Sei sulla pagina 1di 15

VALOR PROPIO

Fig. 1. En esta transformacin de la Mona Lisa, la imagen se ha deformado de tal forma que su eje vertical no ha cambiado. (nota: se han recortado las esquinas en la imagen de la derecha). El vector azul, representado por la flecha azul que va desde el pecho hasta el hombro, ha cambiado de direccin, mientras que el rojo, representado por la flecha roja, no ha cambiado. El vector rojo es entonces un vector propio de la transformacin, mientras que el azul no lo es. Dado que el vector rojo no ha cambiado de longitud, su valor propio es 1. Todos los vectores de esta misma direccin son vectores propios, con el mismo valor propio. Forman el espacio propio de este valor propio. En lgebra lineal, los vectores propios, auto vectores o eigenvectores de un operador lineal son los vectores no nulos que, cuando son transformados por el operador, dan lugar a un mltiplo escalar de s mismos, con lo que no cambian su direccin. Este escalar recibe el nombre valor propio, auto valor, valor caracterstico o eigenvalor. A menudo, una transformacin queda completamente determinada por sus vectores propios y valores propios. Un espacio propio, auto espacio o eigenespacio es el conjunto de vectores propios con un valor propio comn. La palabra alemana eigen, que se traduce en espaol como propio se us por primera vez en este contexto por David Hilbert en 1904 (aunque Helmholtz la us previamente con un significado parecido). Eigen se ha traducido tambin como inherente, caracterstico o el prefijo auto-, donde se aprecia el nfasis en la importancia de los valores propios para definir la naturaleza nica de una

determinada transformacin lineal. Las denominaciones vector y valor caractersticos tambin se utilizan habitualmente. Definiciones Las transformaciones lineales del espacio como la rotacin, la reflexin, el ensanchamiento, o cualquier combinacin de las anteriores; en esta lista podran incluirse otras transformaciones pueden interpretarse mediante el efecto que producen en los vectores. Los vectores pueden visualizarse como flechas de una cierta longitud apuntando en una direccin y sentido determinados.

Los vectores propios de las transformaciones lineales son vectores que, o no se ven afectados por la transformacin o se ven multiplicados por un escalar, y por tanto no varan su direccin. El valor propio de un vector propio es el factor de escala por el que ha sido multiplicado. Un espacio propio es un espacio formado por todos los vectores propios del mismo valor propio, adems del vector nulo, que no es un vector propio. La multiplicidad geomtrica de un valor propio es la dimensin del espacio propio asociado. El espectro de una transformacin en espacios vectoriales finitos es el conjunto de todos sus valores propios.

Por ejemplo, un vector propio de una rotacin en tres dimensiones es un vector situado en el eje de rotacin sobre el cual se realiza la rotacin. El valor propio correspondiente es 1 y el espacio propio contiene a todos los vectores paralelos al eje. Como es un espacio de una dimensin, su multiplicidad geomtrica es uno. Es el nico valor propio del espectro (de esta rotacin) que es un nmero real. Formalmente, se definen los vectores propios y valores propios de la siguiente manera: Si A: V V es un operador lineal en un cierto espacio vectorial V, v es un vector diferente de cero en V y c es un escalar tales que

Entonces decimos que v es un vector propio del operador A, y su valor propio asociado es c. Observe que si v es un vector propio con el valor propio c entonces cualquier mltiplo diferente de cero de v es tambin un vector propio con el valor propio c. De hecho, todos los vectores propios con el valor propio asociado c junto con 0, forman un subespacio de V, el espacio propio para el valor propio c. Observe adems que un espacio propio Z es un subespacio invariante de A, es decir dado w un vector en Z, el vector Aw tambin pertenece a Z. Editar Ejemplos

A medida que la tierra rota, los vectores en el eje de rotacin permanecen invariantes. Si se considera la transformacin lineal que sufre la tierra tras una hora de rotacin, una flecha que partiera del centro de la tierra al Polo Sur geogrfico sera un vector propio de esta transformacin, pero una flecha que partiera del centro a un punto del ecuador no sera un vector propio. Dado que la flecha que apunta al polo no cambia de longitud por la rotacin, su valor propio es 1. Otro ejemplo sera una lmina de metal que se expandiera uniformemente a partir de un punto de tal manera que las distancias desde cualquier punto al punto fijo se duplicasen. Esta expansin es una transformacin con valor propio 2. Cada vector desde el punto fijo a cualquier otro es un vector propio, y el espacio propio es el conjunto de todos esos vectores. Una onda estacionaria en una cuerda fija en sus cabos o, ms concretamente, una funcin propia de la transformacin correspondiente al transcurso del tiempo. A medida que vara el tiempo, la onda estacionaria vara en amplitud, pero su perodo no se modifica. En este caso el valor propio es dependiente del tiempo. Sin embargo, el espacio geomtrico tridimensional no es el nico espacio vectorial. Por ejemplo, considrese una cuerda sujeta por sus extremos, como la de un instrumento de cuerda (mostrada a la derecha). La distancia de los tomos de la cuerda vibrante desde sus posiciones cuando sta est en reposo pueden interpretarse como componentes de un vector en el espacio con tantas dimensiones como tomos tenga dicha cuerda. Si se supone que la cuerda es un medio continuo y se considera la transformacin de la cuerda en el transcurso del tiempo, sus vectores propios o funciones propias son sus ondas estacionariaslo que, mediante la intervencin del aire circundante, se puede interpretar como el resultado de taer una guitarra. Las ondas estacionarias corresponden a oscilaciones particulares de la cuerda tales que la forma de la cuerda se escala por un factor (el valor propio) con el paso del tiempo. Cada componente del vector asociado con la cuerda se multiplica por este factor dependiente del tiempo. Las amplitudes (valores propios) de las ondas estacionarias decrecen con el tiempo si se considera la atenuacin. En este caso se puede asociar un tiempo de vida al vector propio, y relacionar el concepto de vector propio con el concepto de resonancia. Casos de inters especial Intuitivamente, para las transformaciones lineales del espacio de dos dimensiones , los vectores propios son:

rotacin: ningn vector propio de valores reales (existen en cambio pares valor propio, vector propio complejos). reflexin: los vectores propios son perpendiculares y paralelos al eje de simetra, los valores propios son -1 y 1, respectivamente. escalado uniforme: todos los vectores son vectores propios, y el valor propio es el factor de escala. proyeccin sobre una recta: los vectores propios con el valor propio 1 son paralelos a la lnea, vectores propios con el valor propio 0 son paralelos a la direccin de la proyeccin

Ecuacin del valor propio o autovalor Matemticamente, v es un vector propio y el valor propio correspondiente de una transformacin T si verifica la ecuacin:

donde T(v) es el vector obtenido al aplicar la transformacin T a v. Supngase que T es una transformacin lineal (lo que significa que para todos los escalares a, b, y los vectores v, w). Considrese una base en ese espacio vectorial. Entonces, T y v pueden representarse en relacin a esa base mediante una matriz AT y un vector columna vun vector vertical unidimensional. La ecuacin de valor propio en esta representacin matricial se representa de la siguiente forma:

donde la yuxtaposicin es un producto de matrices. Dado que en esta circunstancia la transformacin T y su representacin matricial AT son equivalentes, a menudo podemos emplear slo T para la representacin matricial y la transformacin. Esto es equivalente a un conjunto de n combinaciones lineales, donde n es el nmero de vectores de la base. En esta ecuacin, tanto el autovalor y las n componentes de v son desconocidos. Sin embargo, a veces es poco natural o incluso imposible escribir la ecuacin de autovector en forma matricial. Esto ocurre, por ejemplo, cuando el espacio vectorial es de dimensin infinita, como por ejemplo en el caso de la cuerda mostrada anteriormente. Dependiendo de la naturaleza de la transformacin T y el espacio al que se aplica, puede ser ventajoso representar la ecuacin de autovalor como un conjunto de ecuaciones diferenciales, donde los autovectores reciben a menudo el nombre de autofunciones del operador diferencial que representa a T. Por ejemplo, la

derivacin misma es una transformacin lineal, ya que (si f(t) y g(t) son funciones derivables y a y b son constantes)

Considrese la diferenciacin con respecto a t. Sus autofunciones h(t) obedecen a la ecuacin de autovalor:

, donde es el autovalor asociado con la funcin. Una funcin en el tiempo es constante si = 0, crece proporcionalmente a s misma si es negativa. Por ejemplo, una poblacin ideal de conejos engendra con ms frecuencia a medida que hay ms conejos, y por tanto satisface la ecuacin para lambda positivo. La solucin a la ecuacin de valor propio es g(t) = exp(t), la funcin exponencial; pues esa funcin es una funcin propia del operador diferencial d/dt con el valor propio . Si es negativa, la evolucin de g se denomina decaimiento exponencial; si es positiva se denomina crecimiento exponencial. El valor de puede ser cualquier nmero complejo. El espectro de d/dt es entonces el plano complejo en su totalidad. En este ejemplo el espacio vectorial en el que acta d/dt es el espacio de las funciones derivables de una variable. Este espacio tiene una dimensin infinita (pues no es posible expresar cada funcin diferenciable como combinacin lineal de un nmero finito de funciones base). No obstante, el espacio propio asociado a un valor propio determinado es unidimensional. Es el conjunto de todas las funciones g(t) = Aexp(t), donde A es una constante arbitraria, la poblacin inicial en t=0. Teorema espectral Artculo principal: teorema espectral El teorema espectral muestra la importancia de los valores propios y vectores propios para caracterizar una transformacin lineal de forma nica. En su versin ms simple, el teorema espectral establece que, bajo unas condiciones determinadas, una transformacin lineal de un vector puede expresarse como la combinacin lineal de los vectores propios con coeficientes de valor igual a los valores propios por el producto escalar de los vectores propios por el vector al que se aplica la transformacin, lo que puede escribirse como:

donde y representan a los vectores propios y valores propios de . El caso ms simple en el que tiene validez el teorema es cuando la transformacin lineal viene dada por una matriz simtrica real o una matriz hermtica compleja. Si se define la ensima potencia de una transformacin como el resultado de aplicarla n veces sucesivas, se puede definir tambin el polinomio de las transformaciones. Una versin ms general del teorema es que cualquier polinomio P de es igual a:

El teorema puede extenderse a otras funciones o transformaciones tales como funciones analticas, siendo el caso ms general las funciones de Borel. Vectores propios y valores propios de matrices Clculo de valores propios y vectores propios de matrices Si se quiere calcular los valores propios de una matriz dada y sta es pequea, se puede calcular simblicamente usando el polinomio caracterstico. Sin embargo, a menudo resulta imposible para matrices extensas, caso en el que se debe usar un mtodo numrico. Clculo simblico Encontrando valores propios Una herramienta importante para encontrar valores propios de matrices cuadradas es el polinomio caracterstico: decir que es un valor propio de A es equivalente a decir que el sistema de ecuaciones lineales A v = v --> A v - v = 0 (Factorizando por v queda) (A - I) v = 0 (donde I es la matriz identidad) tiene una solucin no nula v (un vector propio), y de esta forma es equivalente al determinante:

La funcin p() = det(A - I) es un polinomio de pues los determinante se definen como sumas de productos. ste es el polinomio caracterstico de A: los valores propios de una matriz son los ceros de su polinomio caracterstico. Todos los valores propios de una matriz A pueden calcularse resolviendo la ecuacin pA() = 0.

Si A es una matriz nn, entonces pA tiene grado n y A tiene como mximo n valores propios. El teorema fundamental del lgebra dice que esta ecuacin tiene exactamente n races (ceros), teniendo en cuenta su multiplicidad. Todos los polinomios reales de grado impar tienen un nmero real como raz, as que para n impar toda matriz real tiene al menos valor propio real. En el caso de las matrices reales, para n par e impar, los valores propios no reales son pares conjugados. Encontrando vectores propios Una vez que se conocen los valores propios , los vectores propios se pueden hallar resolviendo el sistema de ecuaciones homogneo:

Una forma ms sencilla de obtener vectores propios sin resolver un sistema de ecuaciones lineales se basa en el teorema de Cayley-Hamilton que establece que cada matriz cuadrada satisface su propio polinomio caracterstico. As, si 1,2,...,n son los valores propios de A se cumple que

por lo que los vectores columna de (A 2I)...(A nI) son vectores propios de 1. Ejemplo de matriz sin valores propios reales Un ejemplo de matriz sin valores propios reales es la rotacin de 90 grados en el sentido de las manecillas del reloj:

cuyo polinomio caracterstico es 2 1 y sus valores propios son el par de conjugados complejos i, -i. Los vectores propios asociados tampoco son reales. Ejemplo Considrese la matriz

que representa un operador lineal R R. Si se desea computar todos los valores propios de A, se podra empezar determinando el polinomio caracterstico:

y porque p(x) = - (x - 2)(x - 1)(x + 1) se ve que los valores propios de A son 2, 1 y 1. El teorema de Cayley-Hamilton establece que cada matriz cuadrada satisface su propio polinomio caracterstico. Es decir

Efectivamente, para el caso del valor propio 2, se puede comprobar que

de donde (1, 1, -1) es un vector propio asociado a 2.

Clculo numrico En la prctica, los valores propios de las matrices extensas no se calculan usando el polinomio caracterstico. Calcular el polinomio resulta muy costoso, y extraer las races exactas de un polinomio de grado alto puede ser difcil de calcular y expresar: el teorema de Abel-Ruffini implica que las races de los polinomios de grado alto (5 o superior) no pueden expresarse usndose simplemente races ensimas. Existen algoritmos eficientes para aproximar races de polinomios, pero pequeos errores en la estimacin de los valores propios pueden dar lugar a errores grandes en los vectores propios. En consecuencia, los algoritmos

generales para encontrar vectores propios y valores propios son iterativos. La manera ms fcil es el mtodo de las potencias: se escoge un vector aleatorio v y se calcula una secuencia de vectores unitarios:

, ...

Esta sucesin casi siempre converger a un vector propio correspondiente al mayor valor propio. Este algoritmo es sencillo, pero no demasiado til aisladamente. Sin embargo, hay mtodos ms populares, como la descomposicin QR, que se basan en l. Propiedades Multiplicidad algebraica La multiplicidad algebraica de un valor propio de A es el orden de como cero del polinomio caracterstico de A; en otras, palabras, si es una de las races del polinomio, es el nmero de factores (t ) en el polinomio caracterstico tras la factorizacin. Una matriz nn tiene n valores propios, contados de acuerdo con su multiplicidad algebraica, ya que su polinomio caracterstico tiene grado n. Un valor propio de multiplicidad algebraica 1 recibe el nombre de "valor propio simple". Por ejemplo, se pueden encontrar exposiciones como la siguiente en artculos de teora de matrices: "los valores propios de una matriz A son 4,4,3,3,3,2,2,1," lo que significa que la multiplicidad algebraica de 4 es dos, la de 3 es tres, la de 2 es dos y la de 1 es uno. Se emplea este estilo porque la multiplicidad algebraica es la clave de muchas demostraciones matemticas en teora de matrices. Anteriormente se ha definido la multiplicidad geomtrica de un vector propio como la dimensin del espacio propio asociado, o el ncleo (espacio propio de los vectores propios del valor propio nulo) de I - A. La multiplicidad algebraica tambin puede entenderse como una dimensin: es la dimensin del espacio propio generalizado (1er sentido) asociado, que es el ncleo de la matriz (I - A)k para k suficientemente grande. Es decir, es el espacio de los vectores propios generalizados (1er sentido), donde un vector propio generalizado es cualquier vector que toma valor 0 s I - A se aplica suficientes veces en sucesin. Cualquier vector propio es un vector propio generalizado, as que cualquier espacio propio

est contenido en el espacio propio generalizado asociado. Esto proporciona una demostracin simple de que la multiplicidad geomtrica es siempre menor o igual a la algebraica. El primer sentido no debe de confundirse con el problema de valores propios generalizados tal y como se muestra ms adelante. Por ejemplo:

Slo tiene un valor propio = 1. El polinomio caracterstico es ( 1)2, as que este valor propio tiene multiplicidad algebraica 2. Sin embargo, el espacio propio asociado es el eje, que normalmente recibe el nombre de eje x, generado por el vector unitario , as que la multiplicidad geomtrica es 1.

Los vectores propios generalizados pueden usarse para calcular la forma normal de Jordan de una matriz (comentado ms adelante). El hecho de que los bloques de Jordan en general no son diagonales sino nilpotentes est directamente relacionado con la distincin entre vectores propios y vectores propios generalizados. Teoremas de descomposicin para matrices generales El teorema de descomposicin es una versin del teorema espectral en una clase concreta de matrices. Este teorema se explica normalmente en trminos de transformacin coordinada. Si U es una matriz invertible, puede verse como una transformacin entre un sistema de coordenadas a otro, donde las columnas de U son las componentes de la nueva base de vectores expresados en trminos de la base anterior. En este nuevo sistema las coordenadas del vector v se representan por v', que puede obtenerse mediante la relacin v' = Uv y, por otra parte, se tiene v = U 1v'. Aplicando sucesivamente v' = Uv, w' = Uw y U 1U = I, a la relacin Av = w proporciona A'v' = w' con A' = UAU 1, la representacin de A en la nueva base. En esta situacin, se dice que las matrices A y A' son semejantes. El teorema de descomposicin declara que, si se eligen como columnas de U 1 n vectores propios linealmente independientes de A, la nueva matriz A' = UAU 1 es diagonal y sus elementos en la diagonal son los valores propios de A. Si esto es posible, entonces A es una matriz diagonalizable. Un ejemplo de una matriz no diagonalizable es la matriz A ya mostrada:

Hay muchas generalizaciones de esta descomposicin que pueden tratar con el caso no diagonalizable, diseadas con diferentes propsitos:

la descomposicin de Schur declara que toda matriz es equivalente a una matriz triangular. la descomposicin en valores singulares, A = UV * donde es diagonal con U y V matrices unitarias, los elementos de la diagonal de A = UV * no son negativos y reciben el nombre de valores singulares de A. Esta descomposicin tambin puede hacerse en matrices no cuadradas. la forma normal de Jordan, donde A = XX 1 y no es diagonal sino diagonal por bloques. El nmero y tamao de los bloques de Jordan estn determinados por las multiplicidades geomtrica y algebraica de los valores propios. La descomposicin de Jordan es un resultado fundamental. A partir de ella se puede deducir inmediatamente que una matriz cuadrada est descrita completamente por sus valores propios, incluyendo la multiplicidad. Esto muestra matemticamente el importante papel que desempean los valores propios en el estudio de matrices. como consecuencia inmediata de la descomposicin de Jordan, cualquier matriz A puede escribirse de forma nica como A=S + N donde S es diagonalizable, N es nilpotente (por ejemplo, tal que Nq=0 para un cierto q), y S cumple la propiedad conmutativa del producto (SN=NS).

Otras propiedades de los valores propios El espectro es invariante bajo transformaciones semejantes: las matrices A y P1 AP tienen los mismos valores propios para cualquier matriz A y cualquier matriz invertible P. El espectro es tambin invariante a la trasposicin de las matrices: A y A T tienen los mismos valores propios. Dado que una transformacin lineal en espacios de dimensiones finitas es biyectiva si y slo si es inyectiva, una matriz es invertible si y slo si cero no es un valor propio de la matriz. Otras consecuencias de la descomposicin de Jordan son:

una matriz es matriz diagonalizable si y slo si las multiplicidades geomtrica y algebraica coinciden para todos sus valores propios. En particular una matriz nn que tiene n valores propios diferentes es siempre diagonalizable;

Dado que la traza, o la suma de elementos de la diagonal principal de una matriz se preserva en la equivalencia unitaria, la forma normal de Jordan constata que es igual a la suma de sus valores propios. De forma similar, dado que los valores propios de una matriz triangular son las entradas de la diagonal principal su determinante es igual al producto de los valores propios (contados de acuerdo con su multiplicidad algebraica).

Algunos ejemplos de la localizacin del espectro de ciertas subclases de matrices normales son:

Todos los valores propios de una matriz hermtica (A = A*) son reales. Adems, todos los valores propios de una matriz definida positiva son positivos; Todos los valores propios de una matriz antihermtica (A = A*) son imaginarios puros; Todos los valores propios de una matriz unitaria (A-1 = A*) tienen valor absoluto uno;

Si A es una matriz mn con m n, y B es una matriz nm, entonces BA tiene los mismos valores propios de AB ms n m valores propios nulos. A cada matriz se le puede asociar una norma vectorial, que depende de la norma de su dominio, el operador norma de una matriz cuadrada es una cota superior del mdulo de sus valores propios, y por tanto de su radio espectral. Esta norma est directamente relacionada con el mtodo de las potencias para calcular el valor propio de mayor mdulo. Para matrices normales, el operador norma (la norma eucldea) es el mayor mdulo entre de sus valores propios. Vector propio conjugado Un vector propio conjugado es un vector que tras la transformacin pasa a ser un mltiple escalar de su conjugado, donde el escalar recibe el nombre de valor propio conjugado de la transformacin lineal. Los vectores propios y valores propios conjugados representan esencialmente la misma informacin y significado que los vectores propios y valores propios, pero aparecen cuando se utiliza un sistema de coordenadas alternativo. La ecuacin correspondiente es:

Por ejemplo, en teora de electromagnetismo disperso, la transformacin lineal A representa la accin efectuada por el objeto dispersor, y los vectores propios representan los estados de polarizacin de la onda electromagntica. En ptica, el sistema coordenado se define a partir del punto de vista de la onda, y lleva a una ecuacin de valor propio regular, mientras que en radar, el sistema coordenado se

define desde el punto de vista del radar, y da lugar a una ecuacin de valor propio conjugado. Problema de valor propio generalizado Un problema de valor propio generalizado (2 sentido) es de la forma

donde A y B son matrices. Los valores propios generalizados (2 sentido) pueden obtenerse resolviendo la ecuacin

El conjunto de matrices de la forma A B, donde es un nmero complejo, recibe el nombre de lpiz si B es invertible, entonces el problema original puede escribirse en la forma

que es un problema de valores propios estndar. Sin embargo, en la mayora de situaciones es preferible no realizar la inversin, y resolver el problema de valor propio generalizado con la configuracin original. Si A y B son matrices simtricas con entradas reales, entonces los valores propios son reales. Esto se aprecia tan fcilmente a partir de la segunda formulacin equivalente, pues la matriz B 1A no es necesariamente simtrica si A y B lo son. La aplicacin de moleculares orbitales expuesta ms adelante proporciona un ejemplo de este caso. Entradas de un anillo En una matriz cuadrada A con entradas de un anillo, recibe el nombre de valor propio por la derecha si existe un vector columna x tal que Ax=x, o un valor propio por la izquierda si existe un vector fila no nulo y tal que yA=y. Si el anillo es conmutativo, los valores propios por la izquierda son iguales a los valores propios por la derecha y se les llama simplemente valores propios.

Espacios de dimensin infinita

Fig. 3. Espectro de absorcin de un tomo de cloro. Los picos corresponden, en teora, al espectro discreto (series de Rydberg) del hamiltoniano; la amplia estructura de la derecha se asocia al espectro continuo (ionizacin). Los resultados experimentales asociados se han obtenido midiendo la intensidad de los rayos X absorbidos por un gas de tomos como funcin de la energa de incidencia de los fotones en eV.[2] Si el espacio vectorial es de dimensin infinita, la nocin de valores propios puede generalizarse al concepto de espectro. El espectro es el conjunto de escalares para el que inversa acotada. , no est definido, esto es, tal que T Id no tiene

Si es un valor propio de T, est en el espectro de T. En general, el recproco no es verdadero. Hay operadores en los espacios de Hilbert o Banach que no tienen vectores propios. Por ejemplo, tmese un desplazamiento bilateral en el espacio de Hilbert ; ningn vector propio potencial puede ser cuadrado-sumable, as que no existe ninguno. Sin embargo, cualquier operador lineal acotado en un espacio de Banach V tiene espectro no vaco. El espectro (T) del operador T V V se define como no es invertible Entonces (T) es un conjunto compacto de nmeros complejos, y es no vaco. Cuando T es un operador compacto (y en particular cuando T es un operador entre espacios finito-dimensionales como arriba), el espectro de T es igual que el conjunto de sus valores propios. En espacios de dimensin infinita, el espectro de un operador acotado es siempre no vaco, lo que tambin se cumple para operadores adjuntos propios no acotados. A travs de su medida espectral, el espectro de cualquier operador adjunto propio, acotado o no, puede descomponerse en sus partes absolutamente continua, discreta, y singular. El crecimiento exponencial proporciona un ejemplo de un espectro continuo, como en el caso anterior de la cuerda vibrante. El tomo de hidrgeno es un ejemplo en el que aparecen ambos tipos de espectro. El estado ligado del tomo de hidrgeno corresponde a la parte discreta del espectro, mientras que el proceso de ionizacin queda descrito por la parte continua. La notacin bra-ket, utilizada a menudo en este contexto, pone nfasis en la

diferencia entre el vector o estado y su representacin, la funcin E. En este contexto se escribe la ecuacin de Schrdinger

y se llama a un estado propio de H (que a veces se representa como en algunos libros de texto) que puede interpretarse como una transformacin en lugar de una representacin particular en trminos de operadores diferenciales. En la ecuacin expuesta, se interpreta como el vector obtenido por aplicacin de la transformacin H a .