【解析几何笔记】9. 向量的内积运算

news/2024/9/18 12:49:17/ 标签: 笔记, 解析几何

9. 向量的内积运算

定义:有向量 α , β \pmb{\alpha},\pmb{\beta} α,β α ⋅ β = ∣ α ∣ ∣ β ∣ ⋅ cos ⁡ < α , β > \pmb{\alpha}\cdot\pmb{\beta}=|\pmb{\alpha}||\pmb{\beta}|\cdot\cos<\pmb{\alpha},\pmb{\beta}> αβ=α∣∣βcos<α,β>(结果是一个数)

  • α ⋅ β = 0 ⇔ α ⊥ β \pmb{\alpha}\cdot\pmb{\beta}=0\Leftrightarrow\pmb{\alpha}\bot\pmb{\beta} αβ=0αβ
  • α ⋅ α = ∣ α ∣ 2 ⇒ α ⋅ α \pmb{\alpha}\cdot\pmb{\alpha}=|\pmb{\alpha}|^{2}\Rightarrow\sqrt{\pmb{\alpha}\cdot\pmb{\alpha}} αα=α2αα
  • < α , β > = arccos ⁡ α ⋅ β ∣ α ∣ ∣ β ∣ <\pmb{\alpha},\pmb{\beta}>=\arccos\frac{\pmb{\alpha}\cdot\pmb{\beta}}{|\pmb{\alpha}||\pmb{\beta}|} <α,β>=arccosα∣∣βαβ
  • 【交换律】 α ⋅ β = β ⋅ α \pmb{\alpha}\cdot\pmb{\beta}=\pmb{\beta}\cdot\pmb{\alpha} αβ=βα
  • P β α = ∣ α ∣ cos ⁡ < α , β > β 0 = ∣ α ∣ cos ⁡ < α , β > β ∣ β ∣ ⇒ α ⋅ β = P β α β 0 ∣ β ∣ P_{\pmb{\beta}}\pmb{\alpha}=|\alpha|\cos<\pmb{\alpha},\pmb{\beta}>\pmb{\beta}_{0}=|\alpha|\cos<\pmb{\alpha},\pmb{\beta}>\frac{\pmb{\beta}}{|\pmb{\beta}|}\Rightarrow\pmb{\alpha}\cdot\pmb{\beta}=\frac{P_{\pmb{\beta}}\pmb{\alpha}}{\pmb{\beta}_{0}}|\pmb{\beta}| Pβα=αcos<α,β>β0=αcos<α,β>ββαβ=β0Pβαβ
  • 【定理1.3】内积具有双线性性
    (1) α ⋅ ( β + γ ) = α ⋅ β + α ⋅ γ \pmb{\alpha}\cdot(\pmb{\beta}+\pmb{\gamma})=\pmb{\alpha}\cdot\pmb{\beta}+\pmb{\alpha}\cdot\pmb{\gamma} α(β+γ)=αβ+αγ
    ( α + γ ) ⋅ β = α ⋅ β + γ ⋅ α (\pmb{\alpha}+\pmb{\gamma})\cdot\pmb{\beta}=\pmb{\alpha}\cdot\pmb{\beta}+\pmb{\gamma}\cdot\pmb{\alpha} (α+γ)β=αβ+γα
    (2) α ⋅ ( λ β ) = λ α β = ( λ α ) β \pmb{\alpha}\cdot(\lambda \pmb{\beta})=\lambda \pmb{\alpha}\pmb{\beta}=(\lambda\pmb{\alpha})\pmb{\beta} α(λβ)=λαβ=(λα)β
    【证】(1) ( α + γ ) ⋅ β = P β ( α + γ ) β 0 ∣ β ∣ = P β α + P β γ β 0 ∣ β ∣ ( β 0 与分母的向量都平行 ) = P β α β 0 + P β γ β 0 = α ⋅ β + α ⋅ γ (\pmb{\alpha}+\pmb{\gamma})\cdot\pmb{\beta}=\frac{P_{\pmb{\beta}}(\pmb{\alpha}+\pmb{\gamma})}{\pmb{\beta}_{0}}|\pmb{\beta}|=\frac{P_{\pmb{\beta}}\pmb{\alpha}+P_{\pmb{\beta}}\pmb{\gamma}}{\pmb{\beta}_{0}}|\pmb{\beta}|(\pmb{\beta}_{0}与分母的向量都平行)=\frac{P_{\pmb{\beta}}\pmb{\alpha}}{\pmb{\beta}_{0}}+\frac{P_{\pmb{\beta}}\pmb{\gamma}}{\pmb{\beta}_{0}}=\pmb{\alpha}\cdot\pmb{\beta}+\pmb{\alpha}\cdot\pmb{\gamma} (α+γ)β=β0Pβ(α+γ)β=β0Pβα+Pβγβ(β0与分母的向量都平行)=β0Pβα+β0Pβγ=αβ+αγ
    (2) ( λ α ) ⋅ β = P β λ α β 0 ∣ β ∣ = λ p β α β 0 ∣ β ∣ = λ α β (\lambda\pmb{\alpha})\cdot\pmb{\beta}=\frac{P_{\pmb{\beta}}{\pmb{\lambda \pmb{\alpha}}}}{\pmb{\beta}_{0}}|\pmb{\beta}|=\frac{\lambda p_{\pmb{\beta}}\pmb{\alpha}}{\pmb{\beta}_{0}}|\pmb{\beta}|=\lambda \pmb{\alpha}\pmb{\beta} (λα)β=β0Pβλαβ=β0λpβαβ=λαβ

【例】用向量的内积来证明余弦定理。

【例1.12】

9.1 内积的坐标计算公式

有空间仿射坐标系 [ O : e 1 , e 2 , e 3 ] [O:\pmb{e}_{1},\pmb{e}_{2},\pmb{e}_{3}] [O:e1,e2,e3] α = ( a 1 , a 2 , a 3 ) , β = ( b 1 , b 2 , b 3 ) \pmb{\alpha}=(a_{1},a_{2},a_{3}),\pmb{\beta}=(b_{1},b_{2},b_{3}) α=(a1,a2,a3),β=(b1,b2,b3) α = a 1 e 1 + a 2 e 2 + a 3 e 3 , β = b 1 e 1 + b 2 e 2 + b 3 e 3 \pmb{\alpha}=a_{1}\pmb{e}_{1}+a_{2}\pmb{e}_{2}+a_{3}\pmb{e}_{3},\pmb{\beta}=b_{1}\pmb{e}_{1}+b_{2}\pmb{e}_{2}+b_{3}\pmb{e}_{3} α=a1e1+a2e2+a3e3,β=b1e1+b2e2+b3e3
α ⋅ β = ( a 1 e 1 + a 2 e 2 + a 3 e 3 ) ( b 1 e 1 + b 2 e 2 + b 3 e 3 ) = a 1 b 1 e 1 2 + a 1 b 1 e 1 e 2 + a 1 b 3 e 1 e 3 + a 2 b 1 e 1 e 2 + a 2 b 2 e 2 2 + a 2 b 3 e 2 e 3 + a 3 b 1 e 1 e 3 + a 3 b 2 e 2 e 3 + a 3 b 3 e 3 2 \pmb{\alpha}\cdot\pmb{\beta}=(a_{1}\pmb{e}_{1}+a_{2}\pmb{e}_{2}+a_{3}\pmb{e}_{3})(b_{1}\pmb{e}_{1}+b_{2}\pmb{e}_{2}+b_{3}\pmb{e}_{3})=a_{1}b_{1}\pmb{e}_{1}^{2}+a_{1}b_{1}\pmb{e}_{1}\pmb{e}_{2}+a_{1}b_{3}\pmb{e}_{1}\pmb{e}_{3}+a_{2}b_{1}\pmb{e}_{1}\pmb{e}_{2}+a_{2}b_{2}\pmb{e}_{2}^{2}+a_{2}b_{3}\pmb{e}_{2}\pmb{e}_{3}+a_{3}b_{1}\pmb{e}_{1}\pmb{e}_{3}+a_{3}b_{2}\pmb{e}_{2}\pmb{e}_{3}+a_{3}b_{3}\pmb{e}_{3}^{2} αβ=(a1e1+a2e2+a3e3)(b1e1+b2e2+b3e3)=a1b1e12+a1b1e1e2+a1b3e1e3+a2b1e1e2+a2b2e22+a2b3e2e3+a3b1e1e3+a3b2e2e3+a3b3e32
[ O : e 1 , e 2 , e 3 ] [O:\pmb{e}_{1},\pmb{e}_{2},\pmb{e}_{3}] [O:e1,e2,e3]是直角坐标系, e i ⊥ e j ( i ≠ j ) , ∣ e i ∣ = 1 ⇔ e i e j = 0 ( i ≠ j ) , e i 2 = 1 \pmb{e}_{i}\bot\pmb{e}_{j}(i\ne j),|\pmb{e}_{i}|=1\Leftrightarrow \pmb{e}_{i}\pmb{e}_{j}=0(i\ne j),\pmb{e}_{i}^{2}=1 eiej(i=j),ei=1eiej=0(i=j),ei2=1,则 α ⋅ β = ( a 1 e 1 + a 2 e 2 + a 3 e 3 ) ( b 1 e 1 + b 2 e 2 + b 3 e 3 ) = a 1 b 1 + a 2 b 2 + a 3 b 3 \pmb{\alpha}\cdot\pmb{\beta}=(a_{1}\pmb{e}_{1}+a_{2}\pmb{e}_{2}+a_{3}\pmb{e}_{3})(b_{1}\pmb{e}_{1}+b_{2}\pmb{e}_{2}+b_{3}\pmb{e}_{3})=a_{1}b_{1}+a_{2}b_{2}+a_{3}b_{3} αβ=(a1e1+a2e2+a3e3)(b1e1+b2e2+b3e3)=a1b1+a2b2+a3b3
【例14】有正四面体


http://www.ppmy.cn/news/1516469.html

相关文章

Qt编写贪吃蛇小游戏完整项目

文章目录 前言一、Qt环境准备二、编写思路三、编写代码1、开始游戏界面代码1.1、绘制界面1.2、界面基本配置 2、选择难度界面代码3、游戏房间界面制作3.1、界面基础配置3.2、提前配置类中的成员变量3.2.1、QRectF 3.3、检测游戏是否结束的方法3.4、蛇移动的实现3.4.1、蛇向上移…

【赵渝强老师】执行MySQL的冷备份与冷恢复

冷备份是指发生在数据库已经正常关闭的情况下进行的备份。由于此时数据库已经关闭&#xff0c;通过冷备份可以将数据库的关键性文件拷贝到另外存储位置。冷备份因为只是拷贝文件&#xff0c;因此备份的速度非常快。在执行恢复时&#xff0c;只需将文件再拷贝回去就可以很容易恢…

CPU利用率和CPU负载的区别

CPU利用率和负载虽然相关,但确是两个不同的概念。 CPU利用率 CPU利用率表示CPU实际工作时间与总时间的比率,通常以百分比表示。范围是0% 到 100%&#xff0c;CPU利用率的含义是表示CPU在给定时间内实际执行指令的时间比例&#xff0c;举个例子: 70% 的CPU利用率意味着在某个时…

TCP、UDP

端口号: 端口号: 16位数值(unsigned short ) //0~65535 (65536个数) //标示一个进程 TCP和 UDP 的端口号是独立的 端口号: (1) 作用:唯一的标识一个进程 每一个应用程序进程有一个端口号&#xff0c; 通讯时区分数据包属于哪个应…

硬件面试经典 100 题(81~90)题

81、请问下图电路中二极管 D1、D2 有什么作用&#xff1f; 在 Vi 输入电压接近于零时&#xff0c;D1、D2 给三极管 T1、T2 提供偏置电压&#xff0c;使 T1、T2 维持导通&#xff0c;以消除交越失真。 陈氏解释 这道题参见&#xff1a;硬件面试经典 100 题&#xff08;51~70 题…

Vue3 后台管理系统项目 前端部分

这里写目录标题 1 创建Vue3项目1.1 相关链接1.2 Vue Router1.3 Element1.4 scss1.5 mitt1.6 axios1.7 echarts1.8 配置vite.config.js 2 CSS部分2.1 样式穿透2.2 :style &#xff1a;在样式中使用插值语法 3. ElementUI3.1 rules&#xff1a; 数据验证3.2 修改element.style中的…

信号分解|基于北方苍鹰优化变分模态分解的时序信号分解Matlab程序NGO-VMD

信号分解|基于北方苍鹰优化变分模态分解的时序信号分解Matlab程序NGO-VMD 文章目录 一、基本原理二、实验结果三、核心代码四、代码获取五、总结 信号分解|基于北方苍鹰优化变分模态分解的时序信号分解Matlab程序NGO-VMD 一、基本原理 NGO-VMD结合了北方苍鹰优化算法&#xff…

移动端爬虫学习记录

免责声明 本文旨在探讨移动端爬虫技术的应用和挑战&#xff0c;仅供教育和研究用途。请确保在合法合规的框架内使用爬虫技术&#xff0c;遵循相关法律法规和网站的使用条款。作者不对因使用本文内容而产生的任何法律或安全问题承担责任。 1、初识移动端爬虫 学习移动端爬虫的原…

7. Java 中 HashMap 的扩容机制是怎样的?

​​​​​​HashMap 是基于哈希表的数据结构&#xff0c;其容量是动态调整的。当存储的元素数量增加时&#xff0c;为了保持较好的性能&#xff0c;HashMap 需要进行扩容。HashMap 的扩容机制是为了减少哈希碰撞&#xff0c;提高查询效率。 1. 初始容量和负载因子 初始容量&a…

Android 退出app方式(回忆录)

一、点击返回键或者设备back键调用finish private void back(){finish(); }或Overridepublic void onBackPressed() {super.onBackPressed();}二、结束进程 android.os.Process.killProcess(android.os.Process.myPid()); 三、方法二exit结束java虚拟机 System.exit(0); 四…

uniapp中路由的基本使用方法、参数传递方式以及路由拦截与权限控制

一、概述 在uniapp开发中&#xff0c;路由是非常重要的一个方面&#xff0c;它可以实现页面之间的跳转和传递参数。本文将介绍uniapp中路由的使用技巧&#xff0c;并给出具体的代码示例。 二、uniapp路由的基本使用 在uniapp中&#xff0c;路由的基本使用可以通过uni.navigate…

ai变声:视频怎么变音?分享6个语音变声器,视频变声不再难!

想过如何让自己的直播内容更吸引人吗&#xff1f;你是否希望通过变声器来打造独特的声音效果&#xff1f;或者&#xff0c;如何用创意声音提升观众的互动体验呢&#xff1f;随着直播行业的不断发展&#xff0c;每位主播都在努力寻找吸引观众的独特方式&#xff0c;而变声器正是…

【Test 001】Qt 开发基础体系 QMap 类和 QHash 类以及 QVector 类

文章目录 1.QMap 详解1.1 QMap 的介绍1.2 QMap 的具体用法如下1.3 QmultiMap类 2.QHash 详解3. QMap 和 QHash 的对比4. QVector 详解 1.QMap 详解 1.1 QMap 的介绍 &#x1f427;① QMap<key,T>提供一个从类型为Key的键到类型为T的值的映射。通常&#xff0c;QMap存储的…

新手小白Ubuntu18.04超详细安装教程

1、Ubuntu18.04系统下载地址 Ubuntu18.04下载地址 直接下载桌面版 2、Ubuntu18.04安装 &#xff08;1&#xff09;打开VMware虚拟机 文件—>新建虚拟机—>选择典型 &#xff08;2&#xff09;选择稍后安装系统 &#xff08;3&#xff09;选择linux系统&#xff0c;…

学习记录:js算法(十五):三数之和

文章目录 三数之和我的思路网上思路 总结 三数之和 给你一个整数数组 nums &#xff0c;判断是否存在三元组 [nums[i], nums[j], nums[k]] 满足 i ! j、i ! k 且 j ! k &#xff0c;同时还满足 nums[i] nums[j] nums[k] 0 。请你返回所有和为 0 且不重复的三元组。 注意&…

win/mac视频剪辑软件Premiere Pro 2024下载安装

目录 一、简介 &#xff08;一&#xff09;高级调色功能 &#xff08;二&#xff09;字幕制作 &#xff08;三&#xff09;与其他 Adobe 软件的协同工作 下载 二、安装 &#xff08;一&#xff09;安装前的准备工作 &#xff08;二&#xff09;安装过程中的常见问题及解…

前端面试宝典【CSS篇】【8】

在前端开发的世界里,每一次面试都是一次机遇,也是一次挑战。 你是否曾因技术深度不够而错失良机? 或是面对最新的技术趋势感到迷茫? 我们的【前端面试宝典】正是为此而来。 由拥有多年一线实战经验的资深工程师亲自授课,结合最新的行业动态与实战案例,旨在全面提升你的技…

【算法进阶2-动态规划】斐波那契数列(递归调用、动态规划)、钢条切割问题(自定而下实现、自底向上、切割方案)

1 斐波那契数 2 钢条切割问题 2.1 最优解情况 2.2 钢条切割问题之自定而下实现 2.3 钢条切割问题之自底向上实现 2.4 钢条切割问题-重构解-切割方案 1 斐波那契数 # 1 子问题的重复计算 def fibonacci(n: int) -> int:"""使用递归方式计算第 n 个斐波那契数…

美国高防服务器测评

美国高防服务器通常具有出色的硬件配置和网络性能&#xff0c;以及强大的DDoS防御能力。rak小编为您整理发布美国高防服务器测评。 美国高防服务器因其地理位置和网络基础设施的优势&#xff0c;通常被认为在防御分布式拒绝服务(DDoS)攻击方面具有较高的能力。面对日益增长的网…

基于R语言遥感随机森林建模与空间预测

随机森林作为一种集成学习方法&#xff0c;在处理复杂数据分析任务中特别是遥感数据分析中表现出色。通过构建大量的决策树并引入随机性&#xff0c;随机森林在降低模型方差和过拟合风险方面具有显著优势。在训练过程中&#xff0c;使用Bootstrap抽样生成不同的训练集&#xff…