En el contexto del aprendizaje por refuerzo (RL), garantizar tanto la seguridad como el rendimiento es crucial, especialmente en escenarios del mundo real donde los errores pueden llevar a consecuencias severas. Este estudio tiene como objetivo abordar este desafío integrando restricciones de lógica temporal en los algoritmos de RL, proporcionando así un mecanismo formal para la verificación de seguridad. Empleamos una combinación de métodos teóricos y empíricos, incluyendo el uso de lógica temporal para la verificación formal y simulaciones extensas para validar nuestro enfoque. Nuestros resultados demuestran que el método propuesto no solo mantiene altos niveles de seguridad, sino que también logra un rendimiento comparable al de los algoritmos de RL tradicionales. Es importante destacar que nuestro enfoque llena un vacío crítico en la literatura existente al ofrecer una solución que es tanto matemáticamente rigurosa como empíricamente validada. El estudio concluye que la integración de la lógica temporal en el RL ofrece una vía prometedora para desarrollar algoritmos que sean tanto seguros como eficientes. Este trabajo sienta las bases para futuras investigaciones destinadas a generalizar este enfoque a varios sistemas y aplicaciones complejas.