57、希尔伯特空间中的特征向量、特征值与谱分解

希尔伯特空间中的特征向量、特征值与谱分解

1. 引言

在数学领域，线性代数中的特征值和特征向量是非常重要的概念，它们在矩阵分析中有着广泛的应用。例如，对于对称的实矩阵或复埃尔米特矩阵，其特征值能够帮助我们将矩阵表示为投影矩阵的线性组合，实现矩阵的“对角化”。而在希尔伯特空间中，这一理论得到了进一步的推广，我们将探讨线性算子的特征值、特征向量以及谱分解等相关内容。

2. 希尔伯特空间中的基础练习

在深入研究特征值和特征向量之前，有一些关于希尔伯特空间子空间和投影算子的基础练习需要我们掌握。
-练习 14:7.1：证明定理 14.33 的各个部分。若过程过于繁琐，至少证明投影算子 $P$ 是线性的，并验证不等式 $(P(f), f) = |P(f)|^2 \leq |f|^2$。
-练习 14:7.2：设 $E_1$ 和 $E_2$ 是希尔伯特空间的闭子空间，证明 $E_1 \perp E_2$ 当且仅当 $P_{E_1}P_{E_2} = P_{E_2}P_{E_1} = 0$。
-练习 14:7.3：设 $E_1$ 和 $E_2$ 是希尔伯特空间的闭子空间，证明 $P_{E_1} + P_{E_2}$ 仍是投影算子当且仅当 $E_1 \perp E_2$。
-练习 14:7.4：设 $E_1$ 和 $E_2$ 是希尔伯特空间的闭子空间，证明 $P_{E_1}P_{E_2}$ 仍是投影算子当且仅当 $P_{E_1}P_{E_2} = P_{E_2}P_{E_1}$。若 $P