Você está na página 1de 27

6 Transformações lineares

6.1 Transformações lineares: definição e propriedades.

Recorde que uma transformação ou função f : X Y é uma correspondência que associa a cada elemento x X (designado por objecto ) um único elemento y = f ( x ) Y (designado por imagem de x ). O conjunto X é designado por domínio de f , e Y diz-se o conjunto de chegada de f . Ao conjunto das imagens chamamos contradomínio ou imagem de f , e denotamos por f ( X ) ou Im ( f ) .

Exemplo 6.1. Seja f : R 2 R 3 definida por

f ( x, y ) = ( x y, 0, x + 2 y ) .

Então, o domínio de f é R 2 e o conjunto de chegada é R 3 .

Dado (1, 3) R 2 , a sua imagem é

f (1, 3) = (1 3 , 0 , 1 + 2 · 3) = (2 , 7) .

Se quisermos descrever o conjunto das imagens, observamos em primeiro lugar que, por definição,

Im ( f ) = { f ( x, y ) R 3 : ( x, y ) R 2 }

= {( x y, 0 , x + 2 y ) R 3 : x, y R} ⊂ R 3 .

Então, os elementos de Im ( f ) são vectores de R 3 da forma

( x y, 0 , x + 2 y ) = x (1 , 0, 1) + y (1 , 0 , 2) ,

x, y R,

ou seja, são as combinações lineares dos vectores (1, 0 , 1) e (1, 0, 2) . Logo,

Im ( f ) = span {(1 , 0, 1) , (1 , 0 , 2)} .

Dado que os dois vectores são linearmente independentes, vemos que geometricamente o contradomínio de f é o plano de R 3 definido pelos vectores (1 , 0, 1) e (1 , 0 , 2) .

No capítulo 1 de Vectores, na secção 1.6, estudámos as transformações lineares x A x . No próximo exemplo revemos estas funções:

Exemplo 6.2. Seja A = u 1 u 2 ···

u n uma matriz cujas n colunas são vectores

de

O

R m e f :R n R m a transformação definida por

f ( u ) = Au.

domínio de f é R n e o conjunto de chegada é R m . O conjunto das imagens é

Im ( f ) = {Au : u R n }⊂R m .

Ao considerar todos os vectores u = a 1

todas as combinações lineares dos vectores u 1 , u 2 ,

a 2

···

a n t em R n , as imagens Au são , u n :

a 1 u 1 + a 2 u 2 +···+ a n u n .

65

Portanto, o contradomínio de f é o espaço gerado pelas colunas de A , ou seja,

Im ( f ) = span{ u 1 , u 2 ,

, u k } .

Vimos também no teorema 1.41 que, dados vectores u e v em R m e r R, f tem as seguintes propriedades:

(1)

A ( u + v ) = Au + Av , i.e. f ( u + v ) = f ( u ) + f ( v ) ;

(2)

A ( ru ) = r ( Au ) , i.e. f ( ru ) = rf ( u ) .

O exemplo anterior é o primeiro exemplo de uma transformação linear : uma trans- formação entre espaços vectoriais que preservam a adição de vectores e a multiplicação de vectores por escalares. A definição geral é a seguinte:

Definição 6.3. Uma transformação linear T : U V entre dois espaços vectoriais U e V é uma função de U em V tal que:

(1)

T ( u + v ) = T ( u ) + T ( v ) ,

u, v U ;

(2)

T ( ru ) = rT ( u ) , r R, u U.

Dado u U , o elemento T ( u ) V designa-se por imagem (ou transformado) de u por meio de T .

Observação 6.4. É consequência imediata da definição que a imagem de qualquer combinação linear finita de elementos de U é a combinação linear das imagens de cada um destes elementos com os mesmos coeficientes, i.e.:

T ( a 1 u 1 + a 2 u 2 +···+ a n u n )= a 1 T ( u 1 )+ a 2 T ( u 2 )+···+ a n T ( u n ) , u i U, a i R.

Exemplos 6.5.

(a) Seja A uma matriz m × n e f : R n R m a transformação definida por

f ( u ) = Au.

Então, como vimos no exemplo 6.2, f é uma transformação linear.

Por exemplo, se

A =

0 1

1

1

1

2

1

1

1

então f : R 2 R 3 está definida por

f a b =

0

1

2

a

b

66

,

=

b

a b

2a + b

.

(b)

Consideremos a transformação T : R 2 R 3

 

T ( x, y ) =

(2x + y, y, x ) .

Vejamos que T é uma transformação linear:

 

(1)

Sejam u = ( x 1 , y 1 ) e v =( x 2 , y 2 ) vectores de R 2 . Então:

 

T ( u + v )=

T ( x 1 + x 2 , y 1 + y 2 )

=

(2( x 1 + x 2 )+( y 1 + y 2 ) , y 1 + y 2 , ( x 1 + x 2 ))

=

(2x 1 + y 1 +2 x 2 + y 2 , y 1 + y 2 , x 1 x 2 )

=

(2x 1

+

y 1 , y 1 , x 1 ) + (2 x 2 + y 2 , y 2 , x 2 )

=

T ( u )+ T ( v ) .

 
 

(2)

Sejam

u = ( x, y ) R 2 e r R. Então:

 

T ( ru ) = T ( rx, ry )

 

= (2rx + ry, ry, rx )

= r (2x + y, y, x ) = rT ( u ) .

Verificadas as duas propriedades, concluímos que T é transformação linear.

(c)

A função projecção T : R 3 R 2 , definida por

 

T ( x, y, z ) = ( x, y )

é uma transformação linear.

 

(1)

Se u = ( x 1 , y 1 , z 1 ) , v =( x 2 , y 2 , z 2 )R 3 , então

 

T ( u + v )= T ( x 1 + x 2 , y 1 + y 2 , z 1 + z 2 )=( x 1 + x 2 , y 1 + y 2 )

 

=( x 1 , y 1 )+( x 2 , y 2 )= T ( u )+ T ( v ) ,

 

(2)

Sejam u = ( x, y, z ) R 3 e r R. Então:

 

T ( ru ) = T ( rx, ry, rz )

 

= ( rx, ry ) = r ( x, y ) = rT ( u ) .

(d)

A função nula 0 : U V ,

 

0( u )=0 V ,

que transforma cada elemento de U no vector zero de V , é uma transformação linear:

0( u + v )=0 V =0 V +0 V = 0( u ) + 0( v ) ,

u, v U,

0( ru ) = 0 V = r 0 V = r 0( u ) ,

u U, r R.

67

(e) A função identidade id U : U U definida por id U ( u ) = u é claramente uma transformação linear:

id U ( u + v ) = u + v = id U ( u ) + id U ( v ) ,

u, v U,

id U ( ru ) = ru = rid U ( u ) , u U, r R.

(f ) A função f : R R, f ( x ) = x 2 , não é uma transformação linear. Por exemplo,

f ( x + y )=( x + y ) 2 = x 2 + y 2 = f ( x )+ f ( y ) .

(g) A função f : R 2 R 2 , definida por

f ( x, y ) = ( x y, x + 2)

não é uma transformação linear. Por exemplo, se u = ( x, y ) então

f (3u ) = f (3 x, 3 y ) = (3 x 3y, 3x + 2) ,

no entanto,

3 f ( u ) = 3( x y, x + 2) = (3x 3 y, 3 x + 6) = f (3u ) .

Proposição 6.6. Seja T : U V uma transformação linear. Então:

(1)

T (0 U )=0 V ;

(2)

T ( u v ) = T ( u ) T ( v ) ,

u, v U.

Observação 6.7. No exemplo 6.5 (g), f (0 , 0) = (0 , 2) = (0, 0) , pelo que reconfirmamos que f não é transformação linear. Mas atenção! A proposição anterior afirma que se T é uma transformação linear, então T (0 U )=0 V . No entanto, o contrário não é verdadeiro: se T é uma transformação tal que T (0 U ) = 0 V então T não é necessariamente uma transformação linear. Basta recordar o exemplo 6.5 (f ): f (0) = 0 e f não é transformação linear.

Definição 6.8. Seja T : U V uma transformação linear. A imagem ou contrado- mínio de T é o conjunto das imagens de T em V ,

Im ( T ) = {T ( u ) : u U } ⊂ V.

Designa-se por núcleo de T o conjunto de todos os vectores de E cujo transformado por meio de T é o vector nulo de V ,

Ker ( T ) = {u U : T ( u ) = 0 V } ⊂ U.

Observação 6.9. Recordando a propriedade (1) da proposição 6.6, concluímos que se T : U V é uma transformação linear então T (0 U )=0 V e, portanto,

0 U Ker ( T ) .

68

Exemplos 6.10.

(a)

Seja T : R 3 R 2 , a transformação definida por T ( x, y, z ) = ( x, y ) (recorde o exemplo 6.5 (c)). Então

Ker ( T ) = ( x, y, z )

R 3 : T ( x, y, z ) = (0 , 0)

= ( x, y, z ) R 3 : ( x, y ) = (0, 0) .

Logo,

( x, y, z ) Ker ( T ) ( x, y ) = (0, 0) x = y = 0.

Vemos que os zeros de T são todos os vectores de R 3 da forma

ou seja,

( x, y, z ) = (0, 0 , z ) = z (0, 0, 1) ,

z R

Ker ( T ) = span {(0 , 0 , 1)} .

(Interprete geometricamente este resultado.)

Para determinar o contradomínio necessitamos descrever o conjunto das imagens T ( x, y, z ) :

T ( x, y, z ) = ( x, y ) = x (1, 0) + y (0, 1)

Portanto,

Im ( T ) = span {(1, 0) , (0, 1)} = R 2 .

(b)

Se 0 : U V é a função nula definida no exemplo 6.5 (d), então claramente

Ker (0) = U,

Im (0) = {0 V } .

Por outro lado, a função identidade id U : U U verifica

Ker ( id U )={0 U } ,

Im ( id U ) = U.

Nos exemplos anteriores observamos que Ker ( T ) e Im ( T ) são sempre subespaços vectoriais do domínio e do conjunto de chegada, respectivamente. Trata-se de uma propriedade básica destes conjuntos:

Proposição 6.11. Seja T : U V uma transformação linear. Então, Ker ( T ) é subes- paço de U e Im ( T ) é subespaço de V .

Na próxima secção veremos que qualquer transformação linear pode ser representada por uma matriz e que, portanto, o estudo destas funções é equivalente ao estudo das respectivas matrizes.

69

6.2 Matriz de uma transformação linear

No capítulo de vectores (secção 1.8) e, mais geralmente, no capítulo de espaços e subespaços vectoriais (secção 4.4), vimos que um vector u U num espaço vectorial U

representa-se de forma única com coordenadas com respeito a uma base B = {e 1 , fixada em U . Ou seja, se

, e n }

c 1 ,

u = c 1 e 1 +···+ c n e n ,

, c n são as coordenadas de u com respeito a B e a notação usada é

u B =( c 1 ,

,

c n ) B .

A seguinte proposição diz que qualquer transformação linear pode ser representada por uma matriz.

}

bases fixadas em U e V , respectivamente. Seja T : U V uma transformação linear. Então, a matriz A do tipo m × n cujas colunas consistem nas coordenadas dos vectores

T ( e 1 ) ,

Teorema 6.12. Sejam U

e V espaços vectoriais, B = {e 1 ,

, e n } e B ={e

1

,

, e

m

, T ( e n ) em relação à base B , i.e.

A = T ( e 1 ) B

T ( e 2 ) B

···

T ( e n ) B m × n .

é a única matriz que satisfaz

[ T ( u )] B = A ( u B ) ,

para todo u U .

Designa-se a matriz A por matriz da transformação T em relação às bases

B e B e denota-se

Observação 6.13. O teorema 6.12 diz-nos que, conhecida a matriz A , podemos deter- minar T ( u ) calculando [ T ( u )] B através do produto de matrizes Au B . Para poder determinar a matriz de uma transformação linear T : U V , é preciso conhecer T e as bases B e B fixadas em U e V , respectivamente. Ou seja, a matriz de T depende de T , B e B , e até da ordem dos vectores das bases B e B (se alterarmos a ordem dos vectores nalguma das bases, a matriz também se altera).

Exemplo 6.14. Consideremos a transformação T : R 2 R 3

por A = M ( T ; B, B ) .

T ( x, y ) = (2x + y, y, x )

do exemplo 6.5 (b). Resolvamos o seguinte exercício, de forma a melhor entender o teorema 6.12:

(i)

Calcule A = M ( T ; B 1 , B 2 ) , onde B 1 = {(1, 0) , (0, 1)} é a base canónica de R 2 e B 2 = {(1, 0 , 0) , (0 , 1 , 0) , (0, 0 , 1)} a base canónica de R 3 .

(ii)

Calcule A = M ( T ; B 3 , B 4 ) , onde B 3 = {(1, 1) , (0, 2)} e B 4 = b.c. de R 3 .

(iii) Calcule T (1 , 2) , usando a expressão analítica de T .

70

(iv)

Calcule T (1, 2) , usando a matriz A .

(v)

Calcule T (1, 2) , usando a matriz A .

Resolução:

(i)

Pelo teorema 6.12, a matriz da transformação T com relação às bases B 1 = b.c.

e B 2 = b.c. de R 2 e R 3 , respectivamente, tem nas colunas as coordenadas dos vectores T (1, 0) e T (0, 1) com respeito à base B 2 . Temos:

T (1, 0) = (2, 0 , 1) ,

T (0, 1) = (1 , 1, 0)

Como B 2 é a base canónica de R 3 , os vectores obtidos já estão com coordenadas com respeito a B 2 , i.e.:

(ii)

Logo,

T (1 , 0) B 2 = (2, 0, 1) B 2 ,

T (0, 1) B 2 = (1, 1, 0) B 2 .

A = M ( T ; B 1 , B 2 )=

2 1

0

0

1

1

.

A matriz A = M ( T ; B 3 , B 4 ) é a matriz cujas colunas são as coordenadas de T (1, 1) e T (0 , 2) com respeito à base B 4 . Calculemos T (1, 1) e T (0, 2) :

T (1, 1) = (3, 1 , 1) ,

T (0, 2) = (2 , 2, 0)

Tal como na alínea anterior, como B 4 é a base canónica de R 3 , os vectores obtidos já estão com coordenadas com respeito a B 4 , i.e.:

(iii)

Então,

T (1 , 1) B 4 = (3, 1, 1) B 4 ,

T (0, 2) B 4 =

A = M ( T ; B 3 , B 4 )=

3 2

1 2

0

1

(2, 2, 0) B 4 .

.

Recorrendo à expressão analítica de T , obtemos:

T (1 , 2) = (2 · 1 + 2 , 2 , 1) = (4, 2 , 1) .

(iv)

Como B 1 e B 2 são as bases canónicas, e (1, 2) = (1, 2) B 1 , pelo teorema 6.12,

a multiplicação de A por 1 B 2 = b.c. de R 3 :

T (1, 2) = A

1

2

=

2 t é igual a T (1, 1) com coordenadas na base

2

0

1

1

1

0

71

1

2

=

4

2

1

= (4, 2 , 1) .

(v) Neste caso, dado que a base do domínio de T é B 3 , há que fazer a multiplicação de A pelo vector (1, 2) representado com coordenadas na base B 3 . Ora,

(1 , 2) = 1 · (1, 1) + 1 2 · (0, 2) = 1 ,

1

2 B 3

.

Então, pelo teorema 6.12, a multiplicação de A por 1 , 1 2 B 3 dá-nos o valor de T (1, 2) com coordenadas na base B 4 = b.c. de R 3 :

T (1, 2) = A

1

1

2

B 3

=

3

1

1

2

2

0

1

1

2

B 3

=

4

2

1

= (4, 2 , 1) .

B 4

Exemplo 6.15. Consideremos a transformação T : R 3 R 3 definida pela matriz

A = M ( T ; B, B ) =

1

0

1

0

1

0

1

0

2

,

onde B é a base canónica de R 3 . Resolvamos o seguinte exercício:

(i)

Determine a expressão analítica de T , T ( x, y, z ) .

(ii)

Calcule A = M ( T ; B 1 , B 2 ) , onde B 1 = B e B 2 = {(1, 0 , 1) , (1, 0 , 0) , (0 , 1 , 1)} .

(iii)

Calcule

A = M ( T ; B 3 , B 4 ) , onde B 3 = {(2 , 0 , 0) , (1, 1 , 1) , (0, 0 , 1)} e B 4 =

{(1, 0 , 1) , (1, 0 , 0) , (0 , 1 , 1)}.

(iv)

Calcule T (1 , 1, 1) , usando a matriz A .

(v)

Calcule T (1 , 1, 1) , usando a matriz A .

Resolução:

(i)

Dado um vector arbitrário u = ( x, y, z ) R 3 representado na base canónica de R 3 , a expressão geral de T calcula-se efectuando o produto matricial:

Ou seja,

Au =

1

0

1

0

1

0

1

0

2

  

x

y

z

=

x z

y

x 2 z

.

T ( x, y, z ) = ( x z, y, x 2 z ) .

(ii)

A matriz A = M ( T ; B 1 , B 2 ) é a matriz cujas colunas são as coordenadas de T (1, 0, 0) , T (0, 1 , 0) e T (0, 0, 1) com respeito à base B 2 . Primeiro calculamos es- tas 3 imagens. Para tal, basta observar que a matriz A tem nas colunas estes 3 vectores, já que A é a matriz de T em relação à b.c. de R 3 . Logo,

T (1, 0 , 0) = (1 , 0 , 1) ,

T (0, 1 , 0) = (0, 1, 0)

T (0, 0 , 1) = (1, 0, 2) .

72

(Alternativamente, podíamos ter utilizado a expressão analítica de T calculada em (i) para obter estes 3 vectores.)

Os vectores obtidos estão com coordenadas com respeito à b.c., pelo que há que escrevê-los com coordenadas na base B 2 . Efectuando os cálculos necessários, ob- temos:

(1, 0 , 1) = 1

(0, 1 , 0) = 1 · (1, 0 , 1) 1 · (1, 0 , 0) + 1 ·

· (1, 0 , 1) + 0 · (1, 0 , 0) + 0 · (0 , 1, 1) = (1 , 0, 0) B 2 ,

(0 , 1, 1) = (1, 1, 1) B 2 ,

(1 , 0 , 2) = 2 · (1, 0 , 1) + 1 · (1, 0 , 0) + 0 · (0, 1 , 1) = (2 , 1 , 0) B 2 .

(iii)

Então,

A = M ( T ; B 1 , B 2 )=

1

0

0

1

1

1

2

1

0

.

A matriz A tem nas colunas as coordenadas dos vectores T (2 , 0 , 0) , T (1, 1, 1) e T (0, 0 , 1) com respeito à base B 4 . Temos

T (2 , 0 , 0) = (2, 0, 2) ,

T (1, 1 , 1) = (0, 1 , 1)

T (0, 0 , 1) = (1 , 0 , 2) .

Passando a coordenadas na base B 4 , obtemos

(2 , 0 , 2) = 2 · (1, 0, 1) + 0 · (1, 0, 0) + 0 · (0, 1 , 1) = (2 , 0 , 0) B 4 ,

(0, 1 , 1) = 0 · (1, 0 , 1) + 0 · (1, 0 , 0) + 1 ·

(0, 1, 1) = (0, 0, 1) B 4 ,

(1 , 0 , 2) = 2 · (1, 0 , 1) + 1 · (1, 0, 0) + 0 · (0, 1 , 1) = (2 , 1 , 0) B 4 ,

(iv)

e logo,

A = M ( T ; B 3 , B 4 )=

2

0

0

0

0

1

2

1

0

.

Para calcular T (1 , 1 , 1) usando a matriz A , basta efectuar a multiplicação:

1

A 1 = 0

1

1

1

0

1

0

Portanto, T (1 , 1, 1) = (0 , 1 , 1) .

1

0

2

  

1 = 1 .

1

1

0

1

(v) Para calcular T (1, 1 , 1) usando a matriz A , é primeiro necessário escrever o vector (1, 1, 1) com coordenadas na base B 3 :

(1 , 1 , 1) = 1 · (2 , 0 , 0) 1 · (1, 1 , 1) + 2 · (0, 0 , 1) = (1 , 1 , 2) B 3 .

73

Agora, calculamos o produto A (1 , 1 , 2) B 3 , cujo resultado nos dá a imagem de (1, 1 , 1) com coordenadas na base B 4 , i.e. [ T (1, 1 , 1)] B 4 :

A

1

1

2

B 3

=

2

0

0

0

0

1

2

1

0

  

1

1

2

B 3

=

2

2

1

.

B 4

Podemos agora escrever T (1 , 1, 1) na base canónica,

(2, 2 , 1) B 4 = 2 · (1, 0 , 1)

+ 2 · (1, 0 , 0) 1 · (0, 1 , 1) = (0, 1, 1) ,

o que confirma o resultado obtido na alínea anterior.

Finalmente, vemos os casos especiais das transformações nula e identidade:

Exemplo 6.16. Consideremos as transformações nula 0 : U V e identidade id U :

U U . Fixadas bases B = { e 1 ,

temos para todo i = 1,

, e m } em U e V , respectivamente,

, e n } e B ={e 1 ,

, n,

0( e i )=0 V (0( e i )) B = (0 V ) B =0e 1 +···+0 e m = (0,

, 0) B

e

id U ( e i )= e i ( id U ( e i )) B =( e i ) B =0e 1 +···+1 e i +···+0 e n = (0,

, 1 ,

,

0) B .

Logo, as matrizes de 0 e id U em relação às bases fixadas são, respectivamente,

e

M (0; B, B )=  

M ( id U ; B, B ) =

0

.

.

.

0

1

0

.

.

.

0

0

.

0

0

1

.

0

···

···

···

···

···

0

.

0

0

0

.

1

=0 m × n

m × n

n × n

= I n × n .

Os resultados obtidos não surpreendem, dadas as transformações em causa.

O próximo resultado é muito útil, pois diz-nos como interpretar os subespaços nú- cleo e imagem de uma transformação linear em termos de uma qualquer matriz que a represente. Recorde do capítulo de espaços e subespaços as noções de espaço das colunas e espaço nulo de uma matriz, C ( A ) e N ( A) (secção 4.2).

Proposição 6.17. Seja T : U V uma transformação linear, e A = M ( T ; B, B ) a

matriz de T em relação a bases fixadas B = {e 1 , respectivamente. Então:

, e n } e B ={e

1

,

, e n } de U e V ,

74

(1)

Im ( T ) = C ( A ) .

(2)

Ker ( T ) = N ( A ) .

Em particular,

dim Im ( T ) = r ( A )

e

dim Ker ( T ) = n ( A ) .

Como consequência desta proposição, podemos reenunciar o teorema da dimensão para transformações lineares (recorde o teorema ??):

Teorema 6.18 (Teorema de dimensão ). Sejam T : U V uma transformação linear e A a matriz de T em relação às bases B e B de U e V , respectivamente. Se n = dim U e m = dim V , então A é uma matriz m × n e verifica-se:

n = dim Im ( T ) + dim Ker ( T ) = r ( A) + n ( A ) .

Exemplo 6.19. Consideremos a transformação linear T : R 3 R 2 definida por

T ( x, y, z ) = ( y, x )

Calculemos a matriz de T em relação às bases B = b.c. de R 3 e B = b.c. de R 2 :

Então

T (1, 0 , 0) = (0, 1) ,

T (0, 1 , 0) = (1, 0) ,

A = M ( T ; B, B )=

0

1

1

0

T (0, 0, 1) = (0 , 0) .

0

0

.

Calculamos em primeiro lugar Ker ( T ) = N ( A) :

0

1

1

0

0

0

0

0

L 2 1

0

L 1

0

1

0

0

0 x =0 y =0

0

Então, os vectores do núcleo são da forma (0 , 0, z ) , com z R e, portanto,

Ker ( T ) = span{(0, 0 , 1)}

e

dim Ker ( T ) = 1 .

Determinamos agora o contradomínio Im ( T ) = C ( A ) . Ao colocar a matriz em escada para calcular Ker ( T ) , vemos que as 2 primeiras colunas de A são linearmente indepen- dentes. Logo,

Im ( T ) = span{(0, 1) , (1 , 0)}

e dim Im ( T ) = 2. Em particular, confirma-se o teorema da dimensão:

n = 3 = dim Im ( T ) + dim Ker ( T ) = 2 + 1.

75

Exemplo 6.20. Consideremos a transformação do exemplo 6.15, T : R 3 R 3 definida pela matriz

A = M ( T ; B, B ) =

1

0

1

0

1

0

1

0

2

,

onde B é a base canónica de R 3 . Calculamos Ker ( T ) = N ( A ) :