Resumen Personal Abstrlgebra 1

MDULO 2: Aritmtica de los nmeros enteros

1. El anillo de los nmeros enteros
La terna (Z,+,) (Nmeros enteros, suma, multiplicacin) se puede sumar y multiplicar y
de ello se desprende que se trata de un anillo conmutativo con unidad; dado que cumple
las propiedades siguientes para la suma:
Asociativa a+(b+c)=(a+b)+c
Conmutativa a+b=b+a
Existencia de elemento neutro (el 0)
Existencia de elemento inverso (-a)
Y las siguientes para el producto:
Asociativa (ab)c=a(bc)
Conmutativa ab=ba
Existencia de elemento neutro (el 1)
Y para ambas operaciones cumple la propiedad distributiva a(b+c)=ab+ac
En Z tenemos una relacin de orden total
2. Divisibilidad
Sean a y b dos nmeros enteros diremos que a divide a b si existe otro entero x, tal que
ax=b; entonces a|b; as 16|64; pero 16|50. De lo cual deducimos las siguientes proposiciones:
1|a, para todo a que pertenezca a los nmeros enteros.
a|0, para todo a perteneciente a los nmeros enteros y distinto de cero.
Relacin de divisibilidad reflexiva: a|a
Y adems transitiva; si a|b|c, entonces a|c.
Linealidad: si a|b y a|c, entonces a|bx+cy, para todo x e y nmeros enteros.
El Teorema de la divisin entera nos dice que dados dos nmeros enteros, a y b,
existen otros dos enteros nicos q y r que satisfacen que a = bq + r ; los enteros q y r se
llaman respectivamente cociente y residuo de la divisin entera entre a y b.
El mximo comn divisor es aquel divisor de ambos nmeros estrictamente positivo y
siendo el mayor que podemos encontrar. En caso que el mximo comn divisor (en adelante
mcd) sea 1, estaremos hablando de nmeros primos entre s. Deducimos de ellos la
proposicin que dice que mcd(a,b)=mcd(b,a-b) y tras ello pasamos a el Algoritmo de Euclides.
El Algoritmo de Euclides consiste en aplicar la proposicin anterior tantas veces como
sea necesario hasta entontrar el mcd de dos nmeros; la identidad de Bzout dice que
dados dos nmeros enteros a y b y un mcd(a.b)=d, entonces existe dos enteros x e y que
satisfacen que d= ax+by; y para sistematizar estas operaciones es conveniente utilizar el

siguiente cuadro:
Por ejemplo, calculamos el mcd(4999,1109) y escribimos la identidad de Bzout, para
llegar al resultado final que es mcd(4999,1109)=1=4999522+1109(-2353), utilizamos el
cuadro anterior:

Resumen Personal Abstrlgebra 2

El Mnimo comn mltiplo de dos enteros positivos a y b, es el nmero entero

positivo mnimo que es al mismo tiempo mltiplo de a y b, y lo denotaremos por mcm(a,b), y
equivale a:
120

mcm(a,b)= |ab| / mcd(a,b) ; por tanto

mcm(-60,24)= 6024 / mcd(60,24)= 1440/12=

Las Ecuaciones diofnticas son ecuaciones polinmicas con coeficientes enteros de la

que nos interesa conocer las soluciones enteras, tienen la forma xn+yn=zn
Explica tambin dicha ecuacin que ax+by=c, tiene alguna solucin perteneciente a los
nmeros enteros si y solo si d=mcd(a,b)|c; y en este caso los resultados quedaran:
x=x0 b/dt
y=y0+a/dt
siendo t un entero arbitrario.
As 93x-81y=15; como mcd(93,81)=3|15;nos queda que x=35+27t e y=40+31t
3. Nmeros primos y factorizacin de enteros
Cualquier nmero entero mayor que 1 se puede escribir como producto de nmeros
primos. Un nmero entero es primo, si los nicos divisores que tiene son 1 y el mismo nmero;
es compuesto si no es primo. Todo nmero entero mayor que 1 o es un nmero primo o es
producto de nmeros primos.
El lema de Gauss dice que si un primo divide un producto de enteros (p|ab), entonces
el primo debe dividir algn factor (f|a o f|b).
El teorema fundamental de la aritmtica dice que todo entero mayor o igual que
dos, factoriza como producto de primos; esta factorizacin es nica excepto el orden en el que
escribimos los primos. As por ejemplo 60= 2235.; as obtenemos que en dos nmeros enteros
para calcular el mximo comn divisor, deben tomarse los primos comunes de las dos
descomposiciones elevador al menor exponente. Y para obtener el mnimo comn mltiplo, se
calcula tomando los primos de las dos descomposiciones elevado cada uno al mximo
exponente.
El teorema de Euclides explica que existen infinitos nmeros primos, cosa que ya
saban los griegos veinte siglos atrs; pero adems como todo entero compuesto n tiene un
factor primo menor o igual que raiz de n. Para encontrarlo utilizamos la criba de Erstenes
que da como resultado el conjunto de todos los nmeros primos inferiores a uno ya dado. Por
ejemplo, para llegar a 100, ponemos en la lista para empezar solo los impares, pues todos los
pares a excepcin del 2 son compuestos. Luego el primer nmero no tachado es primo (el 3) el
siguiente tampoco (5), el siguiente tampoco (7) y el siguiente es mltiplo de 3 (el 9),.
Tachamos entonces todos los mltiplos de 3, y as con el 5, el 7, etc.; y evidentemente nos
damos cuenta que la cantidad de nmeros primos es infinita.
La relacin de congruencia nos dice que sea m un entero positivo; diremos que dos
enteros a y b son congruentes mdulo m si la diferencia a-b es mltiplo de m, o de forma
equivalente, si m divide la diferencia a-b. Se denota as: ab(mod m). Esta relacin de
congruencia cumple las propiedades reflexiva, simtrica y transitiva; y coo adems se puedem
sumar y multiplicar trmino a trmino; adems podemos simplificar las congruencias; ya que
rarb(mod m) es lo mismo que ab(mod m/d).
Entre las clases de congruencia, destaca que un sistema completo de
representantes modulo m es un conjunto S de m enteros tal que cualquier otro entero es
congruente con un entero de S exactamente.
4. Anillos de enteros modulares
Los enteros modulares son invertibles en ocasiones, y si son invertibles solo tienen un
inverso; en caso de que una clase sea invertible, se puede calcular su inverso aplicando el
algoritmo de Euclides extendido; en anillo de Zm es un cuerpo si, y solo si, el entero m es un
nmero primo.

Resumen Personal Abstrlgebra 3

5. La funcin de Euler
Es una funcin definida para los enteros positivos y que toma valores enteros positivos.
Para el Teorema de Fermat es conveniente revisar el ejemplo 22 de la pgina 43.

Resumen Personal Abstrlgebra 4

MDULO 3: Matrices, vectores y sistemas de ecuaciones lineales

1. Matrices
Denominamos sistema compatible al sistema de ecuaciones que admite soluciones y
que, adems, satisfacen al sistema. En caso contrario, se denominan incompatible (rectas
paralelas). Dentro del sistema compatible puede ser determinado si tiene una nica solucin
(rectas que se cortan en un punto), e indeterminado si tiene infinitas (misma recta).
Una matriz m x n es una tabla de nmeros que se disponen en m filas y n columnas. Se
define el producto de matrices de una matriz de m filas y k columnas por otra matriz de k
filas y n columnas.
La matriz ampliada de un sistema de ecuaciones se obtiene a partir de la matriz del
sistema, aadiendo la columna de los trminos independientes.
La suma de matrices se obtiene sumando los elementos correspondientes, elemento a
elemento y se realiza en dos matrices m x n. Esta suma tiene las propiedades asociativa,
elemento neutro, elemento opuesto y conmutativa; por lo que constituye un grupo
conmutativo.
Las matrices cuadradas son aquellas que tienen el mismo nmero de filas que de
columnas; en este contexto, la matriz identidad es la que est constituida por unos en la
diagonal principal y ceros en todo el resto. Ojo, el producto de matrices no es conmutativo.
La transpuesta de una matriz es la resultante de intercambiar los elementos de las filas
por los de las columnas. Una matriz que es igual a su transpuesta es una matriz simtrica.
Tambin tienen inters las matrices con la propiedad de que su transpuesta es igual a su
opuesta; en este caso diremos que la matriz es antisimtrica y, en este caso, tienen
necesariamente ceros en la diagonal principal.
2. El mtodo de Gauss
El mtodo de Gauss consiste en ir transformando el sistema de partida en otro
equivalente, de tal modo que nos acerquemos, paso a paso, a un sistema con ceros en la parte
inferior izquierda. Existen, para conseguir esto, varias transformaciones empleadas:
a) Permutar dos filas entre s.
b) Aadir a una fila una paralela previamente multiplicada por un nmero.
c) Multiplicar (o dividir) una fila por un nmero diferente de cero.
El nmero sobre el cual hacemos el paso b, se llama pivote; y el pivotar cambiando la fila
en la que se produce la permutacin de tal forma que este pivote siempre quede en la diagonal
de la matriz se llama pivotamiento total; que se supone tiene que tener alguna utilidad pero a
m me parece una gilipollez.
Hay que tener cuidado cuando la solucin no es nica en sustituirla por una variable t sobre
la que giran el resto de las soluciones.
3. Teorema de Rouch-Frbenius
Un sistema de ecuaciones lineales es compatible, si el rango de la matriz del sistema es
igual al rango de la matriz ampliada, y es incompatible en caso contrario (para esto hay que
saber que el rango de una matriz es igual al nmero de vectores fila diferentes de cero que
hayan quedado despus de la reduccin completa por Gauss.
El nmero de grados de libertad de un sistema compatible, o nmero de parmetros del
que depende la solucin del sistema, es igual al nmero de incgnitas menos el rango de la
matriz del sistema.
Se denominan sistemas homogneos aquellos en los que el trmino independiente es
0. En este caso existe, obviamente la solucin trivial, de que todo es 0; pero nos interesa que
tenga tambin soluciones propias, dando un valor t a la variable que consigamos despejar.
4. Determinantes y Regla de Cramer
La regla de Cramer para resolver sistemas de ecuaciones unida a las frmulas
anteriores nos permite decidir si el sistema es compatible o incompatible. Siempre que la
solucin de un determinante (el formado por
las columnas de las incgnitas) sea distinto de
0 el sistema es compatible. Si es de 2x2 se
resuelve de manera sencilla restando la

Resumen Personal Abstrlgebra 5

diagonal de izquierda a derecha de la diagonal contraria. En caso de que el sistema tenga 3

incgnitas o sea, un determinante 3x3, se resuelve de la forma que se ve en la imagen de la
izquierda.
Propiedades de los determinantes encontramos varias:
Desarrollo por una fila (o columna) adjunto. El valor de un determinante es igual a la
suma algebraica de los productos de los elementos de una fila (o columna) cualquiera,
por los menores complemetarios correspondientes, afectados de un signo segn la
posicin (-1)i+j que tengan.
Transponer: El valor del determinante de una matriz es igual al de su traspuesta, es
decir, no vara al intercambiar filas y columnas.
Permutar filas o columnas: Al intercambiar entre s dos filas o dos columnas, el valor de
un determinante cambia de signo.
Filas o columnas iguales: Un determinante que tenga dos filas o columnas iguales, vale
0.
Suma de determinantes parecidos: La suma de dos determinantes que tengan las filas
(o columnas) comunes excepto una, es igual al determinante que se obtiene con las
filas comunes y la fila no comun formada por la suma de los elementos
correspondientes de los determinantes que sumamos.
Multiplicacin de una fila o columna por un escalar: Si multiplicamos todos los
elementos de una fila o columna por un escalar, el determinante queda multiplicado por
el mismo nmero.
Aadir una fila multiplicada por un escalar a una paralela: Un determinante no vara si
aadimos a una fila (o columna) los elementos de una paralela multiplicados por una
misma constante (en esto aplicamos el mismo teorema de Gauss para la resolucin de
ecuaciones matemticas).
Elementos de una fila (o columna) por los adjuntos de una paralela): La suma de los
elementos de una fila (o columna) por los adjuntos de una paralela, vale 0.
Determinante de un producto de matrices cuadradas: El determinante de un producto
de matrices es igual al producto de los determinantes de cada matriz; as Det (AB) =
Det A Det B.
La regla de Cramer aplicada a determinantes NxN resulta de la siguiente forma:
Primero es necesario comprobar que el resultado del determinante NxN es distinto
de 0, lo cual nos dar como resultado un sistema compatible.
Para hallar por ejemplo la primera incgnita, bastar con resolver el determinante
constituido por el trmino independiente en la columna de esa incgnita y el resto
de columnas; dividido por el resultado del determinante NxN.
As se har sustituyendo el trmino independiente en cada columna y resolviendo.
5. La Matriz inversa
Diremos que la matriz cuadrada A tiene inversa si hay una matriz que denotaremos
como A-1, que verifica que: A A-1 = A-1 A = 1. Se obtiene la matriz inversa de una matriz
cuadrada (siempre es condicin necesaria y suficiente que su determinante valga distinto de
cero), ampliandola con la matriz identidad y haciendo ceros la inicial hasta obtener la
identidad. El reflejo que se produce en la inicialmente matriz identidad es la matriz inversa. Es
difcil de conseguir, quiero decir, requiere bastantes operaciones para lo poco ltil que nos
resulta.

Resumen Personal Abstrlgebra 6

MDULO 4: Aplicaciones lineales

1. Vectores
En este apartado, nos interesa remarcar el hecho de lo que definimos como vector libre,
y es una clase de equivalencia en el conjunto F con la relacin R anterior; dicho en otras
palabras, un vector libre es un vector que tiene la posibilidad de moverse paralelamente a s
mismo (manteniendo, eso s, la direccin, el sentido y el mdulo); estas operaciones dotan al
conjunto de los vectores libres de una estructura de espacio vectorial.
El cambio de base es otro aspecto fundamental en lo que respecta a los vectores; en el
espacio vectorial hay muchas bases, y por cuestiones de algn problema o resolucin del
mismo, puede ser interesante cambiar un vector de una base a otra. Y debemos poner especial
nfasis en la matriz que recibe el nombre de matriz del cambio de base.
2. Aplicaciones lineales
Las aplicaciones entre espacios vectoriales son fundamentales, dado que muchas
transformaciones habituales entre vectores del plano o del espacio como los giros, simetras,
etc, se pueden estudiar desde un punto de vista ms general.
Una aplicacin de un espacio vectorial en otro espacio vectorial es una aplicacin
lineal cuando se cumplen dos condiciones:
1. f(u+v)=f(u)+f(v); para todo u y v que pertenezcan al espacio vectorial inicial o de
salida.
2. f(ku)=k(f(u); para todo k que pertenezca a los nmeros reales y toda y que
pertenezca al espacio vectorial inicial o de salida.
Grosso modo, siempre diremos que una aplicacin de un espacio vectorial en otro es
aplicacin lineal cuando sus componentes son combinacin lineal unos de otros..
La matriz de una aplicacin lineal de bases dadas se construye poniendo en
columna las imgenes de los vectores de la base del espacio de salida, en componentes en la
base del espacio de llegada; siempre que podamos tomaremos la matriz cannica.
El ncleo de una aplicacin lineal es resolver el producto de matrices consiste en
multiplicar la matriz de la que buscamos el ncleo, por las incgnitas necesarias, igual a 0. Esto
da lugar a 3 condiciones que deben cumplir las aplicaciones lineales de un espacio vectorial de
salida sobre otro:
1. La funcin entre ambos en inyectiva.
2. Ker f={0}
3. La matriz de la aplicacin tiene rango n.
El cambio de bases en una aplicacin lineal se realiza haciendo P ab-1 M Pba

Resumen Personal Abstrlgebra 7

3. Diagonalizacin de matrices
La cuestin de la diagonalizacin de matrices es interesante, pues en algunos casos nos
interesar encontrar la matriz caracterstica de una aplicacin dada en unas determinadas
bases de tal forma que sea diagonal (es decir tenga solo elementos distintos de 0 en la
diagonal principal).
Se dice que un vector x distinto de 0 es un vector propio del endomorfismo f cuando
existe un numero real k, que recibe el nombre de valor propio asociado al vector propio x, tal
que f(x)=kx.
Vamos por tanto, a encontrar la matriz diagonal asociada a una aplicacin con un
ejemplo:
1. Tenemos por tanto la matriz asociada a una aplicacin siguiente

2
3

2. Sabemos entonces que como |A-I|= 0; por tanto:

2

0
1
k
3
0

0
2k
0 ; a lo que llegamos como:
1
3

0
0
3 k

3. Obtenemos as la ecuacin:
(-2-)x + 0y = 0
3x + (3-)y = 0
desarrollndola obtenemos que:
=-2 y =3; Para estos dos valores sustituimos en la
ecuacin y obtenemos lo siguiente:
=-2;
0x+0y=0
3x + (5)y = 0; Sustituyendo la y por un valor cualquiera t al tener un grado de libertad de
movimiento, es lo mismo que:

y=t; x=-5/3t ; o lo que es lo mismo y para quitarnos de encima la fraccin, obtenemos

para el otro valor de =3 y de forma anloga, obtenemos ;

1
4. Pues bien, como sabemos que la matriz que buscamos B, es igual a B = P-1AP; o lo que es
lo mismo, la matriz de la aplicacin A que buscamos como diagonalizable es igual a la matriz
inversa de cambio de base obtenida por el procedimiento anterior, por la matriz A en s, y por
la matriz de cambio de base obtenida anteriormente; as nos queda:
5
B=
3

0 2

1 3

0 5

3 3

0
1/ 5

1
3/ 5

0 2

1 3

0 5

3 3

0
2

1
0

De esta diagonalizacin y de su resultado extraemos las siguientes consecuencias:

Los veps asociados al vap y que nos ayudan a la realizacin de la diagonalizacin de
matrices, siempre, repito, siempre son lianealmente independientes.
Si una matriz tiene vaps reales y diferentes, siempre es diagonalizable.
Si una matriz tiene algn vap complejo, no es diagonalizable dentro del campo real.
Para la potenciacin de matrices, es suficiente seguir las siguiente frmula:

Tn= P Dn D P-1 ; donde T es la potencia que buscandos, P y P n-1 lo teniamos del caso anterior y
D es la matriz diagonalizable. Si en el ejemplo anterior teniamos que:

0
1/ 5

3
3/ 5

0 5

3 3

Resumen Personal Abstrlgebra 8

entonces como T = P D D P

-1

2
;
3

5
3

2 20

3 20

1/ 5

3/ 5

4. Las matrices simtricas

Toda matriz simtrica es diagonalizable dentro del campo real; esto se deduce a travs
de una demostracin realizada en los apuntes; se deduce al final de todo que el discriminante
(lo que queda dentro de la raiz cuadrada) no tiene problema mientras se mantenga positivo, y
lo ser, excepto el problema puede venir cuando sea igual a 0; pero en ese caso se deduce que
la matriz inicialmente ya era diagonal al principio. Por ello, deducimos tambin que el
polinomio caracterstico de una matriz simtrica tiene todas las raices reales.
4.1. Espacios vectoriales euclidianos
Hasta ahora, hemos estado hablando de vectores, ms desde el punto de vista de las
matrices y el apartado matemtico que el puramente espacial. Para cambiarlo un poco, jeje,
amos a introducir el concepto de producto escalar.
Dados dos vectores, se define el producto escalar de dos vectores, como el producto de
los mdulos (longitud) por el coseno del ngulo que forman
u v = |u| |v| cos (a)
Esta definicin anterior cumple las propiedades:
1. u v = v u
2. (ku)v = k(uv)
3. (u+v) w = u w + v w
4. u u >=0,para todo u distinto de 0. si u u =0; entonces u = 0.
Dados dos vectores, definiremos su producto escalar como:
(u1, u2)(v1,v2)=u1v1+u2v2
4.2. Norma y ngulo
Se define lanorma de un vector, como la raz cuadrada del producto escalar del vector
por s mismo:
||u|| = uu
Se dice que un vector est normalizado cuando tiene norma 1. Es facil de obtener, basta
dividir cada elemento que compone el vector por la norma hallada; as el vector normalizado
de u (llammosle W) sera:
w=

u
;
|| u ||

En un espacio vectorial euclidiano, definimos el ngulo a entre dos vectores no nulos, u

y v como:

uv
; la fraccin dada ser un nmero lgicamente comprendido entre -1
|| u |||| v ||
y 1; y de aqu desprendemos un caso especial y es cuando vale 0. en ese caso, si el cos a vale
0 es que el ngulo es de 90, y entonces diremos que los vectores son ortogonales. Por tanto,
el producto escalar de dos vectores ortogonales es igual a 0. Por tanto, para comprobar que
dos vectores son ortogonales, basta hacer su producto escalar y ver si es igual a 0, como en
este ejemplo:
u = (1,2) y v= (2, -1) ; uv=(1,2)(2,-1)= 12 21=0; son ortogonales, su ngulo es de
90.
cos a =

Una base ortonormal es aquella en la que los vectores son unitarios (estn
normalizados) y forman un ngulo de 90. Por tanto, su norma es igual a 1 y su producto
escalar es 0. Tambien tenemos que saber, por tanto, que un conjunto de vectores no nulos,
ortogonales dos a dos, es un conjunto de vectores linealmente independientes.