• 1.2 向量代数


    1.向量的概念

    定义:

    既有大小,又有方向。

    向量的表示法
    记有向线段的起点A与终点B,从点A指向B的箭头表示了这条线端的方向,线段的长度表示了这条线段的大小,向量就可用这样的一条有向线段来表示,
    记作:

    A B ⃗ \vec{AB} AB

    向量也可以简记为:

    α β γ \alpha \quad \beta \quad \gamma αβγ …等

    将向量的长度记为:

    | A B ⃗ \vec{AB} AB | 简称为:模

    2. 特殊的向量

    (1) 单位向量: 模为1的向量;与向量 a ⃗ \vec{a} a 同方向的单位向量。

    (2)零向量:模为0的向量,记作: 0 ⃗ \vec{0} 0 ,规定零向量的方向是任意的方向。

    3.向量的关系

    (1)向量平行 对于两个非零向量 a ⃗ \vec{a} a b ⃗ \vec{b} b ,若它们的方向相同或相反,则称这两个向量平行或共线,记作 a ⃗ \vec{a} a // b ⃗ \vec{b} b

    (2)向量相等 若两个向量 a ⃗ \vec{a} a b ⃗ \vec{b} b 的模相等且方向相同,则称这两个向量相等,记作 a ⃗ \vec{a} a = b ⃗ \vec{b} b
    注:
    (1)零向量与任何向量都是平行关系;
    (2)若某向量可以在空间中平行移动,所得向量与原向量相等,则称该向量为自由向量。

    4.向量的加法

    (1)平行四边形法则

    image-20230224171408156

    (2)三角形法则

    image-20230224171438833

    (3)三棱锥法则

    image-20230224171616567

    加法运算规律:
    交换律

    a ⃗ \vec{a} a + b ⃗ \vec{b} b = b ⃗ \vec{b} b + a ⃗ \vec{a} a

    结合律:

    ( a ⃗ \vec{a} a + b ⃗ \vec{b} b )+ c ⃗ \vec{c} c = a ⃗ \vec{a} a +( b ⃗ \vec{b} b + c ⃗ \vec{c} c ) = a ⃗ \vec{a} a + b ⃗ \vec{b} b + c ⃗ \vec{c} c

    三角形法则可推广到多个向量相加。

    向量的减法

    a ⃗ \vec{a} a - b ⃗ \vec{b} b = a ⃗ \vec{a} a +(- b ⃗ \vec{b} b )
    特别是 a ⃗ \vec{a} a = b ⃗ \vec{b} b 的时候
    a ⃗ \vec{a} a - b ⃗ \vec{b} b =0

    image-20230224171705160

    三角不等式

    | a ⃗ \vec{a} a + b ⃗ \vec{b} b | ≤ \leq | a ⃗ \vec{a} a |+|- b ⃗ \vec{b} b |
    | a ⃗ \vec{a} a - b ⃗ \vec{b} b | ≤ \leq | a ⃗ \vec{a} a |-| b ⃗ \vec{b} b |

    向量与数的乘法

    设是一实数, λ 与的乘积是一新向量,记作 λ a ⃗ \lambda与 的乘积是一新向量,记作\lambda\vec{a} λ与的乘积是一新向量,记作λa
    模长为:

    | λ a ⃗ ∣ = ∣ λ ∣ ∣ a ⃗ \lambda \vec{a} |= |\lambda|| \vec{a} λa =λ∣∣a |

    数乘法运算律:
    结合律

    λ ( μ α ) = λ μ α = μ ( λ α \lambda(\mu\alpha)= \lambda\mu\alpha = \mu(\lambda\alpha λμα=λμα=μ(λα)

    分配律

    λ ( a ⃗ + b ⃗ ) = λ a ⃗ + λ b ⃗ \lambda(\vec{a}+\vec{b})=\lambda\vec{a}+\lambda\vec{b} λ(a +b )=λa +λb
    λ a ⃗ + λ b ⃗ = λ ( a ⃗ + b ⃗ \lambda\vec{a}+\lambda\vec{b}= \lambda(\vec{a}+\vec{b} λa +λb =λ(a +b )

    若向量 a ⃗ \vec{a} a ≠ 0 ⃗ \neq\vec{0} =0 ,
    则其单位向量为 a ⃗ = 1 ∣ a ⃗ ∣ a ⃗ \vec{a} = \frac{1}{|\vec{a}|}\vec{a} a =a 1a

    向量的夹角

    设有两个向量 a ⃗ \vec{a} a b ⃗ \vec{b} b 平移致使始点重合,且交于点S。把一个向量绕点S在两个向量所确定的平面上旋转,直到方向和另一个向量的方向重合,则称所旋转的角度为向量 a ⃗ \vec{a} a , b ⃗ \vec{b} b 的夹角, ϑ \vartheta ϑ=( ϑ ∈ \vartheta\in ϑ[0, π \pi π]。

    特殊的向量夹角

    1. ϑ \vartheta ϑ = 0 ⟵ \longleftarrow ⟶ \longrightarrow 向量 a ⃗ \vec{a} a , b ⃗ \vec{b} b 平行,且方向相同;
    2. ϑ \vartheta ϑ = π \pi π $ \longleftarrow$ ⟶ \longrightarrow 向量 a ⃗ \vec{a} a , b ⃗ \vec{b} b 平行,且方向相反;
    3. ϑ \vartheta ϑ = π 2 \frac{\pi}{2} 2π ⟵ \longleftarrow ⟶ \longrightarrow 向量 a ⃗ \vec{a} a , b ⃗ \vec{b} b 垂直,记作 a ⃗ ⊥ b ⃗ \vec{a}\bot\vec{b} a b

    向量的投影

    (1)点在数轴上的投影 已知空间一点M与一数轴u ,过点M 作垂直于数轴u的平面 β \beta β,且交点为M′ ,则称点M′为点M在数轴u上的投影,其中数轴u称为投影轴。

    (2)向量的投影 设向量𝐶的始点C和终点D在数轴u上的投影点分别是C ′为D ′ ,则称向量 C ′ D ′ ⃗ \vec{C′D′} CD 为向量CD的投影向量。记 P r j u C D ⃗ Prju \vec{CD} PrjuCD = C′ − D′。

    图示:

    向量投影的计算

    定理1 对于任意非零向量 α \alpha α,有

    P r j u α = ∣ α ∣ cos ⁡ φ Prju \alpha = |\alpha|\cos\varphi Prj=αcosφ

    其中 φ \varphi φ α \alpha α与数轴 u u u的夹角。

    注:(1)当投影轴与向量成锐角时,向量的投影为正;

    ​ 当投影轴与向量成钝角时,向量的投影为负;

    ​ 当投影轴与向量成直角时,向量的投影为零。

    ​ (2)相等的向量在同一数轴上的投影相等。

    定理2: 投影的线性性质 (1) P r j u ( α ± β ) = P r j u α ± P r j u β Prju (\alpha \pm \beta) = Prju\alpha \pm Prju\beta Prju(α±β)=Prj±Prjuβ

    ​ (2) P r j u ( λ α ) = λ P r j u α Prju(\lambda\alpha) = \lambda Prju \alpha Prju(λα)=λPrj

    向量的坐标

    定义3 设向量 i ⃗ , j ⃗ , k ⃗ \vec{i},\vec{j},\vec{k} i ,j ,k 分别为与xyz轴同向的单位向量,则称其为

    空间直角坐标系的基本单位向量。

    定义4 向径的坐标表示设点M的坐标为(xyz ),则向径 r =OM= (xyz

    r = x i + y j + z k r = xi + yj + zk r=xi+yj+zk

    image-20230303155306674

    定义 若向量 α \alpha α分别在x,y,z轴上的投影 α x , α y , α z \alpha x,\alpha y,\alpha z αx,αy,αz组成的有序数组( α x , α y , α z \alpha x,\alpha y,\alpha z αx,αy,αz)为向量 α \alpha α的坐标,记为 α = ( α x , α y , α z ) \alpha=(\alpha x,\alpha y,\alpha z) α=(αx,αy,αz)

    定义4 设始点M1 (x1,y1,z1) ,终点M2 (x2,y2,z2) ,因此 M 1 M 2 ⃗ \vec{M1M2} M1M2 的坐标为 ( x 2 − x 1 , y 2 − y 1 , z 2 − z 1 ) (x2-x1,y2-y1,z2-z1) (x2x1,y2y1,z2z1)

    且分解式表达为 M 1 M 2 ⃗ = ( x 2 − x 1 ) i ⃗ + ( y 2 − y 1 ) y ⃗ + ( z 2 − z 1 ) z ⃗ \vec{M1M2}= (x2-x1)\vec{i}+(y2-y1)\vec{y}+(z2-z1)\vec{z} M1M2 =(x2x1)i +(y2y1)y +(z2z1)z

    (1) 计算向量的模 α = ( α x , α y , α z ) \alpha = (\alpha x,\alpha y,\alpha z) α=(αx,αy,αz)

    ∣ α ∣ = α x 2 + α y 2 + α z 2 |\alpha| = \sqrt{\alpha x^2+\alpha y^2+\alpha z^2} α=αx2+αy2+αz2

    (2)向量的方向角

    ​ 若向量 α \alpha α与下,x,y,z轴正向的夹角分别为 α , β , γ \alpha,\beta,\gamma α,β,γ,则称 α , β , γ \alpha,\beta,\gamma α,β,γ为方向量 α \alpha α在x,y,z,轴方向角。 cos ⁡ α , cos ⁡ β , cos ⁡ γ \cos\alpha,\cos\beta,\cos\gamma cosα,cosβ,cosγ分别称为方向余弦。

    且有:

    α x = ∣ α ∣ cos ⁡ α , α y = ∣ α ∣ cos ⁡ β , α z = ∣ α ∣ cos ⁡ γ \alpha x =|\alpha|\cos\alpha,\alpha y = |\alpha|\cos\beta,\alpha z = |\alpha|\cos\gamma αx=αcosα,αy=αcosβ,αz=αcosγ

    以及有:

    cos ⁡ 2 α + cos ⁡ 2 β + cos ⁡ 2 γ = 1 \cos^2 \alpha+\cos^2 \beta + \cos^2 \gamma = 1 cos2α+cos2β+cos2γ=1

    向量坐标运算

    a = ( a x , a y , a z ) , β = ( b x , b y , b z ) a = (ax,ay,az) , \beta = (bx,by,bz) a=(ax,ay,az),β=(bx,by,bz)

    α ± β = ( a x ± b x , a y ± b y , a z ± b z ) \alpha \pm \beta = (ax \pm bx,ay \pm by,az \pm bz) α±β=(ax±bx,ay±by,az±bz)

    λ α = ( λ a x , λ a y , λ a z ) λ ∈ R \lambda\alpha = (\lambda ax,\lambda ay, \lambda az) \lambda \in R λα=(λax,λay,λaz)λR

    向量坐标运算

    a = ( a x , a y , a z ) , β = ( b x , b y , b z ) a = (ax,ay,az) , \beta = (bx,by,bz) a=(ax,ay,az),β=(bx,by,bz)

    α ± β = ( a x ± b x , a y ± b y , a z ± b z ) \alpha \pm \beta = (ax \pm bx,ay \pm by,az \pm bz) α±β=(ax±bx,ay±by,az±bz)

    λ α = ( λ a x , λ a y , λ a z ) λ ∈ R \lambda\alpha = (\lambda ax,\lambda ay, \lambda az) \lambda \in R λα=(λax,λay,λaz)λR

  • 相关阅读:
    如何基于RDD方式完成DataFrame的代码构建?
    阿里云国际站代理商:FFmpeg 处理音视频文件的常用方法
    增长黑客营销方式
    华硕主板刷机后不能进入Windows的解决办法
    数据库之索引
    大数据技术基础实验九:Hive实验——部署Hive
    uni-app 之 短信验证码登录
    【Android】UI组件之basicView-EditText
    分布式中灰度方案实践
    如何快速选购腾讯云NVIDIA GPU云服务器实例?
  • 原文地址:https://blog.csdn.net/weixin_52184735/article/details/132765390