泛函分析 06.01 线性算子的谱理论 - 谱集和正则点集

$\color{blue}{第六章 线性算子的谱理论}$

$\color{blue}{\S 6.1 谱集和正则点集}$

$\color{blue}{6.1.0 线性代数和微分方程中的特征值问题}$

$\bullet {\color{blue}{线性算子的谱理论}}在基础研究和应用研究中均占据着重要的位置,$
$\bullet {\color{green}{谱理论}}对于{\color{blue}{了解和刻画线性算子}}是十分重要的.$
$\bullet 对于{\color{blue}{有限维空间}} X 上的线性算子 A, A 的{\color{blue}{谱点就是特征值}},$
$空间 X 按这些特征值可以{\color{green}{分解成若干个关于这个算子的不变子空间}}.$

$例 6.1.1 A 是从 \mathbb{R}^4 到 \mathbb{R}^4 的{\color{red}{对称矩阵}}(线性算子),$
$\qquad A = \begin{pmatrix}0 & 1 & 1 & -1 \\ 1 & 0 & -1 & 1 \\ 1 & -1 & 0 & 1 \\ -1 & 1 & 1 & 0 \end{pmatrix}$
$对于 x, y \in \mathbb{R}^4, A: x \to Ax, Ax = y.$
${\color{blue}{考虑特征值问题: \quad Ax = \lambda x,}}$
$A 的{\color{red}{特征值}}为：\lambda = -3, +1, 其中 \lambda = 1 是 3重特征值.$
$相应的正交化的特征向量({\color{blue}{\beta_1, \beta_2, \beta_3, \beta_4}}) 成为 \mathbb{R}^4中的$
$一组{\color{blue}{标准正交基}}.其中$
$\beta_1 = (\dfrac{1}{\sqrt{2}}, \dfrac{1}{\sqrt{2}}, 0, 0), \beta_2 = (\dfrac{1}{\sqrt{6}}, - \dfrac{1}{\sqrt{6}}, \dfrac{2}{\sqrt{6}}, 0),$
$\beta_3 = (-\dfrac{1}{\sqrt{12}}, \dfrac{1}{\sqrt{12}}, \dfrac{1}{\sqrt{12}}, \dfrac{3}{\sqrt{12}}), \beta_4 = (\dfrac{1}{2}, -\dfrac{1}{2}, -\dfrac{1}{2}, \dfrac{1}{2}).$
$在这组标准正交基下, 矩阵 {\color{red}{A 成为对角矩阵}}$
$A \sim A_1 \begin{pmatrix}1 & 0 & 0 & 0 \\ 0 & 1 & 0 & 0 \\ 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & -3 \end{pmatrix}$
$\bullet 在{\color{blue}{新的坐标系(\beta_1, \beta_2, \beta_3, \beta_4)下}}, 线性变换 A 有最简$
$单的标准型.$
$\bullet 在每个特征子空间(新的坐标系对应的一维子空间)上,$
$A 作用的形式是最简单的({\color{red}{放大、缩小特征值的倍数}}).$
$A\beta_1 = \beta_1, A \beta_2 = \beta_2, A \beta_3 = \beta_3, A\beta_4 = -3 \beta_4.$
$\bullet 空间 \mathbb{R}^4 中的任意一个元素 x 可以用这组正交基$
$\beta_1, \beta_2, \beta_3, \beta_4表示出来.$
$即 x 可以表示为:$
${\color{blue}{x = (a_1, a_2, a_3, a_4) = a_1 \beta_1 + a_2 \beta_2 + a_3 \beta_3 + a_4 \beta_4,}}$
$其中$
${\color{red}{a_1 = (x, \beta_1), a_2 = (x, \beta_2), a_3 = (x, \beta_3), a_4 = (x, \beta_4),}}$
$是 x 在 \beta_1, \beta_2, \beta_3, \beta_4 上的{\color{green}{投影}}, 于是$
$Ax = A(a_1 \beta_1 + a_2 \beta_2 + a_3 \beta_3 + a_4 \beta_4)$
$\quad = {\color{blue}{a_1 A \beta_1 + a_2 A \beta_2 + a_3 A \beta_3 + a_4 A \beta_4}}$
$\quad = a_1 \beta_1 + a_2 \beta_2 + a_3 \beta_3 - 3 a_4 \beta_4$
$\quad = {\color{red}{y = (a_1, a_2, a_3, -3a_4).}}$
$\forall x \in \mathbb{R}^4, 只要知道 {\color{blue}{x 在 \beta_1, \beta_2, \beta_3, \beta_4 上的投影}}$
$\qquad (a_1, a_2, a_3, a_4),$
$则 A 作用的方式一目了然.$
$A 作用方式:$
$Ax = (\lambda_1 a_1, \lambda_2 a_2, \lambda_3 a_3, \lambda_4 a_4) = (a_1, a_2, a_3, -3a_4). \quad (6.1.1)$
$注1: A 作用的方式是由{\color{red}{特征值、特征向量}}决定的.$
$注2: 当\lambda 不是特征值时, (A - \lambda I) x = 0 只有零解,$
$\qquad 于是 A - \lambda I 的{\color{blue}{逆存在且有界}}.$
$\bullet {\color{blue}{特征值}}刻画了{\color{green}{有限维空间}}上线性算子的基本性质.$
$\bullet 在{\color{blue}{无穷维空间}}, 我们也试图根据{\color{green}{线性算子谱}}(特征值)$
$研究线性算子的性质.$
$\blacktriangleright 下面考虑微分方程中经典的 Sturm-Liouville 问题.$

$例 6.1.2 Sturm-Liouville 问题$
$\qquad \left \lbrace \begin{array}{l} -y^{\prime \prime}(t) = \lambda y(t), -\pi \leq t \leq \pi. \\ y(-\pi) = y(\pi), \quad (1) \\ y^{\prime}(-\pi) = y^{\prime}(\pi). \quad (2) \end{array} \right. \quad (6.1.2)$
$设 H = L^2[-\pi, \pi], Ty = -y^{\prime \prime}, y \in \mathscr{D}(T) \subset \mathscr{D}_{\max}(T) \subset H,$
$其中: \mathscr{D}_{\max}(T) = \lbrace y \in H | y^{\prime} 绝对连续, Ty \in H \rbrace.$
${\color{blue}{T 是 L^2[-\pi, \pi] 到 L^2[-\pi, \pi] 的线性算子,}}$
$边界条件(1)-(2)对算子定义域\mathscr{D}(T)做了适当的限制,$
$使之成为一个{\color{green}{自共轭的线性算子}}.$
$\blacktriangleright 例 6.1.2 中的 Sturm-Liouville(S-L)问题成为微分$
$算子的特征值问题:$
${\color{blue}{ Ty = \lambda y}} \quad (6.1.3)$
$\blacktriangleright 与例 6.1.1 中研究的线性算子的特征值问题$
$\qquad {\color{blue}{Ax = \lambda x}}$
$形式上很相似.$
$\bullet 因为要满足边界条件, 不是对于所有 \lambda, S-L问题$
$Ty = \lambda y 都有非零解.$
$\bullet 使方程(6.1.3)有非零解的 {\color{red}{\lambda}} 称为 S-L 问题的 {\color{red}{特征值}}.$
$\bullet 方程 (6.1.3) 没有非零解时, T - \lambda I 的逆算子存在.$
$通过简单的计算得到, 线性算子 T 的特征值为$
$\qquad {\color{blue}{ \lbrace \lambda_n \rbrace = \lbrace 0, 1^2, 2^2, \cdots, n^2, \cdots \rbrace. }}$
${\color{green}{对应的特征值函数为}}$
$\lbrace e_n \rbrace = \lbrace 1, \cos x, \sin x, \cos 2x, \sin 2x, \cdots, \cos kx, \sin ks, \cdots \rbrace. \quad (6.1.4)$
$根据定理 3.4.12 知道,$
$(6.1.4) 式中的 \lbrace e_n \rbrace 是 L^2[-\pi, \pi] 中的完备正交基.$
$对于 \forall y \in L^2[-\pi, \pi] {\color{blue}{都可以分解}}为$
$\qquad y(t) = \sum \limits_{n=1}^{\infty}(y, e_n)e_n. \quad (6.1.5)$
$因为 e_n 是T关于 \lambda 的{\color{blue}{特征函数, Te_n = \lambda_n e_n.}}$
$注意到 S-L 算子 T 是{\color{red}{闭的线性算子}}, 根据定理 4.5.3 及$
$其定理后面的注4,$
$对于 \forall y \in \mathscr{D}(T) \subset \mathscr{D}_{\max}(T) \subset L^2[-\pi, \pi],$
$\qquad y = \sum \limits_{n=1}^{\infty}(y, e_n)e_n, Ty \in L^2[-\pi, \pi].$
$我们有:$
$Ty = T \sum \limits_{n=1}^{\infty}(y, e_n)e_n = \sum \limits_{n=1}^{\infty} (y, e_n) T e_n = \sum \limits_{n=1}^{\infty} (y, e_n) \lambda_n e_n. \quad (6.1.6)$
$\ast 这里有个{\color{green}{极限运算和闭算子交换顺序}}的问题.$
$\bullet {\color{blue}{线性算子的谱(特征值)}}从本质上刻画了线性算子的作用方式.$
$\bullet 线性算子的谱还反映了{\color{red}{线性算子有没有逆算子}},$
$\bullet {\color{green}{在什么范围有逆算子，逆算子是否连续}}等一系列问题.$
$\bullet 下面我们将看到{\color{blue}{无穷维空间}}中线性算子的谱理论要比$
${\color{blue}{有限维空间}}的情况{\color{red}{复杂得多}},线性算子的谱理论不仅仅包含$
$特征值, 还可以有{\color{green}{连续谱、剩余谱}}等.$
$本章要讲述的{\color{red}{主要问题}}:$
$\blacktriangleright 线性算子{\color{blue}{谱的定义, 谱的分类}}, {\color{green}{谱的性质}};$
$\blacktriangleright 有界线性算子的谱集是{\color{red}{非空的有界闭集}};$
$\blacktriangleright {\color{blue}{有界自共轭线性算子}}的谱分析;$
$\blacktriangleright {\color{green}{紧线性算子}}的谱分析.$

$\color{blue}{6.1.1 谱点和正则点的定义}$

$我们研究{\color{blue}{线性算子的谱理论}},$
$首先考虑 T_{\lambda} = \lambda I - T, 其中 \lambda 是{\color{green}{复数}}, I 是{\color{green}{恒等算子}}.$
$\bullet \lambda 取什么值时 T_{\lambda} 有{\color{blue}{逆算子}}?$
$\bullet T_{\lambda} 有逆算子 T_{\lambda}^{-1} 时, T_{\lambda}^{-1} 的{\color{blue}{性质如何}}?$
$这些问题是{\color{red}{谱理论所关系的一些基本问题}}.$
$\ast 在{\color{blue}{有限维空间}}, 对于 T_{\lambda} x = 0 只有两种可能:$
$(1) T_{\lambda} x = 0 {\color{green}{有非零解}}, 即 \lambda 是 T 的{\color{red}{特征值}};$
$(2) T_{\lambda} x = 0 {\color{green}{无非零解}}, 即 \lambda 是 T 的{\color{red}{正则点}},$
$T_{\lambda}^{-1} {\color{blue}{存在且有界}}.$
$\ast 但在{\color{red}{无穷维空间}}, 情况一般要复杂得多.$
$\blacktriangleright 以下{\color{blue}{根据 \lambda 的分类}}, 给出{\color{red}{谱点}}和{\color{red}{正则点}}的定义:$

$定义 6.1.3 设 X 是复的 Banach 空间, T 是从$
$\mathscr{D}(T) \subset X 到 X 的线性算子.$
$\lambda 称为 T 的 {\color{green}{正则点}},$
$\bullet 如果 \lambda I - T 的值域 \mathscr{R}(\lambda I - T) 在 X 中 {\color{green}{稠密}},$
$\bullet 并且 \lambda I - T 有 {\color{green}{连续的逆算子}}.$
$这样的 \lambda 的全体称为 T 的 {\color{blue}{正则点集}}(或者称为预解集),$
$记为 \rho(T).$
$有时把{\color{red}{逆算子}}(\lambda I - T)^{-1} 简记为 R_{\lambda}(T). 称其为 T$
$的{\color{blue}{预解式}}.$
${\color{blue}{正则点集 \rho(T) 的补集}}称为 T 的{\color{red}{谱集}}, 记为 \sigma(T), 即$
$\qquad \sigma(T) = \mathbb{C} \setminus \rho(T),$
${\color{blue}{若 \lambda \in \sigma(T)}}, 称 \lambda 为 T 的 {\color{red}{谱点}}.$
$注1: 在这个定义中, 未要求 T 是有界线性算子, \mathscr{D}(T) 不$
$一定是全空间.$
$\blacktriangleright 进一步我们还可以对 T 的谱集合{\color{green}{做进一步的分类}}:$

$定义 6.1.4 设 \sigma(T) 是线性算子 T 的谱集.$
$(1) \lambda 称为 T 的 {\color{red}{点谱}},$
$\bullet 如果 \lambda I - T {\color{bule}{不是一对一的}}.$
$\ast 点谱的全体记为 \sigma_p(T);$
$(2) \lambda 称为 T 的{\color{red}{连续谱}},$
$\bullet 若 \lambda I - T {\color{green}{是一对一的}}, \lambda I - T 的{\color{blue}{值域在 X 中稠密}},$
$\bullet 但是它的{\color{blue}{逆算子是不连续的}}.$
$\ast 连续谱的全体记为 \sigma_{c}(T);$
$(3) \lambda 称为 T 的 {\color{red}{剩余谱}},$
$\bullet 如果 \lambda I - T {\color{green}{是一对一的}}, 但是 \lambda I - T 的{\color{blue}{值域在 X 中不稠密}}.$
$\ast 剩余谱的全体记为 \sigma_{r}(T).$
$\ast 显然, \sigma_{p}(T), \sigma_{c}(T) 和 \sigma_{r}(T) 是互不相交的集合, 且$
$\qquad {\color{blue}{\sigma(T) = \sigma_p(T) \cup \sigma_c(T) \sigma_r(T).}}\quad (6.1.7)$

$定理 6.1.5 设 {\color{blue}{H 是 Hilbert 空间}}, {\color{red}{T \in \mathscr{B}(H)}}, 则$
$\qquad \sigma(T^{\ast}) = \lbrace \overline{\lambda} | \lambda \in \sigma(T) \rbrace.$
$证明: 根据定理 5.3.6, {\color{red}{(T^{\ast})^{-1} = (T^{-1})^{\ast},}}$
$于是对于 \lambda \in \rho(T),$
${\color{blue}{R_{\overline{\lambda}}(T^{\ast})}} = (\overline{\lambda} I - T^{\ast})^{-1} = [(\lambda I - T)^{-1}]^{\ast} = {\color{blue}{(R_{\lambda}(T))^{\ast}, }}$
$即 \overline{\lambda} \in \rho(T^{\ast}).$
$反之 \overline{\lambda} \in \rho(T^{\ast}), 知 {\color{red}{\lambda \in \rho(T^{\ast \ast}) = \rho(T).}}$
$注: Hilbert 空间中共轭算子 T^{\ast} 的谱集合与 T 的{\color{blue}{谱集合关于X轴对称}},$
$这从一个侧面反映了{\color{green}{一个算子与其共轭算子的某种对称性}}.$

$\color{blue}{6.1.2 特征值和特征元素}$

$\bullet 显然 {\color{blue}{\lambda \in \sigma_p(T)}} 的充要条件是:$
$\qquad {\color{green}{T_{\lambda} x = 0 有属于定义域\mathscr{D}(T)中的非零解}}.$

$定义 6.1.6 \lambda \in \sigma_p(T), \lambda 称为 T 的{\color{red}{特征值}},$
$T_{\lambda} x = 0 的非零解 x 称为 T 对应于 \lambda 的{\color{green}{特征元素}}.$
$T_{\lambda} 的{\color{blue}{零空间\mathscr{N}(\lambda I - T)}}称为 T 关于 \lambda 的{\color{red}{特征子空间}},$
$它包括零元素和 T 的全体关于 \lambda 的特征元素.$
$T 关于 \lambda 的特征子空间的{\color{blue}{维数 \dim \mathscr{N}(\lambda I - T)}}称为$
${\color{red}{特征值 \lambda 的几何重数}}.$
$\bullet 对于 \lambda \in \sigma_p(T), T_{\lambda} x = 0 的非零解 x 必须属于 \mathscr{D}(T) \subset X,$
$\ast 这在无穷维空间是十分重要的, 我们有以下例子.$
$例 6.1.7 设 H = L^2(-\infty, \infty), T: H \to H, y = Tx, 其中$
$\qquad {\color{blue}{y(t) = \int_{-\infty}^{t} e^{-(t-\tau)} x(\tau) d \tau.}}$
$可以证明, \mathscr{D}(T) = H, \mathscr{R}(T) \subset H,$
$当 x(t) = e^{i \omega t} 时,$
$\int_{-\infty}^{t} e^{-(t- \tau)} e^{i \omega \tau} d \tau = \int_{-\infty}^t e^{-t} e^{(1+i\omega)\tau} d \tau = \dfrac{1}{1 + i \omega} e^{i \omega t}, \quad (6.1.8)$
$即如果 T 作用在 x(t) = e^{i \omega t} 上, 得到 \dfrac{1}{1 + i \omega} x(t),$
$但是这{\color{red}{并不意味着\dfrac{1}{1 + i \omega} 是 T 的特征值.}}$
$事实上, x(t) = e^{i \omega t} \notin L^2(-\infty, \infty).$
${\color{blue}{可以证明 \dfrac{1}{1 + i \omega} 是算子 T 的连续谱}}.$

$命题 6.1.8 设 \lambda_1, \lambda_2, \cdots, \lambda_n 是线性算子 T 的互不相同$
$的{\color{blue}{特征值}}, x_1, x_2, \cdots, x_n 是对应的{\color{blue}{特征元素}},$
$则 x_1, x_2, \cdots, x_n 是{\color{red}{线性无关}}的.$
$证明: {\color{green}{反证法}}.假如 x_1, x_2, \cdots, x_n 是线性相关的,$
$设 x_m 是{\color{blue}{第一个}}可以由前面的特征元素表示的元素,即$
$\qquad x_m = \alpha_1 x_1 + \alpha_2 x_2 + \cdots + \alpha_{m-1} x_{m-1}.$
$由于 x_1, x_2, \cdots, x_m 是{\color{blue}{特征元素}}, 于是$
$0 = （\lambda_m I - T) x_m = \alpha_1(\lambda_m - \lambda_1) x_1 + \cdots + \alpha_{m-1}(\lambda_m - \lambda_{m-1}) x_{m-1}.$
$由于 \lambda_m \neq \lambda_i (i = 1, 2, \cdots, m-1),$
$结合 {\color{red}{x_1, x_2, \cdots, x_{m-1} 是线性无关的}},$
$推出 \alpha_1, = \cdots = \alpha_{m-1} = 0.{\color{blue}{这与 x_m \neq 0 矛盾}}.$

$\color{blue}{6.1.3 闭线性算子的正则点}$

$\blacktriangleright {\color{green}{当 T 是闭算子, 特别是有界线性算子时, 有以下结论:}}$

$定理 6.1.9 设 X 是 {\color{blue}{Banach 空间}}, T 是从 \mathscr{D}(T) \subset X$
$到 X 的 {\color{blue}{闭线性算子}},$
$那么对于 \forall \lambda \in \rho(T), (\lambda I - T)^{-1} 是一个定义在$
${\color{red}{全空间上的有界线性算子}}.$
$\bullet \lambda 是正则点, 如果 \lambda I - T 的值域 \mathscr{R}(\lambda I - T) 在 X$
$中{\color{red}{稠密}}, 并且 \lambda I - T 有{\color{blue}{连续的逆算子}}.$
$分析: 已知 \mathscr{R}(\lambda I - T) 在 X 中稠密, 要证明$
$\qquad \mathscr{R}(\lambda I - T) = X,$
$即对于 {\color{blue}{\forall y \in X}}, 要证明 y \in \mathscr{R}(\lambda I - T).$
$即对于{\color{blue}{\lambda \forall y \in X}}, 要证明 y \in \mathscr{R}(\lambda I - T).$
$也就是说{\color{red}{要找到 x \in X, 使得 (\lambda I - T) x = y.}}$
$证明: 对于 \forall y \in X, 由于{\color{green}{\mathscr{R}(\lambda I - T) 在 X 中稠}}, 因此$
$存在 \lbrace x_n \rbrace, 使得$
$\qquad \lim \limits_{n \to \infty} (\lambda I - T) x_n = y, \quad (6.1.9)$
$\therefore \lbrace (\lambda I - T) x_n \rbrace 是 Cauchy 列,$
$\because \lambda \in \rho(T), {\color{red}{(\lambda I - T)^{-1} 是有界的}},$
$根据定理 4.4.2, 存在一个正数 m > 0, 使得$
$\qquad \Vert (\lambda I - T) x \Vert \geq m \Vert x \Vert, \forall x \in \mathscr{D}(T). \quad (6.1.10)$
$由(6.1.10)式知{\color{blue}{\lbrace x_n \rbrace 也是 Cauchy 列,}}$
$由于 X 是 Banach 空间, 存在 x \in X,$
$\qquad {\color{red}{\lim \limits_{n \to \infty} x_n = x.}}$
$由于 T 是闭算子, 结合(6.1.9)式({\color{red}{\lim \limits_{n \to \infty} (\lambda I - T) x_n = y}}),$
$我们有$
$\qquad {\color{blue}{x \in \mathscr{D}(T), (\lambda I - T)x = y, }}$
$即 \mathscr{R}(\lambda I - T) = X.$
$注：于是我们看到：{\color{red}{当 T 是闭线性算子时,}}$
$\lambda \in \rho(T), 当且仅当$
$\qquad {\color{blue}{\mathscr{R}(\lambda I - T) = X 且 (\lambda I - T)^{-1} \in \mathscr{B}(X).}}$
$有关闭线性算子谱的定义和分类, 可参阅张恭庆等编著,$
$《泛函分析讲义》(上册)p.154.$

$\color{blue}{6.1.4 存在不是特征值的谱点}$

$例 6.1.10 设 X 是{\color{blue}{有限维的 Banach 空间}},$
$T 是从 X 到 X 的线性算子, 则{\color{red}{\sigma_p(T) = \sigma(T)}}.$
$事实上, 因为$
$\dim (\mathscr{N}(\lambda I - T)) + \dim (\mathscr{R}(\lambda I - T)) = \dim X,$
$其中 \dim 表示空间的{\color{green}{维数}},$
$所以 \lambda I - T 是一对一的当且仅当 \mathscr{R}(\lambda I - T) = X,$
$因此对于有限维空间上的线性算子 T, {\color{green}{剩余谱是空集}}.$
$\bullet \lambda 称为 T 的{\color{red}{剩余谱}}, 如果\lambda I - T {\color{blue}{是一对一的}}, 但是$
$\lambda I - T 的{\color{blue}{值域在 X 中不稠密}}.$
$如果 \lambda I - T 是一对一的, (\lambda I - T)^{-1} 存在,$
$因为{\color{red}{有限维空间}}上的线性算子是有界(连续)的,$
$这说明 T 的连续谱也是空的.$
$\bullet \lambda 称为 T 的{\color{green}{连续谱}}, 若 \lambda I - T {\color{green}{是一对一的}}, \lambda I - T$
$的{\color{blue}{值域在 X 中稠密}}, 但是它的{\color{blue}{逆算子是不连续的}}.$
$即{\color{red}{在有限维空间只有纯点谱}}, \sigma_p(T) = \sigma(T).$

$如果 (a_{ij}) 表示 T 在 X 的一组基下的相应的矩阵, 则$
$\qquad {\color{blue}{\sigma(T) = \sigma_p(T) = \lbrace \lambda \in \mathbb{C} | \det(\lambda \delta_{ij} - a_{ij}) = 0 \rbrace.}} \quad (6.1.11)$
$其中 \delta_{ij} 是 Kronecker 符号, 即$
$\qquad \delta_{ij} = 1, 当 i = j; \delta_{ij} = 0, 当 i \neq j.$

$\blacktriangleright 在{\color{blue}{无穷维空间}}, 情况就不是这么简单.$

$例 6.1.11 在 Hilbert 空间 H = l^2[1, \infty)上,$
$我们定义{\color{red}{右移算子}} T: l^2 \to l^2,$
$\qquad T:(x_1, x_2, \cdots) \to (0, x_1, x_2, \cdots),$
$其中 x = (x_1, x_2, \cdots) \in l^2.$
$由于$
$\qquad \Vert Tx \Vert ^2 = \sum \limits_{i=1}^{\infty} \Vert x_i \Vert ^2 = \Vert x \Vert ^2,$
$我们有 \Vert T \Vert = 1.$
${\color{blue}{因为 Tx = 0 意味着 x = 0, 即 0 不是特征值.}}$
$显然 T 的值域$
$\qquad \mathscr{R}(T) = \lbrace y = \lbrace y_i \rbrace | y_1 = 0 \rbrace$
$在 H 中不稠, 于是 0 \in \sigma_r(T).$
$\bullet \lambda 称为 T 的{\color{red}{剩余谱}}, 如果 \lambda I - T {\color{blue}{是一对一的}}, 但是$
$\lambda I - T 的{\color{blue}{值域在 X 中不稠密}}.$
$注: 上例说明在{\color{green}{无穷维空间}}, 线性算子{\color{green}{可以有不是特征值的谱点}}.$