2. ¿Qué es un Vector?

Descripción de la cápsula

En esta cápsula vas a construir la definición fundamental: qué es un vector. No vamos a llenarte de fórmulas ni de álgebra lineal formal; vamos a darte la intuición geométrica clara: un vector es una entidad que tiene dirección y magnitud, y se representa con coordenadas numéricas.

Esta es la base de todo. Sin entender qué es un vector, no podrás entender espacios vectoriales (Módulo 2), similaridad (Módulo 3), búsqueda (Módulo 4), embeddings (Guía #6) ni RAG (Módulo 7). Aquí construimos el bloque fundamental.

Cuando termines esta cápsula, podrás explicar qué es un vector a alguien no-técnico usando analogías del mundo real (flechas, desplazamientos, coordenadas en un mapa), y entenderás que [3, 2] no es solo "tres y dos" sino un punto en el espacio con significado geométrico.

¿Qué es un vector? Definición intuitiva

Un vector es una entidad matemática que representa:

1. Una dirección (hacia dónde apunta)
2. Una magnitud (qué tan lejos o qué tan "fuerte")

Puedes pensarlo como:

• Una flecha en el espacio (apunta en una dirección, tiene un largo)
• Un desplazamiento de un punto a otro (moverse desde el origen a una posición)
• Un punto en el espacio con coordenadas (ubicación relativa al origen)

Ejemplo del mundo real:

Imagina que estás en una ciudad con una cuadrícula de calles. Le dices a alguien: "Camina 3 cuadras al este y 2 cuadras al norte". Eso es un vector: tiene dirección (noreste, combinación de este + norte) y magnitud (qué tan lejos caminar).

En matemáticas, ese desplazamiento se escribe como:

Vector v = [3, 2]

Donde:

• 3 = coordenada en el eje X (horizontal, este)
• 2 = coordenada en el eje Y (vertical, norte)

Representación visual: La flecha

La forma más intuitiva de pensar en vectores es como flechas:

      ↑ Y
      |
    2 • ────→ (3, 2)
      |    /
    1 |   /
      |  /
    0 |─────────→ X
      0  1  2  3

La flecha va desde el origen (0, 0) hasta el punto (3, 2).

Componentes del vector:

• Dirección: Noreste (combinación de +X y +Y)
• Magnitud: Largo de la flecha (distancia desde origen hasta el punto)
• Coordenadas: [3, 2] — representación numérica

Analogía: Si el origen es tu casa y el punto (3, 2) es una tienda, el vector [3, 2] representa "cómo llegar": caminar 3 cuadras al este, 2 al norte. La flecha te muestra la ruta directa (dirección + distancia).

Dirección: ¿Hacia dónde apunta el vector?

La dirección de un vector es "hacia dónde apunta" independientemente de qué tan largo sea.

Ejemplos:

Vector A = [3, 2]     → Apunta noreste
Vector B = [6, 4]     → Apunta noreste (misma dirección que A, el doble de largo)
Vector C = [-3, -2]   → Apunta suroeste (dirección opuesta a A)
Vector D = [2, 3]     → Apunta noreste, pero en ángulo diferente que A

Dos vectores tienen la misma dirección si uno es múltiplo del otro:

• [3, 2] y [6, 4] apuntan en la misma dirección (el segundo es 2× el primero)
• [3, 2] y [2, 3] NO tienen la misma dirección (ángulos diferentes)

Por qué importa en AI: Cuando dos palabras tienen significado relacionado (ej: "rey" y "monarca"), sus vectores (embeddings) apuntan en direcciones similares. La dirección captura "qué tipo de concepto es"; la magnitud puede variar.

Magnitud: ¿Qué tan "largo" es el vector?

La magnitud de un vector es su "largo" o "tamaño", sin importar la dirección.

Fórmula conceptual (no hace falta memorizar):

Para un vector 2D [x, y], la magnitud es la distancia desde el origen:

Magnitud = √(x² + y²)

Ejemplo:

Vector [3, 2]
Magnitud = √(3² + 2²) = √(9 + 4) = √13 ≈ 3.6

Interpretación: Si caminas 3 cuadras al este y 2 al norte, has recorrido aproximadamente 3.6 cuadras en línea recta desde tu origen.

Visualización:

      ↑
    2 • ────→ (3, 2)
      | ╱
    1 |╱  ← Magnitud (hipotenusa)
      |
    0 •─────────→
      0  1  2  3

La magnitud es el largo de la flecha (hipotenusa del triángulo).

Por qué importa en AI: En semantic search, a veces normalizamos vectores para que todos tengan magnitud 1 (solo importa dirección). En otros casos, la magnitud puede capturar "intensidad" o "frecuencia". No te preocupes por los detalles ahora; solo entiende que magnitud = largo de la flecha.

Representación numérica: Coordenadas

Un vector se representa con coordenadas: números que indican posición en cada eje.

En 2D (2 dimensiones):

Vector v = [x, y]

Ejemplo: [3, 2]
- x = 3 (coordenada en eje X)
- y = 2 (coordenada en eje Y)

En 3D (3 dimensiones):

Vector v = [x, y, z]

Ejemplo: [3, 2, -1]
- x = 3 (coordenada en eje X)
- y = 2 (coordenada en eje Y)
- z = -1 (coordenada en eje Z)

En N dimensiones:

Vector v = [x₁, x₂, x₃, ..., xₙ]

Ejemplo en 5D: [3, 2, -1, 0, 4]

Interpretación: Cada número es la posición en un eje. En 2D tienes 2 ejes (X, Y); en 3D tienes 3 ejes (X, Y, Z); en 1536D tienes 1536 ejes (no puedes dibujarlos, pero matemáticamente funcionan igual).

Por qué importa en AI: Los embeddings que verás en Guía #6 son vectores de alta dimensión. Por ejemplo, el embedding de OpenAI text-embedding-3-small tiene 1536 dimensiones: es un array de 1536 números. Cada número es la coordenada en un eje del espacio de 1536D. No puedes visualizarlo, pero conceptualmente es lo mismo que [3, 2] en 2D; solo que con muchos más ejes.

Vector como flecha vs vector como punto

Hay dos formas equivalentes de pensar en vectores:

1. Vector como flecha (desplazamiento)

La flecha va desde el origen (0, 0) hasta el punto (x, y).

      ↑
    2 • ────→ Punto destino (3, 2)
      | ╱
    1 |╱  ← Flecha (vector)
      |
    0 •─────────→ Origen (0, 0)
      0  1  2  3

Interpretación: "Moverse 3 unidades en X, 2 unidades en Y"

Cuándo es útil: Para pensar en operaciones (suma, resta), en desplazamientos, en movimiento.

2. Vector como punto (posición)

El vector [3, 2] también se puede pensar como un punto en el espacio: la ubicación a la que llegas si aplicas el desplazamiento.

      ↑
    2 •(3,2) ← Punto en el espacio
      |
    1 |
      |
    0 •─────────→
      0  1  2  3

Interpretación: "Un punto ubicado en x=3, y=2"

Cuándo es útil: Para pensar en embeddings (cada palabra es un punto en el espacio), en espacios vectoriales, en cercanía (puntos cercanos = conceptos similares).

Ambas perspectivas son correctas y útiles:

• Flecha → Enfatiza dirección y magnitud
• Punto → Enfatiza posición y cercanía

En AI, solemos pensar en embeddings como puntos en el espacio de alta dimensión (palabras similares son puntos cercanos). Pero la intuición de flecha ayuda a entender operaciones (sumar vectores = combinar flechas).

Ejemplo concreto: Vector [3, 2]

Vamos a analizar completamente el vector [3, 2]:

Coordenadas: x = 3, y = 2

Dirección: Noreste (ángulo de aproximadamente 33.7° respecto al eje X)

Magnitud: √(3² + 2²) = √13 ≈ 3.6

Como flecha: Una flecha desde (0, 0) hasta (3, 2)

Como punto: Un punto ubicado en x=3, y=2 en el plano

Visualización:

Y ↑
  3 |
  2 |        •(3,2) ← Punto destino
  1 |       ╱
  0 |•─────────────→ X
    0  1  2  3  4
    ↑
    Origen

Interpretación práctica: Si estás en el origen y caminas 3 pasos al este y 2 al norte, llegas al punto (3, 2). El vector [3, 2] captura ese desplazamiento completo: dirección (noreste) y distancia (3.6 pasos en línea recta).

Vector vs número (escalar)

Es importante diferenciar un vector de un número simple (llamado "escalar"):

Por qué importa:

• Un escalar no tiene dirección (el número 5 no "apunta" a ninguna parte)
• Un vector sí tiene dirección (el vector [3, 2] apunta noreste)

Ejemplo práctico:

• Temperatura = escalar (solo un número: 25°C)
• Viento = vector (dirección: noreste, magnitud: 15 km/h)

En AI:

• Una palabra representada como embedding = vector (ej: [0.5, -0.3, 0.8, ...])
• El precio de un producto = escalar (solo un número: $19.99)

Vectores en diferentes dimensiones

Los vectores pueden tener cualquier número de dimensiones:

1D (una dimensión):

Vector: [5]

Es simplemente un número en una línea. No suele llamarse "vector" en geometría (es solo un punto en una recta), pero matemáticamente es un vector 1D.

2D (dos dimensiones):

Vector: [3, 2]

Punto en un plano (x, y). Puedes dibujarlo en papel fácilmente.

3D (tres dimensiones):

Vector: [3, 2, -1]

Punto en el espacio (x, y, z). Puedes imaginarlo (un objeto en una habitación: posición horizontal, vertical y profundidad).

Alta dimensión (100D, 1536D, 3072D):

Vector: [0.23, -0.45, 0.12, 0.78, ..., -0.34]  (1536 números)

No puedes dibujarlo, pero matemáticamente funciona igual: cada número es la coordenada en un eje. En AI, los embeddings de texto son vectores de alta dimensión.

Por qué alta dimensión: Más dimensiones = más capacidad para capturar matices y relaciones. Un vector 2D solo puede capturar 2 aspectos; un vector 1536D puede capturar 1536 aspectos diferentes de significado.

Lo veremos en detalle en Cápsula 04 (Vectores en alta dimensión). Por ahora, entiende que el concepto es el mismo: coordenadas en ejes, dirección y magnitud. Solo que con muchos más ejes.

Analogías del mundo real

Para fijar la intuición, aquí van analogías útiles:

Analogía 1: GPS y mapas

Cuando usas GPS, tu ubicación se representa con coordenadas:

Latitud: 19.4326  (Norte-Sur)
Longitud: -99.1332  (Este-Oeste)

Eso es un vector 2D: [19.4326, -99.1332]

Dirección: Dónde estás relativamente al punto de referencia (Ecuador y meridiano de Greenwich)

Magnitud: Qué tan lejos estás del origen (0, 0)

Analogía 2: Instrucciones de movimiento

"Camina 5 pasos al frente, luego 3 pasos a la derecha" = Vector [5, 3]

Dirección: Combinación de frente + derecha (diagonal)

Magnitud: Distancia total en línea recta ≈ 5.8 pasos

Analogía 3: Viento

El viento tiene:

• Dirección: Noreste, suroeste, etc.
• Magnitud: Velocidad (15 km/h)

Eso se puede representar como vector: dirección + intensidad.

Analogía 4: Fuerza en física

Si empujas una caja:

• Dirección: Hacia dónde empujas
• Magnitud: Qué tan fuerte

Eso es un vector de fuerza: dirección + intensidad.

En AI: Una palabra como "perro" se representa como vector (embedding). El vector tiene:

• Dirección: Qué "tipo de concepto" es (animal, mascota, etc.)
• Magnitud: Qué tan "presente" o "frecuente" es en el corpus de entrenamiento

Palabras similares ("perro", "gato") tienen vectores con direcciones similares (puntos cercanos en el espacio).

Vectores como arrays de números

En programación, un vector se representa como un array (lista de números):

Python (ejemplo ilustrativo, NO lo implementarás aquí):

# Vector 2D
v1 = [3, 2]

# Vector 3D
v2 = [3, 2, -1]

# Vector 5D
v3 = [0.5, -0.3, 0.8, 0.1, -0.2]

# Vector de alta dimensión (1536D) - ejemplo de embedding
embedding = [0.234, -0.456, 0.123, ..., -0.789]  # 1536 números

Importante: Aunque se vean como listas simples de números, cada vector tiene interpretación geométrica:

• Cada número = coordenada en un eje
• El conjunto completo = punto en el espacio N-dimensional
• Tiene dirección y magnitud

No es solo "un array de números". Es una representación de posición, dirección y magnitud en un espacio matemático.

Propiedades fundamentales de vectores

1. Los vectores tienen origen

Convencionalmente, el origen es (0, 0) en 2D, (0, 0, 0) en 3D, etc.

El vector [3, 2] va desde el origen hasta el punto (3, 2).

2. Los vectores se pueden escalar

Multiplicar un vector por un número (escalar) cambia su magnitud pero no su dirección:

Vector original: [3, 2]
Escalar: 2

Vector escalado: [6, 4]  (misma dirección, doble de largo)

3. Los vectores se pueden sumar

Sumar dos vectores combina sus desplazamientos:

Vector A: [3, 2]   (3 al este, 2 al norte)
Vector B: [1, 1]   (1 al este, 1 al norte)

A + B = [4, 3]     (4 al este, 3 al norte — combinación total)

Veremos operaciones en detalle en Cápsula 05.

4. Los vectores se pueden restar

Restar vectores da la "diferencia" o "desplazamiento entre puntos":

Vector A: [5, 3]
Vector B: [2, 1]

A - B = [3, 2]  (diferencia: desde B hasta A)

También en Cápsula 05.

Vector cero: El origen

El vector cero es especial:

Vector cero en 2D: [0, 0]
Vector cero en 3D: [0, 0, 0]
Vector cero en ND: [0, 0, ..., 0]

Propiedades:

• No tiene dirección (o su dirección es indefinida)
• Magnitud = 0 (no tiene largo)
• Es el punto de referencia (el origen)

En AI: El vector cero casi nunca aparece en embeddings reales (los modelos aprenden representaciones no-cero), pero conceptualmente es importante como punto de referencia.

Vectores negativos

Las coordenadas pueden ser negativas:

Vector A: [3, 2]    (noreste)
Vector B: [-3, -2]  (suroeste — opuesto a A)
Vector C: [3, -2]   (sureste)
Vector D: [-3, 2]   (noroeste)

Visualización:

      ↑ Y
      |
    2 | D(-3,2) •       • A(3,2)
      |         |       |
    0 |─────────•───────────→ X
      |         |       |
   -2 | C(3,-2) •       • B(-3,-2)
      |

Interpretación: Coordenadas negativas significan "en la dirección opuesta del eje":

• x < 0 → Oeste (izquierda)
• y < 0 → Sur (abajo)
• z < 0 → Atrás (si Z es profundidad)

En AI: Los embeddings pueden tener coordenadas negativas. Por ejemplo, un embedding de 1536D puede ser [0.23, -0.45, 0.12, -0.78, ...]. Negativos no significan "malo"; solo significan posición en el eje (puede estar en el lado negativo del eje, como "oeste" vs "este").

Notación matemática (opcional)

En álgebra lineal formal, los vectores se escriben con notación especial:

Vector columna:

    ⎡ 3 ⎤
v = ⎢ 2 ⎥
    ⎣   ⎦

Vector fila:

v = [3  2]

En esta guía usamos notación simple:

v = [3, 2]

Es más legible y equivalente conceptualmente. No te preocupes por la notación formal; solo entiende que un vector es un conjunto ordenado de números con interpretación geométrica.

Resumen visual: Todo en un diagrama

           Y ↑
             |
           2 |        •(3,2) ← Punto (vector como posición)
             |       ╱|
           1 |      ╱ |
             |     ╱  | y=2
           0 |•───────────→ X
             0   x=3
             ↑
             Origen

Elementos:
- Origen: (0, 0)
- Punto destino: (3, 2)
- Flecha: Vector [3, 2]
- Coordenadas: x=3, y=2
- Dirección: Noreste (~33.7°)
- Magnitud: √13 ≈ 3.6 unidades

Ejercicios

Ejercicio 1: Identificar componentes

Dado el vector [4, -2]:

a) ¿Cuáles son las coordenadas?
b) ¿Hacia qué dirección apunta? (noreste, suroeste, etc.)
c) ¿La magnitud es mayor o menor que 5?

  Y ↑
    |
  0 |•───────→ X
    |     ╲
 -2 |      •(4,-2)
    0  1  2  3  4

Ejercicio 2: Vector vs escalar

¿Cuáles de estos son vectores y cuáles son escalares?

a) [5]
b) 5
c) [0, 0]
d) [-3, 2, 1]
e) 3.14

Ejercicio 3: Dibujar vectores

Dibuja en papel (o mentalmente) estos vectores 2D:

a) [2, 3]
b) [-2, 1]
c) [0, -2]

Para cada uno:

• Marca el origen (0, 0)
• Dibuja la flecha desde el origen hasta el punto
• Identifica la dirección (noreste, suroeste, etc.)

  3 •(2,3) ← Noreste
    |╱
  2 |
    |
  1 |
    |
  0 •───────→
    0  1  2  3

  1 •(-2,1) ← Noroeste
    |╲
  0 •───────→
    -2 -1  0  1

  0 •───────→
    |
 -1 |
    |
 -2 •(0,-2) ← Sur (vertical hacia abajo)

Ejercicio 4: Magnitud comparativa

Sin calcular exactamente, ordena estos vectores de menor a mayor magnitud:

a) [1, 1]
b) [3, 4]
c) [0, 2]
d) [-5, 0]

Ejercicio 5: Misma dirección

¿Cuáles de estos vectores tienen la misma dirección que [2, 1]?

a) [4, 2]
b) [2, 2]
c) [6, 3]
d) [-2, -1]

Ejercicio 6: Interpretación en AI

Un embedding de la palabra "perro" es el vector:

[0.5, -0.3, 0.8, 0.1, -0.2]  (simplificado a 5D para ilustrar)

a) ¿Qué representa cada número?
b) ¿Por qué es útil representar "perro" como vector en lugar de solo como la palabra "perro"?
c) ¿Qué significa que el embedding de "gato" sea [0.52, -0.28, 0.75, 0.12, -0.18]?

Troubleshooting conceptual

Problema 1: "No entiendo qué es 'dirección' de un vector"

Síntoma: El concepto de "dirección" te parece abstracto.

Solución: Piensa en una flecha física: apunta hacia algún lado (norte, noreste, arriba). Eso es dirección. En 2D, la dirección se mide con ángulo (0° = este, 90° = norte, etc.). Pero no hace falta calcular ángulos; solo entiende que [3, 2] apunta "noreste" y [-3, -2] apunta "suroeste" (opuesto).

Analogía: Si alguien te dice "camina hacia el noreste", esa es una dirección. No importa si caminas 1 metro o 100 metros; la dirección (noreste) es la misma.

Problema 2: "¿Por qué vector [3, 2] empieza en (0, 0)?"

Síntoma: No entiendes por qué el vector va desde el origen.

Solución: Por convención, los vectores se representan desde el origen (0, 0). Eso no significa que solo existan vectores desde el origen; significa que cualquier desplazamiento se puede representar como un vector desde el origen hasta un punto. Si quieres representar "ir de A a B", calculas B - A y eso te da un vector.

Ejemplo: Para ir de (1, 1) a (4, 3):

• Desplazamiento: [4-1, 3-1] = [3, 2]
• Representas ese desplazamiento como vector [3, 2] desde el origen

Problema 3: "No sé qué es 'magnitud'"

Síntoma: El concepto de magnitud te confunde.

Solución: Magnitud = largo de la flecha = distancia desde el origen hasta el punto. Es un número positivo que mide "qué tan lejos" estás del origen.

Cálculo intuitivo: Si el vector es [3, 0] (solo en eje X), la magnitud es 3 (distancia directa). Si el vector es [3, 4], la magnitud es 5 (pitagórico: 3² + 4² = 25, √25 = 5). No hace falta que calcules magnitudes exactas; solo entiende que es "el largo de la flecha".

Problema 4: "¿Vectores en AI son diferentes de vectores en geometría?"

Síntoma: Crees que "embedding" es algo distinto de "vector matemático".

Solución: Son lo mismo. Un embedding es un vector normal con muchas dimensiones (ej: 1536D). No hay diferencia matemática. La única diferencia es el contexto de uso:

• En geometría: usas vectores para representar posición, fuerza, velocidad
• En AI: usas vectores para representar significado (palabras, frases, documentos)

Pero matemáticamente, ambos son arrays de números con dirección y magnitud.

Conexión con semantic search y RAG

Ahora que sabes qué es un vector, puedes entender el flujo completo de semantic search:

1. Documento → Vector (embedding)

Un documento como "El perro es un animal doméstico" se convierte en un vector de alta dimensión:

doc_vector = [0.23, -0.45, 0.12, ..., -0.34]  (1536 números)

2. Query → Vector (embedding)

Tu pregunta "¿Qué animales son mascotas?" también se convierte en vector:

query_vector = [0.25, -0.43, 0.10, ..., -0.32]  (1536 números)

3. Comparar vectores (similaridad)

Se mide qué tan cercanos están los vectores (similaridad coseno, que verás en Módulo 3):

Similaridad(doc_vector, query_vector) = 0.92  (muy alto → similar)

4. Resultado: Documentos cercanos son relevantes

El documento con el vector más cercano al query es el más relevante.

Esto es semantic search: Convertir texto → vectores, comparar vectores, retornar los más cercanos.

Esto es el corazón de RAG: El paso de "retrieval" usa semantic search para encontrar documentos relevantes basándose en cercanía de vectores.

Sin entender qué es un vector, este flujo sería magia. Con esta cápsula, ya tienes el primer bloque: un vector es una representación numérica con dirección y magnitud. En cápsulas siguientes verás cómo visualizar, comparar y buscar vectores.

Resumen

En una frase: Un vector es una entidad geométrica con dirección y magnitud, representada por coordenadas numéricas (ej: [3, 2] en 2D, [3, 2, -1] en 3D, [...] en 1536D).

Puntos clave:

• Dirección: Hacia dónde apunta el vector (ej: noreste, sur)
• Magnitud: Qué tan largo es el vector (distancia desde origen)
• Coordenadas: Representación numérica ([x, y] en 2D, [x, y, z] en 3D, etc.)
• Flecha vs punto: Ambas perspectivas son correctas (flecha = desplazamiento, punto = posición)
• Vector ≠ escalar: Vector tiene dirección; escalar es solo un número
• Alta dimensión: Vectores pueden tener 1536D, 3072D; mismo concepto, más ejes
• En AI: Embeddings son vectores que representan significado (palabras, documentos)
• Semantic search: Compara vectores para encontrar documentos similares
• RAG: Usa semantic search (comparación de vectores) para retrieval

Recursos adicionales

1. 3Blue1Brown: "Vectors, what even are they?" — Video de 10 min con visualizaciones excelentes de vectores como flechas y como puntos. Perfecto complemento para esta cápsula. En inglés.

2. Khan Academy: "Vector Introduction" — Serie de videos cortos sobre vectores básicos: definición, notación, visualización. En inglés con subtítulos.

3. Better Explained: "Vector Calculus" — Blog con explicaciones intuitivas de vectores y operaciones. Sección "Understanding Vectors" es útil. En inglés.

4. Immersive Math: Chapter 1 - Introduction — Libro interactivo donde puedes rotar y manipular vectores 3D en el browser. Excelente para visualización. En inglés.

5. Jay Alammar: "Visualizing A Neural Machine Translation Model" — Blog con diagramas sobre cómo vectores representan palabras en modelos de lenguaje. Para después de completar el módulo. En inglés.

6. Wikipedia: "Euclidean Vector" — Definición formal completa con notación matemática. Útil si quieres profundizar en álgebra lineal después. En inglés (también disponible en español).

Próxima cápsula: 03-vectors-in-2d-and-3d.md — Visualización detallada de vectores en planos y espacios tridimensionales.