向量积

向量积(cross product)在中文中又被称为外积、叉积、矢积、叉乘。从英文中可以看到,叉乘或者叉积更符合直译标准。在学习的时候,就没有完全的数学描述,有时间看一下原版的线性代数书籍,弄的更严谨一些。直观描述一般都是通过图例来实现的,这里就不免俗了,毕竟存在的就是合理的。

  1. 直观描述
    所谓图例说明,也就是用二维或者三维空间的东西来表示通用的概念。那么我们看下图。



    如图所示,三维空间中,向量a、b,夹角是θ,则向量积a×b的结果为一个向量,该向量的模为:
    |a×b|=|a||b|sinθ

    向量的方向遵守“右手定则”,即四指延向量积第一向量向第二向量劣角(小于180度的角)方向旋转,拇指伸直方向即为结果向量方向。上图中给出了a×b和b×a的结果向量,可见二者模相同,方向相反。
  2. 数学描述
    用一般化数学语言描述向量积,以三维空间为例,设在三个坐标轴上的单位向量分别为i、j、k,向量a表达式为(x,y,z),向量b的表达式为(p,q,r),则向量积可以表示为以下行列式的形式。
    a×b=ixpjyqkzr

    对于二维空间(平面)上的向量,在计算向量积时,需要将其扩展到三维空间(即第三维补0),即可应用以上公式计算。
  3. 向量积的性质

    • 模:三维空间中,向量积的模即为两个向量组成平行四边形的面积。
    • 代数规则:
      反交换律:a×b=-b×a
      加法分配率:a×(b+c) = a×b+a×c
      兼容标量乘法:(ra)×b = a×(rb) = r(a×b)
      雅可比恒等式:a×(b×c)+b×(c×a)+c×(a×b) = 0
      拉格朗日公式:(a×b)×c = b(a∙c)-a(b∙c) ; a×(b×c) = b(a∙c)-c(a∙b)
向量,也被称为外积,是向量代数中的一个重要概念,它是一种在三维空间中对两个向量进行运算的方式,运算结果是一个向量。 ### 定义 对于两个三维向量 $\vec{a}=(a_1,a_2,a_3)$ 和 $\vec{b}=(b_1,b_2,b_3)$,它们的向量 $\vec{a} \times \vec{b}$ 是一个向量,其大小为 $|\vec{a} \times \vec{b}| = |\vec{a}| |\vec{b}| \sin\theta$,其中 $\theta$ 是 $\vec{a}$ 和 $\vec{b}$ 之间的夹角($0 \leq \theta \leq \pi$),方向垂直于 $\vec{a}$ 和 $\vec{b}$ 所确定的平面,并且遵循右手定则。用坐标表示时,$\vec{a} \times \vec{b} = (a_2b_3 - a_3b_2, a_3b_1 - a_1b_3, a_1b_2 - a_2b_1)$。 ### 性质 - **反交换律**:$\vec{a} \times \vec{b} = -(\vec{b} \times \vec{a})$。 - **分配律**:$\vec{a} \times (\vec{b} + \vec{c}) = \vec{a} \times \vec{b} + \vec{a} \times \vec{c}$。 - **与标量法的结合律**:$(k\vec{a}) \times \vec{b} = k(\vec{a} \times \vec{b}) = \vec{a} \times (k\vec{b})$,其中 $k$ 是任意实数。 ### 几何意义 向量的大小 $|\vec{a} \times \vec{b}|$ 等于以 $\vec{a}$ 和 $\vec{b}$ 为邻边的平行四边形的面。这一性质在计算几何图形的面等问题中非常有用。 ### 应用 - **计算平面的法向量**:如果已知平面上的两个不共线向量 $\vec{a}$ 和 $\vec{b}$,那么它们的向量 $\vec{a} \times \vec{b}$ 就是该平面的一个法向量。 - **判断向量的共面性**:若三个向量 $\vec{a}$、$\vec{b}$ 和 $\vec{c}$ 满足 $(\vec{a} \times \vec{b}) \cdot \vec{c} = 0$,则这三个向量共面。 ### 与数量的区别 向量与数量(点)是不同的运算。数量的结果是一个标量,而向量的结果是一个向量。数量 $\vec{a} \cdot \vec{b} = |\vec{a}| |\vec{b}| \cos\theta$,主要用于计算向量的投影、判断向量的夹角等;而向量主要用于描述向量的旋转和确定平面的方向等。 ### 代码示例(Python) ```python import numpy as np # 定义两个向量 a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) # 计算向量 cross_product = np.cross(a, b) print("向量 a 和 b 的向量为:", cross_product) ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值