Modelos formales y pensamiento matemático: hacía una epistemología científica de la psicología
Palabras clave:
Formalización matemática, modelos formales, psicología matemática, falsación, modelo dinámico, inferencia bayesiana, psicología clínica, redes psicológicas, epistemología de la psicologíaResumen
Este ensayo sostiene que la psicología requiere del pensamiento matemático en sentido amplio para fortalecer su carácter científico. Se argumenta que la reducción de las matemáticas al ámbito puramente numérico en la formación escolar limita la capacidad de razonamiento formal de profesionales y estudiantes, favoreciendo la aceptación de discursos carentes de estructura verificable dentro de la práctica clínica. A partir de la distinción entre modelos verbales y modelos formales, se muestra cómo la matematización, ya sea mediante ecuaciones, modelos probabilísticos, estructuras lógicas o topológicas, permite explicitar supuestos, generar predicciones y someter hipótesis a falsación. Se presentan ejemplos de aplicaciones: un modelo logístico hipotético que relaciona incertidumbre situacional y conducta prosocial, y un modelo dinámico inspirado en la física no lineal para describir la interacción terapeuta–paciente. Asimismo, se discute la viabilidad de incorporar formalismos no numéricos, como los propuestos en ciertas lecturas contemporáneas del psicoanálisis, dentro del marco científico siempre que se expresen como estructuras coherentes y contrastables. Se concluye que la formalización matemática no sustituye la dimensión humana de la clínica, sino que la complementa al dotarla de mayor claridad operacional, capacidad predictiva y responsabilidad epistemológica.
Descargas
Referencias
Arumugam, D., Ho, M. K., Goodman, N. D., & Van Roy, B. (2024). Bayesian reinforcement learning with limited cognitive load. Open Mind, 8, 395–438. https://doi.org/10.1162/opmi_a_00132
Franco, V. R., & Iglesias, F. (2023). Invitation to mathematical psychology: Models and benefits of formal theorizing. Psicologia: Teoria e Pesquisa, 39, e39515. https://doi.org/10.1590/0102.3772e39515.en
Golino, H. F., & Epskamp, S. (2016). Exploratory graph analysis: A new approach for estimating the number of dimensions in psychological research. arXiv. https://arxiv.org/abs/1605.02231
Goodwin, I., Hester, R., & Garrido, M. I. (2024). Temporal stability of Bayesian belief updating in perceptual decision-making. Behavior Research Methods, 56(12), 6349–6362. https://doi.org/10.3758/s13428-023-02306-y
Lacan, J. (2013). Escritos 1. Siglo XXI Editores.
Liebovitch, L. S., Peluso, P. R., Norman, M. D., Su, J., & Gottman, J. M. (2011). Mathematical model of the dynamics of psychotherapy. Cognitive Neurodynamics, 5(3), 265–275. https://doi.org/10.1007/s11571-011-9157-x
López Puga, J., García García, J., De la Fuente Sánchez, L., & De la Fuente Solana, E. I. (2007). Las redes bayesianas como herramientas de modelado en psicología. Anales de Psicología, 23(2), 307–316. https://www.redalyc.org/pdf/167/16723218.pdf
Malkin, J., O’Donnell, C., Houghton, C. J., & Aitchison, L. (2024). Signatures of Bayesian inference emerge from energy-efficient synapses. eLife, 12, Article RP92595. https://doi.org/10.7554/eLife.92595
Nachiketa, A. (2019). Mathematical psychology: An approach to psychological research. Research Review International Journal of Multidisciplinary, 4(6), 1025–1030. https://old.rrjournals.com/wp-content/uploads/2019/07/1025-1030_RRIJM190406215.pdf
Pott, J., & Schilbach, L. (2022). Tracking and changing beliefs during social interaction: Where computational psychiatry meets cognitive behavioral therapy. Frontiers in Psychology, 13, Article 1010012. https://doi.org/10.3389/fpsyg.2022.1010012
Ramos, S., López-Tolsa, G. E., Martínez-Herrada, A., Molines, F., Palomino, M., & Pellón, R. (2025). Uso de modelos matemáticos como parte del análisis de datos en psicología: El caso del descuento por demora. Acción Psicológica, 22(1), 101–114. https://doi.org/10.5944/ap.22.1.43727
Rutherford, A. (2021). Mathematical thinking: For people who hate math: Level up your analytical and creative thinking skills: Excel at problem-solving and decision-making. Independently Published.
Townsend, J. T., & Neufeld, R. W. J. (2010). Introduction to special issue on contributions of mathematical psychology to clinical science and assessment. Journal of Mathematical Psychology, 54(1), 1–4. https://doi.org/10.1016/j.jmp.2009.12.003
van den Ende, M. W. J., Epskamp, S., Lees, M. H., van der Maas, H. L. J., Wiers, R. W., & Sloot, P. M. A. (2022). A review of mathematical modeling of addiction regarding both (neuro-)psychological processes and the social contagion perspectives. Addictive Behaviors, 127, Article 107201. https://doi.org/10.1016/j.addbeh.2021.107201
Xu, Z., Hemmer, P., & Zhang, Q. (2025). Towards a generalized Bayesian model of reconstructive memory. Computational Brain & Behavior, 8(2), 134–146. https://doi.org/10.1007/s42113-024-00222-8
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Luis Ángel Ortiz-Catalán

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los autores que publican en la Revista UGC están de acuerdo con los siguientes términos:
1. Derechos de Autor
Los autores conservan los derechos de autor sobre sus trabajos sin restricciones. Los autores otorgan a la revista el derecho de primera publicación. Para ello, ceden a la revista, de forma no exclusiva, los derechos de explotación (reproducción, distribución, comunicación pública y transformación). Los autores pueden establecer otros acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista, siempre que exista un reconocimiento de su publicación inicial en esta revista.
© Los autores.
2. Licencia
Los trabajos se publican en la revista bajo la licencia de Atribución-NoComercial-CompartirIgual 4.0 Internacional de Creative Commons (CC BY-NC-SA 4.0). Los términos se pueden consultar en: https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es
Esta licencia permite:
- Compartir: copiar y redistribuir el material en cualquier medio o formato.
- Adaptar: remezclar, transformar y crear a partir del material.
Bajo los siguientes términos:
- Atribución: ha de reconocer la autoría de manera apropiada, proporcionar un enlace a la licencia e indicar si se ha hecho algún cambio. Puede hacerlo de cualquier manera razonable, pero no de forma tal que sugiera que el licenciador le da soporte o patrocina el uso que se hace.
- NoComercial: no puede utilizar el material para finalidades comerciales.
- CompartirIgual: si remezcla, transforma o crea a partir del material, debe difundir su creación con la misma licencia que la obra original.
No hay restricciones adicionales. No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otros hacer cualquier cosa que la licencia permita.





