向量的内积 外积

向量的内积，外积

向量向量的模向量的计算向量加减向量点乘（内积、点积、数量积）向量叉乘（外积、向量积） 混合积混合积公式推导 向量的几何运用

向量

高中时的向量长这样： a ⃗ = ( 2 , − 3 ) 、 n ⃗ = ( 2 , − 3 , − 1 ) \vec{a}=(2,-3)、\vec{n}=(2,-3,-1) a =(2,−3)、n =(2,−3,−1)

在线性代数中，一个三维向量可以用 3 × 1 3\times 1 3×1矩阵表示，如： V = [ 2 − 3 − 1 ] 或 V T = [ 2 − 3 − 1 ] V=\left[ \begin{matrix} 2 \\ -3 \\ -1 \end{matrix} \right] 或 V^T=\left[ \begin{matrix} 2 \ -3 \ -1 \end{matrix} \right] V=⎣⎡​2−3−1​⎦⎤​或VT=[2−3−1​]

所以对于一般的n元向量可以用 n × 1 n\times 1 n×1矩阵表示，如： V = [ x 1 x 2 x 3 ⋯ x n ] 或 V T = [ x 1 x 2 x 3 ⋯ x 5 ] V=\left[ \begin{matrix} x_1 \\ x_2 \\ x_3 \\ \cdots \\ x_n \end{matrix} \right] 或 V^T=\left[ \begin{matrix} x_1 \ x_2 \ x_3 \ \cdots \ x_5 \end{matrix} \right] V=⎣⎢⎢⎢⎢⎡​x1​x2​x3​⋯xn​​⎦⎥⎥⎥⎥⎤​或VT=[x1​x2​x3​⋯x5​​]，向量中的每一个元素 x n x_n xn​，都称作向量的一个分量。

向量的模

向量的模即向量的长度，如果A是n维向量，则A的模标记为：

A = [ a 1 a 2 a 3 ⋯ a n ] , ∣ A ∣ = a 1 2 + a 2 2 + a 3 2 + ⋯ + a n 2 = A T A A=\left[ \begin{matrix} a_1 \\ a_2 \\ a_3 \\ \cdots \\ a_n \end{matrix} \right] \ ,\qquad |A|=\sqrt{a^2_1+a^2_2+a^2_3+\cdots +a^2_n}=A^TA A=⎣⎢⎢⎢⎢⎡​a1​a2​a3​⋯an​​⎦⎥⎥⎥⎥⎤​,∣A∣=a12​+a22​+a32​+⋯+an2​ ​=ATA

向量的计算

向量加减

向量 a ⃗ = [ a 1 a 2 a 3 ⋯ a n ] \vec{a}=\left[ \begin{matrix} a_1 \\ a_2 \\ a_3 \\ \cdots \\ a_n \end{matrix} \right] \qquad a =⎣⎢⎢⎢⎢⎡​a1​a2​a3​⋯an​​⎦⎥⎥⎥⎥⎤​ 向量 b ⃗ = [ b 1 b 2 b 3 ⋯ b n ] \vec{b}=\left[ \begin{matrix} b_1 \\ b_2 \\ b_3 \\ \cdots \\ b_n \end{matrix} \right] b =⎣⎢⎢⎢⎢⎡​b1​b2​b3​⋯bn​​⎦⎥⎥⎥⎥⎤​

a ⃗ + b ⃗ = [ a 1 + b 1 a 2 + b 2 a 3 + b 3 ⋯ a n + b n ] a ⃗ − b ⃗ = [ a 1 − b 1 a 2 − b 2 a 3 − b 3 ⋯ a n − b n ] \vec{a}+\vec{b}=\left[ \begin{matrix} a_1+b_1 \\ a_2+b_2 \\ a_3+b_3 \\ \cdots \\ a_n+b_n \end{matrix} \right] \qquad \vec{a}-\vec{b}=\left[ \begin{matrix} a_1-b_1 \\ a_2-b_2 \\ a_3-b_3 \\ \cdots \\ a_n-b_n \end{matrix} \right] a +b =⎣⎢⎢⎢⎢⎡​a1​+b1​a2​+b2​a3​+b3​⋯an​+bn​​⎦⎥⎥⎥⎥⎤​a −b =⎣⎢⎢⎢⎢⎡​a1​−b1​a2​−b2​a3​−b3​⋯an​−bn​​⎦⎥⎥⎥⎥⎤​

向量点乘（内积、点积、数量积）

向量 a ⃗ \vec{a} a 和向量 b ⃗ \vec{b} b ： a ⃗ = A = [ a 1 a 2 a 3 ⋯ a n ] b ⃗ = B = [ b 1 b 2 b 3 ⋯ b n ] \qquad \vec{a}=A=\left[ \begin{matrix} a_1 \\ a_2 \\ a_3 \\ \cdots \\ a_n \end{matrix} \right] \quad \vec{b}=B=\left[ \begin{matrix} b_1 \\ b_2 \\ b_3 \\ \cdots \\ b_n \end{matrix} \right] a =A=⎣⎢⎢⎢⎢⎡​a1​a2​a3​⋯an​​⎦⎥⎥⎥⎥⎤​b =B=⎣⎢⎢⎢⎢⎡​b1​b2​b3​⋯bn​​⎦⎥⎥⎥⎥⎤​

a和b的点积公式为： a ⃗ ⋅ b ⃗ = a 1 b 1 + a 2 b 2 + a 3 b 3 + ⋯ + a n b n = ∣ a ⃗ ∣ ∣ b ⃗ ∣ cos ⁡ θ \vec{a} \cdot \vec{b}=a_1b_1+a_2b_2+a_3b_3+\cdots +a_nb_n=|\vec{a}||\vec{b}|\cos \theta a ⋅b =a1​b1​+a2​b2​+a3​b3​+⋯+an​bn​=∣a ∣∣b ∣cosθ

另一种写法： a ⃗ ⋅ b ⃗ = A T B = B T A ∣ a ⃗ ∣ = A T A ∣ b ⃗ ∣ = B T B \vec{a} \cdot \vec{b}=A^TB=B^TA \qquad |\vec{a}|=A^TA \qquad |\vec{b}|=B^TB a ⋅b =ATB=BTA∣a ∣=ATA∣b ∣=BTB

向量 a ⃗ \vec{a} a 和向量 b ⃗ \vec{b} b 的点积结果是一个数值

点乘的几何意义是：是一条边向另一条边的投影乘以另一条边的长度

点乘的物理意义可看做：力F在位移x的方向上做的功（ W = F ⃗ ⋅ x ⃗ W=\vec{F} \cdot \vec{x} W=F ⋅x ）

向量叉乘（外积、向量积）

向量 a ⃗ = [ x 1 y 1 z 1 ] \vec{a}=\left[ \begin{matrix} x_1 \\ y_1 \\ z_1 \end{matrix} \right] \qquad a =⎣⎡​x1​y1​z1​​⎦⎤​ 向量 b ⃗ = [ x 2 y 2 z 2 ] \vec{b}=\left[ \begin{matrix} x_2 \\ y_2 \\ z_2 \end{matrix} \right] b =⎣⎡​x2​y2​z2​​⎦⎤​

a和b的叉乘公式为：

a ⃗ × b ⃗ = ∣ i j k x 1 y 1 z 1 x 2 y 2 z 2 ∣ = ( y 1 z 2 − z 1 y 2 ) i + ( z 1 x 2 − x 1 z 2 ) j + ( x 1 y 2 − y 1 x 2 ) k \vec{a} \times \vec{b}=\left| \begin{matrix} i & j & k \\ x_1 & y_1 & z_1 \\ x_2 & y_2 & z_2 \end{matrix} \right| =(y_1z_2-z_1y_2)i+(z_1x_2-x_1z_2)j+(x_1y_2-y_1x_2)k a ×b =∣∣∣∣∣∣​ix1​x2​​jy1​y2​​kz1​z2​​∣∣∣∣∣∣​=(y1​z2​−z1​y2​)i+(z1​x2​−x1​z2​)j+(x1​y2​−y1​x2​)k

a ⃗ × b ⃗ = ∣ i j k x 1 y 1 z 1 x 2 y 2 z 2 ∣ = i ∣ y 1 z 1 y 2 z 2 ∣ − j ∣ x 1 z 1 x 2 z 2 ∣ + k ∣ x 1 y 1 x 2 y 2 ∣ \vec{a} \times \vec{b}= \left| \begin{matrix} i & j & k \\ x_1 & y_1 & z_1 \\ x_2 & y_2 & z_2 \end{matrix} \right| = i\left| \begin{matrix} y_1 & z_1 \\ y_2 & z_2 \end{matrix} \right|- j\left| \begin{matrix} x_1 & z_1 \\ x_2 & z_2 \end{matrix} \right|+ k\left| \begin{matrix} x_1 & y_1 \\ x_2 & y_2 \end{matrix} \right| a ×b =∣∣∣∣∣∣​ix1​x2​​jy1​y2​​kz1​z2​​∣∣∣∣∣∣​=i∣∣∣∣​y1​y2​​z1​z2​​∣∣∣∣​−j∣∣∣∣​x1​x2​​z1​z2​​∣∣∣∣​+k∣∣∣∣​x1​x2​​y1​y2​​∣∣∣∣​

a ⃗ × b ⃗ = ( y 1 z 2 − z 1 y 2 , z 1 x 2 − x 1 z 2 , x 1 y 2 − y 1 x 2 ) \vec{a} \times \vec{b}=(y_1z_2-z_1y_2 \ , \ z_1x_2-x_1z_2 \ , \ x_1y_2-y_1x_2) a ×b =(y1​z2​−z1​y2​,z1​x2​−x1​z2​,x1​y2​−y1​x2​)

i , j , k i,j,k i,j,k是单位向量，分别是：x轴方向 i ⃗ = ( 1 , 0 , 0 ) \vec{i}=(1 , 0 , 0) \quad i =(1,0,0) y轴方向 j ⃗ = ( 0 , 1 , 0 ) \vec{j}=(0 , 1 , 0) \quad j ​=(0,1,0) z轴方向 k ⃗ = ( 0 , 0 , 1 ) \vec{k}=(0 , 0 , 1) k =(0,0,1)

计算方式就是把中间的式子当成一个 3 × 3 3\times 3 3×3的行列式，最后结果合并同类项

3 × 3 3\times 3 3×3的行列式计算： i y 1 z 2 + j z 1 x 2 + k x 1 y 2 − i z 1 y 2 − j x 1 z 2 − k y 1 x 2 iy_1z_2+jz_1x_2+kx_1y_2-iz_1y_2-jx_1z_2-ky_1x_2 iy1​z2​+jz1​x2​+kx1​y2​−iz1​y2​−jx1​z2​−ky1​x2​

看看另一种傻瓜式算法(虽然傻，但这是书上的推导过程)：

单位向量：x轴方向 i ⃗ = ( 1 , 0 , 0 ) \vec{i}=(1 , 0 , 0) \qquad i =(1,0,0) y轴方向 j ⃗ = ( 0 , 1 , 0 ) \vec{j}=(0 , 1 , 0) \qquad j ​=(0,1,0) z轴方向 k ⃗ = ( 0 , 0 , 1 ) \vec{k}=(0 , 0 , 1) k =(0,0,1)

i ⃗ × i ⃗ = j ⃗ × j ⃗ = k ⃗ × k ⃗ = 0 \vec{i} \times \vec{i}=\vec{j} \times \vec{j}=\vec{k} \times \vec{k}=0 \qquad i ×i =j ​×j ​=k ×k =0

i ⃗ = j ⃗ × k ⃗ j ⃗ = k ⃗ × i ⃗ k ⃗ = i ⃗ × j ⃗ \vec{i}=\vec{j} \times \vec{k} \qquad \vec{j}=\vec{k} \times \vec{i} \qquad \vec{k}=\vec{i} \times \vec{j} i =j ​×k j ​=k ×i k =i ×j ​

− i ⃗ = k ⃗ × j ⃗ − j ⃗ = i ⃗ × k ⃗ − k ⃗ = j ⃗ × i ⃗ -\vec{i}=\vec{k} \times \vec{j} \qquad -\vec{j}=\vec{i} \times \vec{k} \qquad -\vec{k}=\vec{j} \times \vec{i} −i =k ×j ​−j ​=i ×k −k =j ​×i

a ⃗ = ( x 1 , y 1 , z 1 ) = x 1 i + y 1 j + z 1 k b ⃗ = ( x 2 , y 2 , z 2 ) = x 2 i + y 2 j + z 2 k \vec{a}=(x_1 , y_1 , z_1) = x_1i+y_1j+z_1k \qquad \vec{b}=(x_2 , y_2 , z_2) = x_2i+y_2j+z_2k a =(x1​,y1​,z1​)=x1​i+y1​j+z1​kb =(x2​,y2​,z2​)=x2​i+y2​j+z2​k

a ⃗ × b ⃗ = ( x 1 i + y 1 j + z 1 k ) × ( x 2 i + y 2 j + z 2 k ) = x 1 x 2 ( i × i ) + y 1 x 2 ( j × i ) + z 1 x 2 ( k × i ) + x 1 y 2 ( i × j ) + y 1 y 2 ( j × j ) + z 1 y 2 ( k × j ) + x 1 z 2 ( i × k ) + y 1 z 2 ( j × k ) + z 1 x 2 ( k × k ) = y 1 z 2 ( j × k ) + z 1 y 2 ( k × j ) + z 1 x 2 ( k × i ) + x 1 z 2 ( i × k ) + x 1 y 2 ( i × j ) + y 1 x 2 ( j × i ) = ( y 1 z 2 − z 1 y 2 ) i + ( z 1 x 2 − x 1 z 2 ) j + ( x 1 y 2 − y 1 x 2 ) k \begin{aligned} \vec{a} \times \vec{b} &=(x_1i+y_1j+z_1k) \times (x_2i+y_2j+z_2k) \\ & = x_1x_2(i \times i)+y_1x_2(j \times i)+z_1x_2(k \times i) \\ & \quad + x_1y_2(i \times j)+y_1y_2(j \times j)+z_1y_2(k \times j) \\ & \quad + x_1z_2(i \times k)+y_1z_2(j \times k)+z_1x_2(k \times k) \\ & = y_1z_2(j \times k)+ z_1y_2(k \times j)+z_1x_2(k \times i)+x_1z_2(i \times k)+x_1y_2(i \times j)+y_1x_2(j \times i) \\ & =(y_1z_2-z_1y_2)i+(z_1x_2-x_1z_2)j+(x_1y_2-y_1x_2)k \\ \end{aligned} a ×b ​=(x1​i+y1​j+z1​k)×(x2​i+y2​j+z2​k)=x1​x2​(i×i)+y1​x2​(j×i)+z1​x2​(k×i)+x1​y2​(i×j)+y1​y2​(j×j)+z1​y2​(k×j)+x1​z2​(i×k)+y1​z2​(j×k)+z1​x2​(k×k)=y1​z2​(j×k)+z1​y2​(k×j)+z1​x2​(k×i)+x1​z2​(i×k)+x1​y2​(i×j)+y1​x2​(j×i)=(y1​z2​−z1​y2​)i+(z1​x2​−x1​z2​)j+(x1​y2​−y1​x2​)k​

a ⃗ × b ⃗ = ( y 1 z 2 − z 1 y 2 , z 1 x 2 − x 1 z 2 , x 1 y 2 − y 1 x 2 ) \vec{a} \times \vec{b}=(y_1z_2-z_1y_2 \ , \ z_1x_2-x_1z_2 \ , \ x_1y_2-y_1x_2) a ×b =(y1​z2​−z1​y2​,z1​x2​−x1​z2​,x1​y2​−y1​x2​)

向量 a ⃗ \vec{a} a 和向量 b ⃗ \vec{b} b 的叉乘结果还是一个向量，大小是 ∣ a ⃗ ∣ ∣ b ⃗ ∣ sin ⁡ θ |\vec{a}||\vec{b}|\sin \theta ∣a ∣∣b ∣sinθ，方向遵守右手定则（先让右手四指指向 a ⃗ \vec{a} a 的方向，当右手的四指从 a ⃗ \vec{a} a 以不超过180度的方向转向 b ⃗ \vec{b} b 时，竖起的大拇指就是 a ⃗ × b ⃗ \vec{a} \times \vec{b} a ×b 的方向。[ a ⃗ × b ⃗ \vec{a} \times \vec{b} a ×b 从 a ⃗ \vec{a} a 转向 b ⃗ \vec{b} b ， b ⃗ × a ⃗ \vec{b} \times \vec{a} b ×a 从 b ⃗ \vec{b} b 转向 a ⃗ \vec{a} a ]）

在三维几何中，向量a和向量b的叉乘结果是a和b向量构成的平面的法向量。通俗一点就是如果 c ⃗ = a ⃗ × b ⃗ \vec{c}=\vec{a} \times \vec{b} c =a ×b ，那么 a ⃗ ⋅ c ⃗ = 0 , b ⃗ × c ⃗ = 0 \vec{a} \cdot \vec{c}=0,\vec{b} \times \vec{c}=0 a ⋅c =0,b ×c =0

点乘的几何意义是： a ⃗ × b ⃗ \vec{a} \times \vec{b} a ×b 在数值上等于由向量 a ⃗ \vec{a} a 和向量 b ⃗ \vec{b} b 构成的平行四边形的面积（也就是 ∣ a ⃗ ∣ |\vec{a}| ∣a ∣为底， ∣ b ⃗ ∣ sin ⁡ θ |\vec{b}|\sin\theta ∣b ∣sinθ为高）

点乘的物理意义可看做：力F在力臂L的方向上的力矩（ M ⃗ = L ⃗ ⋅ F ⃗ \vec{M}=\vec{L} \cdot \vec{F} M =L ⋅F ， L L L是从转动轴到着力点的距离矢量）

补充：

a ⃗ × b ⃗ = − b ⃗ × a ⃗ \vec{a} \times \vec{b}=-\vec{b} \times \vec{a} a ×b =−b ×a 叉乘不满足结合律，满足雅克比恒等式： a ⃗ × ( b ⃗ × c ⃗ ) + b ⃗ × ( c ⃗ × a ⃗ ) + c ⃗ × ( a ⃗ × b ⃗ ) = 0 \vec{a} \times (\vec{b} \times \vec{c})+\vec{b} \times (\vec{c} \times \vec{a})+\vec{c} \times (\vec{a} \times \vec{b})=0 a ×(b ×c )+b ×(c ×a )+c ×(a ×b )=0两个非零向量 a ⃗ \vec{a} a 和 b ⃗ \vec{b} b 平行，当且仅当 a ⃗ × b ⃗ = 0 \vec{a} \times \vec{b}=0 a ×b =0拉格朗日公式1： ( a ⃗ × b ⃗ ) × c ⃗ = b ⃗ × ( a ⃗ ⋅ c ⃗ ) − a ⃗ × ( b ⃗ ⋅ c ⃗ ) (\vec{a} \times \vec{b}) \times \vec{c}=\vec{b} \times (\vec{a} \cdot \vec{c})-\vec{a} \times (\vec{b} \cdot \vec{c}) (a ×b )×c =b ×(a ⋅c )−a ×(b ⋅c )拉格朗日公式2： a ⃗ × ( b ⃗ × c ⃗ ) = b ⃗ × ( a ⃗ ⋅ c ⃗ ) − c ⃗ × ( a ⃗ ⋅ b ⃗ ) \vec{a} \times (\vec{b} \times \vec{c})=\vec{b} \times (\vec{a} \cdot \vec{c})-\vec{c} \times (\vec{a} \cdot \vec{b}) a ×(b ×c )=b ×(a ⋅c )−c ×(a ⋅b )

混合积

定义：已知三个向量a，b和c。如果先作两向量a和b的外积a×b，把所得到的向量与第三个向量c再作数量积，这样得到的数量叫做三向量a，b，c的混合积，记作[abc]。

定理：三个向量a，b，c共面的充分必要条件是[abc]=0

性质：

\qquad 式子1： [ a b c ] = [ b c a ] = [ c a b ] = ( a ⃗ × b ⃗ ) ⋅ c ⃗ = ( b ⃗ × c ⃗ ) ⋅ a ⃗ = ( c ⃗ × a ⃗ ) ⋅ b ⃗ [abc]= [bca]= [cab] =(\vec{a} \times \vec{b}) \cdot \vec{c}=(\vec{b} \times \vec{c}) \cdot \vec{a}=(\vec{c} \times \vec{a}) \cdot \vec{b} [abc]=[bca]=[cab]=(a ×b )⋅c =(b ×c )⋅a =(c ×a )⋅b

\qquad 式子2： [ b a c ] = [ a c b ] = [ c b a ] = ( b ⃗ × a ⃗ ) ⋅ c ⃗ = ( c ⃗ × a ⃗ ) ⋅ b ⃗ = ( c ⃗ × b ⃗ ) ⋅ a ⃗ [bac]= [acb]= [cba] =(\vec{b} \times \vec{a}) \cdot \vec{c}=(\vec{c} \times \vec{a}) \cdot \vec{b}=(\vec{c} \times \vec{b}) \cdot \vec{a} [bac]=[acb]=[cba]=(b ×a )⋅c =(c ×a )⋅b =(c ×b )⋅a

\qquad 式子1与式子2正负相反

向量的混合积[abc]是这样一个数，它的绝对值表示以向量a、b、c为棱的平行六面体的体积。如果向量a、b、c组成右手系（即c的指向按右手规则从a转向b来确定），那么混合积的符号是正的；如果a、b、c组成左手系（即c的指向按左手规则从a转向b来确定），那么混合积的符号是负的。

其实从定义就可看出，混合积的正负取决于向量(a×b)与向量c夹角的余弦值。

几何运用：

∣ a ⃗ × b ⃗ ∣ = ∣ a ⃗ ∣ ∣ b ⃗ ∣ sin ⁡ θ = |\vec{a} \times \vec{b}|=|\vec{a}||\vec{b}|\sin \theta= ∣a ×b ∣=∣a ∣∣b ∣sinθ= 两向量a、b为邻边，所构成的平行四边形的面积。|a|是底|b| sin ⁡ θ \sin\theta sinθ是高

混合积[abc]的绝对值，等于三个向量a、b、c为邻边，所构成的平行六面体的体积。 ∣ a ⃗ × b ⃗ ∣ |\vec{a} \times \vec{b}| ∣a ×b ∣是底面积，|c| cos ⁡ θ \cos\theta cosθ是高， θ \theta θ是向量(a×b)与向量c的夹角

混合积公式推导

向量 a ⃗ = ( x 1 , y 1 , z 1 ) \vec{a}=(x_1,y_1,z_1) a =(x1​,y1​,z1​) ，向量 b ⃗ = ( x 2 , y 2 , z 2 ) \vec{b}=(x_2,y_2,z_2) b =(x2​,y2​,z2​) ，向量 c ⃗ = ( x 3 , y 3 , z 3 ) \vec{c}=(x_3,y_3,z_3) c =(x3​,y3​,z3​)

因为：

a ⃗ × b ⃗ = ∣ i j k x 1 y 1 z 1 x 2 y 2 z 2 ∣ = ∣ 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 \vec{a} \times \vec{b}= \left| \begin{matrix} i & j & k \\ x_1 & y_1 & z_1 \\ x_2 & y_2 & z_2 \end{matrix} \right| = \left| \begin{matrix} y_1 & z_1 \\ y_2 & z_2 \end{matrix} \right|i+ \left| \begin{matrix} z_1 & x_1 \\ z_2 & x_2 \end{matrix} \right|j+ \left| \begin{matrix} x_1 & y_1 \\ x_2 & y_2 \end{matrix} \right| k a ×b =∣∣∣∣∣∣​ix1​x2​​jy1​y2​​kz1​z2​​∣∣∣∣∣∣​=∣∣∣∣​y1​y2​​z1​z2​​∣∣∣∣​i+∣∣∣∣​z1​z2​​x1​x2​​∣∣∣∣​j+∣∣∣∣​x1​x2​​y1​y2​​∣∣∣∣​k

所以：

[ a b c ] = ( a ⃗ × b ⃗ ) ⋅ c ⃗ = ∣ y 1 z 1 y 2 z 2 ∣ x 3 + ∣ z 1 x 1 z 2 x 2 ∣ y 3 + ∣ x 1 y 1 x 2 y 2 ∣ z 3 = ∣ x 1 y 1 z 1 x 2 y 2 z 2 x 3 y 3 z 3 ∣ [abc] = (\vec{a} \times \vec{b}) \cdot \vec{c}= \left| \begin{matrix} y_1 & z_1 \\ y_2 & z_2 \end{matrix} \right| x_3+ \left| \begin{matrix} z_1 & x_1 \\ z_2 & x_2 \end{matrix} \right| y_3+ \left| \begin{matrix} x_1 & y_1 \\ x_2 & y_2 \end{matrix} \right| z_3= \left| \begin{matrix} x_1 & y_1 & z_1 \\ x_2 & y_2 & z_2 \\ x_3 & y_3 & z_3 \\ \end{matrix} \right| [abc]=(a ×b )⋅c =∣∣∣∣​y1​y2​​z1​z2​​∣∣∣∣​x3​+∣∣∣∣​z1​z2​​x1​x2​​∣∣∣∣​y3​+∣∣∣∣​x1​x2​​y1​y2​​∣∣∣∣​z3​=∣∣∣∣∣∣​x1​x2​x3​​y1​y2​y3​​z1​z2​z3​​∣∣∣∣∣∣​

向量的几何运用

示例1

S 的 有 向 面 积 = ∣ a b c d ∣ S的有向面积=\left| \begin{matrix} a & b \\ c & d \end{matrix} \right| S的有向面积=∣∣∣∣​ac​bd​∣∣∣∣​

示例2

平面XOY上的三个点 A = ( x 1 , y 1 ) , B = ( x 2 , y 2 ) , C = ( x 1 , y 1 ) A=(x_1,y_1) , B=(x_2,y_2) , C=(x_1,y_1) A=(x1​,y1​),B=(x2​,y2​),C=(x1​,y1​)，则三角形ABC的有向面积 S = 1 2 ∣ x 1 y 1 1 x 2 y 2 1 x 3 y 3 1 ∣ S=\frac{1}{2} \left| \begin{matrix} x_1 & y_1 & 1 \\ x_2 & y_2 & 1 \\ x_3 & y_3 & 1 \\ \end{matrix} \right| S=21​∣∣∣∣∣∣​x1​x2​x3​​y1​y2​y3​​111​∣∣∣∣∣∣​

证明：

向量 a ⃗ = ( x 2 − x 1 , y 2 − y 1 ) \vec{a}=(x_2-x_1 , y_2-y_1) a =(x2​−x1​,y2​−y1​) ，向量 b ⃗ = ( x 3 − x 1 , y 3 − y 1 ) \vec{b}=(x_3-x_1 , y_3-y_1) b =(x3​−x1​,y3​−y1​)

以向量a、b为邻边，所构成的平行四边形的有向面积 S = ∣ x 2 − x 1 y 2 − y 1 x 3 − x 1 y 3 − y 1 ∣ S=\left| \begin{matrix} x_2-x_1 & y_2-y_1 \\ x_3-x_1 & y_3-y_1 \end{matrix} \right| S=∣∣∣∣​x2​−x1​x3​−x1​​y2​−y1​y3​−y1​​∣∣∣∣​

∣ x 2 − x 1 y 2 − y 1 x 3 − x 1 y 3 − y 1 ∣ = ∣ x 1 y 1 1 x 2 − x 1 y 2 − y 1 0 x 3 − x 1 y 3 − y 1 0 ∣ = ∣ x 1 y 1 1 x 2 y 2 1 x 3 y 3 1 ∣ \left| \begin{matrix} x_2-x_1 & y_2-y_1 \\ x_3-x_1 & y_3-y_1 \end{matrix} \right|= \left| \begin{matrix} x_1 & y_1 & 1 \\ x_2-x_1 & y_2-y_1 & 0 \\ x_3-x_1 & y_3-y_1 & 0 \end{matrix} \right|= \left| \begin{matrix} x_1 & y_1 & 1 \\ x_2 & y_2 & 1 \\ x_3 & y_3 & 1 \\ \end{matrix} \right| ∣∣∣∣​x2​−x1​x3​−x1​​y2​−y1​y3​−y1​​∣∣∣∣​=∣∣∣∣∣∣​x1​x2​−x1​x3​−x1​​y1​y2​−y1​y3​−y1​​100​∣∣∣∣∣∣​=∣∣∣∣∣∣​x1​x2​x3​​y1​y2​y3​​111​∣∣∣∣∣∣​

示例3

空间中的三个向量，向量 a ⃗ = ( a 1 , a 2 , a 3 ) \vec{a}=(a_1,a_2,a_3) a =(a1​,a2​,a3​) ，向量 b ⃗ = ( b 1 , b 2 , b 3 ) \vec{b}=(b_1,b_2,b_3) b =(b1​,b2​,b3​) ，向量 c ⃗ = ( c 1 , c 2 , c 3 ) \vec{c}=(c_1,c_2,c_3) c =(c1​,c2​,c3​) ，以三个向量为邻边构成的的平行六面体的有向体积 V = ∣ a 1 a 2 a 3 b 1 b 2 b 3 c 1 c 2 c 3 ∣ V=\left| \begin{matrix} a_1 & a_2 & a_3 \\ b_1 & b_2 & b_3 \\ c_1 & c_2 & c_3 \\ \end{matrix} \right| V=∣∣∣∣∣∣​a1​b1​c1​​a2​b2​c2​​a3​b3​c3​​∣∣∣∣∣∣​

示例4

空间中的两个向量，向量 a ⃗ = ( a 1 , a 2 , a 3 ) \vec{a}=(a_1,a_2,a_3) a =(a1​,a2​,a3​) ，向量 b ⃗ = ( b 1 , b 2 , b 3 ) \vec{b}=(b_1,b_2,b_3) \quad b =(b1​,b2​,b3​)则两向量所在平面的法向量 n ⃗ = ( ∣ a 2 a 3 b 2 b 3 ∣ , − ∣ a 1 a 3 b 1 b 3 ∣ , ∣ a 1 a 2 b 1 b 2 ∣ ) \vec{n}=(\left| \begin{matrix} a_2 & a_3 \\ b_2 & b_3 \end{matrix} \right| \ , \ -\left| \begin{matrix} a_1 & a_3 \\ b_1 & b_3 \end{matrix} \right| \ , \ \left| \begin{matrix} a_1 & a_2 \\ b_1 & b_2 \end{matrix} \right|) n =(∣∣∣∣​a2​b2​​a3​b3​​∣∣∣∣​,−∣∣∣∣​a1​b1​​a3​b3​​∣∣∣∣​,∣∣∣∣​a1​b1​​a2​b2​​∣∣∣∣​)

a ⃗ × b ⃗ = ∣ i j k a 1 a 2 a 3 b 1 b 2 b 3 ∣ = i ∣ a 2 a 3 b 2 b 3 ∣ − j ∣ a 1 a 3 b 1 b 3 ∣ + k ∣ a 1 a 2 b 1 b 2 ∣ \vec{a} \times \vec{b}= \left| \begin{matrix} i & j & k \\ a_1 & a_2 & a_3 \\ b_1 & b_2 & b_3 \end{matrix} \right| = i\left| \begin{matrix} a_2 & a_3 \\ b_2 & b_3 \end{matrix} \right|- j\left| \begin{matrix} a_1 & a_3 \\ b_1 & b_3 \end{matrix} \right|+ k\left| \begin{matrix} a_1 & a_2 \\ b_1 & b_2 \end{matrix} \right| a ×b =∣∣∣∣∣∣​ia1​b1​​ja2​b2​​ka3​b3​​∣∣∣∣∣∣​=i∣∣∣∣​a2​b2​​a3​b3​​∣∣∣∣​−j∣∣∣∣​a1​b1​​a3​b3​​∣∣∣∣​+k∣∣∣∣​a1​b1​​a2​b2​​∣∣∣∣​