两直线垂直,斜率乘积为-1的证明

2023-11-15

      老早以前在学习初等函数的时候,线性函数中的两直线y = m0x + b0, y = m1x +b1如果垂直,则有结论两条直线的斜率乘积为-1即m0*m1 = -1,以前也只是拿来用,没有证明过。最近在学图形学的时候,突然想起了这个点,因此记一篇笔记,证明一下。

         如上图所示,有两条直线:y_0 = m_0x + b_0 和 y_1 = m_1x + b_1,它们相互垂直。这里可以得到一个隐含的条件是:  m_0 \neq m1 (斜率相等,y轴截距不同的两条直线是平行的,垂直的话则斜率不等)。

        图中两条直线的交点的坐标,我们可以通过求解方程得到,交点的y是相同的,因此我们有:

        m_0x + b_0 = m_1x + b_1

        求解得到交点的x坐标为:\frac{b_1 - b_0}{m_0 - m_1},

         将x分别代入y0和y1,得到交点的y坐标分别为:

         \frac{m_0(b_1 - b_0)}{m_0 - m_1} + b_0 和 \frac{m_1(b_1 - b_0)}{m_0 - m_1} + b_1,这两个值是相等的

        因此,图中三个关键的点坐标如下:

        直线y0在y轴的交点A坐标为(0,b0)

        直线y1在y轴的交点B坐标为(0,b1)

        两直线交点C坐标为 (\frac{b_1 - b_0}{m_0 - m_1}, \frac{m_0(b_1 - b_0)}{m_0 - m_1} + b_0) , (\frac{b_1 - b_0}{m_0 - m_1}, \frac{m_1(b_1 - b_0)}{m_0 - m_1} + b_1)这两个坐标对应同一个点。

        由于两条直线垂直,由勾股定理可知,斜边AB距离的平方 = 直角边AC距离的平方 + 直角边BC距离的平方。

        根据两点之间的距离公式,可以得到下面的等式:

        AB的距离的平方 = (b_1 - b_0)^2

        AC的距离的平方 = (\frac{m_0(b_1 - b_0)}{m_0 - m_1} )^2 + (\frac{b_1 - b_0}{m_0 - m_1})^2  (用C的第一种形式做距离计算,可以减掉b0)

        BC的距离的平方 = (\frac{m_1(b_1 - b_0)}{m_0 - m_1} )^2 + (\frac{b_1 - b_0}{m_0 - m_1})^2(用C的第二种形式做距离计算,可以减掉b1)

        根据勾股定义,可得:

        (b_1 - b_0)^2 = (\frac{m_0(b_1 - b_0)}{m_0 - m_1} )^2 + (\frac{b_1 - b_0}{m_0 - m_1})^2 + (\frac{m_1(b_1 - b_0)}{m_0 - m_1} )^2 + (\frac{b_1 - b_0}{m_0 - m_1})^2

        整理一下,得到:

        (b_1 - b_0)^2 = \frac{m_0^2(b_1 - b_0)^2}{(m_0 - m_1)^2} + 2\frac{(b_1 - b_0)^2}{(m_0 - m_1)^2}) + \frac{m_1^2(b_1 - b_0)^2}{(m_0 - m_1)^2}

        约掉(b1- b0)^2,整理得到:

        (m_0 - m_1)^2 = m_0^2 + 2 + m_1^2

        展开平方差:

        m_0^2 + m_1^2 - 2m_0m_1 = m_0^2 + m_1^2 + 2

        整理得到

        -2m_0m_1 = 2, 因此 m_0m_1 = -1

本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)

两直线垂直,斜率乘积为-1的证明 的相关文章

  • 差分与微分

    差分与微分 差分和微分都是数学中的一些基本概念 它们在数学 物理学 经济学和其他领域中都有广泛的应用 1 差分 差分可以理解为函数值之间的差别 特别地 如果一个函数 f f f 在两个相邻点 x 0
  • 连续型随机变量密度函数与累积密度函数

    1 连续性随机变量的概率密度函数 注意 f x 是非负的可积函数 以及在负无穷到正无穷区间内的累积概率为1 累积概率的取值区间是从负无穷到正无穷 但是概率密度函数的取值并不是从负无穷到正无穷 尤其是在实际问题中 比如说报童模型中的报纸订购量
  • 指数函数,幂函数,对数函数

    摘自 https zhikunhuo blog csdn net article details 100828713 指数函数 幂函数 对数函数为高等数学中的初等函数 指数函数 指数函数公式为y a x 其函数增长性如下 指数函数的单调性是
  • 备战数学建模1-MATLAB矩阵相关

    目录 一 数值数据 二 常用函数 三 变量及其操作 四 矩阵的基础应用 五 MATLAB基本运算 六 字符串处理 七 特殊矩阵 八 矩阵变换 九 矩阵求值 十 矩阵的特征值与特征向量 十一 稀疏矩阵 一 数值数据 1 整型 整型分为有符号整
  • 双重求和∑∑的定义及性质

    目录 一 复习求和符号 二 二重求和的定义 三 双重求和 交换求和顺序 一 复习求和符号 自从约瑟夫 傅立叶于1820年引入求和符号 大写的希腊字母sigma 以来 求和 以及双重求和 在数学公式推导 命题证明中被经常使用 掌握它的定义和性
  • 从零到熟练编写LaTex数学公式,这两篇就够了

    第一篇 LaTex公式编辑方法 快速手敲一遍 熟悉常用操作 第二篇 CSDN官方参考文档 有不清楚的 随手查阅 在线公式编辑 实在打不出 就在线编辑吧
  • 数据结构 数学知识复习

    文章目录 指数 对数 级数 模运算 证明方法 归纳法证明 反例法证明 指数 X A X B
  • arctan函数加上90°;arctan(a/b)与arctan(b/a)的关系

  • 证明正定矩阵的充要条件:全部顺序主子式大于0

    定理 f x T A x f x TAx f xTAx 正定的充要条件是
  • 为什么样本方差里面要除以(n-1)而不是n?

    前段日子重新整理了一下这个问题的解答 跟大家分享一下 如果有什么错误的话希望大家能够提出来 我会及时改正的 话不多说进入正题 首先 我们来看一下样本方差的计算公式 刚开始接触这个公式的话可能会有一个疑问就是 为什么样本方差要除以 n 1 而
  • 矩阵 矩阵的基本运算规则 行列式 逆矩阵

    矩阵 本质 矩阵是个数表 从线性变换的视角看 矩阵是记录线性变换这一过程的描述信息 记为 A m n A m times n Am n 或 A a i j A a ij A aij 或 A a i j m n A a ij m times
  • LaTeX 数学公式大全!

    LaTeX 数学公式大全 这里是来自一篇教程的截图 很全面
  • 《剑指Offer》62:圆圈中最后剩下的数字(约瑟夫环)

    题目 0 1 2 n 1这n个数字排成一个圆圈 从数字0开始 每次从这圆圈你删除第m个数字 求出这个圆圈里剩下的最后一个数字 例如 0 1 2 3 4这5个数字组成一个圆圈 从数字0开始每次删除第3个数字 则删除的前4个数字依次2 0 4
  • 2020年高教社建模国赛真题A题--炉温曲线

    2020年高教社杯全国大学生数学建模竞赛题目 请先阅读 全国大学生数学建模竞赛论文格式规范 A题 炉温曲线 在集成电路板等电子产品生产中 需要将安装有各种电子元件的印刷电路板放置在回焊炉中 通过加热 将电子元件自动焊接到电路板上 在这个生产
  • 蓝以中老师《高等代数》第01章:代数学的经典课题,笔记

    蓝以中老师 高等代数 第01章 代数学的经典课题 笔记 如下
  • 2的31次方和3的21次方哪个大,123组成最大的数是多少?

    123这三个数字组成最大的数是什么数 面试官告诉小孙 123这三个数字组成最大的数是什么数 我希望你能够在5分钟之内回答出来 小孙当时连想都没有想 123组成的最大数字 当然就是123了 当小孙把这个答案告诉面试官的时候 面试官摇摇头 然后
  • 18. 线性代数 - 线性变换

    文章目录 线性空间 线性变换 线性变换的几何意义 特征值与特征向量 NumPy的矩阵操作 Hi 你好 我是茶桁 经历了几节线性代数课程之后 终于咱们到了最后一节课了 本节课的内容说多不多 说少也不少 我们先是要理解一下线性空间和线性变换 并
  • 防止sigmoid和tanh激活函数溢出的C++实现

    引言 上一期 我们介绍了softmax函数的C 实现 但是考虑到sigmoid和tanh函数也是带 e e e的次幂 所以现在我们来考虑该函数的防止溢出实现 sigmoid函数 原理 该函数的公式为 1 1
  • 矩阵求导常用公式

    矩阵求导常用公式 1 引言 2 向量的导数 2 1 向量对标量求导 Vector by scalar 2 2 标量对向量求导 Scalar by vector 2 3 向量对向量求导 Vector by vector 3 矩阵的导数 3 1
  • 我的百度经验目录

    百度经验目录 进一步了解基于Mathematica的图像特征检测方法 http jingyan baidu com article a501d80c44a372ec630f5eb4 html 怎么把python代码打包成exe文件 http

随机推荐

  • 单例模式 -- 懒汉模式&饿汉模式

    目录 一 单例模式是什么 二 饿汉模式 三 懒汉模式 一 单例模式是什么 单例模式是一种设计模式 用于将类的实例化限制为一个对象 它确保一个类只有一个实例 并提供了该实例的全局访问点 这种模式被广泛用于创建对象的唯一实例 例如数据库连接和日
  • LCD(五)Backlight背光子系统

    一 Backlight背光子系统概述 LCD的背光原理主要是由核心板的一根引脚控制背光电源 一根PWM引脚控制背光亮度组成 应用程序可以通过改变PWM的频率达到改变背光亮度的目的 Backlight背光子系统构建过程结构关系图 黑色加粗部分
  • ONNX 运行时报错 ORT_RUNTIME_EXCEPTION Ort::Exception 未经处理的异常

    1 运行报错 前段时候推理时遇到一个非常奇怪的bug ONNX模型在运行时会报ORT RUNTIME EXCEPTION的异常 2 错误排查 继续运行 断点看到是在Session Run 的时候报错 断点逐语句跟踪没有更多详情的信息 重新看
  • jsp 购物车

  • 墨者学院——SQL注入漏洞测试(时间盲注)

    点击链接进入题目 点进网页 在url后加 type 1 发现没有回显 上传 type 1 and sleep 10 发现网页有明显延迟 说明sleep函数被执行 该网页存在时间注入 通过构造payload去获得数据库长度 x为猜想的数据库长
  • 【LSTM预测】基于双向长短时记忆BiLSTM(多输入单输出)数据预测含Matlab源码

    1 简介 针对长短期记忆循环神经网络在对时间序列进行学习时存在早期特征记忆效果差 难以充分挖掘整个网络流量特征等问题 提出一种基于双向长短期记忆循环神经网络的网络流量预测方法 以提高网络流量预测的准确性 对网络流量序列进行双向学习 避免单向
  • Android的手势识别

    首先 在Android系统中 每一次手势交互都会依照以下顺序执行 接触接触屏一刹那 触发一个MotionEvent事件 该事件被OnTouchListener监听 在其onTouch 方法里获得该MotionEvent对象 通过Gestur
  • Variable used in lambda expression should be final or effectively final

    问题描述 在使用java8lambda表达式的时候 有时候会遇到这样的编译报错 这句话的意思是 lambda表达式中使用的变量应该是final或者是有效的final 在Java8之前 匿名类中如果要访问局部变量的话 那个局部变量必须显式的声
  • LeetCode-1488. Avoid Flood in The City

    Your country has an infinite number of lakes Initially all the lakes are empty but when it rains over the nth lake the n
  • 迅雷5引发的Dos Generic SYNFlood网络攻击

    迅雷5引发的Dos Generic SYNFlood网络攻击 使用卡巴斯基的各位 有没有注意到卡巴最近经常会报Dos Generic SYNFlood 网络攻击 而且一报起来就没完没了 网上有人居然收到几千条还没崩溃 真是有定力 今天突然发
  • flutter_html出现蓝底

    Html data div style background color FFFFFF 123 div 原因是不支持大写颜色 替换为小写即可 String upperColor2Lower String text RegExp reg ne
  • 激发云力量--打造我的云端工具集

    0 前言 日常工作中 有很多小需求 作为码农 总喜欢自己动手做点小东西出来 也成为学习与实践的好机会 在使用腾讯云过程中 从环境搭建 各个小需求的构思 前后端技术的琢磨 学习 使用 收获很大 现在整理出来和大家分享 先说说做了哪些事情 都来
  • 深度学习在训练和测试阶段使用显卡的情况是否必须完全一致?

    问题 深度学习模型在进行训练时采用多张显卡进行训练 测试时是不是就与显卡无关了 也就是说可以利用CPU做推理 也可以使用GPU做推理 回答 是的 在深度学习模型训练时采用多张显卡进行训练 测试时模型的预测过程与显卡无关 这意味着在测试过程中
  • netware php_服务器_如何在 Netware 服务器中安装多块网卡,如果网络在扩大时服务器只装 - phpStudy...

    如何在 Netware 服务器中安装多块网卡 如果网络在扩大时服务器只装一块网卡 所有工作站采用总线结构上网 那么访问速度会很慢 另外 如果上网时某台工作站出了故障 所有的工作站都受其影响 不能工作 我们可以在服务器中安装多块网卡来解决问题
  • 【虚拟机连接Xshell详细过程】

    虚拟机连接Xshell详细过程 1 Xshell简介 2 Xftp简介 3 安装下载Xhell和Xftp 下载Xshell和上面的步骤一样 4 使用VMware连接Xhell 5 Xftp的使用 1 Xshell简介 Xshell是Wind
  • CCS软件

    目录 一 如何跳转到函数的定义 二 declaration is incompatible with 常见错误原因 三 symbol cell values redefined first defined in HARDWARE bq pa
  • LRU算法的Java实现

    一 LRU算法介绍 LRU算法全称Least Recently Used 也就是检查最近最少使用的数据的算法 这个算法通常使用在内存淘汰策略中 用于将不常用的数据转移出内存 将空间腾给最近更常用的 热点数据 算法很简单 只需要将所有数据按使
  • 2019 暑期实习面试及准备资料总结

    2019 暑期实习面试及准备资料总结 18年年初开始转型做ML DL 0基础 3个月学习了基础知识 打了一个kaggle比赛 DSB2018 截止投简历的时候成绩top 3 投了三家的算法岗 今日头条图像算法岗 蚂蚁金服机器学习推荐算法 腾
  • Markdown中LaTeX公式编号

    在Markdown中使用 LaTeX LaTeX LATE X公式时 加上 tag 标签可以生成对应的编号 比如这个代码可以生成 x y z tag 1 1 这样的带编号的公式 比如这个代码可以生成 1 1
  • 两直线垂直,斜率乘积为-1的证明

    老早以前在学习初等函数的时候 线性函数中的两直线y m0x b0 y m1x b1如果垂直 则有结论两条直线的斜率乘积为 1即m0 m1 1 以前也只是拿来用 没有证明过 最近在学图形学的时候 突然想起了这个点 因此记一篇笔记 证明一下 如