pág. 5290
UN MODELO DE INTERACCIÓN NO LINEAL
PARA LA TOMA DE DECISIONES EN
SISTEMAS DUALES
A NONLINEAR INTERACTION MODEL FOR DUAL
SYSTEM DECISION-MAKING
Carlos Ledesma-Alonso
Universidad Anáhuac Campus Norte
pág. 5291
DOI: https://doi.org/10.37811/cl_rcm.v9i3.18161
Un modelo de interacción no lineal para la toma de decisiones en sistemas
duales
Carlos Ledesma-Alonso1
carlos_ledesma@anahuac.mx
https://orcid.org/0009-0005-3744-6422
Estudiante de doctorado, Facultad de Bioética, Universidad Anáhuac Campus Norte
Estado de México, Huixquilucan
RESUMEN
Las teorías de la cognición de doble proceso, popularizadas por el psicólogo y ganador del premio Nobel
en Economía Daniel Kahneman y su colaborador Amos Tvesrky, describen la toma de decisiones como
la interacción entre un sistema rápido e intuitivo (sistema uno) y un sistema lento y deliberativo (sistema
dos). A pesar de las grandes descripciones cualitativas, una simple formalización matemática de su
interacción sigue siendo difícil de alcanzar. Por lo tanto, en este artículo, propongo un modelo algebraico
novedoso que captura la sinergia no lineal entre estos dos sistemas a través de una identidad fundamental
que involucra la diferencia de cuadrados centrada en su activación promedio. Esta formulación
cuantifica el equilibrio cognitivo y la integración, mostrando que la toma de decisiones óptima surge de
la participación estrecha y simétrica de ambos sistemas. El modelo ofrece un marco lento pero poderoso
para simular la dinámica cognitiva, explicar las variaciones en la calidad de las decisiones y explorar
los sesgos que surgen del dominio o la fatiga del sistema. Finalmente, discuto las posibles aplicaciones
en neurociencia e inteligencia artificial, destacando la capacidad del modelo para unir la teoría
cualitativa con la predicción cuantitativa.
Palabras clave: toma de decisiones, sistema dual, sesgo y ruido, interacción no lineal, inteligencia
artificial
1 Autor principal
Correspondencia: carlos_ledesma@anahuac.mx
DOI: https://doi.org/10.37811/cl_rcm.v9i3.18161
Un modelo de interacción no lineal para la toma de decisiones en sistemas
duales
Carlos Ledesma-Alonso1
carlos_ledesma@anahuac.mx
https://orcid.org/0009-0005-3744-6422
Estudiante de doctorado, Facultad de Bioética, Universidad Anáhuac Campus Norte
Estado de México, Huixquilucan
RESUMEN
Las teorías de la cognición de doble proceso, popularizadas por el psicólogo y ganador del premio Nobel
en Economía Daniel Kahneman y su colaborador Amos Tvesrky, describen la toma de decisiones como
la interacción entre un sistema rápido e intuitivo (sistema uno) y un sistema lento y deliberativo (sistema
dos). A pesar de las grandes descripciones cualitativas, una simple formalización matemática de su
interacción sigue siendo difícil de alcanzar. Por lo tanto, en este artículo, propongo un modelo algebraico
novedoso que captura la sinergia no lineal entre estos dos sistemas a través de una identidad fundamental
que involucra la diferencia de cuadrados centrada en su activación promedio. Esta formulación
cuantifica el equilibrio cognitivo y la integración, mostrando que la toma de decisiones óptima surge de
la participación estrecha y simétrica de ambos sistemas. El modelo ofrece un marco lento pero poderoso
para simular la dinámica cognitiva, explicar las variaciones en la calidad de las decisiones y explorar
los sesgos que surgen del dominio o la fatiga del sistema. Finalmente, discuto las posibles aplicaciones
en neurociencia e inteligencia artificial, destacando la capacidad del modelo para unir la teoría
cualitativa con la predicción cuantitativa.
Palabras clave: toma de decisiones, sistema dual, sesgo y ruido, interacción no lineal, inteligencia
artificial
1 Autor principal
Correspondencia: carlos_ledesma@anahuac.mx
pág. 5292
A Nonlinear Interaction Model for Dual System Decision-Making
ABSTRACT
Theories of double-process cognition, popularized by psychologist and Nobel Prize winner in economics
Daniel Kahneman and his collaborator Amos Tvesrky, describe decision-making as the interaction
between a fast, intuitive system (system one) and a slow, deliberative system (system two). Despite the
great qualitative descriptions, a simple mathematical formalization of their interaction remains elusive.
Therefore, in this paper, I propose a novel algebraic model that captures the nonlinear synergy between
these two systems through a fundamental identity involving the difference of squares centered on their
average activation. This formulation quantifies cognitive equilibrium and integration, showing that
optimal decision-making arises from the close and symmetrical participation of both systems. The model
offers a slow but powerful framework for simulating cognitive dynamics, explaining variations in
decision quality, and exploring biases arising from system dominance or fatigue. Finally, I discuss the
possible applications in neuroscience and artificial intelligence, highlighting the model's ability to unite
qualitative theory with quantitative prediction.
Keywords: decision making, dual system, bias and noise, nonlinear interaction, artificial intelligence
Artículo recibido 10 mayo 2025
Aceptado para publicación: 11 junio 2025
A Nonlinear Interaction Model for Dual System Decision-Making
ABSTRACT
Theories of double-process cognition, popularized by psychologist and Nobel Prize winner in economics
Daniel Kahneman and his collaborator Amos Tvesrky, describe decision-making as the interaction
between a fast, intuitive system (system one) and a slow, deliberative system (system two). Despite the
great qualitative descriptions, a simple mathematical formalization of their interaction remains elusive.
Therefore, in this paper, I propose a novel algebraic model that captures the nonlinear synergy between
these two systems through a fundamental identity involving the difference of squares centered on their
average activation. This formulation quantifies cognitive equilibrium and integration, showing that
optimal decision-making arises from the close and symmetrical participation of both systems. The model
offers a slow but powerful framework for simulating cognitive dynamics, explaining variations in
decision quality, and exploring biases arising from system dominance or fatigue. Finally, I discuss the
possible applications in neuroscience and artificial intelligence, highlighting the model's ability to unite
qualitative theory with quantitative prediction.
Keywords: decision making, dual system, bias and noise, nonlinear interaction, artificial intelligence
Artículo recibido 10 mayo 2025
Aceptado para publicación: 11 junio 2025
pág. 5293
INTRODUCCIÓN
La toma de decisiones es un tema ampliamente debatido en el ámbito de las neurociencias, la psicología
cognitiva, la economía y recientemente, ha adquirido un lugar especial con la llegada de la inteligencia
artificial. Diariamente, los humanos tomamos decisiones sin necesariamente razonar o deliberar un
pensamiento largo y agotador, es decir, son rápidas e intuitivas. De vez en cuando, nos topamos con un
problema o dilema, en el que para tomar una decisión, se requiere de al menos tres componentes: tiempo,
razonamiento deductivo y lógica. Todo esto en una concatenación de eventos que aunque determinados,
son impredecibles.
El monumental trabajo del psicólogo y ganador del premio Nobel de Economía Daniel Kahneman y su
colaborador Amos Tersky, explicó en gran parte la toma de decisiones y la relación que tiene ésta con la
psicología cognitiva y la economía. De hecho, en su libro Pensar Rápido y Despacio, Kahneman explica
el fenómeno de la toma de decisiones humanas y cómo afectan en la economía con una notable destreza
(Kahneman, 2011). Además, demuestra que los humanos percibimos aversión a las pérdidas en función
a los sentimientos involucrados en cierto tipo de tareas conductuales (McGraw et al., 2010).
Con respecto a los dos sistemas propuestos por Kahneman, el sistema uno genera intuiciones y
operaciones automáticas que rara vez se atascan, y son inconscientes de la memoria asociativa; mientras
que el sistema dos, es lento y consciente (Morewedge & Kahneman, 2010), es decir, mientras que el
primero utiliza un método inductivo, el segundo usa uno deductivo. Cabe enfatizar que aunque el sistema
uno, es prácticamente automático por su fácil accesibilidad, generalmente es exitoso (Kahneman, 2003).
No obstante, no podemos tomar todas las decisiones de manera automática, se necesita de la deliberación
razonada, es decir, asumir riesgos calculados y acotados. En adición, debemos de tomar en cuenta que
los sesgos o el ruido estarán presentes en prácticamente todas las decisiones que tomemos (Kahneman
et al., 2021).
Al respecto, las heurísticas son atajos, y por definición son de fácil acceso para tomar decisiones, sin
embargo, a la larga resultan muchas veces en fallos o errores (Tversky & Kahneman, 1974), es por eso
que en principio, un sistema dual de decisiones debe estar balanceado, que es el núcleo de la propuesta
del artículo. El enfoque de este artículo es matemático, no necesariamente neurobiológico, aunque puede
tener una interpretación neurocientífica aludiendo a algunas estructuras relacionadas con la toma de
INTRODUCCIÓN
La toma de decisiones es un tema ampliamente debatido en el ámbito de las neurociencias, la psicología
cognitiva, la economía y recientemente, ha adquirido un lugar especial con la llegada de la inteligencia
artificial. Diariamente, los humanos tomamos decisiones sin necesariamente razonar o deliberar un
pensamiento largo y agotador, es decir, son rápidas e intuitivas. De vez en cuando, nos topamos con un
problema o dilema, en el que para tomar una decisión, se requiere de al menos tres componentes: tiempo,
razonamiento deductivo y lógica. Todo esto en una concatenación de eventos que aunque determinados,
son impredecibles.
El monumental trabajo del psicólogo y ganador del premio Nobel de Economía Daniel Kahneman y su
colaborador Amos Tersky, explicó en gran parte la toma de decisiones y la relación que tiene ésta con la
psicología cognitiva y la economía. De hecho, en su libro Pensar Rápido y Despacio, Kahneman explica
el fenómeno de la toma de decisiones humanas y cómo afectan en la economía con una notable destreza
(Kahneman, 2011). Además, demuestra que los humanos percibimos aversión a las pérdidas en función
a los sentimientos involucrados en cierto tipo de tareas conductuales (McGraw et al., 2010).
Con respecto a los dos sistemas propuestos por Kahneman, el sistema uno genera intuiciones y
operaciones automáticas que rara vez se atascan, y son inconscientes de la memoria asociativa; mientras
que el sistema dos, es lento y consciente (Morewedge & Kahneman, 2010), es decir, mientras que el
primero utiliza un método inductivo, el segundo usa uno deductivo. Cabe enfatizar que aunque el sistema
uno, es prácticamente automático por su fácil accesibilidad, generalmente es exitoso (Kahneman, 2003).
No obstante, no podemos tomar todas las decisiones de manera automática, se necesita de la deliberación
razonada, es decir, asumir riesgos calculados y acotados. En adición, debemos de tomar en cuenta que
los sesgos o el ruido estarán presentes en prácticamente todas las decisiones que tomemos (Kahneman
et al., 2021).
Al respecto, las heurísticas son atajos, y por definición son de fácil acceso para tomar decisiones, sin
embargo, a la larga resultan muchas veces en fallos o errores (Tversky & Kahneman, 1974), es por eso
que en principio, un sistema dual de decisiones debe estar balanceado, que es el núcleo de la propuesta
del artículo. El enfoque de este artículo es matemático, no necesariamente neurobiológico, aunque puede
tener una interpretación neurocientífica aludiendo a algunas estructuras relacionadas con la toma de
pág. 5294
decisiones. Como principio se utiliza el algebra aplicada a un problema en neurociencia partiendo de
una forma más de expresar un producto, pero considerando un eje simétrico o punto de equilibrio
cognitivo.
DESARROLLO
Toma de decisiones: modelos matemáticos y redes neuronales
Algunos autores han categorizado los elementos básicos de la toma de decisiones, a saber, preferencias
opciones, selección y ejecución de la acción y la evaluación de los resultados (Ernst & Paulus, 2005).
Nuestras preferencias dependen a su vez, de muchos factores, que el contexto confiere. Mediante
técnicas de neuroimagen o estimulación magnética transcraneal, se han mapeado algunas estructuras
involucradas en la toma de decisiones, siendo muy relevantes la corteza prefrontal, la corteza cingulada
anterior o el sistema límbico (Rilling et al., 2008). En un contexto social, se han identificado sistemas
de castigo y recompensa o la regulación emocional, como bases neuronales decidir en un entorno
enteramente social (Rilling & Sanfey, 2011). En términos de entrada y salida, el cerebro evalúa las
entradas para responder con una salida. En ratones, se ha demostrado cómo los sistemas dopaminérgicos
y gabaérgicos están estrechamente relacionados con la motivación y la recompensa en una tarea
conductual de señal olfativa (Cohen et al., 2012), lo cual puede determinar la ulterior respuesta del ratón.
Si restringimos un poco más la toma de decisiones, delimitándola con base en factores que confiere el
contexto, podemos simplificar este fenómeno aún más. Un excelente modelo biológico es el gusano C.
elegans. Dado que su circuitería neuronal está compuesta por 302 neuronas, la investigación en estos
nemátodos ha resultado sustancial para el entendimiento de la toma de decisiones, incluso se ha
analizado su cableado neuronal tomando en cuenta 279 neuronas y 2990 conexiones dirigidas (Varshney
et al., 2011). A su vez, se han realizado múltiples experimentos que revelan las bases neurobiológicas
con un enfoque matemático y de modelos computacionales de la toma de decisiones en C. elegans, en
función a la exploración o la búsqueda de alimento (Haley et al., 2025; Haley & Chalasani, 2024).
También se ha demostrado que durante una toma de decisiones perceptual, la acumulación de
información sensorial es crucial para determinar una elección, analizado desde un punto de vista
molecular y a su vez, matemático (Tanimoto & Kimura, 2019).
decisiones. Como principio se utiliza el algebra aplicada a un problema en neurociencia partiendo de
una forma más de expresar un producto, pero considerando un eje simétrico o punto de equilibrio
cognitivo.
DESARROLLO
Toma de decisiones: modelos matemáticos y redes neuronales
Algunos autores han categorizado los elementos básicos de la toma de decisiones, a saber, preferencias
opciones, selección y ejecución de la acción y la evaluación de los resultados (Ernst & Paulus, 2005).
Nuestras preferencias dependen a su vez, de muchos factores, que el contexto confiere. Mediante
técnicas de neuroimagen o estimulación magnética transcraneal, se han mapeado algunas estructuras
involucradas en la toma de decisiones, siendo muy relevantes la corteza prefrontal, la corteza cingulada
anterior o el sistema límbico (Rilling et al., 2008). En un contexto social, se han identificado sistemas
de castigo y recompensa o la regulación emocional, como bases neuronales decidir en un entorno
enteramente social (Rilling & Sanfey, 2011). En términos de entrada y salida, el cerebro evalúa las
entradas para responder con una salida. En ratones, se ha demostrado cómo los sistemas dopaminérgicos
y gabaérgicos están estrechamente relacionados con la motivación y la recompensa en una tarea
conductual de señal olfativa (Cohen et al., 2012), lo cual puede determinar la ulterior respuesta del ratón.
Si restringimos un poco más la toma de decisiones, delimitándola con base en factores que confiere el
contexto, podemos simplificar este fenómeno aún más. Un excelente modelo biológico es el gusano C.
elegans. Dado que su circuitería neuronal está compuesta por 302 neuronas, la investigación en estos
nemátodos ha resultado sustancial para el entendimiento de la toma de decisiones, incluso se ha
analizado su cableado neuronal tomando en cuenta 279 neuronas y 2990 conexiones dirigidas (Varshney
et al., 2011). A su vez, se han realizado múltiples experimentos que revelan las bases neurobiológicas
con un enfoque matemático y de modelos computacionales de la toma de decisiones en C. elegans, en
función a la exploración o la búsqueda de alimento (Haley et al., 2025; Haley & Chalasani, 2024).
También se ha demostrado que durante una toma de decisiones perceptual, la acumulación de
información sensorial es crucial para determinar una elección, analizado desde un punto de vista
molecular y a su vez, matemático (Tanimoto & Kimura, 2019).
pág. 5295
Las investigaciones realizadas en estos modelos biológicos, han develado que la toma de decisiones
puede modelarse matemáticamente o incluso, simular modelos haciendo uso de redes neuronales. Se
debe ser cauto al afirmar que la toma de decisiones se reduce a la matemática, ya que dicha aseveración
sería falsa. Los modelos matemáticos con base algebráica son una herramienta para analizar y predecir
una toma de decisiones, nada más. Hay que enfatizar que las interacciones lineales y no lineales pueden
ayudar a vislumbrar fenómenos de causa y efecto. Esto no es nuevo, a finales de la década de los 90’s,
se propuso un modelo matemático para la toma de decisiones humana que constaba de seis etapas y
utilizaba funciones polinomiales y una gran cantidad de variables (Bezerra et al., 1996). En la actualidad,
las redes neuronales profundas de alta capacidad permiten analizar comportamientos cognitivos
complejos y esto se ha probado en tareas conductuales de aprendizaje explicando y prediciendo ciertos
patrones (Fintz et al., 2022).
Aplicaciones del marco dual: Sistemas uno y dos
Las aplicaciones de este marco dual de sistemas uno y dos, ha resultado útil en muchos campos, ya que
se pueden analizar desde distintos enfoques. En medicina, se ha utilizado para medir la precisión de los
médicos basados en el sistema uno y determinar si un paciente está enfermo o no, llegando a la
conclusión de que, aunque la respuesta rápida tuvo un porcentaje alto (cerca del 80%), la conjugación
de la experiencia y el razonamiento, da mejores resultados (Cabrera et al., 2015).
Por otro lado, se ha utilizado la Ley de Weber, quien describió la relación entre la magnitud física y la
intensidad de un estímulo, para extraer los componentes neuronales dinámicos en la toma de decisiones
(Deco et al., 2007), demostrando que un modelo de este tipo puede aplicarse para estudiar este
fenómeno. Otro tipo de estudios en redes neuronales demuestran que en tareas cognitivas como
planificar o tomar decisiones, que necesariamente contemplan la corteza prefrontal, y un sistema de
dopaminérgico de recompensa, y dada la naturaleza de la tarea cierto grupo de neuronas se movilizan o
se suprimen de manera selectiva (Dehaene et al., 1998; Dehaene & Changeux, 2000), mostrando así una
especie de sinergia.
De hecho, en términos neuroanatómicos, se considera que la sede de la toma de decisiones en general
es la corteza prefrontal (Sakagami & Pan, 2007), esto ha sido demostrado indirectamente cuando esta
estructura no funciona adecuadamente en un individuo (Anderson et al., 1999; Bramham et al., 2009;
Las investigaciones realizadas en estos modelos biológicos, han develado que la toma de decisiones
puede modelarse matemáticamente o incluso, simular modelos haciendo uso de redes neuronales. Se
debe ser cauto al afirmar que la toma de decisiones se reduce a la matemática, ya que dicha aseveración
sería falsa. Los modelos matemáticos con base algebráica son una herramienta para analizar y predecir
una toma de decisiones, nada más. Hay que enfatizar que las interacciones lineales y no lineales pueden
ayudar a vislumbrar fenómenos de causa y efecto. Esto no es nuevo, a finales de la década de los 90’s,
se propuso un modelo matemático para la toma de decisiones humana que constaba de seis etapas y
utilizaba funciones polinomiales y una gran cantidad de variables (Bezerra et al., 1996). En la actualidad,
las redes neuronales profundas de alta capacidad permiten analizar comportamientos cognitivos
complejos y esto se ha probado en tareas conductuales de aprendizaje explicando y prediciendo ciertos
patrones (Fintz et al., 2022).
Aplicaciones del marco dual: Sistemas uno y dos
Las aplicaciones de este marco dual de sistemas uno y dos, ha resultado útil en muchos campos, ya que
se pueden analizar desde distintos enfoques. En medicina, se ha utilizado para medir la precisión de los
médicos basados en el sistema uno y determinar si un paciente está enfermo o no, llegando a la
conclusión de que, aunque la respuesta rápida tuvo un porcentaje alto (cerca del 80%), la conjugación
de la experiencia y el razonamiento, da mejores resultados (Cabrera et al., 2015).
Por otro lado, se ha utilizado la Ley de Weber, quien describió la relación entre la magnitud física y la
intensidad de un estímulo, para extraer los componentes neuronales dinámicos en la toma de decisiones
(Deco et al., 2007), demostrando que un modelo de este tipo puede aplicarse para estudiar este
fenómeno. Otro tipo de estudios en redes neuronales demuestran que en tareas cognitivas como
planificar o tomar decisiones, que necesariamente contemplan la corteza prefrontal, y un sistema de
dopaminérgico de recompensa, y dada la naturaleza de la tarea cierto grupo de neuronas se movilizan o
se suprimen de manera selectiva (Dehaene et al., 1998; Dehaene & Changeux, 2000), mostrando así una
especie de sinergia.
De hecho, en términos neuroanatómicos, se considera que la sede de la toma de decisiones en general
es la corteza prefrontal (Sakagami & Pan, 2007), esto ha sido demostrado indirectamente cuando esta
estructura no funciona adecuadamente en un individuo (Anderson et al., 1999; Bramham et al., 2009;
pág. 5296
Manes et al., 2002). Cabe resaltar que hay cuatro teorías de integración de sistemas de decisión
(pavlovianos, deliberativos y procedimentales) que intentan explicar cómo se toma la decisión con la
influencia de estos tres sistemas cognitivos (McLaughlin et al., 2021).
Cuantificando la interacción no lineal entre intuición y razonamiento: una propuesta basada en
una identidad algebraica
En la búsqueda por formalizar la interacción entre los dos sistemas de toma de decisiones propuestos
por Kahneman presento una ecuación sencilla pero potente que describe la sinergia entre ambos. Esta
ecuación se basa en una identidad algebraica hasta ahora nada explorada en el campo cognitivo:
𝐷(𝑥, 𝑦) = (𝑥 + 𝑦
2 )
2
− [𝑥 + 𝑦
2 − 𝑥]
2
= 𝑥𝑦
Ecuación 1. Identidad matemática donde 𝑥, 𝑦 representan las activaciones respectivas de los sistemas 1
y 2, y D (𝑥, 𝑦) el resultado de su interacción en la decisión final. Si uno de los sistemas está colapsado
(𝑥 = 0 o 𝑦 = 0) la interacción desaparece D=0. El equilibrio entre 𝑥 y 𝑦, maximiza el valor: si 𝑥 = 𝑦
entonces D = 𝑥2.
La ecuación 1 no es más que una forma de expresar el producto de xy. Es una identidad, pero que resulta
tener aplicaciones dada su manera inusual de expresarse. La idea fue dada debido a que si sustituimos
tanto 𝑥 como 𝑦 como productos del sistema uno (respuesta) y dos (estímulo) respectivamente, se
produce una sinergia cognitiva, esto es, la efectividad aumenta cuando ambos sistemas están
activamente involucrados en la toma de decisión.
Esta igualdad no es solo una curiosidad matemática, sino que refleja una idea intuitiva: la decisión
óptima surge cuando ambos sistemas trabajan en equilibrio, es decir, cuando sus activaciones son
similares y se potencian mutuamente. Si uno domina claramente al otro, el valor resultante disminuye,
mostrando cómo el desequilibrio puede reducir la calidad o efectividad de la decisión.
En otras palabras, esta identidad permite cuantificar la interacción no lineal, la sinergia (en este caso
cognitiva) que es difícil de capturar con funciones lineales simples. Esto es fundamental porque la toma
de decisiones humana rara vez es una suma directa de intuición y razonamiento; más bien, es una
combinación compleja donde ambos sistemas influyen y modulan el resultado (Morewedge &
Kahneman, 2010). A diferencia de otras formas algebraicamente equivalentes del producto, esta
Manes et al., 2002). Cabe resaltar que hay cuatro teorías de integración de sistemas de decisión
(pavlovianos, deliberativos y procedimentales) que intentan explicar cómo se toma la decisión con la
influencia de estos tres sistemas cognitivos (McLaughlin et al., 2021).
Cuantificando la interacción no lineal entre intuición y razonamiento: una propuesta basada en
una identidad algebraica
En la búsqueda por formalizar la interacción entre los dos sistemas de toma de decisiones propuestos
por Kahneman presento una ecuación sencilla pero potente que describe la sinergia entre ambos. Esta
ecuación se basa en una identidad algebraica hasta ahora nada explorada en el campo cognitivo:
𝐷(𝑥, 𝑦) = (𝑥 + 𝑦
2 )
2
− [𝑥 + 𝑦
2 − 𝑥]
2
= 𝑥𝑦
Ecuación 1. Identidad matemática donde 𝑥, 𝑦 representan las activaciones respectivas de los sistemas 1
y 2, y D (𝑥, 𝑦) el resultado de su interacción en la decisión final. Si uno de los sistemas está colapsado
(𝑥 = 0 o 𝑦 = 0) la interacción desaparece D=0. El equilibrio entre 𝑥 y 𝑦, maximiza el valor: si 𝑥 = 𝑦
entonces D = 𝑥2.
La ecuación 1 no es más que una forma de expresar el producto de xy. Es una identidad, pero que resulta
tener aplicaciones dada su manera inusual de expresarse. La idea fue dada debido a que si sustituimos
tanto 𝑥 como 𝑦 como productos del sistema uno (respuesta) y dos (estímulo) respectivamente, se
produce una sinergia cognitiva, esto es, la efectividad aumenta cuando ambos sistemas están
activamente involucrados en la toma de decisión.
Esta igualdad no es solo una curiosidad matemática, sino que refleja una idea intuitiva: la decisión
óptima surge cuando ambos sistemas trabajan en equilibrio, es decir, cuando sus activaciones son
similares y se potencian mutuamente. Si uno domina claramente al otro, el valor resultante disminuye,
mostrando cómo el desequilibrio puede reducir la calidad o efectividad de la decisión.
En otras palabras, esta identidad permite cuantificar la interacción no lineal, la sinergia (en este caso
cognitiva) que es difícil de capturar con funciones lineales simples. Esto es fundamental porque la toma
de decisiones humana rara vez es una suma directa de intuición y razonamiento; más bien, es una
combinación compleja donde ambos sistemas influyen y modulan el resultado (Morewedge &
Kahneman, 2010). A diferencia de otras formas algebraicamente equivalentes del producto, esta
pág. 5297
expresión incorpora de manera natural el promedio entre los dos sistemas como eje de referencia, y
traduce su interacción en una desviación respecto a ese punto de equilibrio compartido. Así, la decisión
deja de representarse como una mera suma de impulsos y argumentos, para entenderse como el resultado
emergente de una interacción no lineal cuyo centro es el balance cognitivo. El valor distintivo de esta
formulación no radica solo en su validez matemática, sino en que su estructura refleja con notable
fidelidad la geometría interna del modelo dual, cosa que otras expresiones no logran capturar con igual
elegancia ni pertinencia teórica.
Extensiones del modelo matemático
Para capturar mejor la diversidad y complejidad de la toma de decisiones humana basado en una
ecuación, a saber, ecuación 1, propongo dos extensiones de ésta que son simples y lógicas. Mientras que
la primera ecuación (2) modela cómo los sistemas se combinan; la segunda (3) dictamina cómo se
degradan.
Asimetría en la cooperación entre dos sistemas
Introduje un parámetro α, que permite modelar la preferencia o el peso que un individuo otorga al
sistema uno frente al sistema dos:
𝐷𝛼(𝑥, 𝑦) = (𝛼𝑥 + (1 − 𝛼)𝑦
2 )
2
− (𝛼𝑥 + (1 − 𝑎)𝑦
2 − 𝑥)
2
Ecuación 2. Donde 𝑥 es la activación del sistema 1 (intuición), 𝑦 es la activación del sistema 2
(razonamiento) y α ∈ [0, 1.0] representa el sesgo hacia la intuición.
La ecuación 2 se puede interpretar del siguiente modo: mientras más alto sea el valor de α, el individuo
tenderá a actuar por instinto, mientras que si tiende a 0 sus decisiones serán más razonables. Así este
modelo permite afectar la decisión en función al sesgo.
Ruido o fatiga cognitiva
En la vida cotidiana, el sistema dos suele estar sujeto a factores de energía y tiempo, por lo tanto, es
lógico pensar que pueda llegar a fatigarse (colapsarse) y lo que implica es que toda decisión sería tomada
desde la emoción. Esto también se puede representar de manera clara en una ecuación, deducida de
manera lógica de la Ecuación 1, partiendo de la interacción entre ambos sistemas.
𝐷(𝑥, 𝑦, 𝑓) = 𝑥 ⋅ 𝑦 ⋅ (1 − 𝑓)
expresión incorpora de manera natural el promedio entre los dos sistemas como eje de referencia, y
traduce su interacción en una desviación respecto a ese punto de equilibrio compartido. Así, la decisión
deja de representarse como una mera suma de impulsos y argumentos, para entenderse como el resultado
emergente de una interacción no lineal cuyo centro es el balance cognitivo. El valor distintivo de esta
formulación no radica solo en su validez matemática, sino en que su estructura refleja con notable
fidelidad la geometría interna del modelo dual, cosa que otras expresiones no logran capturar con igual
elegancia ni pertinencia teórica.
Extensiones del modelo matemático
Para capturar mejor la diversidad y complejidad de la toma de decisiones humana basado en una
ecuación, a saber, ecuación 1, propongo dos extensiones de ésta que son simples y lógicas. Mientras que
la primera ecuación (2) modela cómo los sistemas se combinan; la segunda (3) dictamina cómo se
degradan.
Asimetría en la cooperación entre dos sistemas
Introduje un parámetro α, que permite modelar la preferencia o el peso que un individuo otorga al
sistema uno frente al sistema dos:
𝐷𝛼(𝑥, 𝑦) = (𝛼𝑥 + (1 − 𝛼)𝑦
2 )
2
− (𝛼𝑥 + (1 − 𝑎)𝑦
2 − 𝑥)
2
Ecuación 2. Donde 𝑥 es la activación del sistema 1 (intuición), 𝑦 es la activación del sistema 2
(razonamiento) y α ∈ [0, 1.0] representa el sesgo hacia la intuición.
La ecuación 2 se puede interpretar del siguiente modo: mientras más alto sea el valor de α, el individuo
tenderá a actuar por instinto, mientras que si tiende a 0 sus decisiones serán más razonables. Así este
modelo permite afectar la decisión en función al sesgo.
Ruido o fatiga cognitiva
En la vida cotidiana, el sistema dos suele estar sujeto a factores de energía y tiempo, por lo tanto, es
lógico pensar que pueda llegar a fatigarse (colapsarse) y lo que implica es que toda decisión sería tomada
desde la emoción. Esto también se puede representar de manera clara en una ecuación, deducida de
manera lógica de la Ecuación 1, partiendo de la interacción entre ambos sistemas.
𝐷(𝑥, 𝑦, 𝑓) = 𝑥 ⋅ 𝑦 ⋅ (1 − 𝑓)
pág. 5298
Ecuación 3. Donde 𝑥, 𝑦 son activaciones de los sistemas 1 y 2. 𝑓 ∈ [0,1.0] representará el nivel de fatiga
cognitiva, donde 0 es alerta total y 1 es colapso absoluto.
La incorporación de una variable de fatiga cognitiva (𝑓) surge como una extensión lógica del modelo
propuesto, donde la interacción entre intuición y razonamiento se ve modulada por la carga mental o el
agotamiento. Aunque la formulación explícita 𝑥 ⋅ 𝑦 ⋅ (1 − 𝑓) fue sistematizada posteriormente, su
fundamento conceptual está implícito en la estructura original de la ecuación y en el enfoque cognitivo
que la sustenta.
Simulación de ambas extensiones
• Un joven decide si defender en público a una persona criticada injustamente. Su intuición le
sugiere no intervenir (𝑥 = 0.3, miedo inmediato). Su razonamiento ético indica que debe hablar (𝑦 = 0.9,
valor moral) Si asignamos valores:
• 𝑥 = 0.3 (miedo o temor)
• 𝑦 = 0.9 (valor moral)
Tabla 1. Valor de la función asimétrica Dα( 𝑥, 𝑦) con 𝑥 = 0.3, 𝑦 = 0.9, para diferentes valores de α, que
representa el peso del sistema uno. A medida que aumenta α, la decisión se inclina hacia el impulso
emocional, reduciendo el impacto del razonamiento ético. La fórmula permite visualizar cómo la
ponderación entre sistemas modifica la salida decisional sin necesidad de introducir variables externas.
Analicemos brevemente un ejemplo con la fatiga o ruido utilizando la ecuación 3.
Α Individuo Dα (𝒙, 𝒚) Interpretación
0.2 Muy racional 0.486 La razón predomina; decide intervenir pese a su valor
emocional
0.5 Equilibrado 0.315 Indecisión; la tensión entre temor y deber es máxima
0.8 Muy impulsivo 0.126 La emoción de autoprotección predomina; decide no
intervenir
1.0 Intuición pura 0 No hay intervención racional; interviene por mero impulso
• Un médico que ha trabajado durante 10 horas seguidas se enfrenta a una situación compleja:
debe decidir si reporta o no una falta menor cometida por un colega que podría ponerlo en riesgo laboral,
pero que no ha tenido consecuencias graves.
Asignemos valores:
Ecuación 3. Donde 𝑥, 𝑦 son activaciones de los sistemas 1 y 2. 𝑓 ∈ [0,1.0] representará el nivel de fatiga
cognitiva, donde 0 es alerta total y 1 es colapso absoluto.
La incorporación de una variable de fatiga cognitiva (𝑓) surge como una extensión lógica del modelo
propuesto, donde la interacción entre intuición y razonamiento se ve modulada por la carga mental o el
agotamiento. Aunque la formulación explícita 𝑥 ⋅ 𝑦 ⋅ (1 − 𝑓) fue sistematizada posteriormente, su
fundamento conceptual está implícito en la estructura original de la ecuación y en el enfoque cognitivo
que la sustenta.
Simulación de ambas extensiones
• Un joven decide si defender en público a una persona criticada injustamente. Su intuición le
sugiere no intervenir (𝑥 = 0.3, miedo inmediato). Su razonamiento ético indica que debe hablar (𝑦 = 0.9,
valor moral) Si asignamos valores:
• 𝑥 = 0.3 (miedo o temor)
• 𝑦 = 0.9 (valor moral)
Tabla 1. Valor de la función asimétrica Dα( 𝑥, 𝑦) con 𝑥 = 0.3, 𝑦 = 0.9, para diferentes valores de α, que
representa el peso del sistema uno. A medida que aumenta α, la decisión se inclina hacia el impulso
emocional, reduciendo el impacto del razonamiento ético. La fórmula permite visualizar cómo la
ponderación entre sistemas modifica la salida decisional sin necesidad de introducir variables externas.
Analicemos brevemente un ejemplo con la fatiga o ruido utilizando la ecuación 3.
Α Individuo Dα (𝒙, 𝒚) Interpretación
0.2 Muy racional 0.486 La razón predomina; decide intervenir pese a su valor
emocional
0.5 Equilibrado 0.315 Indecisión; la tensión entre temor y deber es máxima
0.8 Muy impulsivo 0.126 La emoción de autoprotección predomina; decide no
intervenir
1.0 Intuición pura 0 No hay intervención racional; interviene por mero impulso
• Un médico que ha trabajado durante 10 horas seguidas se enfrenta a una situación compleja:
debe decidir si reporta o no una falta menor cometida por un colega que podría ponerlo en riesgo laboral,
pero que no ha tenido consecuencias graves.
Asignemos valores:
pág. 5299
• 𝑥 =0.6 el sistema uno le insta proteger al colega (impulso por empatía).
• 𝑦 =0.8 el sistema dos dictamina que lo correcto es reportar el hecho (juicio racional).
Tabla 2. Efecto de la fatiga cognitiva (𝑓) en la interacción entre intuición (𝑥=0.6) y razonamiento moral
(𝑦 =0.8). El modelo muestra cómo el deterioro del sistema 1 reduce la calidad de la decisión,
favoreciendo la respuesta automática.
Nivel de
ruido
Estado mental Valor de D
(𝒙, 𝒚, 𝒇)
Interpretación breve
0.0 Estado óptimo, mente clara 0.48 Evaluación moral equilibrada; ambos
sistemas cooperan.
0.3 Cansancio moderado 0.336 Se reduce la influencia del juicio
racional.
0.6 Fatiga significativa 0.192 El razonamiento pierde fuerza; domina
el impulso.
1.0 Colapso cognitivo,
saturación mental
0.0 No hay cooperación: se actúa
automáticamente o se evita decidir.
Un hecho que podemos deducir de ambas ecuaciones es que los sistemas cognitivos raramente actúan
en perfecto equilibrio, ya que tendrían siempre la máxima eficiencia. En consecuencia y con respecto
de lo que argumenta Kahneman, tanto el sesgo como el ruido, son dos factores que están presentes en la
toma de decisiones humana. Las ecuaciones presentadas sólo son una forma de manifestar incluso
geométricamente, cómo el eje de simetría puede determinar el equilibrio de ambos sistemas.
DISCUSIÓN
Este modelo de interacción no lineal (𝐷 (𝑥, 𝑦) = (𝑥+𝑦
2 )2
− [𝑥+𝑦
2 − 𝑥]2
= 𝑥𝑦) tiene como objetivo
representar si en un contexto donde se debe tomar una decisión, la elección fuera una figura mental que
se construye a partir del promedio entre dos sistemas, pero cuyo valor real depende de cuánto se aleja
uno de ellos del centro de equilibrio y justo ese valor, determina hacia donde se toma la decisión. En
términos biológicos, una posible explicación que puede meter ruido es la hipótesis del marcador
somático de Damasio, que afirma que tenemos biorreguladores somáticos que determinan nuestro estado
• 𝑥 =0.6 el sistema uno le insta proteger al colega (impulso por empatía).
• 𝑦 =0.8 el sistema dos dictamina que lo correcto es reportar el hecho (juicio racional).
Tabla 2. Efecto de la fatiga cognitiva (𝑓) en la interacción entre intuición (𝑥=0.6) y razonamiento moral
(𝑦 =0.8). El modelo muestra cómo el deterioro del sistema 1 reduce la calidad de la decisión,
favoreciendo la respuesta automática.
Nivel de
ruido
Estado mental Valor de D
(𝒙, 𝒚, 𝒇)
Interpretación breve
0.0 Estado óptimo, mente clara 0.48 Evaluación moral equilibrada; ambos
sistemas cooperan.
0.3 Cansancio moderado 0.336 Se reduce la influencia del juicio
racional.
0.6 Fatiga significativa 0.192 El razonamiento pierde fuerza; domina
el impulso.
1.0 Colapso cognitivo,
saturación mental
0.0 No hay cooperación: se actúa
automáticamente o se evita decidir.
Un hecho que podemos deducir de ambas ecuaciones es que los sistemas cognitivos raramente actúan
en perfecto equilibrio, ya que tendrían siempre la máxima eficiencia. En consecuencia y con respecto
de lo que argumenta Kahneman, tanto el sesgo como el ruido, son dos factores que están presentes en la
toma de decisiones humana. Las ecuaciones presentadas sólo son una forma de manifestar incluso
geométricamente, cómo el eje de simetría puede determinar el equilibrio de ambos sistemas.
DISCUSIÓN
Este modelo de interacción no lineal (𝐷 (𝑥, 𝑦) = (𝑥+𝑦
2 )2
− [𝑥+𝑦
2 − 𝑥]2
= 𝑥𝑦) tiene como objetivo
representar si en un contexto donde se debe tomar una decisión, la elección fuera una figura mental que
se construye a partir del promedio entre dos sistemas, pero cuyo valor real depende de cuánto se aleja
uno de ellos del centro de equilibrio y justo ese valor, determina hacia donde se toma la decisión. En
términos biológicos, una posible explicación que puede meter ruido es la hipótesis del marcador
somático de Damasio, que afirma que tenemos biorreguladores somáticos que determinan nuestro estado
pág. 5300
mental, influyendo en la corteza prefrontal (Damasio, 1996), esto implica que hay una carga emocional
en función a cómo nos sintamos.
En adición, existen una buena cantidad de sesgos (disponibilidad, confirmación, disposición, etc.) que
influyen en nuestras elecciones y muchas veces proceden a errores sistemáticos y en la literatura
especializada hay un artículo que compiló un gran número de trabajos relacionados con el sesgo y toma
decisiones y el impacto que tienen éstos, en distintas áreas como finanzas, medicina o administración
(Berthet, 2022). Estudios que incluyen modelos como la Teoría de Detección de Señales o de
Acumulación de Evidencia ayudan a comprender cómo el sesgo influye en las decisiones (Cerracchio
et al., 2023). El interés por los sesgos y las heurísticas ha crecido exponencialmente, y sus resultados
son prometedores ya que se acercan a comprender el cómo y el porqué de la toma de decisiones.
Una de las cuatro teorías para la toma de decisiones basada en sistemas, apuesta por tres los sistemas de
decisión (citados en la sección 3) podrían operar en una estructura jerárquica a través de evidencia
acumulada (McLaughlin et al., 2021). No obstante, en el presente trabajo se habla de la interacción entre
dos sistemas, no tres.
Por otro lado, mientras que los modelos de tipo bayesiano de inferencia tratan la toma de decisiones
como una actualización racional de creencias (Tenenbaum et al., 2006) la formulación aquí expuesta
enfatiza cómo esa racionalidad puede verse sesgada por la activación diferencial de dos sistemas con
pesos distintos, permitiendo una cuantificación explícita del desequilibrio. Otro modelo relevante para
comprender cómo se toman las decisiones en un modelo computacional denominado Drift Diffusion
Model, que se define mediante una serie de ecuaciones matemáticas que contienen diversos parámetros
y estos pueden adquirir ciertos valores, y modela cómo la evidencia se acumula hasta un umbral para
tomar una decisión (Myers et al., 2022), no obstante, mi formulación está enfocada en una sinergia, lo
cual significa que incorpora una interacción simultánea, mas no secuencial.
Finalmente, es importante distinguir el enfoque del estudio; mientras que unos se encargan de predecir
un comportamiento mediante un modelo matemático; otros, intentan comprender el cómo se tomó la
decisión. De ahí que el modelo propuesto, se adapte un poco a ambos enfoques. Hasta el momento, no
hay evidencia en la literatura, que se haya utilizado una identidad algebraica sencilla para reflejar la
dinámica cognitiva de dos sistemas, a saber, el uno y el dos propuestos de Kahneman. No obstante, sí
mental, influyendo en la corteza prefrontal (Damasio, 1996), esto implica que hay una carga emocional
en función a cómo nos sintamos.
En adición, existen una buena cantidad de sesgos (disponibilidad, confirmación, disposición, etc.) que
influyen en nuestras elecciones y muchas veces proceden a errores sistemáticos y en la literatura
especializada hay un artículo que compiló un gran número de trabajos relacionados con el sesgo y toma
decisiones y el impacto que tienen éstos, en distintas áreas como finanzas, medicina o administración
(Berthet, 2022). Estudios que incluyen modelos como la Teoría de Detección de Señales o de
Acumulación de Evidencia ayudan a comprender cómo el sesgo influye en las decisiones (Cerracchio
et al., 2023). El interés por los sesgos y las heurísticas ha crecido exponencialmente, y sus resultados
son prometedores ya que se acercan a comprender el cómo y el porqué de la toma de decisiones.
Una de las cuatro teorías para la toma de decisiones basada en sistemas, apuesta por tres los sistemas de
decisión (citados en la sección 3) podrían operar en una estructura jerárquica a través de evidencia
acumulada (McLaughlin et al., 2021). No obstante, en el presente trabajo se habla de la interacción entre
dos sistemas, no tres.
Por otro lado, mientras que los modelos de tipo bayesiano de inferencia tratan la toma de decisiones
como una actualización racional de creencias (Tenenbaum et al., 2006) la formulación aquí expuesta
enfatiza cómo esa racionalidad puede verse sesgada por la activación diferencial de dos sistemas con
pesos distintos, permitiendo una cuantificación explícita del desequilibrio. Otro modelo relevante para
comprender cómo se toman las decisiones en un modelo computacional denominado Drift Diffusion
Model, que se define mediante una serie de ecuaciones matemáticas que contienen diversos parámetros
y estos pueden adquirir ciertos valores, y modela cómo la evidencia se acumula hasta un umbral para
tomar una decisión (Myers et al., 2022), no obstante, mi formulación está enfocada en una sinergia, lo
cual significa que incorpora una interacción simultánea, mas no secuencial.
Finalmente, es importante distinguir el enfoque del estudio; mientras que unos se encargan de predecir
un comportamiento mediante un modelo matemático; otros, intentan comprender el cómo se tomó la
decisión. De ahí que el modelo propuesto, se adapte un poco a ambos enfoques. Hasta el momento, no
hay evidencia en la literatura, que se haya utilizado una identidad algebraica sencilla para reflejar la
dinámica cognitiva de dos sistemas, a saber, el uno y el dos propuestos de Kahneman. No obstante, sí
pág. 5301
existen trabajos que se ayudan del algebra para explicar fenómenos en neurociencia (Curto et al., 2015;
Steffener et al., 2016). En consecuencia, la identidad algebraica que propuse es una interacción no lineal,
donde el promedio que representa la simetría y la desviación (la asimetría) explica cómo dos sistemas,
a saber el uno y el dos (el intuitivo y el racional, respectivamente) interactúan y esto no depende de su
suma o producto sino de su relación simétrica/asimétrica respecto a un punto central compartido: el
promedio. Esto permite de alguna manera visualizar geométricamente, que una toma de decisiones
basada en estos dos sistemas, puede desplazarse en función a un sesgo o un ruido (extensiones del
modelo), y que su forma óptima o eficiente es cuando están en equilibrio. Dicha forma algebraica puede
utilizarse en muchas áreas, desde la economía, por ej. para entender la dinámica entre dos sistemas, o
en psicología cognitiva, analizando y prediciendo sesgos, o incluso en dilemas éticos, observando cómo
pequeñas afectaciones en la toma de decisiones determinan la elección moral.
CONCLUSIÓN
En este trabajo propongo una interpretación algebraica original de la interacción entre dos sistemas
cognitivos —rápido e intuitivo (sistema uno), y lento y deliberativo (sistema dos)— mediante una
identidad matemática que estructura su relación a partir de un eje de simetría común. A diferencia de
otros enfoques lineales o acumulativos, la ecuación aquí presentada introduce una dinámica no lineal
que incorpora explícitamente la desviación respecto al equilibrio como un componente esencial del
resultado. Las extensiones desarrolladas sobre sesgo cognitivo y fatiga mental demuestran cómo
pequeñas alteraciones en la simetría o intensidad de los sistemas afectan significativamente el proceso
de decisión. Así, la presente propuesta no solo formaliza la teoría dual del trabajo de Kahneman y
Tversky desde un marco matemático accesible, sino que abre un campo de análisis más profundo sobre
cómo se configura cognitivamente el juicio humano. Este modelo puede servir como base para futuras
aplicaciones en economía o neurociencia cognitiva que contengan sistemas de tipo dual.
existen trabajos que se ayudan del algebra para explicar fenómenos en neurociencia (Curto et al., 2015;
Steffener et al., 2016). En consecuencia, la identidad algebraica que propuse es una interacción no lineal,
donde el promedio que representa la simetría y la desviación (la asimetría) explica cómo dos sistemas,
a saber el uno y el dos (el intuitivo y el racional, respectivamente) interactúan y esto no depende de su
suma o producto sino de su relación simétrica/asimétrica respecto a un punto central compartido: el
promedio. Esto permite de alguna manera visualizar geométricamente, que una toma de decisiones
basada en estos dos sistemas, puede desplazarse en función a un sesgo o un ruido (extensiones del
modelo), y que su forma óptima o eficiente es cuando están en equilibrio. Dicha forma algebraica puede
utilizarse en muchas áreas, desde la economía, por ej. para entender la dinámica entre dos sistemas, o
en psicología cognitiva, analizando y prediciendo sesgos, o incluso en dilemas éticos, observando cómo
pequeñas afectaciones en la toma de decisiones determinan la elección moral.
CONCLUSIÓN
En este trabajo propongo una interpretación algebraica original de la interacción entre dos sistemas
cognitivos —rápido e intuitivo (sistema uno), y lento y deliberativo (sistema dos)— mediante una
identidad matemática que estructura su relación a partir de un eje de simetría común. A diferencia de
otros enfoques lineales o acumulativos, la ecuación aquí presentada introduce una dinámica no lineal
que incorpora explícitamente la desviación respecto al equilibrio como un componente esencial del
resultado. Las extensiones desarrolladas sobre sesgo cognitivo y fatiga mental demuestran cómo
pequeñas alteraciones en la simetría o intensidad de los sistemas afectan significativamente el proceso
de decisión. Así, la presente propuesta no solo formaliza la teoría dual del trabajo de Kahneman y
Tversky desde un marco matemático accesible, sino que abre un campo de análisis más profundo sobre
cómo se configura cognitivamente el juicio humano. Este modelo puede servir como base para futuras
aplicaciones en economía o neurociencia cognitiva que contengan sistemas de tipo dual.
pág. 5302
REFERENCIAS BIBLIOGRÁFICAS
Anderson, S. W., Bechara, A., Damasio, H., Tranel, D., & Damasio, A. R. (1999). Impairment of social
and moral behavior related to early damage in human prefrontal cortex. Nature Neuroscience,
2(11), 1032–1037. https://doi.org/10.1038/14833
Berthet, V. (2022). The Impact of Cognitive Biases on Professionals’ Decision-Making: A Review of
Four Occupational Areas. Frontiers in Psychology, 12, 802439.
https://doi.org/10.3389/fpsyg.2021.802439
Bezerra, S., Cherruault, Y., Fourcade, J., & Veron, G. (1996). A mathematical model for the human
decision-making process. Mathematical and Computer Modelling, 24(10), 21–26.
https://doi.org/10.1016/S0895-7177(96)00161-6
Bramham, J., Morris, R. G., Hornak, J., Bullock, P., & Polkey, C. E. (2009). Social and emotional
functioning following bilateral and unilateral neurosurgical prefrontal cortex lesions. Journal of
Neuropsychology, 3(Pt 1), 125–143. https://doi.org/10.1348/174866408X293994
Cabrera, D., Thomas, J. F., Wiswell, J. L., Walston, J. M., Anderson, J. R., Hess, E. P., & Bellolio, M. F.
(2015). Accuracy of ‘My Gut Feeling:’ Comparing System 1 to System 2 Decision-Making for
Acuity Prediction, Disposition and Diagnosis in an Academic Emergency Department. Western
Journal of Emergency Medicine, 16(5), 653–657.
https://doi.org/10.5811/westjem.2015.5.25301
Cerracchio, E., Miletić, S., & Forstmann, B. U. (2023). Modelling decision-making biases. Frontiers in
Computational Neuroscience, 17. https://doi.org/10.3389/fncom.2023.1222924
Cohen, J. Y., Haesler, S., Vong, L., Lowell, B. B., & Uchida, N. (2012). Neuron-type specific signals for
reward and punishment in the ventral tegmental area. Nature, 482(7383), 85–88.
https://doi.org/10.1038/nature10754
Curto, C., Itskov, V., Veliz-Cuba, A., & Youngs, N. (2015). The neural ring: An algebraic tool for
analyzing the intrinsic structure of neural codes (No. arXiv:1212.4201). arXiv.
https://doi.org/10.48550/arXiv.1212.4201
REFERENCIAS BIBLIOGRÁFICAS
Anderson, S. W., Bechara, A., Damasio, H., Tranel, D., & Damasio, A. R. (1999). Impairment of social
and moral behavior related to early damage in human prefrontal cortex. Nature Neuroscience,
2(11), 1032–1037. https://doi.org/10.1038/14833
Berthet, V. (2022). The Impact of Cognitive Biases on Professionals’ Decision-Making: A Review of
Four Occupational Areas. Frontiers in Psychology, 12, 802439.
https://doi.org/10.3389/fpsyg.2021.802439
Bezerra, S., Cherruault, Y., Fourcade, J., & Veron, G. (1996). A mathematical model for the human
decision-making process. Mathematical and Computer Modelling, 24(10), 21–26.
https://doi.org/10.1016/S0895-7177(96)00161-6
Bramham, J., Morris, R. G., Hornak, J., Bullock, P., & Polkey, C. E. (2009). Social and emotional
functioning following bilateral and unilateral neurosurgical prefrontal cortex lesions. Journal of
Neuropsychology, 3(Pt 1), 125–143. https://doi.org/10.1348/174866408X293994
Cabrera, D., Thomas, J. F., Wiswell, J. L., Walston, J. M., Anderson, J. R., Hess, E. P., & Bellolio, M. F.
(2015). Accuracy of ‘My Gut Feeling:’ Comparing System 1 to System 2 Decision-Making for
Acuity Prediction, Disposition and Diagnosis in an Academic Emergency Department. Western
Journal of Emergency Medicine, 16(5), 653–657.
https://doi.org/10.5811/westjem.2015.5.25301
Cerracchio, E., Miletić, S., & Forstmann, B. U. (2023). Modelling decision-making biases. Frontiers in
Computational Neuroscience, 17. https://doi.org/10.3389/fncom.2023.1222924
Cohen, J. Y., Haesler, S., Vong, L., Lowell, B. B., & Uchida, N. (2012). Neuron-type specific signals for
reward and punishment in the ventral tegmental area. Nature, 482(7383), 85–88.
https://doi.org/10.1038/nature10754
Curto, C., Itskov, V., Veliz-Cuba, A., & Youngs, N. (2015). The neural ring: An algebraic tool for
analyzing the intrinsic structure of neural codes (No. arXiv:1212.4201). arXiv.
https://doi.org/10.48550/arXiv.1212.4201
pág. 5303
Damasio, A. R. (1996). The somatic marker hypothesis and the possible functions of the prefrontal
cortex. Philosophical Transactions of the Royal Society of London. Series B, Biological
Sciences, 351(1346), 1413–1420. https://doi.org/10.1098/rstb.1996.0125
Deco, G., Scarano, L., & Soto-Faraco, S. (2007). Weber’s Law in Decision Making: Integrating
Behavioral Data in Humans with a Neurophysiological Model. The Journal of Neuroscience,
27(42), 11192–11200. https://doi.org/10.1523/JNEUROSCI.1072-07.2007
Dehaene, S., & Changeux, J. P. (2000). Reward-dependent learning in neuronal networks for planning
and decision making. Progress in Brain Research, 126, 217–229.
https://doi.org/10.1016/S0079-6123(00)26016-0
Dehaene, S., Kerszberg, M., & Changeux, J.-P. (1998). A neuronal model of a global workspace in
effortful cognitive tasks. Proceedings of the National Academy of Sciences of the United States
of America, 95(24), 14529–14534. https://doi.org/10.1073/pnas.95.24.14529
Ernst, M., & Paulus, M. P. (2005). Neurobiology of decision making: A selective review from a
neurocognitive and clinical perspective. Biological Psychiatry, 58(8), 597–604.
https://doi.org/10.1016/j.biopsych.2005.06.004
Fintz, M., Osadchy, M., & Hertz, U. (2022). Using deep learning to predict human decisions and using
cognitive models to explain deep learning models. Scientific Reports, 12(1), 4736.
https://doi.org/10.1038/s41598-022-08863-0
Haley, J. A., & Chalasani, S. H. (2024). C. elegans foraging as a model for understanding the neuronal
basis of decision-making. Cellular and Molecular Life Sciences: CMLS, 81(1), 252.
https://doi.org/10.1007/s00018-024-05223-1
Haley, J. A., Chen, T., Aoi, M., & Chalasani, S. H. (2025). Accept-reject decision-making revealed via
a quantitative and ethological study of C. elegans foraging. eLife, 13.
https://doi.org/10.7554/eLife.103191.2
Kahneman, D. (2003). A perspective on judgment and choice: Mapping bounded rationality. The
American Psychologist, 58(9), 697–720. https://doi.org/10.1037/0003-066X.58.9.697
Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
Kahneman, D., Sibony, O., & Sunstein, C. R. (2021). Noise: A Flaw in Human Judgment. Little, Brown.
Damasio, A. R. (1996). The somatic marker hypothesis and the possible functions of the prefrontal
cortex. Philosophical Transactions of the Royal Society of London. Series B, Biological
Sciences, 351(1346), 1413–1420. https://doi.org/10.1098/rstb.1996.0125
Deco, G., Scarano, L., & Soto-Faraco, S. (2007). Weber’s Law in Decision Making: Integrating
Behavioral Data in Humans with a Neurophysiological Model. The Journal of Neuroscience,
27(42), 11192–11200. https://doi.org/10.1523/JNEUROSCI.1072-07.2007
Dehaene, S., & Changeux, J. P. (2000). Reward-dependent learning in neuronal networks for planning
and decision making. Progress in Brain Research, 126, 217–229.
https://doi.org/10.1016/S0079-6123(00)26016-0
Dehaene, S., Kerszberg, M., & Changeux, J.-P. (1998). A neuronal model of a global workspace in
effortful cognitive tasks. Proceedings of the National Academy of Sciences of the United States
of America, 95(24), 14529–14534. https://doi.org/10.1073/pnas.95.24.14529
Ernst, M., & Paulus, M. P. (2005). Neurobiology of decision making: A selective review from a
neurocognitive and clinical perspective. Biological Psychiatry, 58(8), 597–604.
https://doi.org/10.1016/j.biopsych.2005.06.004
Fintz, M., Osadchy, M., & Hertz, U. (2022). Using deep learning to predict human decisions and using
cognitive models to explain deep learning models. Scientific Reports, 12(1), 4736.
https://doi.org/10.1038/s41598-022-08863-0
Haley, J. A., & Chalasani, S. H. (2024). C. elegans foraging as a model for understanding the neuronal
basis of decision-making. Cellular and Molecular Life Sciences: CMLS, 81(1), 252.
https://doi.org/10.1007/s00018-024-05223-1
Haley, J. A., Chen, T., Aoi, M., & Chalasani, S. H. (2025). Accept-reject decision-making revealed via
a quantitative and ethological study of C. elegans foraging. eLife, 13.
https://doi.org/10.7554/eLife.103191.2
Kahneman, D. (2003). A perspective on judgment and choice: Mapping bounded rationality. The
American Psychologist, 58(9), 697–720. https://doi.org/10.1037/0003-066X.58.9.697
Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
Kahneman, D., Sibony, O., & Sunstein, C. R. (2021). Noise: A Flaw in Human Judgment. Little, Brown.
pág. 5304
Manes, F., Sahakian, B., Clark, L., Rogers, R., Antoun, N., Aitken, M., & Robbins, T. (2002). Decision-
making processes following damage to the prefrontal cortex. Brain: A Journal of Neurology,
125(Pt 3), 624–639. https://doi.org/10.1093/brain/awf049
McGraw, A. P., Larsen, J. T., Kahneman, D., & Schkade, D. (2010). Comparing gains and losses.
Psychological Science, 21(10), 1438–1445. https://doi.org/10.1177/0956797610381504
McLaughlin, A. E., Diehl, G. W., & Redish, A. D. (2021). Potential roles of the rodent medial prefrontal
cortex in conflict resolution between multiple decision-making systems. International Review
of Neurobiology, 158, 249–281. https://doi.org/10.1016/bs.irn.2020.11.009
Morewedge, C. K., & Kahneman, D. (2010). Associative Processes in Intuitive Judgment. Trends in
Cognitive Sciences, 14(10), 435–440. https://doi.org/10.1016/j.tics.2010.07.004
Myers, C. E., Interian, A., & Moustafa, A. A. (2022). A practical introduction to using the drift diffusion
model of decision-making in cognitive psychology, neuroscience, and health sciences. Frontiers
in Psychology, 13, 1039172. https://doi.org/10.3389/fpsyg.2022.1039172
Rilling, J. K., King-Casas, B., & Sanfey, A. G. (2008). The neurobiology of social decision-making.
Current Opinion in Neurobiology, 18(2), 159–165. https://doi.org/10.1016/j.conb.2008.06.003
Rilling, J. K., & Sanfey, A. G. (2011). The neuroscience of social decision-making. Annual Review of
Psychology, 62, 23–48. https://doi.org/10.1146/annurev.psych.121208.131647
Sakagami, M., & Pan, X. (2007). Functional role of the ventrolateral prefrontal cortex in decision
making. Current Opinion in Neurobiology, 17(2), 228–233.
https://doi.org/10.1016/j.conb.2007.02.008
Steffener, J., Li, K., Alain, S., & Frasnelli, J. (2016). Quantifying Neural Efficiency and Capacity: A
Differential Equation Interpretation of Polynomial Contrasts (No. arXiv:1606.06249). arXiv.
https://doi.org/10.48550/arXiv.1606.06249
Tanimoto, Y., & Kimura, K. D. (2019). Neuronal, mathematical, and molecular bases of perceptual
decision-making in C. elegans. Neuroscience Research, 140, 3–13.
https://doi.org/10.1016/j.neures.2018.10.010
Manes, F., Sahakian, B., Clark, L., Rogers, R., Antoun, N., Aitken, M., & Robbins, T. (2002). Decision-
making processes following damage to the prefrontal cortex. Brain: A Journal of Neurology,
125(Pt 3), 624–639. https://doi.org/10.1093/brain/awf049
McGraw, A. P., Larsen, J. T., Kahneman, D., & Schkade, D. (2010). Comparing gains and losses.
Psychological Science, 21(10), 1438–1445. https://doi.org/10.1177/0956797610381504
McLaughlin, A. E., Diehl, G. W., & Redish, A. D. (2021). Potential roles of the rodent medial prefrontal
cortex in conflict resolution between multiple decision-making systems. International Review
of Neurobiology, 158, 249–281. https://doi.org/10.1016/bs.irn.2020.11.009
Morewedge, C. K., & Kahneman, D. (2010). Associative Processes in Intuitive Judgment. Trends in
Cognitive Sciences, 14(10), 435–440. https://doi.org/10.1016/j.tics.2010.07.004
Myers, C. E., Interian, A., & Moustafa, A. A. (2022). A practical introduction to using the drift diffusion
model of decision-making in cognitive psychology, neuroscience, and health sciences. Frontiers
in Psychology, 13, 1039172. https://doi.org/10.3389/fpsyg.2022.1039172
Rilling, J. K., King-Casas, B., & Sanfey, A. G. (2008). The neurobiology of social decision-making.
Current Opinion in Neurobiology, 18(2), 159–165. https://doi.org/10.1016/j.conb.2008.06.003
Rilling, J. K., & Sanfey, A. G. (2011). The neuroscience of social decision-making. Annual Review of
Psychology, 62, 23–48. https://doi.org/10.1146/annurev.psych.121208.131647
Sakagami, M., & Pan, X. (2007). Functional role of the ventrolateral prefrontal cortex in decision
making. Current Opinion in Neurobiology, 17(2), 228–233.
https://doi.org/10.1016/j.conb.2007.02.008
Steffener, J., Li, K., Alain, S., & Frasnelli, J. (2016). Quantifying Neural Efficiency and Capacity: A
Differential Equation Interpretation of Polynomial Contrasts (No. arXiv:1606.06249). arXiv.
https://doi.org/10.48550/arXiv.1606.06249
Tanimoto, Y., & Kimura, K. D. (2019). Neuronal, mathematical, and molecular bases of perceptual
decision-making in C. elegans. Neuroscience Research, 140, 3–13.
https://doi.org/10.1016/j.neures.2018.10.010
pág. 5305
Tenenbaum, J. B., Griffiths, T. L., & Kemp, C. (2006). Theory-based Bayesian models of inductive
learning and reasoning. Trends in Cognitive Sciences, 10(7), 309–318.
https://doi.org/10.1016/j.tics.2006.05.009
Tversky, A., & Kahneman, D. (1974). Judgment under Uncertainty: Heuristics and Biases. Science,
185(4157), 1124–1131. https://doi.org/10.1126/science.185.4157.1124
Varshney, L. R., Chen, B. L., Paniagua, E., Hall, D. H., & Chklovskii, D. B. (2011). Structural Properties
of the Caenorhabditis elegans Neuronal Network. PLoS Computational Biology, 7(2),
e1001066. https://doi.org/10.1371/journal.pcbi.1001066
Tenenbaum, J. B., Griffiths, T. L., & Kemp, C. (2006). Theory-based Bayesian models of inductive
learning and reasoning. Trends in Cognitive Sciences, 10(7), 309–318.
https://doi.org/10.1016/j.tics.2006.05.009
Tversky, A., & Kahneman, D. (1974). Judgment under Uncertainty: Heuristics and Biases. Science,
185(4157), 1124–1131. https://doi.org/10.1126/science.185.4157.1124
Varshney, L. R., Chen, B. L., Paniagua, E., Hall, D. H., & Chklovskii, D. B. (2011). Structural Properties
of the Caenorhabditis elegans Neuronal Network. PLoS Computational Biology, 7(2),
e1001066. https://doi.org/10.1371/journal.pcbi.1001066