1. 向量的属性
向量拥有两个属性:
- 方向
- 长度 - 向量的模: ∥ a ⃗ ∥ \Vert {\vec a} \Vert ∥a∥
- 单位向量: a ^ = a ⃗ ∥ a ⃗ ∥ \hat{a} = \cfrac {\vec a} {\Vert {\vec a} \Vert} a^=∥a∥a(该方向上的单位向量)
2. 向量的表示方法
A B → = B − A \overrightarrow{AB} = B - A AB=B−A
- 行向量
a ⃗ = ( x a , y a , z a ) \vec{a} = \begin{pmatrix} x_a , y_a , z_a \end{pmatrix} a=(xa,ya,za)
- 列向量
a ⃗ = ( x a y a z a ) \vec{a} = \begin{pmatrix} x_a \\ y_a \\ z_a \\ \end{pmatrix} a=⎝⎛xayaza⎠⎞
NOTE:
- 行向量表示与列向量表示是有区别的:
尤其是在矩阵变换中,对于某一种变换来说,行向量表示的矩阵跟列向量表示的矩阵是不同的,二者互为转置
M r o w = ( x a y a z a x b y b z b x c y c z c ) ⟷ M c o l = ( x a x b x c y a y b y c z a z b z c ) \bold{M_{row}} = \begin{pmatrix} x_a & y_a & z_a \\ \hdashline x_b & y_b & z_b \\ \hdashline x_c & y_c & z_c \end{pmatrix} \longleftrightarrow \bold{M_{col}} = \begin{pmatrix} \begin{array}{c:c:c} x_a & x_b & x_c \\ y_a & y_b & y_c \\ z_a & z_b & z_c \\ \end{array} \end{pmatrix} Mrow=⎝⎛xaxbxcyaybyczazbzc⎠⎞⟷Mcol=⎝⎛xayazaxbybzbxcyczc⎠⎞ - 在对向量进行矩阵变换时,行向量是右乘矩阵,而列向量是左乘矩阵
- 行向量:
a r o w ⃗ ⋅ M 1 ⋅ M 2 ⋯ \vec{a_{\sf{row}}} \cdot \bold{M_1} \cdot \bold{M_2} \cdots arow⋅M1⋅M2⋯ - 列向量:
⋯ M 2 ⋅ M 1 ⋅ a c o l ⃗ \cdots \bold{M_2} \cdot \bold{M_1} \cdot \vec{a_{\sf{col}}} ⋯M2⋅M1⋅acol
- 行向量:
3. 位置与位移
-
位置:
- 表示的是一种静态的状态;
- 当用向量表示位置时,此时向量表示的是一个“点”,而该点的坐标就是原点进行向量表示的位移之后所在的地方。即描述 位置 实际上就是描述相对于给定参考点(通常是坐标系的原点)的 位移 。
-
位移:
- 表示的是一种动态的过程;
- 当用向量表示位移时,向量的方向即是位移的方向,向量的长度即是位移的距离。
4. 向量的加减
-
a
⃗
+
b
⃗
\vec{a} + \vec{b}
a+b
-
b
⃗
−
a
⃗
\vec{b} - \vec{a}
b−a
5. 点乘
5.1 计算方式
a ⃗ ⋅ b ⃗ = ( x a y a z a ) ⋅ ( x b y b z b ) = x a x b + y a y b + z a z b \vec{a} \cdot \vec{b} = \begin{pmatrix} x_a \\ y_a \\ z_a \\ \end{pmatrix} \cdot \begin{pmatrix} x_b \\ y_b \\ z_b \\ \end{pmatrix} = x_a x_b + y_a y_b + z_a z_b a⋅b=⎝⎛xayaza⎠⎞⋅⎝⎛xbybzb⎠⎞=xaxb+yayb+zazb
5.2 几何意义
可知:
a
⃗
⋅
b
⃗
=
a
⃗
⋅
b
∥
⃗
\vec{a} \cdot \vec{b} = \vec{a} \cdot \vec{b_{\parallel}}
a⋅b=a⋅b∥
b
∥
⃗
=
k
⋅
a
^
=
∥
b
∥
⃗
∥
⋅
a
^
=
∥
b
⃗
∥
⋅
cos
θ
⋅
a
^
\vec{b_{\parallel}} = k \cdot \hat{a} = \Vert \vec{b_{\parallel}} \Vert \cdot \hat{a} = \Vert \vec{b} \Vert \cdot \cos{\theta} \cdot \hat{a}
b∥=k⋅a^=∥b∥∥⋅a^=∥b∥⋅cosθ⋅a^
a
⃗
⋅
b
⃗
=
∥
a
⃗
∥
∥
b
⃗
∥
cos
θ
\vec{a} \cdot \vec{b} = \Vert {\vec a} \Vert \Vert {\vec b} \Vert \cos{\theta}
a⋅b=∥a∥∥b∥cosθ
其中:
cos
θ
=
a
⃗
⋅
b
⃗
∥
a
⃗
∥
∥
b
⃗
∥
\cos{\theta} = \cfrac{\vec{a} \cdot \vec{b}}{\Vert {\vec a} \Vert \Vert {\vec b} \Vert}
cosθ=∥a∥∥b∥a⋅b
cos
θ
=
a
^
⋅
b
^
\cos{\theta} = \hat{a} \cdot \hat{b}
cosθ=a^⋅b^
特別地:
b
⃗
=
b
∥
⃗
+
b
⊥
⃗
\vec{b} = \vec{b_{\parallel}} + \vec{b_{\perp}}
b=b∥+b⊥
Note :
- 二维空间下,点乘的计算结果是一个标量
- b ∥ ⃗ \vec{b_{\parallel}} b∥ 为向量 b ⃗ \vec{b} b 在另一个向量 a ⃗ \vec{a} a 上的投影,可以通过点乘计算出某个向量在另一个向量上的投影;
- 当向量
b
⃗
\vec{b}
b 点乘的对象是某个单位基向量
e
⃗
\vec{e}
e 时,其结果直接就是向量
b
⃗
\vec{b}
b 在向量
e
⃗
\vec{e}
e 上的投影;
b ∥ ⃗ = e ⃗ ⋅ b ⃗ \vec{b_{\parallel}} = \vec{e} \cdot \vec{b} b∥=e⋅b - 结果中的正负号可判断两条向量方向的 前后关系
- 可以用來评价 两个向量的方向是否接近,即是否趋于 1。
6. 叉乘
6.1 计算方式
a ⃗ × b ⃗ = ( x a y a z a ) × ( x b y b z b ) = ( y a z b − y b z a z a x b − z b x a x a y b − x b y a ) \vec{a} \times \vec{b} = \begin{pmatrix} x_a \\ y_a \\ z_a \\ \end{pmatrix} \times \begin{pmatrix} x_b \\ y_b \\ z_b \\ \end{pmatrix} = \begin{pmatrix} y_a z_b - y_b z_a \\ z_a x_b - z_b x_a \\ x_a y_b - x_b y_a \\ \end{pmatrix} a×b=⎝⎛xayaza⎠⎞×⎝⎛xbybzb⎠⎞=⎝⎛yazb−ybzazaxb−zbxaxayb−xbya⎠⎞
6.2 几何意义
a ⃗ × b ⃗ = − b ⃗ × a ⃗ \vec{a} \times \vec{b} = - \vec{b} \times \vec{a} a×b=−b×a
∥ a ⃗ × b ⃗ ∥ = ∥ a ⃗ ∥ ∥ b ⃗ ∥ sin ϕ \Vert \vec{a} \times \vec{b} \Vert = \Vert \vec{a} \Vert \Vert \vec{b} \Vert \sin{\phi} ∥a×b∥=∥a∥∥b∥sinϕ
- 详细几何意义参考文章:
https://www.cnblogs.com/zzdyyy/p/7643267.html
Note :
二维空间下:
- 计算结果理论上是一个向量,结果虽然形式上是一个标量;
- 其数值的大小表示向量的模,正负号表示向量的方向;(右手螺旋定则)
- 通过正负号可判断两条向量的左右关系;
- 两条向量的叉乘实质上是两条向量组成矩阵的行列式,其值是该两条向量确定的平行四边形的面积。
三维空间下:
- 可以通过叉乘计算出任意两条线性无关向量确定的平面的法向量(以右手坐标系为例)
{ x ⃗ × y ⃗ = + z ⃗ y ⃗ × z ⃗ = + x ⃗ z ⃗ × x ⃗ = + y ⃗ \begin{cases} \vec{x} \times \vec{y} = + \vec{z} \\ \vec{y} \times \vec{z} = + \vec{x} \\ \vec{z} \times \vec{x} = + \vec{y} \end{cases} ⎩⎪⎨⎪⎧x×y=+zy×z=+xz×x=+y