Самосопряжённый оператор: спектральная теорема

Спектральная теорема - один из тех результатов, которые объясняют, почему линейная алгебра вообще работает в физике и анализе данных. Она утверждает: у самосопряжённого оператора всегда есть ортонормированный базис из собственных векторов, а в этом базисе оператор становится диагональным. Звучит технично, но за этим стоит простая геометрическая картина - оператор лишь растягивает пространство вдоль взаимно перпендикулярных направлений. Ниже разберём определение, докажем ключевые свойства и покажем, как теорема превращается в практический алгоритм. Чтобы сразу проверить конкретную матрицу, воспользуйтесь калькулятором.

Что такое самосопряжённый оператор

Пусть $V$ - конечномерное евклидово (или эрмитово) пространство со скалярным произведением $\langle x, y \rangle$. Линейный оператор $A: V \to V$ называется самосопряжённым (или эрмитовым), если для любых векторов выполнено

$$\langle Ax, y \rangle = \langle x, Ay \rangle.$$

Иными словами, оператор можно «перебрасывать» с одного аргумента скалярного произведения на другой без изменений. Сопряжённый оператор $A^{*}$ определяется тождеством $\langle Ax, y \rangle = \langle x, A^{*}y \rangle$, и самосопряжённость - это в точности равенство $A = A^{*}$.

В координатах, если базис ортонормированный, оператору отвечает матрица, а сопряжению - эрмитово сопряжение (транспонирование с комплексным сопряжением). Поэтому в вещественном случае самосопряжённый оператор задаётся симметричной матрицей $A^{\top} = A$, а в комплексном - эрмитовой $A^{*} = \overline{A}^{\top} = A$.

Рассчитать для своей задачи

Важно: симметричность матрицы - это свойство в ортонормированном базисе. В произвольном (косоугольном) базисе матрица того же самосопряжённого оператора симметричной быть не обязана, поэтому в задачах всегда уточняйте, в каком базисе записана матрица.

Формулировка спектральной теоремы

Спектральная теорема для самосопряжённого оператора звучит так: в пространстве существует ортонормированный базис, состоящий из собственных векторов оператора $A$, и все собственные числа вещественны. В этом базисе матрица оператора диагональна:

$$A = U \Lambda U^{*}, \qquad \Lambda = \operatorname{diag}(\lambda_1, \dots, \lambda_n),$$

где столбцы унитарной (в вещественном случае - ортогональной) матрицы $U$ - это собственные векторы, а $\lambda_i$ - собственные числа. Геометрически это значит, что любой самосопряжённый оператор - всего лишь растяжение пространства вдоль $n$ взаимно перпендикулярных осей с коэффициентами $\lambda_i$.

Эквивалентная запись через спектральное разложение - сумма проекторов:

$$A = \sum_{i=1}^{n} \lambda_i P_i, \qquad P_i = u_i u_i^{*},$$

где $P_i$ проектирует на собственное подпространство. Проекторы взаимно ортогональны ($P_i P_j = 0$ при $i \ne j$) и в сумме дают тождественный оператор. Именно эта форма обобщается на бесконечномерный случай в функциональном анализе.

Почему собственные числа вещественны

Это первое из двух ключевых свойств, и доказывается оно в две строки. Пусть $\lambda$ - собственное число, $x \ne 0$ - собственный вектор: $Ax = \lambda x$. Рассмотрим скалярное произведение $\langle Ax, x \rangle$ двумя способами. С одной стороны,

$$\langle Ax, x \rangle = \langle \lambda x, x \rangle = \lambda \langle x, x \rangle.$$

С другой стороны, по самосопряжённости и свойствам эрмитова произведения,

$$\langle Ax, x \rangle = \langle x, Ax \rangle = \langle x, \lambda x \rangle = \overline{\lambda}\, \langle x, x \rangle.$$

Поскольку $\langle x, x \rangle = \lVert x \rVert^2 > 0$, получаем $\lambda = \overline{\lambda}$, то есть $\lambda$ вещественно. Это объясняет, почему у симметричной матрицы характеристический многочлен не имеет комплексных корней - все корни лежат на вещественной оси.

Почему собственные векторы ортогональны

Второе свойство: собственные векторы, отвечающие различным собственным числам, ортогональны. Пусть $Ax = \lambda x$ и $Ay = \mu y$, причём $\lambda \ne \mu$. Запишем то же скалярное произведение $\langle Ax, y \rangle$ двумя способами:

$$\langle Ax, y \rangle = \lambda \langle x, y \rangle, \qquad \langle Ax, y \rangle = \langle x, Ay \rangle = \mu \langle x, y \rangle.$$

Вычитая, получаем $(\lambda - \mu)\langle x, y \rangle = 0$. Так как $\lambda \ne \mu$, отсюда $\langle x, y \rangle = 0$ - векторы ортогональны. Если же собственное число кратное, внутри его собственного подпространства ортонормированный базис всегда можно построить процедурой Грама - Шмидта. Так и собирается ортонормированный базис из собственных векторов на всё пространство.

Рассчитать для своей задачи

Эти два свойства и составляют содержательную часть теоремы. Существование хотя бы одного собственного вектора гарантируется основной теоремой алгебры (характеристический многочлен имеет корень), а дальше доказательство идёт по индукции: ограничиваем оператор на ортогональное дополнение к найденному собственному вектору - оно инвариантно, и на нём оператор снова самосопряжён.

Алгоритм диагонализации

На практике спектральное разложение симметричной матрицы $A$ строится по чёткой схеме:

1. Составить характеристический многочлен $\det(A - \lambda I) = 0$ и найти все его корни $\lambda_1, \dots, \lambda_n$ - они гарантированно вещественны.
2. Для каждого $\lambda_i$ решить однородную систему $(A - \lambda_i I)x = 0$ и найти собственное подпространство.
3. Внутри каждого собственного подпространства ортогонализовать и нормировать векторы (Грам - Шмидт), получив столбцы $u_i$.
4. Собрать ортогональную матрицу $U = [u_1, \dots, u_n]$; тогда $U^{\top} A U = \Lambda$ - диагональная матрица собственных чисел.

Проверка ответа простая: матрица $U$ должна быть ортогональной ($U^{\top}U = I$), а произведение $U \Lambda U^{\top}$ обязано вернуть исходную $A$. Ровно этот алгоритм лежит в основе приведения квадратичной формы ортогональным преобразованием - там собственный базис самосопряжённого оператора и даёт главные оси формы.

Связь с квадратичными формами и приложения

Самый частый источник самосопряжённых операторов - квадратичные формы. Форма $Q(x) = \langle Ax, x \rangle = x^{\top} A x$ всегда задаётся симметричной матрицей, и спектральная теорема позволяет привести её к главным осям: в базисе из собственных векторов

$$Q(x) = \sum_{i=1}^{n} \lambda_i\, \xi_i^2,$$

где $\xi_i$ - координаты в новом базисе. Кривые и поверхности второго порядка (эллипсы, гиперболы, эллипсоиды) классифицируются именно по знакам $\lambda_i$.

Отсюда же - приложения далеко за пределами учебника. Тензор инерции твёрдого тела симметричен, и его собственные оси - это главные оси вращения. В статистике ковариационная матрица симметрична и неотрицательно определена, а её собственные векторы дают главные компоненты (PCA). В квантовой механике наблюдаемые величины - это самосопряжённые операторы, и вещественность их спектра гарантирует, что измеряемые значения (собственные числа) всегда вещественны.

Частые ошибки

• Путают симметричность матрицы с самосопряжённостью оператора. Матрица симметрична только в ортонормированном базисе. Если базис косоугольный, матрица самосопряжённого оператора может быть несимметричной.
• Забывают нормировать собственные векторы. Для разложения $A = U \Lambda U^{\top}$ нужна именно ортогональная $U$, то есть векторы единичной длины, а не просто любое решение системы $(A - \lambda I)x = 0$.
• Не ортогонализуют кратные собственные числа. При кратном $\lambda$ собственные векторы из его подпространства ортогональны векторам других подпространств, но между собой - нет; их нужно пропустить через Грам - Шмидта.
• Считают, что комплексные собственные числа возможны. У эрмитовой матрицы спектр всегда вещественный; если в расчёте появилось комплексное число, ищите арифметическую ошибку.
• Смешивают самосопряжённость и положительную определённость. Самосопряжённость гарантирует вещественность спектра, но не его знак; положительная определённость - это дополнительное условие $\lambda_i > 0$.

FAQ

Чем самосопряжённый оператор отличается от симметричной матрицы? Самосопряжённый оператор - это объект без координат, заданный условием $\langle Ax, y \rangle = \langle x, Ay \rangle$. Симметричная матрица - его представление в конкретном ортонормированном базисе. В другом базисе тот же оператор может иметь несимметричную матрицу, поэтому строго говорить нужно об операторе, а матрица - лишь способ записи.

Всегда ли самосопряжённый оператор диагонализуется? Да, в этом и состоит спектральная теорема: для любого самосопряжённого оператора на конечномерном пространстве существует ортонормированный базис из собственных векторов, в котором матрица диагональна. Это сильнее обычной диагонализуемости - базис не просто существует, а ещё и ортонормирован.

Зачем нужна вещественность собственных чисел? Вещественность спектра - это то, что делает теорему полезной в приложениях. В квантовой механике собственные числа наблюдаемой суть результаты измерений, и они обязаны быть вещественными; в геометрии знаки вещественных $\lambda_i$ классифицируют квадратичную форму. Если бы спектр был комплексным, главных осей и понятной геометрии не было бы.

Коротко

Самосопряжённый оператор - это оператор, перебрасываемый через скалярное произведение ($A = A^{*}$), в ортонормированном базисе ему отвечает симметричная (эрмитова) матрица. Спектральная теорема утверждает, что у него есть ортонормированный базис из собственных векторов, все собственные числа вещественны, а сам оператор раскладывается как $A = U \Lambda U^{*}$ - растяжение вдоль перпендикулярных осей. Два ключевых свойства (вещественность спектра и ортогональность собственных векторов) доказываются в пару строк через одно и то же скалярное произведение, а на практике теорема даёт алгоритм приведения квадратичной формы к главным осям и работает в PCA, механике и квантовой теории.