在数学和向量代数领域,向量叉积 (英语:Cross product)又称向量积(英语:Vector product),是对三维空间中的两个向量的二元运算,使用符号× \times × 。与点积不同,它的运算结果是向量 。对于线性无关 的两个向量 a \mathbf {a} a 和b \mathbf {b} b ,它们的叉积写作 a × b {\displaystyle \mathbf {a} \times \mathbf {b} } a × b ,是 a \mathbf {a} a 和 b \mathbf {b} b 所在平面的法线向量,与a \mathbf {a} a 和b \mathbf {b} b 都垂直。叉积被广泛运用于数学、物理、工程学、计算机科学领域。
如果两个向量方向相同或相反(即它们非线性无关),亦或任意一个的长度为零,那么它们的叉积为零。推广开来,叉积的模长和以这两个向量为边的平行四边形的面积相等;如果两个向量成直角,它们叉积的模长即为两者长度的乘积。
叉积和点积一样依赖于欧几里德空间的度量,但与点积之不同的是,叉积还依赖于定向或右手定则。
向量叉积的定义
使用右手定则确定叉积的方向
两个向量 a \mathbf {a} a 和 b \mathbf {b} b 的叉积仅在三维空间中有定义,写作 a × b {\displaystyle \mathbf {a} \times \mathbf {b} } a × b 。在物理学中,叉积有时也被写成a ∧ b {\displaystyle \mathbf {a} \wedge \mathbf {b} } a ∧ b ,但在数学中 a ∧ b {\displaystyle \mathbf {a} \wedge \mathbf {b} } a ∧ b 是外代数中的外积。
叉积 a × b {\displaystyle \mathbf {a} \times \mathbf {b} } a × b 是与 a \mathbf {a} a 和 b \mathbf {b} b 都垂直的向量c \mathbf {c} c 。其方向由右手定则决定,模长等于以两个向量为边的平行四边形的面积。
叉积可以定义为:
a × b = ∣ a ∣ ∣ b ∣ sin ( θ ) n {\displaystyle \mathbf {a} \times \mathbf {b} =|\mathbf {a} ||\mathbf {b} |\sin(\theta )\ \mathbf {n} } a × b = ∣ a ∣∣ b ∣ sin ( θ ) n
其中 θ \theta θ 表示 a \mathbf {a} a 和 b \mathbf {b} b 在它们所定义的平面上的夹角( 0 ∘ ≤ θ ≤ 18 0 ∘ ) ({\displaystyle 0^{\circ }\leq \theta \leq 180^{\circ }}) ( 0 ∘ ≤ θ ≤ 18 0 ∘ ) 。∣ a ∣ {\displaystyle |\mathbf {a} |} ∣ a ∣ 和 ∣ b ∣ {\displaystyle |\mathbf {b} |} ∣ b ∣ 是向量a \mathbf {a} a 和 b \mathbf {b} b 的模长,而 n \mathbf{n} n 则是一个与 a \mathbf {a} a 、b \mathbf {b} b 所构成的平面垂直的单位向量,方向由右手定则决定。根据上述公式,当 a \mathbf {a} a 与 b \mathbf {b} b 平行(即 θ \theta θ 为 0° 或 180°)时,它们的叉积为零向量 0 \mathbf{0} 0 。
叉积a × b(垂直方向、紫色)随着向量 a(蓝色)和 b(红色)的夹角变化。 叉积垂直于两个向量,模长在两者平行时为零、在两者垂直时达到最大值‖a‖‖b‖。
按照惯例,向量 n \mathbf{n} n 的方向由右手定则决定:将右手食指指向 a \mathbf {a} a 的方向、中指指向 b \mathbf {b} b 的方向,则此时拇指的方向即为 n \mathbf{n} n 的方向。使用这一定则意味着叉积满足反交换律,a × b = − ( b × a ) {\displaystyle \mathbf {a} \times \mathbf {b} =-(\mathbf {b} \times \mathbf {a} )} a × b = − ( b × a ) :将右手食指指向b \mathbf {b} b 、中指指向 a \mathbf {a} a ,那么拇指就必定指向相反方向,即翻转了叉积的符号。
由此可以看出,使用叉积需要考虑坐标系的利手性(英语:Handedness),如果使用的是左手坐标系,向量n \mathbf{n} n 的方向需要使用左手定则决定,与右手坐标系中的方向相反。
这样就会带来一个问题:参照系的变换不应该影响 n \mathbf{n} n 的方向(例如从右手坐标系到左手坐标系的镜像变换)。因此,两个向量的叉积并不是(真)向量,而是伪向量。
向量叉积的计算
向量叉积的坐标表示
基向量( i 、 j 、 k ,也记作 e 1 、 e 2 、 e 3 ) (i、j、k,也记作 e1、e2、e3) ( i 、 j 、 k ,也记作 e 1 、 e 2 、 e 3 ) 和向量 a 的分解( a x 、 a y 、 a z ,也记作 a 1 、 a 2 、 a 3 ) (ax、ay、az,也记作 a1、a2、a3) ( a x 、 a y 、 a z ,也记作 a 1 、 a 2 、 a 3 )
右手坐标系中,基向量i {\mathbf {i}} i 、j \mathbf{j} j 、k \mathbf{k} k 满足以下等式:
i × j = k j × k = i k × i = j {\displaystyle {\begin{aligned}\mathbf {i} \times \mathbf {j} &=\mathbf {k} \\
\mathbf {j} \times \mathbf {k} &=\mathbf {i} \\
\mathbf {k} \times \mathbf {i} &=\mathbf {j} \end{aligned}}} i × j j × k k × i = k = i = j
根据反交换律可以得出:
j × i = − k k × j = − i i × k = − j {\displaystyle {\begin{aligned}\mathbf {j\times i} &=-\mathbf {k} \\
\mathbf {k\times j} &=-\mathbf {i} \\
\mathbf {i\times k} &=-\mathbf {j} \end{aligned}}} j × i k × j i × k = − k = − i = − j
根据叉积的定义可以得出:
i × i = j × j = k × k = 0 {\displaystyle \mathbf {i} \times \mathbf {i} =\mathbf {j} \times \mathbf {j} =\mathbf {k} \times \mathbf {k} =\mathbf {0} } i × i = j × j = k × k = 0 (零向量)。
根据以上等式,结合叉积的分配律和线性关系,就可以确定任意向量的叉积。
向量 u \mathbf{u} u 和 v \mathbf {v} v 可以定义为平行于基向量的三个正交元素之和:
u = u 1 i + u 2 j + u 3 k v = v 1 i + v 2 j + v 3 k {\displaystyle {\begin{aligned}\mathbf {u} &=u_{1}\mathbf {i} +u_{2}\mathbf {j} +u_{3}\mathbf {k} \\
\mathbf {v} &=v_{1}\mathbf {i} +v_{2}\mathbf {j} +v_{3}\mathbf {k} \end{aligned}}} u v = u 1 i + u 2 j + u 3 k = v 1 i + v 2 j + v 3 k
两者的叉积 u × v {\displaystyle \mathbf {u} \times \mathbf {v} } u × v 可以根据分配律展开:
u × v = ( u 1 i + u 2 j + u 3 k ) × ( v 1 i + v 2 j + v 3 k ) = u 1 v 1 ( i × i ) + u 1 v 2 ( i × j ) + u 1 v 3 ( i × k ) + u 2 v 1 ( j × i ) + u 2 v 2 ( j × j ) + u 2 v 3 ( j × k ) + u 3 v 1 ( k × i ) + u 3 v 2 ( k × j ) + u 3 v 3 ( k × k ) {\displaystyle {\begin{aligned}
\mathbf {u} \times \mathbf {v} =(u_{1}\mathbf {i} +u_{2}\mathbf {j} +u_{3}\mathbf {k} )\times (v_{1}\mathbf {i} +v_{2}\mathbf {j} +v_{3}\mathbf {k} )\\
=u_{1}v_{1}(\mathbf {i} \times \mathbf {i} )+u_{1}v_{2}(\mathbf {i} \times \mathbf {j} )+u_{1}v_{3}(\mathbf {i} \times \mathbf {k} )+\\
u_{2}v_{1}(\mathbf {j} \times \mathbf {i} )+u_{2}v_{2}(\mathbf {j} \times \mathbf {j} )+u_{2}v_{3}(\mathbf {j} \times \mathbf {k} )+\\
u_{3}v_{1}(\mathbf {k} \times \mathbf {i} )+u_{3}v_{2}(\mathbf {k} \times \mathbf {j} )+u_{3}v_{3}(\mathbf {k} \times \mathbf {k} )
\end{aligned}}} u × v = ( u 1 i + u 2 j + u 3 k ) × ( v 1 i + v 2 j + v 3 k ) = u 1 v 1 ( i × i ) + u 1 v 2 ( i × j ) + u 1 v 3 ( i × k ) + u 2 v 1 ( j × i ) + u 2 v 2 ( j × j ) + u 2 v 3 ( j × k ) + u 3 v 1 ( k × i ) + u 3 v 2 ( k × j ) + u 3 v 3 ( k × k )
即把 u × v {\displaystyle \mathbf {u} \times \mathbf {v} } u × v 分解为九个仅涉及 i {\mathbf {i}} i 、j \mathbf{j} j 、k \mathbf{k} k 的简单叉积之和。九个叉积各自所涉及的向量,要么相互平行、要么相互正交。将最前面所述的几个等式带入其中,然后合并同类项,可以得到:
u × v = − u 1 v 1 0 + u 1 v 2 k − u 1 v 3 j − u 2 v 1 k − u 2 v 2 0 + u 2 v 3 i + u 3 v 1 j − u 3 v 2 i − u 3 v 3 0 = ( u 2 v 3 − u 3 v 2 ) i + ( u 3 v 1 − u 1 v 3 ) j + ( u 1 v 2 − u 2 v 1 ) k {\displaystyle {\begin{aligned}
\mathbf {u} \times \mathbf {v} =\\
-u_{1}v_{1}\mathbf {0} +u_{1}v_{2}\mathbf {k} -u_{1}v_{3}\mathbf {j} \\
-u_{2}v_{1}\mathbf {k} -u_{2}v_{2}\mathbf {0} +u_{2}v_{3}\mathbf {i} \\
+u_{3}v_{1}\mathbf {j} -u_{3}v_{2}\mathbf {i} -u_{3}v_{3}\mathbf {0} \\
=(u_{2}v_{3}-u_{3}v_{2})\mathbf {i} +(u_{3}v_{1}-u_{1}v_{3})\mathbf {j} +(u_{1}v_{2}-u_{2}v_{1})\mathbf {k} \end{aligned}}} u × v = − u 1 v 1 0 + u 1 v 2 k − u 1 v 3 j − u 2 v 1 k − u 2 v 2 0 + u 2 v 3 i + u 3 v 1 j − u 3 v 2 i − u 3 v 3 0 = ( u 2 v 3 − u 3 v 2 ) i + ( u 3 v 1 − u 1 v 3 ) j + ( u 1 v 2 − u 2 v 1 ) k
即结果向量 s = s 1 i + s 2 j + s 3 k = u × v {\displaystyle \mathbf {s} =s_{1}\mathbf {i} +s_{2}\mathbf {j} +s_{3}\mathbf {k} =\mathbf {u} \times \mathbf {v} } s = s 1 i + s 2 j + s 3 k = u × v 的三个标量元素为:
s 1 = u 2 v 3 − u 3 v 2 s 2 = u 3 v 1 − u 1 v 3 s 3 = u 1 v 2 − u 2 v 1 {\displaystyle {\begin{aligned}s_{1}&=u_{2}v_{3}-u_{3}v_{2}\\
s_{2}&=u_{3}v_{1}-u_{1}v_{3}\\
s_{3}&=u_{1}v_{2}-u_{2}v_{1}\end{aligned}}} s 1 s 2 s 3 = u 2 v 3 − u 3 v 2 = u 3 v 1 − u 1 v 3 = u 1 v 2 − u 2 v 1
也可以记作列向量的形式:
( s 1 s 2 s 3 ) = ( u 2 v 3 − u 3 v 2 u 3 v 1 − u 1 v 3 u 1 v 2 − u 2 v 1 ) {\displaystyle {\begin{pmatrix}s_{1}\\s_{2}\\s_{3}\end{pmatrix}}={\begin{pmatrix}u_{2}v_{3}-u_{3}v_{2}\\u_{3}v_{1}-u_{1}v_{3}\\u_{1}v_{2}-u_{2}v_{1}\end{pmatrix}}} ⎝ ⎛ s 1 s 2 s 3 ⎠ ⎞ = ⎝ ⎛ u 2 v 3 − u 3 v 2 u 3 v 1 − u 1 v 3 u 1 v 2 − u 2 v 1 ⎠ ⎞
向量叉积的矩阵表示
根据萨吕法则确定 u 和 v 的叉积
叉积可以表达为这样的行列式:
u × v = ∣ i j k u 1 u 2 u 3 v 1 v 2 v 3 ∣ {\displaystyle \mathbf {u\times v} ={\begin{vmatrix}\mathbf {i} &\mathbf {j} &\mathbf {k} \\
u_{1}&u_{2}&u_{3}\\
v_{1}&v_{2}&v_{3}
\end{vmatrix}}} u × v = ∣ ∣ i u 1 v 1 j u 2 v 2 k u 3 v 3 ∣ ∣
这个行列式可以使用萨吕法则或拉普拉斯展开计算。使用萨吕法则可以展开为:
u × v = ( u 2 v 3 i + u 3 v 1 j + u 1 v 2 k ) − ( u 3 v 2 i + u 1 v 3 j + u 2 v 1 k ) = ( u 2 v 3 − u 3 v 2 ) i + ( u 3 v 1 − u 1 v 3 ) j + ( u 1 v 2 − u 2 v 1 ) k {\displaystyle {\begin{aligned}\mathbf {u\times v} =\\
(u_{2}v_{3}\mathbf {i} +u_{3}v_{1}\mathbf {j} +u_{1}v_{2}\mathbf {k} )-(u_{3}v_{2}\mathbf {i} +u_{1}v_{3}\mathbf {j} +u_{2}v_{1}\mathbf {k} )=\\
(u_{2}v_{3}-u_{3}v_{2})\mathbf {i} +(u_{3}v_{1}-u_{1}v_{3})\mathbf {j} +(u_{1}v_{2}-u_{2}v_{1})\mathbf {k} \end{aligned}}} u × v = ( u 2 v 3 i + u 3 v 1 j + u 1 v 2 k ) − ( u 3 v 2 i + u 1 v 3 j + u 2 v 1 k ) = ( u 2 v 3 − u 3 v 2 ) i + ( u 3 v 1 − u 1 v 3 ) j + ( u 1 v 2 − u 2 v 1 ) k
使用拉普拉斯展开可以沿第一行展开为:
u × v = ∣ u 2 u 3 v 2 v 3 ∣ i − ∣ u 1 u 3 v 1 v 3 ∣ j + ∣ u 1 u 2 v 1 v 2 ∣ k = ( u 2 v 3 − u 3 v 2 ) i − ( u 1 v 3 − u 3 v 1 ) j + ( u 1 v 2 − u 2 v 1 ) k {\displaystyle {\begin{aligned}\mathbf {u\times v} ={\begin{vmatrix}u_{2}&u_{3}\\v_{2}&v_{3}\end{vmatrix}}\mathbf {i} -{\begin{vmatrix}u_{1}&u_{3}\\v_{1}&v_{3}\end{vmatrix}}\mathbf {j} +{\begin{vmatrix}u_{1}&u_{2}\\v_{1}&v_{2}\end{vmatrix}}\mathbf {k} =\\
(u_{2}v_{3}-u_{3}v_{2})\mathbf {i} -(u_{1}v_{3}-u_{3}v_{1})\mathbf {j} +(u_{1}v_{2}-u_{2}v_{1})\mathbf {k} \end{aligned}}} u × v = ∣ ∣ u 2 v 2 u 3 v 3 ∣ ∣ i − ∣ ∣ u 1 v 1 u 3 v 3 ∣ ∣ j + ∣ ∣ u 1 v 1 u 2 v 2 ∣ ∣ k = ( u 2 v 3 − u 3 v 2 ) i − ( u 1 v 3 − u 3 v 1 ) j + ( u 1 v 2 − u 2 v 1 ) k
都可以直接得到结果向量。
向量叉积的性质
向量叉积的代数性质
对于任意三个向量 a \mathbf {a} a 、b \mathbf {b} b 、c \mathbf {c} c ,
a × a = 0 {\displaystyle \mathbf {a} \times \mathbf {a} =\mathbf {0} } a × a = 0
a × 0 = 0 {\displaystyle \mathbf {a} \times \mathbf {0} =\mathbf {0} } a × 0 = 0
a × b = − ( b × a ) {\displaystyle \mathbf {a} \times \mathbf {b} =-(\mathbf {b} \times \mathbf {a} )} a × b = − ( b × a ) (反交换律)
a × ( b + c ) = a × b + a × c {\displaystyle \mathbf {a} \times (\mathbf {b} +\mathbf {c} )=\mathbf {a} \times \mathbf {b} +\mathbf {a} \times \mathbf {c} } a × ( b + c ) = a × b + a × c (加法的左分配律)
( a + b ) × c = a × c + b × c {\displaystyle (\mathbf {a} +\mathbf {b} )\times \mathbf {c} =\mathbf {a} \times \mathbf {c} +\mathbf {b} \times \mathbf {c} } ( a + b ) × c = a × c + b × c (加法的右分配律)
( λ a ) × b = λ ( a × b ) = a × ( λ b ) {\displaystyle (\lambda \mathbf {a} )\times \mathbf {b} =\lambda (\mathbf {a} \times \mathbf {b} )=\mathbf {a} \times (\lambda \mathbf {b} )} ( λ a ) × b = λ ( a × b ) = a × ( λ b )
a × b + c × d = ( a − c ) × ( b − d ) + a × d + c × b {\displaystyle \mathbf {a} \times \mathbf {b} +\mathbf {c} \times \mathbf {d} =(\mathbf {a} -\mathbf {c} )\times (\mathbf {b} -\mathbf {d} )+\mathbf {a} \times \mathbf {d} +\mathbf {c} \times \mathbf {b} } a × b + c × d = ( a − c ) × ( b − d ) + a × d + c × b
∣ a × b ∣ = ∣ b × a ∣ {\displaystyle |\mathbf {a} \times \mathbf {b} |=|\mathbf {b} \times \mathbf {a} |} ∣ a × b ∣ = ∣ b × a ∣
∣ a × b ∣ 2 = ∣ a ∣ 2 ∣ b ∣ 2 − ( a ⋅ b ) 2 = ∣ a ⋅ a a ⋅ b a ⋅ b b ⋅ b ∣ {\displaystyle |\mathbf {a} \times \mathbf {b} |^{2}=|\mathbf {a} |^{2}|\mathbf {b} |^{2}-(\mathbf {a} \cdot \mathbf {b} )^{2}={\begin{vmatrix}\mathbf {a} \cdot \mathbf {a} &\mathbf {a} \cdot \mathbf {b} \\
\mathbf {a} \cdot \mathbf {b} &\mathbf {b} \cdot \mathbf {b} \end{vmatrix}}} ∣ a × b ∣ 2 = ∣ a ∣ 2 ∣ b ∣ 2 − ( a ⋅ b ) 2 = ∣ ∣ a ⋅ a a ⋅ b a ⋅ b b ⋅ b ∣ ∣ (拉格朗日恒等式)
一般来说,向量叉积不遵守约简律,即 a × b = a × c {\displaystyle \mathbf {a} \times \mathbf {b} =\mathbf {a} \times \mathbf {c} } a × b = a × c 不表示 b = c {\displaystyle \mathbf {b} =\mathbf {c} } b = c 。此外,a × b = 0 {\displaystyle \mathbf {a} \times \mathbf {b} =\mathbf {0} } a × b = 0 不表示 a = 0 {\displaystyle \mathbf {a} =\mathbf {0} } a = 0 或 b = 0 {\displaystyle \mathbf {b} =\mathbf {0} } b = 0 。
但对于两个非零向量 a \mathbf {a} a 和 b \mathbf {b} b ,
$${\displaystyle \mathbf {a} \times \mathbf {b} =\mathbf {0} } $$当且仅当 $$\mathbf {a}$$ 平行于 $$\mathbf {b}$$
向量叉积的几何意义
如果以向量a \mathbf {a} a 和 b \mathbf {b} b 为边构成一个平行四边形,那么这两个向量叉积的模长与这个平行四边形的正面积相等(如图1):
图1:平行四边形面积即叉积的模长
∣ a × b ∣ = ∣ a ∣ ∣ b ∣ sin θ . {\displaystyle \left|\mathbf {a} \times \mathbf {b} \right|=\left|\mathbf {a} \right|\left|\mathbf {b} \right|\sin \theta .} ∣ a × b ∣ = ∣ a ∣ ∣ b ∣ sin θ .
同时,如果以向量a \mathbf {a} a 、b \mathbf {b} b 、c \mathbf {c} c 为棱构成一个平行六面体,那么这个平行六面体的体积V {\mathbf {V}} V 也可以通过叉积和点积的组合得到,这种积称作标量三重积(如图2):
图2:三个向量定义平行六面体
a ⋅ ( b × c ) = b ⋅ ( c × a ) = c ⋅ ( a × b ) . {\displaystyle \mathbf {a} \cdot (\mathbf {b} \times \mathbf {c} )=\mathbf {b} \cdot (\mathbf {c} \times \mathbf {a} )=\mathbf {c} \cdot (\mathbf {a} \times \mathbf {b} ).} a ⋅ ( b × c ) = b ⋅ ( c × a ) = c ⋅ ( a × b ) .
因为标量三重积可能为负,平行六面体的体积需要取其绝对值:
V = ∣ a ⋅ ( b × c ) ∣ {\displaystyle V=|\mathbf {a} \cdot (\mathbf {b} \times \mathbf {c} )|} V = ∣ a ⋅ ( b × c ) ∣
因为叉积的模长与其参数夹角的正弦有关,可以认为叉积是“垂直度”的度量,正如点积是“平行度”的度量一样。对于任意两个单位向量,叉积为1意味着它们互相垂直,叉积为0意味着它们互相平行。点积则相反:点积为0意味着它们互相垂直。
单位向量还能带来两个特性:两个单位向量的点积是它们夹角的余弦(可正可负);它们叉积的模长则为夹角的正弦(始终为正)。
向量微分
对于实数 {\displaystyle t}t 和两个向量值函数 a ( t ) {\displaystyle \mathbf {a} (t)} a ( t ) 、b ( t ) {\displaystyle \mathbf {b} (t)} b ( t ) ,乘积法则成立:
d d t ( a × b ) = d a d t × b + a × d b d t {\displaystyle {\frac {d}{dt}}(\mathbf {a} \times \mathbf {b} )={\frac {d\mathbf {a} }{dt}}\times \mathbf {b} +\mathbf {a} \times {\frac {d\mathbf {b} }{dt}}} d t d ( a × b ) = d t d a × b + a × d t d b
三维坐标
给定直角坐标系的单位向量i \mathbf {i} i ,j \mathbf{j} j ,k \mathbf{k} k 满足下列等式:
i × j = k {\displaystyle \mathbf {i} \times \mathbf {j} =\mathbf {k} } i × j = k 、
j × k = i {\displaystyle \mathbf {j} \times \mathbf {k} =\mathbf {i} } j × k = i 、
k × i = j {\displaystyle \mathbf {k} \times \mathbf {i} =\mathbf {j} } k × i = j
通过这些规则,两个向量的叉积的坐标可以方便地计算出来,不需要考虑任何角度:设
a = a 1 i + a 2 j + a 3 k {\displaystyle \mathbf {a} =a_{1}\mathbf {i} +a_{2}\mathbf {j} +a_{3}\mathbf {k} } a = a 1 i + a 2 j + a 3 k
b = b 1 i + b 2 j + b 3 k {\displaystyle \mathbf {b} =b_{1}\mathbf {i} +b_{2}\mathbf {j} +b_{3}\mathbf {k} } b = b 1 i + b 2 j + b 3 k
则
a × b = ( a 2 b 3 − a 3 b 2 ) i + ( a 3 b 1 − a 1 b 3 ) j + ( a 1 b 2 − a 2 b 1 ) k = ∣ i j k a 1 a 2 a 3 b 1 b 2 b 3 ∣ {\displaystyle {\begin{aligned}\mathbf {a} \times \mathbf {b} =
(a_{2}b_{3}-a_{3}b_{2})\mathbf {i} +(a_{3}b_{1}-a_{1}b_{3})\mathbf {j} +(a_{1}b_{2}-a_{2}b_{1})\mathbf {k}
=\\
{\begin{vmatrix}\mathbf {i} &\mathbf {j} &\mathbf {k} \\
a_{1}&a_{2}&a_{3}\\
b_{1}&b_{2}&b_{3}
\end{vmatrix}}
\end{aligned}}} a × b = ( a 2 b 3 − a 3 b 2 ) i + ( a 3 b 1 − a 1 b 3 ) j + ( a 1 b 2 − a 2 b 1 ) k = ∣ ∣ i a 1 b 1 j a 2 b 2 k a 3 b 3 ∣ ∣
叉积也可以用四元数来表示。注意到上述 i {\mathbf {i}} i 、j \mathbf{j} j 、k \mathbf{k} k 之间的叉积满足四元数的乘法。一般而言,若将向量[ a 1 , a 2 , a 3 ] [a_1, a_2, a_3] [ a 1 , a 2 , a 3 ] 表示成四元数a 1 i + a 2 j + a 3 k a_1i + a_2j + a_3k a 1 i + a 2 j + a 3 k ,两个向量的叉积可以这样计算:计算两个四元数的乘积得到一个四元数,并将这个四元数的实部去掉,即为结果。更多关于四元数乘法,向量运算及其几何意义请参见四元数与空间旋转。