向量的内积外积与其几何意义

一、点乘(内积)

有向量 a ⃗ = ( x 1 , y 1 ) , b ⃗ = ( x 2 , y 2 ) \vec a=(x_1,y_1),\vec b=(x_2,y_2) a =(x1,y1)b =(x2,y2),夹角为 θ \theta θ,内积为:
a ⃗ ⋅ b ⃗ = ∣ a ⃗ ∣ ∣ b ⃗ ∣ cos ⁡ θ = x 1 x 2 + y 1 y 2 \vec a \cdot \vec b=|\vec a||\vec b|\cos\theta=x_1x_2 + y_1y_2 a b =a b cosθ=x1x2+y1y2

几何意义:
  1. 夹角,由 a ⃗ ⋅ b ⃗ = ∣ a ⃗ ∣ ∣ b ⃗ ∣ cos ⁡ θ \vec a \cdot \vec b=|\vec a||\vec b|\cos\theta a b =a b cosθ 知,当内积 > 0 >0 >0 θ < 9 0 ∘ \theta<90^\circ θ<90,内积 < 0 <0 <0 θ > 9 0 ∘ \theta>90^\circ θ>90,内积 = 0 =0 =0 θ = 9 0 ∘ \theta=90^\circ θ=90。同时也可以计算 θ \theta θ 的值: θ = a r c c o s a ⃗ ⋅ b ⃗ ∣ a ⃗ ∣ ∣ b ⃗ ∣ \theta=arccos\frac {\vec a \cdot \vec b}{|\vec a||\vec b|} θ=arccosa b a b
  2. 投影 ∣ a ⃗ ∣ cos ⁡ θ = a ⃗ ⋅ b ⃗ ∣ b ⃗ ∣ |\vec a|\cos\theta=\frac {\vec a \cdot \vec b}{|\vec b|} a cosθ=b a b 表示 a ⃗ \vec a a b ⃗ \vec b b 上的投影。
    对偶性 a ⃗ ⋅ b ⃗ = ∣ a ⃗ ∣ ( ∣ b ⃗ ∣ cos ⁡ θ ) = ∣ b ⃗ ∣ ( ∣ a ⃗ ∣ cos ⁡ θ ) \vec a \cdot \vec b=|\vec a|(|\vec b|\cos\theta)=|\vec b|(|\vec a|\cos\theta) a b =a (b cosθ)=b (a cosθ)
    ∣ a ⃗ ∣ ( ∣ b ⃗ ∣ cos ⁡ θ ) |\vec a|(|\vec b|\cos\theta) a (b cosθ) 的理解是 a ⃗ \vec a a 的长度与 b ⃗ \vec b b a ⃗ \vec a a 上的投影的乘积;
    ∣ b ⃗ ∣ ( ∣ a ⃗ ∣ cos ⁡ θ ) |\vec b|(|\vec a|\cos\theta) b (a cosθ) 的理解是 b ⃗ \vec b b 的长度与 a ⃗ \vec a a b ⃗ \vec b b 上的投影的乘积;
    而这两个是相等的。

二、叉乘(外积)

在这里插入图片描述
上面的公式,就是求三阶行列式。

几何意义:
  1. 上面如果不把 i ⃗ , j ⃗ , k ⃗ \vec i,\vec j,\vec k i ,j ,k 的具体指带入公式,而是写成 a ⃗ × b ⃗ = m i ⃗ + n j ⃗ + l k ⃗ \vec a \times \vec b=m\vec i+n\vec j+l\vec k a ×b =mi +nj +lk 的形式,向量 ( m , n , l ) (m,n,l) (m,n,l) 就是一个同时垂直 a ⃗ \vec a a b ⃗ \vec b b 的向量,如下图:
    在这里插入图片描述
  2. 对于二维向量, a ⃗ = ( x 1 , y 1 ) , b ⃗ = ( x 2 , y 2 ) \vec a=(x_1,y_1),\vec b=(x_2,y_2) a =(x1,y1)b =(x2,y2),按照上面的公式得:
    a ⃗ × b ⃗ = ∣ x 1 y 1 x 2 y 2 ∣ = x 1 y 2 − x 2 y 1 \vec a \times \vec b=\begin{vmatrix} x_1 & y_1 \\ x_2 & y_2 \\ \end{vmatrix}=x_1y_2-x_2y_1 a ×b =x1x2y1y2=x1y2x2y1,设这个数值为 m m m
    则, ∣ m ∣ = ∣ a × b ∣ = ∣ a ∣ ∣ b ∣ sin ⁡ θ |m|=|a×b|=|a| |b|\sin\theta m=a×b=absinθ θ \theta θ a ⃗ \vec a a b ⃗ \vec b b 的夹角)
    且,|m| = a ⃗ \vec a a b ⃗ \vec b b 构成的平行四边形的面积 ,如下图:
    在这里插入图片描述
  3. 判断向量的相对位置(顺逆时针)
    a ⃗ \vec a a b ⃗ \vec b b 如图所示:

在这里插入图片描述
如果让 a ⃗ \vec a a 以最小角度转到 b ⃗ \vec b b 的方向,是顺时针还是逆时针呢,从图中很容易看出,但怎么用数字判断呢?
仍然是 m = a ⃗ × b ⃗ = x 1 y 2 − x 2 y 1 m=\vec a \times \vec b=x_1y_2-x_2y_1 m=a ×b =x1y2x2y1
m > 0 m>0 m>0 a ⃗ \vec a a 逆时针转到 b ⃗ \vec b b 的角度 < 18 0 ∘ <180^\circ <180
m < 0 m<0 m<0 a ⃗ \vec a a 逆时针转到 b ⃗ \vec b b 的角度 > 18 0 ∘ >180^\circ >180
m = 0 m=0 m=0 a ⃗ \vec a a b ⃗ \vec b b 共线。

直观记忆如下图:
在这里插入图片描述
m > 0 m>0 m>0 b ⃗ \vec b b 在蓝色部分;
m < 0 m<0 m<0 b ⃗ \vec b b 在红色部分;
m = 0 m=0 m=0 b ⃗ \vec b b 在分界线上(与 a ⃗ \vec a a 共线 )。

三、扩展(坐标系引发的顺逆指针分不清事件)

我们平时默认的坐标系是这样的:
在这里插入图片描述
但有时候的坐标系是这样的(比如数字图像中):
在这里插入图片描述
可以发现,同样的 a ⃗ = ( 2 , 1 ) \vec a=(2,1) a =(2,1) 转到 b ⃗ = ( 1 , 2 ) \vec b=(1,2) b =(1,2) ,在上面的坐标系中就是逆时针,而在下面的坐标系中就是顺时针,所以为了统一说明,定义了 “正旋转” : x x x 轴旋转到 y y y 轴的方向。
所以,上面利用向量叉乘判断向量相对位置的性质描述应该为:
m > 0 m>0 m>0 a ⃗ \vec a a 正旋转到 b ⃗ \vec b b 的角度 < 18 0 ∘ <180^\circ <180
m < 0 m<0 m<0 a ⃗ \vec a a 正旋转到 b ⃗ \vec b b 的角度 > 18 0 ∘ >180^\circ >180
m = 0 m=0 m=0 a ⃗ \vec a a b ⃗ \vec b b 共线。
而那张直观记忆图只在我们平时默认的坐标系中才成立。

  • 9
    点赞
  • 45
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
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

打赏作者

万俟淋曦

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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