欢迎来到 FP3 的向量世界！
你好，未来的数学家！向量 (Vectors) 这一章是进阶纯数 (Further Pure Mathematics) 中最强大且优美的领域之一。在 FP3 中，我们将告别熟悉的二维世界，全面投入三维几何 (3D geometry) 的怀抱。你将学习如何利用高级工具来描述平面、计算体积，以及求解空间中的距离和角度。
如果之前你觉得向量很抽象，不用担心。我们将把关键的新概念——向量积 (Vector Product，又称叉积 Cross Product)——拆解成简单、易于掌握的步骤。掌握了它，你就能解开平面几何的奥秘！
第 1 节：基础回顾（标量积）
在攻克新概念之前，让我们先快速回顾一下你已经掌握的工具：标量积 (Scalar Product)。
1.1 标量积（点积 Dot Product）回顾
标量积通过两个向量运算得到一个标量（即一个数字）。 若 \(\mathbf{a} = a_1 \mathbf{i} + a_2 \mathbf{j} + a_3 \mathbf{k}\) 且 \(\mathbf{b} = b_1 \mathbf{i} + b_2 \mathbf{j} + b_3 \mathbf{k}\)：
$ \mathbf{a} \cdot \mathbf{b} = a_1 b_1 + a_2 b_2 + a_3 b_3 $
- 角度计算： $\mathbf{a} \cdot \mathbf{b} = |\mathbf{a}||\mathbf{b}| \cos \theta$。
- 垂直判定： 若 $\mathbf{a} \cdot \mathbf{b} = 0$，则两个向量垂直（正交）。这是一个至关重要的判定方法！
第 2 节：向量积（叉积 Cross Product）
这是 FP3 向量章节的核心。这里的关键区别在于：运算结果不再是标量，而是另一个向量！
2.1 定义与方向
两个向量 \(\mathbf{a}\) 和 \(\mathbf{b}\) 的向量积记作 $\mathbf{a} \times \mathbf{b}$。
最重要的性质： 结果向量 $\mathbf{c} = \mathbf{a} \times \mathbf{b}$ 与 \(\mathbf{a}\) 和 \(\mathbf{b}\) 均垂直（正交）。这使得叉积成为求解平面方程不可或缺的工具。
叉积的模长
结果向量的模长由下式给出： $$ |\mathbf{a} \times \mathbf{b}| = |\mathbf{a}||\mathbf{b}| \sin \theta $$ 其中 \(\theta\) 是 \(\mathbf{a}\) 与 \(\mathbf{b}\) 之间的夹角。
方向：右手定则
我们如何确定结果向量的方向？使用右手定则 (Right-Hand Rule)：
想象将向量 \(\mathbf{a}\) 沿着角度 \(\theta\) 转动至向量 \(\mathbf{b}\) 的方向。握住右手并将手指沿此转动方向弯曲，你伸出的拇指所指的方向就是 $\mathbf{a} \times \mathbf{b}$ 的方向。
记忆提示： 由于右手定则的存在，运算顺序非常重要！ $$ \mathbf{b} \times \mathbf{a} = -(\mathbf{a} \times \mathbf{b}) $$ （叉积满足反交换律。）
2.2 计算向量积
为了求出结果向量的分量，我们使用行列式 (determinants) 方法。
设 $\mathbf{a} = a_1 \mathbf{i} + a_2 \mathbf{j} + a_3 \mathbf{k}$ 且 $\mathbf{b} = b_1 \mathbf{i} + b_2 \mathbf{j} + b_3 \mathbf{k}$。
我们建立一个 3x3 的行列式矩阵： $$ \mathbf{a} \times \mathbf{b} = \begin{vmatrix} \mathbf{i} & \mathbf{j} & \mathbf{k} \\ a_1 & a_2 & a_3 \\ b_1 & b_2 & b_3 \end{vmatrix} $$
分步计算
- 求 \(\mathbf{i}\) 分量： 遮住第一列。计算剩余 2x2 矩阵的行列式： $$ (a_2 b_3) - (a_3 b_2) $$
- 求 \(\mathbf{j}\) 分量： 遮住第二列。计算行列式（切记要减去这一项，或者乘以 \(-1\)）： $$ - [(a_1 b_3) - (a_3 b_1)] $$
- 求 \(\mathbf{k}\) 分量： 遮住第三列。计算行列式： $$ (a_1 b_2) - (a_2 b_1) $$
最终的向量结果为： $$ \mathbf{a} \times \mathbf{b} = [(a_2 b_3 - a_3 b_2)]\mathbf{i} - [(a_1 b_3 - a_3 b_1)]\mathbf{j} + [(a_1 b_2 - a_2 b_1)]\mathbf{k} $$
- 结果是一个向量。
- 结果向量与原始的两个向量均垂直。
- 若 \(\mathbf{a}\) 与 \(\mathbf{b}\) 平行（或反向平行），则 \(\theta = 0^\circ\) 或 \(180^\circ\)。由于 \(\sin(0^\circ) = 0\)，可知 \( \mathbf{a} \times \mathbf{b} = \mathbf{0} \)（零向量）。
第 3 节：向量积的应用
叉积为求解三维空间中的面积和体积提供了优雅的捷径。
3.1 平行四边形和三角形的面积
记住叉积的模长是 $|\mathbf{a} \times \mathbf{b}| = |\mathbf{a}||\mathbf{b}| \sin \theta$。从几何意义上讲，这恰好是向量 \(\mathbf{a}\) 和 \(\mathbf{b}\) 所构成的平行四边形的面积。
- 平行四边形面积： 若 \(\mathbf{a}\) 和 \(\mathbf{b}\) 为相邻边，则： $$ 面积 = |\mathbf{a} \times \mathbf{b}| $$
- 三角形面积： 由于三角形面积是平行四边形的一半： $$ 面积 = \frac{1}{2} |\mathbf{a} \times \mathbf{b}| $$
3.2 平行六面体的体积（标量三重积）
平行六面体 (parallelepiped) 是一种三维图形，就像被拉伸或压缩的立方体（有六个面，均为平行四边形）。其体积可以通过标量三重积 (scalar triple product) 计算。
若平行六面体由交于一点的三个向量 \(\mathbf{a}\)、\(\mathbf{b}\) 和 \(\mathbf{c}\) 定义，则体积 (V) 为： $$ V = |\mathbf{a} \cdot (\mathbf{b} \times \mathbf{c})| $$
你知道吗？ 由于向量的点积满足交换律，我们常将标量三重积写成一个单一的行列式： $$ V = \left| \begin{vmatrix} a_1 & a_2 & a_3 \\ b_1 & b_2 & b_3 \\ c_1 & c_2 & c_3 \end{vmatrix} \right| $$
四面体 (Tetrahedron) 的体积
四面体是一种有四个三角形面的锥体。它的体积是同三个边向量定义的平行六面体体积的 1/6。 $$ V_{四面体} = \frac{1}{6} |\mathbf{a} \cdot (\mathbf{b} \times \mathbf{c})| $$
核心总结： 叉积用于寻找垂直向量和面积；标量三重积用于计算体积。
第 4 节：平面方程
三维空间中的平面由其朝向（倾斜程度）和位置决定。朝向完全由一个向量控制：法向量 (normal vector)。
4.1 法向量 (\(\mathbf{n}\))
法向量 \(\mathbf{n}\) 是一个垂直于平面本身的向量。它垂直于平面内的每一条直线和向量。
如何寻找法向量
如果已知平面上不共线的三点 A、B 和 C：
- 构建两个位于平面内的向量，例如 \(\mathbf{a} = \vec{AB}\) 和 \(\mathbf{b} = \vec{AC}\)。
- 计算叉积：\(\mathbf{n} = \mathbf{a} \times \mathbf{b}\)。该结果即为法向量。
4.2 平面的向量方程
平面可以由一个已知位置向量 \(\mathbf{a}\)（平面内一点）及其法向量 \(\mathbf{n}\) 来定义。
设 \(\mathbf{r}\) 为平面上任意一点 P(x, y, z) 的位置向量。向量 \(\mathbf{r} - \mathbf{a}\) 完全位于平面内。由于 \(\mathbf{n}\) 垂直于平面，它必然垂直于 \(\mathbf{r} - \mathbf{a}\)。
由此得到标准的向量方程： $$ (\mathbf{r} - \mathbf{a}) \cdot \mathbf{n} = 0 $$
整理可得常见形式： $$ \mathbf{r} \cdot \mathbf{n} = \mathbf{a} \cdot \mathbf{n} $$ 其中 \(\mathbf{a} \cdot \mathbf{n}\) 是一个固定的标量值，常记作 \(D\)。 $$ \mathbf{r} \cdot \mathbf{n} = D $$
4.3 平面的笛卡尔方程
若 \(\mathbf{r} = x\mathbf{i} + y\mathbf{j} + z\mathbf{k}\) 且 \(\mathbf{n} = n_1\mathbf{i} + n_2\mathbf{j} + n_3\mathbf{k}\)，向量方程 \(\mathbf{r} \cdot \mathbf{n} = D\) 可以直接展开为笛卡尔形式：
$$ n_1 x + n_2 y + n_3 z = D $$
关键洞察： 笛卡尔方程中 \(x, y, z\) 的系数即为法向量 \(\mathbf{n}\) 的分量。
示例： 若平面方程为 \(2x - 3y + z = 10\)，则其法向量为 \(\mathbf{n} = 2\mathbf{i} - 3\mathbf{j} + \mathbf{k}\)。
常见错误提醒！
请牢记直线方程与平面方程的区别：
直线： \(\mathbf{r} = \mathbf{a} + \lambda \mathbf{d}\)（使用方向向量 \(\mathbf{d}\)）
平面： \(\mathbf{r} \cdot \mathbf{n} = D\)（使用法向量 \(\mathbf{n}\)）
第 5 节：三维空间中的角度与距离
向量的最后应用涉及计算直线与平面之间的几何关系。
5.1 两平面间的夹角
当两个平面相交时，它们之间的夹角 \(\theta\) 定义为各自法向量 \(\mathbf{n}_1\) 和 \(\mathbf{n}_2\) 之间的夹角。
我们使用点积公式，并确保得到锐角（通常在 \(0^\circ\) 到 \(90^\circ\) 之间）： $$ \cos \theta = \frac{|\mathbf{n}_1 \cdot \mathbf{n}_2|}{|\mathbf{n}_1||\mathbf{n}_2|} $$ （我们使用点积的绝对值来确保求得的是锐角。）
- 平行平面： 若 \(\mathbf{n}_1\) 与 \(\mathbf{n}_2\) 平行（即 \(\mathbf{n}_1 = k \mathbf{n}_2\)），则夹角 \(\theta = 0^\circ\)。
- 垂直平面： 若 \(\mathbf{n}_1 \cdot \mathbf{n}_2 = 0\)，则夹角 \(\theta = 90^\circ\)。
5.2 直线与平面间的夹角
这通常是一个易错点！若直线 L 的方向向量为 \(\mathbf{d}\)，平面 \(\Pi\) 的法向量为 \(\mathbf{n}\)。
利用点积求出的夹角 \(\alpha\)，实际上是直线方向 \(\mathbf{d}\) 与法向量 \(\mathbf{n}\) 之间的夹角。
$$ \cos \alpha = \frac{|\mathbf{d} \cdot \mathbf{n}|}{|\mathbf{d}||\mathbf{n}|} $$
然而，题目通常要求的是直线 L 与平面 \(\Pi\) 之间的夹角 \(\theta\)。
由于平面与其法线垂直，因此： $$ \theta = 90^\circ - \alpha \quad \text{或} \quad \sin \theta = \cos \alpha $$
重要提示： 始终先计算直线方向与法线之间的夹角余弦值 (\(\cos \alpha\))，然后利用三角函数求出所需角度的正弦值 (\(\sin \theta\))。
5.3 点到平面的最短距离
我们想要计算点 \(P(x_0, y_0, z_0)\) 到平面 \(\Pi: n_1 x + n_2 y + n_3 z = D\) 的垂直距离。
首先，将笛卡尔方程移项使其等于零：\(n_1 x + n_2 y + n_3 z - D = 0\)。
最短距离 (S) 的计算公式是将点的坐标代入平面方程，再除以法向量的模长：
$$ S = \frac{|n_1 x_0 + n_2 y_0 + n_3 z_0 - D|}{\sqrt{n_1^2 + n_2^2 + n_3^2}} $$
鼓励一下： 虽然公式看起来很复杂，但它其实就是代入法！只需从方程中识别出 \(x_0, y_0, z_0\) 以及法向量分量 \(n_1, n_2, n_3\) 并代入即可。绝对值保证了距离始终为正。
5.4 求交点（直线与平面）
若已知直线 L 和平面 \(\Pi\)，它们要么平行，要么交于一点。
流程：
- 写出直线 L 的向量方程：\(\mathbf{r} = \mathbf{a} + \lambda \mathbf{d}\)。
- 写出平面 \(\Pi\) 的向量方程：\(\mathbf{r} \cdot \mathbf{n} = D\)。
- 代入：将直线方程中的 \(\mathbf{r}\) 表达式代入平面方程： $$ (\mathbf{a} + \lambda \mathbf{d}) \cdot \mathbf{n} = D $$
- 展开点积：\(\mathbf{a} \cdot \mathbf{n} + \lambda (\mathbf{d} \cdot \mathbf{n}) = D\)。
- 该方程仅含有一个未知数 \(\lambda\)，求解之。
- 将 \(\lambda\) 的值代回直线方程 \(\mathbf{r} = \mathbf{a} + \lambda \mathbf{d}\)，即可求出交点的位置向量。
如果 \(\mathbf{d} \cdot \mathbf{n} = 0\) 怎么办？ 若直线方向与平面法线的点积为零，说明直线垂直于法线。这意味着直线与平面平行！在这种情况下，要么没有交点（若 \(\mathbf{a} \cdot \mathbf{n} \neq D\)），要么直线完全位于平面内（若 \(\mathbf{a} \cdot \mathbf{n} = D\)）。
章节总结：关键点
- 向量积 \(\mathbf{a} \times \mathbf{b}\) 产生一个垂直于 \(\mathbf{a}\) 和 \(\mathbf{b}\) 的向量。该结果向量是寻找平面法线和计算面积的基础。
- 法向量 \(\mathbf{n}\) 是平面的定义特征。
- 平面方程的两种主要形式是 \(\mathbf{r} \cdot \mathbf{n} = D\)（向量形式）和 \(n_1 x + n_2 y + n_3 z = D\)（笛卡尔形式）。
- 在计算直线与平面的夹角时，记得先计算与法线的夹角 (\(\alpha\))，然后进行转换 (\(\theta = 90^\circ - \alpha\))。
你已经成功穿越了三维几何的深水区！多练习这些公式和技巧，特别是叉积的计算，你会发现 FP3 向量这一章非常有成就感。祝你好运！