Desigualdad triangular: de la geometría al machine learning

El teorema de la desigualdad triangular nos dice que, en cualquier triángulo, la longitud total de dos de sus lados siempre debe ser mayor o igual que la longitud del lado restante. Este principio geométrico básico va mucho más allá de los triángulos y se convierte en un concepto esencial en matemáticas, informática y análisis de datos.

En este artículo, exploraremos la desigualdad triangular desde su definición básica hasta sus aplicaciones avanzadas, y veremos cómo este concepto tan directo sigue marcando nuestra forma de abordar problemas complejos en múltiples campos.

¿Qué es la desigualdad triangular?

La desigualdad triangular establece que, para cualquier triángulo con lados de longitud a, b y c, siempre se cumplen estas tres desigualdades:

• a + b ≥ c
• a + c ≥ b
• b + c ≥ a

Esto significa que la suma de las longitudes de cualesquiera dos lados de un triángulo siempre debe ser mayor o igual que la longitud del tercer lado. Intuitivamente, tiene sentido: no puedes formar un triángulo si un lado es más largo que la suma de los otros dos.

Cuando se da la igualdad en cualquiera de estas condiciones (por ejemplo, si a + b = c), el triángulo se "degenera" en una línea recta. En ese caso, los tres puntos que serían los vértices del triángulo quedan alineados, con un punto entre los otros dos.

La desigualdad triangular no es solo una regla para triángulos en geometría euclidiana. Representa un concepto matemático más amplio que se extiende a muchas otras estructuras:

• En espacios vectoriales, adopta la forma ||u + v|| ≤ ||u|| + ||v||, donde ||u|| representa la norma (o longitud) del vector u.
• Para números reales, se simplifica a la desigualdad del valor absoluto |a + b| ≤ |a| + |b|.
• En espacios métricos, define una de las propiedades básicas de las funciones de distancia.

Estas generalizaciones convierten a la desigualdad triangular en uno de los conceptos más versátiles e importantes de las matemáticas, con aplicaciones que van desde la geometría elemental hasta los algoritmos avanzados de machine learning.

Nota sobre triángulos degenerados

En este artículo empleamos la forma "mayor o igual que" (≥) de la desigualdad triangular para incluir los llamados triángulos degenerados. Los triángulos degenerados son los casos en los que la suma de dos lados exactamente equivale al tercero. 

No parecen triángulos en el sentido cotidiano porque son planos, tienen área cero y puntos colineales. Sin embargo, para quien se interesa por las matemáticas, estos triángulos degenerados siguen siendo válidos como triángulos y son importantes en límites y demostraciones. Por eso mantengo el ≥ para contemplar los casos límite. A esto se le llama "desigualdad triangular en su forma no estricta".

Demostración geométrica de la desigualdad triangular

La desigualdad triangular tiene varias demostraciones elegantes, y una de las más famosas se remonta a los Elementos de Euclides (Libro 1, Proposición 20). Así podemos entender la prueba geométricamente:

Considera un triángulo con lados de longitudes x, y y z. Para probar que z ≤ x + y, usamos la idea de que la distancia más corta entre dos puntos es la línea recta.

De triángulo propiamente dicho a puntos colineales. Imagen del autor

Como se ve arriba, podemos observar cómo cambia la relación entre los lados a medida que varía la forma del triángulo. En un triángulo «propio» (arriba), la longitud de un lado (z) es estrictamente menor que la suma de los otros dos (x + y). A medida que el vértice intermedio se acerca a la recta que une los otros dos vértices (imagen central), la suma x + y se aproxima a z. En el caso límite (imagen inferior), cuando los tres puntos se vuelven colineales, se alcanza la igualdad z = x + y.

Esta comprensión intuitiva encaja con el principio fundamental de que la distancia más corta entre dos puntos es la línea recta. Si etiquetamos los vértices como puntos, el camino directo entre dos de ellos a lo largo de z debe ser más corto que el rodeo por los lados x e y combinados.

Una demostración más formal usando la ley de cosenos aporta otra perspectiva:

• La ley de cosenos dice que z^² = x^² + y^² - 2xy·cos(θ), donde θ es el ángulo entre x e y
• Como cos(θ) es como máximo 1 (cuando el ángulo C es 0°), tenemos:
• z^² ≤ x^² + y^² - 2xy = (x - y)^²
• Tomando la raíz cuadrada: z ≤ |x - y|
• Lo que implica z ≤ x + y (la desigualdad triangular)

Para triángulos rectángulos, el teorema de Pitágoras nos da otro enfoque:

• En un triángulo rectángulo, z^² = x^² + y^²
• Es decir, z = √(x^² + y^²)
• Como √(x^² + y^²) < x + y para x e y positivos, de nuevo se cumple z < x + y

La explicación intuitiva es especialmente clara: para ir de un punto a otro, la ruta directa (por el lado z) siempre es más corta que desviarse pasando por un tercer punto (recorriendo x e y). Esta observación está en el corazón de la desigualdad triangular y explica por qué es tan fundamental en los cálculos de distancias.

Desigualdad triangular en espacios vectoriales

La desigualdad triangular se extiende de forma natural más allá de la geometría euclidiana al ámbito de los espacios vectoriales, donde es una propiedad fundamental de las normas. En este contexto, la desigualdad dice que para cualesquiera vectores u y v en un espacio vectorial:

||u + v|| ≤ ||u|| + ||v||

Esto significa que la norma (o longitud) de la suma de dos vectores es, como mucho, igual a la suma de sus normas individuales. Esta propiedad es imprescindible para que una función se considere una norma en espacios vectoriales.

El caso más familiar aparece con los números reales, que pueden verse como vectores en un espacio unidimensional. Aquí, la desigualdad triangular se reduce a la desigualdad del valor absoluto:

|a + b| ≤ |a| + |b|

Esta propiedad fundamental se cumple en distintos tipos de normas en espacios vectoriales:

• Norma euclidiana (L²): Es la medida de distancia estándar en el espacio euclidiano, calculada como la raíz cuadrada de la suma de los componentes al cuadrado. Para vectores en ℝⁿ, la desigualdad triangular confirma que la distancia en línea recta entre puntos es más corta que la suma de otros tramos del camino.
• Norma taxicab (L¹): También conocida como distancia Manhattan, esta norma suma las diferencias absolutas de los componentes. Aunque los recorridos parezcan distintos en esta geometría (se avanza por la cuadrícula en lugar de en diagonal), la desigualdad triangular sigue cumpliéndose.
• p-normas: En general, la desigualdad triangular se cumple para todas las p-normas, con p ≥ 1. Se definen como ||x||ₚ = (∑|xᵢ|ᵖ)^(1/p).

La demostración de la desigualdad triangular para normas vectoriales suele apoyarse en la desigualdad de Cauchy-Schwarz o en la de Minkowski, según la norma considerada.

Esta formulación en espacios vectoriales es especialmente importante en machine learning y ciencia de datos, donde las normas sirven para medir distancias entre puntos, calcular errores y definir métricas de similitud. Entender cómo la desigualdad triangular acota estas distancias aporta la base matemática de muchos algoritmos de clustering, técnicas de reducción de dimensionalidad y métodos de optimización.

Desigualdad triangular en espacios métricos

La desigualdad triangular desempeña un papel fundacional en los espacios métricos, donde es uno de los axiomas que definen el concepto de distancia. Un espacio métrico consta de un conjunto de puntos junto con una función de distancia (o métrica) que cuantifica lo separados que están dos puntos cualesquiera.

Para que una función d sea una métrica en un conjunto X, debe satisfacer tres propiedades clave para todos los puntos x, y y z de X:

1. No negatividad e identidad: d(x, y) ≥ 0, con d(x, y) = 0 si y solo si x = y
2. Simetría: d(x, y) = d(y, x)
3. Desigualdad triangular: d(x, z) ≤ d(x, y) + d(y, z)

En este contexto, la desigualdad triangular afirma que la distancia de x a z nunca es mayor que la suma de la distancia de x a un punto intermedio y y de y a z. Esta propiedad garantiza que el "camino directo" entre dos puntos siempre es el más corto.

Esta propiedad tiene implicaciones profundas en el estudio de espacios métricos:

• Convergencia de sucesiones: La desigualdad triangular es esencial para probar que los límites de sucesiones en espacios métricos son únicos. Si una sucesión convergiera a dos puntos distintos, se violaría la desigualdad triangular.
• Continuidad de funciones: Al demostrar que una función entre espacios métricos es continua, se usa la desigualdad triangular para relacionar las distancias en el dominio y el codominio.
• Desigualdad triangular inversa: Un corolario útil establece que |d(x, z) - d(y, z)| ≤ d(x, y). Esta desigualdad ayuda a acotar la diferencia entre distancias de dos puntos a un tercero.

La desigualdad triangular inversa es especialmente valiosa en geometría computacional y machine learning, porque permite podar de forma eficiente espacios de búsqueda. Por ejemplo, en algoritmos de k vecinos más cercanos, ayuda a descartar candidatos sin calcular todas las distancias por pares.

Los espacios métricos proporcionan un marco general para estudiar muchas estructuras matemáticas. Los espacios euclidianos, los espacios de funciones y los espacios discretos pueden verse como espacios métricos, cada uno con su función de distancia que satisface la desigualdad triangular. Esta perspectiva unificadora explica por qué la desigualdad triangular aparece con tanta frecuencia en diversas ramas de las matemáticas y sus aplicaciones.

Generalizaciones y extensiones

La desigualdad triangular va más allá de su formulación básica para triángulos y encuentra aplicaciones en estructuras geométricas más complejas y marcos matemáticos especializados.

Desigualdad en polígonos

Una generalización natural de la desigualdad triangular se aplica a polígonos con más de tres lados. Para cualquier polígono de n lados:

• La suma de las longitudes de cualesquiera n-1 lados debe ser mayor que la longitud del lado restante.

Esto también es intuitivo: para cerrar un polígono, no puede haber un lado más largo que todos los demás juntos. Esta generalización tiene aplicaciones en geometría computacional, especialmente en algoritmos de construcción de polígonos y en la generación de mallas para gráficos por ordenador y simulaciones científicas.

Símplices en dimensiones superiores

El concepto de desigualdad triangular se extiende a símplíces de mayor dimensión —generalizaciones del triángulo en dimensiones superiores—:

• Un símplex 3D es un tetraedro
• Un símplex 4D es una 5-celda (o pentacoron)
• Y así sucesivamente para más dimensiones

En cada caso se aplican restricciones similares a las aristas de estas estructuras. Estas restricciones son importantes en el análisis de datos de alta dimensión, donde ayudan a definir los límites de configuraciones válidas en espacios de características.

Casos especiales en geometrías no euclidianas

Curiosamente, en algunas geometrías no euclidianas, la naturaleza de la desigualdad triangular cambia:

• En el espacio de Minkowski, usado en matemáticas de la relatividad especial, ciertas medidas de distancia (intervalos espacio-temporales) pueden dar lugar a una desigualdad triangular invertida para separaciones temporales. Esto significa que, en algunos casos, la suma de dos lados puede ser menor que el tercero.
• En geometría hiperbólica, los triángulos tienen suma de ángulos menor de 180 grados y la desigualdad triangular es más estricta que en el espacio euclidiano.
• En geometría esférica (como en la superficie de la Tierra), el camino más corto entre dos puntos es un círculo máximo. La desigualdad triangular se mantiene, pero con consecuencias interesantes para la navegación y el cálculo de distancias.

Estas versiones especializadas de la desigualdad triangular son cruciales en física teórica, especialmente en relatividad general, donde la geometría del espacio-tiempo determina las trayectorias de los objetos y de la luz.

Implicaciones para la teoría de la información

La desigualdad triangular también aparece en teoría de la información y estadística:

• Algunas medidas de divergencia, que cuantifican la diferencia entre distribuciones de probabilidad, satisfacen propiedades similares a la desigualdad triangular
• Estas propiedades permiten desarrollar algoritmos eficientes para comparar y agrupar distribuciones

Comprender estas generalizaciones y extensiones ofrece una visión más profunda de la naturaleza fundamental de la distancia y la separación en distintas estructuras matemáticas. Para profesionales de datos, estos conceptos brindan herramientas potentes para analizar datos de alta dimensión, entender las restricciones de diversas métricas de distancia y crear algoritmos que naveguen con eficiencia por espacios geométricos complejos.

Ejemplos y resolución de problemas

La desigualdad triangular se entiende mejor con ejemplos prácticos y resolución de ejercicios. Veamos varios escenarios que muestran cómo aplicar este principio con eficacia.

Verificar la formación de un triángulo

Ejemplo 1: determina si lados de longitudes 7, 10 y 16 pueden formar un triángulo.

Solución: hay que comprobar las tres condiciones de la desigualdad triangular:

• 7 + 10 = 17 > 16 ✓
• 7 + 16 = 23 > 10 ✓
• 10 + 16 = 26 > 7 ✓

Como se cumplen las tres desigualdades, estas medidas pueden formar un triángulo.

Ejemplo 2: ¿Pueden los lados de longitudes 3, 4 y 8 formar un triángulo?

Solución: comprobemos:

• 3 + 4 = 7 < 8 ✗
• 3 + 8 = 11 > 4 ✓
• 4 + 8 = 12 > 3 ✓

Como una de las condiciones falla (la suma de los dos lados más cortos es menor que el lado más largo), estas longitudes no pueden formar un triángulo.

Uso de la desigualdad triangular en demostraciones

Ejemplo 3: demuestra que ||x| - |y|| ≤ |x - y| para cualesquiera números reales x e y.

Solución: es una aplicación de la desigualdad triangular inversa. Partimos de la desigualdad triangular: |x| = |x - y + y| ≤ |x - y| + |y|

Reordenando: |x| - |y| ≤ |x - y|

De forma análoga, |y| - |x| ≤ |y - x| = |x - y|

Combinando, obtenemos: -|x - y| ≤ |x| - |y| ≤ |x - y|

Por tanto, ||x| - |y|| ≤ |x - y|, que es la desigualdad triangular inversa.

Aplicaciones en ciencia de datos

Ejemplo 4: un algoritmo de clustering necesita determinar si un punto P puede estar a una distancia d de algún punto de un clúster C, sin calcular la distancia exacta a cada punto de C. Si conocemos el centroide de C y su radio r, ¿cómo ayuda la desigualdad triangular?

Solución: sea O el centroide del clúster C con radio r (distancia máxima de O a cualquier punto de C). Para cualquier punto P fuera del clúster:

• Sea dist(P,O) la distancia de P al centroide
• Por la desigualdad triangular inversa, para cualquier punto Q en C: dist(P,Q) ≥ dist(P,O) - dist(O,Q) ⇒ dist(P,Q) ≥ dist(P,O) - r

Si dist(P,O) - r > d, entonces dist(P,Q) > d para todo Q en C, lo que significa que P no puede estar a distancia d de ningún punto del clúster. Esto permite descartar clústeres enteros sin calcular distancias individuales.

Matemática competitiva

Ejemplo 5: en un problema de olimpiada de matemáticas: dado que |x - 3| + |x + 1| = 10, encuentra los posibles valores de x.

Solución: la desigualdad triangular aparece aquí disfrazada. Podemos interpretarlo geométricamente:

• |x - 3| representa la distancia de x a 3 en la recta numérica
• |x + 1| representa la distancia de x a -1 en la recta numérica
• Su suma es 10

Esto significa que el punto x en la recta numérica es tal que la suma de sus distancias a 3 y a -1 es 10. La distancia entre 3 y -1 es |3-(-1)| = 4.

Cuando x está entre -1 y 3, la suma de distancias es (3 - x) + (x + 1) = 4, que no vale 10.

Cuando x ≤ -1, la suma es |x-3| + |x+1| = (3 - x) + (-x - 1) = 2 - 2x = 10, luego x = -4.

Cuando x ≥ 3, la suma es |x-3| + |x+1| = (x - 3) + (x + 1) = 2x - 2 = 10, luego x = 6.

Por tanto, x = -4 o x = 6.

Estos ejemplos muestran la versatilidad de la desigualdad triangular en geometría, análisis, algoritmos computacionales y problemas de competición. Al dominar estas aplicaciones, los profesionales de datos pueden diseñar algoritmos más eficientes y afianzar los fundamentos matemáticos de los métodos basados en distancias.

Conclusión

La desigualdad triangular es un principio matemático con un amplio abanico de aplicaciones. Lo que empezó como una observación sencilla sobre triángulos ha evolucionado hasta convertirse en una herramienta clave para cálculos de distancia, algoritmos de optimización y técnicas de análisis de datos.

Para profundizar en estos conceptos en ciencia de datos, explora recursos como el itinerario de aprendizaje Machine Learning Scientist in Python. Este programa amplía conceptos matemáticos como la desigualdad triangular y te ayuda a desarrollar las habilidades analíticas necesarias para implementar machine learning con garantías.

La vigencia de la desigualdad triangular demuestra cómo las ideas matemáticas elegantes siguen influyendo en los métodos computacionales modernos y en el diseño de algoritmos en múltiples disciplinas.