Cómo leer la notación matemática: símbolos, subíndices, sumatorios y cuantificadores

Un glosario de unos cuarenta símbolos con el que leerás cualquier definición de la serie Fundamentos de IA — de los subíndices y las letras griegas a ∑ y argmin, y de ahí a ∀ y ∃. Con una chuleta al final.

12 minutos Matěj Žalmánek 2026-10-15

Serie Fundamentos de IA Parte 4 de 52

1. Mapa de la inteligencia artificial: qué es cada cosa y cómo encaja todo
2. Breve historia de la inteligencia artificial: de Turing a los modelos de lenguaje
3. Datos, modelo, entrenamiento, inferencia: los conceptos básicos en un solo ejemplo
4. Cómo leer la notación matemática: símbolos, subíndices, sumatorios y cuantificadores
5. Conjuntos y relaciones: las piezas con las que se construyen las definiciones en IA
6. Funciones y aplicaciones: por qué todo modelo de IA es una función
7. Lógica y demostraciones: las reglas con las que se razona en IA
8. Grafos y árboles: la estructura sobre la que se apoyan la búsqueda y las redes neuronales
9. Álgebra lineal para aprendizaje automático: vectores, matrices y por qué la IA sobre todo multiplica
10. Derivadas, gradiente y regla de la cadena: cómo sabe un modelo en qué dirección aprender
11. Descenso de gradiente: cómo aprende un modelo
12. Qué es la probabilidad: del lanzamiento de un dado a los axiomas de Kolmogórov
13. Probabilidad condicionada y teorema de Bayes: cómo cambiar una estimación cuando te enteras de algo nuevo
14. Variable aleatoria y función de distribución: una sola función que lo dice todo sobre la distribución
15. Función de densidad y función de probabilidad: por qué una variable continua tiene probabilidad cero en cada punto
16. Esperanza, varianza y covarianza: dónde está una distribución, qué anchura tiene y qué se relaciona con qué
17. Resumen de las distribuciones de probabilidad: Bernoulli, binomial, Poisson, uniforme, normal y exponencial
18. Ley de los grandes números y teorema central del límite: por qué las medias se comportan de forma tan predecible
19. Estadística y estimación de parámetros: máxima verosimilitud, MAP e intervalos de confianza
20. Teoría de la información: entropía, entropía cruzada y divergencia KL, el origen de las funciones de pérdida
21. Búsqueda en el espacio de estados: BFS, DFS, UCS y A* con animaciones
22. Juegos y adversarios: minimax, poda alfa-beta y Monte Carlo tree search
23. Satisfacción de restricciones: backtracking, propagación de restricciones y AC-3 con un sudoku y un mapa de regiones checas
24. Lógica y sistemas basados en conocimiento: encadenamiento hacia delante y hacia atrás, resolución y sistemas expertos
25. Planificación: STRIPS, el mundo de bloques, heurísticas a partir de la relajación y la planificación en los agentes de IA
26. Búsqueda local y recocido simulado: un viajante por las capitales regionales checas
27. Algoritmos genéticos: población, cruce, mutación y selección en una mochila para la excursión
28. Estrategias evolutivas y programación genética: de la regla de un quinto a la ley de Kepler
29. Optimización por colonia de hormigas: cómo un rastro de feromona encuentra un camino corto
30. Optimización por enjambre de partículas: inercia, experiencia propia y experiencia del enjambre
31. Neuroevolución: evolución de los pesos y la forma de las redes neuronales, y el algoritmo NEAT
32. Conjuntos difusos y funciones de pertenencia: cómo escribir «algo cálido»
33. Lógica difusa y probabilidad: por qué «algo cálido» no significa «probablemente cálido»
34. Lógica difusa: t-normas, implicaciones y reglas SI–ENTONCES
35. Control difuso: Mamdani y Sugeno, del ventilador al péndulo invertido sobre un carro
36. Agrupamiento difuso: el algoritmo fuzzy c-means y los puntos entre clusters
37. Sistemas neuro-difusos (ANFIS): reglas difusas que aprenden de los datos
38. Cadenas de Markov: matriz de transición, distribución estacionaria y PageRank
39. Modelos ocultos de Márkov: el algoritmo de Viterbi y el casino deshonesto
40. Redes bayesianas: por qué está mojada la hierba y qué significa eso para el aspersor
41. El filtro de Kalman: cómo estimar a partir de mediciones imprecisas dónde está un coche y a qué velocidad va
42. Tipos de aprendizaje automático: supervisado, no supervisado, semisupervisado y más
43. Prompts, contexto y RAG: cómo darle a un modelo la información correcta
44. Autocodificadores variacionales (VAE): imágenes nuevas a partir de un espacio latente continuo
45. Redes generativas adversarias (GAN): el falsificador contra el detective
46. Modelos de difusión: cómo el ruido puro se convierte en una imagen
47. Procesos de decisión de Markov: estados, acciones, recompensas y ecuaciones de Bellman
48. Q-learning y DQN: aprender el valor de las acciones, de la tabla a la red neuronal
49. Gradiente de la política y PPO: aprender directamente la política
50. Cómo funciona un agente de IA: un modelo de lenguaje en un bucle con herramientas
51. Programación con agentes de IA: encargo, pruebas y revisión
52. Evaluación y seguridad de los sistemas de IA: cómo medir y cómo vigilar

Temario completo de la serie 52 de 83 temas publicados

La notación matemática parece un código cifrado, pero no es más que una abreviatura. La frase «suma los cuadrados de todos los números de la lista» se puede escribir como ∑_i x_i² y significa exactamente lo mismo, solo que es más corta y no admite dos interpretaciones.

Los símbolos que te encontrarás en los artículos sobre inteligencia artificial son sorprendentemente pocos: unos cuarenta. Aquí los repasaremos por grupos, diremos cómo se lee cada uno y al final leeremos algunas definiciones reales de otras partes. La chuleta con todos los símbolos está en el último apartado.

1. Por qué las matemáticas usan símbolos

El lenguaje natural es ambiguo. «Todos los estudiantes han leído un libro» puede significar que cada uno ha leído un libro distinto o que todos han leído el mismo. En notación, ∀s ∃k y ∃k ∀s son dos frases distintas y nadie las confunde. La notación es precisa, breve e internacional: una fórmula de un libro de texto chino se lee igual que la de uno español.

2. Variables, subíndices y letras griegas

Una variable es una letra que representa un número u otro objeto: x, y, n. Se escribe en cursiva. Cuando hay varios valores, los distinguimos con un subíndice: un número o una letra pequeños abajo a la derecha:

• x₁, x₂, x₃ — el primer, segundo y tercer valor («x sub uno, x sub dos…»),
• x_i — «x sub i», el valor i-ésimo, donde i puede ser cualquier número,
• A_i,j — el elemento de la fila i y la columna j de una tabla (matriz),
• x⁽ⁱ⁾ — el i-ésimo ejemplo de los datos; el paréntesis distingue el índice de la potencia x².

Una prima o un acento circunflejo sobre la letra convierte una variable en otra emparentada: s′ («s prima») es el estado siguiente a s, ŷ («y gorro») es una estimación del valor real y y x̄ («x barra») es la media. El asterisco marca lo mejor: θ* son los parámetros óptimos, C* el coste óptimo.

Las letras latinas no dan para tanto, así que las matemáticas toman prestadas las griegas. En IA algunas tienen un significado establecido: cuando las veas, normalmente sabrás de qué va:

3. Conjuntos en la notación

Un conjunto es una colección de elementos; se escribe entre llaves: {1, 2, 3} o {↑, →, ↓, ←}. Con letras mayúsculas de trazo doble se denotan los conjuntos de números conocidos: ℕ los naturales (1, 2, 3, …), ℤ los enteros, ℝ los reales. ℝⁿ son todas las listas de n números reales, es decir, los vectores.

• x ∈ S — «x pertenece a S», es uno de sus elementos; x ∉ S — no pertenece,
• A ⊆ B — «A es subconjunto de B»: todo lo que está en A está también en B,
• A ∪ B — unión (lo que está al menos en uno), A ∩ B — intersección (lo que está en ambos),
• A × B — producto cartesiano: todos los pares (a, b),
• ∅ — conjunto vacío, |S| — número de elementos,
• {x ∈ ℝ : x > 0} — «el conjunto de todos los x reales tales que x > 0»; los dos puntos (o la barra vertical) se leen «tales que».

Los paréntesis, en cambio, indican una colección ordenada, en la que importa el orden: (3, 1) no es lo mismo que (1, 3). Así se escriben pares, coordenadas y n-tuplas; por ejemplo, un problema de búsqueda como la sextupla (S, s₀, A, T, G, c). A los conjuntos y las relaciones se dedica una parte aparte.

4. Sumatorio y productorio: ∑ y ∏

Definición — sumatorio y productorio

∑_i=mⁿ a_i = a_m + a_m+1 + … + a_n,   ∏_i=mⁿ a_i = a_m · a_m+1 · … · a_n.

La variable bajo el símbolo (i) es el índice del sumatorio; el límite inferior m dice dónde empezar y el superior n, dónde terminar. Si m > n, la suma vale 0 y el producto, 1.

Tomemos la lista x = (3, 1, 4, 1, 5), es decir, x₁ = 3, x₂ = 1, etc. Entonces:

La última línea es la fórmula que verás con más frecuencia: (1/n) ∑ es la media. Cuando el sumatorio no tiene límites (∑_i), se suma sobre todos los i que tengan sentido; normalmente, sobre todos los ejemplos de los datos.

5. Funciones, flechas y argmin

f(x) se lee «f de x»: el valor de la función f para la entrada x. La notación f : X → Y («f de X en Y») dice de dónde toma la función sus entradas y a dónde pertenecen sus salidas: f : ℝ² → {0, 1} toma un par de números y devuelve 0 o 1; es un clasificador de puntos del plano.

• x ↦ x² — «x va a x al cuadrado»; describe una función sin nombre,
• f_θ(x) — una función cuyo comportamiento determinan los parámetros θ («f sub theta de x»),
• g ∘ f — composición: primero f, luego g, es decir, g(f(x)),
• θ ← θ − η ∇J — la flecha hacia la izquierda es una asignación en un algoritmo: «el nuevo valor de θ es…»; := significa «se define como».

Definición — min, max, argmin, argmax

min_{x ∈ X} f(x) es el valor más pequeño que toma f en el conjunto X.

argmin_{x ∈ X} f(x) es el x (o el conjunto de todos esos x) en el que f alcanza ese valor mínimo. Análogamente, max y argmax.

6. Conectivas lógicas y cuantificadores

Definición — negación de los cuantificadores

¬(∀x : P(x)) ⇔ ∃x : ¬P(x)   y   ¬(∃x : P(x)) ⇔ ∀x : ¬P(x).

Cuidado con la implicación ⇒: solo afirma que, si se cumple P, también se cumple Q. Sobre el caso en que P no se cumple no dice nada. De x > 2 ⇒ x² > 4 no se deduce que x² > 4 ⇒ x > 2: basta tomar x = −3.

7. Otros signos que te encontrarás

• |x| — valor absoluto (|−3| = 3); ‖x‖ — longitud de un vector (norma),
• ⌊x⌋, ⌈x⌉ — redondeo hacia abajo y hacia arriba (⌊2,7⌋ = 2, ⌈2,1⌉ = 3),
• ≈ — aproximadamente igual; ∝ — proporcional a («crece igual que»); ≫ — mucho mayor que,
• ∞ — infinito; [0, 1] — intervalo con los extremos incluidos, (0, 1) — sin ellos,
• ∇f («nabla f») — gradiente, la dirección de crecimiento más rápido; ∂f/∂x — derivada parcial,
• O(n²) — «O grande de n al cuadrado»: con qué rapidez crece el tiempo o la memoria de un algoritmo,
• P(A | B) — probabilidad de A sabiendo que ha ocurrido B; 𝔼[X] — valor esperado,
• w^⊤ — trasposición: la fila pasa a columna y viceversa; w^⊤x es el producto escalar.

8. Lee una definición completa

Ahora lo juntamos todo. Esta es la definición del entrenamiento de un modelo de la parte sobre los tipos de aprendizaje automático. Los números de colores remiten a las explicaciones de debajo:

1. θ* — «theta estrella»: los mejores parámetros del modelo, los que buscamos.
2. argmin_θ — «el θ para el que la expresión siguiente es mínima».
3. (1/n) ∑_i=1ⁿ — la media sobre los n ejemplos de los datos.
4. L( … ) — función de pérdida: cuánto cuesta un error.
5. f_θ(x_i) — lo que responde el modelo con parámetros θ a la i-ésima entrada.
6. y_i — la respuesta correcta para la i-ésima entrada.

Y una más, de la parte sobre búsqueda: la función de prioridad del algoritmo A*:

Se lee «f de n es igual a g de n más h de n»: la estimación del coste de todo el camino que pasa por el estado n es el coste que ya hemos pagado hasta n (g) más una estimación de lo que queda (h). El mismo método sirve para cualquier definición: encontrar la relación principal (=, ≤, ⇔), descomponer ambos lados en partes y traducir cada una a palabras.

9. Chuleta

10. Resumen

• La notación matemática es una frase abreviada: se lee de izquierda a derecha, símbolo a símbolo.
• Los subíndices distinguen valores y las letras griegas tienen en IA significados establecidos (θ parámetros, η tasa de aprendizaje, γ descuento).
• ∑ es un bucle que suma; (1/n) ∑ es la media; argmin busca el lugar, no el valor.
• ∀ y ∃ convierten propiedades en afirmaciones precisas; para refutar un «para todo» basta un contraejemplo.

Con este vocabulario podrás leer todas las definiciones de la serie. Si te encuentras con un símbolo que falte aquí, escríbenos y lo añadiremos.

¿Lo ves de otra manera? Escribe a support@coden-app.com.