Vectors

👋 欢迎来到三维向量的世界！

你好，未来的 P4 数学家！这一章向量 (Vectors) 是你将会学习到的最强大、最令人兴奋的课题之一。向量让我们能够描述三维 (3D) 空间中的运动、力和位置。如果你计划学习工程学、物理学或计算机图形学，这可是必备的知识！

如果一开始觉得 3D 空间中的坐标和方向看起来很复杂，不必担心。我们将通过简单的类比，一步步拆解每一个概念，帮你轻松掌握空间中的直线及其关系。让我们开始吧！

📐 第 1 节：三维空间向量基础

什么是向量？（快速回顾）

简单来说，向量是一个既有模（大小/长度）又有方向的量。

• 标量 (Scalar)： 只有大小（例如：速率、温度、时间、质量）。
• 向量 (Vector)： 既有大小又有方向（例如：速度、力、位移）。

在 P4 中，我们主要处理三维空间中的向量，这意味着我们要引入 z 轴。

符号表示与分量

三维空间中的向量 \(\mathbf{a}\) 由其在 x、y 和 z 轴上的分量定义。我们使用标准的基向量 (basis vectors)：

• \(\mathbf{i}\)：沿 x 轴正方向的单位向量。
• \(\mathbf{j}\)：沿 y 轴正方向的单位向量。
• \(\mathbf{k}\)：沿 z 轴正方向的单位向量。

一个一般的向量 \(\mathbf{a}\) 可以用两种方式书写：

1. 分量形式 (Component Form)：
$$\mathbf{a} = x \mathbf{i} + y \mathbf{j} + z \mathbf{k}$$ 2. 列向量形式 (Column Vector Form，计算时更常用)：
$$\mathbf{a} = \begin{pmatrix} x \\ y \\ z \end{pmatrix}$$

类比： 在一个大仓库里，把 \(\mathbf{i}\) 看作“前/后”，\(\mathbf{j}\) 看作“左/右”，\(\mathbf{k}\) 看作“上/下”。要到达特定的点，你需要这三个方向的所有指令！

位置向量与位移向量

位置向量 (Position Vector, \(\mathbf{r}\))

位置向量描述了点 P 相对于固定原点 O 的位置。通常表示为 \(\mathbf{r}\) 或 \(\mathbf{OP}\)。

如果点 \(P\) 的坐标为 \((x, y, z)\)，那么它的位置向量是： $$\mathbf{p} = \vec{OP} = \begin{pmatrix} x \\ y \\ z \end{pmatrix}$$

位移向量 (Displacement Vector，寻找两点间的向量)

位移向量描述了从一点 (A) 到另一点 (B) 的旅程。

如果 \(\mathbf{a}\) 是 A 的位置向量，\(\mathbf{b}\) 是 B 的位置向量，那么从 A 到 B 的向量可以通过以下规则得出：

终点减起点法则 (Head Minus Tail Rule)： $$\vec{AB} = \mathbf{b} - \mathbf{a}$$

小贴士： 为了记住这一点，始终用终点的向量减去起点的向量。

向量的模（长度）

向量的模 (magnitude) 就是它的长度，通常记作 \(|\mathbf{a}|\)。因为各分量是相互垂直的，所以我们使用 3D 版的勾股定理。

如果 \(\mathbf{a} = x \mathbf{i} + y \mathbf{j} + z \mathbf{k}\)，则： $$|\mathbf{a}| = \sqrt{x^2 + y^2 + z^2}$$

记忆小技巧： 模永远为正！因为你计算的是距离。

单位向量 (Unit Vectors)

单位向量是指长度（模）恰好为 1 的向量。

要找到 \(\mathbf{a}\) 方向上的单位向量，只需将向量 \(\mathbf{a}\) 除以它自身的模即可：

$$\hat{\mathbf{a}} = \frac{\mathbf{a}}{|\mathbf{a}|}$$

（小帽符号 \(\hat{\mathbf{a}}\) 常用于表示单位向量。）

➕ 第 2 节：向量运算（基础篇）

向量的加法与减法

向量的加减非常简单：只需对应分量相加或相减即可。

若 \(\mathbf{a} = \begin{pmatrix} x_1 \\ y_1 \\ z_1 \end{pmatrix}\) 且 \(\mathbf{b} = \begin{pmatrix} x_2 \\ y_2 \\ z_2 \end{pmatrix}\)：

加法： $$\mathbf{a} + \mathbf{b} = \begin{pmatrix} x_1 + x_2 \\ y_1 + y_2 \\ z_1 + z_2 \end{pmatrix}$$ 减法： $$\mathbf{a} - \mathbf{b} = \begin{pmatrix} x_1 - x_2 \\ y_1 - y_2 \\ z_1 - z_2 \end{pmatrix}$$

你知道吗？ 从几何上看，向量加法遵循“三角形法则”或“平行四边形法则”。计算 \(\mathbf{a} + \mathbf{b}\) 意味着先沿路径 \(\mathbf{a}\) 走，再沿路径 \(\mathbf{b}\) 走。

标量乘法（向量的伸缩）

当你用一个标量（一个普通数字，通常记作 \(\lambda\) 或 \(k\)）乘以向量 \(\mathbf{a}\) 时，你需要将向量的每一个分量都乘以这个标量。

$$k \mathbf{a} = k \begin{pmatrix} x \\ y \\ z \end{pmatrix} = \begin{pmatrix} kx \\ ky \\ kz \end{pmatrix}$$

所得的向量将与 \(\mathbf{a}\) 平行。

关键性质：平行向量
两个非零向量 \(\mathbf{a}\) 和 \(\mathbf{b}\) 平行，当且仅当其中一个是另一个的标量倍数，即 \(\mathbf{a} = k \mathbf{b}\)。

• 第 3 节：标量积（点积 / Dot Product）

标量积（或称点积）是两个向量之间的一种运算，其结果是一个标量（数值）。它用一个大圆点表示：\(\mathbf{a} \cdot \mathbf{b}\)。

利用分量计算标量积

要计算两个向量的点积，将它们的对应分量相乘，然后将结果相加。

若 \(\mathbf{a} = \begin{pmatrix} x_1 \\ y_1 \\ z_1 \end{pmatrix}\) 且 \(\mathbf{b} = \begin{pmatrix} x_2 \\ y_2 \\ z_2 \end{pmatrix}\)：

$$\mathbf{a} \cdot \mathbf{b} = x_1 x_2 + y_1 y_2 + z_1 z_2$$

几何定义与角度计算

点积非常重要，因为它建立了向量长度与它们之间夹角的关系。

几何定义为： $$\mathbf{a} \cdot \mathbf{b} = |\mathbf{a}| |\mathbf{b}| \cos \theta$$ 其中 \(\theta\) 是两个向量之间的夹角 (\(0^\circ \leq \theta \leq 180^\circ\))。

我们可以对该公式进行变形以求出夹角 \(\theta\)： $$\cos \theta = \frac{\mathbf{a} \cdot \mathbf{b}}{|\mathbf{a}| |\mathbf{b}|}$$

求夹角 (\(\theta\)) 的步骤：

1. 计算点积 (\(\mathbf{a} \cdot \mathbf{b}\))。
2. 计算向量 \(\mathbf{a}\) 和 \(\mathbf{b}\) 的模 (\(|\mathbf{a}|\) 和 \(|\mathbf{b}|\))。
3. 代入 \(\cos \theta\) 的公式。
4. 使用 \(\theta = \cos^{-1}(\dots)\) 求出角度。

垂直判定（正交性）

这是点积在 P4 中最关键的应用。

如果两个向量 \(\mathbf{a}\) 和 \(\mathbf{b}\) 垂直（夹角为 \(90^\circ\)），则 \(\cos 90^\circ = 0\)。

因此，对于垂直向量有： $$\mathbf{a} \cdot \mathbf{b} = 0$$

记忆小技巧： 当向量垂直时，它们“点积为零 (DOTally zero)”。如果你需要证明向量垂直，或者需要求出使向量垂直的未知分量，直接让它们的点积等于 0。

📍 第 4 节：三维空间中的直线

与二维平面直线不同，三维直线通常使用向量来表示。为了完整描述一条直线，我们需要直线上的一点和一个方向。

直线的向量方程

直线上任意一点的位置向量 \(\mathbf{r}\) 由下式给出：

$$\mathbf{r} = \mathbf{a} + \lambda \mathbf{b}$$

其中：

• \(\mathbf{r}\)：动点位置向量（描述直线上的任意一点）。
• \(\mathbf{a}\)：直线已知点的一个特定位置向量（起点）。
• \(\mathbf{b}\)：方向向量（告诉直线向哪里延伸）。
• \(\lambda\)：标量参数（一个可变的数，用于伸缩方向，使我们能够触及直线上的所有点）。

类比： \(\mathbf{a}\) 是你的地址（固定位置），\(\mathbf{b}\) 是 GPS 指令（“向东走 3 街区，向上 1 层”），\(\lambda\) 是你执行指令的时间长度。

直线的笛卡尔方程

虽然向量形式更简洁，但笛卡尔形式对于寻找交点至关重要。

从向量形式开始： $$\begin{pmatrix} x \\ y \\ z \end{pmatrix} = \begin{pmatrix} a_1 \\ a_2 \\ a_3 \end{pmatrix} + \lambda \begin{pmatrix} b_1 \\ b_2 \\ b_3 \end{pmatrix}$$

将其拆解为三个参数方程： $$x = a_1 + \lambda b_1 \quad \rightarrow \quad \lambda = \frac{x - a_1}{b_1}$$ $$y = a_2 + \lambda b_2 \quad \rightarrow \quad \lambda = \frac{y - a_2}{b_2}$$ $$z = a_3 + \lambda z_3 \quad \rightarrow \quad \lambda = \frac{z - a_3}{b_3}$$

因为对于同一点，\(\lambda\) 必须相等，所以我们将它们等同起来得到笛卡尔形式：

$$\frac{x - a_1}{b_1} = \frac{y - a_2}{b_2} = \frac{z - a_3}{b_3}$$

当方向向量分量为零的情况

如果方向向量的某个分量为零（例如 \(b_1 = 0\)），直线平行于对应的坐标平面。该变量的方程只需列出固定的坐标值即可：

若 \(\mathbf{b} = \begin{pmatrix} 0 \\ 4 \\ 7 \end{pmatrix}\) 且 \(\mathbf{a} = \begin{pmatrix} 1 \\ 2 \\ 3 \end{pmatrix}\)，则直线方程为： $$\mathbf{r} = \begin{pmatrix} 1 \\ 2 \\ 3 \end{pmatrix} + \lambda \begin{pmatrix} 0 \\ 4 \\ 7 \end{pmatrix}$$ 其笛卡尔形式为： $$x = 1; \quad \frac{y - 2}{4} = \frac{z - 3}{7}$$

求两条直线间的夹角

两条直线 \(L_1\) 和 \(L_2\) 之间的夹角定义为它们方向向量之间的夹角。

如果 \(L_1\) 的方向向量为 \(\mathbf{b}_1\)，\(L_2\) 的方向向量为 \(\mathbf{b}_2\)，我们使用点积公式：

$$\cos \theta = \frac{|\mathbf{b}_1 \cdot \mathbf{b}_2|}{|\mathbf{b}_1| |\mathbf{b}_2|}$$

关于锐角的关键提示： 求直线夹角时，我们通常指锐角 (\(0^\circ \leq \theta \leq 90^\circ\))。为了确保得到锐角，我们在分子上对点积取绝对值（这就是为什么公式里有 \(|\dots|\) 的原因）。

两条直线的交点

要判断两条直线 \(L_1\) 和 \(L_2\) 是否相交，我们需要寻找一组参数（\(L_1\) 用 \(\lambda\)，\(L_2\) 用另一个参数 \(\mu\)）使得位置向量相等。

已知： $$L_1: \mathbf{r}_1 = \mathbf{a}_1 + \lambda \mathbf{b}_1$$ $$L_2: \mathbf{r}_2 = \mathbf{a}_2 + \mu \mathbf{b}_2$$

寻找交点的步骤：

1. 令向量相等： \(\mathbf{a}_1 + \lambda \mathbf{b}_1 = \mathbf{a}_2 + \mu \mathbf{b}_2\)。
2. 建立三个联立方程： 分别对应 \(x, y, z\)。
3. 解出方程组： 先利用其中两个方程（如 \(x\) 和 \(y\) 方程）解出 \(\lambda\) 和 \(\mu\) 的唯一值。
4. 一致性检验： 将 \(\lambda\) 和 \(\mu\) 的值代入第三个方程（\(z\) 方程）。
5. 如果第三个方程成立 (左边 = 右边)，则两条直线相交。如果不成立，则直线不相交（它们是异面直线）。
6. 如果相交，将求得的 \(\lambda\)（或 \(\mu\)）代回原直线方程，即可求出交点坐标。

🌟 最后的一点鼓励

向量这一章的关键在于视觉化想象！如果感到困惑，试着画一个简单的坐标系（即使只画出正方向的轴），并在上面勾勒出路径。重点掌握核心关系：模（勾股定理）、夹角（点积）和直线定义 (\(\mathbf{r} = \mathbf{a} + \lambda \mathbf{b}\))。你一定行的！