Por qué importan los factoriales
Hamming comienza el Capítulo 9 observando que todos los problemas de diseño de ingeniería viven en un espacio n-dimensional, donde n cuenta los parámetros independientes. Entender ese espacio requiere entender los factoriales — aparecen dentro de la fórmula de volumen para cada esfera n-dimensional.
Aproximación de Stirling
Calcular n! directamente se vuelve imposible para n grande. La fórmula de Stirling proporciona una aproximación precisa:
n! ≈ √(2πn) · (n/e)^n
Tomando logaritmos (que Hamming hace para convertir el producto en una suma):
ln(n!) ≈ n·ln(n) − n + 0.5·ln(2πn)
La aproximación mejora a medida que n crece: la razón Stirling(n)/n! → 1 cuando n → ∞. Sin embargo, la diferencia absoluta crece sin límite. Ambos hechos se cumplen simultáneamente.
Ruta de derivación de Hamming: aproximar la suma Σ ln(k) para k=1..n mediante la integral ∫ ln(x) dx de 1 a n vía la regla del trapecio, luego tomar la exponencial. La constante √(2π) surge del comportamiento limitante del error del trapecio.
| n | Stirling | n! Verdadero | Razón | |---|---|---|---| | 5 | 118.02 | 120 | 0.9835 | | 10 | 3,598,696 | 3,628,800 | 0.9917 | | 20 | ~2.423×10^18 | ~2.432×10^18 | 0.9958 |
Usando la Fórmula de Stirling
La forma logarítmica de Stirling resulta más útil para cálculos de razones donde la escala absoluta se cancela:
ln(n!) ≈ n·ln(n) − n + 0.5·ln(2πn)
La Función Gamma
El factorial n! solo tiene sentido para números enteros no negativos. Hamming necesita la fórmula de volumen de esfera para todo n positivo real, así que introduce la función Gamma:
Γ(n) = ∫₀^∞ x^(n−1) · e^(−x) dx (converge para n > 0)
La integración por partes produce la fórmula de reducción: Γ(n) = (n−1) · Γ(n−1).
En números enteros positivos: Γ(n) = (n−1)! así que Γ(5) = 4! = 24.
En los semienteros: Γ(1/2) = √π ≈ 1.772. Surge de la integral Gaussiana ∫₋∞^∞ e^(−x²) dx = √π.
Los valores que necesitamos para volúmenes de esfera: Γ(n/2 + 1) en argumentos semienteros.
| n | n/2 + 1 | Γ(n/2 + 1) | |---|---|---| | 1 | 3/2 | √π/2 ≈ 0.886 | | 2 | 2 | 1! = 1 | | 3 | 5/2 | 3√π/4 ≈ 1.329 | | 4 | 3 | 2! = 2 | | 5 | 7/2 | 15√π/8 ≈ 3.323 |
La Fórmula & la Paradoja
Con Stirling & Gamma en mano, Hamming deriva el volumen de una esfera n-dimensional de radio r:
V_n(r) = C_n · r^n donde C_n = π^(n/2) / Γ(n/2 + 1)
La constante C_n depende solo de n, no de r. Los primeros valores:
| n | C_n | |---|---| | 1 | 2 | | 2 | π ≈ 3.142 | | 3 | 4π/3 ≈ 4.189 | | 4 | π²/2 ≈ 4.935 | | 5 | 8π²/15 ≈ 5.264 | | 6 | π³/6 ≈ 5.168 | | 8 | π⁴/24 ≈ 4.059 | | 10 | π⁵/120 ≈ 2.550 |
La paradoja: C_n sube hasta un máximo cerca de n=5 (C_5 ≈ 5.264), luego cae de vuelta hacia cero. La esfera unitaria en dimensiones muy altas tiene esencialmente cero volumen — aunque intuitivamente, agregar más dimensiones debería agregar más espacio.
¿Por qué colapsa el volumen?
La clave: volumen = C_n · r^n. Cuando r < 1, r^n → 0 exponencialmente. La restricción de radio mata el volumen más rápido que la dimensionalidad crece. Casi todo el volumen del hipercubo unitario n-dimensional se encuentra en sus esquinas, fuera de la esfera inscrita.
La Paradoja de las Esquinas
En 2D: un cuadrado unitario [−1,1]^2 tiene área 4. El círculo inscrito tiene área π ≈ 3.14. El círculo llena el 78% del cuadrado.
En 3D: el cubo unitario [−1,1]^3 tiene volumen 8. La esfera inscrita tiene volumen 4π/3 ≈ 4.19. La esfera llena el 52%.
En n dimensiones: el hipercubo unitario [−1,1]^n tiene volumen 2^n. La esfera inscrita tiene volumen C_n. La fracción dentro de la esfera:
f(n) = C_n / 2^n
A medida que n crece: C_n → 0 mientras 2^n → ∞. Así que f(n) → 0 rápidamente. En 10D, la esfera llena menos del 0.3% del cubo.
Implicación de ingeniería: en espacio de diseño de alta dimensión, no puedes muestrear eligiendo puntos al azar. Casi todos los puntos aleatorios caerán en esquinas, lejos del centro. Tu intuición construida en 3D falla completamente.
Por qué falla la intuición 3D
Mensaje central de Hamming en el Capítulo 9: cada sistema de ingeniería con n parámetros independientes vive en un espacio n-dimensional. Aerodinámica, sistemas de control, diseño de chips, moléculas de drogas — todos implican espacios de parámetros con n >> 3.
Tres fallos específicos de la intuición 3D en dimensiones altas:
1. Distancias diagonales. En 3D, la diagonal de un cubo unitario tiene longitud √3 ≈ 1.73. En hipercubo unitario n-dimensional, la diagonal tiene longitud √n. Para n=100, la longitud diagonal es 10 — sin embargo, cada coordenada todavía va de 0 a 1. Los puntos que se ven 'cercanos' en cualquier dimensión única están lejos uno del otro en espacio n-dimensional.
2. Concentración de volumen. Como se muestra arriba: el volumen se concentra en las esquinas, no en la esfera central. Tu intuición de que el centro de un espacio es típico se desmorona.
3. Conteo de vecinos. En 2D, un punto tiene aproximadamente πr² vecinos dentro del radio r. En nD, el conteo de vecinos escala como C_n·r^n, que para n grande es efectivamente cero para r pequeño. Los vecindarios se desmoronan.
Conclusión de Hamming: 'Simplemente no puedes visualizar lo que está sucediendo en espacio-n.' Debes confiar en las matemáticas — en las fórmulas para volumen, distancia & probabilidad — no en la imaginación.
Aplicando la Geometría
El colapso de volumen de esfera tiene consecuencias concretas para la práctica moderna:
Optimización: el descenso de gradiente en espacios de parámetros de alta dimensión funciona mejor que la búsqueda aleatoria precisamente porque explota la información de gradiente local para navegar la estructura de esquinas y vacíos.
Machine learning: los espacios de peso de redes neuronales tienen millones de dimensiones. La geometría predice que la inicialización aleatoria rara vez cae cerca de una buena solución — sin embargo, el proceso de entrenamiento navega hacia una a través de pasos de gradiente estructurados.
Diseño de experimentos: cubrir un espacio de parámetros de alta dimensión con muestras requiere exponencialmente muchos puntos. Esto motiva diseños experimentales estructurados (hipercubos latinos, diseños que llenan el espacio) sobre muestreo aleatorio.