向量 · 极化恒等式+模长最值问题+夹角最值问题

出自《高一数学同步课 · 录播课》

相关考点向量共线坐标运算行列式判别向量数量积极化恒等式向量模向量几何意义平行四边形对角线解题策略中点构造适用条件练习此专题真题 →

极化恒等式代数形式

概念精讲

对于任意向量 $\vec{a}$、$\vec{b}$,有:

$$ \vec{a} \cdot \vec{b} = \frac{1}{4}\left[ |\vec{a} + \vec{b}|^2 - |\vec{a} - \vec{b}|^2 \right] $$

该式由向量模的平方展开(完全平方公式)推导而来:
$$ |\vec{a} + \vec{b}|^2 = |\vec{a}|^2 + 2\vec{a}\cdot\vec{b} + |\vec{b}|^2,\quad |\vec{a} - \vec{b}|^2 = |\vec{a}|^2 - 2\vec{a}\cdot\vec{b} + |\vec{b}|^2 $$
两式相减得 $|\vec{a} + \vec{b}|^2 - |\vec{a} - \vec{b}|^2 = 4\vec{a}\cdot\vec{b}$,整理即得。

极化恒等式平行四边形几何意义

二级结论

设平行四边形 $ABCD$ 中,$\vec{AB} = \vec{a}$,$\vec{AD} = \vec{b}$,则

$$ \vec{a} \cdot \vec{b} = \frac{1}{4}\left( |AC|^2 - |BD|^2 \right) $$
其中 $AC$、$BD$ 分别为平行四边形两条对角线。符号由夹角决定:若 $\angle BAD$ 为锐角,则 $|AC| > |BD|$,结果为正;若为钝角,则 $|AC| < |BD|$,结果为负。

极化恒等式使用条件与策略

方法点拨

当题干要求计算两个**共起点向量**的数量积,但未给出:
- 向量模长,
- 夹角大小,
- 坐标信息,

而给出了第三边(即两终点连线)的中点及相关线段长度时,应优先考虑极化恒等式的几何形式。

**操作步骤**:
1. 确认两向量共起点(如 $\vec{AB},\vec{AD}$ 共起点 $A$);
2. 连接两终点得线段(如 $BD$);
3. 取该线段中点(如 $O$);
4. 则 $\vec{AB} \cdot \vec{AD} = |AO|^2 - |BO|^2$(或 $|AO|^2 - |DO|^2$)。

极化恒等式使用前提与起点统一技巧

方法点拨

使用极化恒等式求向量数量积时,两向量必须共起点;若起点不同,需通过相反向量调整,例如:$\vec{u} \cdot \vec{v} = (-\vec{u}) \cdot (-\vec{v})$ 或 $\vec{u} \cdot \vec{v} = -(\vec{u}) \cdot (\vec{w})$(当$\vec{v} = -\vec{w}$时),使两向量起点一致。

极化恒等式的三角形几何形式

二级结论

在$\triangle ABC$中,若$M$为$BC$中点,则$\vec{AB} \cdot \vec{AC} = AM^2 - BM^2$。

遇模必平方——向量模长最值通用解法

解题大招

求任意向量$\vec{v}$的模长最值,一律先计算其平方:$|\vec{v}|^2 = \vec{v} \cdot \vec{v}$,转化为标量函数最值问题;因$|\vec{v}| = \sqrt{|\vec{v}|^2}$且根号函数单调递增,故$|\vec{v}|$最值点与$|\vec{v}|^2$最值点一致。

向量模长最值问题通用解法

方法点拨

求向量(或向量线性组合)模的最值,统一采用“遇模必平方”策略:先计算模的平方,即转化为向量自身的点积或展开后的代数表达式,再化简为关于参数的函数(常为二次函数),最后通过配方法、顶点公式或三角恒等变形求最值,最终结果取算术平方根。

例六:含三角参数的向量模最大值

典型例题

已知向量 $\mathbf{a} = (\cos\theta,\, 2\sin\theta)$,求 $|\mathbf{a}|$ 的最大值。

参考答案 2
解析

计算 $|\mathbf{a}|^2 = \cos^2\theta + (2\sin\theta)^2 = \cos^2\theta + 4\sin^2\theta$。
利用恒等式 $\cos^2\theta = 1 - \sin^2\theta$,得 $|\mathbf{a}|^2 = 1 - \sin^2\theta + 4\sin^2\theta = 1 + 3\sin^2\theta$。
因 $0 \leq \sin^2\theta \leq 1$,故 $|\mathbf{a}|^2 \in [1, 4]$,最大值为 4,所以 $|\mathbf{a}|_{\max} = \sqrt{4} = 2$。

例八:含参数λ的向量线性组合模最小值

典型例题

已知平面向量 $\mathbf{a}, \mathbf{b}$ 满足 $|\mathbf{a}| = |\mathbf{b}| = \mathbf{a} \cdot \mathbf{b} = 2$,求 $|\lambda \mathbf{a} + (1 - \lambda) \mathbf{b}|$ 的最小值($\lambda \in \mathbb{R}$)。

参考答案 $\sqrt{3}$
解析

计算模的平方:
$|\lambda \mathbf{a} + (1 - \lambda) \mathbf{b}|^2 = \lambda^2 |\mathbf{a}|^2 + (1 - \lambda)^2 |\mathbf{b}|^2 + 2\lambda(1 - \lambda)(\mathbf{a} \cdot \mathbf{b})$。
代入 $|\mathbf{a}|^2 = |\mathbf{b}|^2 = \mathbf{a} \cdot \mathbf{b} = 4$(注:题干给 $\mathbf{a} \cdot \mathbf{b} = 2$,但转写[33:09]说“a和b的数量积,是不是等于2?”,故 $\mathbf{a} \cdot \mathbf{b} = 2$;而 $|\mathbf{a}| = |\mathbf{b}| = 2$,故 $|\mathbf{a}|^2 = |\mathbf{b}|^2 = 4$):
$= \lambda^2 \cdot 4 + (1 - 2\lambda + \lambda^2) \cdot 4 + 2\lambda(1 - \lambda) \cdot 2$
$= 4\lambda^2 + 4 - 8\lambda + 4\lambda^2 + 4\lambda - 4\lambda^2$
$= (4\lambda^2 + 4\lambda^2 - 4\lambda^2) + (-8\lambda + 4\lambda) + 4 = 4\lambda^2 - 4\lambda + 4$。
但转写[33:31]–[33:47]化简为 $4\lambda^2 - 4\lambda + 4$?不,其说:“4λ²+……+4λ,再减4λ²”,得“4λ²”,然后“-8λ和加4λ合在一起,是不是就是减4λ,然后还有一个加4”,即 $4\lambda^2 - 4\lambda + 4$。
但[33:49]说“直接得到了它”,[34:08]开始配方:“提取出来一个4,是不是就是λ²减去λ”,即对 $4\lambda^2 - 4\lambda + 4$ 提取4得 $4(\lambda^2 - \lambda + 1)$,再配方:$\lambda^2 - \lambda + 1 = (\lambda - \frac{1}{2})^2 + \frac{3}{4}$,故整体为 $4[(\lambda - \frac{1}{2})^2 + \frac{3}{4}] = 4(\lambda - \frac{1}{2})^2 + 3$。
因此 $|\lambda \mathbf{a} + (1 - \lambda) \mathbf{b}| = \sqrt{4(\lambda - \frac{1}{2})^2 + 3}$,最小值为 $\sqrt{3}$(当 $\lambda = \frac{1}{2}$ 时)。

向量模最值问题核心口诀

二级结论

无论所求向量是单个向量、向量差、向量线性组合,还是含参表达式,求其模的最值(或取值范围)的通用口诀为:**遇模必平方**。即先计算模的平方,转化为点积运算与代数表达式,再化简为关于参数的函数(多为二次函数或三角函数),最后求该函数最值,所得结果开算术平方根即为所求。

坐标形式下向量不共线的判定

方法点拨

设 $\vec{a} = (x_1, y_1)$,$\vec{b} = (x_2, y_2)$,则 $\vec{a}$ 与 $\vec{b}$ 不共线 $\iff x_1 y_2 - x_2 y_1 \neq 0$。

含参向量和夹角为锐角求参数范围(例10)

典型例题

已知 $\vec{a} = (1, 2)$,$\vec{b} = (1, 1)$,若 $\langle \vec{a}, \vec{a} + \lambda \vec{b} \rangle$ 为锐角,求实数 $\lambda$ 的取值范围。

参考答案 $\lambda > -\dfrac{5}{3}$ 且 $\lambda \neq 0$
解析

记 $\vec{c} = \vec{a} + \lambda \vec{b} = (1+\lambda, 2+\lambda)$。

由夹角为锐角,需同时满足:

1. 数量积大于0:$\vec{a} \cdot \vec{c} = 1(1+\lambda) + 2(2+\lambda) = 1+\lambda+4+2\lambda = 3\lambda + 5 > 0 \Rightarrow \lambda > -\dfrac{5}{3}$;

2. 不共线:$1 \cdot (2+\lambda) - 2 \cdot (1+\lambda) = 2+\lambda-2-2\lambda = -\lambda \neq 0 \Rightarrow \lambda \neq 0$。

综上,$\lambda \in \left(-\dfrac{5}{3}, 0\right) \cup (0, +\infty)$。

忽略共线情形导致充要条件误判

易错点辨析

仅由 $\vec{a} \cdot \vec{b} > 0$ 不能推出 $\langle \vec{a}, \vec{b} \rangle$ 为锐角,因为当 $\vec{a}, \vec{b}$ 同向共线时,夹角为 $0$(非锐角),但仍有 $\vec{a} \cdot \vec{b} > 0$。同理,$\vec{a} \cdot \vec{b} < 0$ 也不能直接推出钝角(反向共线时夹角为 $\pi$)。因此,必须额外排除共线情形。

← 向量 · 数量积不等式复数 · 复数的基本概念 →

《高一数学同步课 · 录播课》全部专题

向量 · 向量的基本概念+特殊向量向量 · 向量的加法+减法法则向量 · 向量的数乘+向量共线的证明方法向量 · 向量的数量积向量 · 向量的投影向量 · 平面向量基本定理+向量分解系数的求法向量 · 三点共线定理与线段的定比分点向量 · 向量的正交分解及坐标表示向量 · 数量积不等式复数 · 复数的基本概念复数 · 复数的运算复数 · 复数的几何意义(一定要听)解三角形 · 正弦定理解三角形 · 最值问题立体几何 · 基本立体图形与直观图立体几何 · 空间几何体的表面积与体积立体几何 · 空间几何体的最短路径问题立体几何 · 基本事实及推论+空间中点线面的位置关系立体几何 · 线线平行+线面平行的判定定理立体几何 · 中位线模型+平行四边形模型+比例模型判定线面平行立体几何 · 线面平行性质定理+面面平行判定定理+面面平行性质定理立体几何 · 线线垂直立体几何 · 线面垂直的判定定理立体几何 · 直线与平面所成的角立体几何 · 计算点到平面的距离+二面角立体几何 · 面面垂直的判定定理+性质定理立体几何 · 三垂线定理立体几何 · 截面问题立体几何 · 求体积的综合题:等体积转换法立体几何 · 求体积的综合题:割补法立体几何 · 求体积的综合题:体积最值问题立体几何 · 外接球与内切球:墙角模型立体几何 · 外接球与内切球:对棱相等模型+垂面模型+切瓜模型立体几何 · 外接球与内切球:斗笠模型+汉堡模型+折叠模型+内切球模型立体几何 · 折叠过程中的动态问题立体几何 · 动点存在性问题+动点轨迹问题+动点最值问题概率 · 随机事件与概率:考点1概率 · 随机事件与概率:考点2、考点3概率 · 随机事件与概率:考点6