）或向左移動（若 \(C<0\)）。
  • 水平拉伸/壓縮： \(y = f(Bx)\)
    將圖形水平壓縮 \(1/|B|\) 倍。若 \(B\) 為負，圖形也會沿著 \(y\)-軸進行反射。

變換記憶法：
外側 (Outside) 的變換 (A, D) 影響 Y (垂直)，而且是直觀的 (Intuitive)。
內側 (Inside) 的變換 (B, C) 影響 X (水平)，而且是反直覺的 (Counter-intuitive)。

變換順序步驟：

當多個變換同時發生時，請遵循以下順序：

  1. 反射與拉伸/壓縮 (A 和 B)。
  2. 平移 (C 和 D)。

使用映射符號 (mapping notation) 來追蹤點；這通常是最清晰的方法：

\((x, y) \rightarrow (\frac{1}{B}x + C, Ay + D)\)

函數學習總結
函數是核心的建模工具。請將精力集中在詮釋現實情境中關鍵特徵（截距、極值、漸近線）的含義，並依賴 GDC 進行精確的計算與視覺化。多練習針對給定的數據集選擇合適的函數類型（線性、二次、指數等）。