Enrico Feoli, Paola Ganis - Università degli Studi di Trieste
Enrico Feoli, Paola Ganis - Università degli Studi di Trieste
Enrico Feoli, Paola Ganis - Università degli Studi di Trieste
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
s<br />
11<br />
s<br />
− λ<br />
21<br />
...<br />
s<br />
p1<br />
s<br />
22<br />
s<br />
12<br />
− λ<br />
...<br />
s<br />
p2<br />
...<br />
...<br />
...<br />
...<br />
s<br />
s<br />
s<br />
pp<br />
1p<br />
2 p<br />
...<br />
− λ<br />
= 0<br />
(8.5)<br />
Sviluppando il determinante si genera un polinomio <strong>di</strong> grado p in λ e l'equazione (8.5) si<br />
trasforma in un’equazione <strong>di</strong> grado p in incognita λ. Gli autovalori rappresentano quin<strong>di</strong> tutte le<br />
soluzioni dell'equazione (8.5). Trovati i p autovalori λ i , si sostituiscono, uno per volta, nel sistema<br />
<strong>di</strong> equazioni omogenee (8.3) per trovare i corrispondenti autovettori B 12 i .<br />
Anche se le soluzioni sono tante quante sono le <strong>di</strong>mensioni della matrice, nell'analisi<br />
multivariata sono considerati solo gli autovalori positivi che definiscono il numero <strong>di</strong> <strong>di</strong>mensioni<br />
dello spazio, cioe’ il suo rango, e sono scartati quelli negativi e nulli. La somma <strong>degli</strong> autovalori<br />
positivi e’ uguale alla somma (traccia) <strong>degli</strong> elementi della <strong>di</strong>agonale della matrice simmetrica<br />
stessa, che esprime la varianza totale della tabella. Piu’ spesso l’autovalore e’ espresso in<br />
percentuale <strong>di</strong> varianza spiegata [eq. (8.6)] cosicche’ la percentuale cumulativa <strong>di</strong> varianza, oltre a<br />
dare un’idea della <strong>di</strong>mensionalita’ dello spazio, in<strong>di</strong>ca quanto lo spazio ridotto, determinato dai<br />
primi due o tre assi, sia rappresentativo dello spazio multi<strong>di</strong>mensionale: quanto piu’ il valore <strong>di</strong><br />
percentuale <strong>di</strong> varianza cumulata dai primi assi e’ elevato, tanto meglio lo spazio ridotto sintetizza<br />
lo spazio originale. Se il primo autovalore e’ molto piu’ grande del secondo, si puo’ dedurre che la<br />
struttura <strong>di</strong> correlazione o <strong>di</strong> somiglianza tra le variabili non e’ molto complessa perciò uno o pochi<br />
assi potrebbero essere sufficienti a descriverla.<br />
λ<br />
%<br />
i<br />
λi<br />
= 100<br />
(8.6)<br />
∑λ<br />
i<br />
Gli autovalori hanno significato <strong>di</strong>verso a seconda che siano calcolati per matrici <strong>di</strong><br />
correlazione o varianza-covarianza, o per matrici <strong>di</strong> somiglianza . Nel primo caso essi danno<br />
un’in<strong>di</strong>cazione della <strong>di</strong>spersione, nel secondo caso della somiglianza. Essi sono estratti secondo<br />
or<strong>di</strong>ne decrescente <strong>di</strong> grandezza per far si' che gli autovettori associati siano anch'essi in or<strong>di</strong>ne<br />
decrescente <strong>di</strong> variabilita' o somiglianza. Quin<strong>di</strong> se la matrice simmetrica e’ <strong>di</strong> correlazione o <strong>di</strong><br />
varianza-covarianza, il primo autovettore rappresenta l’asse <strong>di</strong> maggiore <strong>di</strong>spersione, il secondo<br />
l’asse <strong>di</strong> <strong>di</strong>spersione non presa in considerazione dal primo e cosi’ via. Se invece la matrice<br />
⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯<br />
12 Come viene spiegato nell’esempio che segue questo paragrafo, poiche’ risolvendo il sistema si<br />
possono trovare infinite soluzioni <strong>di</strong> autovettori, essendo queste tutte proporzionali tra loro, si e’ soliti<br />
normalizzare gli autovettori o all’unita’ o alla ra<strong>di</strong>ce dell’autovalore corrispondente. Essi risultano tutti<br />
ortogonali tra loro.<br />
8-100