Lexicon Redes Neuronales

Cómo aproximar funciones complejas con una línea

La linealización es una técnica que aproxima una función no lineal mediante una función lineal (recta) cerca de un punto específico.

👉 Es una aplicación directa de la aproximación de Taylor de primer orden.

Definición corta

La linealización aproxima una función usando una recta tangente en un punto.

Definición detallada

Para una función $f(x)$f(x), la linealización en $x = a$x=a es:$$L(x) = f(a) + f'(a)(x – a)$$

👉 Es una aproximación local.

Intuición

La linealización responde:

👉 “¿Cómo se comporta la función muy cerca de este punto?”

Función curva  
↓  
Zoom en un punto  
↓  
Se ve como una línea

Interpretación geométrica

• es la recta tangente
• mejor aproximación lineal local

📊 Ejemplo simple

$$f(x) = x^2$$f(x)=x2

En $a = 2$a=2:

• $f(2) = 4$f(2)=4
• $f'(2) = 4$f′(2)=4

$$L(x) = 4 + 4(x – 2)$$

👉 Aproximación lineal cerca de 2.

Relación con otros conceptos

• Derivada
• Aproximación de Taylor
• Gradiente
• Optimización

Linealización en múltiples variables

Para $f(x, y)$f(x,y):$$L(x, y) = f(a, b) + \frac{\partial f}{\partial x}(x-a) + \frac{\partial f}{\partial y}(y-b)$$L(x,y)=f(a,b)+∂x∂f​(x−a)+∂y∂f​(y−b)

👉 Usa derivadas parciales.

Ejemplo multivariable

$$f(x, y) = x^2 + y^2$$f(x,y)=x2+y2

En $(1,1)$(1,1):

• $f(1,1) = 2$f(1,1)=2
• gradiente = $[2,2]$[2,2]

$$L(x,y) = 2 + 2(x-1) + 2(y-1)$$

Ejemplo conceptual

Superficie curva  
↓  
Plano tangente  
↓  
Aproximación local

Linealización en machine learning

🔹 1. Gradiente descendente

Usa aproximación lineal:$$f(x + \epsilon) \approx f(x) + \nabla f(x)\epsilon$$

🔹 2. Redes neuronales

Cada paso de optimización:

👉 asume comportamiento local lineal

🔹 3. Interpretabilidad

Permite analizar:

• sensibilidad local
• impacto de variables

🔹 4. Modelos lineales locales

Base de técnicas como:

• regresión local
• aproximaciones

Ejemplo paso a paso

$$f(x) = \sqrt{x}$$

En $x = 4$x=4:

• $f(4) = 2$f(4)=2
• $f'(x) = \frac{1}{2\sqrt{x}} \Rightarrow f'(4)=\frac{1}{4}$f′(x)=2x​1​⇒f′(4)=41​

$$L(x) = 2 + \frac{1}{4}(x – 4)$$

Ejemplo conceptual

Función compleja  
↓  
Aproximación lineal  
↓  
Cálculo simplificado

Ejemplo en Python

import numpy as np
def f(x):
    return x**2
a = 2
def linear(x):
    return f(a) + 2*a*(x - a)
x = 2.1
print("Real:", f(x))
print("Lineal:", linear(x))

Ejemplo en PyTorch

import torch
x = torch.tensor(2.0, requires_grad=True)
y = x**2
y.backward()
grad = x.grad
x_new = 2.1
approx = y + grad * (x_new - x)
print("Linealización:", approx.item())

Ejemplo multivariable

import torch
x = torch.tensor([1.0, 1.0], requires_grad=True)
y = x[0]**2 + x[1]**2
y.backward()
grad = x.grad
x_new = torch.tensor([1.1, 1.0])
approx = y + grad @ (x_new - x)
print("Aprox:", approx.item())

Qué muestra este ejemplo

• Aproximación local
• Uso del gradiente
• Simplificación de funciones

Errores comunes

Usar linealización lejos del punto

Pierde precisión.

Confundir con modelo lineal global

Es solo local.

Ignorar curvatura

Puede causar errores grandes.

Ejemplo conceptual en ML

Modelo complejo  
↓  
Aproximación local  
↓  
Optimización paso a paso

Interpretación profunda

La linealización permite:

• simplificar funciones complejas
• hacer optimización eficiente
• entender comportamiento local
• construir algoritmos de aprendizaje

👉 Es el puente entre lo no lineal y lo computable.

Conclusión

La linealización aproxima funciones complejas mediante una recta tangente, facilitando el análisis y la optimización. Es una herramienta clave en machine learning.

👉 La mayoría de los algoritmos “piensan” localmente de forma lineal.

Related Concepts

• Derivada
• Gradiente
• Aproximación de Taylor
• Optimización
• Hessiano