欢迎来到向量与三维几何的世界！
你好！这一章将把你对向量的理解——那些表示方向和大小的强大工具——带入现实世界：三维空间。如果你在二维向量的学习中感到吃力，别担心！三维向量遵循相同的核心法则，只是我们增加了一些令人兴奋的新运算，例如向量积（这是三维空间特有的），并利用它们来描述直线和平面。
掌握这一主题至关重要，因为它是许多高级物理和工程应用的基础。让我们把三维几何变得简单易懂吧！
1. 向量积（叉积）：\(\mathbf{a} \times \mathbf{b}\)
在标准的A-Level数学中，你已经接触过标量积（点积），其结果是一个数（标量）。高等数学中的向量积则完全不同：它的结果是一个向量。
1.1 定义与性质
两个向量 \(\mathbf{a}\) 和 \(\mathbf{b}\) 的向量积记作 \(\mathbf{a} \times \mathbf{b}\)。所得的结果向量 \(\mathbf{n}\) 具有两个关键性质：
- 它同时垂直（法向）于 \(\mathbf{a}\) 和 \(\mathbf{b}\)。
- 其模长 \(|\mathbf{a} \times \mathbf{b}|\) 等于由 \(\mathbf{a}\) 和 \(\mathbf{b}\) 所构成的平行四边形的面积。
右手定则（记忆辅助）
想象一下，将你的右手手指指向第一个向量（\(\mathbf{a}\)）的方向，然后向第二个向量（\(\mathbf{b}\)）弯曲。你的大拇指所指的方向就是结果向量（\(\mathbf{a} \times \mathbf{b}\)）的方向。
- 重要性质：向量积满足反交换律。这意味着顺序非常重要！
\(\mathbf{b} \times \mathbf{a} = -(\mathbf{a} \times \mathbf{b})\)。 - 如果 \(\mathbf{a}\) 和 \(\mathbf{b}\) 平行，则 \(\mathbf{a} \times \mathbf{b} = \mathbf{0}\)。
1.2 计算向量积
若 \(\mathbf{a} = a_1\mathbf{i} + a_2\mathbf{j} + a_3\mathbf{k}\) 且 \(\mathbf{b} = b_1\mathbf{i} + b_2\mathbf{j} + b_3\mathbf{k}\)，计算向量积最简单的方法是使用3x3行列式结构（类似于求平面的法向量）：
$$\mathbf{a} \times \mathbf{b} = \begin{vmatrix} \mathbf{i} & \mathbf{j} & \mathbf{k} \\ a_1 & a_2 & a_3 \\ b_1 & b_2 & b_3 \end{vmatrix}$$
分步计算过程：
- 对于 \(\mathbf{i}\) 分量： 遮住 \(\mathbf{i}\) 所在的列，计算 \((a_2 b_3 - a_3 b_2)\)。
- 对于 \(\mathbf{j}\) 分量： 遮住 \(\mathbf{j}\) 所在的列，计算 \(-(a_1 b_3 - a_3 b_1)\)。（注意中间项前面的负号！）
- 对于 \(\mathbf{k}\) 分量： 遮住 \(\mathbf{k}\) 所在的列，计算 \((a_1 b_2 - a_2 b_1)\)。
1.3 向量积的应用（面积）
向量积的模长与几何面积直接相关：
平行四边形的面积： 如果边由向量 \(\mathbf{a}\) 和 \(\mathbf{b}\) 定义，则面积为：
$$A = |\mathbf{a} \times \mathbf{b}|$$
三角形的面积： 如果边由向量 \(\mathbf{a}\) 和 \(\mathbf{b}\) 定义（共用一个顶点），则面积为：
$$A = \frac{1}{2} |\mathbf{a} \times \mathbf{b}|$$
关键要点（向量积）
向量积会生成一个垂直于原两个向量的新向量，且其模长测量了它们所构成的形状的面积。
2. 标量三重积：\(\mathbf{a} \cdot (\mathbf{b} \times \mathbf{c})\)
这种运算结合了向量积和标量积。它涉及三个向量，结果是一个标量（一个数，而不是向量）。
2.1 定义与计算
标量三重积 \(\mathbf{a} \cdot (\mathbf{b} \times \mathbf{c})\) 可以通过将三个向量的分量排列成3x3行列式来计算：
$$\mathbf{a} \cdot (\mathbf{b} \times \mathbf{c}) = \begin{vmatrix} a_1 & a_2 & a_3 \\ b_1 & b_2 & b_3 \\ c_1 & c_2 & c_3 \end{vmatrix}$$
2.2 应用（体积与共面性）
标量三重积有两个主要的几何用途：
1. 平行六面体的体积：
由三个相邻向量 \(\mathbf{a}\)、\(\mathbf{b}\) 和 \(\mathbf{c}\) 构成的平行六面体（类似于倾斜长方体的三维立体）的体积 \(V\) 由标量三重积的绝对值给出：
$$V = |\mathbf{a} \cdot (\mathbf{b} \times \mathbf{c})|$$
类比：将标量三重积想象为计算“长 \(\times\) 宽 \(\times\) 高”，其中向量积给出了底面积（\(\mathbf{b}\) 和 \(\mathbf{c}\)），而标量积将高度投影到法向量（\(\mathbf{a}\)）上。
2. 判定共面向量：
如果三个向量 \(\mathbf{a}\)、\(\mathbf{b}\) 和 \(\mathbf{c}\) 位于同一平面内，它们就无法构成一个三维实体，这意味着平行六面体的体积为零。
因此，向量 \(\mathbf{a}\)、\(\mathbf{b}\) 和 \(\mathbf{c}\) 共面的充要条件是：
$$\mathbf{a} \cdot (\mathbf{b} \times \mathbf{c}) = 0$$
关键要点（标量三重积）
标量三重积用于衡量体积。如果结果为零，说明这些向量是“平坦的”（即共面）。
3. 三维空间中的直线方程
你已经熟悉了直线的基本向量方程，但在这里我们将涵盖所需的不同形式，包括涉及向量积的形式。
3.1 标准向量方程
通过位置向量为 \(\mathbf{a}\) 的点且沿向量 \(\mathbf{b}\) 方向的直线方程为：
$$\mathbf{r} = \mathbf{a} + \lambda \mathbf{b}$$
其中 \(\mathbf{r}\) 是直线上任意点的位置向量，\(\lambda\) 是标量参数。
3.2 直线的向量积形式
教学大纲特别要求理解这种替代形式：
$$(\mathbf{r} - \mathbf{a}) \times \mathbf{b} = \mathbf{0}$$
为什么有效？
向量 \((\mathbf{r} - \mathbf{a})\) 是从定点 \(\mathbf{a}\) 指向任意点 \(\mathbf{r}\) 的向量。该向量必须位于直线上，这意味着它必须与方向向量 \(\mathbf{b}\) 平行。
我们知道如果两个向量平行，它们的向量积就是 \(\mathbf{0}\)。因此，该方程在数学上说明了从 \(\mathbf{a}\) 到 \(\mathbf{r}\) 的线段与 \(\mathbf{b}\) 平行。
快速回顾：直线方程
- 标准（参数）式：\(\mathbf{r} = \mathbf{a} + \lambda \mathbf{b}\)
- 向量积形式（平行性）：\((\mathbf{r} - \mathbf{a}) \times \mathbf{b} = \mathbf{0}\)
4. 三维空间中的平面方程
与直线不同，平面需要两个独立的平面内方向向量，或者更常见地，需要一个法向量（垂直于整个平面的向量）。
4.1 平面的参数方程
通过点 \(\mathbf{a}\) 并由两个非平行方向向量 \(\mathbf{b}\) 和 \(\mathbf{c}\) 张成的平面方程为：
$$\mathbf{r} = \mathbf{a} + \lambda \mathbf{b} + \mu \mathbf{c}$$
其中 \(\lambda\) 和 \(\mu\) 是独立的标量参数。
类比：把 \(\mathbf{a}\) 看作起点，\(\lambda \mathbf{b} + \mu \mathbf{c}\) 看作你在平面上的移动方式。因为有两个方向（\(\mathbf{b}\) 和 \(\mathbf{c}\)），你就可以到达平面上的任何一点。
4.2 法向量形式（标量积形式）
这是计算距离和角度时最有效的形式。它需要一个法向量 \(\mathbf{n}\)，该向量垂直于平面内的每一个向量。
$$\mathbf{r} \cdot \mathbf{n} = d$$
其中 \(\mathbf{r}\) 是平面上的任意点，\(\mathbf{n}\) 是法向量，\(d\) 是一个标量常数，表示原点到平面的垂直距离乘以 \(\mathbf{n}\) 的模长。
- 求 \(d\)： 如果平面经过点 \(\mathbf{a}\)，则 \(d = \mathbf{a} \cdot \mathbf{n}\)。
- 从参数方程求 \(\mathbf{n}\)： 如果有 \(\mathbf{r} = \mathbf{a} + \lambda \mathbf{b} + \mu \mathbf{c}\)，法向量即为两个方向向量的向量积：\(\mathbf{n} = \mathbf{b} \times \mathbf{c}\)。
5. 交点与角度
我们使用标量积和向量积来解决三维空间中的交点和角度问题。
5.1 直线与平面的交点
要求直线 \(\mathbf{r}_L = \mathbf{a} + \lambda \mathbf{b}\) 与平面 \(\mathbf{r} \cdot \mathbf{n} = d\) 的交点：
- 将直线方程代入平面方程：
\((\mathbf{a} + \lambda \mathbf{b}) \cdot \mathbf{n} = d\) - 展开点积：
\(\mathbf{a} \cdot \mathbf{n} + \lambda (\mathbf{b} \cdot \mathbf{n}) = d\) - 解出参数 \(\lambda\)。
- 将 \(\lambda\) 的值代回直线方程 \(\mathbf{r} = \mathbf{a} + \lambda \mathbf{b}\)，即可求出交点的位置向量。
你知道吗？ 如果直线平行于平面，则项 \((\mathbf{b} \cdot \mathbf{n})\) 将为零，因为方向向量 \(\mathbf{b}\) 与法向量 \(\mathbf{n}\) 垂直。在这种情况下，要么无解（平行且不重合），要么有无穷多解（直线位于平面内）。
5.2 物体间的夹角
计算角度时，记住这条黄金法则：标量积总是涉及垂直于表面的方向。
5.2.1 两平面间的夹角（\(\phi\)）
这是它们各自法向量 \(\mathbf{n}_1\) 和 \(\mathbf{n}_2\) 之间的夹角。
$$\cos \phi = \frac{|\mathbf{n}_1 \cdot \mathbf{n}_2|}{|\mathbf{n}_1| |\mathbf{n}_2|}$$
我们通常取点积的模长，以确保得到的是两平面间的锐角。
5.2.2 直线与平面间的夹角（\(\theta\)）
令 \(\mathbf{b}\) 为直线的方向向量，\(\mathbf{n}\) 为平面的法向量。
如果我们使用标量积公式，实际上得到的是直线与法向量之间的夹角 \(\alpha\)：
$$\cos \alpha = \frac{|\mathbf{b} \cdot \mathbf{n}|}{|\mathbf{b}| |\mathbf{n}|}$$
由于法向量垂直于平面，我们想要的实际夹角 \(\theta\) 应为 \(90^\circ - \alpha\)（或 \(\frac{\pi}{2} - \alpha\)）。
易错警告！ 别忘了最后一步：\(\theta = 90^\circ - \alpha\)。如果题目问的是直线与平面的夹角，求出 \(\alpha\) 只是第一部分！
5.3 两平面的交线
两个不平行的平面相交形成一条直线。要求这条直线的方程，你需要求出它的方向向量和线上的一点。
- 求方向向量 (\(\mathbf{b}\))： 交线的方向必须垂直于两个平面的法向量 \(\mathbf{n}_1\) 和 \(\mathbf{n}_2\)。因此，方向向量为：
$$\mathbf{b} = \mathbf{n}_1 \times \mathbf{n}_2$$ - 求线上一点 (\(\mathbf{a}\))： 通常可以通过在两个平面方程中设定一个坐标（例如 \(z=0\)），然后解出另外两个坐标（例如 \(x\) 和 \(y\)）来求得。
- 构造直线方程：\(\mathbf{r} = \mathbf{a} + \lambda \mathbf{b}\)。
6. 方向比与方向余弦
这些概念为正式描述空间中向量或直线的方位提供了一种方式。
6.1 方向比 \((l, m, n)\)
这实际上就是直线任意方向向量 \(\mathbf{b}\) 的分量。如果 \(\mathbf{b} = a\mathbf{i} + b\mathbf{j} + c\mathbf{k}\)，那么方向比就是 \((a, b, c)\)。它们的任意标量倍数 \((ka, kb, kc)\) 也是同一条线的方向比。
6.2 方向余弦
方向余弦是直线分别与正 \(x\)、\(y\)、\(z\) 轴所成角（\(\alpha, \beta, \gamma\)）的余弦值。我们将其标记为 \(l, m, n\)。
- $$l = \cos \alpha = \frac{a}{|\mathbf{b}|}$$
- $$m = \cos \beta = \frac{b}{|\mathbf{b}|}$$
- $$n = \cos \gamma = \frac{c}{|\mathbf{b}|}$$
方向余弦实际上就是该直线方向上的单位向量的分量。
基本恒等式
因为方向余弦是单位向量的分量，它们的平方和必须等于1。这是一个你必须掌握的关键恒等式：
$$l^2 + m^2 + n^2 = 1$$
关键要点（方向余弦）
方向余弦就是归一化后的方向比。它们准确地给出了直线与坐标轴的夹角，并且始终满足 \(l^2 + m^2 + n^2 = 1\)。
你已经成功克服了三维空间的复杂性！记住，每一个问题最终都可以归结为寻找关键向量（位置向量、方向向量或法向量）并运用合适的运算（点积或向量积）。继续坚持练习计算吧！