线性代数的本质（七）—

叉积的标准介绍

我们知道叉积的这个
在学习线性代数的时候，我们知道，两个向量做叉积运算会得出一个新的向量，新向量垂直于原两个向量所在的平面，而且新向量的长度是原两个向量所围成的面积大小。

a ⃗ × b ⃗ = det ⁡ ( [ i ^ j ^ k ^ a x a y a z b x b y b z ] ) = det ⁡ ( [ i ^ a x b x j ^ a y b y k ^ a z b z ] ) \vec{a} \times \vec{b} = \det \left( \begin{bmatrix} \hat{i} & \hat{j} & \hat{k} \\ a_x & a_y & a_z \\ b_x & b_y & b_z \end{bmatrix} \right) = \det \left( \begin{bmatrix} \hat{i} & a_x & b_x \\ \hat{j} & a_y & b_y \\ \hat{k} & a_z & b_z \end{bmatrix} \right) a ×b =det⎝⎛⎣⎡i^axbxj^aybyk^azbz⎦⎤⎠⎞=det⎝⎛⎣⎡i^j^k^axayazbxbybz⎦⎤⎠⎞

∣ a ⃗ × b ⃗ ∣ = ∣ a ⃗ ∣ × ∣ b ⃗ ∣ × sin ⁡ ( θ ) \left| \vec{a} \times \vec{b} \right| = |\vec{a}| \times |\vec{b}| \times \sin(\theta) ∣∣∣a ×b ∣∣∣=∣a ∣×∣b ∣×sin(θ)

θ \theta θ 是两个向量 a ⃗ \vec{a} a 和向量 b ⃗ \vec{b} b 的夹角

由于这里涉及到了两个向量围成的面积，所以在前面讲到的行列式能在这里起到作用。

我们以上面这个图片为例，向量 v ⃗ \vec{v} v 和向量 w ⃗ \vec{w} w 做叉积得出向量的长度可以使用行列式来计算，由于这里只有两个向量，所以我们回到二维空间中进行计算，由于垂直于向量 v ⃗ \vec{v} v 和向量 w ⃗ \vec{w} w 所围成的平面有两个方向，可以使用行列式里面学过的 v ⃗ \vec{v} v 在 w ⃗ \vec{w} w 的左边还是右边来判断，如下面的式子。

det ⁡ ( [ v 1 w 1 v 2 w 2 ] ) = − det ⁡ ( [ w 1 v 1 w 2 v 2 ] ) \det \left( \begin{bmatrix} v_1 & w_1 \\ v_2 & w_2 \end{bmatrix} \right) = -\det \left( \begin{bmatrix} w_1 & v_1 \\ w_2 & v_2 \end{bmatrix} \right) det([v1v2w1w2])=−det([w1w2v1v2])

也可以直接在三维空间中使用左手右手定则来判断新向量指向的方向。跟前面行列式介绍的左右手定则基本一样。这里只列出右手定则

以线性变换的眼光看叉积

我们看到最上面的叉积的公式

a ⃗ × b ⃗ = det ⁡ ( [ i ^ a x b x j ^ a y b y k ^ a z b z ] ) = i ^ ( a y b z − a z b y ) + j ^ ( a z b x − a x b z ) + k ^ ( a x b y − a y b x ) \vec{a} \times \vec{b} = \det \left( \begin{bmatrix} \hat{i} & a_x & b_x \\ \hat{j} & a_y & b_y \\ \hat{k} & a_z & b_z \end{bmatrix} \right) = \hat{i}(a_yb_z - a_zb_y) + \hat{j}(a_zb_x-a_xb_z) + \hat{k}(a_xb_y - a_yb_x) a ×b =det⎝⎛⎣⎡i^j^k^axayazbxbybz⎦⎤⎠⎞=i^(aybz−azby)+j^(azbx−axbz)+k^(axby−aybx)

这个公式是怎么来的，为什么会把单位向量放到矩阵里面计算行列式，为什么向量叉积的结果是一个长度等于原来两个向量围成的面积？

我们知道，一个 3 × 3 3 \times 3 3×3 矩阵的行列式的几何意义是空间六面体的体积，而上面行列式的出来的结果是一个向量，是由于我们把单位向量作为矩阵单元。我们首先将 a ⃗ × b ⃗ \vec{a} \times \vec{b} a ×b 转换成 p ⃗ = [ p x p y p z ] \vec{p} = \begin{bmatrix} p_x \\ p_y \\ p_z \end{bmatrix} p =⎣⎡pxpypz⎦⎤，然后上面的公式就改写成下面的样子。

p x i ^ + p y j ^ + p z k ^ = det ⁡ ( [ i ^ a x b x j ^ a y b y k ^ a z b z ] ) = i ^ ( a y b z − a z b y ) + j ^ ( a z b x − a x b z ) + k ^ ( a x b y − a y b x ) p_x\hat{i} + p_y\hat{j} + p_z\hat{k} = \det \left( \begin{bmatrix} \hat{i} & a_x & b_x \\ \hat{j} & a_y & b_y \\ \hat{k} & a_z & b_z \end{bmatrix} \right) = \hat{i}(a_yb_z - a_zb_y) + \hat{j}(a_zb_x-a_xb_z) + \hat{k}(a_xb_y - a_yb_x) pxi^+pyj^+pzk^=det⎝⎛⎣⎡i^j^k^axayazbxbybz⎦⎤⎠⎞=i^(aybz−azby)+j^(azbx−axbz)+k^(axby−aybx) （1）

再进行转化

[ p x p y p z ] ⋅ [ i ^ j ^ k ^ ] = det ⁡ ( [ i ^ a x b x j ^ a y b y k ^ a z b z ] ) \begin{bmatrix} p_x \\ p_y \\ p_z \end{bmatrix} \cdot \begin{bmatrix} \hat{i} \\ \hat{j} \\ \hat{k} \end{bmatrix} = \det \left( \begin{bmatrix} \hat{i} & a_x & b_x \\ \hat{j} & a_y & b_y \\ \hat{k} & a_z & b_z \end{bmatrix} \right) ⎣⎡pxpypz⎦⎤⋅⎣⎡i^j^k^⎦⎤=det⎝⎛⎣⎡i^j^k^axayazbxbybz⎦⎤⎠⎞ （2）

从上面(1)式可以看出，左右两边的单位向量 i ^ \hat{i} i^， j ^ \hat{j} j^， k ^ \hat{k} k^ 可以约掉，所以我们将 [ i ^ j ^ k ^ ] \begin{bmatrix} \hat{i} \\ \hat{j} \\ \hat{k} \end{bmatrix} ⎣⎡i^j^k^⎦⎤ 用三维空间中的任意向量 [ x y z ] \begin{bmatrix} x \\y \\ z \end{bmatrix} ⎣⎡xyz⎦⎤ 代替，最终得到了(3)式

[ p x p y p z ] ⋅ [ x y z ] = det ⁡ ( [ x a x b x y a y b y z a z b z ] ) \begin{bmatrix} p_x \\ p_y \\ p_z \end{bmatrix} \cdot \begin{bmatrix} x \\ y \\ z \end{bmatrix} = \det \left( \begin{bmatrix} x & a_x & b_x \\ y & a_y & b_y \\ z & a_z & b_z \end{bmatrix} \right) ⎣⎡pxpypz⎦⎤⋅⎣⎡xyz⎦⎤=det⎝⎛⎣⎡xyzaxayazbxbybz⎦⎤⎠⎞ （3）

从(3)我们可以得出下面的图像，其中橙色箭头表示向量 a ⃗ \vec{a} a ，粉色箭头表示向量 b ⃗ \vec{b} b ，红色箭头表示 a ⃗ × b ⃗ \vec{a} \times \vec{b} a ×b ，白色箭头表示三维空间中的任意向量 [ x y z ] \begin{bmatrix} x \\ y \\ z \end{bmatrix} ⎣⎡xyz⎦⎤

在上面(3)中我们我们知道等式右边就是图中平行六面体的体积，而平行六面体的体积等于底面积乘以高。这里的高就是向量投影到与底面垂直的直线后的长度。

上面(3)中左边则是向量 p ⃗ \vec{p} p 与向量 [ x y z ] \begin{bmatrix} x \\ y \\ z \end{bmatrix} ⎣⎡xyz⎦⎤的点积，我们知道向量点积的几何意义就是向量 v ⃗ \vec{v} v 投影到 w ⃗ \vec{w} w 的投影长度乘以 w ⃗ \vec{w} w 的长度。上面说的平行六面体的计算跟这里向量 [ x y z ] \begin{bmatrix} x \\ y \\ z \end{bmatrix} ⎣⎡xyz⎦⎤ 与垂直于底面且长度式底面积的向量 a ⃗ × b ⃗ \vec{a} \times \vec{b} a ×b 作点积是完全一致的。这就是为什么 a ⃗ × b ⃗ \vec{a} \times \vec{b} a ×b 是垂直于 a ⃗ \vec{a} a 和 b ⃗ \vec{b} b 所在的平面，且长度是 a ⃗ \vec{a} a 和 b ⃗ \vec{b} b 所围成的面积。

线性代数的本质（七）——叉积相关推荐

两个三维向量叉积_线性代数的本质08 叉积
08-1 叉积基本介绍 [熟肉]线性代数的本质 - 08第一部分 - 叉积的标准介绍_哔哩哔哩 (゜-゜)つロ干杯~-bilibiliwww.bilibili.com 叉积也可以从线性变换的角度来 ...
【线性代数的本质|笔记】从线性变换的角度看向量的点积和叉积
点积与叉积引入点积的标准方法定义:对于给定的两个同维度的向量求解点积,就是将向量相对应的维度的分量相乘再相加. 几何意义:两个向量w和v的点积,可以看成是向量w在v方向的投影和v长度的乘积:或者是 ...
3blue1brown线性代数的本质笔记
3blue1brown线性代数的本质视频目录 1.向量究竟是什么? 2.线性组合.张成空间与基 3.矩阵与线性变换 4.矩阵乘法与线性变换复合 5.行列式 6.逆矩阵.列空间和零空间 7.点积与对偶 ...
《线性代数的本质》学习笔记
诸神缄默不语-个人CSDN博文目录 VX号"PolarisRisingWar"可直接搜索添加作者好友讨论. 本文是3B1B视频课程<线性代数的本质>全内容笔记. 更新日 ...
线性代数的本质--笔记整理
线性代数的本质--笔记 00 序言尽管一批教授和教科书编者用关于矩阵的荒唐至极的计算内容掩盖了线性代数的简明性,但是鲜有与之相较更为初等的理论. 一一让.迪厄多内线性代数不仅 ...
线性代数的本质（3Blue1Brown线代笔记）
01:向量究竟是什么? 从物理专业学生视角看,向量是空间中的箭头,向量可在空间中自由落脚,决定向量的是它的长度和所指的方向. 从计算机专业学生的视角看,向量是有序的数字列表,例如研究房价,你会用二维向 ...
线性代数的本质学习笔记
线性代数的本质文章目录线性代数的本质 1.向量究竟是什么 2.线性组合.张成的空间.基 3.矩阵与线性变换 4.矩阵乘法与线性变换复合 5.三维空间中的线性变换 6.行列式 7.逆矩阵.列空间与零 ...
3Blue1Brown【线性代数的本质】— 个人笔记
[线性代数的本质]- 个人笔记 00 序言 01 向量 02 张成的空间与基 03 矩阵与线性变换 04 矩阵乘法与线性变换的联系 05 行列式 06 逆矩阵.列空间.秩与零空间补充:非方阵不同维 ...
线性代数的本质及其在AI中的应用
线性代数是 AI 专家必须掌握的知识,这已不再是个秘密.如果不掌握应用数学这个领域,你永远就只能是「门外汉」.当然,学习线性代数道阻且长.数学,尤其是线性代数常与枯燥.复杂和毫无意义的事物联系起来.不 ...
线性代数的本质与几何意义 02. 线性组合、张成的空间、基(3blue1brown 咪博士图文注解版)...
1. 线性组合接下来我们要换一个角度来看向量.以二维平面直角坐标系为例,i, j 分别是沿 2 个坐标轴方向的单位向量.那么坐标平面上的其他向量,例如 [ 3 -2 ] [3−与 i, j 是什么 ...

线性代数的本质（七）——叉积

叉积的标准介绍

以线性变换的眼光看叉积

线性代数的本质（七）——叉积相关推荐

最新文章

热门文章