臨界指數 log_b a（critical exponent）
/ log base b of a /
每個分治遞迴式 T(n) = a T(n/b) + f(n) 都有一個特殊的成長率，扮演分界線的角色。把你的合併成本 f(n) 拿來和這個特殊成長率相比，你立刻就知道遞迴式往哪邊傾斜。那條分界線就是 n 的 log_b a 次方——而指數 log_b a 正是主定理的核心。
它從哪來？數一數遞迴樹的葉子。樹的深度是 log_b n（n 除以 b 幾次才到 1），每個節點有 a 個子節點，所以葉子數是 a^(log_b n)。由換底／對數律，a^(log_b n) = n^(log_b a)。所以 n^(log_b a) 恰好就是葉子所做的工作量（每個葉子做 Theta(1)）。這就是它成為基準的原因：若合併成本 f(n) 小於這個葉子成本，葉子主導（情況一）；若相等，每層相符，得一個 log 因子（情況二）；若較大，樹根主導（情況三）。合併排序 a = b = 2，故 log_2 2 = 1；史特拉森 a = 7、b = 2，故 log_2 7 ≈ 2.807。
用這個指數來思考，整個主定理就化為一個比較：f(n) 在 n^(log_b a) 之下、之上，還是相等？它也解釋了為什麼巧妙的演算法總是設法「降低 a」（更少子問題），勝過操心 f：把史特拉森的 a 從 8 降到 7，就把指數從 log_2 8 = 3 降到 log_2 7 ≈ 2.81，是貨真價實的漸進勝利。誠實的告誡：「之上」與「之下」必須差一個多項式因子；僅僅以一個 log 因子勝過 n^(log_b a)，會讓你落入主定理的縫隙，而不是乾淨地落在情況一或三。
卡拉楚巴乘法：T(n) = 3 T(n/2) + Theta(n)。臨界指數是 log_2 3 ≈ 1.585，所以 n^(log_2 3) ≈ n^1.585 大於 f(n) = n，落在情況一：T(n) = Theta(n^(log_2 3)) ≈ Theta(n^1.585)，勝過課本的 Theta(n^2)。
n^(log_b a) 是葉子工作的基準；主定理只是拿 f(n) 去和它比較。
log_b a 同時取決於 a 與 b，而且微小的變化很重要：子問題數從 8 變 7（b=2）就把指數壓到 3 以下。它是「以 b 為底的 a 的對數」，不要把 log a 除以 log b 記反——當 b 不是 2 時要仔細重算。