Espacio vectorial

El marco matemático donde viven los vectores

Un espacio vectorial es un conjunto de objetos (vectores) junto con dos operaciones —suma y multiplicación por escalares— que cumplen ciertas reglas. Es la estructura fundamental sobre la que se construye todo el álgebra lineal y gran parte del machine learning.

👉 En términos simples:
es el “universo” donde existen y se combinan los vectores

Definición corta

Un espacio vectorial es un conjunto de vectores cerrado bajo suma y multiplicación por escalares.

Definición detallada

Un conjunto $V$ V es un espacio vectorial si para cualquier $u, v \in V$ u,v∈V y escalar $\alpha$ α:

$u + v \in V$ u+v∈V
$\alpha v \in V$ αv∈V

Y además cumple propiedades como:

asociatividad
conmutatividad
existencia de vector cero
existencia de inverso

Intuición

El espacio vectorial responde:

👉 “¿Dónde pueden existir y combinarse los vectores de forma coherente?”

Ejemplo

$\mathbb{R}^2 = \{(x, y)\}$

👉 Todos los puntos del plano forman un espacio vectorial.

Plano 2D → espacio vectorial  
Espacio 3D → espacio vectorial

Propiedades fundamentales

🔹 Cerradura

$u + v \in V$ $\alpha v \in V$ αv∈V

🔹 Vector cero

$0 \in V$

🔹 Inverso

$v + (-v) = 0$

🔹 Distributividad

$\alpha (u + v) = \alpha u + \alpha v$

Relación con otros conceptos

Vector
Base
Subespacio
Dimensionalidad

Ejemplos de espacios vectoriales

🔹 Espacios clásicos

$\mathbb{R}^2$ R2, $\mathbb{R}^3$ R3
vectores en $n$ n dimensiones

🔹 Espacios más abstractos

matrices
funciones
señales

👉 Todos pueden formar espacios vectoriales.

Espacio vectorial en redes neuronales

🔹 1. Datos como vectores

Cada entrada:

[edad, ingresos, ubicación]

👉 vive en un espacio vectorial.

🔹 2. Embeddings

Palabras o imágenes:

👉 representadas como vectores en espacios de alta dimensión

🔹 3. Transformaciones lineales

Capas de red: $y = Wx + b$

👉 transforman vectores dentro del espacio.

🔹 4. Subespacios

Modelos aprenden:

👉 estructuras dentro del espacio

Ejemplo paso a paso

$u = [1, 2], \quad v = [3, 4]$

Suma: $u + v = [4, 6]$

Escalar: $2u = [2, 4]$

👉 Ambos siguen en el mismo espacio.

Espacio vs subespacio

Concepto	Significado
Espacio vectorial	conjunto completo
Subespacio	parte del espacio

Ejemplo conceptual

Espacio completo → ℝ³  
Subespacio → plano dentro de ℝ³

Ejemplo en Python

			
import numpy as np
u = np.array([1, 2])
v = np.array([3, 4])
print("Suma:", u + v)
print("Escalar:", 2 * u)

		

Ejemplo en PyTorch

			
import torch
u = torch.tensor([1.0, 2.0])
v = torch.tensor([3.0, 4.0])
print("Suma:", u + v)
print("Escalar:", 2 * u)

		

Ejemplo con matrices

			
import numpy as np
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
print("Suma:\n", A + B)
print("Escalar:\n", 2 * A)

		

Qué muestra este ejemplo

Operaciones válidas
Cerradura del espacio
Base del álgebra lineal

Errores comunes

Pensar que cualquier conjunto es un espacio vectorial

Debe cumplir todas las propiedades.

Ignorar el vector cero

Es obligatorio.

Olvidar cierre bajo operaciones

Clave para definición.

Ejemplo conceptual en ML

Datos → vectores  
Modelo → transforma vectores  
Resultado → sigue en el espacio

Interpretación profunda

El espacio vectorial permite:

representar datos matemáticamente
aplicar transformaciones
construir modelos
entender geometría del aprendizaje

👉 Es la base de toda la matemática en machine learning.

Conclusión

El espacio vectorial es la estructura fundamental donde viven los vectores y se realizan operaciones matemáticas clave. Todo el machine learning se basa en manipular datos dentro de estos espacios.

👉 Entender espacios vectoriales es entender el lenguaje matemático de la IA.