首页 > 其他分享 >解析几何笔记:向量的外积

解析几何笔记:向量的外积

时间:2023-11-27 12:55:51浏览次数:36  
标签:end cdot bm times 解析几何 vmatrix 外积 向量

目录

向量的外积

定义

定义1 2个向量\(\bm{a},\bm{b}\)的外积(记作\(\bm{a}\times \bm{b}\))仍然是一个向量,其长度规定为:

\[|\bm{a}\times \bm{b}|=|\bm{a}||\bm{b}|\sin<\bm{a},\bm{b}> \]

方向规定(符合右手规则):与\(\bm{a}, \bm{b}\)均垂直,且向量\(\bm{a},\bm{b},\bm{a}\times\bm{b}\)形成向量系——右手四指从\(\bm{a}\)弯向\(\bm{b}\)(转角<π)时,拇指的指向就是\(\bm{a}\times\bm{b}\)的方向.

如果\(\bm{a},\bm{b}\)中有一个为0,则\(\bm{a}\times \bm{b}=0\).

推论1 \(\bm{a}\times\bm{b}=0\)的充要条件:\(\bm{a},\bm{b}\)共线.

证明:

\[a\times b = 0 \Leftrightarrow |a||b|\sin\braket{a,b}=0 \Leftrightarrow |a|=0,|b|=0或\sin\braket{a,b}=0\Leftrightarrow a,b共线 \]

几何意义

当\(\bm{a},\bm{b}\)不共线时,\(|\bm{a}\times \bm{b}|\)表示以\(\bm{a},\bm{b}\)为邻边的平行四边形的面积.

img

\(|\bm{a}\times \bm{b}|\)的方向符合右手定则(下图垂直向量\(\bm{a}.\bm{b}\)所确定平面向上):
img

外积的运算规律

命题1 若向量\(\bm{a}\neq 0\),则\(\bm{a}\times\bm{b}=\bm{a}\times\bm{b_2}\),其中\(\bm{b_2}\)是\(\bm{b}\)沿方向\(\bm{a}\)的外射影.
注:外射影指\(\bm{b}\)在\(\bm{a}\)垂直方向的投影,模为\(|\bm{b}|\sin<\bm{a},\bm{b}>\).

img

证:\(\bm{b}=\bm{b_1}+\bm{b_2}\),其中\(\bm{b_1}//\bm{a},\bm{b_2}⊥\bm{a}\),而投影直角三角形中,\(\bm{b}|\sin<\bm{a},\bm{b}>\)

\[|\bm{a}\times\bm{b}|=|\bm{a}||\bm{b}|\sin<\bm{a},\bm{b}>=|\bm{a}||\bm{b_2}|=|\bm{a}\times\bm{b_2}| \]

又\(\bm{a}\times\bm{b}\)与\(\bm{a}\times\bm{b_2}\)同向
∴\(\bm{a}\times\bm{b}=\bm{a}\times\bm{b_2}\).

命题2 设\(\bm{e}\)是单位向量,\(\bm{b}⊥\bm{e}\),则\(\bm{e}\times\bm{b}\)等于\(\bm{b}\)按右手螺旋规则绕\(\bm{e}\)旋转90°得到向量\(\bm{b}'\).

img

证明:
\(|\bm{e}\times\bm{b}|=|\bm{e}||\bm{b}|\sin<\bm{e},\bm{b}>=|\bm{b}|\)
∵\(\bm{b}'\)由\(\bm{b}\)旋转90°得到
∴\(|\bm{b}|=|\bm{b}'|=|\bm{e}\times \bm{b}|\),\(\bm{b'}⊥\bm{b}, \bm{b'}⊥\bm{e}\).
∴\(\bm{b'}//\bm{e}\times \bm{b}\)
又由上图知,\(\bm{b}', \bm{e}\times \bm{b}\)同向
∴\(\bm{b}'=\bm{e}\times\bm{b}\)

推论2 若\([O;\bm{e_1},\bm{e_1},\bm{e_2},\bm{e_3}]\)为右手直角坐标系,则有

\[\bm{e_1}\times\bm{e_2}=\bm{e_3},\bm{e_2}\times\bm{e_3}=\bm{e_1},\bm{e_3}\times\bm{e_1}=\bm{e_2} \]

定理1 外积运算规律:对于任意向量\(\bm{a},\bm{b},\bm{c}\),任意实数λ,有
1)\(\bm{a}\times\bm{b}=-\bm{b}\times{a}\)(反交规律);
2)\((\lambda \bm{a})\times\bm{b}=\lambda(\bm{a}\times\bm{b})\);
3)\(\bm{a}\times(\bm{b}+\bm{c})=\bm{a}\times\bm{b}+\bm{a}\times\bm{c}\)(左分配律)
\((\bm{b}+\bm{c})\times\bm{a}=\bm{b}\times\bm{a}+\bm{c}\times\bm{a}\)(右分配律).

证明:
1) 由外积定义可知\(\bm{a}\times \bm{b},\bm{b}\times \bm{a}\)模相等,方向相反,故等式成立.

2) \(|(\lambda \bm{a})\times\bm{b}|= |\lambda\bm{a}||\bm{b}|\sin<\lambda\bm{a},\bm{b}>=|\lambda||\bm{a}||\bm{b}|\sin<\bm{a},\bm{b}>=|\lambda||\bm{a}\times\bm{b}| =|\lambda(\bm{a}\times\bm{b})|\)

\(\lambda>0\)时,\(\lambda \bm{a}, \bm{a}\)同向 => \((\lambda \bm{a})\times\bm{b}\)与\(\lambda(\bm{a}\times\bm{b})\)同向;

\(\lambda<0\)时,等式左边与与\((\bm{a}\times\bm{b})\)反向,而右边也与\((\bm{a}\times\bm{b})\)反向 => 左边与右边同向.

\(\lambda=0\)时,等式显然成立.

3)左分配律,
设\(\bm{a}\)方向单位向量\(\bm{a^0}\),将向量\(\bm{b},\bm{c}\)分别分解为\(\bm{a^0}\)方向及其垂直方向的2个分量,设\(\bm{b}=\bm{b_1}+\bm{b_2}\),其中\(\bm{b_1}//\bm{a^0}⊥\bm{b_2}, \bm{c_1}//\bm{a^0}⊥\bm{c_2}\).

\[\begin{aligned} 左边&=(|\bm{a}|\bm{a^0)}\times[(\bm{b_1}+\bm{b_2})+(\bm{c_1}+\bm{c_2})]\\ &=|\bm{a}|[\bm{a^0}\times((\bm{b_1}+\bm{c_1})+(\bm{b_2}+\bm{c_2}))]\\ 右边&=|\bm{a}|(\bm{a^0}\times \bm{b_2}+\bm{a^0}\times \bm{c_2}) \end{aligned} \]

由命题1知,对外积有贡献的是向量的外射影. 因此

\[左边=|\bm{a}|[\bm{a^0}\times(\bm{b_2}+\bm{c_2})] \]

\(\bm{a^0}⊥\bm{b_2},\bm{c_2}=>\bm{a^0}⊥\bm{d}(\bm{d}=\bm{b_2}+\bm(c_2))\)

根据命题2,\(\bm{a^0}\times \bm{d}\)等价于\(\bm{d}\)绕\(\bm{a^0}\)向右旋转90°得到的向量\(\bm{d'}\).
同理,
\(\bm{a^0}\times \bm{b_2}\)等价于\(\bm{b_2}\)绕\(\bm{a^0}\)向右旋转90°得到的向量\(\bm{b_2'}\);
\(\bm{a^0}\times \bm{c_2}\)等价于\(\bm{c_2}\)绕\(\bm{a^0}\)向右旋转90°得到的向量\(\bm{c_2}\).

因此,

\[\begin{aligned} 左边&=|\bm{a}|\bm{d'}\\ 右边&=|\bm{a}|(\bm{b_2'}+\bm{c_2'}) \end{aligned} \]

旋转前,\(\bm{b_2},\bm{c_2},\bm{d}\)形成三角形,旋转后也一定能形成三角形,因此,

\[\bm{d'}=\bm{b_2'}+\bm{c_2'} \]

故左边=右边.

img

右分配律,

\[\begin{aligned} (\bm{b}+\bm{c})\times \bm{a}&=-\bm{a}\times(\bm{b}+\bm{c})\\ &=-(\bm{a}\times\bm{b}+\bm{a}\times\bm{c})\\ &=\bm{b}\times\bm{a}+\bm{c}\times\bm{a} \end{aligned} \]

计算向量的外积

外积的坐标计算

仿射坐标系\([O;\bm{e_1},\bm{e_2},\bm{e_3}]\)下,设\(\bm{a},\bm{b}\)的坐标为\((a_1,a_2,a_3)(b_1,b_2,b_3)\),则

\[\begin{aligned} \bm{a}\times \bm{b}&=(a_1\bm{e_1}+a_2\bm{e_2}+a_3\bm{e_3})\times (b_1\bm{e_1}+b_2\bm{e_2}+b_3\bm{e_3})\\ &=(a_1b_2-a_2b_1)\bm{e_1}\times \bm{e_2}+(a_3b_1-a_1b_3)\bm{e_3}\times \bm{e_1}+(a_2b_3-a_3b_2)\bm{e_2}\times \bm{e_3} \end{aligned} \]

因此,只要知道基向量的外积,就能求出\(\bm{a}\times \bm{b}\).

右手直角标架下,\(\bm{e_1}\times \bm{e_2}=\bm{e_3},\bm{e_2}\times \bm{e_3}=\bm{e_1},\bm{e_3}\times \bm{e_1}=\bm{e_2}\)
因此,

\[\bm{a}\times \bm{b}=(a_2b_3-a_3b_2)\bm{e_1}+(a_3b_1-a_1b_3)\bm{e_2}+(a_1b_2-a_2b_1) \bm{e_3} \]

外积的坐标表示

定理2 设\(\bm{a},\bm{b}\)在右手直角坐标系中坐标坐标为\((a_1,a_2,a_3)(b_1,b_2,b_3)\),则\(\bm{a}\times \bm{b}\)的坐标为

\[\begin{pmatrix} \begin{vmatrix} a_2 & b_2\\ a_3 & b_3 \end{vmatrix}, -\begin{vmatrix} a_1 & b_1\\ a_3 & b_3 \end{vmatrix}, \begin{vmatrix} a_1 & b_1\\ a_2 & b_2 \end{vmatrix} \end{pmatrix} \]

证明很简单,由上面的坐标计算向量外积即可知. 也可以写成三阶行列式形式:

\[\bm{a}\times \bm{b}=\begin{vmatrix} \bm{e_1} & a_1 & b_1\\ \bm{e_2} & a_2 & b_2\\ \bm{e_3} & a_3 & b_3 \end{vmatrix} \]

tips:按第1列展开可得坐标形式.

向量的混合积

定义

定义2 \(\bm{a}\times\bm{b}\cdot \bm{c}\)称为向量\(\bm{a},\bm{b},\bm{c}\)的混合积.

几何意义

混合积\(\bm{a}\times\bm{b}\cdot \bm{c}\)几何意义是什么?
当\(\bm{a},\bm{b}\)不共线时,知外积\(|\bm{a}\times\bm{b}|\)表示\(\bm{a},\bm{b}\)为邻边的平行四边形面积.而\(\bm{a}\times\bm{b}\cdot \bm{c}\)表示以\(\bm{a},\bm{b},\bm{c}\)为棱的平行六面体的体积.

如下图,平行六面体ABCDA'B'C'D'中,
\(S_{ABCD}=|\bm{a}\times\bm{b}|, h=|\bm{c}||\cos \theta| \implies V=S_{ABCD}\cdot h=|\bm{a}\times\bm{b}||\bm{c}||\cos\theta|\)
而θ是向量\(\bm{c},\bm{a}\times\bm{b}\)的夹角
∴\(V=|\bm{a}\times\bm{b}\cdot \bm{c}|\)

当\(\bm{a}\times \bm{b}\cdot \bm{c}>0\)时,θ为锐角,\((\bm{a},\bm{b},\bm{c})\)构成右手系;
当\(\bm{a}\times \bm{b}\cdot \bm{c}=0\)时,θ为直角,\(\bm{a},\bm{b},\bm{c}\)共面;
当\(\bm{a}\times \bm{b}\cdot \bm{c}<0\)时,θ为钝角,\((\bm{a},\bm{b},\bm{c})\)构成左手系.

img

命题3 3个向量\(\bm{a},\bm{b},\bm{c}\)共面的充要条件:\(\bm{a}\times \bm{b}\cdot c=0\).

证明:由混合积体积意义,即可得证.

常用性质

1)\(\bm{a}\times \bm{b}\cdot \bm{c}=\bm{b}\times \bm{c}\cdot \bm{a}=\bm{c}\times \bm{a}\cdot \bm{b}\);
2)\(\bm{a}\times \bm{b}\cdot c=\bm{a}\cdot \bm{b}\times \bm{c}\).

证明:
1)∵\(|\bm{a}\times \bm{b}\cdot \bm{c}|,|\bm{b}\times \bm{c}\cdot \bm{a}|,|\bm{c}\times \bm{a}\cdot \bm{b}|\)表示以\(\bm{a},\bm{b},\bm{c}\)为棱的平行六面体体积
∴\(|\bm{a}\times \bm{b}\cdot \bm{c}|=|\bm{b}\times \bm{c}\cdot \bm{a}|=|\bm{c}\times \bm{a}\cdot \bm{b}|\)

如果\((\bm{a},\bm{b},\bm{c})\)为右手系,则\((\bm{b},\bm{c},\bm{a}), (\bm{c},\bm{a},\bm{b})\)均为右手系,即\(\bm{a}\times \bm{b}\cdot \bm{c},\bm{b}\times \bm{c}\cdot \bm{a}, \bm{c}\times \bm{a}\cdot \bm{b}\)结果均>=0;

反之若为左手系,结果均<0;
也就是说,三者同号. 故得证.

2)\(\bm{a}\times\bm{b}\cdot\bm{c}=\bm{b}\times\bm{c}\cdot \bm{a}=(\bm{b}\times\bm{c})\cdot \bm{a}=\bm{a}\cdot (\bm{b}\times\bm{c})=\bm{a}\cdot \bm{b}\times\bm{c}\)

tips: 外积优先级比内积更高,否则内积得到的常数与向量进行外积运算没有意义.

计算向量的混合积

混合积的坐标计算

取仿射标架\([O;\bm{e_1},\bm{e_2},\bm{e_3}]\),设\(\bm{a},\bm{b},\bm{c}\)坐标分别为\((a_1,a_2,a_3),(b_1,b_2,b_3),(c_1,c_2,c_3)\). 则

\[\begin{aligned} \bm{a}\times\bm{b} \cdot \bm{c}&=(a_1,a_2,a_3)\times (b_1,b_2,b_3)\cdot (c_1,c_2,c_3)\\ &=(a_1\bm{e_1}+a_2\bm{e_2}+a_3\bm{e_3})\times (b_1\bm{e_1}+b_2\bm{e_2}+b_3\bm{e_3})\cdot (c_1\bm{e_1}+c_2\bm{e_2}+c_3\bm{e_3})\\ &=[(a_1b_2-a_2b_1)\bm{e_1}\bm{e_2}+(a_3b_1-a_1b_3)\bm{e_3}\times \bm{e_1}+(a_2b_3-a_3b_2)\bm{e_2}\times \bm{e_3}](c_1\bm{e_1}+c_2\bm{e_2}+c_3\bm{e_3})\\ &=[(a_1b_2-a_2b_1)c_3+(a_3b_1-a_1b_3)c_2+(a_2b_3-a_3b_2)c_1]\bm{e_1}\times \bm{e_2}\cdot \bm{e_3}\\ &=\begin{vmatrix} a_1 & b_1 & c_1\\ a_2 & b_2 & c_2\\ a_3 & b_3 & c_3 \end{vmatrix}\bm{e_1}\times \bm{e_2} \cdot \bm{e_3} \end{aligned} \]

∵\(\bm{e_1},\bm{e_2},\bm{e_3}\)不共面
∴\(\bm{e_1}\times \bm{e_2} \cdot \bm{e_3}\neq 0\).

定理3 如果\([O;\bm{e_1},\bm{e_2},\bm{e_3}]\)为右手直角标架,向量\(\bm{a},\bm{b},\bm{c}\)坐标分别为\((a_1,a_2,a_3),(b_1,b_2,b_3),(c_1,c_2,c_3)\),则

\[\bm{a}\times\bm{b} \cdot \bm{c}=\begin{vmatrix} a_1 & b_1 & c_1\\ a_2 & b_2 & c_2\\ a_3 & b_3 & c_3 \end{vmatrix} \]

证明:∵\([O;\bm{e_1},\bm{e_2},\bm{e_3}]\)为右手直角标架
∴\(\bm{e_1}\times\bm{e_2}=\bm{e_3}\)
∴\(\bm{e_1}\times \bm{e_2} \cdot \bm{e_3}=\bm{e_3}\cdot \bm{e_3}=1\)
∴\(\bm{a}\times\bm{b} \cdot \bm{c}=\begin{vmatrix} a_1 & b_1 & c_1\\ a_2 & b_2 & c_2\\ a_3 & b_3 & c_3 \end{vmatrix}\bm{e_1}\times \bm{e_2} \cdot \bm{e_3}=\begin{vmatrix} a_1 & b_1 & c_1\\ a_2 & b_2 & c_2\\ a_3 & b_3 & c_3 \end{vmatrix}\)

三向量(或四点)共面条件

  • 三向量共面

定理4 设\(\bm{a},\bm{b},\bm{c}\)的仿射坐标\((a_1,a_2,a_3),(b_1,b_2,b_3),(c_1,c_2,c_3)\),则\(\bm{a},\bm{b},\bm{c}\)共面的充要条件:

\[\begin{vmatrix} a_1 & b_1 & c_1\\ a_2 & b_2 & c_2\\ a_3 & b_3 & c_3 \end{vmatrix}=0 \]

证明:
由命题3知,3向量共面充要条件:\(\bm{a}\times\bm{b}\cdot \bm{c}=0\)
由上面混合积的坐标计算知,

\[\bm{a}\times\bm{b}\cdot \bm{c}=\begin{vmatrix} a_1 & b_1 & c_1\\ a_2 & b_2 & c_2\\ a_3 & b_3 & c_3 \end{vmatrix}\bm{e_1}\times \bm{e_2} \cdot \bm{e_3} \]

∵\(\bm{e_1},\bm{e_2},\bm{e_3}\)不共面
∴\(\bm{e_1}\times \bm{e_2}\cdot \bm{e_3}\neq 0\)
∴3向量共面充要条件是\(\begin{vmatrix} a_1 & b_1 & c_1\\ a_2 & b_2 & c_2\\ a_3 & b_3 & c_3 \end{vmatrix}=0\)

  • 四点共面

推论3 设4个点A,B,C,D的仿射坐标\((x_i,y_i,z_i),i=1,2,3,4\). 则A,B,C,D共面的充要条件:

\[\begin{vmatrix} x_1 & x_2 & x_3 & x_4\\ y_1 & y_2 & y_3 & y_4\\ z_1 & z_2 & z_3 & z_4\\ 1 & 1 & 1 & 1 \end{vmatrix}=0 \]

证明:A,B,C,D共面,即\(\overrightarrow{DA},\overrightarrow{DB},\overrightarrow{DC}\)共面
由三向量共面定理知,充要条件为:

\[\begin{vmatrix} x_1-x_4 & x_2-x_4 & x_3-x_4\\ y_1-y_4 & y_2-y_4 & y_3-y_4\\ z_1-z_4 & z_2-z_4 & z_3-z_4 \end{vmatrix}=0 \]

等式等价于(按最后一行展开)

\[\begin{vmatrix} x_1-x_4 & x_2-x_4 & x_3-x_4 & x_4\\ y_1-y_4 & y_2-y_4 & y_3-y_4 & y_4\\ z_1-z_4 & z_2-z_4 & z_3-z_4 & z_4\\ 0 & 0 & 0 & 1 \end{vmatrix}=0 \]

将行列式前3列都加上最后一列,值不变:

\[\begin{vmatrix} x_1-x_4 & x_2-x_4 & x_3-x_4 & x_4\\ y_1-y_4 & y_2-y_4 & y_3-y_4 & y_4\\ z_1-z_4 & z_2-z_4 & z_3-z_4 & z_4\\ 0 & 0 & 0 & 1 \end{vmatrix}= \begin{vmatrix} x_1 & x_2 & x_3 & x_4\\ y_1 & y_2 & y_3 & y_4\\ z_1 & z_2 & z_3 & z_4\\ 1 & 1 & 1 & 1\\ \end{vmatrix}=0 \]

参考

[1]丘维声.解析几何[M].北京大学出版社,2017.

标签:end,cdot,bm,times,解析几何,vmatrix,外积,向量
From: https://www.cnblogs.com/fortunely/p/17850504.html

相关文章

  • native 向量化 大数据计算引擎
    Velox(Facebook,  Intel,ByteDance字节,andAhana)一个旨在优化查询引擎和数据处理系统的C++向量化数据库加速库。使用C++来实现Native计算引擎,追求极致的性能https://github.com/facebookincubator/veloxhttps://velox-lib.io/Presto+Velox:Pres......
  • 高中向量点乘为什么不满足结合律 和 向量投影
    因为向量点乘不是个群。向量点乘会导出一个标量,这很奇怪但也不奇怪。三个向量放在一起的话,其中会有两个组合在一起变成标量,以后的运算就不是点乘,而是数乘了。 若v向量为单位向量,则结果为uv向量的点积(标量)*v向量.    -----不满足结合律 即:某个方向力u,在v方向......
  • 应对数据爆炸时代,揭秘向量数据库如何成为AI开发者的新宠,各数据库差异对比
    应对数据爆炸时代,揭秘向量数据库如何成为AI开发者的新宠,各数据库差异对比随着大模型的爆火,向量数据库也越发成为开发者关注的焦点。为了方便大家更好地了解向量数据库,我们特地推出了《Hello,VectorDB》系列,本文将从宏观角度、向量数据库与其他算法库的区别、技术难点及如何选择......
  • 向量夹角、法向量
    夹角1)夹角一般用180度内的角   2)如果夹角用于计算sin正弦值(叉乘公式有sin计算),那还要区分向量的先后顺序,即:夹角是顺时针还是逆时针。因为像sin(60)和sin(-60)结果是不一样的。a到b的夹角:逆时针180度内b到a的夹角:顺时针180度内 法向量1)左法向量,逆时针90度向量......
  • 向量三点共线定理
    如果ABQ三点共线,则OQ=a*OA+b*OB,且a+b=1,其中O表示不在直线AB上的任意点,当然如果原点不在直线AB上,用原点也是成立的。 参考向量三点共线定理(baidu.com)向量的三点共线定理及应用_百度知道(baidu.com) ......
  • 可视化学习:利用向量计算点到线段的距离并展示
    本文可配合本人录制的视频一起食用。引言最近我在学可视化的东西,借此来巩固一下学习的内容,向量运算是计算机图形学的基础,这个例子就是向量的一种应用,是利用向量来计算点到线段的距离,这个例子中可视化的展示采用Canvas2D来实现。说起向量,当时一看到这个词,我是一种很模糊的记忆;这......
  • 支持向量机SVM:从数学原理到实际应用
    本篇文章全面深入地探讨了支持向量机(SVM)的各个方面,从基本概念、数学背景到Python和PyTorch的代码实现。文章还涵盖了SVM在文本分类、图像识别、生物信息学、金融预测等多个实际应用场景中的用法。关注TechLead,分享AI全维度知识。作者拥有10+年互联网服务架构、AI产品研发经验、......
  • 支持向量机SVM:从数学原理到实际应用
    本篇文章全面深入地探讨了支持向量机(SVM)的各个方面,从基本概念、数学背景到Python和PyTorch的代码实现。文章还涵盖了SVM在文本分类、图像识别、生物信息学、金融预测等多个实际应用场景中的用法。关注TechLead,分享AI全维度知识。作者拥有10+年互联网服务架构、AI产品研发经验、......
  • 支持向量机SVM:从数学原理到实际应用
    本篇文章全面深入地探讨了支持向量机(SVM)的各个方面,从基本概念、数学背景到Python和PyTorch的代码实现。文章还涵盖了SVM在文本分类、图像识别、生物信息学、金融预测等多个实际应用场景中的用法。关注TechLead,分享AI全维度知识。作者拥有10+年互联网服务架构、AI产品研发经验......
  • 自然语言处理预训练——全局向量的词嵌入
    带全局语料统计的跳元模型   GloVe模型  从条件概率比值理解GloVe模型 总结诸如词-词共现计数的全局语料库统计可以来解释跳元模型。交叉熵损失可能不是衡量两种概率分布差异的好选择,特别是对于大型语料库。GloVe使用平方损失来拟合预先计算的全局语料库......