最后更新: 2025-09-21 07:48 查看: 570 次反馈能力测评会员8.2元/月赞助

向量的内积、长度

## 向量的内积
在[向量空间](https://kb.kmath.cn/kbase/detail.aspx?id=238) 里介绍了向量的加法和数乘等基本概念。而未顾及几何上的特性，例如长度和角度等概念．内积的概念就蕴含了这些几何层面的想法，它是我们本章研究的主题．

每种内积都可诱导出一种**范数**（你可以把范数看成长度）．范数满足一些重要的性质，例如毕达哥拉斯定理、三角不等式、平行四边形等式和柯西-施瓦兹不等式．在讨论内积空间时，我们将欧几里得几何中的垂直向量这一概念，重命名为**正交向量**．我们将看到，规范正交基在内积空间中非常有用．格拉姆-施密特过程可构造出这样的基．本章结尾处，我们将综合运用上述工具来解决最小化问题．

### 向量的内积的定义

设有 $n$ 维向量 $\boldsymbol{x}=\left(\begin{array}{l}x_1 \\ x_2 \\ \vdots \\ x_n\end{array}\right), \boldsymbol{y}=\left(\begin{array}{l}y_1 \\ y_2 \\ \vdots \\ y_n\end{array}\right), \quad$ 令 $[\boldsymbol{x}, \boldsymbol{y}]=\boldsymbol{x}^{\mathrm{T}} \boldsymbol{y}=x_1 y_1+x_2 y_2+\cdots+x_n y_n$, 称 $[\boldsymbol{x}, \boldsymbol{y}]$ 为向量 $\boldsymbol{x}$ 与 $\boldsymbol{y}$ 的内积.

>  注：向量内积就是对应坐标相乘后，再相加。另外，向量内积可以记做 $(\boldsymbol{x},\boldsymbol{y})$ 或  $[\boldsymbol{x},\boldsymbol{y}]$， 而向量夹角记作  $<\boldsymbol{x},\boldsymbol{y}>$ ，不同教程，记法略有差别 ,不同教程记法乱七八糟，我们也没办法，有时候都分不清到底是矩阵，是行列式，是绝对值，还是内积。

内积的性质 (其中 $\boldsymbol{x}, \boldsymbol{y}$ 与 $\boldsymbol{z}$ 都是 $n$ 维列向量， $\lambda$ 为实数):

(i) $[x, y]=[y, x]$;
(ii) $[\lambda x, y]=\lambda[x, y]=[x, \lambda y]$;
(iii) $[x+y, z]=[x, z]+[y, z]$;
(iv) $[x, x] \geq 0$ ，当且仅当 $\boldsymbol{x}=\mathbf{0}$ 时， $[\boldsymbol{x}, \boldsymbol{x}]=0$.
利用这些性质，还可以证明著名的柯西-施瓦茨  不等式

$$
[x, y]^2 \leq[x, x][y, y] .
$$

## 向量内积的几何意义
两个向量$\boldsymbol{x},\boldsymbol{y}$ 如果把他们的值看成空间里的坐标，则向量内积的定义就是他们对应坐标值相乘，或许我们为什么要问一下：为什么要这么定义他的内积呢？**向量的内积本质上表示的是一个向量在另外一个向量上的投影**。

我们以二维为例，通常认为，向量内积表示的一个向量在另外一个向量上的投影  ， 详见[高中向量内积](https://kb.kmath.cn/kbase/detail.aspx?id=167) 这样，两个向量的乘法就变成：(这里|a|表示向量a的模长，|b|表示向量b的模长)

$$
 \boxed{
 a \cdot b =|a| |b| cos \theta ...① 
 }
 $$

![img-text](/uploads/2022-10/1fb332.jpg)

另一方面，假设每个向量用坐标轴表示
 
  ![图片](/uploads/2025-08/adb9f5.jpg){width=300px}

给定两个坐标表示的向量 $\vec{a}=\left(x_1, y_1\right)$ 与 $\vec{b}=\left(x_2, y_2\right)$ ，它们的内积是

$$
\begin{aligned}
\vec{a} \cdot \vec{b} & =\left(x_1 \vec{i}+y_1 \vec{j}\right) \cdot\left(x_2 \vec{i}+y_2 \vec{j}\right) \\
& =\left(x_1 x_2\right) \vec{i}^2+\left(x_1 y_2+x_2 y_1\right) \vec{i} \cdot \vec{j}+y_1 y_2 \vec{j}^2
\end{aligned}
$$

因为 $\vec{i} 、 \vec{j}$ 是互相垂直的单位向量，所以 $\vec{i}^2=1, \vec{i} \cdot \vec{j}=0$ ， $\vec{j}^2=1$ ，于是

$$
 \boxed{
\vec{a} \cdot \vec{b}=x_1 x_2+y_1 y_2  ...②
}
$$

这就是说，两个向量的数量积等于它们对应坐标的乘积的和．

这样，我们看到两个向量的内积：

> **本质上是一个向量在另外一个向量上的投影，而他的计算方式可以直接用对应坐标值相乘后再相加。**

把这个思想推广到$n$维，就是上面的定义。

`例`

$$
\boldsymbol{x}=\left(\begin{array}{l}-1 \\ 2 \\ 3\end{array}\right),
\boldsymbol{y}=\left(\begin{array}{l} 1 \\ 0 \\  3  \end{array}\right)
$

其他版本
【高等数学】数量积(点积)【高中数学】柯西不等式及其几何意义【数学分析】柯西Cauchy 不等式【高等数学】空间向量与空间坐标系

免费注册查看余下70%

《高等数学》难点解析

高数教程 泰勒公式切线与法线切平面与法平面驻点·拐点·极值点·零点间断点渐进线瑕积分欧拉方程伯努利方程 Abel 收敛定理偏导数的几何意义偏导数的几何意义梯度数量场与向量场多元函数极值拉格朗日算子通量与散度环流量与旋度格林公式高斯公式斯托克斯公式三大公式比较傅里叶级数极坐标微元点法式方程变上限定积分 X型计算面积 Y型计算面积微分的意义渐近线间断点 y''+py'+qy=f(x)方程高斯黎曼傅里叶变换(复数) 拉普拉斯变换(复数)

高等数学测评 函数与极限一元函数微分学一元函数积分学微分方程空间向量与代数多元微分学多元积分学无穷级数

《线性代数》难点解析

线代教程 近世代数对数学的整体思考线性的意义矩阵乘法(列视角) 矩阵乘法(行视角) 矩阵左乘矩阵右乘逆矩阵求解方程组阶梯形矩阵的求法方程组解的判定四阶行列式的计算线性变换的意义线性空间向量组的等价线性空间的几何意义基础解系的求法施密特正交化特征值与特征向量的意义矩阵相似的几何意义矩阵可对角化的理解秩的意义(向量版) 秩的意义(方程版) 二次型的意义

线性代数测评 行列式矩阵向量空间

《概率论与数理统计》难点解析

概率教程 置信区间与上a分位数概率中的“取”与“放” 贝叶斯公式全概率公式泊松分布指数分布伽玛分布二维密度图的意义卷积的意义相关系数的意义 k阶矩是与矩母函数卡方分布的作用单正态区间估计理解假设检验理解切比雪夫不等式中心极限定理

概率统计测评 事件与概率一维随机变量与事件多维随机变量与事件随机变量的数字特征大数定律与中心极限定理统计量与抽样分布参数估计假设检验

上一篇：数学空间与欧氏空间

下一篇：向量的外积

本文对您是否有用？有用 (0) 无用 (0)