几何向量的叉乘

                     

贡献者: addis; ACertainUser; Giacomo

预备知识 几何向量

   向量叉乘在物理定律中十分常见,例如在讨论力学中的力矩角动量,以及电磁学中的洛伦兹力安培力时都会使用。以下我们讨论的向量都是三维中的空间向量;在讨论它们的坐标时,我们默认取正交归一基底。

1. 叉乘的几何定义

图
图 1:叉乘的示意图

   两个几何向量 $ \boldsymbol{\mathbf{A}} $, $ \boldsymbol{\mathbf{B}} $ 的叉乘(cross product) 也叫叉积向量积(vector product)向量积。叉乘的结果是一个向量。 叉乘用 $ \boldsymbol{\mathbf{A}} \boldsymbol\times \boldsymbol{\mathbf{B}} $ 表示,且 “$ \boldsymbol\times $” 不可省略。

定义 1 向量叉乘

   要确定一个几何向量,只需分别确定模长和方向:

  1. $ \boldsymbol{\mathbf{C}} $ 的模长等于 $ \boldsymbol{\mathbf{A}} , \boldsymbol{\mathbf{B}} $ 的模长之积与夹角 $\theta$($0 \leqslant \theta \leqslant \pi$)的正弦值相乘。
    \begin{equation} \left\lvert \boldsymbol{\mathbf{C}} \right\rvert = \left\lvert \boldsymbol{\mathbf{A}} \right\rvert \left\lvert \boldsymbol{\mathbf{B}} \right\rvert \sin\theta ~. \end{equation}
  2. $ \boldsymbol{\mathbf{C}} $ 的方向垂直于 $ \boldsymbol{\mathbf{A}} , \boldsymbol{\mathbf{B}} $ 所在的平面,且由右手定则决定。

   结合图 1 式 1 ,可看出 $ \boldsymbol{\mathbf{C}} $ 的大小就是 $ \boldsymbol{\mathbf{A}} , \boldsymbol{\mathbf{B}} $ 所围成的平行四边形的面积,亦即用平行四边形法则计算 $ \boldsymbol{\mathbf{A}} + \boldsymbol{\mathbf{B}} $ 时的平行四边形。

2. 叉乘运算律

一个结论

   特别地,由式 1 可知,当两向量平行时,叉乘为零向量;当它们垂直,叉乘的模长等于两模长直接相乘。

叉乘的 “交换律”

   与内积和数乘不同,叉乘不满足一般意义上的交换律。根据几何定义,$ \boldsymbol{\mathbf{B}} \boldsymbol\times \boldsymbol{\mathbf{A}} $ 与 $ \boldsymbol{\mathbf{A}} \boldsymbol\times \boldsymbol{\mathbf{B}} $ 模长相同,方向却相反。表示某个向量的反方向,就是在前面加负号,所以有

\begin{equation} \boldsymbol{\mathbf{B}} \boldsymbol\times \boldsymbol{\mathbf{A}} = - \boldsymbol{\mathbf{A}} \boldsymbol\times \boldsymbol{\mathbf{B}} ~. \end{equation}

叉乘与数乘的结合律

   在 $ \boldsymbol{\mathbf{A}} \boldsymbol\times \boldsymbol{\mathbf{B}} = \boldsymbol{\mathbf{C}} $ 中,$ \boldsymbol{\mathbf{C}} $ 的方向仅由 $ \boldsymbol{\mathbf{A}} $ 和 $ \boldsymbol{\mathbf{B}} $ 的方向决定。当 $ \boldsymbol{\mathbf{A}} $ 和 $ \boldsymbol{\mathbf{B}} $ 的方向不变时,$ \boldsymbol{\mathbf{C}} $ 的模长正比于 $ \boldsymbol{\mathbf{A}} $ 和 $ \boldsymbol{\mathbf{B}} $ 的模长之积。假设 $\lambda $ 为常数(标量),显然有

\begin{equation} (\lambda \boldsymbol{\mathbf{A}} ) \boldsymbol\times \boldsymbol{\mathbf{B}} = \boldsymbol{\mathbf{A}} \boldsymbol\times (\lambda \boldsymbol{\mathbf{B}} ) = \lambda ( \boldsymbol{\mathbf{A}} \boldsymbol\times \boldsymbol{\mathbf{B}} )~. \end{equation}
即标量的位置可以任意变换,但向量与乘号的位置关系始终要保持不变。

叉乘的分配律

   叉乘一个最重要的特性,就是它满足分配律。

\begin{equation} \boldsymbol{\mathbf{A}} \boldsymbol\times ( \boldsymbol{\mathbf{B}} + \boldsymbol{\mathbf{C}} ) = \boldsymbol{\mathbf{A}} \boldsymbol\times \boldsymbol{\mathbf{B}} + \boldsymbol{\mathbf{A}} \boldsymbol\times \boldsymbol{\mathbf{C}} ~, \end{equation}
式 2 及上式可以推出
\begin{equation} ( \boldsymbol{\mathbf{A}} + \boldsymbol{\mathbf{B}} ) \boldsymbol\times \boldsymbol{\mathbf{C}} = - \boldsymbol{\mathbf{C}} \boldsymbol\times ( \boldsymbol{\mathbf{A}} + \boldsymbol{\mathbf{B}} ) = - \boldsymbol{\mathbf{C}} \boldsymbol\times \boldsymbol{\mathbf{A}} - \boldsymbol{\mathbf{C}} \boldsymbol\times \boldsymbol{\mathbf{B}} = \boldsymbol{\mathbf{A}} \boldsymbol\times \boldsymbol{\mathbf{C}} + \boldsymbol{\mathbf{B}} \boldsymbol\times \boldsymbol{\mathbf{C}} ~. \end{equation}

   从几何的角度理解,这个结论并不显然(见向量叉乘分配律的几何证明)。

3. 叉乘的坐标运算

坐标轴向量的叉乘

图
图 2:坐标轴

   按照上面的定义,在右手系中,三个坐标轴的单位向量 $ \hat{\boldsymbol{\mathbf{x}}} , \hat{\boldsymbol{\mathbf{y}}} , \hat{\boldsymbol{\mathbf{z}}} $ 满足

\begin{equation} \hat{\boldsymbol{\mathbf{x}}} \boldsymbol\times \hat{\boldsymbol{\mathbf{y}}} = \hat{\boldsymbol{\mathbf{z}}} \qquad \hat{\boldsymbol{\mathbf{y}}} \boldsymbol\times \hat{\boldsymbol{\mathbf{z}}} = \hat{\boldsymbol{\mathbf{x}}} \qquad \hat{\boldsymbol{\mathbf{z}}} \boldsymbol\times \hat{\boldsymbol{\mathbf{x}}} = \hat{\boldsymbol{\mathbf{y}}} ~ \end{equation}
式 2 可得
\begin{equation} \hat{\boldsymbol{\mathbf{y}}} \boldsymbol\times \hat{\boldsymbol{\mathbf{x}}} = - \hat{\boldsymbol{\mathbf{z}}} \qquad \hat{\boldsymbol{\mathbf{z}}} \boldsymbol\times \hat{\boldsymbol{\mathbf{y}}} = - \hat{\boldsymbol{\mathbf{x}}} \qquad \hat{\boldsymbol{\mathbf{x}}} \boldsymbol\times \hat{\boldsymbol{\mathbf{z}}} = - \hat{\boldsymbol{\mathbf{y}}} ~ \end{equation}
根据定义,一个向量叉乘自身,模长为 $0$。所以叉乘结果是零向量 $ \boldsymbol{\mathbf{0}} $。于是又有
\begin{equation} \hat{\boldsymbol{\mathbf{x}}} \boldsymbol\times \hat{\boldsymbol{\mathbf{x}}} = \boldsymbol{\mathbf{0}} \qquad \hat{\boldsymbol{\mathbf{y}}} \boldsymbol\times \hat{\boldsymbol{\mathbf{y}}} = \boldsymbol{\mathbf{0}} \qquad \hat{\boldsymbol{\mathbf{z}}} \boldsymbol\times \hat{\boldsymbol{\mathbf{z}}} = \boldsymbol{\mathbf{0}} ~ \end{equation}
式 6 式 7 式 8 中共 9 条等式描述了 $ \hat{\boldsymbol{\mathbf{x}}} , \hat{\boldsymbol{\mathbf{y}}} , \hat{\boldsymbol{\mathbf{z}}} $ 中任意两个叉乘的结果。

任意向量的叉乘

   把向量 $ \boldsymbol{\mathbf{A}} $ 和 $ \boldsymbol{\mathbf{B}} $ 分别在直角坐标系的三个单位向量展开,得到

\begin{equation} \boldsymbol{\mathbf{A}} = a_x\, \hat{\boldsymbol{\mathbf{x}}} + a_y\, \hat{\boldsymbol{\mathbf{y}}} + a_z\, \hat{\boldsymbol{\mathbf{z}}} \qquad \boldsymbol{\mathbf{B}} = b_x\, \hat{\boldsymbol{\mathbf{x}}} + b_y\, \hat{\boldsymbol{\mathbf{y}}} + b_z\, \hat{\boldsymbol{\mathbf{z}}} ~ \end{equation}
$(a_x,a_y,a_z)$ 和 $(b_x,b_y,b_z)$ 分别是 $ \boldsymbol{\mathbf{A}} $ 和 $ \boldsymbol{\mathbf{B}} $ 的坐标。根据叉乘的分配律(式 4 式 5 ),可得到如下 9 项
\begin{equation} \begin{aligned} \boldsymbol{\mathbf{A}} \boldsymbol\times \boldsymbol{\mathbf{B}} ={} &(a_x\, \hat{\boldsymbol{\mathbf{x}}} + a_y\, \hat{\boldsymbol{\mathbf{y}}} + a_z\, \hat{\boldsymbol{\mathbf{z}}} ) \boldsymbol\times (b_x\, \hat{\boldsymbol{\mathbf{x}}} + b_y\, \hat{\boldsymbol{\mathbf{y}}} + b_z\, \hat{\boldsymbol{\mathbf{z}}} )\\ ={} &+ a_x b_x( \hat{\boldsymbol{\mathbf{x}}} \boldsymbol\times \hat{\boldsymbol{\mathbf{x}}} ) + a_x b_y( \hat{\boldsymbol{\mathbf{x}}} \boldsymbol\times \hat{\boldsymbol{\mathbf{y}}} ) + a_x b_z( \hat{\boldsymbol{\mathbf{x}}} \boldsymbol\times \hat{\boldsymbol{\mathbf{z}}} )\\ &+ a_y b_x( \hat{\boldsymbol{\mathbf{y}}} \boldsymbol\times \hat{\boldsymbol{\mathbf{x}}} ) + a_y b_y( \hat{\boldsymbol{\mathbf{y}}} \boldsymbol\times \hat{\boldsymbol{\mathbf{y}}} ) + a_y b_z( \hat{\boldsymbol{\mathbf{y}}} \boldsymbol\times \hat{\boldsymbol{\mathbf{z}}} )\\ &+ a_z b_x( \hat{\boldsymbol{\mathbf{z}}} \boldsymbol\times \hat{\boldsymbol{\mathbf{x}}} ) + a_z b_y( \hat{\boldsymbol{\mathbf{z}}} \boldsymbol\times \hat{\boldsymbol{\mathbf{y}}} ) + a_z b_z( \hat{\boldsymbol{\mathbf{z}}} \boldsymbol\times \hat{\boldsymbol{\mathbf{z}}} )~. \end{aligned} \end{equation}
注意每一项中的运算在式 6 式 8 中都能找到答案,于是上式化为
\begin{equation} \boldsymbol{\mathbf{A}} \boldsymbol\times \boldsymbol{\mathbf{B}} = (a_y b_z - a_z b_y)\, \hat{\boldsymbol{\mathbf{x}}} + (a_z b_x - a_x b_z)\, \hat{\boldsymbol{\mathbf{y}}} + (a_x b_y - a_y b_x)\, \hat{\boldsymbol{\mathbf{z}}} ~. \end{equation}
令 $ \boldsymbol{\mathbf{C}} = \boldsymbol{\mathbf{A}} \boldsymbol\times \boldsymbol{\mathbf{B}} $,则 $ \boldsymbol{\mathbf{C}} $ 的分量表达式为
\begin{equation} \begin{cases} c_x = a_y b_z - a_z b_y\\ c_y = a_z b_x - a_x b_z\\ c_z = a_x b_y - a_y b_x \end{cases}~ \end{equation}
式 11 可以用三阶行列式表示为
\begin{equation} \boldsymbol{\mathbf{A}} \boldsymbol\times \boldsymbol{\mathbf{B}} = \begin{vmatrix} \hat{\boldsymbol{\mathbf{x}}} & \hat{\boldsymbol{\mathbf{y}}} & \hat{\boldsymbol{\mathbf{z}}} \\ a_x & a_y & a_z\\ b_x & b_y & b_z \end{vmatrix} ~\end{equation}
与普通行列式不同的是,这个行列式中第一行的元素是向量,所以得出的结果也是向量。

4. 等效的叉乘

图
图 3:$ \boldsymbol{\mathbf{A}} $ 与 $ \boldsymbol{\mathbf{B}} _i$ 相乘结果相同

   根据定义 1 ,当两向量叉乘时,若把一个向量延着与另一个向量垂直的方向投影,叉乘结果不变。例如在图 3 中有

\begin{equation} \boldsymbol{\mathbf{A}} \boldsymbol\times \boldsymbol{\mathbf{B}} _1 = \boldsymbol{\mathbf{A}} \boldsymbol\times \boldsymbol{\mathbf{B}} _3 = \boldsymbol{\mathbf{A}} \boldsymbol\times \boldsymbol{\mathbf{B}} _2~. \end{equation}
这是因为 $ \left\lvert \boldsymbol{\mathbf{B}} _i \right\rvert \sin\theta_i$ 就是投影后的 $ \boldsymbol{\mathbf{ \boldsymbol{\mathbf{B}} _2}} $ 的模长。另一种证明方法:所有指向虚线的 $ \boldsymbol{\mathbf{B}} _i$ 都可以表示为 $ \boldsymbol{\mathbf{B}} _2 + \lambda \boldsymbol{\mathbf{A}} $($\lambda$ 为任意实数)。根据分配律,有
\begin{equation} \boldsymbol{\mathbf{A}} \boldsymbol\times ( \boldsymbol{\mathbf{B}} _2 + \lambda \boldsymbol{\mathbf{A}} ) = \boldsymbol{\mathbf{A}} \boldsymbol\times \boldsymbol{\mathbf{B}} _2 + \boldsymbol{\mathbf{A}} \boldsymbol\times (\lambda \boldsymbol{\mathbf{A}} ) = \boldsymbol{\mathbf{A}} \boldsymbol\times \boldsymbol{\mathbf{B}} _2~. \end{equation}

5. 面积向量

   在高中阶段面积只是一个标量概念,但在微积分和大学物理中,我们也可以把它拓展为向量。定义面积向量的模长是一个平面几何图形的面积,方向是其所在平面的两个法向量之一。具体到这里讨论的平行四边形,我们可以根据叉乘结果来明确定义平行四边形的面积向量。

例 1 求三角形或平行四边形的面积与法向量

   空间直角坐标系中三角形的三点分别为 $O(0,0,0)$, $A(1,1,0)$, $B(-1,1,1)$。求三角形的面积和一个单位法向量。以这三点为顶点的平行四边形的面积显然是该三角形的两倍,所以下面只讨论三角形。

   令 $O$ 到 $A$ 的向量和 $O$ 到 $B$ 的向量分别为

\begin{equation} \begin{aligned} \boldsymbol{\mathbf{a}} &= (1,1,0) - (0,0,0) = (1,1,0)\\ \boldsymbol{\mathbf{b}} &= (-1,1,1) - (0,0,0) = (-1,1,1) \end{aligned} ~\end{equation}
三角形的面积为
\begin{equation} S = \frac12 ab \sin \theta ~. \end{equation}
其中 $\theta $ 是 $ \boldsymbol{\mathbf{a}} $ 与 $ \boldsymbol{\mathbf{b}} $ 的夹角。根据式 1 ,有1
\begin{equation} S = \frac12 ab \sin \theta = \frac12 \left\lvert \boldsymbol{\mathbf{a}} \boldsymbol\times \boldsymbol{\mathbf{b}} \right\rvert ~. \end{equation}
\begin{equation} \boldsymbol{\mathbf{v}} = \boldsymbol{\mathbf{a}} \boldsymbol\times \boldsymbol{\mathbf{b}} = \begin{vmatrix} \hat{\boldsymbol{\mathbf{x}}} & \hat{\boldsymbol{\mathbf{y}}} & \hat{\boldsymbol{\mathbf{z}}} \\ 1&1&0\\-1&1&1 \end{vmatrix} = \hat{\boldsymbol{\mathbf{x}}} - \hat{\boldsymbol{\mathbf{y}}} + 2\, \hat{\boldsymbol{\mathbf{z}}} ~. \end{equation}
坐标为 $(1,-1,2)$,模长为 $ \left\lvert \boldsymbol{\mathbf{v}} \right\rvert = \sqrt{1 + 1 + 2^2} = \sqrt 6$,所以面积为 $S = \sqrt 6 /2$。

   根据叉乘的几何定义,$ \boldsymbol{\mathbf{v}} = (1,-1,2)$ 就是三角形的法向量,进行归一化 得单位法向量为

\begin{equation} \hat{\boldsymbol{\mathbf{v}}} = \frac{ \boldsymbol{\mathbf{v}} }{ \left\lvert \boldsymbol{\mathbf{v}} \right\rvert } = \frac{(1,-1,2)}{\sqrt 6} = \left(\frac{\sqrt 6 }{6}, - \frac{\sqrt 6 }{6}, \frac{\sqrt 6 }{3} \right) ~. \end{equation}


1. ^ 可见 $ \left\lvert \boldsymbol{\mathbf{a}} \boldsymbol\times \boldsymbol{\mathbf{b}} \right\rvert $ 是以 $ \boldsymbol{\mathbf{a}} $ 和 $ \boldsymbol{\mathbf{b}} $ 为边的平行四边形的面积。


致读者: 小时百科一直以来坚持所有内容免费无广告,这导致我们处于严重的亏损状态。 长此以往很可能会最终导致我们不得不选择大量广告以及内容付费等。 因此,我们请求广大读者热心打赏 ,使网站得以健康发展。 如果看到这条信息的每位读者能慷慨打赏 20 元,我们一周就能脱离亏损, 并在接下来的一年里向所有读者继续免费提供优质内容。 但遗憾的是只有不到 1% 的读者愿意捐款, 他们的付出帮助了 99% 的读者免费获取知识, 我们在此表示感谢。

                     

友情链接: 超理论坛 | ©小时科技 保留一切权利