二维叉乘的几何意义
二维向量叉积
向量A(x1,y1)和向量B(x2,y2)叉乘:A(x1,y1)xB(x2,y2) = |A||B|sina,其中a为向量A和向量B的夹角 但是我们发现这明明是一个值啊 难道降维了?
其实不是 我们会发现他不仅仅是一个数字面积 他还和向量有关 也就是取向问题 具体解释在下面
v×w = -w×v
取向
如果此时图是这个图 但是式子变成了j×i = -1 所以上面那张图很明显 应该
w×v才是面积值 v×w是-面积值
简单记忆就是前面那个向量要在右边 因为前面那个向量要放在行列式的第一列 也就是对i帽的影响 很明显i帽需要在j帽的右边
叉乘与矩阵行列式的关系
向量叉积的结果不是一个数 是向量
叉积得到的那个向量的长度就是平行四边形的面积
转自这里
右手法则确定向量指向
叉乘的代数意义
就是法向量
可以记作
就是把这个按行列式收回