向量积和数量积公式推导

在进行向量的数量积（点积）和向量积（叉积）的推导之前，我们先设 $$({\mathbf{e}}_x,{\mathbf{e}}_y,{\mathbf{e}}_z)$$ 为三维空间中的单位正交基底。这意味着每个基向量都是单位向量（即它们的长度为1），并且每对基向量之间都是正交的（即它们之间的夹角是90度，或者它们的点积为0）。

接下来，我们定义两个向量 $\mathbf{a}$和$\mathbf{b}$，它们在这个基底下的坐标表示为 $(a_x,a_y,a_z)$和 $(b_x,b_y,b_z)$。
则$$\mathbf{a}=a_x{\mathbf{e}}_x+a_y{\mathbf{e}}_y+a_z{\mathbf{e}}_z$$
$$\mathbf{b}=b_x{\mathbf{e}}_x+b_y{\mathbf{e}}_y+b_z{\mathbf{e}}_z$$

数量积（点积）

• 设有两个向量 $\mathbf{a}=(a_x,a_y,a_z)$ 和 $\mathbf{b}=(b_x,b_y,b_z)$。这两个向量的点积定义为：
  $$\mathbf{a}\cdot \mathbf{b}=a_x{b}_x+a_y{b}_y+a_z{b}_z$$
  这是向量分量的对应乘积之和。

推导过程如下

1. 首先写出向量点积的一般形式：
   $$\mathbf{a}\cdot \mathbf{b}=(a_x{\mathbf{e}}_x+a_y{\mathbf{e}}_y+a_z{\mathbf{e}}_z)\cdot (b_x{\mathbf{e}}_x+b_y{\mathbf{e}}_y+b_z{\mathbf{e}}_z)$$

2. 展开点积：
   $$\begin{array}{rl}\mathbf{a}\cdot \mathbf{b}=& (a_x{\mathbf{e}}_x\cdot b_x{\mathbf{e}}_x)+(a_x{\mathbf{e}}_x\cdot b_y{\mathbf{e}}_y)+(a_x{\mathbf{e}}_x\cdot b_z{\mathbf{e}}_z)\\ & +(a_y{\mathbf{e}}_y\cdot b_x{\mathbf{e}}_x)+(a_y{\mathbf{e}}_y\cdot b_y{\mathbf{e}}_y)+(a_y{\mathbf{e}}_y\cdot b_z{\mathbf{e}}_z)\\ & +(a_z{\mathbf{e}}_z\cdot b_x{\mathbf{e}}_x)+(a_z{\mathbf{e}}_z\cdot b_y{\mathbf{e}}_y)+(a_z{\mathbf{e}}_z\cdot b_z{\mathbf{e}}_z)\end{array}$$

3. 应用点积的性质：

   • 同向量点积为自己的模的平方，而基向量是单位向量：$${\mathbf{e}}_x\cdot {\mathbf{e}}_x={\mathbf{e}}_y\cdot {\mathbf{e}}_y={\mathbf{e}}_z\cdot {\mathbf{e}}_z=1$$
   • 不同基向量之间正交，点积为零：$${\mathbf{e}}_x\cdot {\mathbf{e}}_y={\mathbf{e}}_x\cdot {\mathbf{e}}_z={\mathbf{e}}_y\cdot {\mathbf{e}}_z=0$$

4. 将这些规则应用于展开的式子中：
   $$\begin{array}{rl}\mathbf{a}\cdot \mathbf{b}=& (a_x{b}_x{\mathbf{e}}_x\cdot {\mathbf{e}}_x)+(0)+(0)\\ & +(0)+(a_y{b}_y{\mathbf{e}}_y\cdot {\mathbf{e}}_y)+(0)\\ & +(0)+(0)+(a_z{b}_z{\mathbf{e}}_z\cdot {\mathbf{e}}_z)\end{array}$$

5. 简化结果：
   $$\mathbf{a}\cdot \mathbf{b}=a_x{b}_x+a_y{b}_y+a_z{b}_z$$

这样，我们得到了向量点积的标准结果：两个向量对应分量的乘积之和。

向量积（叉积）

• 向量的叉积定义为：

$$\mathbf{a}\times \mathbf{b}=\left|\begin{array}{ccc}{\mathbf{e}}_x& {\mathbf{e}}_y& {\mathbf{e}}_z\\ a_x& a_y& a_z\\ b_x& b_y& b_z\end{array}\right|$$

推导过程如下

1. 先写出向量叉积的一般形式：
   $$\mathbf{a}\times \mathbf{b}=(a_x{\mathbf{e}}_x+a_y{\mathbf{e}}_y+a_z{\mathbf{e}}_z)\times (b_x{\mathbf{e}}_x+b_y{\mathbf{e}}_y+b_z{\mathbf{e}}_z)$$

2. 展开叉积：
   $$\begin{array}{rl}\mathbf{a}\times \mathbf{b}=& (a_x{\mathbf{e}}_x\times b_x{\mathbf{e}}_x)+(a_x{\mathbf{e}}_x\times b_y{\mathbf{e}}_y)+(a_x{\mathbf{e}}_x\times b_z{\mathbf{e}}_z)\\ & +(a_y{\mathbf{e}}_y\times b_x{\mathbf{e}}_x)+(a_y{\mathbf{e}}_y\times b_y{\mathbf{e}}_y)+(a_y{\mathbf{e}}_y\times b_z{\mathbf{e}}_z)\\ & +(a_z{\mathbf{e}}_z\times b_x{\mathbf{e}}_x)+(a_z{\mathbf{e}}_z\times b_y{\mathbf{e}}_y)+(a_z{\mathbf{e}}_z\times b_z{\mathbf{e}}_z)\end{array}$$

3. 应用叉积的性质：

   • 同向量叉积为零：$${\mathbf{e}}_x\times {\mathbf{e}}_x={\mathbf{e}}_y\times {\mathbf{e}}_y={\mathbf{e}}_z\times {\mathbf{e}}_z=0$$
   • 基向量间叉积：$$\begin{gathered} {\mathbf{e}}_x\times {\mathbf{e}}_y={\mathbf{e}}_z, \\ {\mathbf{e}}_y\times {\mathbf{e}}_z={\mathbf{e}}_x, \\ {\mathbf{e}}_z\times {\mathbf{e}}_x={\mathbf{e}}_y \end{gathered}$$
   • 叉积的反交换律：$${\mathbf{e}}_x\times {\mathbf{e}}_y=-{\mathbf{e}}_y\times {\mathbf{e}}_x$$

4. 将这些规则应用于展开的式子中：

• 根据基向量叉积规则，我们将 ${\mathbf{e}}_x\times {\mathbf{e}}_y$,${\mathbf{e}}_y\times {\mathbf{e}}_z$ ,和 ${\mathbf{e}}_z\times {\mathbf{e}}_x$ 替换为相应的基向量。
• 使用反交换律，比如 ${\mathbf{e}}_x\times {\mathbf{e}}_z=-{\mathbf{e}}_z\times {\mathbf{e}}_x$
• 我们得到：
  $$\begin{array}{rl}\mathbf{a}\times \mathbf{b}=& (0)+(a_x{b}_y{\mathbf{e}}_x\times {\mathbf{e}}_y)+(-a_x{b}_z{\mathbf{e}}_z\times {\mathbf{e}}_x)\\ & +(-a_y{b}_x{\mathbf{e}}_x\times {\mathbf{e}}_y)+(0)+(a_y{b}_z{\mathbf{e}}_y\times {\mathbf{e}}_z)\\ & +(a_z{b}_x{\mathbf{e}}_z\times {\mathbf{e}}_x)+(-a_z{b}_y{\mathbf{e}}_y\times {\mathbf{e}}_z)+(0)\end{array}$$

5. 简化结果：

• 继续简化，我们得到：

  $$\begin{array}{rl}\mathbf{a}\times \mathbf{b}=& (0)+(a_x{b}_y{\mathbf{e}}_z)+(-a_x{b}_z{\mathbf{e}}_y)\\ & +(-a_y{b}_x{\mathbf{e}}_z)+(0)+(a_y{b}_z{\mathbf{e}}_x)\\ & +(a_z{b}_x{\mathbf{e}}_y)+(-a_z{b}_y{\mathbf{e}}_x)+(0)\end{array}$$

  $$\mathbf{a}\times \mathbf{b}=(a_y{b}_z-a_z{b}_y){\mathbf{e}}_x+(a_z{b}_x-a_x{b}_z){\mathbf{e}}_y+(a_x{b}_y-a_y{b}_x){\mathbf{e}}_z$$

这就是向量叉积的最终结果，其中每一项是通过应用基向量间的叉积规则以及反交换律来获得的。这个结果表示了向量 $\mathbf{a}$ 和向量 $\mathbf{b}$ 叉积的三个分量。

附

最上面那两幅坐标图是让gpt画的，他给的代码如下

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np

# 创建一个3D坐标系
fig = plt.figure(figsize=(12, 8))
ax = fig.add_subplot(111, projection='3d')

# 设置坐标轴的范围
ax.set_xlim([0, 1])
ax.set_ylim([0, 1])
ax.set_zlim([0, 1])

# 设置坐标轴的标签
ax.set_xlabel('X axis')
ax.set_ylabel('Y axis')
ax.set_zlabel('Z axis')

# 绘制基向量
ax.quiver(0, 0, 0, 1, 0, 0, color='r', arrow_length_ratio=0.1)
ax.quiver(0, 0, 0, 0, 1, 0, color='g', arrow_length_ratio=0.1)
ax.quiver(0, 0, 0, 0, 0, 1, color='b', arrow_length_ratio=0.1)

# 添加标签
ax.text(1, 0, 0, r'$\mathbf{e}_x$', color='r', fontsize=15)
ax.text(0, 1, 0, r'$\mathbf{e}_y$', color='g', fontsize=15)
ax.text(0, 0, 1, r'$\mathbf{e}_z$', color='b', fontsize=15)

plt.title('3D Coordinate System with Unit Orthogonal Basis Vectors')
plt.show()

---

# 创建一个新的3D坐标系
fig = plt.figure(figsize=(12, 8))
ax = fig.add_subplot(111, projection='3d')

# 设置坐标轴的范围
ax.set_xlim([0, 1])
ax.set_ylim([0, 1])
ax.set_zlim([0, 1])

# 设置坐标轴的标签
ax.set_xlabel('X axis')
ax.set_ylabel('Y axis')
ax.set_zlabel('Z axis')

# 绘制基向量
ax.quiver(0, 0, 0, 1, 0, 0, color='r', arrow_length_ratio=0.1)
ax.quiver(0, 0, 0, 0, 1, 0, color='g', arrow_length_ratio=0.1)
ax.quiver(0, 0, 0, 0, 0, 1, color='b', arrow_length_ratio=0.1)

# 假设的向量a和b的坐标（可以根据需要调整）
a_x, a_y, a_z = 0.3, 0.6, 0.8
b_x, b_y, b_z = 0.5, 0.7, 0.3

# 绘制向量a和b
ax.quiver(0, 0, 0, a_x, a_y, a_z, color='cyan', arrow_length_ratio=0.1, label=r'$\mathbf{a}$')
ax.quiver(0, 0, 0, b_x, b_y, b_z, color='magenta', arrow_length_ratio=0.1, label=r'$\mathbf{b}$')

# 添加虚线标注到各个面
# 向量a的虚线
ax.plot([a_x, a_x], [a_y, a_y], [0, a_z], color='cyan', linestyle='dashed')
ax.plot([a_x, a_x], [0, a_y], [a_z, a_z], color='cyan', linestyle='dashed')
ax.plot([0, a_x], [a_y, a_y], [a_z, a_z], color='cyan', linestyle='dashed')

# 向量b的虚线
ax.plot([b_x, b_x], [b_y, b_y], [0, b_z], color='magenta', linestyle='dashed')
ax.plot([b_x, b_x], [0, b_y], [b_z, b_z], color='magenta', linestyle='dashed')
ax.plot([0, b_x], [b_y, b_y], [b_z, b_z], color='magenta', linestyle='dashed')

# 添加基向量标签
ax.text(1, 0, 0, r'$\mathbf{e}_x$', color='r', fontsize=15)
ax.text(0, 1, 0, r'$\mathbf{e}_y$', color='g', fontsize=15)
ax.text(0, 0, 1, r'$\mathbf{e}_z$', color='b', fontsize=15)

# 添加向量a和b的标签
ax.text(a_x, a_y, a_z, r'$\mathbf{a}$', color='cyan', fontsize=15)
ax.text(b_x, b_y, b_z, r'$\mathbf{b}$', color='magenta', fontsize=15)

# 标注向量坐标
ax.text(a_x / 2, a_y / 2, a_z / 2, f'({a_x}, {a_y}, {a_z})', color='cyan', fontsize=12)
ax.text(b_x / 2, b_y / 2, b_z / 2, f'({b_x}, {b_y}, {b_z})', color='magenta', fontsize=12)

plt.title('3D Coordinate System with Unit Orthogonal Basis Vectors, Vectors a and b')
plt.legend()
plt.show()