Calcolatore Autovettori: Esercizi Svolti
Risultati
Guida Completa al Calcolo degli Autovettori con Esercizi Svolti
Gli autovettori (o eigenvectors) e gli autovalori (eigenvalues) sono concetti fondamentali in algebra lineare con applicazioni in fisica quantistica, ingegneria, grafica computerizzata e machine learning. Questa guida ti fornirà una comprensione approfondita del calcolo degli autovettori, con esempi pratici ed esercizi svolti.
Cosa sono Autovalori e Autovettori?
Dato un operatore lineare rappresentato da una matrice quadrata A, un autovettore è un vettore non nullo v tale che:
A·v = λ·v
dove λ è uno scalare chiamato autovalore associato all’autovettore v.
Metodo per il Calcolo degli Autovettori
- Trova gli autovalori: Risolvi l’equazione caratteristica det(A – λI) = 0
- Per ogni autovalore λ:
- Forma la matrice (A – λI)
- Riduci a scala per trovare il nucleo (autospazio)
- I vettori non nulli nel nucleo sono gli autovettori
Esempio Pratico: Matrice 2×2
Consideriamo la matrice:
A = [ 4 1 ] [ 2 3 ]
- Equazione caratteristica:
det(A – λI) = det([4-λ 1; 2 3-λ]) = (4-λ)(3-λ) – 2 = λ² – 7λ + 10 = 0
Soluzioni: λ₁ = 2, λ₂ = 5
- Autovettore per λ₁ = 2:
(A – 2I)v = 0 → [ 2 1 ] [ 2 1 ] → v₁ = [1, -2]ᵀ
- Autovettore per λ₂ = 5:
(A – 5I)v = 0 → [-1 1 ] [ 2 -2 ] → v₂ = [1, 1]ᵀ
Applicazioni Pratiche degli Autovettori
| Campo di Applicazione | Utilizzo degli Autovettori | Esempio Concreto |
|---|---|---|
| Fisica Quantistica | Stati stazionari in meccanica quantistica | Equazione di Schrödinger: Hψ = Eψ |
| Grafica 3D | Trasformazioni lineari e deformazioni | Scalatura non uniforme di oggetti |
| Machine Learning | Principal Component Analysis (PCA) | Riduzione dimensionalità dataset |
| Ingegneria Strutturale | Analisi modale (vibrazioni) | Progettazione ponti e grattacieli |
Metodi Numerici per Autovalori
Per matrici di grandi dimensioni, si utilizzano metodi iterativi:
- Metodo delle potenze: Trova l’autovalore dominante
- Metodo QR: Algoritmo robusto per tutti gli autovalori
- Metodo di Jacobi: Per matrici simmetriche
Il nostro calcolatore implementa una versione ottimizzata del metodo QR con le seguenti caratteristiche:
| Parametro | Valore Predefinito | Spiegazione |
|---|---|---|
| Tolleranza | 0.0001 | Differenza massima accettata tra iterazioni |
| Massime iterazioni | 100 | Limite per prevenire loop infiniti |
| Metodo | QR con shift | Convergenza più rapida per autovalori complessi |
Errori Comuni e Come Evitarli
- Matrice non quadrata: Gli autovettori esistono solo per matrici n×n
- Autovalori complessi: Per matrici reali non simmetriche, possono esistere autovalori complessi
- Autovettori linearmente dipendenti: Può accadere con autovalori ripetuti
- Problemi numerici: Con matrici mal condizionate, gli errori di arrotondamento possono essere significativi
Risorse Autorevoli
Per approfondimenti accademici:
- Corso di Algebra Lineare del MIT – Risorsa completa con video lezioni
- Appunti dell’UCLA su autovalori – Trattazione matematica rigorosa
- Guida NIST sui metodi numerici – Standard governativi per calcoli numerici
Esercizi Proposti con Soluzioni
Esercizio 1: Trova autovalori e autovettori della matrice:
A = [ 2 0 0 ] [ 0 3 4 ] [ 0 4 -3 ]
Soluzione:
Autovalori: λ₁ = 2, λ₂ = 5, λ₃ = -5
Autovettori: v₁ = [1,0,0]ᵀ, v₂ = [0,2,1]ᵀ, v₃ = [0,1,-2]ᵀ
Esercizio 2: Data la matrice A = [3 1; 1 3], mostra che ha autovalori ripetuti e trova una base per l’autospazio.
Soluzione:
Autovalore doppio: λ = 4
Autospazio: tutti i vettori non nulli in ℝ² (dimensione 2)
Considerazioni Computazionali
Nel nostro calcolatore abbiamo implementato:
- Gestione automatica della dimensione della matrice (2×2, 3×3, 4×4)
- Visualizzazione grafica degli autovalori nel piano complesso
- Normalizzazione degli autovettori (norma euclidea = 1)
- Rilevamento di matrici non diagonalizzabili
La complessità computazionale del metodo QR è O(n³) per una matrice n×n, il che lo rende adatto per matrici fino a dimensione 100×100 su hardware moderno. Per matrici più grandi si utilizzano varianti come il metodo QR con shift o algoritmi divide-et-impera.
Estensioni Avanzate
Per applicazioni specializzate:
- Decomposizione spettrale: A = PDP⁻¹ dove D è diagonale
- Forma di Jordan: Per matrici non diagonalizzabili
- Autovalori generalizzati: Per coppie di matrici (A,B)
- Pseudospettrale: Per matrici non normali