两向量的向量积

article/2025/8/21 16:18:44

在这里插入图片描述

两向量的向量积

两向量 ab 的向量积(外积)是一个向量,记做 a × b \mathbf{a}\times \mathbf{b} a×b [ a b ] [\mathbf{a}\mathbf{b}] [ab],它的模是
∣ a × b ∣ = ∣ a ∣ ∣ b ∣ sin ⁡ ∠ ( a , b ) |\mathbf{a}\times \mathbf{b}| = |\mathbf{a}||\mathbf{b}|\sin\angle(\mathbf{a},\mathbf{b}) a×b=absin(a,b)
它的方向与 ab 都垂直,并且按 a, b, a × b \mathbf{a}\times\mathbf{b} a×b 这个顺序构成右手标架 { O ; a , b , a × b } \{O;\mathbf{a},\mathbf{b},\mathbf{a}\times\mathbf{b}\} {O;a,b,a×b}

  • 两个不共线向量 ab 的向量积的模,等于以 ab 为边所构成的平行四边形的面积
    在这里插入图片描述

  • 两向量 ab 共线的充分必要条件是 a × b = 0 \mathbf{a}\times\mathbf{b} = \mathbf{0} a×b=0
    ab 共线时, sin ⁡ ∠ ( a , b ) = 0 \sin\angle(\mathbf{a},\mathbf{b}) = 0 sin(a,b)=0或者至少一个为零向量; 当 sin ⁡ ∠ ( a , b ) = 0 \sin\angle(\mathbf{a},\mathbf{b}) = 0 sin(a,b)=0时或者其至少一个为零向量,ab 共线

  • 向量积是 反交换 的: a × b = − ( b × a ) \mathbf{a}\times\mathbf{b} = - (\mathbf{b}\times\mathbf{a}) a×b=(b×a)

  • 向量积满足关于数因子的结合律: λ ( a b ) = ( λ a ) × b = a × ( λ b ) \lambda(\mathbf{a}\mathbf{b}) = (\lambda\mathbf{a})\times\mathbf{b} = \mathbf{a}\times(\lambda\mathbf{b}) λ(ab)=(λa)×b=a×(λb)

  • 向量积满足分配律: ( a + b ) × c = a × c + b × c (\mathbf{a}+\mathbf{b})\times\mathbf{c} = \mathbf{a}\times\mathbf{c}+\mathbf{b}\times\mathbf{c} (a+b)×c=a×c+b×c

    c × ( a + b ) = a × c + b × c \mathbf{c}\times(\mathbf{a}+\mathbf{b}) = \mathbf{a}\times\mathbf{c}+\mathbf{b}\times\mathbf{c} c×(a+b)=a×c+b×c同样成立


    先证明 ( a + b ) × c 0 = a × c 0 + b × c 0 (\mathbf{a}+\mathbf{b})\times\mathbf{c}^{\mathbf{0}} = \mathbf{a}\times\mathbf{c}^{\mathbf{0}}+\mathbf{b}\times\mathbf{c}^{\mathbf{0}} (a+b)×c0=a×c0+b×c0
    利用作图将 c 0 \mathbf{c}^{\mathbf{0}} c0ab a × c 0 \mathbf{a}\times\mathbf{c}^{\mathbf{0}} a×c0 b × c 0 \mathbf{b}\times\mathbf{c}^{\mathbf{0}} b×c0 a + b \mathbf{a}+\mathbf{b} a+b ( a + b ) × c 0 (\mathbf{a}+\mathbf{b})\times\mathbf{c}^{\mathbf{0}} (a+b)×c0的图像画出容易得出 ( a + b ) × c 0 = a × c 0 + b × c 0 (\mathbf{a}+\mathbf{b})\times\mathbf{c}^{\mathbf{0}} = \mathbf{a}\times\mathbf{c}^{\mathbf{0}}+\mathbf{b}\times\mathbf{c}^{\mathbf{0}} (a+b)×c0=a×c0+b×c0
    再两边乘以 ∣ c ∣ |\mathbf{c}| c即可得出

  • 如果 a = X 1 i + Y 1 j + Z 1 k b = X 2 i + Y 2 j + Z 2 k \mathbf{a} = X_{1}\mathbf{i} + Y_{1}\mathbf{j}+Z_{1}\mathbf{k}\quad\mathbf{b} = X_{2}\mathbf{i} + Y_{2}\mathbf{j}+Z_{2}\mathbf{k} a=X1i+Y1j+Z1kb=X2i+Y2j+Z2k,那么
    a × b = ∣ Y 1 Z 1 Y 2 Z 2 ∣ i + ∣ Z 1 X 1 Z 2 X 2 ∣ j + ∣ X 1 Y 1 X 2 Y 2 ∣ k \mathbf{a}\times\mathbf{b} = \left| \begin{array}{cc} Y_{1} & Z_{1} \\ Y_{2} & Z_{2} \end{array} \right|\mathbf{i} + \left| \begin{array}{cc} Z_{1} & X_{1} \\ Z_{2} & X_{2} \end{array} \right|\mathbf{j} + \left| \begin{array}{cc} X_{1} & Y_{1} \\ X_{2} & Y_{2} \end{array} \right|\mathbf{k} a×b=Y1Y2Z1Z2i+Z1Z2X1X2j+X1X2Y1Y2k
    或则写成
    a × b = ∣ i j k X 1 Y 1 Z 1 X 2 Y 2 Z 2 ∣ \mathbf{a}\times\mathbf{b} = \left| \begin{array}{ccc} \mathbf{i} & \mathbf{j} & \mathbf{k} \\ X_{1} & Y_{1}& Z_{1}\\ X_{2} & Y_{2}& Z_{2} \end{array} \right| a×b=iX1X2jY1Y2kZ1Z2


http://chatgpt.dhexx.cn/article/OMPvvuN1.shtml

相关文章

8.2 向量数量积与向量积(点乘与叉乘)

本篇内容依然是向量的运算,只不过不属于线性运算,内容包括向量的数量积与向量积。 一、向量的数量积(内积、点乘,参与运算的是向量,结果是数) (一)问题产生的背景与表达 &#x…

【口诀】巧记泰勒公式

函数 多项式函数 可以计算出精确值 非多项式函数 无法计算出精确值 泰勒公式的本质 多项式函数逼近非多项式函数 随着项数累加,逼近的误差就会越小 规律: 只需要确定x的指数符号只有两种情况 要么符号相同(全为) 要么符号交替( -)开头要么1&am…

matlab泰勒公式含义,泰勒公式的哲学意义与敏捷研发

学过微积分的人都知道泰勒展开公式,它是将一个在x=x0处具有n阶导数的函数f(x)利用关于(x-x0)的n次多项式来逼近函数的方法,用标准的数学术语来描述是这样的:若函数f(x)在包含x0的某个闭区间[a,b]上具有n阶导数,且在开区间(a,b)上具有(n 1)阶导数,则对闭区间[a,b]上任意一点…

泰勒公式及泰勒级数

目录 一、背景二、提出问题三、解决问题四、应用——泰勒级数※ 函数的幂级数展开 参考文献 一、背景 对于一些复杂的函数,通常会找简单的函数做近似,而多项式函数就是常用的一种简单函数。 比如当 ∣ x ∣ |x| ∣x∣ 很小时,有以下近似&a…

泰勒公式求极限(如何用+精度怎么确定)一文扫除泰勒公式难点

有些复杂的极限题,里面会涵盖着各种各样的函数,这些群魔乱舞的函数加大了我们计算极限的难度,此时想:如果可以将这些函数统一成一样的形式该多好?此时,就有我们的泰勒公式了。 1.泰勒公式怎么用: 指数函…

泰勒公式记忆方法

泰勒公式记忆方法 几个常见函数的泰勒公式 f ( x ) f ( x 0 ) f ′ ( x 0 ) ( x − x ) f ′ ′ ( x 0 ) 2 ! ( x − x 0 ) 2 ⋯ f ( n ) ( x 0 ) n ! ( x − x 0 ) n R n ( x ) f ( x ) f ( 0 ) f ′ ( 0 ) x f ′ ′ ( 0 ) 2 ! x 2 ⋯ f ( n ) ( 0 ) n ! x n o (…

理解高斯分布

开始前,先看几个重要概念: 概率函数:把事件概率表示成关于事件变量的函数 概率分布函数:一个随机变量ξ取值小于某一数值x的概率,这概率是x的函数,称这种函数为随机变量ξ的分布函数,简称分布…

透彻理解高斯分布

https://www.toutiao.com/a6639894224189784590/ 2018-12-28 12:22:15 正态分布是与中的定量现象的一个方便模型。各种各样的心理学测试分数和现象比如计数都被发现近似地服从正态分布。 开始前,先看几个重要概念: 概率函数:把事件概率表示成…

高斯分布的一些理解

转自:http://blog.csdn.net/rns521/article/details/6953591 正态分布(Normal distribution)又名高斯分布(Gaussian distribution),是一个在数学、物理及工程等领域都非常重要的概率分布,在统计…

高斯分布拟合

题目: 产生N个服从高斯分布的随机数,计算这些随机数的均值和方差,并与高斯分布的均值和方差比较,N100,1000,10000,100000 import matplotlib.pyplot as plt import scipy.stats as sta import numpy as npmu_True 5 #设置高斯…

高斯分布~

为什么MLE估计服从高斯分布的数据分布方差会估小? 因为MLE求方差是根据数据的均值,并不是分布的期望,因为会根据采样的偏差将均值拉到符合数据的地方,从而算出来的方差会变小。 从几何层面看高维高斯分布 主要看exp上的值&…

机器学习中的高斯分布

高斯分布与数据预处理:数据分布转换高斯分布与聚类:GMM高斯分布与异常检测高斯分布与马氏距离 高斯分布与数据预处理:数据分布转换 当我们上手一个数据集时,往往第一件事就是了解每个特征是如何分布的。特征分布指的就是某个特征在…

融合高斯分布

(一)数据融合 假设两个传感器的测量结果分别为和,对应的标准差分别为和。 如何根据这两组数据得到最优估计? 估计值取为两个传感器测量结果的线性组合,如下所示: 为了获得最优估计值,需要让估…

java高斯分布_高斯分布的生成

1. 如何生成高斯分布? 在java8中的实现采用了 Marsaglia polar method (Box–Muller的一种形式), 具体理论如下: 随机变量 服从 的均匀分布 计算 如果 , 接着计算, 否则转4 , </

正态分布(Normal distribution)又名高斯分布(Gaussian distribution)

正态分布&#xff08;Normal distribution&#xff09;又名高斯分布&#xff08;Gaussian distribution&#xff09;&#xff0c;是一个在数学、物理及工程等领域都非常重要的概率分布&#xff0c;在统计学的许多方面有着重大的影响力。 若随机变量X服从一个数学期望为μ、标准…

数学基础--高斯分布

文章目录 一、简介二 、一元高斯分布三、多元高斯分布1、独立多元高斯分布2、多元相关变量高斯分布 一、简介 高斯分布是一种重要的模型&#xff0c;也被称作正态分布&#xff0c;其广泛应用与连续型随机变量的分布中。在数据分析领域中高斯分布占有重要地位。掌握高斯分布是学…

数学基础--高斯分布详解

1、简介 正态分布&#xff08;Normal Distribution&#xff09;&#xff0c;又名高斯分布&#xff08;Gaussian Distribution&#xff09;&#xff0c;是一个在数学、物理及工程等领域都非常重要的概率分布&#xff0c;在统计学的许多方面有着重大的影响力。 约翰卡尔弗里德里希…

Latex学习(1)——latex中的字体颜色

格式&#xff1a; \textcolor{color}{text} 例子&#xff1a; \textcolor{white}{白色}\ \textcolor{linen}{亚麻色}\​ \textcolor{black}{黑色}\ \textcolor{grey}{灰色}\ \textcolor{lightgrey}{浅灰色}\ \textcolor{darkgrey}{深灰色}\​ \textcolor{red}{红色}\ \textcolo…

【LaTeX 教程】04. LaTeX 插入数学公式与符号

【LaTeX 教程】04. LaTeX 插入符号与数学公式 LaTeX 公式 我将把握最近文章里用到的数学公式格式都放上来供大家参考学习 首先 最简单的数学模式 $xxx$ %一个$符号&#xff0c;中间的内容是行内模式 $$xxx$$ %两个$符号&#xff0c;中间的内容是行间模式(行间模式会单独占…