Une décomposition d'un opérateur en composantes associées à son spectre, généralement exprimée comme une somme de valeurs propres scalaires multipliées par des opérateurs de projection sur les sous-espaces propres correspondants ; pour les opérateurs normaux sur espaces à produit scalaire ces projections sont orthogonales.

Principe

Quand un opérateur est diagonalisable, il admet A = Σ λ P_λ où {P_λ} sont des projections idempotentes mutuellement orthogonales sommant à l'identité et λ parcourt le spectre ; en contextes infinis ou non normaux le théorème spectral généralise cela par des mesures spectrales.

Démonstration

Une matrice symétrique réelle A s'écrit A = Σ_i λ_i u_i u_i^T où les u_i forment une base orthonormée d'autovecteurs et u_i u_i^T sont des projections orthogonales de rang un ; cette décomposition fournit des formules immédiates pour des fonctions de A comme exp(A) ou A^k.

Mauvaise application

Appliquer une décomposition spectrale avec projections orthogonales à des matrices non normales sans diagonalisation ; traiter des sous-espaces propres généralisés non orthogonaux comme des projections spectrales conduit à des calculs fonctionnels et des affirmations de stabilité incorrectes.

Conséquence

La décomposition spectrale fournit un calcul fonctionnel (appliquer des fonctions scalaires aux valeurs propres et recombiner par les projections), simplifie l'analyse des dynamiques et sous-tend de nombreux algorithmes en algèbre linéaire numérique et en théorie quantique lorsque les hypothèses requises sont satisfaites.

Inversion

La réversion est la perspective de Jordan : au lieu de projections spectrales orthogonales on accepte des sous-espaces propres généralisés et des parties nilpotentes, exprimant l'opérateur par une somme de blocs de Jordan plutôt que par une somme directe de projections d'espace propre.

Limite

Une décomposition spectrale complète avec projections orthogonales exige la diagonalisabilité ou la normalité en dimensions finies (ou l'auto-adjonction / normalité en dimensions infinies) ; autrement il faut recourir à la forme de Jordan, à la décomposition de Schur ou au cadre des mesures spectrales continues.

Tension sémantique

Tension entre décomposition spectrale et décomposition en valeurs singulières (SVD) : la décomposition spectrale diagonalise des opérateurs normaux par rapport aux vecteurs propres, tandis que la SVD s'applique à des matrices arbitraires produisant vecteurs singuliers orthonormés et valeurs singulières non négatives qui ne coïncident pas en général avec les valeurs propres.

Synthèse

La décomposition spectrale exprime un opérateur comme recombinaison de projections spectrales pondérées par des valeurs propres, fournissant une représentation fonctionnelle canonique lorsque des autovecteurs (ou des mesures spectrales) sont disponibles et séparant l'action spectrale pure des distorsions nilpotentes traitées par d'autres formes canoniques.