MA2007B: Use of Geometry and Topology for Data Science

Sesión 07: Distancias de Hausdorff y Gromov-Hausdorff

Comparando subconjuntos y espacios métricos completos


Prof. Alejandro Ucan-Puc

Tecnológico de Monterrey • Departamento de Matemáticas

Objetivos de la Sesión

  • Definir la distancia de Hausdorff entre subconjuntos de un espacio métrico.
  • \n\t\t\t\t\t\t
  • Introducir la noción de distancia de Gromov-Hausdorff.
  • \n\t\t\t\t\t\t
  • Comprender su aplicación en comparación de formas y alineación de nubes de puntos.

Distancia de Hausdorff

Sean $A, B$ subconjuntos cerrados y acotados de un espacio métrico $(X, d)$. La distancia de Hausdorff $d_H(A, B)$ es:

$$d_H(A, B) = \max \left\{ \sup_{a \in A} \inf_{b \in B} d(a, b), \sup_{b \in B} \inf_{a \in A} d(a, b) ight\}$$

Mide qué tan lejos está el punto más alejado de un conjunto con respecto al otro.

Distancia de Gromov-Hausdorff

¿Qué pasa si los dos espacios métricos $X$ y $Y$ no están contenidos en un espacio métrico común? La distancia de Gromov-Hausdorff busca el ínfimo de la distancia de Hausdorff sobre todos los encajes posibles de $X$ y $Y$ en un tercer espacio métrico común $Z$.

Aplicación en TDA

Estas distancias fundamentan matemáticamente la robustez de los algoritmos de TDA. Si dos nubes de puntos son cercanas en la distancia de Gromov-Hausdorff, sus propiedades topológicas reconstruidas serán similares.

Fin de la Sesión

Hemos explorado los fundamentos de Distancias de Hausdorff y Gromov-Hausdorff.

Continúa con los laboratorios correspondientes en la carpeta notebooks/.