Calcolatore Autovalori e Autovettori

Strumento professionale per il calcolo degli autovalori e autovettori di matrici quadrate con visualizzazione grafica dei risultati

Dimensione della matrice (n x n)

Elementi della matrice

Precisione decimale

Risultati

Autovalori:

Autovettori:

Polinomio caratteristico:

Guida Completa al Calcolo di Autovalori e Autovettori: Teoria ed Esercizi Pratici

Gli autovalori e gli autovettori rappresentano concetti fondamentali nell’algebra lineare con applicazioni che spaziano dalla fisica quantistica all’ingegneria, dall’economia alla computer grafica. Questa guida approfondita vi condurrà attraverso la teoria matematica, i metodi di calcolo e gli esercizi pratici per padroneggiare completamente questo argomento cruciale.

1. Definizioni Fondamentali

Autovalori (eigenvalues): Data una matrice quadrata A di dimensione n×n, uno scalare λ è detto autovalore di A se esiste un vettore non nullo v tale che:

A v = λ v

Autovettori (eigenvectors): Il vettore non nullo v che soddisfa l’equazione sopra è detto autovettore associato all’autovalore λ.

Spazio degli autovettori: L’insieme di tutti gli autovettori associati a un particolare autovalore λ, insieme al vettore nullo, forma uno spazio vettoriale chiamato spazio degli autovettori per λ.

2. Il Polinomio Caratteristico

Il metodo standard per trovare gli autovalori di una matrice A consiste nel risolvere il polinomio caratteristico:

det(A – λI) = 0

dove I è la matrice identità di ordine n e det indica il determinante.

Questa equazione produce un polinomio di grado n in λ, le cui radici sono gli autovalori della matrice A.

3. Metodi per il Calcolo degli Autovalori

Metodo diretto: Risoluzione del polinomio caratteristico per matrici di dimensione ≤ 4
Metodo delle potenze: Algoritmo iterativo per trovare l’autovalore dominante
Metodo QR: Algoritmo numerico per matrici di grandi dimensioni
Decomposizione spettrale: Per matrici diagonalizzabili
Metodo di Jacobi: Per matrici simmetriche

4. Proprietà Importanti degli Autovalori

La somma degli autovalori è uguale alla traccia della matrice
Il prodotto degli autovalori è uguale al determinante della matrice
Gli autovalori di una matrice triangolare sono gli elementi sulla diagonale principale
Se λ è autovalore di A, allora λ^k è autovalore di A^k per qualsiasi intero k
Gli autovalori di una matrice simmetrica reale sono tutti reali
Gli autovalori di una matrice ortogonale hanno valore assoluto 1

5. Applicazioni Pratiche

Campo di Applicazione	Utilizzo degli Autovalori	Esempio Concreto
Meccanica Quantistica	Energia degli stati quantistici	Equazione di Schrödinger: Hψ = Eψ
Ingegneria Strutturale	Analisi delle vibrazioni	Frequenze naturali di ponti e edifici
Economia	Modelli input-output	Analisi di Leontief per settori economici
Computer Grafica	Trasformazioni 3D	Scalatura e rotazione di oggetti
Statistica	Analisi delle componenti principali	Riduzione della dimensionalità dei dati

6. Esercizi Risolti

Esercizio 1: Trovare autovalori e autovettori della matrice:

A = [ 2 -1
-1 2 ]

Soluzione:

Calcoliamo il polinomio caratteristico:
det(A – λI) = det([2-λ -1; -1 2-λ]) = (2-λ)² – 1 = λ² – 4λ + 3
Risolviamo λ² – 4λ + 3 = 0:
λ₁ = 1, λ₂ = 3
Per λ₁ = 1, risolviamo (A – I)v = 0:
[1 -1; -1 1] [x; y] = [0; 0] ⇒ v₁ = [1; 1]
Per λ₂ = 3, risolviamo (A – 3I)v = 0:
[-1 -1; -1 -1] [x; y] = [0; 0] ⇒ v₂ = [1; -1]

Esercizio 2: Data la matrice A = [1 2 0; 0 3 0; 2 -4 2], trovare autovalori e autovettori.

Soluzione: Gli autovalori sono λ₁ = 1, λ₂ = 2, λ₃ = 3 con autovettori associati v₁ = [1; 0; -1], v₂ = [1; 0; -2], v₃ = [1; 1; -2].

7. Errori Comuni da Evitare

Errore	Conseguenza	Come Evitarlo
Dimenticare di normalizzare gli autovettori	Autovettori non unici	Dividere per la norma del vettore
Confondere autovalori e valori singolari	Risultati errati in SVD	Ricordare che i valori singolari sono sempre non negativi
Non verificare la moltiplicità algebrica vs geometrica	Matrice non diagonalizzabile	Controllare dim(ker(A-λI)) per ogni λ
Usare metodi numerici per matrici mal condizionate	Risultati instabili	Calcolare il numero di condizionamento

8. Confronto tra Metodi Numerici

Metodo	Complessità	Precisione	Applicabilità	Vantaggi	Svantaggi
Metodo delle potenze	O(n²) per iterazione	Buona per λ dominante	Matrici generiche	Semplice da implementare	Solo λ dominante
Metodo QR	O(n³)	Alta	Matrici generiche	Tutti gli autovalori	Costo computazionale
Decomposizione LU	O(n³)	Media	Matrici non singolari	Velocità per matrici sparse	Instabilità numerica
Metodo di Jacobi	O(n³)	Molto alta	Matrici simmetriche	Precisione elevata	Solo matrici simmetriche

Risorse Accademiche Autorevoli:

Per approfondimenti teorici e dimostrazioni rigorose, consultare:

Materiali del corso di Algebra Lineare del MIT (Gilbert Strang) – Include video lezioni e appunti dettagliati su autovalori e autovettori
Linear Algebra Toolkit dell’Università della California, Davis – Strumento interattivo per visualizzare concetti di algebra lineare
NIST Digital Library of Mathematical Functions – Risorsa governativa per funzioni matematiche speciali utilizzate nei calcoli degli autovalori

9. Implementazione Computazionale

Per implementazioni pratiche in vari linguaggi di programmazione:

Python: Utilizzare numpy.linalg.eig() dalla libreria NumPy
MATLAB: La funzione eig() calcola autovalori e autovettori
R: La funzione eigen() nel pacchetto base
Julia: eigvals() e eigvecs() dal pacchetto LinearAlgebra
JavaScript: Librerie come math.js o numeric.js

Per matrici di grandi dimensioni (n > 1000), si raccomandano librerie ottimizzate come:

ARPACK (per matrici sparse)
LAPACK (standard per algebra lineare numerica)
Eigen (libreria C++ per algebra lineare)

10. Estensioni Avanzate

Per applicazioni specializzate, è utile studiare:

Decomposizione spettrale: A = PDP⁻¹ dove D è diagonale
Forma canonica di Jordan: Per matrici non diagonalizzabili
Teorema spettrale: Per matrici simmetriche reali
Autovalori generalizzati: Per coppie di matrici (A,B)
Perturbazione degli autovalori: Analisi della sensibilità

11. Esercizi Proposti per la Pratica

Data la matrice A = [3 1; 1 3], trovare autovalori e autovettori. Verificare che gli autovettori siano ortogonali.
Per la matrice A = [2 0 0; 0 2 1; 0 0 2], spiegare perché non è diagonalizzabile nonostante abbia tre autovalori (contando la molteplicità).
Dimostrare che se A è una matrice triangolare superiore, gli autovalori sono gli elementi sulla diagonale.
Data A = [1 2; 4 3], trovare A¹⁰ usando la decomposizione spettrale.
Mostrare che matrici simili hanno gli stessi autovalori.
Calcolare gli autovalori della matrice di adiacenza del grafo completo K₄.
Data una matrice stocastica (ogni riga somma a 1), dimostrare che 1 è un autovalore.

12. Software Specializzato

Per applicazioni professionali, considerare questi strumenti:

Strumento	Caratteristiche	Costo	Piattaforma
MATLAB	Ambiente completo per calcoli numerici	Commerciale	Windows, macOS, Linux
Wolfram Mathematica	Calcoli simbolici e numerici avanzati	Commerciale	Multi-piattaforma
SciLab	Alternativa open-source a MATLAB	Gratuito	Multi-piattaforma
Octave	Compatibile con MATLAB, open-source	Gratuito	Multi-piattaforma
SageMath	Sistema algebrico computazionale open-source	Gratuito	Web, locale

Calcolo Autovalori E Autovettori Esercizi