Représentation d'un opérateur linéaire normal (ou d'une matrice diagonalisable) comme somme ou intégrale de projections sur des sous-espaces invariants indexés par son spectre, donnant une décomposition en composantes propres dans le cas discret ou une mesure à valeurs projectives dans le cas continu.

Principe

S'appuyer sur le théorème spectral : un opérateur normal (ou autoadjoint) admet une décomposition orthogonale gouvernée par son spectre, ce qui permet le calcul fonctionnel en intégrant des fonctions scalaires contre les projections spectrales.

Démonstration

Pour une matrice symétrique réelle, calculer une base orthonormée d'autovecteurs et écrire la matrice comme ∑ λ_i P_i où λ_i sont les valeurs propres et P_i les projections orthogonales sur les espaces propres correspondants ; pour un opérateur autoadjoint non borné utiliser la représentation par mesure spectrale.

Mauvaise application

Appliquer la décomposition spectrale à une matrice non normale ou supposer l'existence d'autovecteurs distincts lorsque l'opérateur est défectueux ; cela conduit à des affirmations de diagonalisation erronées et ignore les blocs de Jordan ou les composantes de spectre continu.

Conséquence

La décomposition spectrale correcte simplifie l'analyse : elle diagonalise les opérateurs quand c'est possible, permet de calculer des fonctions d'opérateurs (par ex. exponentielles), éclaire la stabilité et le comportement asymptotique, et sépare les modes selon les valeurs spectrales.

Inversion

L'inverse est la décomposition de Jordan (ou primaire) qui met en avant les parties nilpotentes et non diagonalisables plutôt que des projections orthogonales spectrales ; pour les opérateurs non normaux il faut utiliser des vecteurs généraux propres et des chaînes de Jordan.

Limite

Exige la normalité (ou des hypothèses comparables) en dimension finie ou infinie pour la décomposition projective classique ; de nombreux opérateurs ont un spectre continu ou sont non normaux, auquel cas une décomposition spectrale orthogonale prend la forme d'une intégrale à valeurs projectives ou n'est pas disponible.

Tension sémantique

Souvent opposée à la décomposition en valeurs singulières : la SVD s'applique à toute matrice via une factorisation orthonormale en vecteurs singuliers et valeurs singulières non négatives, tandis que la décomposition spectrale dépend de propriétés spectrales (normalité, autoadjonction) et fournit des projections basées sur les valeurs propres.

Synthèse

La décomposition spectrale exprime un opérateur comme combinaison de projections spectrales indexées par son spectre, réduisant les problèmes d'opérateur à des problèmes scalaires via des espaces propres orthogonaux dans le cas discret ou via des intégrales à valeurs projectives pour les spectres continus.