Shrnutí na Vektorový součin

## Vektorový Součin: Základy a Aplikace **Vektorový součin**, často označovaný jako **křížový součin**, je základní operací vektorové algebry, která je definována pouze pro vektory v trojrozměrném euklidovském prostoru. Na rozdíl od skalárního součinu, jehož výsledkem je skalární hodnota (číslo), je výsledkem vektorového součinu opět **vektor**. Tento výsledný vektor má jedinečné vlastnosti, které z něj činí neocenitelný nástroj v mnoha oblastech, jako je geometrie, fyzika, inženýrství a počítačová grafika. ### Definice a Geometrická Interpretace Pro dva vektory $\mathbf{a}$ a $\mathbf{b}$ v trojrozměrném prostoru je jejich vektorový součin, označovaný jako $\mathbf{a} \times \mathbf{b}$, definován jako nový vektor, který splňuje dvě klíčové podmínky: 1. **Velikost výsledného vektoru:** Velikost vektoru $\mathbf{a} \times \mathbf{b}$ je dána vzorcem: $$|\mathbf{a} \times \mathbf{b}| = |\mathbf{a}| \cdot |\mathbf{b}| \cdot \sin \varphi$$ kde $|\mathbf{a}|$ je velikost vektoru $\mathbf{a}$, $|\mathbf{b}|$ je velikost vektoru $\mathbf{b}$ a $\varphi$ je úhel mezi vektory $\mathbf{a}$ a $\mathbf{b}$ ($0^\circ \le \varphi \le 180^\circ$). > **Definice:** **Velikost vektorového součinu** je rovna obsahu rovnoběžníku, který je určen vektory $\mathbf{a}$ a $\mathbf{b}$, pokud mají společný počátek. Pokud jsou vektory $\mathbf{a}$ a $\mathbf{b}$ rovnoběžné (tj. úhel $\varphi$ je $0^\circ$ nebo $180^\circ$), pak $\sin \varphi = 0$, a tedy velikost jejich vektorového součinu je nulová. To znamená, že vektorový součin dvou rovnoběžných vektorů je **nulový vektor**. 2. **Směr výsledného vektoru:** Vektor $\mathbf{a} \times \mathbf{b}$ je kolmý (ortogonální) k oběma vektorům $\mathbf{a}$ i $\mathbf{b}$. Jeho směr je určen tzv. **pravidlem pravé ruky**. > **Pravidlo pravé ruky:** Představte si, že umístíte prsty pravé ruky ve směru prvního vektoru $\mathbf{a}$ (od zápěstí k prstům) a poté je ohnete směrem k druhému vektoru $\mathbf{b}$ (tak, aby se prsty ohýbaly v menším úhlu $\varphi$). Palec pravé ruky pak ukazuje směr výsledného vektoru $\mathbf{a} \times \mathbf{b}$. Pokud byste prohodili pořadí vektorů, tedy počítali $\mathbf{b} \times \mathbf{a}$, směr výsledného vektoru by byl opačný. To znamená, že $\mathbf{a} \times \mathbf{b} = -(\mathbf{b} \times \mathbf{a})$, což je vlastnost zvaná **antikomutativita**. ### Algebraická Definice (Výpočet pomocí Složek) Pokud jsou vektory $\mathbf{a}$ a $\mathbf{b}$ dány svými kartézskými složkami v ortonormální bázi (např. $\mathbf{i}, \mathbf{j}, \mathbf{k}$), kde $\mathbf{i} = (1, 0, 0)$, $\mathbf{j} = (0, 1, 0)$, $\mathbf{k} = (0, 0, 1)$, pak lze vektorový součin vypočítat následovně: Nechť $\mathbf{a} = (a_1, a_2, a_3)$ a $\mathbf{b} = (b_1, b_2, b_3)$. Pak $\mathbf{a} \times \mathbf{b} = (a_2b_3 - a_3b_2, a_3b_1 - a_1b_3, a_1b_2 - a_2b_1)$. Tento vzorec si lze snadno zapamatovat pomocí determinantu matice: $$ \mathbf{a} \times \mathbf{b} = \det\left(\begin{matrix} \mathbf{i} & \mathbf{j} & \mathbf{k} \\ a_1 & a_2 & a_3 \\ b_1 & b_2 & b_3 \end{matrix}\right) $$ Rozvinutím determinantu podle prvního řádku dostaneme: $$ \mathbf{a} \times \mathbf{b} = \mathbf{i}(a_2b_3 - a_3b_2) - \mathbf{j}(a_1b_3 - a_3b_1) + \mathbf{k}(a_1b_2 - a_2b_1) $$ $$ \mathbf{a} \times \mathbf{b} = (a_2b_3 - a_3b_2)\mathbf{i} + (a_3b_1 - a_1b_3)\mathbf{j} + (a_1b_2 - a_2b_1)\mathbf{k} $$ Což je ekvivalentní se složkovým zápisem $(a_2b_3 - a_3b_2, a_3b_1 - a_1b_3, a_1b_2 - a_2b_1)$. ### Vlastnosti Vektorového Součinu * **Antikomutativita:** $\mathbf{a} \times \mathbf{b} = -(\mathbf{b} \times \mathbf{a})$ * **Distributivita:** $\mathbf{a} \times (\mathbf{b} + \mathbf{c}) = \mathbf{a} \times \mathbf{b} + \mathbf{a} \times \mathbf{c}$ * **Asociativita vzhledem ke skalárnímu násobení:** $k(\mathbf{a} \times \mathbf{b}) = (k\mathbf{a}) \times \mathbf{b} = \mathbf{a} \times (k\mathbf{b})$, kde $k$ je skalár. * **Nulový vektorový součin:** $\mathbf{a} \times \mathbf{b} = \mathb