Calcolatore Autovalori – Esercizi Svolti
Guida Completa al Calcolo degli Autovalori con Esercizi Svolti
Il calcolo degli autovalori (o valori propri) di una matrice è un’operazione fondamentale in algebra lineare con applicazioni in fisica quantistica, ingegneria, economia e data science. Questa guida ti fornirà una spiegazione dettagliata dei metodi di calcolo, esempi pratici ed esercizi svolti per padroneggiare l’argomento.
1. Cosa Sono gli Autovalori e gli Autovettori
Data una matrice quadrata A di dimensione n×n, uno scalare λ è detto autovalore di A se esiste un vettore non nullo v (detto autovettore) tale che:
A·v = λ·v
In altre parole, l’applicazione della matrice A al vettore v produce lo stesso vettore moltiplicato per uno scalare.
2. Metodi per il Calcolo degli Autovalori
Esistono diversi approcci per determinare gli autovalori di una matrice. I principali sono:
- Polinomio Caratteristico: Il metodo più diretto, basato sulla risoluzione dell’equazione caratteristica det(A – λI) = 0.
- Metodo delle Potenze: Algoritmo iterativo per trovare l’autovalore di modulo massimo (autovalore dominante).
- Algoritmo QR: Tecnica numerica avanzata che scompone la matrice in forme più semplici per estrarre gli autovalori.
- Metodo di Jacobi: Trasformazioni ortogonali per diagonalizzare la matrice.
3. Esercizio Svolto: Matrice 2×2
Consideriamo la matrice:
A =
[ 4 1 ]
[ 2 3 ]
Passo 1: Polinomio Caratteristico
Calcoliamo det(A – λI):
det([4-λ 1 ]) = (4-λ)(3-λ) – (1)(2) = λ² – 7λ + 10 = 0
[ 2 3-λ])
Passo 2: Risoluzione dell’Equazione
L’equazione caratteristica è:
λ² – 7λ + 10 = 0
Le soluzioni (autovalori) sono:
λ₁ = [7 + √(49 – 40)] / 2 = 5
λ₂ = [7 – √(49 – 40)] / 2 = 2
Passo 3: Calcolo degli Autovettori
Per λ₁ = 5:
(A – 5I)·v = 0 ⇒
[ -1 1 ] [x] = [0]
[ 2 -2] [y] [0]
Soluzione: v₁ = [1, 1]ᵀ (o qualsiasi multiplo).
Per λ₂ = 2:
(A – 2I)·v = 0 ⇒
[ 2 1 ] [x] = [0]
[ 2 1] [y] [0]
Soluzione: v₂ = [1, -2]ᵀ.
4. Confronto tra Metodi Numerici
| Metodo | Precisione | Complessità | Vantaggi | Svantaggi |
|---|---|---|---|---|
| Polinomio Caratteristico | Alta (esatta per matrici piccole) | O(n³) | Semplice da implementare per n ≤ 4 | Instabile per n > 4, sensibile agli errori di arrotondamento |
| Metodo delle Potenze | Media (approssimata) | O(n² per iterazione) | Efficiente per autovalori dominanti | Converge solo all’autovalore di modulo massimo |
| Algoritmo QR | Molto Alta | O(n³) | Stabile e preciso per qualsiasi matrice | Computazionalmente intensivo |
5. Applicazioni Pratiche degli Autovalori
- Fisica Quantistica: Gli autovalori dell’operatore hamiltoniano rappresentano i livelli energetici di un sistema.
- Ingegneria Strutturale: Analisi delle frequenze naturali di vibrazione (autovalori della matrice di rigidezza).
- Data Science: Principal Component Analysis (PCA) si basa sulla scomposizione agli autovalori della matrice di covarianza.
- Economia: Modelli input-output (matrice di Leontief) per analizzare le interdipendenze settoriali.
- Grafica 3D: Deformazioni e trasformazioni lineari in computer graphics.
6. Errori Comuni e Come Evitarli
- Matrice non quadrata: Gli autovalori sono definiti solo per matrici quadrate. Verifica sempre che il numero di righe e colonne coincida.
- Equazione caratteristica sbagliata: Assicurati di calcolare correttamente det(A – λI), non det(λI – A) (il segno cambia!).
- Autovettori nulli: Un autovettore deve essere non nullo per definizione. Se ottieni il vettore zero, hai commesso un errore nei calcoli.
- Approssimazioni numeriche: Per matrici grandi, gli errori di arrotondamento possono accumularsi. Usa algoritmi stabili come QR o librerie ottimizzate (NumPy, MATLAB).
7. Esercizi Proposti con Soluzioni
Prova a risolvere questi esercizi per mettere in pratica quanto appreso:
Esercizio 1: Matrice Triangolare
Data la matrice:
A = [ 3 0 0 ]
[ 1 2 0 ]
[ 4 -1 5 ]
Soluzione: Gli autovalori di una matrice triangolare (superiore o inferiore) sono gli elementi sulla diagonale principale. Quindi: λ₁ = 3, λ₂ = 2, λ₃ = 5.
Esercizio 2: Matrice Simmetrica
Data la matrice simmetrica:
A = [ 2 -1 ]
[-1 2 ]
Soluzione:
- Polinomio caratteristico: det(A – λI) = (2-λ)² – 1 = λ² – 4λ + 3 = 0.
- Autovalori: λ₁ = 1, λ₂ = 3.
- Autovettori: v₁ = [1, 1]ᵀ (per λ=1), v₂ = [1, -1]ᵀ (per λ=3).
8. Risorse Autorevoli per Approfondire
Per una trattazione rigorosa degli autovalori, consultare:
- Linear Algebra – MIT OpenCourseWare: Corso completo con esercizi e soluzioni.
- Linear Algebra Done Right (Axler): Testo di riferimento per la teoria degli autovalori.
- Guide to Available Mathematical Software (NIST): Algoritmi numerici per il calcolo degli autovalori.
9. Implementazione Computazionale
Per applicazioni reali, è consigliabile utilizzare librerie ottimizzate:
- Python (NumPy):
import numpy as np A = np.array([[4, 1], [2, 3]]) eigenvalues, eigenvectors = np.linalg.eig(A) print("Autovalori:", eigenvalues) print("Autovettori:\n", eigenvectors) - MATLAB:
A = [4 1; 2 3]; [V, D] = eig(A); disp('Autovalori:'); disp(diag(D)); disp('Autovettori:'); disp(V);
10. Domande Frequenti (FAQ)
- D: Una matrice può avere autovalori complessi?
- R: Sì, se la matrice ha elementi reali ma non è simmetrica, gli autovalori possono essere complessi coniugati. Ad esempio, la matrice di rotazione:
-
[ cosθ -sinθ ] ha autovalori e^{iθ}, e^{-iθ}.
[ sinθ cosθ ] - D: Cosa significa “molteplicità algebrica” e “geometrica”?
- R: La molteplicità algebrica di un autovalore è il numero di volte che compare come radice del polinomio caratteristico. La molteplicità geometrica è la dimensione dell’autospazio associato (numero di autovettori linearmente indipendenti). Se le due molteplicità non coincidono, la matrice è deficiente.
- D: Come si calcolano gli autovalori per matrici 100×100?
- R: Per matrici di grandi dimensioni, i metodi esatti (polinomio caratteristico) sono impraticabili. Si usano algoritmi iterativi come:
- Metodo delle potenze (per l’autovalore dominante).
- Algoritmo QR (per tutti gli autovalori).
- Metodo di Lanczos (per matrici sparse).