autovettore
Un a. di una matrice (➔) quadrata è un vettore non-nullo che, moltiplicato per la matrice stessa, resta proporzionale al vettore originario, senza cambiare direzione. Per ogni a., il fattore di proporzionalità corrispondente si chiama autovalore. Formalmente, se A è una matrice quadrata, il vettore non-nullo x è un a. se soddisfa la relazione Ax=λx per uno scalare λ diverso da zero. Il valore λ è l’autovalore corrispondente a x. Ogni matrice quadrata A di rango pieno m ha m autovalori non-nulli, non necessariamente distinti. Gli autovalori corrispondono alle soluzioni dell’equazione polinomiale det(A−λI)=0, dove det(A) è il determinante della matrice A, mentre I è la matrice identità di dimensione m, ossia una matrice diagonale di dimensione m×m. i cui elementi sulla diagonale principale sono tutti uguali a 1, mentre quelli al di fuori della diagonale sono tutti nulli. Se la matrice A è simmetrica, tutti gli autovalori sono numeri reali; se è anche definita positiva, tutti gli autovalori sono positivi, mentre sono negativi se è definita negativa. Inoltre, la traccia di una matrice quadrata A, ossia la somma degli elementi sulla diagonale principale, coincide con la somma di tutti i suoi autovalori, mentre il determinante det(A) è uguale al prodotto degli autovalori. Gli autovalori della matrice inversa A−1 sono uguali ai reciproci degli autovalori di A, cioè se λ è uno degli autovalori di A, allora 1/λ è un autovalore per A−1. Ogni matrice reale simmetrica A può essere decomposta nella forma A=U ΛU̍′, dove Λ è la matrice diagonale degli autovalori (cioè che ha gli autovalori di A sulla diagonale principale), mentre U è la matrice ortogonale le cui colonne sono costituite dagli a. di A. Tale decomposizione prende il nome di decomposizione spettrale. Un’applicazione della decomposizione spettrale in statistica è l’analisi delle componenti principali (➔ componente principale), nella quale gli a. e gli autovalori di una matrice di covarianza campionaria identificano rispettivamente le componenti principali e la porzione di varianza complessiva da esse spiegata.