Representación de un operador lineal normal (o matriz diagonalizable) como suma o integral de proyecciones sobre subespacios invariantes indexados por puntos de su espectro, dando una descomposición en componentes propias en el caso discreto o una medida con valores proyectivos en el caso continuo.

Principio

Aprovechar el teorema espectral: un operador normal (o autoadjunto) admite una descomposición ortogonal gobernada por su espectro, lo que permite un cálculo funcional integrando funciones escalares frente a proyecciones espectrales.

Demostración

Para una matriz simétrica real, calcule una base ortonormal de autovectores y exprese la matriz como ∑ λ_i P_i donde λ_i son valores propios y P_i proyecciones ortogonales sobre los correspondientes espacios propios; para un operador autoadjunto no acotado use la representación por medida espectral.

Aplicación incorrecta

Aplicar la descomposición espectral a una matriz no normal o suponer que existen autovectores distintos cuando el operador es defectuoso; esto conduce a afirmaciones erróneas de diagonalización y omite bloques de Jordan o componentes de espectro continuo.

Consecuencia

Una descomposición espectral correcta simplifica el análisis: diagonaliza operadores cuando es posible, permite calcular funciones de operadores (p. ej. exponenciales), aclara estabilidad y comportamiento a largo plazo, y separa modos según el valor espectral.

Inversión

Lo contrario es la descomposición de Jordan (o primaria), que enfatiza las partes nilpotentes y no diagonalizables en lugar de proyecciones espectrales ortogonales; para operadores no normales se requieren autovectores generalizados y cadenas de Jordan.

Límite

Requiere normalidad (o hipótesis más fuertes) en dimensiones finitas o infinitas para la descomposición proyectiva clásica; muchos operadores tienen espectro continuo o no son normales, en cuyo caso una descomposición espectral ortogonal adopta la forma de una integral con valores proyectivos o no está disponible.

Tensión semántica

A menudo se contrasta con la descomposición en valores singulares (SVD): SVD se aplica a cualquier matriz mediante una factorización ortonormal en vectores singulares y valores singulares no negativos, mientras que la descomposición espectral depende de propiedades espectrales (normalidad, autoadjunción) y produce proyecciones basadas en autovalores.

Síntesis

La descomposición espectral expresa un operador como combinación de proyecciones espectrales indexadas por su espectro, transformando problemas de operadores en problemas escalares tratables mediante espacios propios ortogonales en el caso discreto o mediante integrales proyectivas en espectros continuos.