Calcolatore di autovalori e autovettori: Guida passo dopo passo
Un calcolatore di autovalori e autovettori trova gli scalari λ e i vettori non nulli v che soddisfano Av = λv per una matrice quadrata A, utilizzando l'equazione caratteristica det(A - λI) = 0 per risolvere gli autovalori e quindi sostituendo all'indietro per trovare ogni autovettore. Gli autovalori e gli autovettori rivelano come una trasformazione lineare allunga, comprime o riflette lo spazio lungo direzioni specifiche, e sottendono tecniche che vanno dall'analisi delle componenti principali all'analisi delle vibrazioni strutturali e all'algoritmo PageRank di Google. Questa guida illustra il metodo completo passo dopo passo con l'aritmetica reale, coprendo sia una matrice 2×2 generale sia il scorciatoia diagonale/triangolare, quindi affronta problemi di pratica con soluzioni complete.
Contenuto
- 01Cosa sono gli autovalori e gli autovettori?
- 02Come un calcolatore di autovalori e autovettori li trova passo dopo passo?
- 03Esempio lavorato: Trovare gli autovalori e gli autovettori di una matrice 2×2
- 04Come trovare gli autovalori di una matrice diagonale o triangolare?
- 05Cosa significano geometricamente gli autovalori e gli autovettori?
- 06Dove compaiono gli autovalori e gli autovettori nelle applicazioni reali?
- 07Errori comuni nel calcolo degli autovalori e degli autovettori
- 08Problemi di pratica: Testa la tua comprensione degli autovalori e degli autovettori
- 09Perché usare un calcolatore di autovalori e autovettori per la pratica passo dopo passo?
Cosa sono gli autovalori e gli autovettori?
Un calcolatore di autovalori e autovettori è costruito attorno a un'equazione centrale: per una matrice quadrata n×n A, un vettore non nullo v è chiamato autovettore se moltiplicare A per v produce un vettore che punta nella stessa direzione di v, solo scalato da una costante. Questa costante, scritta λ (lambda), è l'autovalore. In forma di equazione, Av = λv, dove v ≠ 0. Riarrangendo si ottiene (A - λI)v = 0, dove I è la matrice identità della stessa dimensione di A. Si tratta di un sistema lineare omogeneo, e ha una soluzione non nulla v solo quando la matrice (A - λI) è singolare — il che significa che il suo determinante è zero. Questo singolo requisito, det(A - λI) = 0, è chiamato equazione caratteristica, ed è il primo passo per trovare ogni autovalore di A. Quando una matrice A ha n autovettori linearmente indipendenti, questi autovettori possono essere assemblati come colonne di una matrice P, e A può essere riscritta come A = PDP⁻¹, dove D è la matrice diagonale che contiene gli autovalori corrispondenti. Questo processo è chiamato diagonalizzazione, ed è la ragione principale per cui autovalori e autovettori vengono studiati insieme piuttosto che separatamente — una 'decomposizione in autovalori' di A è possibile solo una volta che hai entrambi i pezzi.
Av = λv: un autovettore v conserva la sua direzione sotto la trasformazione A — viene solo scalato, compresso o capovolto dallo scalare autovalore λ.
Come un calcolatore di autovalori e autovettori li trova passo dopo passo?
Un calcolatore di autovalori e autovettori passo dopo passo segue sempre lo stesso processo in quattro fasi, indipendentemente dal fatto che la matrice sia 2×2 o 6×6. L'unica cosa che cambia con la dimensione è la quantità di aritmetica richiesta da ogni fase. Non tutte le matrici si comportano così pulitamente. Un autovalore ripetuto può venire con un insieme completo di autovettori indipendenti o meno del previsto — una situazione chiamata matrice difettosa — e una matrice reale non simmetrica può produrre una coppia di autovalori complessi coniugati con autovettori complessi. Un calcolatore di autovalori e autovettori gestisce tutti e tre i casi con lo stesso metodo dell'equazione caratteristica; solo l'interpretazione del risultato cambia una volta raggiunto il passo 2.
1. Passo 1 — Costruire l'equazione caratteristica
Sottrai λ da ogni voce diagonale di A per formare (A - λI), quindi poni il suo determinante uguale a zero: det(A - λI) = 0. L'espansione di questo determinante produce un polinomio in λ chiamato il polinomio caratteristico.
2. Passo 2 — Risolvi il polinomio caratteristico per λ
Fattorizza o usa la formula quadratica (per matrici 2×2) o le tecniche di fattorizzazione polinomiale (per matrici più grandi) per trovare ogni radice. Ogni radice è un autovalore di A; una matrice n×n ha esattamente n autovalori, contati con molteplicità, possibilmente incluse ripetizioni o numeri complessi.
3. Passo 3 — Sostituisci ogni autovalore per trovare il suo autovettore
Per ogni autovalore λ, inseriscilo in (A - λI)v = 0 e risolvi il sistema lineare risultante per v. Poiché det(A - λI) = 0 per costruzione, questo sistema ha sempre infinite soluzioni — scegli il vettore non nullo più semplice che lo soddisfa.
4. Passo 4 — Verifica con Av = λv
Moltiplica la matrice originale A per l'autovettore v che hai trovato e conferma che il risultato è uguale a λ per v. Questo controllo rileva gli errori di aritmetica prima che si propaghino in una risposta finale errata.
5. Passo 5 — Gestire matrici più grandi con l'espansione per cofattore
Per matrici 3×3 e più grandi, det(A - λI) viene espanso usando l'espansione per cofattore (minori) lungo una riga o una colonna, che trasforma il determinante in una somma di determinanti più piccoli con segno che contengono ciascuno λ. Il risultato è un polinomio di grado n in λ. Quando non si applica nessuna scorciatoia diagonale o triangolare, cerca prima le radici razionali usando il termine costante del polinomio espanso, quindi fattorizza ogni radice che trovi prima di risolvere il fattore quadratico o lineare che rimane.
Ogni problema di autovalore si riduce a due passi: risolvi det(A - λI) = 0 per λ, quindi risolvi (A - λI)v = 0 per v.
Esempio lavorato: Trovare gli autovalori e gli autovettori di una matrice 2×2
Considera A = [[4, 1], [2, 3]]. Questa è una matrice standard 2×2 con due autovalori reali distinti, il che la rende un primo esempio pulito del metodo completo.
1. Passo 1 — Configura ed espandi l'equazione caratteristica
(A - λI) = [[4-λ, 1], [2, 3-λ]] det(A - λI) = (4-λ)(3-λ) - (1)(2) = λ² - 7λ + 12 - 2 = λ² - 7λ + 10
2. Passo 2 — Fattorizza e risolvi per gli autovalori
λ² - 7λ + 10 = (λ - 5)(λ - 2) = 0, quindi λ₁ = 5 e λ₂ = 2.
3. Passo 3 — Trova l'autovettore per λ₁ = 5
(A - 5I) = [[-1, 1], [2, -2]] La riga 1 dà -x + y = 0, quindi y = x. Scegliendo x = 1 si ottiene l'autovettore v₁ = (1, 1).
4. Passo 4 — Trova l'autovettore per λ₂ = 2
(A - 2I) = [[2, 1], [2, 1]] La riga 1 dà 2x + y = 0, quindi y = -2x. Scegliendo x = 1 si ottiene l'autovettore v₂ = (1, -2).
5. Passo 5 — Verifica entrambi i risultati
Av₁ = [4(1)+1(1), 2(1)+3(1)] = [5, 5] = 5(1, 1) ✓ Av₂ = [4(1)+1(-2), 2(1)+3(-2)] = [2, -4] = 2(1, -2) ✓ Entrambe le coppie di auto si verificano.
6. Passo 6 — Conferma che la matrice è diagonalizzabile
Poiché entrambi gli autovalori sono reali e distinti, A è diagonalizzabile: assemblando v₁ e v₂ come colonne di P = [[1, 1], [1, -2]] e D = [[5, 0], [0, 2]], si recupera la matrice originale tramite A = PDP⁻¹. Ogni matrice 2×2 con due autovalori distinti è garantita di essere diagonalizzabile in questo modo.
7. Passo 7 — Verifica incrociata usando traccia e determinante
Due rapidi controlli di sanità mentale funzionano per qualsiasi matrice quadrata: la somma degli autovalori è sempre uguale alla traccia di A (la somma delle sue voci diagonali), e il prodotto degli autovalori è sempre uguale a det(A). Qui, 5 + 2 = 7 corrisponde a traccia(A) = 4 + 3 = 7, e 5 × 2 = 10 corrisponde a det(A) = (4)(3) - (1)(2) = 10 — confermando che entrambi gli autovalori sono corretti senza rideriverli.
Risultato: A = [[4,1],[2,3]] ha gli autovalori λ₁ = 5 con autovettore (1, 1), e λ₂ = 2 con autovettore (1, -2).
Come trovare gli autovalori di una matrice diagonale o triangolare?
Le matrici diagonali e triangolari offrono una scorciatoia che salta completamente l'aritmetica dell'equazione caratteristica: i loro autovalori sono semplicemente le voci che si trovano sulla diagonale principale. Questo funziona perché sottrarre λ dalla diagonale di una matrice triangolare la mantiene triangolare, e il determinante di qualsiasi matrice triangolare è semplicemente il prodotto delle sue voci diagonali.
1. Passo 1 — Leggi gli autovalori direttamente da una matrice diagonale
Per D = [[3, 0, 0], [0, -1, 0], [0, 0, 5]], det(D - λI) = (3-λ)(-1-λ)(5-λ), quindi gli autovalori sono semplicemente λ = 3, λ = -1, e λ = 5 — nessuna eliminazione richiesta. I loro autovettori sono i vettori di base standard (1,0,0), (0,1,0), e (0,0,1).
2. Passo 2 — Applica la stessa scorciatoia a una matrice triangolare superiore
Per T = [[2, 4, 1], [0, 5, 3], [0, 0, -3]], det(T - λI) = (2-λ)(5-λ)(-3-λ) perché la matrice rimane triangolare superiore dopo aver sottratto λ. Gli autovalori sono le voci diagonali: λ = 2, λ = 5, e λ = -3.
3. Passo 3 — Trova un autovettore per una matrice triangolare usando la sostituzione all'indietro
Per λ = 5 in T: (T - 5I) = [[-3, 4, 1], [0, 0, 3], [0, 0, -8]]. La riga 2 dà 3z = 0, quindi z = 0. La riga 1 dà -3x + 4y + z = 0, quindi -3x + 4y = 0. Scegliendo y = 3 si ottiene x = 4, quindi v = (4, 3, 0).
4. Passo 4 — Verifica l'autovettore triangolare
Tv = [2(4)+4(3)+1(0), 5(3), -3(0)] = [20, 15, 0] = 5(4, 3, 0) ✓, confermando che λ = 5 si abbina correttamente con l'autovettore (4, 3, 0).
5. Passo 5 — Capire perché la scorciatoia importa oltre la velocità
Questa scorciatoia è più di una convenienza — è anche la ragione per cui la diagonalizzazione è utile in primo luogo. Se puoi trovare una matrice P che converte A in una matrice triangolare o diagonale D, il calcolo di grandi potenze di A (necessario per risolvere relazioni di ricorrenza e sistemi di equazioni differenziali) crolla nel calcolo di potenze di D, il che significa semplicemente elevare ogni voce diagonale a quella potenza.
Scorciatoia: per qualsiasi matrice diagonale o triangolare, gli autovalori sono esattamente le voci diagonali — det(A - λI) si fattorizza automaticamente in (d₁-λ)(d₂-λ)⋯(dₙ-λ).
Cosa significano geometricamente gli autovalori e gli autovettori?
Immagina una matrice A come una trasformazione che sposta ogni punto nello spazio. La maggior parte dei vettori viene spinta in una nuova direzione quando applichi A, ma gli autovettori sono le direzioni speciali che A lascia non ruotate — un vettore lungo una direzione di autovettore viene solo allungato, compresso o capovolto, mai girato. L'autovalore λ ti dice esattamente quanto: |λ| > 1 allunga la direzione dell'autovettore, 0 < |λ| < 1 la comprime verso l'origine, e un λ negativo la capovolge per puntare nella direzione opposta pur rimanendo sulla stessa linea. Nell'esempio 2×2 sopra, ogni vettore lungo la linea passante per l'origine e (1, 1) viene allungato di un fattore di 5 sotto A, mentre ogni vettore lungo la linea passante per (1, -2) viene allungato di un fattore di 2. Qualsiasi altro vettore nel piano è una combinazione di queste due direzioni, quindi il suo percorso sotto applicazione ripetuta di A è dominato sempre di più dall'autovalore più grande — la stessa idea che alimenta la convergenza della catena di Markov e gli algoritmi iterativi come PageRank. Non tutte le matrici hanno abbastanza direzioni di autovettore indipendenti per coprire l'intero spazio. Quando non è così, nessuna matrice diagonale D può rappresentarla esattamente, e i matematici invece lavorano con una struttura correlata chiamata forma di Jordan. Questa è la ragione geometrica per cui gli autovalori ripetuti a volte causano problemi: due direzioni possono crollare in un singolo asse, lasciando meno di n direzioni indipendenti per una matrice n×n da diagonalizzare.
1. Esempio rapido — una matrice di riflessione
Per A = [[0, 1], [1, 0]], risolvendo det(A - λI) = λ² - 1 = 0 si ottiene λ = 1 e λ = -1. L'autovettore per λ = 1 è (1, 1) — la linea y = x, che A lascia completamente intatta — mentre l'autovettore per λ = -1 è (1, -1), la linea che A capovolge da un'estremità all'altra. Questo è esattamente come la matrice guadagna il suo nome geometrico: riflette il piano sulla linea y = x, e i due autovalori (1 e -1) catturano precisamente le direzioni 'mantenere' e 'capovolgere'.
Geometricamente, gli autovettori sono gli assi che una trasformazione rispetta; gli autovalori sono quanto la allunga, la comprime o la capovolge lungo ogni asse.
Dove compaiono gli autovalori e gli autovettori nelle applicazioni reali?
Gli autovalori e gli autovettori non sono solo un esercizio di algebra lineare — sono la spina dorsale matematica di diversi strumenti utilizzati quotidianamente in ingegneria, scienza dei dati e fisica. In ogni caso sottostante, lo stesso metodo di equazione caratteristica dalle sezioni sopra è il punto di partenza; cambia solo la matrice analizzata.
1. Analisi delle componenti principali (PCA)
Gli scienziati dei dati calcolano gli autovettori della matrice di covarianza di un set di dati per trovare le direzioni di varianza massima, quindi usano i più grandi autovalori per decidere quali direzioni (componenti principali) catturano la maggior parte delle informazioni per la riduzione della dimensionalità.
2. Analisi delle vibrazioni strutturali e meccaniche
Gli ingegneri modellano le frequenze naturali di vibrazione di una struttura come gli autovalori di un sistema rigidità/massa, e gli autovettori descrivono le corrispondenti forme di modo — come la struttura si piega fisicamente a ogni frequenza.
3. Algoritmi di ranking di ricerca
L'algoritmo PageRank originale di Google classifica le pagine web usando l'autovettore dominante di una matrice costruita dalla struttura di collegamento del web, poiché quell'autovettore rappresenta la distribuzione a stato stazionario a lungo termine di un navigatore casuale.
4. Stabilità dei sistemi dinamici
Nelle equazioni differenziali e nella teoria del controllo, il segno e la magnitudine degli autovalori di un sistema determinano se un sistema ritorna all'equilibrio, oscilla, o cresce senza limite nel tempo.
Ognuna di queste applicazioni si riduce alla stessa domanda che questa guida risponde: quali direzioni una matrice rispetta, e per quanto le scala?
Errori comuni nel calcolo degli autovalori e degli autovettori
Una manciata di errori rappresenta la maggior parte dei calcoli errati di autovalori e autovettori fatti a mano. Guarda particolarmente questi cinque prima di fidarti di una risposta finale.
1. Errore 1 — Sottrarre λ da ogni voce invece che solo dalla diagonale
Solo le voci diagonali di A cambiano quando si forma A - λI; le voci fuori dalla diagonale rimangono esattamente come sono nella matrice originale.
2. Errore 2 — Trattare un autovettore come unico
Gli autovettori sono definiti solo fino a un multiplo scalare non nullo — (1, 1), (2, 2), e (-3, -3) sono tutti autovettori validi per lo stesso autovalore. Non esiste un singolo 'autovettore corretto', solo una direzione corretta.
3. Errore 3 — Errori di segno durante l'espansione di determinanti più grandi
Per matrici 3×3 e più grandi, l'espansione per cofattore coinvolge segni alternati; cadere o spostare un segno meno è la fonte più comune di un polinomio caratteristico errato.
4. Errore 4 — Applicare la scorciatoia diagonale a una matrice non triangolare
La scorciatoia 'gli autovalori uguagliano le voci diagonali' vale solo per matrici diagonali e triangolari. Per una matrice generale come [[4,1],[2,3]], le voci diagonali 4 e 3 non sono gli autovalori — hai ancora bisogno dell'equazione caratteristica completa.
5. Errore 5 — Assumere che gli autovalori debbano essere reali
Una matrice non simmetrica può avere autovalori complessi coniugati con autovettori a voci complesse, anche quando ogni voce della matrice originale è un numero reale. Questo appare più spesso con matrici simili a rotazioni, quindi non scartare un risultato solo perché il polinomio caratteristico non ha radici reali — risolvilo piuttosto sui numeri complessi.
Il modo più veloce per catturare un errore di autovettore è ricalcolare Av e verificare se davvero equivale a λv prima di continuare.
Problemi di pratica: Testa la tua comprensione degli autovalori e degli autovettori
Lavora attraverso questi tre problemi, quindi confronta i tuoi passi con le risposte sottostanti.
1. Problema 1 — Trova gli autovalori e gli autovettori di A = [[1, 2], [2, 1]]
Risposta: det(A-λI) = (1-λ)² - 4 = λ² - 2λ - 3 = (λ-3)(λ+1) = 0, quindi λ₁ = 3 e λ₂ = -1. Per λ₁ = 3: (A-3I) = [[-2,2],[2,-2]] dà x = y, quindi v₁ = (1,1). Per λ₂ = -1: (A+I) = [[2,2],[2,2]] dà x = -y, quindi v₂ = (1,-1).
2. Problema 2 — Trova gli autovalori della matrice triangolare superiore U = [[6, 2], [0, -2]]
Risposta: U è triangolare, quindi i suoi autovalori sono letti direttamente dalla diagonale: λ₁ = 6 e λ₂ = -2. Nessuna aritmetica di equazione caratteristica necessaria.
3. Problema 3 — È v = (2, 1) un autovettore di A = [[3, 4], [0, 1]]?
Risposta: Av = [3(2)+4(1), 0(2)+1(1)] = (10, 1). Perché v sia un autovettore, (10, 1) dovrebbe essere un multiplo scalare di (2, 1), ma 10/2 = 5 mentre 1/1 = 1 — i rapporti non corrispondono, quindi v = (2, 1) non è un autovettore di A.
4. Problema 4 — Trova gli autovalori della matrice triangolare superiore M = [[2, 1, 0], [0, 2, 5], [0, 0, 7]]
Risposta: M è triangolare superiore, quindi i suoi autovalori sono le voci diagonali: λ = 2, che appare con molteplicità 2 poiché occupa due posizioni diagonali, e λ = 7. Un autovalore ripetuto come questo è esattamente il caso in cui dovresti verificare separatamente se esistono due autovettori indipendenti per λ = 2 o solo uno — una distinzione che determina se M è diagonalizzabile.
Verificare se un dato vettore è un autovettore è semplice: calcola Av e vedi se ogni componente è scala per la stessa costante.
Perché usare un calcolatore di autovalori e autovettori per la pratica passo dopo passo?
Calcolare gli autovalori a mano è veloce per una matrice 2×2 ma l'aritmetica cresce rapidamente per i sistemi 3×3 e più grandi, dove un singolo errore di segno nel polinomio caratteristico butta fuori tutti gli autovalori e gli autovettori che seguono. Un calcolatore di autovalori e autovettori che mostra ogni fase — l'equazione caratteristica, il polinomio fattorizzato, e la sostituzione all'indietro per ogni autovettore — ti permette di verificare il tuo lavoro riga per riga invece di vedere solo se la risposta finale corrisponde. Il solutore passo dopo passo di Solvify e il tutor matematico AI percorrono le equazioni caratteristiche, i determinanti, e la sostituzione all'indietro degli autovettori nello stesso modo di questa guida, così puoi verificare i compiti, prepararti per gli esami, o sbloccarti su un problema di matrice specifico senza perdere il ragionamento dietro ogni passo. Questo è particolarmente utile a metà di un corso di algebra lineare, dove i problemi di autovalore si basano direttamente sulle operazioni di matrice, i determinanti, e la riduzione di riga coperti nelle guide correlate di seguito.
Articoli correlati
Calcolatore di rango matriciale: Come trovare il rango con la forma a scalini ridotta
Il rango e gli autovalori provengono entrambi dalla stessa matrice, e una singolare (A - λI) ha sempre rango inferiore a n — vedi il metodo di riduzione di riga nel dettaglio completo.
Calcolatore di eliminazione di Gauss: Risolvi sistemi lineari passo dopo passo
La sostituzione all'indietro dell'autovettore è davvero solo la risoluzione del sistema omogeneo (A - λI)v = 0 — questa guida copre il metodo di eliminazione dietro ogni passo.
Calcolatore matriciale passo dopo passo: Operazioni, determinanti e inversi
I determinanti sono lo strumento principale dietro l'equazione caratteristica det(A - λI) = 0 — questa guida copre i determinanti insieme al resto delle operazioni di matrice principali.
Risolutori matematici
Soluzioni passo dopo passo
Ottieni spiegazioni dettagliate per ogni passo, non solo la risposta finale.
Risolutore Smart Scan
Scatta una foto di qualsiasi problema matematico e ottieni una soluzione passo dopo passo istantanea.
Tutor matematico AI
Fai domande di follow-up e ottieni spiegazioni personalizzate 24/7.
Materie correlate
Aiuto in algebra
Padroneggia prima le equazioni lineari — il prerequisito diretto per comprendere i sistemi omogenei dietro gli autovettori.
Aiuto in calcolo
Gli autovalori riappaiono nel calcolo multivariabile e nelle equazioni differenziali attraverso l'analisi di stabilità e le approssimazioni lineari.