Módulo 2: Espacios Vectoriales
2. ¿Qué es un Espacio Vectorial?
Descripción de la cápsula
En esta cápsula vas a entender qué es un espacio vectorial: el "universo geométrico" donde viven todos los vectores. Si en Módulo 1 aprendiste qué es un punto individual, aquí aprendes qué es el mapa completo que contiene todos los puntos.
Un espacio vectorial no es solo "un montón de vectores sueltos". Es un sistema estructurado con reglas: puedes sumar vectores, escalarlos, y el resultado siempre queda dentro del mismo espacio. Esa estructura es lo que permite que semantic search funcione: el espacio tiene propiedades geométricas (distancias, ángulos, regiones) que capturan significado.
Cuando termines, entenderás por qué el "embedding space" de 1536D de OpenAI no es un conjunto aleatorio de números, sino un espacio con estructura matemática donde la geometría refleja semántica.
Definición intuitiva: El universo de vectores
Un espacio vectorial es:
Un conjunto de vectores donde puedes sumar cualquier par de vectores y escalar cualquier vector, y el resultado siempre está dentro del mismo conjunto.
Analogía 1: Ciudad con calles
Imagina una ciudad con una cuadrícula perfecta:
- Cada ubicación es un vector (coordenadas desde el origen)
- Puedes "sumar" desplazamientos: ir 3 cuadras al este + 2 al norte = llegar a un punto en la ciudad
- Puedes "escalar": ir 2× más lejos en la misma dirección = otra ubicación en la ciudad
- Nunca sales de la ciudad (siempre hay una ubicación válida)
Esa ciudad es un espacio vectorial 2D.
Analogía 2: Hoja de cálculo infinita
Imagina una hoja de cálculo con 1536 columnas (infinitas filas):
- Cada fila es un vector (1536 números)
- Puedes sumar dos filas: cada celda suma con su correspondiente
- Puedes multiplicar una fila por un número: cada celda se multiplica
- El resultado siempre es una fila válida (otra combinación de 1536 números)
Esa hoja es un espacio vectorial 1536D.
Propiedades fundamentales (sin formalismo excesivo)
Un espacio vectorial tiene dos operaciones cerradas (el resultado siempre queda dentro del espacio):
1. Suma de vectores
Si A y B están en el espacio → A + B también está en el espacio
Ejemplo en 2D:
A = [3, 2] (está en el espacio)
B = [1, 1] (está en el espacio)
A + B = [4, 3] (también está en el espacio)
Interpretación: Si dos palabras tienen embeddings en el espacio, su "combinación" (suma) también es un punto válido en el espacio.
2. Multiplicación por escalar
Si A está en el espacio y k es un número → k × A también está en el espacio
Ejemplo en 2D:
A = [3, 2] (está en el espacio)
k = 2
2 × A = [6, 4] (también está en el espacio)
Interpretación: Puedes "alargar" o "acortar" un vector (cambiar magnitud) y sigue siendo válido en el espacio.
3. Vector cero
El espacio siempre contiene el vector cero [0, 0, ..., 0]:
Origen = [0, 0] en 2D
Origen = [0, 0, 0] en 3D
Origen = [0, 0, ..., 0] en 1536D
Interpretación: El vector cero es el "punto de referencia" (origen). En embeddings, el vector cero no representa ninguna palabra real (los modelos aprenden vectores no-cero).
Ejemplos de espacios vectoriales
Espacio 2D (el plano cartesiano)
Vectores: Todos los pares [x, y] donde x, y son números reales
Ejemplos:
- [3, 2] ✅
- [-5, 7] ✅
- [0, 0] ✅
- [π, √2] ✅
Operaciones:
[3, 2] + [1, 1] = [4, 3] ✅ (dentro del espacio)
2 × [3, 2] = [6, 4] ✅ (dentro del espacio)
Propiedades:
- Dimensionalidad: 2D (2 ejes: X, Y)
- Tamaño: Infinito (infinitos puntos posibles)
- Visualizable: Sí (puedes dibujarlo)
Espacio 3D (el espacio físico)
Vectores: Todos los triples [x, y, z]
Ejemplos:
- [2, 3, 1] ✅
- [0, 0, 5] ✅
- [-1, 2, -3] ✅
Propiedades:
- Dimensionalidad: 3D (3 ejes: X, Y, Z)
- Tamaño: Infinito
- Visualizable: Parcialmente (proyecciones isométricas)
Espacio 1536D (embeddings de OpenAI)
Vectores: Todos los arrays de 1536 números reales
Ejemplos:
- [0.23, -0.45, 0.12, ..., -0.34] ✅ (1536 números)
- [0.25, -0.43, 0.10, ..., -0.32] ✅ (1536 números)
Operaciones (igual que en 2D, solo más coordenadas):
A + B = [a₁+b₁, a₂+b₂, ..., a₁₅₃₆+b₁₅₃₆] ✅
k × A = [k×a₁, k×a₂, ..., k×a₁₅₃₆] ✅
Propiedades:
- Dimensionalidad: 1536D (1536 ejes)
- Tamaño: Infinito (infinitos puntos posibles)
- Visualizable: No directamente (necesitas proyecciones a 2D/3D)
Qué NO es un espacio vectorial
Contraejemplo 1: Solo números positivos
Conjunto: Solo vectores [x, y] donde x ≥ 0, y ≥ 0
¿Es espacio vectorial? ❌ No.
Por qué: Si escalas por -1, sales del conjunto:
A = [3, 2] (está en el conjunto)
-1 × A = [-3, -2] (NO está en el conjunto)
Conclusión: No es cerrado bajo escalado → No es espacio vectorial.
Contraejemplo 2: Solo vectores con magnitud = 1
Conjunto: Solo vectores [x, y] con √(x² + y²) = 1
¿Es espacio vectorial? ❌ No.
Por qué: Si sumas dos vectores unitarios, la magnitud cambia:
A = [1, 0] (magnitud = 1)
B = [0, 1] (magnitud = 1)
A + B = [1, 1] (magnitud = √2 ≠ 1)
Conclusión: No es cerrado bajo suma → No es espacio vectorial.
Nota: Vectores normalizados (magnitud = 1) son útiles en AI, pero NO forman un espacio vectorial por sí solos. El espacio vectorial completo incluye todos los vectores (cualquier magnitud).
Espacios vectoriales en AI: El embedding space
Cuando usas un modelo de embeddings (OpenAI, BERT, etc.), cada texto se mapea a un punto en un espacio vectorial:
Texto: "El perro es un animal doméstico"
↓ Modelo de embedding
Vector: [0.23, -0.45, 0.12, ..., -0.34] (1536D)
Ese vector vive en un espacio vectorial de 1536D:
- Puedes sumarlo con otro vector → resultado válido en el espacio
- Puedes escalarlo → resultado válido en el espacio
- Puedes medir distancia a otros vectores (todos viven en el mismo espacio)
Por qué importa: Porque el espacio tiene estructura geométrica (distancias, ángulos, regiones) que captura estructura semántica (similaridad de significado).
Propiedades útiles de espacios vectoriales
1. Linealidad: Operaciones se distribuyen
k × (A + B) = k×A + k×B
Ejemplo:
2 × ([3,2] + [1,1]) = 2×[4,3] = [8,6]
2×[3,2] + 2×[1,1] = [6,4] + [2,2] = [8,6]
Uso en AI: Permite manipular embeddings algebraicamente (ej: rey - hombre + mujer).
2. Asociatividad: El orden de agrupación no importa
(A + B) + C = A + (B + C)
Ejemplo:
([3,2] + [1,1]) + [0,2] = [4,3] + [0,2] = [4,5]
[3,2] + ([1,1] + [0,2]) = [3,2] + [1,3] = [4,5]
3. Conmutatividad (suma): El orden no importa
A + B = B + A
Ejemplo:
[3,2] + [1,1] = [4,3]
[1,1] + [3,2] = [4,3]
4. Existencia de opuesto: Cada vector tiene un negativo
Para cada A, existe -A tal que A + (-A) = [0,0,...,0]
Ejemplo:
A = [3, 2]
-A = [-3, -2]
A + (-A) = [0, 0] (vector cero)
Comparación: Conjunto vs Espacio Vectorial
| Aspecto | Conjunto simple | Espacio vectorial |
|---|---|---|
| Definición | Colección de objetos | Conjunto con operaciones (suma, escalar) |
| Estructura | No tiene | Tiene (cerrado bajo suma y escalar) |
| Operaciones | No definidas | Suma, escalado siempre válidos |
| Ejemplo | {perro, gato, auto} | Todos los vectores 2D |
Conclusión: Un espacio vectorial es un conjunto con estructura algebraica y geométrica.
Visualización: Espacio 2D como ejemplo
Y ↑
|
10 |
|
5 | • Punto [3, 5]
|
0 |•──────────────→ X
0 5 10
Este plano completo es un espacio vectorial:
- Puedes colocar puntos en cualquier parte (infinitos puntos)
- Suma dos puntos → otro punto válido
- Escala un punto → otro punto válido
- Hay estructura: ejes (X, Y), origen (0, 0), distancias, ángulos
Conexión con semantic search
El problema:
Si los embeddings NO vivieran en un espacio vectorial estructurado:
- No podrías sumar vectores (no habría "rey - hombre + mujer")
- No podrías medir distancias consistentemente
- No habría geometría que refleje semántica
La solución:
Los embeddings viven en un espacio vectorial de 1536D:
- Estructura garantizada (suma, escalado siempre válidos)
- Geometría bien definida (distancias, ángulos)
- Propiedades algebraicas (linealidad, asociatividad)
Resultado: Puedes usar geometría (distancia, similaridad) para medir semántica (qué tan parecidos son dos textos).
Ejercicios
Ejercicio 1: ¿Es espacio vectorial?
Para cada conjunto, determina si es un espacio vectorial:
a) Todos los vectores 3D
b) Solo vectores 2D donde x = y
c) Solo vectores 2D con x ≥ 0
Ver solución
a) Todos los vectores 3D: ✅ Sí
- Suma:
[1,2,3] + [4,5,6] = [5,7,9]✅ - Escalar:
2 × [1,2,3] = [2,4,6]✅ - Vector cero:
[0,0,0]✅
b) Solo vectores 2D donde x = y: ✅ Sí (es un subespacio)
Ejemplos: [1,1], [2,2], [3,3]
Suma: [1,1] + [2,2] = [3,3] ✅ (x=y se mantiene)
Escalar: 2 × [1,1] = [2,2] ✅ (x=y se mantiene)
Vector cero: [0,0] ✅
c) Solo vectores 2D con x ≥ 0: ❌ No
Contraejemplo:
A = [3, 2] (x ≥ 0 ✅)
-1 × A = [-3, -2] (x < 0 ❌)
No es cerrado bajo escalado → No es espacio vectorial.
Ejercicio 2: Operaciones en el espacio
Dados los vectores en un espacio 2D:
A = [2, 3]
B = [-1, 4]
Verifica que estas operaciones dan resultados dentro del espacio:
a) A + B
b) 3 × A
c) A - B (que es A + (-1)×B)
Ver solución
a) A + B:
[2, 3] + [-1, 4] = [1, 7] ✅ (dentro del espacio)
b) 3 × A:
3 × [2, 3] = [6, 9] ✅ (dentro del espacio)
c) A - B:
[2, 3] - [-1, 4] = [2, 3] + [1, -4] = [3, -1] ✅ (dentro del espacio)
Conclusión: Todas las operaciones dan resultados válidos → confirma que es un espacio vectorial.
Ejercicio 3: Embedding space
Si un modelo de embeddings mapea textos a vectores 768D:
a) ¿Esos vectores forman un espacio vectorial?
b) ¿Puedes sumar dos embeddings?
c) ¿El resultado de sumar dos embeddings representa "algo" semánticamente?
Ver guía de reflexión
a) ¿Forman espacio vectorial? ✅ Sí
Todos los vectores 768D forman un espacio vectorial (cerrado bajo suma y escalar).
b) ¿Puedes sumar? ✅ Sí
Matemáticamente, siempre puedes sumar dos vectores del espacio. El resultado es otro vector válido en el espacio.
c) ¿Tiene sentido semántico?
Depende:
- Si sumas embeddings de conceptos relacionados ("perro" + "gato"), el resultado puede estar cerca de un concepto genérico ("mascota")
- Si sumas embeddings de conceptos no relacionados ("perro" + "auto"), el resultado puede no tener interpretación clara
Uso práctico: En modelos, a veces se promedian embeddings para representar un "concepto combinado". Ej: promedio de embeddings de frases en un documento para obtener un embedding del documento completo.
Nota: La suma directa no siempre tiene sentido semántico. Las operaciones útiles suelen ser rey - hombre + mujer (capturar direcciones) o promedios ponderados.
Resumen
En una frase: Un espacio vectorial es un conjunto estructurado de vectores donde suma y escalado siempre dan resultados dentro del mismo conjunto, con propiedades algebraicas (linealidad, asociatividad) que permiten manipulaciones geométricas consistentes.
Puntos clave:
- Espacio vectorial: Conjunto + operaciones (suma, escalar) cerradas
- Propiedades: Linealidad, asociatividad, conmutatividad (suma), vector cero, opuestos
- Ejemplos: Espacio 2D, 3D, 1536D (todos los vectores posibles)
- No ejemplos: Solo positivos, solo magnitud = 1 (no cerrados)
- En AI: Embeddings viven en espacio vectorial 768D-1536D
- Ventaja: Estructura garantiza geometría consistente → semántica consistente
- Semantic search: Usa geometría del espacio (distancias, ángulos) para medir semántica
Conexión con la siguiente cápsula
En la Cápsula 03 (Bases y dimensiones), verás cómo se estructura el espacio internamente: qué son los "ejes" (bases), por qué el espacio tiene 1536 dimensiones, y qué significa "independencia lineal". Si el espacio vectorial es el "universo", las bases son el "sistema de coordenadas" que usamos para ubicar puntos.
Recursos adicionales
-
3Blue1Brown: "What is a vector space?" — Video de 12 min sobre espacios vectoriales con visualizaciones. En inglés.
-
Khan Academy: "Vector spaces" — Serie sobre espacios vectoriales con ejercicios. En inglés.
-
Wikipedia: "Vector space" — Definición formal con axiomas completos. Para profundizar. En inglés.
Próxima cápsula: 03-basics-and-dimensions.md — ¿Qué son los "ejes"? ¿Por qué 1536D? Independencia lineal conceptual.