LECCIÓN 6

Vectores en N dimensiones

Hasta ahora vectores con 2 componentes — flechas en una hoja. Pero un vector puede tener 3, 100, o mil componentes. Y todo lo que aprendiste sigue funcionando exactamente igual. Esta es la lección que abre la puerta a la IA.

1Un vector NO se queda en 2D

Usamos 2 componentes porque cabe en una hoja y se ve. Pero la definición real de vector es solo "una lista ordenada de números". Esa lista puede tener cualquier longitud:

v = (v₁, v₂, v₃, ..., vₙ)

Cada número de la lista es una "dimensión" o "componente". El número total de componentes se llama la dimensión del vector.

2Vectores que ya conoces (sin saberlo)

Muchísimas cosas de la vida real son, de hecho, vectores. Solo que con más o menos dimensiones:

📍

Una posición en el mapa (2D)

(latitud, longitud) → 2 números. Vector de dimensión 2.

🎨

Un color RGB (3D)

(rojo, verde, azul). Ejemplo: (236, 72, 153) = magenta. 3 componentes.

🌡️

El tiempo (4D)

(temperatura, humedad, viento, presión) → 4 números. Vector de dimensión 4.

📸

Una imagen pequeña

Imagen 28×28 en gris = 784 píxeles. Vector de dimensión 784.

🤖

Una palabra en IA (300+D)

En NLP, cada palabra se convierte en un vector de cientos o miles de números — su "embedding". Vector de dimensión 300–4096.

🧠

Un texto entero en un LLM

Un párrafo procesado por un Transformer es un vector de varios miles de dimensiones. Vector de dimensión 4096+.

🔑 La razón por la que aprendes álgebra lineal: en IA, los datos (textos, imágenes, sonidos, usuarios…) se representan como vectores de cientos o miles de dimensiones. Y las redes neuronales son operaciones de álgebra lineal sobre esos vectores.

3Un vistazo a 3D antes de "saltar al vacío"

3D todavía se puede visualizar: 3 ejes perpendiculares (x, y, z). Un vector en 3D tiene 3 componentes:

imagen 1 · un vector en 3D (3, 1, 2) — el espacio que habitas

3 componentes = 3 caminos perpendiculares. La punta del vector está en (3, 1, 2).

🤯 ¿Y un vector de 4 dimensiones? No se puede dibujar. Nuestro cerebro está diseñado para 3D. Pero — y esto es la magia del álgebra lineal — no necesitamos verlo: la matemática funciona igual. Sumas componente a componente, multiplicas por escalares, calculas productos punto. Todo idéntico.

4Demostración: las fórmulas siguen siendo las mismas

Tomemos dos vectores en 4 dimensiones (imagínalos como, por ejemplo, predicciones del tiempo: temperatura, humedad, viento, presión):

u = (1, 2, 3, 4) v = (5, 0, -1, 2)

✍️ Las operaciones, idénticas a 2D solo que con más números

Suma — sumamos componente a componente, igual que antes:
u + v = (1+5, 2+0, 3+(-1), 4+2) = (6, 2, 2, 6)

Escalar — multiplicamos cada componente:
3·u = (3, 6, 9, 12)

Producto punto — multiplicamos componentes y sumamos:
u · v = 1·5 + 2·0 + 3·(-1) + 4·2
      = 5 + 0 − 3 + 8
      = 10

Longitud — Pitágoras generalizado:
|u| = √(1² + 2² + 3² + 4²) = √(1+4+9+16) = √30 ≈ 5.48

🌟 Patrón universal: todo lo que aprendiste con vectores de 2 componentes se generaliza letra por letra a 3, 4, 100 o 10.000. Aprendiste 2D porque se ve; ya sabes operar en cualquier dimensión. El álgebra lineal escala sin esfuerzo.

5De golpe, todo encaja con la IA

Recordemos cómo es una neurona (curso de redes):

z = w · x + bias

Lo que antes era un producto punto entre vectores de 2 componentes ahora ocurre con vectores de cientos de componentes. Una capa típica de un Transformer hace productos punto entre vectores de 768 o 4096 dimensiones. La fórmula es la misma; solo cambia cuánta suma haces.

Modelo	Dimensión de los vectores que maneja
Una red XOR (curso de redes)	4
BERT pequeño	768
GPT-3	12.288
LLaMA 70B	8.192

6Resumen

Un vector es una lista de números. Puede tener cualquier longitud. Las operaciones (sumar, escalar, producto punto, longitud) se aplican igual en cualquier dimensión: componente a componente. No podemos visualizar más de 3D, pero la matemática no se inmuta. En la próxima lección aparece la otra protagonista del álgebra lineal: la matriz, que es a la vez una "tabla de números" y un "transformador del espacio".