Una descomposición de un operador en componentes asociadas a su espectro, típicamente expresada como suma de valores propios escalares multiplicando operadores de proyección sobre los correspondientes espacios propios; para operadores normales en espacios con producto interior estas proyecciones son ortogonales.

Principio

Cuando un operador es diagonalizable, admite la representación A = Σ λ P_λ donde {P_λ} son proyecciones idempotentes mutuamente ortogonales que suman la identidad y λ recorre el espectro; en contextos infinitodimensionales o no normales el teorema espectral generaliza esto mediante medidas espectrales.

Demostración

Una matriz simétrica real A puede escribirse A = Σ_i λ_i u_i u_i^T donde los u_i forman una base ortonormal de autovectores y u_i u_i^T son proyecciones ortogonales de rango uno; esta descomposición proporciona fórmulas inmediatas para funciones de A como exp(A) o A^k.

Aplicación incorrecta

Aplicar la descomposición espectral con proyecciones ortogonales a matrices no normales sin diagonalizabilidad; tratar espacios propios generalizados no ortogonales como proyecciones espectrales conduce a cálculos funcionales y afirmaciones de estabilidad incorrectas.

Consecuencia

La descomposición espectral facilita el cálculo funcional (aplicar funciones escalares a los eigenvalores y recombinar mediante proyecciones), simplifica el análisis dinámico y sustenta muchos algoritmos en álgebra lineal numérica y teoría cuántica cuando se cumplen las hipótesis necesarias.

Inversión

La inversión es la perspectiva de Jordan: en lugar de proyecciones espectrales ortogonales se aceptan espacios propios generalizados y partes nilpotentes, expresando el operador como suma de bloques de Jordan en lugar de suma directa de proyecciones de espacios propios.

Límite

La descomposición espectral completa con proyecciones ortogonales requiere diagonalizabilidad o normalidad en dimensiones finitas (o autoadjuntidad/normalidad en dimensiones infinitas); de lo contrario se debe usar la forma de Jordan, la descomposición de Schur o el marco de medidas espectrales continuas.

Tensión semántica

Tensión entre descomposición espectral y descomposición en valores singulares (SVD): la descomposición espectral diagonaliza operadores normales respecto a autovectores, mientras que la SVD se aplica a matrices arbitrarias produciendo vectores singulares ortonormales y valores singulares no negativos que no coinciden en general con los autovalores.

Síntesis

La descomposición espectral expresa un operador como recombinación de proyecciones espectrales ponderadas por valores propios, ofreciendo una representación funcional canónica cuando hay autovectores (o medidas espectrales) disponibles y separando la acción espectral pura de las distorsiones nilpotentes que tratan otras formas canónicas.