Núcleo Matemático — Syntropía

Preámbulo — Posición documental

Este es el tercer documento fundacional de Syntropía, junto con el Núcleo Ontológico y el Núcleo Epistemológico. Los tres son complementarios e irreductibles entre sí.

El Núcleo Ontológico establece qué hay y cómo está organizado: la persona deviene su trayectoria, la trayectoria acumula historia de forma irreversible, el campo de individuación organiza desde donde emergen las configuraciones. El Núcleo Epistemológico establece cómo el modelo produce conocimiento sobre esas trayectorias: qué tipo de inferencia hace, qué condiciones debe satisfacer una representación matemática para ser coherente con la ontología, y qué el modelo no puede saber en su estado actual. Este documento establece por qué el modelo usa las estructuras matemáticas que usa (y no otras), qué pueden y no pueden hacer esas estructuras, cómo se infiere el estado del campo desde datos longitudinales, y bajo qué condiciones pueden revisarse o reemplazarse las elecciones actuales.

La distinción entre los tres documentos no es decorativa. Sin el Núcleo Ontológico, la matemática del modelo sería un conjunto de fórmulas sin anclaje en lo que describen. Sin el Núcleo Epistemológico, no habría criterios para saber si una representación es coherente con la ontología. Sin este documento, no habría justificación para las elecciones matemáticas específicas que el modelo hace, y cualquier implementación computacional operaría sin saber qué está implementando ni por qué.

Orientación al lector. Este documento tiene una progresión deliberada que sirve a cuatro tipos de lector con necesidades distintas:

• Si buscas entender qué mide cada componente del modelo antes de ver una fórmula: empieza en la Parte 0. Está escrita en lenguaje corriente y no requiere formación matemática.
• Si buscas la justificación matemática de cada elección de representación: empieza en la Parte I y la Parte II. Aquí se responde por qué cada estructura matemática y no otra.
• Si buscas la formalización técnica de los objetos del modelo (propiedades formales, extensiones continuas, geometría del campo de posibilidades): lee las Partes II y VII.
• Si buscas el modelo de inferencia bayesiana (cómo se estima el estado del campo desde datos longitudinales): ve a la Parte VI.
• Si buscas implementar el modelo computacionalmente: ve directamente a la Parte VIII.

Las partes están ordenadas por dependencia conceptual, no por frecuencia de consulta. Un lector que conozca el modelo puede entrar directamente en la parte que necesita. Un lector nuevo debe leer en orden.

Parte 0 — Los siete componentes: qué miden, qué capturan, por qué importan

0.0. Antes de las fórmulas

El modelo Syntropía describe cómo una persona se organiza funcionalmente a lo largo del tiempo: no cómo está en un momento dado, sino cómo se mueve, qué la sostiene, qué la vulnera, y qué historia acumulada determina lo que le es posible en este momento.

Para hacer eso con rigor necesita lenguaje matemático. Pero antes de las fórmulas hay una pregunta más importante: ¿qué estamos midiendo, exactamente? ¿Qué aspecto de la vida de una persona captura cada número, cada vector, cada función?

Esta introducción responde esas preguntas en español corriente. El lector que quiera la formalización técnica completa puede consultar las Partes II bis, VI y VII de este documento. El lector que quiere entender qué está mirando antes de ver un símbolo matemático está en el lugar correcto.

Los siete componentes del modelo no son una lista arbitraria de variables. Son siete respuestas a siete preguntas distintas sobre la misma persona, cada una irreductible a las demás. Ninguna responde lo que otra responde. Y en conjunto producen una imagen de la trayectoria que ninguna de las siete puede producir sola.

0.1. El nivel de organización en este momento — H_t

En términos corrientes. H_t es la respuesta a la pregunta: ¿qué tan organizada está esta persona funcionalmente en este momento, y en qué áreas de su vida?

El modelo describe esa organización en cinco áreas que están presentes en toda vida humana, aunque en proporciones distintas:

• Volición (V_t): la capacidad de actuar desde sí misma. No necesariamente con energía alta, sino con la capacidad de dirigir el propio movimiento, de tener iniciativa, de poder decidir y ejecutar. Cuando la volición está baja, la persona no puede actuar aunque quiera: hay una desconexión entre la intención y el movimiento.

• Vínculos relacionales (R_t): la capacidad de conectarse con otros. No la cantidad de relaciones sino su calidad funcional: si la persona puede estar presente en el contacto con otro, si puede recibir y dar, si el vínculo sostiene o consume. Cuando los vínculos están bajos, la persona puede estar rodeada de gente y aun así profundamente sola.

• Proyección temporal (P_t): la capacidad de integrar el pasado, el presente y el futuro en algo continuo con sentido. Poder recordar de dónde viene, estar en el presente sin disociarse de él, y tener alguna imagen de hacia dónde va. Cuando la proyección temporal está baja, la persona vive en fragmentos: el pasado aplasta o no existe, el futuro no se puede imaginar, el presente no tiene contexto.

• Anclaje existencial (A_t): el suelo desde el que opera. El sentido, no necesariamente religioso ni filosófico, sino la sensación básica de que la propia existencia tiene alguna razón de ser, de que lo que se hace importa de alguna manera. Cuando el anclaje está bajo, todo puede funcionar superficialmente y aun así sentirse vacío.

• Dominio somático (B_t): la organización somática como dimensión constitutiva del proceso, no como contexto o sustrato sino como dominio funcional propio. Incluye la regulación del sueño, la activación autonómica basal, la regulación metabólica y la integridad somática. B_t no es un añadido opcional al perfil: es el quinto dominio constitutivo que da sentido a la bidireccionalidad entre lo somático y los demás dominios. Cuando B_t está comprometido, la perturbación se propaga hacia los demás dominios, y viceversa.

Por qué importa su aparición en el modelo. H_t es el punto de entrada de toda evaluación. Es lo más directamente observable: lo que el clínico puede ver y escuchar en el encuentro. Pero es insuficiente por sí solo: dos personas con el mismo nivel de organización global pueden tener perfiles completamente distintos y requerir intervenciones completamente distintas. Y el nivel que se observa hoy no explica por qué ese nivel ni predice qué pasará mañana. Para eso se necesitan los otros seis componentes.

0.2. La dirección del movimiento — \nabla H_t

En términos corrientes. \nabla H_t es la respuesta a la pregunta: ¿hacia dónde se está moviendo esta persona? ¿Está ganando organización, perdiéndola, o está estable?

No es una fotografía del estado actual: es la película. Una persona puede tener un nivel de organización moderado y estar en ascenso sostenido: eso es clínicamente muy distinto de otra persona con el mismo nivel que lleva meses en descenso. El nivel sin la dirección es información a medias.

\nabla H_t > 0 indica que la organización está aumentando. \nabla H_t < 0 indica que está disminuyendo. \nabla H_t \approx 0 indica estabilidad relativa entre evaluaciones, que puede ser equilibrio genuino, transición entre configuraciones, o un campo que se está reorganizando internamente sin que eso sea visible todavía en el nivel observable.

Por qué importa su aparición en el modelo. \nabla H_t es la variable de progreso más directamente clínica del modelo. Permite detectar el inicio de un descenso antes de que sea visible en el nivel: cuando la dirección cambia, el nivel tarda en mostrar el efecto. Y permite distinguir el progreso genuino (ascenso con reorganización del campo) del alivio temporal (ascenso sin cambio en lo que produce el estado).

El límite de \nabla H_t: mide cambios de cantidad, no de calidad. Una reorganización profunda del campo de individuación puede ocurrir con \nabla H_t \approx 0 (sin que el nivel global cambie), pero cambiando completamente lo que está disponible para la persona. Para eso se necesita \Omega_t^{(p)}.

0.3. La elasticidad funcional del campo — \varepsilon_t

En términos corrientes. \varepsilon_t es la respuesta a la pregunta: ¿qué tan permeable está esta persona a lo que le pasa? ¿Cuánto tiene que ocurrir para que algo cambie en ella de forma permanente?

No es rigidez en el sentido coloquial de “terquedad”. Es una propiedad del campo: qué tan grande debe ser una perturbación para producir una reorganización permanente en lugar de una respuesta temporal que se recupera. Un campo con alta elasticidad reorganiza con perturbaciones pequeñas; uno con baja elasticidad requiere perturbaciones grandes para cambiar.

La elasticidad varía entre áreas. Una persona puede ser muy permeable en lo relacional (un comentario de alguien querido la reorganiza profundamente) y muy resistente en lo volicional (puede recibir golpes grandes en su capacidad de acción sin que eso la reorganice). Esa asimetría es clínicamente relevante y es lo que hace necesario describir la elasticidad como cinco números distintos, uno por área.

El umbral efectivo. La elasticidad funcional es lo que el campo tiene “de fondo”. Pero el umbral real de reorganización en un momento dado, cuánto se necesita para producir cambio permanente ahora, depende también de cuánta capacidad receptiva tiene el campo en este momento (lo que el modelo llama \kappa(t), parte de la memoria constitutiva). Cuando esa capacidad está reducida por agotamiento acumulado, el campo se reorganiza con perturbaciones más pequeñas de lo esperado. Eso explica por qué la misma intervención que fue útil en un momento puede ser dañina en otro.

Por qué importa su aparición en el modelo. \varepsilon_t determina la intensidad correcta de la intervención. Una intervención que supera el umbral de reorganización produce cambio permanente, que amplía o restringe \mathcal{F}_t^{(p)} según la dirección. Una intervención que queda por debajo del umbral produce deformación temporal sin cambio estructural. Sin conocer la elasticidad del campo, toda intervención es una apuesta.

0.4. Cómo se propaga lo que pasa — \Psi_t

En términos corrientes. \Psi_t es la respuesta a la pregunta: cuando algo le pasa a esta persona en una área de su vida, ¿cómo se extiende hacia las otras áreas?

Toda experiencia entra por alguna puerta (una pérdida relacional, una crisis de sentido, un bloqueo en la capacidad de actuar) y dependiendo de la persona y su historia, esa experiencia se queda localizada o se extiende. En algunas personas, una dificultad relacional no toca su capacidad de acción ni su sentido de la existencia. En otras, una dificultad relacional desorganiza todo: pierde volición, pierde proyección temporal, pierde anclaje. Esa diferencia no es arbitraria: es la huella de la historia de esa persona inscrita en la organización de su campo.

\Psi_t describe esas rutas de propagación. No solo si las cosas se propagan, sino en qué dirección y con qué intensidad. Lo que pasa en el área relacional afecta al área existencial con cierta intensidad; lo que pasa en el área existencial afecta al área volicional con otra intensidad. Y esas intensidades no son simétricas: la dirección importa.

Por qué importa su aparición en el modelo. \Psi_t transforma la intervención de una acción puntual en una estrategia. Si el clínico sabe que una perturbación en el dominio relacional se propaga con alta intensidad hacia el existencial en esta persona, puede anticipar el efecto secundario y diseñar la intervención para que lo contenga. Sin \Psi_t, el clínico interviene en un área sin saber qué va a ocurrir en las otras.

Nota sobre la evolución de \Psi_t: en el formalismo actual, \Psi_t se trata como relativamente estable para una trayectoria dada: varía lentamente con \xi_t pero no tiene ecuación de evolución propia. La pregunta sobre cómo la historia de deformaciones plásticas D_p(t) modifica la estructura de \Psi_t (y si distintos tipos de intervención producen modificaciones sistemáticas de la propagación entre dominios) es un objeto de horizonte H3, dependiente de datos longitudinales del piloto con resolución de dominio a dominio. G15 aborda la parte estática de esta pregunta (funciones que conectan \varepsilon_t y \Psi_t con el tipo de cuenca). La parte dinámica (ecuación de evolución de \Psi_t como función de D_p(t) acumulado) es un desarrollo matemático posterior a G15 y está declarada como ausencia de horizonte H3.

0.5. El campo desde donde emerge todo — \Omega_t^{(p)}

En términos corrientes. \Omega_t^{(p)} es la respuesta a la pregunta más profunda del modelo: ¿desde qué organización interna produce esta persona su estado actual? ¿Cuál es el espacio de configuraciones que le resultan estables, y cuál es la geometría de ese espacio?

Las cinco áreas anteriores (H_t), la dirección del movimiento (\nabla H_t), la elasticidad (\varepsilon_t) y las rutas de propagación (\Psi_t) describen el campo desde fuera: desde lo observable. \Omega_t^{(p)} describe el campo desde dentro: la organización latente que produce todas esas observables.

Una manera de entenderlo: dos personas pueden tener exactamente el mismo nivel de organización en cada área, la misma dirección de movimiento, la misma elasticidad y el mismo patrón de propagación. Y aun así sus trayectorias futuras, su respuesta a la misma intervención y el significado clínico de su estado actual pueden ser completamente distintos. La diferencia está en \Omega_t^{(p)}: en la organización interna que produce ese estado observable desde historias constitutivas distintas.

Concreto: una persona con baja coherencia relacional (R_t bajo) puede tenerla baja porque ha construido una organización de alta selectividad vincular donde el contacto profundo con pocos es más estable que el contacto superficial con muchos. Eso corresponde a la configuración C-K (cuenca disposicional temprana) en el sistema canónico v1.2: una lógica propia coherente, con su propia geometría de estabilización. Otra persona con el mismo R_t bajo puede tenerlo bajo porque su campo ha sido erosionado por historia de trauma relacional y está empobrecido. Eso es otra configuración completamente distinta, con otra geometría del campo y otra intervención indicada. H_t es idéntico; \Omega_t^{(p)} es radicalmente distinto.

La superíndice (p). El superíndice no es un detalle técnico: es el punto más importante del componente. \Omega_t^{(p)} es singular para esta persona: la organización interna de dos personas nunca es idéntica aunque compartan configuración observable, porque sus historias acumuladas son distintas. Por eso el modelo no puede producir predicciones de “personas con diagnóstico X”, solo puede producir predicciones sobre esta trayectoria específica, inferidas desde su historia singular.

Por qué importa su aparición en el modelo. \Omega_t^{(p)} es el objeto de inferencia central del desvelamiento: la operación clínica central de Syntropía. El clínico no solo evalúa el estado observable: infiere, a través de la historia longitudinal, cuál es la organización interna que produce ese estado. Y esa inferencia es lo que permite determinar la escala de intervención requerida, la configuración más accesible, y la dirección en que el campo puede moverse.

0.6. Las condiciones de transición — M

En términos corrientes. M es la respuesta a la pregunta: ¿en qué condición está esta persona para moverse desde donde está? ¿Con qué recursos cuenta para transitar?

Hay una diferencia crucial entre el estado de organización de una persona y su capacidad de cambiar ese estado. Alguien puede estar en un nivel bajo de organización y tener alta capacidad de moverse: el campo está disponible para reorganizarse. Alguien puede estar en un nivel alto de organización y tener baja capacidad de sostenerlo bajo perturbación: el campo mantiene la coherencia pero con fragilidad. Confundir el estado con la capacidad de cambio es uno de los errores más frecuentes en la clínica.

M tiene cinco componentes:

• Flexibilidad de respuesta (\Beta_F^{(r)}): el repertorio conductual observable ante condiciones distintas: la capacidad de generar respuestas distintas cuando la situación lo exige, sin perder el hilo de quién se es. Es el componente externo de la flexibilidad.

• Flexibilidad introspectiva (\Beta_F^{(i)}): la capacidad de observar la propia imagen de sí con suficiente distancia para cuestionarla, lo que el Núcleo Clínico denomina imagen de aquel. Es el componente interno de la flexibilidad. Los dos componentes son independientes entre sí: una persona puede generar respuestas conductuales distintas sin cuestionar ninguna de sus premisas sobre sí misma, y a la inversa.

• Prueba de realidad (\Pi_R): la capacidad de distinguir lo que está pasando realmente de lo que el campo interno proyecta. No es “pensar claramente” en sentido abstracto: es la capacidad de ajustar la lectura del mundo cuando la evidencia lo requiere.

• Continuidad de trayectoria (\Tau_F): la capacidad de mantener una línea reconocible a través del tiempo y las perturbaciones. De saber de dónde se viene y hacia dónde se va aunque el camino no sea recto. Cuando \Tau_F está baja, cada episodio se vive como si fuera el primero: sin hilo que conecte.

• Estabilidad bajo estrés (\Upsilon_{US}): la capacidad de mantener organización funcional cuando la situación demanda más de lo habitual. Este es el modulador más crítico del modelo porque tiene una consecuencia directa en el protocolo: cuando \Upsilon_{US} está por debajo de un umbral mínimo, algunas fuentes de información dejan de ser válidas y algunas intervenciones producen más desorganización que reorganización.

Por qué importa su aparición en el modelo. M determina qué es posible hacer en este momento clínico. No determina el destino de la trayectoria: eso depende del campo de individuación \Omega_t^{(p)} y de la historia acumulada. Pero determina el margen de maniobra disponible ahora. Un clínico que intenta trabajar sobre la historia acumulada de una persona cuando su \Upsilon_{US} está bajo no produce elaboración: produce desorganización. La evaluación de M al inicio de cada encuentro no es un trámite: es la condición de posibilidad de que la intervención sea efectiva.

0.7. La historia que produce todo lo demás — \xi_t

En términos corrientes. \xi_t es la respuesta a la pregunta más importante y menos directamente observable: ¿qué ha acumulado esta persona a lo largo de su vida que produce el estado en que está hoy?

Los seis componentes anteriores describen cómo está el campo ahora: su estado, su dirección, su elasticidad, sus rutas de propagación, su organización interna, sus condiciones de transición. Ninguno de esos seis explica por qué ese estado, por qué esa organización, por qué esa elasticidad. La respuesta está en la historia acumulada.

\xi_t tiene tres componentes que son independientes entre sí, y esa independencia es la base de toda la estrategia terapéutica del modelo: \xi_t = \{D_p(t), \kappa(t), \sigma_t\}.

Las huellas permanentes (D_p(t)): todo lo que ha reorganizado el campo de forma irreversible a lo largo de la vida. Las experiencias que no solo perturbaron temporalmente sino que modificaron la estructura del campo: el territorio disponible, las rutas accesibles, la geometría de lo posible. Esas huellas no desaparecen: el campo las integra y opera desde ellas. La intervención no las borra: produce nuevas huellas que amplían \mathcal{F}_t^{(p)} y reorganizan el campo desde las huellas existentes.

La capacidad receptiva actual (\kappa(t)): qué tan disponible está el campo en este momento para absorber nuevas experiencias sin desestructurarse. No es lo mismo que las huellas permanentes: es el estado actual de la capacidad del campo de recibir. Un campo puede tener muchas huellas permanentes y aun así tener alta capacidad receptiva. Otro puede tener pocas huellas y estar completamente agotado por una historia reciente de perturbaciones acumuladas sin restructuración.

La estructura disposicional pre-simbólica (\sigma_t): la huella morfológica de la experiencia temprana anterior al lenguaje: lo que el campo es antes de poder recordar. Se instala durante los períodos sensibles del desarrollo (apego temprano, trauma pre-verbal) y opera como geometría de base sobre la que D_p(t) y \kappa(t) se inscriben. Las intervenciones con acceso a \sigma_t son primariamente somáticas, relacionales de larga data y sensoriales, no narrativas. \sigma_t es el componente de \xi_t más estable y de mayor profundidad: en las trayectorias donde \sigma_t tiene mayor peso estructural (típicamente las neurodivergentes, C2 del Núcleo Ontológico), ese peso opera independientemente de cuál sea la cuenca activa en el Eje 2 (D4*, O31). C-K (configuración idiosincrática) es el caso límite en que la cuenca activa coincide con \sigma_t, no la condición general de toda trayectoria con \sigma_t de mayor peso.

La independencia entre estos tres componentes tiene una consecuencia terapéutica directa: cuando la capacidad receptiva está por debajo de un umbral, trabajar sobre las huellas permanentes produce más daño que beneficio: el campo absorbe la perturbación terapéutica como una nueva huella que restringe \mathcal{F}_t^{(p)}. La secuencia correcta es restaurar la capacidad receptiva primero. Esa regla (que parece contraintuitiva porque “más recursos disponibles” facilita el trabajo terapéutico) es una de las consecuencias más importantes del modelo.

Por qué importa su aparición en el modelo. Sin \xi_t, el modelo describe estados sin explicarlos. Con \xi_t, el modelo produce predicciones: dado lo que ha acumulado esta trayectoria, esta es la respuesta más probable a esta perturbación en este momento, esta es la intervención más eficiente, este es el horizonte de lo que es posible. \xi_t no es directamente observable: se infiere, a través del tiempo, desde todo lo que el clínico puede observar. Esa inferencia es lo que el modelo llama desvelamiento.

0.8. Los siete componentes en conjunto

Los siete componentes no son independientes en el sentido de que no interactúan: interactúan profundamente. Son independientes en el sentido de que ninguno se puede derivar de los otros: conocer el nivel de organización no dice nada sobre la historia acumulada que lo produce, conocer la elasticidad no dice nada sobre las condiciones de transición disponibles, conocer la dirección del movimiento no dice nada sobre la geometría del campo de individuación.

Lo que producen juntos es una descripción de la trayectoria en siete dimensiones que ninguna subsistema de evaluación existente puede producir desde su arquitectura: nivel de organización con su vector completo, dirección del movimiento, elasticidad por área, rutas de propagación, campo de individuación singular, condiciones de transición actuales, e historia acumulada con sus tres componentes independientes: deformaciones permanentes, capacidad receptiva actual y estructura disposicional pre-simbólica.

Y lo que hacen posible juntos es la pregunta clínica completa que Syntropía propone como alternativa a “¿qué tiene este paciente?”:

¿Cómo se organiza la estabilización de esta persona en este momento, en qué dirección se mueve, desde qué campo la produce, bajo qué condiciones puede transitar, y qué historia acumulada determina lo que le es posible?

Esa pregunta no tiene respuesta desde una evaluación única. Requiere tiempo, historia longitudinal, y el instrumento del desvelamiento. Pero es la pregunta correcta, porque es la pregunta sobre la trayectoria, no sobre el estado.

Parte I — El principio de traducción no reductiva

I.1. El problema central

El modelo describe trayectorias clínicas: procesos continuos, irreversibles, singulares, con memoria constitutiva. Toda evaluación clínica produce datos discretos: números, categorías, observaciones puntuales. El problema central de la capa matemática de Syntropía es cómo pasar de la ontología rhísica a la medición discreta sin traicionar lo que la ontología establece.

Este no es un problema técnico. Es un problema filosófico con consecuencias técnicas: si la matemática del modelo no respeta la naturaleza del objeto que describe, el modelo produce inferencias formalmente correctas sobre un objeto equivocado.

El principio que gobierna todas las elecciones matemáticas del modelo se llama traducción no reductiva: cada vez que el modelo pasa de un nivel de descripción a otro (de la ontología intensiva a la representación extensiva, de la descripción local de dominios a la descripción global del campo de individuación, del perfil genómico a los parámetros del campo) esa traducción preserva lo que el nivel de origen tiene de propio sin absorberlo en el nivel destino.

En términos concretos: el modelo puede representar la elasticidad del campo como un vector de cinco números (\varepsilon_t), pero esa representación es una proyección extensiva de una propiedad intensiva. El vector no agota la propiedad: la aproxima. El modelo lo sabe, lo declara, y toma las consecuencias en serio: la decisión clínica no opera sobre el vector sino sobre la propiedad que el vector aproxima.

I.2. Las tres capas de justificación

Cada elección matemática del modelo debe justificarse en tres planos simultáneos. En la Parte II de este documento se aplican los tres planos a cada uno de los siete componentes del perfil sintrópico.

Justificación ontológica: la estructura matemática elegida es coherente con la naturaleza del objeto que describe. Si el objeto tiene múltiples dimensiones independientes, se necesita un vector, no un escalar. Si el objeto describe relaciones entre pares de elementos, se necesita una matriz, no un vector. Si el objeto es singular para cada trayectoria y requiere series longitudinales para inferirse, se necesita una función sobre el espacio de configuraciones, no un simple número.

Justificación epistemológica: la estructura matemática satisface las condiciones de admisibilidad del Núcleo Epistemológico (CE6, Condiciones 1–6). En particular: captura la anisotropía del campo, la restricción del espacio accesible con la historia, la dependencia de historia en la dinámica, la emergencia del global desde el local, la irreversibilidad temporal y la singularidad de cada trayectoria.

Justificación clínica: la estructura matemática produce representaciones que el clínico puede usar. Esta justificación opera en dos sentidos opuestos que deben equilibrarse: la representación debe ser suficientemente precisa para capturar lo clínicamente relevante, y suficientemente operativa para ser aplicable en el encuentro clínico real. Una representación matemáticamente correcta pero clínicamente inoperable no sirve al modelo.

Parte II — Las siete elecciones de representación

II.1. H_t como vector — la coherencia funcional es multidimensional e independiente entre dominios

Qué describe. H_t = (V_t, R_t, P_t, A_t, B_t) \in [0,1]^5 describe el nivel de coherencia funcional de la trayectoria en el momento t en cinco dominios: volición (V_t), vínculos relacionales (R_t), proyección temporal (P_t), anclaje existencial (A_t) y dominio somático (B_t).

Por qué un vector y no un escalar. La razón ontológica es que los cinco dominios son independientes entre sí: una persona puede tener coherencia volicional alta y coherencia relacional baja al mismo tiempo. Esa independencia no es una propiedad accidental: es una consecuencia directa de que los cinco dominios describen aspectos ontológicamente distintos de cómo la trayectoria se organiza en el mundo. Un escalar produciría un promedio que haría invisible esa diferencia, tratando como equivalentes dos trayectorias con perfiles radicalmente distintos.

La norma global \|H_t\| = \frac{1}{\sqrt{5}}\sqrt{V_t^2 + R_t^2 + P_t^2 + A_t^2 + B_t^2} resume el vector en un solo número y es útil para calcular \nabla H_t y para comunicar el nivel de coherencia global. Pero la Proposición 13 del Núcleo Ontológico establece formalmente que ningún resumen escalar de H_t es suficiente para determinar la dirección de la intervención. Eso no es una limitación técnica de la norma: es la consecuencia de que los dominios son ontológicamente independientes y la intervención opera sobre el dominio específico donde la restricción ocurre.

Por qué cinco dominios y no más ni menos. Los cinco dominios no son categorías estadísticas derivadas de análisis factorial. Son las dimensiones desde las cuales la trayectoria personal se organiza en su despliegue temporal: la capacidad de actuar desde sí misma (volición), de vincularse con otros (relaciones), de integrar pasado, presente y futuro en continuidad (proyección temporal) y de operar desde un suelo de sentido (anclaje existencial). Esas cuatro dimensiones son trascendentales en sentido formal: están presentes en toda trayectoria, solo variables en su nivel. El quinto dominio, lo somático (B_t), no es una categoría estadística ni un añadido: es la consecuencia de reconocer que la trayectoria personal es constitutivamente somática. La bidireccionalidad entre lo somático y los demás dominios es irreductible: perturbaciones con origen en B_t se propagan hacia los demás dominios, y viceversa. La ontología rhísica justifica que sean exactamente estos cinco, no una reducción estadística sino una descripción de las condiciones de posibilidad de la vida funcional como tal.

Consecuencia clínica directa. El clínico que evalúa a una persona usando solo la norma global pierde la información de qué dominio específico está restringiendo la coherencia global, y por tanto pierde la dirección de la intervención. Dos personas con \|H_t\| = 0.4 pueden requerir intervenciones completamente distintas si una tiene V_t = 0.1, R_t = 0.7 y la otra tiene V_t = 0.7, R_t = 0.1.

II.2. \nabla H_t como escalar — la dirección es una cantidad global

Qué describe. \nabla H_t = -(\|H_t\| - \|H_{t-1}\|) describe la dirección y magnitud del cambio en la coherencia global entre dos evaluaciones consecutivas. \nabla H_t > 0 indica ascenso; \nabla H_t < 0 indica descenso; \nabla H_t \approx 0 indica estabilidad relativa.

Por qué un escalar y no un vector de dirección por dominio. Esta es una elección donde la justificación clínica pesa más que la justificación matemática abstracta. Sería posible definir un vector \Delta H_t = H_t - H_{t-1} \in \mathbb{R}^5 que capturaría el cambio en cada dominio por separado. Ese vector es calculable y tiene información clínica adicional. Pero \nabla H_t como escalar tiene tres propiedades que el vector de cambio no tiene de forma natural: es un único número que captura la dirección global, puede compararse entre evaluaciones como variable de progreso, y permite detectar con una sola cantidad cuándo la trayectoria está en ascenso, descenso o estabilidad.

La información sobre qué dominio específico está cambiando no se pierde: está contenida en la comparación directa de H_t y H_{t-1}. \nabla H_t no reemplaza esa comparación sino que la complementa con una lectura de dirección global operativa para el seguimiento longitudinal.

La convención de signo (que \nabla H_t > 0 indique ascenso) sigue la analogía termodinámica donde la entropía negativa (negentropía o sintropía) aumenta cuando el sistema gana organización. Esa analogía no es solo estética: refleja que la coherencia funcional es una forma de organización que el sistema debe sostener activamente contra el gradiente de desorganización.

El límite constitutivo de \nabla H_t. \nabla H_t mide diferencias de grado: cambios en el nivel de coherencia dentro del mismo estado del campo de individuación. No detecta las reorganizaciones cualitativas del campo (\Omega_t^{(p)}) que no van acompañadas de cambio en \|H_t\|. Una trayectoria puede tener \nabla H_t \approx 0 sostenido mientras el campo de individuación se reorganiza internamente de forma clínicamente significativa. Ese límite es constitutivo (no un defecto superable con más datos) y justifica la necesidad de los otros seis componentes del perfil, especialmente \Omega_t^{(p)} y \xi_t.

II.3. \varepsilon_t como vector — la elasticidad funcional es local e independiente por dominio

Qué describe. \varepsilon_t = (\varepsilon_V, \varepsilon_R, \varepsilon_P, \varepsilon_A, \varepsilon_B) \in [0,1]^5 describe la elasticidad funcional del campo en cada dominio: qué tan grande debe ser una perturbación en ese dominio para producir reorganización permanente del campo en lugar de una deformación elástica que se recupera.

Por qué un vector y no un escalar. La elasticidad varía entre dominios por la misma razón que la coherencia: los dominios son independientes y tienen historias distintas. Una trayectoria puede tener alta elasticidad en el dominio volicional (disponible para reorganizar su orientación ante perturbaciones) y baja elasticidad en el dominio existencial, donde las perturbaciones al sentido producen reorganización aun cuando son pequeñas.

Esta variación no es solo descriptiva. Tiene consecuencias terapéuticas directas: la intervención que opera sobre el dominio de menor elasticidad del campo requiere calibración de magnitud distinta a la que opera sobre el de mayor elasticidad. Un escalar de elasticidad global haría invisible esa diferencia y produciría intervenciones con efectos impredecibles.

La distinción crítica: elasticidad estructural vs. efectiva. El umbral efectivo de reorganización en el momento t es \varepsilon_t^{\text{ef}} = \max\!\left(\varepsilon_t \cdot \frac{\kappa(t)}{\kappa(t_0)}, \varepsilon_{\min}\right). Cuando la capacidad receptiva del campo \kappa(t) está reducida por historia de acomodaciones elásticas acumuladas, el umbral efectivo cae por debajo del estructural: el campo responde con reorganización permanente ante perturbaciones que en condiciones normales produciría solo deformación temporal.

Esta distinción es clínicamente crítica porque explica por qué intervenciones técnicamente correctas producen daño clínico en algunos momentos: no es que la intervención sea incorrecta en sí misma, sino que el estado actual del campo (su \kappa(t) reducido) hace que su magnitud supere el umbral efectivo aunque sea menor que el estructural. El modelo convierte ese fenómeno clínico observable en una predicción formal con instrucción de acción: evalúa \kappa(t) antes de diseñar la intensidad de la intervención.

Formalización técnica completa — \varepsilon_t.

\varepsilon_t = (\varepsilon_V, \varepsilon_R, \varepsilon_P, \varepsilon_A, \varepsilon_B) \in [0,1]^5

La elasticidad tiene tres niveles de descripción que deben distinguirse con precisión:

Nivel 1 — Elasticidad estructural (\varepsilon_t^{(s)}): la elasticidad inherente al campo de individuación de esta trayectoria — determinada por la historia acumulada D_p(t) y la geometría de \mathcal{W}. Es la capacidad potencial del campo de reorganizarse si las condiciones del spatium lo permiten. No depende del estado actual de \kappa(t).

Nivel 2 — Elasticidad efectiva (\varepsilon_t^{\text{ef}}): la elasticidad operativa en este momento, condicionada sobre el estado actual de \kappa(t). Es la que determina si una perturbación puede producir reorganización que amplíe \mathcal{F}_t^{(p)} ahora — no en abstracto sino en este encuentro clínico específico:

\varepsilon_t^{\text{ef}} = \max\!\left(\varepsilon_t^{(s)} \cdot \frac{\kappa(t)}{\kappa(t_0)},\; \varepsilon_{\min}\right)

donde \kappa(t_0) es la capacidad receptiva de referencia (baseline del primer encuentro) y \varepsilon_{\min} es el umbral mínimo de elasticidad por debajo del cual el campo no puede reorganizarse de forma alguna.

Nivel 3 — Elasticidad observada (\hat{\varepsilon}_t): la estimación empírica de \varepsilon_t^{\text{ef}} desde datos del sensor (T_{\text{temporal}}) o de las observaciones clínicas estructuradas (T_{\text{hospitalario}}).

La distinción estructural/efectiva es clínicamente fundamental. Un campo con alta elasticidad estructural y \kappa(t) agotado tiene \varepsilon_t^{\text{ef}} baja: la intervención encontrará resistencia no porque el campo no pueda cambiar sino porque no está receptivo en este momento. El error clínico más frecuente es confundir \varepsilon_t^{(s)} con \varepsilon_t^{\text{ef}}: una trayectoria que “ha podido cambiar antes” puede no poder hacerlo ahora, y aplicar la misma intensidad de intervención produce plasticidad que restringe \mathcal{F}_t^{(p)} (P12, D10, Núcleo Ontológico).

Propiedades formales de \varepsilon_t:

1. Independencia entre dominios: \varepsilon_i y \varepsilon_j son en principio independientes: el campo puede ser más maleable en el dominio relacional que en el volicional. Esta independencia justifica la representación como vector y no como escalar.

2. Dependencia de historia: \varepsilon_t^{(s)} disminuye monótonamente con D_p(t) acumulado en cada dirección: el campo se vuelve estructuralmente menos maleable con la historia.

3. No estacionariedad: \varepsilon_t^{\text{ef}} fluctúa con \kappa(t), que puede cambiar en escala de horas o días, independientemente de \varepsilon_t^{(s)}.

4. Cota inferior garantizada: \varepsilon_t^{\text{ef}} \geq \varepsilon_{\min} > 0: ninguna trayectoria tiene elasticidad completamente nula. La determinación empírica de \varepsilon_{\min} requiere datos del piloto.

II.4. \Psi_t como matriz — la propagación es una relación entre pares

Qué describe. \Psi_t \in \mathbb{R}^{5 \times 5}, con \psi_{ij} describiendo cómo una perturbación en el dominio j se propaga hacia el dominio i. La asimetría (\psi_{ij} \neq \psi_{ji} en general) es la huella de la historia relacional y experiencial de la trayectoria inscrita en el campo intensivo.

Por qué una matriz y no un vector. Un vector puede describir propiedades de cada dominio por separado. La propagación entre dominios es una propiedad de pares: requiere dos índices. Si el impacto del dominio relacional sobre el existencial (\psi_{ER}) es distinto del impacto del existencial sobre el relacional (\psi_{RE}), y la evidencia clínica sugiere sistemáticamente que lo es, una matriz simétrica sería una simplificación injustificada que eliminaría información diagnósticamente relevante.

El isomorfismo con grafos dirigidos. \Psi_t es algebraicamente isomórfico a la matriz de adyacencia de un grafo dirigido ponderado con cinco nodos. Eso no es una analogía: es una equivalencia formal que tiene consecuencias computacionales directas: los algoritmos de análisis de grafos (detección de ciclos, centralidad, propagación de perturbaciones) son directamente aplicables al análisis de \Psi_t. Esta es la primera de las cuatro conexiones isomórficas del modelo con tradiciones matemáticas establecidas (ver Parte III).

Consecuencia clínica. Una perturbación que entra por el dominio relacional en una trayectoria con \psi_{ER} alto y \psi_{VR} alto produce simultáneamente desestabilización existencial e inhibición volicional. Un clínico sin acceso a \Psi_t observa tres dominios afectados y puede errar en la dirección de la intervención: intentar restaurar la volición directamente cuando el origen de la perturbación está en el dominio relacional y el acoplamiento alto hace inevitable la propagación. La lectura de \Psi_t convierte esa observación clínica en una predicción formal sobre la secuencia de intervención más eficiente.

II.5. \Omega_t^{(p)} como función sobre el campo de posibilidades — el campo de individuación es singular, diacrónico y continuo

Qué describe. \Omega_t^{(p)}: \mathcal{F}_t^{(p)} \to [0,1] describe el grado de estabilidad de la trayectoria desde cada región del campo de posibilidades en el momento t para esta persona p. En la representación discreta operativa actual: \Omega_t^{(p)}: \{\text{C-A},\ldots,\text{C-M}\} \to [0,1] sobre las 14 configuraciones canónicas del sistema v1.2, donde \Omega_t^{(p)}(\mathfrak{C}_k) es la estabilidad de la trayectoria desde la configuración \mathfrak{C}_k.

Por qué una función sobre el espacio de configuraciones y no un vector de cuatro números. \Omega_t^{(p)} no describe propiedades de los dominios individuales: describe la organización del campo de individuación como totalidad respecto a cada posible forma de organización. Esa es una propiedad de orden superior: no “qué tan coherente está la volición” sino “desde qué organización total produce esta trayectoria sus configuraciones”. Esa propiedad requiere una función sobre el espacio de configuraciones completo: un objeto matemáticamente más rico que un vector de propiedades por dominio.

Por qué no es una distribución de probabilidad. \sum_k \Omega_t^{(p)}(\mathfrak{C}_k) no es necesariamente 1. \Omega_t^{(p)} es una función de estabilidad (análoga a una función de Lyapunov en teoría de sistemas dinámicos, con las condiciones de esa analogía declaradas en III.2) donde el valor en cada configuración indica la profundidad del atractor, no la probabilidad de estar en esa configuración. Dos configuraciones pueden tener \Omega_t^{(p)} alto simultáneamente si la trayectoria tiene múltiples atractores estables (lo cual es clínicamente posible y relevante). Tratar \Omega_t^{(p)} como distribución de probabilidad introduciría un supuesto de mutua exclusión entre configuraciones que la ontología del modelo no sostiene.

La distinción entre representación discreta y representación continua. La representación actual sobre 14 configuraciones es operativa: permite comunicación clínica precisa y es implementable en el estado actual del piloto. Pero la ontología del campo de individuación es continua: \Omega_t^{(p)}: \mathcal{W} \to \mathbb{R}_{\geq 0} sobre la variedad diferenciable \mathcal{W}. Las 14 configuraciones son puntos de alta densidad en \mathcal{W}, no sus límites. La extensión al continuo (requerida para capturar la geometría completa de las cuencas) todavía depende de calibrar el tensor métrico del espacio con datos del piloto, y de contrastar el número definitivo de configuraciones (ver Parte V). La representación discreta es la proyección de la representación continua sobre 14 puntos de referencia clínica; no es la ontología del campo sino su aproximación operativa actual.

La relación entre las dos representaciones de \Omega_t^{(p)}. El Núcleo Ontológico D8 establece \Omega_t^{(p)} = F(\sigma_t, D_p(t), \kappa(t)): descripción causal: el campo en t es función de la condición inicial/geometría de base (\sigma_t) y la historia acumulada de deformaciones y capacidad receptiva. Esta formulación resuelve la duplicación previa de \Omega_0^{(p)}/\sigma_t (Auditoría Ontológica O19/O20). §II.5 de este documento establece \Omega_t^{(p)} = \Omega(\varepsilon_{[t-k:t]}^{(p)}, \Psi_{[t-k:t]}^{(p)}): especificación inferencial: el campo se infiere desde la historia observable de \varepsilon_t y \Psi_t. Las dos son compatibles: \xi_t opera precisamente a través de las modificaciones que inscribe sobre \varepsilon_t^{\text{ef}} y \Psi_t. La primera establece qué determina el campo; la segunda establece desde qué observables puede inferirse. Ninguna reemplaza a la otra.

II.5bis. Extensión continua de \Omega_t^{(p)} sobre \mathcal{W}

La representación discreta de §II.5 es la aproximación operativa de primera fase del modelo. Su extensión al continuo (requerida para capturar la geometría completa de las cuencas de atracción y la topología global del espacio de configuraciones) todavía requiere calibrar el tensor métrico del espacio y contrastar el número definitivo de configuraciones con datos del piloto. Esta sección formaliza esa extensión.

La representación discreta de §II.5 es la aproximación operativa actual. La representación que la ontología del modelo requiere es una función de densidad sobre una variedad diferenciable \mathcal{W}:

\Omega_t^{(p)}: \mathcal{W} \to \mathbb{R}_{\geq 0}

donde \mathcal{W} parametriza el espacio continuo de organizaciones posibles del campo de individuación, con estructura métrica local que refleja la similitud funcional entre organizaciones próximas. Las 14 configuraciones discretas son puntos de alta densidad en \mathcal{W} (regiones donde las trayectorias clínicas se concentran con mayor frecuencia), no los únicos puntos posibles ni los límites del espacio.

Las cuatro propiedades geométricas de las cuencas sobre \mathcal{W}:

Una cuenca \omega_k \subseteq \mathcal{W} es una región conexa de alta densidad de \Omega_t^{(p)} en torno a un punto de alta estabilidad w_k^* \in \mathcal{W}. En la representación discreta actual, cada configuración canónica \mathfrak{C}_k es el punto de referencia de la cuenca \omega_k. Las cuatro propiedades geométricas de cada cuenca \omega_k:

Profundidad d_k: diferencia de \Omega_t^{(p)} entre el interior y el perímetro de la cuenca. d(w) = \Omega_t^{(p)}(w) - \min_{u \in \partial \mathcal{B}_r(w)} \Omega_t^{(p)}(u) para radio r dado. La profundidad es función de la historia de deformaciones plásticas acumuladas: D_p(t) inscribe en \Omega_t^{(p)} la geometría de las reorganizaciones previas.

Alcance de la cuenca: el volumen del conjunto \{w : \Omega_t^{(p)}(w) \geq \theta(\xi_t)\} para umbral dependiente de la memoria constitutiva (§II.5ter de este documento). Cuencas de alcance transdominio tienen geometría que se extiende a través de \Psi_t sobre múltiples proyecciones de \mathcal{W}.

Gradiente de acceso: \|\nabla \Omega_t^{(p)}(w)\| en el perímetro de la cuenca. Gradiente pronunciado implica captura rápida ante perturbaciones de pequeña magnitud.

Acoplamiento topológico: la estructura de componentes conectados y barreras entre cuencas, capturada por homología persistente sobre el espacio de configuraciones de \Omega_t^{(p)}. Dos cuencas próximas en \mathcal{W} tienen barreras de baja energía: transiciones frecuentes. Dos cuencas distantes tienen barreras altas: transiciones que requieren perturbaciones de magnitud mayor a \varepsilon_t^{\text{ef}}.

No estacionariedad del campo de individuación con \xi_t:

El campo de individuación representado por \Omega_t^{(p)} no es estacionario: evoluciona con la historia acumulada de la trayectoria. La función de Lyapunov que \Omega_t^{(p)} aproxima no es estática sino que se modifica con cada deformación plástica que D_p(t) inscribe. La literatura sobre envejecimiento y paisajes de atractores en redes de regulación génica establece que esta erosión es polimórfica y diferencial: los atractores en estados maduros están sistemáticamente más cerca de los límites de sus cuencas que los transient states en sus trayectorias de desarrollo, y las barreras entre cuencas se aplanan progresivamente de forma topográficamente específica (Bavisetty, Wheeler y Kadelka 2025, bioRxiv 2025.11.06.687062; Yang et al. 2023, Cell 186(2):305–326.e27).

La consecuencia formal: \Omega_t^{(p)} en el instante presente no es idéntica a \Omega_{t_0}^{(p)} en el momento formativo de una cuenca. La profundidad efectiva de una cuenca en el presente es la profundidad formativa modificada por la función de erosión h(\xi_t, t - t_{\text{formativo}}) (definida en T_{\text{histórico}} §III.2). Eso implica que la geometría de las cuencas de \Omega_t^{(p)} debe estimarse condicionada sobre \xi_t actual, no solo sobre la historia de eventos biográficos.

Relación con la representación discreta actual:

La función discreta \Omega_t^{(p)}: \{\text{C-A},\ldots,\text{C-M}\} \to [0,1] es una proyección de \Omega_t^{(p)}: \mathcal{W} \to \mathbb{R}_{\geq 0} sobre 14 puntos de referencia clínica. Captura cuál cuenca tiene mayor estabilidad en este momento; no captura la geometría de la cuenca: profundidad, alcance, gradiente, acoplamiento topológico. La extensión al continuo es condición para que el protocolo de inferencia del PIAC opere con la precisión geométrica que la ontología del modelo requiere.

G2 y G10 (ver PIAC §II.3): la verificación empírica de que la representación continua de \Omega_t^{(p)} puede inferirse con precisión suficiente desde datos longitudinales del piloto es la grieta de investigación abierta que esta sección declara como requerimiento activo.

Notación de estimadores condicionados sobre \xi_t:

Las propiedades geométricas de las cuencas son funciones del tiempo porque el campo de individuación representado por \Omega_t^{(p)} no es estacionario. Para una cuenca \omega_k, los estimadores efectivos condicionados sobre \xi_t en el momento t son:

• \hat{d}_k^{\text{ef}}(t): profundidad efectiva: profundidad formativa modificada por la función de erosión h(\xi_t, t - t_{\text{formativo}}).
• \hat{a}_k^{\text{ef}}(t): alcance efectivo: amplitud del campo de posibilidades de la cuenca, condicionada sobre la estructura actual de \Psi_t.
• \hat{g}_k^{\text{ef}}(t): gradiente de acceso efectivo: función inversa del umbral de activación, condicionada sobre \xi_t.

Estos estimadores son los objetos de inferencia del operador T_{\text{histórico}} (ver T_{\text{histórico}} §III.3). Sus formas funcionales son sub-problemas de G2 que el piloto debe comenzar a cerrar.

II.5ter. El campo de posibilidades \mathcal{F}_t^{(p)}

Definición canónica:

\mathcal{F}_t^{(p)} := \left\{ w \in \mathcal{W} \;\middle|\; \Omega_t^{(p)}(w) \geq \theta\!\left(\xi_t\right) \right\}

donde \theta(\xi_t) > 0 es el umbral de densidad por debajo del cual una región de \mathcal{W} se considera inaccesible para esta trayectoria en este momento. El umbral es función de la memoria constitutiva: creciente en D_p(t) y decreciente en \kappa(t).

Arquitectura de tres objetos:

El modelo distingue tres objetos con estatuto y función distintos:

\mathcal{W} \;\supseteq\; \mathcal{F}_t^{(p)} \;\ni\; \Omega_t^{(p)}\big|_{\mathcal{F}_t^{(p)}}

• \mathcal{W}: la variedad diferenciable completa (el espacio de todas las organizaciones posibles del campo de individuación, §II.5 de este documento). No depende de la persona ni del momento.
• \mathcal{F}_t^{(p)}: el campo de posibilidades (la región de \mathcal{W} accesible para esta trayectoria en este momento, condicionada por \xi_t). Depende de la persona y del momento.
• \Omega_t^{(p)}\big|_{\mathcal{F}_t^{(p)}}: la distribución de densidad del campo de individuación restringida al campo de posibilidades (la organización singular que distribuye la masa sobre las regiones accesibles).

El umbral \theta(\xi_t):

\theta(\xi_t) = \theta_0 \cdot g(D_p(t),\, \kappa(t)) \qquad \text{[forma funcional a determinar, G2]}

donde g es creciente en D_p(t) y decreciente en \kappa(t), con \theta_0 > 0 parámetro base del modelo. El umbral opera como segundo mecanismo de contracción de \mathcal{F}_t^{(p)}, independiente de la redistribución de densidad que D_p(t) inscribe sobre \Omega_t^{(p)}: la contracción puede producirse por reducción de densidad en regiones de \mathcal{W} (mecanismo 1, vía historia de deformaciones plásticas sobre \Omega_t^{(p)}) o por elevación del umbral de acceso (mecanismo 2, vía \theta(\xi_t)). Los dos mecanismos son independientes y tienen horizontes temporales distintos de intervención clínica.

Cuatro propiedades formales:

Propiedad 1 — Subconjunto propio: \mathcal{F}_t^{(p)} \subsetneq \mathcal{W} para toda trayectoria con historia acumulada no nula. La igualdad \mathcal{F}_t^{(p)} = \mathcal{W} requeriría ausencia de historia constitutiva, condición que ninguna trayectoria clínica satisface.

Propiedad 2 — Singularidad: \xi^{(p)}(t) \neq \xi^{(q)}(t) \Rightarrow \mathcal{F}_t^{(p)} \neq \mathcal{F}_t^{(q)}, incluso cuando H_t^{(p)} = H_t^{(q)}. La isomería clínica de §I.bis del Núcleo Epistemológico es la consecuencia clínica directa de esta propiedad: dos trayectorias con el mismo observable actual habitan campos de posibilidades distintos.

Propiedad 3 — Dependencia temporal: \mathcal{F}_t^{(p)} cambia con t porque \xi_t cambia. La intervención clínica que restaura \kappa(t) amplía \mathcal{F}_t^{(p)} por el mecanismo 2: baja el umbral. La intervención que elabora D_p(t) amplía \mathcal{F}_t^{(p)} por el mecanismo 1: redistribuye densidad hacia regiones previamente excluidas.

Propiedad 4 — Relación con M: M determina con qué facilidad la trayectoria puede moverse dentro de \mathcal{F}_t^{(p)}. \mathcal{F}_t^{(p)} determina dónde puede moverse. Las dos propiedades son independientes: una trayectoria puede tener \mathcal{F}_t^{(p)} amplio con M bajo (campo de posibilidades extenso pero capacidad de transición reducida) o \mathcal{F}_t^{(p)} estrecho con M alto (pocas posibilidades accesibles pero alta capacidad de moverse entre ellas).

Representación discreta operativa:

Bajo la representación discreta actual, el campo de posibilidades es el subconjunto de configuraciones canónicas accesibles para esta trayectoria:

\mathcal{F}_t^{(p)}\big|_{\text{discreto}} = \left\{ \mathfrak{C}_k \in \{\text{C-A},\ldots,\text{C-M}\} \;\middle|\; \Omega_t^{(p)}(\mathfrak{C}_k) \geq \theta_{\text{discreto}} \right\}

donde \theta_{\text{discreto}} es el umbral operativo en la representación de 14 configuraciones. Su calibración empírica requiere datos del piloto.

Consecuencia clínica:

La persona no habita \mathcal{W}: habita \mathcal{F}_t^{(p)}. El desvelamiento produce simultáneamente: (1) estimación de H_t (la configuración observable actual); (2) inferencia de \Omega_t^{(p)}\big|_{\mathcal{F}_t^{(p)}} (la distribución del campo sobre el campo de posibilidades); (3) inferencia de \mathcal{F}_t^{(p)} (qué organizaciones son accesibles para esta trayectoria en este momento). La intervención clínica no introduce organizaciones desde fuera del campo de posibilidades: trabaja dentro de \mathcal{F}_t^{(p)} para modificar \xi_t en dirección que amplíe \mathcal{F}_t^{(p)} hacia regiones de \mathcal{W} que antes estaban bajo el umbral.

Anclaje filosófico:

La distinción \mathcal{W} / \mathcal{F}_t^{(p)} / \Omega_t^{(p)} tiene dos precedentes conceptuales independientes en la genealogía del modelo. Desde Deleuze: el campo de individuación es condición del proceso de individuación, no su resultado (Diferencia y Repetición, Amorrortu 2002, p. 367). \mathcal{F}_t^{(p)} nombra el campo de posibilidades sobre el que opera el campo de individuación: la región de \mathcal{W} que la historia acumulada de esta trayectoria hace disponible para la individuación actual. Desde Goodman: la fabricación de mundo no parte de la nada sino de versiones ya disponibles: “Worldmaking as we know it always starts from worlds already on hand; the making is a remaking” (Ways of Worldmaking, Hackett 1978, p. 6). Las versiones disponibles para este constructor en este momento son el equivalente epistemológico de \mathcal{F}_t^{(p)}: el subconjunto de \mathcal{W} que \xi_t hace accesible. La diferencia con Goodman es constitutiva: Goodman opera en el nivel de versiones simbólicas; Syntropía opera en el nivel de trayectorias funcionales. La analogía es estructural.

II.5quater. Soporte dinámico de \Omega_t^{(p)} y mecanismo formal de novedad

El soporte de \Omega_t^{(p)} sobre \mathcal{W} no es fijo: varía con la historia del campo. Este dinamismo del soporte es el mecanismo formal dentro del cual opera la novedad en el formalismo actual.

Tres regímenes de reorganización del soporte:

Régimen 1 — Desplazamiento de la moda dentro del soporte existente: \text{supp}(\Omega_{t+k}^{(p)}) \approx \text{supp}(\Omega_t^{(p)}), \quad \text{moda}(\Omega_{t+k}^{(p)}) \neq \text{moda}(\Omega_t^{(p)}) La distribución de masa sobre configuraciones cambia; el conjunto de configuraciones accesibles no. Cambio clínico más frecuente: modificación de la configuración modal sin ampliación del espacio de posibilidades.

Régimen 2 — Expansión del soporte hacia regiones previamente inaccesibles: \mathcal{F}_{t+k}^{(p)} \supsetneq \mathcal{F}_t^{(p)} \Omega_t^{(p)} adquiere masa en regiones de \mathcal{W} donde tenía densidad \approx 0. \mathcal{F}_t^{(p)} se amplía. Este régimen es el mecanismo formal de la novedad: el campo alcanza organizaciones que eran inaccesibles para esta trayectoria. La pregunta “¿qué condiciones del campo producen expansión de soporte?” es la pregunta central de la teoría de estabilización y de la teoría del potencial generativo del campo, ambas todavía en desarrollo.

Régimen 3 — Contracción irreversible del soporte: \mathcal{F}_{t+k}^{(p)} \subsetneq \mathcal{F}_t^{(p)}, \quad D_p(t+k) > D_p(t) El soporte se reduce. D_p(t) acumula. Correlato: restricción crónica de \mathcal{F}_t^{(p)}.

Límite declarado: \mathcal{W} es una variedad de referencia fija por necesidad matemática. El régimen 2 no produce puntos nuevos en \mathcal{W}: mueve masa hacia regiones de \mathcal{W} existentes pero previamente inaccesibles. La novedad genuina en sentido ontológico estricto requeriría que \mathcal{W} mismo deviniera; eso está fuera del alcance del formalismo actual (CE17, G17-ext).

II.5sexies. El funcional de potencial generativo — \Phi_t^{(p)}

\Omega_t^{(p)} es una función de estabilidad: describe dónde está el campo, qué organizaciones son accesibles, y cuánto costaría desplazarse. Es el relieve del campo: sus valles (atractores), sus crestas (barreras de transición), su topología.

Lo que \Omega_t^{(p)} no captura directamente es la tensión generativa del campo: la energía disponible para producir nueva organización, no la descripción de dónde está el campo sino la presión que el campo ejerce hacia nuevas formas. En la física de campos, el potencial describe la configuración de energía; la fuerza es el gradiente negativo del potencial. El campo de individuación tiene ambas dimensiones, pero el formalismo actual solo tiene la primera.

Definición tentativa: el funcional de potencial generativo \Phi_t^{(p)} es el gradiente funcional de \mathcal{A}[\Omega, t] en la dirección de expansión del soporte de \Omega_t^{(p)}:

\Phi_t^{(p)} := -\frac{\delta \mathcal{A}[\Omega, t]}{\delta \Omega}\bigg|_{\partial \mathcal{F}_t^{(p)}}

Intuitivamente: \Phi_t^{(p)} mide la presión del campo hacia el borde de \mathcal{F}_t^{(p)}: cuánta fuerza generativa está disponible para empujar hacia regiones de \mathcal{W} actualmente inaccesibles. Un campo con \Phi_t^{(p)} alto y \kappa(t) suficiente está listo para producir expansión de soporte (régimen 2 de §II.5quater). Un campo con \Phi_t^{(p)} alto pero \kappa(t) < \kappa_{\text{umbral}} tiene tensión generativa sin capacidad de completar la reorganización: condición de mayor riesgo de transición abrupta.

Relación con los objetos existentes: - \Phi_t^{(p)} \approx 0 cuando \Omega_t^{(p)} está concentrado en el interior de la cuenca → campo en residencia profunda (C-A, C-B, C-I) - \Phi_t^{(p)} > 0 cuando hay tensión hacia el borde de \mathcal{F}_t^{(p)} → campo en reconfiguración activa (C-C1, C-C2, C-D) o en bifurcación - \Phi_t^{(p)} \gg 0 con \kappa(t) < \kappa_{\text{umbral}} → estado de máxima vulnerabilidad: alta tensión sin capacidad de absorberla → correlato formal de la crisis

Estatuto: \Phi_t^{(p)} es una hipótesis estructural operativa en el estado actual del modelo — no una representación calibrada. Su derivación desde \mathcal{A}[\Omega, t] requiere que la terna esté completamente especificada (PEA1). Su estimación empírica desde datos del piloto requiere que \Omega_t^{(p)} sea estimable con suficiente resolución topológica (G2, G10). Está registrada aquí como objeto formal con derivación tentativa para que el piloto pueda diseñarse con la posibilidad de estimarla en la submuestra con datos de mayor densidad.

Implicación clínica cuando se formalice: \Phi_t^{(p)} respondería la pregunta clínica central que el corpus actual no puede responder: no solo “¿dónde está el campo?” sino “¿hacia dónde empuja?” Un clínico que puede estimar tanto \Omega_t^{(p)} como \Phi_t^{(p)} puede distinguir un campo estable por equilibrio (baja tensión generativa, cuenca profunda) de un campo estable por agotamiento (alta tensión generativa sin \kappa(t) para moverla), distinción que tiene implicaciones de intervención radicalmente distintas.

Cruce con la teoría de la transformación (§T1, Núcleo Ontológico v2.3.0): los tres regímenes de \Phi_t^{(p)} corresponden directamente a fases y mecanismos de §T1: \Phi_t^{(p)} \approx 0 con cuenca profunda es el bloqueo por equilibrio (el campo no tiene tensión generativa; la intervención debe construir tensión antes de perturbar); \Phi_t^{(p)} > 0 es la Fase 1 de acumulación silenciosa y la Fase 2 de reorganización activa (la tensión está disponible; la pregunta es si \kappa(t) permite absorberla); \Phi_t^{(p)} \gg 0 con \kappa(t) < \kappa_{\text{umbral}} es el bloqueo por agotamiento — alta tensión sin capacidad, correlato formal de la crisis y del campo en C-M (Deriva). La Fase 3 (régimen transicional, H-TRANS) corresponde al momento en que \Phi_t^{(p)} ha liberado su tensión pero el campo aún no se ha instalado en nueva cuenca: el periodo de mayor vulnerabilidad y menor predictibilidad del proceso.

II.5quinquies. Heterogeneidad de escalas temporales

Los parámetros del modelo tienen velocidades características constitutivamente distintas. Esta heterogeneidad no es accidental: refleja la diferencia ontológica entre componentes de \xi_t:

Implicación para f_t: la función de transición del modelo bayesiano no puede ser estacionaria si respeta esta heterogeneidad. La forma en que el campo se transforma depende de lo acumulado en cada escala. La especificación correcta es f_t = f(\cdot \mid D_p(t), \sigma_t): los parámetros de historia lenta condicionan la forma de la transición de parámetros rápidos. Formalmente:

\xi_{t+1} = f_t(\xi_t, u_t) + w_t, \quad f_t = f\!\left(\cdot \;\middle|\; D_p(t), \sigma_t\right)

Implicación para el diseño del piloto: estimar f_t como función de la historia requiere mayor densidad de puntos de evaluación que estimar f estacionaria. El diseño del piloto debe especificar la frecuencia mínima de evaluación que permite discriminar la variación de f_t de la variación de \xi_t a distintas escalas temporales.

Propagación inter-escala: una reorganización en una escala temporal puede modificar las restricciones de otra. La reorganización narrativa (escala de meses, D_p(t)) puede alterar \varepsilon_t (escala de años) si es suficientemente profunda. La reorganización biológica (cambio en B_t, semanas) puede modificar el espacio de posibilidades narrativas accesibles (\mathcal{F}_t^{(p)}). El mecanismo formal de esta propagación inter-escala opera a través de \Psi_t para la propagación entre dominios dentro de H_t, y a través de f_t para la propagación entre escalas temporales de \xi_t. La especificación completa de esos mecanismos sigue siendo trabajo matemático pendiente.

II.6. M como vector de condiciones de transición — la agencia no es estado sino proceso

Qué describe. M = (\Beta_F^{(r)}, \Beta_F^{(i)}, \Pi_R, \Tau_F, \Upsilon_{US}) \in [0,1]^5 describe las condiciones bajo las cuales la trayectoria puede moverse desde donde está: flexibilidad de respuesta (\Beta_F^{(r)}), flexibilidad introspectiva (\Beta_F^{(i)}), prueba de realidad (\Pi_R), continuidad de trayectoria (\Tau_F) y estabilidad bajo estrés (\Upsilon_{US}). La subdivisión de \Beta_F en sus dos componentes independientes (conductual observable e introspectiva) fue formalizada en el Diccionario Formal v0.4.15 y aprobada en sesión jun 2026.

Por qué M ocupa un plano ontológico distinto al de H_t. H_t describe qué produce la trayectoria: su nivel de coherencia en cada dominio. M describe las condiciones bajo las cuales esa producción es sostenible bajo perturbación. Son objetos distintos: una trayectoria puede tener alta coherencia (H_t alto) con baja capacidad de sostenerla bajo perturbación (M bajo), o baja coherencia con alta capacidad de moverse hacia configuraciones que amplíen \mathcal{F}_t^{(p)}. Confundir H_t y M produce uno de los errores clínicos más frecuentes del modelo: intervenir sobre el nivel de coherencia observable cuando el problema es la condición de transición, o al revés.

Por qué un vector y no una matriz. Los cinco moduladores son propiedades de la trayectoria como totalidad, no de pares de dominios. Una extensión posible del modelo es definir M como una matriz de moduladores por dominio (la flexibilidad de respuesta puede ser alta en el dominio volicional y baja en el relacional). Esa extensión quintuplicaría los parámetros de estimación y requeriría datos clínicos que el protocolo actual no produce con precisión suficiente. El modelo mantiene M como vector por parsimonia declarada, con la extensión matricial registrada como desarrollo futuro (G8 del Núcleo Ontológico).

El rol clínico de \Upsilon_{US}. La estabilidad bajo estrés (\Upsilon_{US}) tiene un umbral mínimo \Upsilon_{US_{\min}} con consecuencias formales: por debajo de ese umbral, el autoregistro como instrumento de observación pierde validez y las intervenciones de alta demanda producen desorganización en lugar de reorganización. \Upsilon_{US_{\min}} es el único parámetro del modelo que determina la disponibilidad de una fuente de datos completa. Eso lo convierte en la primera evaluación de cada encuentro clínico: antes de decidir qué instrumentos usar, antes de diseñar la intervención.

II.7. \xi_t como distribución sobre el espacio producto — la historia acumulada tiene tres componentes independientes

Qué describe. \xi_t = \{D_p(t), \kappa(t), \sigma_t\} describe la memoria constitutiva de la trayectoria: D_p(t) las deformaciones plásticas acumuladas que han modificado el campo de forma irreversible, \kappa(t) la capacidad receptiva actual del campo ante nuevas perturbaciones, y \sigma_t la estructura disposicional pre-simbólica: la huella morfológica instalada antes del lenguaje que opera como geometría de base del campo. \sigma_t es el componente de mayor profundidad y estabilidad de \xi_t; las intervenciones con acceso directo a ella son primariamente somáticas y relacionales de larga data, no narrativas.

Por qué el séptimo componente y no seis. Los primeros seis componentes del perfil (H_t, \nabla H_t, \varepsilon_t, \Psi_t, \Omega_t^{(p)}, M) describen aspectos del estado actual del campo: qué tan coherente está, en qué dirección se mueve, qué tan maleable es, cómo propaga perturbaciones, cuál es su organización de configuraciones accesibles, bajo qué condiciones puede transitar. Ninguno de esos seis componentes contiene la historia acumulada que los ha producido. \xi_t no es un séptimo aspecto del estado actual: es la estructura latente que produce todos los demás. Sin \xi_t, el modelo describe el estado pero no puede explicar por qué ese estado, predecir su respuesta a perturbaciones, o determinar la secuencia de intervención correcta.

Por qué tres componentes independientes y no uno. La independencia de D_p(t) y \kappa(t) no es solo matemática: es ontológica y terapéutica. D_p(t) es la historia de reorganizaciones plásticas: lo que el campo ha absorbido de forma irreversible, tanto las que ampliaron \mathcal{F}_t^{(p)} como las que lo restringieron. \kappa(t) es la capacidad receptiva actual: qué tan disponible está el campo para absorber nuevas perturbaciones sin producir plasticidad que restrinja \mathcal{F}_t^{(p)}. Son mecanismos distintos, con correlatos biológicos distintos (la metilación de FKBP5 correlaciona con D_p(t); la aceleración del reloj epigenético de Horvath correlaciona con \kappa(t)), con intervenciones distintas y con horizontes temporales de efecto distintos.

La consecuencia terapéutica de esa independencia es la Proposición 12 del Núcleo Ontológico (la proposición de mayor impacto clínico directo del modelo): cuando \kappa(t) está por debajo de un umbral que depende de D_p(t), intervenir sobre D_p(t) produce plasticidad que restringe \mathcal{F}_t^{(p)}. La secuencia correcta es restaurar \kappa(t) primero. Esa regla no puede derivarse si D_p(t) y \kappa(t) se colapsan en un único indicador de “carga acumulada”.

Por qué una distribución y no un punto. \xi_t no es observable directamente: se infiere desde el conjunto de observaciones disponibles \mathcal{O}(t). La inferencia es bayesiana:

P(\xi_t \mid \mathcal{O}(t)) \propto P(\mathcal{O}(t) \mid \xi_t) \cdot P(\xi_t)

Representar \xi_t como un punto requeriría colapsar esa distribución posterior a su moda, perdiendo la varianza que contiene información sobre la incertidumbre del clínico sobre el estado del campo. El modelo no produce diagnósticos puntuales sobre \xi_t: produce distribuciones con varianza. La varianza es clínicamente informativa porque una distribución con varianza alta indica que el desvelamiento aún no ha convergido: señal de que se necesitan más evaluaciones antes de actuar sobre D_p(t).

II.7bis. D_p(t) como función sobre \mathcal{W} — erosión diferencial

La representación escalar D_p(t) \in \mathbb{R}_{\geq 0} de §II.7 captura la profundidad de la historia acumulada como magnitud global. Pero la historia no erosiona el campo uniformemente: algunas regiones de \mathcal{W} se erosionan más que otras. Esta sección formaliza D_p(t) como función sobre \mathcal{W}.

La representación actual de D_p(t) como escalar en [0, D_p^{\max}] captura el volumen total de deformaciones plásticas acumuladas sin preservar su estructura geométrica. La representación que la extensión continua de \Omega_t^{(p)} requiere es D_p(t) como función sobre \mathcal{W}:

D_p(t): \mathcal{W} \to \mathbb{R}_{\geq 0}

donde D_p(t)(w) expresa la historia acumulada de modificaciones a la geometría de \Omega_t^{(p)} en la región w de la variedad. La representación funcional preserva tres propiedades que el escalar pierde:

Localización en \mathcal{W}: una deformación plástica acumulada en la región relacional de \mathcal{W} es cualitativamente distinta de una deformación en la región existencial, aunque ambas contribuyan igualmente al escalar D_p. La localización determina qué cuencas de \Omega_t^{(p)} están afectadas y cuál es la estructura de propagación via \Psi_t.

Profundidad de cada deformación: la magnitud de la modificación a la geometría de \Omega_t^{(p)} en cada región de \mathcal{W}, función del \varepsilon_t^{\text{ef}} del campo en el momento formativo y de la magnitud de la perturbación que produjo la deformación.

Acoplamiento entre deformaciones: la estructura topológica de las deformaciones: si están concentradas en una región de \mathcal{W} o distribuidas, y cómo se acoplan a través de \Psi_t.

Erosión diferencial del campo de individuación:

Las deformaciones plásticas inscritas en D_p(t) no permanecen estáticas con el tiempo. El campo de individuación (representado por \Omega_t^{(p)}) se erosiona de forma polimórfica y diferencial con la historia acumulada: algunas cuencas pierden profundidad más rápidamente que otras dependiendo de su localización en \mathcal{W} y de la estructura de acoplamiento entre cuencas. Esa erosión es el mecanismo que el operador T_{\text{histórico}} captura como no estacionariedad de la forma funcional condicionada sobre \xi_t.

La consecuencia formal: D_p(t) como función sobre \mathcal{W} no es aditiva: las deformaciones acumuladas interactúan a través de la topología de \mathcal{W}. El escalar D_p es una proyección que pierde esa estructura de interacción.

Relación con la representación escalar actual:

El escalar D_p(t) \in [0, D_p^{\max}] es la integral de D_p(t): \mathcal{W} \to \mathbb{R}_{\geq 0} sobre \mathcal{W}:

D_p^{\text{escalar}}(t) = \int_{\mathcal{W}} D_p(t)(w)\, d\mu(w)

donde \mu es la medida sobre \mathcal{W}. La representación escalar actual es la proyección de la representación funcional sobre un único número real. Es la aproximación operativa válida mientras la representación continua de \mathcal{W} no esté empíricamente calibrada.

La caracterización empírica de la forma funcional de D_p(t) sobre \mathcal{W} y de la tasa de erosión diferencial por localización son sub-problemas de G2 (calibración del tensor métrico g_t) que el piloto debe comenzar a cerrar.

Parte II bis — La estructura unificadora: la terna (\mathcal{W}, g_t, \mathcal{A}[\Omega, t])

II bis.1. El hallazgo

Las siete elecciones de representación de la Parte II fueron introducidas en distintos momentos del proceso de formalización, respondiendo a problemas clínicos distintos, con justificaciones ontológicas y epistemológicas propias. H_t vino de la necesidad de capturar la multidimensionalidad de la coherencia. \varepsilon_t vino de la necesidad de representar la constitución diferencial de los dominios. \Psi_t vino de la necesidad de capturar la estructura de receptividad del campo. \xi_t vino de la necesidad de distinguir entre campo erosionado y campo agotado.

Lo que no era visible mientras se construían por separado: cinco de esos siete objetos (H_t, \varepsilon_t, D_p(t), \kappa(t) y \mathcal{F}_t^{(p)}) son manifestaciones de una sola estructura geométrica. Son propiedades de un funcional definido sobre una variedad riemanniana con métrica dependiente de historia.

Esa estructura es la terna:

\boxed{\left(\mathcal{W},\; g_t,\; \mathcal{A}[\Omega, t]\right)}

La terna no reemplaza las siete elecciones: las unifica. Cada una de las cinco representaciones derivables mantiene su semántica clínica propia. Lo que cambia es el estatuto: pasan de ser objetos postulados por separado a ser consecuencias necesarias de una estructura matemática única.

II bis.2. Los tres componentes de la terna

\mathcal{W} — la variedad diferenciable.

\mathcal{W} es el espacio de todas las organizaciones posibles del campo de individuación, la variedad sobre la que viven todos los demás objetos. Es diferenciable: tiene estructura suficiente para definir trayectorias, vectores tangentes, gradientes y curvatura local. Las 14 configuraciones canónicas son puntos de alta densidad en \mathcal{W}: la representación operativa discreta de una estructura continua.

g_t — la métrica riemanniana dependiente de historia.

g_t es el tensor métrico sobre \mathcal{W}: la función que determina distancias, ángulos y volúmenes en el espacio de configuraciones. Tiene dos propiedades constitutivas:

No-euclidiana: la distancia entre dos configuraciones no es uniforme en todas las direcciones ni igual para todas las trayectorias. Para una trayectoria con D_p(t) alto, la “distancia efectiva” a una configuración de alta coherencia (por ejemplo C-A en residencia crónica) es mayor que para una con D_p(t) bajo, aunque la configuración de destino sea la misma. Eso formaliza la observación clínica de que trayectorias con el mismo perfil observable tienen horizontes de posibilidad distintos.

Dependiente de historia: g_t evoluciona con la historia de deformaciones del campo. \Psi_t es la representación operativa de g_t proyectada sobre los cinco dominios: la parte de la métrica que captura las asimetrías de propagación entre dominios. La asimetría de \Psi_t no es un defecto de representación: es la proyección de la no-euclidianidad de g_t.

\mathcal{A}[\Omega, t] — el funcional de energía libre generalizado.

\mathcal{A}[\Omega, t] es un funcional definido sobre las funciones \Omega: \mathcal{W} \to \mathbb{R}_{\geq 0}: asigna un número real a cada configuración posible del campo de individuación. Tiene la estructura de un funcional de Ginzburg-Landau con potencial dependiente de historia:

\mathcal{A}[\Omega, t] = \int_{\mathcal{W}} \left[ \frac{1}{2} \|\nabla_w \Omega_t^{(p)}(w)\|_{g_t}^2 + U(w, \xi_t) \cdot \Omega_t^{(p)}(w) \right] d\mu_{g_t}(w)

El primer término (la norma del gradiente de \Omega_t^{(p)} bajo la métrica g_t) penaliza las variaciones rápidas del campo: captura la geometría local del espacio de configuraciones y su resistencia a deformaciones bruscas. El segundo término (el potencial U(w, \xi_t)) incorpora la historia acumulada: la deformación del paisaje de energía producida por las deformaciones plásticas previas.

II bis.3. Los cinco objetos derivados

Desde (\mathcal{W}, g_t, \mathcal{A}[\Omega, t]) se derivan cinco de los siete componentes del perfil sintrópico:

H_t — proyección extensiva del mínimo del funcional:

H_t = \Pi_{\text{ext}}\!\left[\arg\min_{w \in \mathcal{W}} \mathcal{A}[\delta_w, t]\right]

El mínimo del funcional en el estado actual \Omega_t^{(p)} corresponde al atractor más profundo del espacio de configuraciones. Su proyección sobre los cinco dominios extensivos produce H_t: lo que el campo produce como observable en este momento.

\varepsilon_t — gradiente del funcional por dominio:

\varepsilon_t^{(i)} = \left\|\frac{\partial \mathcal{A}}{\partial w^{(i)}}\right\|_{w = w_t^*}

El gradiente del funcional en la dirección del dominio i, evaluado en el mínimo actual w_t^*. Mide la pendiente local del paisaje de energía en cada dirección de dominio: exactamente la constitución diferencial del campo: cuánta resistencia ofrece cada dominio al desplazamiento.

D_p(t) — variación total acumulada del funcional:

D_p(t) = \int_{t_0}^{t} \left|\frac{d\mathcal{A}[\Omega, s]}{ds}\right| ds

La integral del módulo de la variación temporal del funcional: cuánto ha cambiado la energía del campo a lo largo de toda la historia. Es una cantidad global: no describe la geometría local del mínimo actual sino la acumulación de todas las deformaciones previas.

\kappa(t) — sensibilidad inversa del funcional a perturbaciones:

\kappa(t) = \left.\left(\frac{\delta^2 \mathcal{A}}{\delta(\delta\Omega)^2}\right)^{-1}\right|_{\Omega = \Omega_t^{(p)}}

La segunda derivada funcional de \mathcal{A} respecto a perturbaciones \delta\Omega, evaluada en el estado actual, invertida. Mide la curvatura del funcional en el mínimo actual: qué tan “profundo” y “estrecho” es el cuenco donde la trayectoria se encuentra. Curvatura alta (cuenco estrecho) significa \kappa(t) bajo: el campo es sensible a perturbaciones pequeñas. Curvatura baja (cuenco plano) significa \kappa(t) alto: el campo puede absorber perturbaciones sin restructurarse.

\mathcal{F}_t^{(p)} — región supranivel del funcional:

\mathcal{F}_t^{(p)} = \left\{w \in \mathcal{W} : \mathcal{A}[\delta_w, t] \leq \mathcal{A}[\Omega_t^{(p)}, t] + \theta(\xi_t)\right\}

La región del espacio \mathcal{W} donde el funcional no excede el mínimo actual por más de \theta(\xi_t). El umbral \theta deja de ser un parámetro libre y adquiere significado físico preciso: es la energía adicional que la trayectoria puede absorber sin salir del campo de posibilidades. Cuando D_p(t) es alto y \kappa(t) es bajo, \theta aumenta y \mathcal{F}_t^{(p)} se contrae: el campo de posibilidades se restringe.

II bis.4. La independencia de D_p(t) y \kappa(t) como teorema

La independencia clínica de D_p(t) y \kappa(t) (base de toda la estrategia terapéutica del modelo y fundamento de P12) era antes un axioma postulado desde la analogía cardiológica. Con la terna, se convierte en un teorema geométrico:

D_p(t) es la variación total acumulada del funcional: integral global sobre toda la historia. Depende de cuánto ha cambiado el funcional a lo largo del tiempo.

\kappa(t) es la curvatura local del funcional en el mínimo actual: propiedad puntual del estado presente. Depende de la geometría local del funcional en el mínimo actual.

Estas dos cantidades son independientes por construcción: la integral de toda la historia no determina la curvatura en el punto presente. Un funcional puede haber acumulado mucha variación total (D_p alto) con alta curvatura en su mínimo actual (\kappa(t) alto), o poca variación total con baja curvatura. Son propiedades de aspectos constitutivamente distintos del funcional.

P12 (Proposición 12, Núcleo Ontológico) como consecuencia geométrica:

Cuando \kappa(t) es bajo, la curvatura del funcional en el mínimo actual es baja: el fondo del cuenco es plano. Una perturbación que intenta reorganizar la historia acumulada (D_p(t)) en esas condiciones encuentra un espacio de configuraciones sin curvatura suficiente para dirigir la deformación hacia una cuenca más favorable. La perturbación produce deformación plástica que restringe \mathcal{F}_t^{(p)}: el campo se mueve hacia donde hay mínimo local, no necesariamente hacia donde el clínico pretendía.

La secuencia correcta (restaurar \kappa(t) antes de intervenir sobre D_p(t)) es la consecuencia directa de que la curvatura del espacio de configuraciones debe existir antes de que una perturbación pueda ser dirigida.

La Proposición P12 no necesita postularse. Se demuestra desde la geometría del funcional (ver también §III.9 para la demostración equivalente desde el potencial sintrópico \Phi).

II bis.5. Lo que permanece fuera de la terna

\Psi_t no se deriva de \mathcal{A} sino de g_t: es la representación operativa de la métrica, no del funcional. Eso lo ubica en la geometría del espacio mismo, anterior al funcional.

M permanece independiente de la terna. Es una propiedad del operador de evolución: de cómo la trayectoria se mueve sobre el espacio de configuraciones que la terna define. En fisiología del desarrollo, la geometría del paisaje epigenético y la dinámica del movimiento de las células sobre él son objetos distintos. La terna describe el espacio de configuraciones y su geometría; M describe el movimiento sobre ese espacio.

T_\text{histórico} permanece en la frontera entre matemática y epistemología. Su propiedad de codeterminación (el espacio de configuraciones que infiere es simultáneamente la condición que condiciona la forma del operador) no puede formalizarse dentro de la terna sin pérdida ontológica.

Lo que permanece fuera de la terna no es incompletitud. Es el registro preciso de las afirmaciones más importantes del modelo sobre la naturaleza de la trayectoria clínica.

Parte III — El potencial sintrópico \Phi

III.1. Qué es un isomorfismo estructural y por qué importa

Un isomorfismo estructural no significa que el modelo copie una teoría existente: significa que la estructura matemática del modelo y la estructura de una tradición matemática establecida comparten la misma forma lógica. Eso tiene dos consecuencias. La primera es de legitimidad: el modelo no inventa sus estructuras desde la nada, sino que las encuentra en fenómenos naturales y formaliza las razones por las que esas estructuras son apropiadas para las trayectorias clínicas. La segunda es operacional: todos los resultados teóricos y algoritmos computacionales disponibles para esa tradición son directamente aplicables al modelo, con las adaptaciones que las diferencias específicas requieran.

III.2. Analogía 1 — Sistemas dinámicos con atractores

\Omega_t^{(p)} es análoga (no isomórfica en sentido estricto) a una función de Lyapunov en la teoría de sistemas dinámicos. Un atractor en un sistema dinámico es una región del espacio de estados hacia la cual el sistema tiende independientemente de las condiciones iniciales dentro de su cuenca de atracción. La profundidad del atractor determina la estabilidad: atractores profundos requieren perturbaciones más grandes para abandonarlos; atractores superficiales se abandonan con perturbaciones pequeñas.

Por qué esta analogía, y qué le falta para ser isomorfismo. Las configuraciones clínicas comparten con los atractores dinámicos la intuición estructural central: son regiones del espacio de estados donde las trayectorias se estabilizan y desde las cuales resisten el abandono. Una persona en una configuración de residencia crónica (como C-A o C-B del sistema v1.2) no está en ese estado porque lo elija conscientemente: está en un atractor profundo que el campo produce. Pero un isomorfismo estricto con la teoría de Lyapunov exige un sistema dinámico explícito (un campo vectorial \dot{w} = f(w) sobre \mathcal{W}) del cual \Omega_t^{(p)} sea demostrablemente no creciente a lo largo de las trayectorias del sistema. El modelo describe la dinámica del campo de individuación en términos cualitativos (gradientes, cuencas, régimen transicional) sin haber especificado todavía ese campo vectorial. Hasta que se especifique, la relación es una analogía estructural fértil (que orienta qué herramientas matemáticas de la teoría de sistemas dinámicos explorar) y no una demostración de isomorfismo. Verificarla formalmente (especificar ese campo vectorial explícito) es trabajo matemático de largo plazo, sin fecha fija todavía.

Qué resuelve, provisionalmente. La analogía orienta cómo formalizar la escala de intervención requerida (profundidad del atractor), la velocidad de retorno tras perturbaciones (gradiente de acceso), y la probabilidad de transición espontánea entre configuraciones (altura de las barreras entre cuencas), como programa de trabajo, no como resultado ya establecido.

III.3. Isomorfismo 2 — Filtros de partículas bayesianos

La inferencia de \xi_t desde \mathcal{O}(t) es isomórfica a un filtro de partículas: el algoritmo de inferencia bayesiana secuencial sobre variables de estado latentes en sistemas dinámicos no lineales y no gaussianos.

Por qué este isomorfismo. \xi_t es la variable de estado latente del modelo: no observable directamente, con dinámica no lineal (las deformaciones plásticas son eventos discretos sobre un continuo), con likelihood no gaussiana (los observables del sensor y el autoregistro no tienen ruido gaussiano), y con actualizaciones secuenciales en el tiempo a medida que llegan nuevas observaciones. Esas son exactamente las condiciones en que los filtros de partículas son la solución estándar en inferencia bayesiana computacional.

Qué resuelve. El filtro de partículas resuelve simultáneamente tres problemas que el modelo enfrenta: (1) la no linealidad de la dinámica de \xi_t: las deformaciones plásticas no siguen una ley lineal de acumulación; (2) la no gaussianidad de las observaciones: el sensor produce señales de alta frecuencia con distribuciones empíricas que no son gaussianas; (3) la necesidad de actualización secuencial: cada nuevo encuentro clínico debe actualizar el posterior sin recomputar desde el inicio. La implementación computacional del desvelamiento (motor_pymc) es una instancia de este isomorfismo aplicado al espacio S_m = D_p(t) \times \kappa(t).

Qué no resuelve. El filtro de partículas estándar asume que el espacio de estado es fijo. \xi_t tiene estructura no estacionaria: la geometría del espacio de configuraciones cambia con la historia acumulada. Esa no estacionariedad requiere una extensión del filtro de partículas estándar, todavía pendiente de desarrollo, para el espacio continuo del campo de posibilidades.

III.4. Isomorfismo 3 — Termodinámica estadística de sistemas fuera del equilibrio

\nabla H_t y la dinámica de \xi_t son isomórficos a las magnitudes termodinámicas de sistemas fuera del equilibrio. La coherencia funcional es análoga a la negentropía: una propiedad que el sistema mantiene activamente contra el gradiente natural de desorganización. La fatiga del campo (reducción de \kappa(t) por acomodaciones elásticas acumuladas) es análoga a la acumulación de entropía interna por disipación. La reorganización plástica es análoga a una transición de fase.

Por qué este isomorfismo. Las trayectorias clínicas no son sistemas en equilibrio que fluctúan alrededor de un estado de mínima energía. Son sistemas activos que mantienen organización alejados del equilibrio: exactamente la clase de sistemas que la termodinámica de no equilibrio describe. La convención de signo de \nabla H_t (\nabla H_t > 0 para ascenso de coherencia) replica la dirección de la negentropía.

Qué resuelve. Justifica formalmente por qué la coherencia funcional requiere energía para mantenerse, por qué la fatiga del campo es un fenómeno termodinámicamente inevitable (no una patología), y por qué algunas reorganizaciones son irreversibles (analogía con la ecuación de Jarzynski para trabajo y energía libre en transiciones irreversibles).

El límite del isomorfismo. Las trayectorias clínicas tienen intencionalidad: el campo de individuación produce configuraciones desde una historia constitutiva singular, no desde las condiciones de contorno de un sistema físico. El isomorfismo es estructural, no ontológico: la matemática es la misma; lo que describe es distinto. El modelo usa la termodinámica estadística como instrumento matemático, no como ontología.

III.5. Isomorfismo 4 — Geometría diferencial riemanniana

El espacio de configuraciones accesibles \mathcal{W} tiene estructura de variedad riemanniana: las distancias entre configuraciones no son uniformes en todas las direcciones (anisotropía, Condición 1 del Núcleo Epistemológico), y la geometría varía punto a punto según la historia del campo.

Por qué este isomorfismo. En un espacio euclidiano, la distancia entre dos configuraciones sería la misma para todas las trayectorias. En un espacio riemanniano con tensor métrico dependiente de historia, esa distancia varía: para una trayectoria en cuenca de residencia con D_p(t) alto, la “distancia efectiva” a una configuración de alta coherencia es mayor que para una en cuenca transitoria con D_p(t) bajo, aunque las configuraciones de destino sean las mismas. Eso formaliza la observación clínica de que trayectorias con el mismo estado observable tienen horizontes de posibilidad distintos: una no puede simplemente “decidir” ir adonde la otra va, porque el espacio de configuraciones tiene geometría distinta para cada una.

Qué resuelve. La geometría riemanniana permite formalizar la predicción de transición entre configuraciones como distancias geodésicas (el camino de menor energía entre dos configuraciones), la escala de intervención requerida como curvatura local del espacio de configuraciones, y la probabilidad de recaída como gradiente del espacio de configuraciones en el perímetro de la cuenca.

La limitación declarada. La geometría riemanniana es una representación extensiva de un campo intensivo. El spatium (el campo intensivo real del devenir) no es una variedad riemanniana: tiene estructura de intensidades que no se divide sin cambiar de naturaleza. La variedad riemanniana es la representación que el modelo adopta porque es la más adecuada entre las disponibles, no porque agote la realidad que describe. La calibración empírica del tensor métrico sigue abierta y requiere datos del piloto.

III.6. Puntos de silla — ventanas de intervención y rutas de mínima acción

Los puntos de silla de \Phi(w,t) son la estructura topológica más importante para la práctica clínica: son los umbrales entre cuencas de atracción, los puntos donde el campo es igualmente atraído por dos configuraciones distintas. Una trayectoria que pasa por un punto de silla está en el momento de mayor plasticidad clínica, y de mayor vulnerabilidad simultánea.

En los puntos de silla, \kappa(t) \approx 0: el espacio de configuraciones es localmente plano en al menos una dirección. Son los momentos de mayor sensibilidad clínica: una perturbación pequeña en la dirección correcta produce reorganización; la misma perturbación en la dirección incorrecta produce caída hacia un atractor no deseado.

III.7. El potencial sintrópico — motivación y definición

La terna (\mathcal{W}, g_t, \mathcal{A}[\Omega, t]) formaliza la estructura matemática del campo de individuación. El funcional \mathcal{A} opera sobre funciones \Omega: \mathcal{W} \to \mathbb{R}_{\geq 0}: asigna valores a distribuciones del campo, no directamente a puntos de \mathcal{W}.

Lo que falta en la terna es un escalar por configuración: una función que asigne a cada punto w \in \mathcal{W} un valor interpretable como la energía que cuesta sostener esa configuración dado el estado actual de la historia. Ese es el potencial sintrópico \Phi.

Definición. El potencial sintrópico es:

\Phi: \mathcal{W} \times \mathbb{R}_{\geq 0} \to \mathbb{R}_{\geq 0}

\Phi(w, t) = \mathcal{A}[\delta_w, t]

donde \delta_w es la medida de Dirac concentrada en w. \Phi(w,t) es el valor del funcional cuando el campo de individuación está completamente concentrado en la configuración w en el momento t.

Interpretación: cuanto mayor es \Phi(w,t), más energía requiere sostener la configuración w, y más difícil es para la trayectoria habitarla establemente.

III.8. Propiedades constitutivas

P\Phi-1 — Dependencia de historia. \Phi(w,t) depende de \xi_t = \{D_p(t), \kappa(t), \sigma_t\} a través del potencial interno U(w, \xi_t). Dos trayectorias en la misma configuración observable (H_t idéntico) pueden tener paisajes \Phi radicalmente distintos.

P\Phi-2 — Mínimos como atractores. Los mínimos locales de \Phi(\cdot, t) son los atractores del campo de individuación. Las 14 configuraciones candidatas del sistema canónico v1.2 (C-A a C-M, con C-C subdividida en C-C1 y C-C2) son aproximaciones operativas a estos mínimos. La profundidad de cada mínimo local crece con D_p(t) acumulado en esa dirección.

P\Phi-3 — Curvatura y distensibilidad. La curvatura de \Phi en el mínimo actual w_t^* es la inversa de \kappa(t):

\kappa(t) = \left.\left(\frac{\partial^2 \Phi}{\partial w^2}\right)^{-1}\right|_{w = w_t^*}

P\Phi-4 — Gradiente y elasticidad. El gradiente de \Phi en la dirección del dominio i en el mínimo actual es \varepsilon_t^{(i)}:

\varepsilon_t^{(i)} = \left\|\frac{\partial \Phi}{\partial w^{(i)}}\right\|_{w = w_t^*}

P\Phi-5 — Variación temporal y deformación plástica. La variación total acumulada de \Phi a lo largo de la historia es D_p(t):

D_p(t) = \int_{t_0}^t \left|\frac{d\Phi(w_s^*, s)}{ds}\right| ds

III.9. Energía clínica E_c

Definición. La energía clínica de una trayectoria en el momento t es la capacidad de esa trayectoria para abandonar su configuración actual y acceder a configuraciones de mayor coherencia funcional:

E_c(t) = \Phi(w_{\max}, t) - \Phi(w_t^*, t)

donde w_t^* = \arg\min_{w \in \mathcal{F}_t^{(p)}} \Phi(w,t) es la posición actual y w_{\max} es el punto de mayor \Phi en el borde de \mathcal{F}_t^{(p)}.

E_c(t) = 0 indica campo de posibilidades colapsado: sin potencial de reorganización accesible. E_c(t) alto indica campo con barreras superables hacia configuraciones de mayor coherencia.

P12 (Proposición 12, Núcleo Ontológico) como consecuencia de \Phi. La Proposición P12 se demuestra también desde el funcional \mathcal{A} en §II bis.4: \Phi es la restricción de \mathcal{A} a medidas de Dirac (§III.11), por lo que ambas demostraciones son el mismo resultado visto desde representaciones distintas del mismo objeto: §II bis.4 opera a nivel del funcional sobre el espacio de funciones; §III.9 opera a nivel del potencial puntual sobre \mathcal{W}. Cuando \kappa(t) es bajo, la curvatura de \Phi en w_t^* es insuficiente para dirigir una perturbación hacia una cuenca favorable. La perturbación produce deformación plástica que restringe \mathcal{F}_t^{(p)}: la trayectoria cae hacia el mínimo local disponible, no hacia el que el clínico pretende. Restaurar \kappa(t) primero equivale a restaurar la curvatura del espacio de configuraciones antes de aplicar la perturbación.

III.10. Cuencas, barreras y geodésicas

Cuenca de \mathfrak{C}_k: el conjunto de estados desde los que el campo, si evoluciona libremente, converge a \mathfrak{C}_k. Su profundidad:

\delta_k(t) = \min_{w \in \partial \mathcal{B}_k} \Phi(w,t) - \Phi(w_k^*,t)

Barrera entre \mathfrak{C}_i y \mathfrak{C}_j:

B_{ij}(t) = \min_{\gamma: w_i^* \to w_j^*} \max_{\tau} \Phi(\gamma(\tau),t) - \Phi(w_i^*,t)

B_{ij}(t) \neq B_{ji}(t) en general: la asimetría es la formalización de la histéresis clínica.

Geodésica clínica: el camino de mínima acción sobre \Phi entre dos configuraciones: la ruta de intervención de menor costo energético, que puede pasar por configuraciones intermedias que reducen la barrera total.

III.11. Relación entre \Phi, \mathcal{A} y U

\Phi es la restricción de \mathcal{A} a medidas de Dirac. La diferencia entre \mathcal{A}[\Omega_t^{(p)},t] y \Phi(w_t^*,t) mide cuánto se distribuye el campo real respecto al mínimo puntual.

III.12. \Phi y la visualización clínica — corrección estructural

La visualización principal de Syntropía es \Phi(\cdot,t) como superficie sobre \mathcal{W}. El clínico ve la topografía del campo (valles, crestas, cuencas), la posición actual w_t^*, la trayectoria histórica, y las geodésicas accesibles.

Corrección (sesión 20 jun 2026, auditoría cruzada de los siete núcleos). La versión anterior de esta sección (heredada sin revisión cruzada de Potencial_Sintropico_v0_1_0.qmd, 6 jun 2026, anterior a D4* y al sistema de Eje 1/Eje 2) proyectaba \mathcal{W} sobre los ejes V_t+R_t / P_t+A_t, tratando a H_t como sistema de coordenadas de \mathcal{W}. Esto contradice D3.1 y D4* del Núcleo Ontológico: \mathcal{W} se organiza mediante el spatium (\varepsilon_t, \Psi_t) — tipo de cuenca y dirección de propagación dominante — y D5 declara explícitamente que H_t es una propiedad derivada de la posición en \mathcal{W}, no su coordenada definitoria (“el componente más frecuentemente confundido con el objeto de la intervención”). La nota original del documento predecesor ya marcaba esta proyección como “no determinada”; esa salvedad se perdió en la integración a este documento. Ver §III.12bis para la representación operativa que la reemplaza.

G2 — especificación de U(w,\xi_t): la forma funcional del potencial interno U(w,\xi_t) — que determina la geometría de \Phi y con ella la topología de las cuencas, las barreras entre configuraciones y las geodésicas clínicas — no está especificada en la versión actual. Es la componente más importante de G2 (calibración del tensor métrico g_t) para que \Phi sea computable desde datos clínicos. Su resolución depende de datos longitudinales del piloto.

III.12bis. Representación operativa v1 — densidad empírica como aproximación declarada de \Phi

Nota de retiro de la versión anterior. La v0 (vigente entre el 20 y el 21 de junio de 2026) construía un grafo universal y fijo (misma topología para toda trayectoria) donde §II bis.2 de este mismo documento exige una métrica dependiente de la historia de cada persona. Trataba además a C-K y C-J con excepciones arquitectónicas (eje ortogonal, evento superpuesto) que “Topología global del espacio de configuraciones” (Núcleo Ontológico) no respalda: ahí ambas se describen como nodos ordinarios con probabilidad condicionada, igual que cualquier otra transición improbable. Retirada en la revisión exhaustiva del 21 de junio de 2026.

Qué resuelve esta sección y qué no. Esta sección construye un prior poblacional y transversal, declarado como tal y personalizable por trayectoria mediante el mecanismo bayesiano que ya existe para \xi_t, a partir del único cuerpo de datos reales disponible hoy (105 casos DSM-5-TR mapeados, Barnhill 2023). Es un punto de partida empírico, no el cálculo del tensor métrico g_t ni la geometría definitiva de \mathcal{W} entre configuraciones: esos siguen siendo trabajo pendiente que requiere datos del piloto.

Construcción — sobre casos reales, nunca sobre categorías. Sea \mathcal{D}=\{d_1,\ldots,d_{105}\} el corpus de perfiles de Barnhill mapeados (matriz_perfiles_sintr_v0_1_0.tsv), cada uno codificado en cuatro ejes categóricos: dominio de origen, \Pi_R, tipo de cuenca (Eje 2 de D4*) y dirección de propagación dominante (Eje 1 de D4*); solo estos dos últimos son los ejes formales de D4*; los otros dos son discriminadores clínicos adicionales identificados en analisis_perfiles_sintr_v0_1_0.md, no se confunden con D4*. Mediante codificación disjunta y Análisis de Correspondencias sobre la matriz indicador (SVD sobre residuos estandarizados por masa), se obtiene \iota:\mathcal{D}\to\mathbb{R}^m (m=2 ó 3) donde perfiles afines quedan próximos. La unidad comparada es siempre un caso real contra otro caso real, nunca una categoría contra otra: medir distancia entre centroides de categoría reproduce un artefacto verificado (categorías de n pequeño aparecen sistemáticamente alejadas del centro, r=-0.60, p=0.004, sobre los cuatro ejes) que habría reproducido el error de la v0 con estadística real en vez de geometría inventada.

\Phi_{\text{proxy}} — densidad real, no geometría calibrada. \Phi_{\text{proxy}}(w) := -\log\hat\rho(w), \qquad \hat\rho = \text{KDE sobre } \{\iota(d_k)\}_{k=1}^{105} Declaración obligatoria en toda instancia de uso: \Phi_{\text{proxy}} es aproximación poblacional y transversal desde 105 casos de libro de texto clínico (seleccionados por claridad didáctica, no representatividad epidemiológica), no el \Phi(w,t) calibrado que requeriría g_t (G2). Revisable con datos longitudinales del piloto.

Las 14 configuraciones como regiones de densidad, nunca como nodos. Cada \mathfrak{C}_k es el conjunto de casos reales cuyo perfil corresponde a ella (su distribución empírica completa), nunca un punto único. Consistente con D3.1 (Núcleo Ontológico): los 14 son prototipos, no la totalidad de \mathcal{W}. Verificado caso por caso: de los 6 casos de disposicional temprana (C-K) en la muestra, uno (caso 2.1, Felicia Allen) tiene como vecinos más próximos a dos casos de residencia (más cerca de “lo típico” que de su propia etiqueta), mientras otros cuatro forman un grupo interno más denso. Las dos cosas son reales; ninguna configuración recibe tratamiento de categoría aparte.

Barrera ajustada — densidad corregida por axioma, nunca al revés. B_{ij}^{\text{ajustada}}(t) = B_{ij}^{\text{denso}}\cdot \mu_{ij}\big(D_p(t),\kappa(t)\big), \qquad B_{ij}^{\text{denso}} = \max_\gamma \Phi_{\text{proxy}}(\gamma(\tau)) - \Phi_{\text{proxy}}(w_i) sobre un camino \gamma interpolado entre regiones (v1: interpolación recta entre centroides, simplificación declarada — un camino geodésico real podría preferir rutas que pasen por regiones intermedias). Verificado por qué la densidad sola no basta: B^{\text{denso}}(\text{disposicional}\to\text{residencia})\approx 0, contradiciendo “improbable” porque la densidad confunde rareza muestral (6/105 casos) con profundidad clínica (atribuida a \sigma_t, estructura previa a la memoria declarativa — D8, no a frecuencia poblacional). Por eso \mu_{ij} tiene prioridad sobre B^{\text{denso}}, sin excepción.

Sistema de reglas para \mu_{ij} — cierre de Pendiente 2 (21 jun 2026). Los 182 pares dirigidos entre las 14 configuraciones tienen ahora determinación explícita, generada por un sistema de reglas auditable, no por 182 juicios clínicos sueltos, lo que habría excedido lo que el corpus respalda. Cada par lleva etiqueta de procedencia. Tabla completa, generada por código (generar_mu_ij.py, archivo de trabajo) en tabla_mu_ij_completa.csv:

• D (declarado, 64 pares) — verbatim en “Topología global”: transitoria→reconfiguración (\mu=1, “la más frecuente clínicamente”); reconfiguración→residencia (\mu=1, “objetivo de las intervenciones de media duración”); residencia→reconfiguración y residencia→transitoria directa (\mu_{\text{alto}}, “mayor costo clínico” / “baja probabilidad”); disposicional temprana→cualquier otra (\mu_{\text{alto}}, “improbable” por \sigma_t); C-J→reconfiguración (condicionado a \Pi_R); C-M→residencia sin reconfiguración previa (\mu_{ij}\to\infty, exclusión dura, incompatible con A2 — único caso de su tipo).
• E (extendido por analogía explícita, 32 pares) — mismo tipo de cuenca, distinto canal de \Psi_t (\mu=1 condicionado al canal, generalizando “C-A→C-I… posible con intervención dirigida” a todos los pares análogos dentro de transitoria/reconfiguración/residencia); C-J→cualquier otro destino, no solo reconfiguración (\mu condicionado a \Pi_R, extendiendo la propia lógica del perfil de C-J: “restaurar la integración del campo… precede a cualquier otro trabajo”, no solo al de reconfiguración).
• E-fuerte (analogía estructural, no textual, 9 pares) — transitoria→residencia directa, saltando reconfiguración (\mu_{\text{alto}}): no declarado en “Topología global”, pero análogo estructural directo de por qué C-M→residencia sin reconfiguración es excluida (A2 — la consolidación importa); aquí no es exclusión dura porque el texto no lo liga a un axioma, solo no está privilegiada. Resuelve el empate que B^{\text{denso}} mostraba entre transitoria→reconfiguración y transitoria→residencia directa, documentado en la versión anterior de esta tabla.
• N (sin base textual ni analógica razonable, 77 pares — la mayoría con C-J, C-K, C-L o C-M involucradas) — \mu=1 por defecto, declarado explícitamente como “sin fundamento” y no como ausencia de revisión. Tres motivos distintos, cada uno declarado en su celda: (i) C-M — su propio perfil dice “la formalización completa de C-M requiere datos del piloto”; no se infiere donde el documento fuente ya declara que no se puede. (ii) Entrar a disposicional temprana (C-K) desde otra cuenca — sin base textual ni analógica: \sigma_t se describe como anterior a cualquier historia de atractores, no como destino ordinario de una transición; el perfil de C-K además aclara que su \kappa(t) bajo es “constitutivo… no restaurable del mismo modo que en otras configuraciones” — el marco de \mu_{ij} pensado para modulación vía D_p(t)/\kappa(t) puede no aplicar igual aquí. (iii) C-L — perfil propio declara N=2, “dato orientativo, no concluyente”; no se fuerza valor sobre una base ese de débil. (iv) Entrar o salir de C-J (colapso) fuera de los casos ya declarados — el colapso es evento precipitado (origen somático agudo, bypass de \Pi_R), no transición clínicamente inducida en el mismo sentido que las demás; posiblemente fuera del marco de \mu_{ij} tal como está formulado.

\mu_{\text{alto}} sigue sin magnitud numérica fija en ningún caso: fijar un número sería precisión inventada; la calibración numérica completa sigue siendo trabajo de piloto, distinto de “tener determinación explícita para cada par”, que es lo que se cierra aquí.

Vista poblacional — la misma para cualquiera. Mapa de contornos de \hat\rho sobre las dos primeras dimensiones de \iota, con N real anotado por región. Flechas dirigidas (una por sentido) coloreadas sobre escala secuencial perceptualmente uniforme (p. ej. viridis, deliberadamente no rojo/verde, para no introducir connotación de “malo/bueno” sobre ninguna configuración). La exclusión dura de C-M se marca con símbolo de barrera, no con un color extremo de la misma escala.

Vista centrada en la persona (disposición “ego-céntrica”) — recalculada por trayectoria y por sesión, nunca reutilizada. Dada la distribución actual \Omega_t^{(p)} de una trayectoria (nunca un punto único — A8): \bar{B}_j(t) = \sum_i \Omega_t^{(p)}(\mathfrak{C}_i)\cdot B_{ij}^{\text{ajustada}}(t) El centro de la figura es la propia distribución \Omega_t^{(p)} (no un punto). El radio de cada configuración periférica es función creciente de \bar{B}_j(t) (menor energía, más cerca), con \bar{B}_j(t) además etiquetada numéricamente en cada región (la distancia comunica magnitud de un vistazo; la etiqueta da el valor exacto). El ángulo no representa ninguna magnitud — se asigna solo por legibilidad, declarado así en cada figura para no reintroducir una variable geométrica sin respaldo. Se recalcula con cada actualización de D_p(t), \kappa(t) o \Omega_t^{(p)} (PIAC, t_historico) — A1 aplicado a la visualización misma, no solo a la inferencia subyacente.

Cumplimiento explícito. A1: nada se precomputa como mapa final: B_{ij}^{\text{ajustada}}(t) y la vista centrada en la persona se recalculan en cada actualización. A8: la salida operativa es la masa de \Omega_t^{(p)} sobre las regiones accesibles dentro de \mathcal{F}_t^{(p)}, nunca la posición de un punto. A9/RM1: toda esta sección es reconstruible cuando G2 calibre g_t con datos del piloto — condición de revisión declarada, no implícita. A10: en ningún paso se produce una inferencia sobre “el tipo de trayectoria” de una persona — solo una distribución de accesibilidad relativa, recalculada por persona y por momento.

Lo que esta sección no cierra: la calibración del tensor métrico g_t, la especificación completa de los mecanismos de propagación inter-escala, la calibración numérica de \mu_{\text{alto}} (el sistema de reglas de arriba tiene ahora determinación explícita por par —D/E/E-fuerte/N— pero ningún valor numérico fijo; eso sigue siendo trabajo de piloto), y el sesgo de muestreo de los 105 casos de Barnhill. Tampoco implementa el motor (syntropia_engine.py y derivados), que requiere desarrollo aparte con base matemática verificada en vez de inventada.

Parte IV — Los cuatro operadores de traducción no reductiva

IV.1. Por qué se necesitan operadores de traducción

El modelo describe cuatro niveles de organización: el devenir continuo (Rhysis), el campo intensivo (spatium), las estabilizaciones con persistencia histórica (trayectorias), y las representaciones inferenciales (campo clínico). La relación entre esos niveles no es reducción (el nivel superior no se explica completamente desde el inferior) sino traducción no reductiva: el paso de un nivel al otro preserva información esencial con pérdida controlada y declarada.

Los cuatro operadores de la Tabla C del Núcleo Ontológico son las funciones matemáticas de esa traducción. Cada uno tiene una firma, una propiedad constitutiva, y una grieta de investigación asociada.

IV.2. T_{\text{temporal}}: de la señal dinámica a los parámetros del campo

T_{\text{temporal}}: \{\text{señal}(t)\} \to \{\xi_t,\, \varepsilon_t^{\text{ef}}\} \quad \text{[con pérdida de secuencia específica]}

Traduce la señal continua de alta frecuencia del sensor (acelerómetro, giroscopio, patrones de uso) hacia estimaciones de la memoria constitutiva y el umbral efectivo actual. La propiedad de pérdida con preservación de la estructura temporal relevante: la secuencia específica de eventos no se preserva, pero sí su efecto acumulado sobre el campo.

El aparato matemático que hace posible esta traducción (EMD/HHT, RQA, homología persistente) no es arbitrario: es la consecuencia directa de los axiomas A1–A5 del Núcleo Ontológico. A1 (primacía dinámica) requiere un aparato que capture el proceso sin imponer estructura a priori. A2 (irreversibilidad) requiere herramientas sensibles a la asimetría temporal. A3 (estructura del devenir bajo condiciones) requiere análisis multiescala. A5 (tres modos de respuesta) requiere detección de discontinuidades. EMD/HHT satisface A1 y A3 porque no impone base de descomposición; RQA satisface A2 porque captura la huella que la historia irreversible deja en la dinámica; la homología persistente satisface A3 y Condición 1 del Núcleo Epistemológico porque captura estructura topológica sin suponer métrica local.

IV.2bis. T_{\text{hospitalario}}: de las observaciones clínicas estructuradas a los parámetros del campo

T_{\text{hospitalario}}: \{\text{observaciones\_clínicas}(t_1,\ldots,t_n)\} \to \{\xi_t,\, \varepsilon_t^{\text{ef}}\} \quad \text{[con mediación del observador]}

Complementa T_{\text{temporal}} en contexto hospitalario, cuando el sensor no está disponible o cuando ambas fuentes operan en paralelo. Traduce la serie de observaciones clínicas estructuradas repetidas (evoluciones médicas, notas de enfermería, registros del equipo) hacia estimaciones de \xi_t y \varepsilon_t^{\text{ef}}.

La propiedad constitutiva que distingue T_{\text{hospitalario}} de T_{\text{temporal}} es la mediación del observador: cada punto de datos es una interpretación estructurada por un clínico entrenado, con resolución en escala de horas en trayectorias agudas pero con sesgos acumulables (sesgo de turno, fatiga, diagnóstico previo). Cuando ambos operadores coexisten, su divergencia es información diagnóstica sobre el campo: una señal de que la percepción del clínico y la señal fisiológica están capturando distintos aspectos del mismo estado.

T_{\text{hospitalario}} satisface las mismas condiciones de admisibilidad del Núcleo Epistemológico que T_{\text{temporal}}: opera sobre la misma ontología, produce estimaciones comparables, y sus diferencias son diferencias de fuente, no de objeto.

IV.3. T_{\text{escala}}: de la descripción local a la descripción global

T_{\text{escala}}: \{H_t, \varepsilon_t, \Psi_t\}_{\text{local}} \to \Omega_t^{(p)}_{\text{global}} \quad \text{[coarse-graining no conmutativo]}

Traduce la descripción local del campo (nivel de coherencia, elasticidad y acoplamiento por dominio) hacia la organización global del campo de individuación. La propiedad de no conmutatividad es constitutiva: el orden en que se aplican la dinámica y la agregación importa. Esto significa que \Omega_t^{(p)} no es simplemente la suma o el promedio de las propiedades de los dominios: es una propiedad emergente de su organización conjunta que no está contenida en ningún subconjunto de los componentes.

IV.4. T_{\text{ontológico}}: del nivel genómico-epigenómico a los parámetros del campo

T_{\text{ontológico}}: \{\text{dif}[t],\, \text{dif}[c]\} \to \{\varepsilon_t,\, \Psi_t,\, D_p(t)\}_{\text{modulación}}

Traduce el perfil genómico (condición de posibilidad inmutable) y el perfil epigenómico (historia de exposiciones inscrita en el substrato) hacia los parámetros del campo. La propiedad de modulación con emergencia: los genes no determinan el fenotipo funcional directamente: modulan los parámetros del campo bajo los cuales emerge la forma funcional. Esta propiedad es la base ontológica de la medicina de precisión de segunda generación que el modelo propone: sin la evaluación funcional longitudinal (Capa 3), los datos genómicos y epigenómicos solos no permiten predecir el perfil sintrópico.

Marcadores moleculares verificados. Los siguientes marcadores proveen anclaje empírico a las tres traducciones que T_{\text{ontológico}} produce (\text{dif}[t]+\text{dif}[c] \to \varepsilon_t; \text{dif}[t]+\text{dif}[c] \to \Psi_t; \text{dif}[c] \to D_p(t)). Son hipótesis estructurales operativas falsables: candidatos verificados en la literatura, no parámetros calibrados en el piloto:

La especificidad diagnóstica del reloj de Horvath respecto a FKBP5 es clínicamente crítica porque distingue los dos orígenes independientes de reducción de \varepsilon_t^{\text{ef}} (P3, Núcleo Ontológico):

La convergencia de FKBP5 elevado y reloj Horvath acelerado en una misma trayectoria corresponde a la posición R2 del espacio clínico S_m = D_p(t) \times \kappa(t) (D11, P17 del Núcleo Ontológico): la de mayor urgencia de restauración de \kappa(t) antes de cualquier intervención sobre D_p(t). Su verificación empírica requiere datos del piloto.

IV.5. T_{\text{histórico}}: de la historia clínica al prior bayesiano

T_{\text{histórico}}(\mathcal{E}(t), \xi_t): \mathcal{E}(t) \to P(\Omega_t^{(p)})

Traduce la evidencia observacional histórica (los cinco tipos de evidencia clínica estructurada: \mathcal{E}_{\text{activación}}, \mathcal{E}_{\text{resistencia}}, \mathcal{E}_{\text{propagación}}, \mathcal{E}_{\text{umbral}}, \mathcal{E}_{\text{ausencia}}) hacia una distribución de probabilidad sobre la geometría del campo de individuación y, a través de ella, hacia el prior bayesiano P(\xi_t).

La propiedad constitutiva que distingue a T_{\text{histórico}} de los otros tres operadores es la codeterminación: la forma funcional del operador depende de \xi_t: el mismo objeto que el operador infiere. El espacio de configuraciones que T_{\text{histórico}} describe es simultáneamente la condición bajo la cual opera la descripción. Eso no es circularidad viciosa: es la consecuencia formal de la ontología rhísica: el campo que se está conociendo está cambiando mientras se lo conoce, y el instrumento de conocimiento hereda esa propiedad. El mecanismo que evita la circularidad está declarado en D8 del Núcleo Ontológico (nota O35): D_p(t) y \sigma_t anclan \Omega_t^{(p)} en el pasado (componentes diacrónicos); \kappa(t) co-varía con él en el presente (componente de codeterminación). La resolución computacional (punto fijo o retardo temporal) es una decisión de implementación de este Núcleo Matemático, no del Ontológico.

Parte V — La frontera entre la representación actual y la representación pendiente

V.1. Lo que la representación actual puede hacer

La representación actual del modelo (la descrita en las Partes II, II bis y III de este documento) permite:

• Describir el estado funcional de la trayectoria en siete dimensiones independientes.
• Calcular la dirección del cambio entre evaluaciones.
• Detectar condiciones de reorganización del campo de individuación.
• Inferir la memoria constitutiva como distribución posterior bayesiana.
• Calcular T_2 (la trayectoria de segundo orden) como indicador de progreso.
• Clasificar la trayectoria en una de las 14 configuraciones canónicas con estimación de incertidumbre.

V.2. Lo que la representación actual no puede hacer

La representación actual no puede:

• Capturar la dinámica continua de la trayectoria entre evaluaciones clínicas: requiere T_{\text{temporal}} implementado.
• Estimar la geometría completa de las cuencas de \Omega_t^{(p)} (profundidad, alcance, gradiente, acoplamiento topológico) porque opera sobre 14 puntos discretos, no sobre la variedad continua \mathcal{W} (la grieta de articulación central que V.3, más abajo, desarrolla).
• Modelar interacciones de orden superior entre más de dos dominios simultáneamente.
• Estimar \Omega_t^{(p)} ni \xi_t con precisión suficiente desde una sola evaluación.
• Producir el posterior continuo sobre \xi_t en el espacio S_m = D_p(t) \times \kappa(t): la implementación actual opera sobre clasificaciones discretas.

V.3. La grieta de articulación central — G2 y G10

El punto de articulación entre la representación actual y la representación pendiente corresponde a dos grietas del Núcleo Ontológico v2.3.5: G2 (calibración del tensor métrico g_t sobre \mathcal{W}) y G10 (condiciones de estabilización, qué valores de los parámetros del spatium producen cada configuración canónica). Su pregunta de investigación conjunta es: ¿puede \mathcal{F}_t^{(p)} (el campo de posibilidades) inferirse con precisión suficiente desde datos longitudinales del piloto, y converge esa inferencia con la representación topológica que el aparato observacional produce desde la señal del sensor?

La resolución de G2 y G10 determina si la variedad diferenciable \mathcal{W} como representación del espacio de configuraciones es la correcta. Si los datos del piloto muestran que la representación topológica y la inferencia histórica no convergen en ninguna dimensión, el modelo debe revisar la representación de \mathcal{W} (G2). Si convergen en algunas dimensiones y divergen en otras, esa divergencia estructural informa sobre los límites constitutivos de cada ruta de inferencia: información que enriquece el modelo sin invalidarlo.

G20 — Métrica de similaridad procesual (urgente, referente en §II bis.2): G2 cierra la calibración del tensor métrico g_t = g(\xi_t, t) sobre \mathcal{W} (§II bis.2). Pero G2 solo produce la métrica para una trayectoria singular. G20 (Núcleo Epistemológico v0.3.17, CE18) pregunta si puede formalizarse una distancia entre trayectorias sobre el espacio de parámetros estructurales (tipo de cuenca, dirección de \Psi_t, posición en S_m, forma de f_t) que sea coherente con CE18 y admisible bajo Condición 1. El referente matemático de G20 reside en este documento: la norma \|\xi_t^{(p)} - \xi_t^{(q)}\|_{g_t} requiere que g_t esté calibrado (G2), y la distancia entre distribuciones d_{\text{config}}(\Omega_t^{(p)}, \Omega_t^{(q)}) requiere que la representación continua de \Omega_t^{(p)} sobre \mathcal{W} sea operativa (también G2). G20 es la grieta que bloquea la validación poblacional del piloto — sin ella no puede construirse conocimiento acumulativo sobre poblaciones sin violar A10. Horizonte: H2 temprano, máxima urgencia entre las grietas nuevas.

Nota matemática — asimetría constitutiva de d_{\text{proc}}: si g_t = g(\xi_t, t), la norma \|\xi_t^{(p)} - \xi_t^{(q)}\|_{g_t} no es simétrica en general: el tensor de evaluación depende de cuál trayectoria se usa como referencia. d_{\text{proc}} es por tanto una premetrica procesual dirigida, no una métrica simétrica. Esto es coherente con la ontología (CE18, H-COMP revisada del Epistemológico v0.3.17): la disimilitud de q respecto a p medida desde la geometría de p no es igual a la disimilitud de p respecto a q medida desde la geometría de q. G20 debe verificar las propiedades formales de esta premetrica (reflexividad, desigualdad triangular asimétrica) y especificar cómo se simetriza cuando los algoritmos de agrupamiento del piloto lo requieran, con declaración explícita de la información perdida en la simetrización.

V.4. Las condiciones de revisión de la capa matemática

Una representación matemática del modelo puede reemplazarse sin revisión ontológica cuando:

1. La nueva representación satisface las seis condiciones del Núcleo Epistemológico (anisotropía, no-ergodicidad, no-markovianidad, emergencia, irreversibilidad, singularidad) al menos tan bien como la representación que reemplaza.

2. La nueva representación es computacionalmente operativa en el horizonte clínico del modelo, no solo teóricamente superior sino implementable con los recursos computacionales disponibles en el entorno de despliegue.

3. La transición está documentada con el mapeo explícito entre la notación antigua y la nueva, el conjunto de datos con el que se validó la nueva representación, y la declaración de qué propiedades de la representación antigua quedan preservadas y cuáles cambian.

Estas condiciones protegen la capa matemática de dos riesgos opuestos: el conservadurismo que impide actualizar cuando los datos justifican una representación mejor, y la innovación sin fundamento que introduce complejidad sin ganancia clínica.

Parte VI — El modelo bayesiano de estado-espacio

Esta parte formaliza cómo el modelo infiere el estado del campo \xi_t desde observaciones longitudinales \mathcal{O}(t). Es la parte computacionalmente más densa del documento, y la que produce la salida clínica directamente utilizable: el posterior P(\xi_t \mid \mathcal{O}(t)), la distribución sobre configuraciones \Omega_t^{(p)}, y la secuencia T_2 como indicador de trayectoria.

El modelo de estado-espacio bayesiano formaliza la dinámica de la trayectoria sintrópica como un proceso estocástico con incertidumbre explícita. En lugar de clasificar a la persona en una configuración única, el modelo asigna una distribución de probabilidad sobre las 14 configuraciones posibles, lo que resuelve la subdeterminación que produciría cualquier sistema de clasificación de punto único.

El desvelamiento (protocolo CAIP, Núcleo Clínico) es la operación clínica que pone en marcha este modelo en cada encuentro. Esta parte del Núcleo Matemático provee la formalización matemática de respaldo.

VI.1. El proceso de observación

El perfil sintrópico observado en el tiempo t, denotado \mathcal{O}(t), es una función del estado latente verdadero H_t más error de medición:

\mathcal{O}(t) = H_t + \eta_t, \quad \eta_t \sim \mathcal{N}(0, \Sigma_\eta)

donde \eta_t es el error de medición con distribución normal multivariada y matriz de covarianza \Sigma_\eta estimada a partir de los datos de confiabilidad interjuez de la ECSE.

La observación completa \mathcal{O}(t) = \{H_t, \text{sensor}(t), \text{autoregistro}(t)\} factoriza bajo independencia condicional dado \xi_t:

P(\mathcal{O}(t) \mid \xi_t) = P(H_t \mid \xi_t) \cdot P(\text{sensor}(t) \mid \xi_t) \cdot P(\text{autoregistro}(t) \mid \xi_t)

Condición de validez del autoregistro: cuando \Upsilon_{US} < \Upsilon_{US_{\min}}, el autoregistro pierde validez como fuente de información sobre \xi_t. En ese caso \mathcal{O}(t) = \{H_t, \text{sensor}(t)\} y la varianza del posterior sobre D_p(t) aumenta.

VI.2. El proceso de transición

La dinámica del estado latente H_t sigue un proceso condicionado por M, \varepsilon_t y \xi_t:

H_t \mid H_{t-1}, M, \varepsilon_t, \xi_t \sim p(H_t \mid H_{t-1}, M, \varepsilon_t, \xi_t)

Nota sobre la aproximación markoviana: la formulación anterior condiciona sobre \xi_t en lugar de solo H_{t-1}, lo que la hace formalmente no-markoviana (coherente con Condición 3 del Núcleo Epistemológico, Parte II). La implementación computacional de primera fase usa una aproximación markoviana de primer orden como simplificación declarada: p(H_t \mid H_{t-1}, M, \varepsilon_t).

Nota sobre f_t dependiente de historia: la forma de la función de transición p(H_t \mid H_{t-1}, M, \varepsilon_t, \xi_t) no es estacionaria si se respeta la heterogeneidad de escalas temporales del modelo (§II.5quinquies). La especificación correcta es f_t = f(\cdot \mid D_p(t), \sigma_t): la historia acumulada a escala lenta condiciona la forma de las transiciones a escala rápida. En la implementación de primera fase, f se trata como estacionaria (parámetros fijos estimados del piloto) con la condición de que el diseño del piloto provea densidad de puntos suficiente para detectar variación de f_t con la historia. Si el piloto detecta que los parámetros de transición varían sistemáticamente con D_p(t), la actualización a f_t no-estacionaria será la corrección de primera fase del modelo bayesiano.

Límites de la aproximación markoviana de primer orden: sus tres límites tienen estatutos distintos:

1. Violación de Condición 3 (no-markovianidad, Núcleo Epistemológico Parte II): la aproximación condiciona sobre H_{t-1} en vez de sobre \xi_t completo, eliminando la dependencia de historia constitutiva que A2 y A4 exigen. El límite es declarado: la aproximación es válida como primera fase mientras la estimación de \xi_t con series cortas tiene alta varianza.

2. Violación de CE16 (no ergodicidad constitutiva, Núcleo Epistemológico CE16): la aproximación markoviana estándar supone implícitamente propiedades estadísticas estacionarias: que el comportamiento promedio en el tiempo converge al comportamiento promedio en el conjunto. CE16 establece que esa convergencia no existe para las trayectorias que el modelo describe. La corrección en fases posteriores del piloto debe preservar la no ergodicidad como propiedad constitutiva del modelo de transición, no como caso especial.

3. Dependencia de la densidad del sensor: la varianza del posterior sobre \xi_t es alta con series cortas (menos de seis evaluaciones). La aproximación markoviana amplifica esa varianza porque no puede distinguir entre variación genuina del campo y ruido de medición sin la estructura de \xi_t completo. En la primera fase del piloto (evaluaciones mensuales durante 12 meses) las estimaciones de \Omega_t^{(p)} para trayectorias con poca historia tienen varianza conocida y declarada.

Condición de revisión: cuando T_{\text{temporal}} esté implementado (§VIII.2), la señal continua del sensor provee la estructura de \xi_t entre evaluaciones que la aproximación markoviana descarta. La extensión al modelo no-markoviano completo es trabajo de segunda fase del piloto (G7).

La distribución de transición p(H_t \mid H_{t-1}, M, \varepsilon_t, \xi_t) captura la probabilidad de que el estado funcional en t dado el estado en t-1, el perfil de moduladores, la elasticidad y la historia acumulada. Su forma paramétrica se estima a partir de los datos longitudinales del piloto.

CE19 — Límite de \xi_t como representación de la historia (Epistemológico v0.3.17): más allá de los tres límites de la aproximación markoviana ya declarados, hay un cuarto límite formal: \xi_t es la huella del proceso acumulado, no el proceso mismo. Dos campos con \xi_t^{(p)} \approx \xi_t^{(q)} pueden haber llegado ahí por trayectorias distintas que producen respuestas distintas a perturbaciones idénticas. En los tres periodos de máxima severidad (Fase 1 de §T1: \xi_t estable con \chi_t creciente; Fase 3: varianza del posterior alta como señal del proceso transicional, no como incertidumbre de estimación; Fase 4 temprana: instalación de nueva cuenca), las fuentes de \mathcal{O}(t) de acceso no mediado por el motor (la señal somática de B_t^{(a)}, la resonancia clínica, y la varianza narrativa) tienen peso relativo mayor en la inferencia sobre el proceso real. CE19 no invierte la jerarquía entre motor bayesiano y lectura clínica en general, declara los periodos en que la aproximación markoviana es más severa. Ver tabla de indicadores observacionales en §VIII.5.

Brecha técnica de CE19 — implementación pendiente: CE19 afirma una asimetría de pesos en la verosimilitud que la arquitectura bayesiana actual no implementa. La factorización estándar P(\mathcal{O}(t) \mid \xi_t) = P(H_t \mid \xi_t) \cdot P(\text{sensor}(t) \mid \xi_t) \cdot P(\text{autoregistro}(t) \mid \xi_t) trata todas las fuentes con pesos iguales en todos los momentos. CE19 exige que en los tres periodos de máxima severidad las fuentes no mediadas tengan peso relativo mayor — lo que requiere un término adicional en la verosimilitud.

La forma que tomaría la implementación completa:

P(\mathcal{O}(t) \mid \xi_t, \phi_t) = \begin{cases} P_{\text{motor}}(\mathcal{O}(t) \mid \xi_t) \cdot \lambda_{\phi} \cdot P_{\text{NM}}(\mathcal{O}(t) \mid \xi_t) & \text{si } \phi_t \in \{1, 3, 4_{\text{temp}}\} \\ P_{\text{motor}}(\mathcal{O}(t) \mid \xi_t) & \text{si } \phi_t = \text{estable} \end{cases}

donde P_{\text{NM}}(\mathcal{O}(t) \mid \xi_t) es la verosimilitud de las fuentes no mediadas (B_t^{(a)} desde el sensor, resonancia clínica desde el protocolo post-encuentro del Clínico, varianza narrativa desde la divergencia entre canales) y \lambda_\phi \in (0,1] es el peso relativo de esas fuentes en cada periodo, a calibrar en el piloto.

El problema técnico: \phi_t no es directamente observable: se infiere del propio motor. Los indicadores actuales de fase desde §VIII.5 son: varianza creciente del posterior con \|H_t\| estable → Fase 1; masa distribuida sobre \geq 3 configuraciones sin moda clara → Fase 3; varianza decreciendo hacia nueva moda estable → Fase 4 temprana. Esto introduce una dependencia en dos pasos: el motor estima \phi_t desde sus propias salidas, y luego modula su propia verosimilitud en función de esa estimación. La dependencia es circular pero resoluble mediante un esquema iterativo o de punto fijo por evaluación, computable pero no implementado en la versión actual de motor_pymc.

Estatuto: brecha técnica activa. La arquitectura actual opera correctamente como primera aproximación con límites declarados. La implementación de la verosimilitud modulada por fase requiere: (1) que los indicadores de §VIII.5 sean lo suficientemente estables para estimar \phi_t con baja varianza propia; (2) calibración de \lambda_\phi para cada periodo desde datos del piloto; (3) verificación de que el esquema iterativo converge en el motor PyMC. Condición de cierre: datos longitudinales del piloto con registro de protocolo post-encuentro y sensor en las mismas trayectorias, suficientes para estimar \lambda_\phi por periodo. Horizonte: H2 temprano, trabajo de segunda fase del piloto, paralelo a G7. Ver CE19 del Núcleo Epistemológico v0.3.17 para el fundamento epistemológico de esta brecha.

Nota sobre el estatuto de la ecuación \Omega_t^{(p)} = F(\sigma_t, D_p(t), \kappa(t)): esta notación declara la dependencia ontológica de \Omega_t^{(p)} sobre sus tres componentes constitutivos. No especifica la forma funcional de F: esa especificación es el contenido de PEA1 y requiere trabajo matemático sobre la terna (\mathcal{W}, g_t, \mathcal{A}[\Omega,t]). En el estado actual del programa, la ecuación es una notación de dependencia ontológica, no una relación funcional operativa. \sigma_t actúa en ella como marcador de posición: declara la dependencia sobre la estructura disposicional pre-simbólica sin describir la forma funcional de esa dependencia. Usar esta ecuación como si F estuviera especificada produce apariencia de precisión injustificada.

VI.3. La clasificación probabilística en configuraciones

La clasificación bayesiana asigna a cada evaluación una distribución de probabilidad sobre las 14 configuraciones del sistema canónico v1.2 \mathcal{C} = \{\text{C-A},\ldots,\text{C-M}\} (con C-C subdividida en C-C1 y C-C2):

P(\mathfrak{C}_k \mid \mathcal{O}(t), \mathcal{O}(t-1), M) \propto p(\mathcal{O}(t) \mid \mathfrak{C}_k) \cdot P(\mathfrak{C}_k \mid \mathcal{O}(t-1), M)

donde P(\mathfrak{C}_k \mid \mathcal{O}(t), \mathcal{O}(t-1), M) es la probabilidad posterior de que la trayectoria esté en la configuración k dado el perfil observado actual, el perfil observado anterior y el vector de moduladores.

Esta formulación permite que la trayectoria esté asignada con alta probabilidad a una configuración modal y baja probabilidad a otras configuraciones adyacentes, una representación más fiel de la realidad clínica que una clasificación única.

Las 14 configuraciones del sistema canónico v1.2 con sus propiedades modales orientativas. Ver Configuraciones_Canonicas_v1_3_14.qmd para la formalización completa.

VI.4. El umbral de transición

El umbral de transición \tau es el nivel de perturbación que produce una transición desde la configuración actual hacia una configuración de colapso (C-J del sistema v1.2) con probabilidad mayor a un umbral predefinido (p \geq 0.50). Formalmente:

\tau = \inf\left\{\delta : P(\mathfrak{C} = \text{C-J} \mid H_t - \delta \cdot \hat{e}, M) \geq 0.50\right\}

donde \hat{e} es el vector unitario en la dirección de mayor descenso de \|H_t\|.

El umbral \tau es función del perfil de moduladores M, del vector de elasticidad \varepsilon_t, de la posición en S_m derivada de \xi_t, y de los parámetros de la distribución de transición estimados a partir del perfil genómico y epigenético cuando están disponibles.

Relación con \kappa_{\text{umbral}}(D_p): \tau y \kappa_{\text{umbral}}(D_p) son representaciones complementarias del mismo umbral desde perspectivas distintas. \tau es la perspectiva de la dinámica configuracional (cuánta perturbación hasta una configuración de colapso como C-J); \kappa_{\text{umbral}}(D_p) es la perspectiva del espacio clínico (cuánta capacidad receptiva mínima dado el D_p acumulado). Estimar la forma de \kappa_{\text{umbral}}(D_p) con datos del piloto precisará también la estimación de \tau.

Nota sobre la representación de S_m: el espacio clínico S_m = D_p(t) \times \kappa(t) opera aquí con D_p como escalar (la representación escalar actual de este documento). Con la extensión de D_p(t) a función sobre la variedad \mathcal{W} (§II.7bis de este documento), \tau adquiere una estructura más rica: el umbral de transición varía por localización en \mathcal{W}: cuencas en distintas regiones de la variedad tienen distintas barreras de transición. La representación escalar actual de \tau es la proyección operativa válida mientras la estimación de D_p(t) como función sobre \mathcal{W} no esté calibrada empíricamente.

VI.5. El posterior bayesiano sobre \xi_t

El desvelamiento produce el posterior sobre \xi_t:

P(\xi_t \mid \mathcal{O}(t)) \propto P(\mathcal{O}(t) \mid \xi_t) \cdot P(\xi_t)

El posterior nunca colapsa a un punto (CE3): la incertidumbre sobre \xi_t es constitutiva del conocimiento clínico sintrópico. El posterior de la evaluación anterior actúa como prior de la siguiente.

VI.5.1. La arquitectura del prior

El prior P(\xi_t) tiene una arquitectura de dos fases con estatutos epistemológicos distintos, especificada por el operador T_{\text{histórico}} (§IV.5 de este documento).

La arquitectura del prior — T_{\text{histórico}} y los cinco tipos de evidencia histórica.

El prior del primer encuentro se construye mediante:

T_{\text{histórico}}(\mathcal{E}(t), \xi_t): \mathcal{E}(t) \to P(\Omega_t^{(p)})

\mathcal{E}(t) es la evidencia observacional histórica estructurada en cinco tipos, cada uno con su propiedad inferencial propia respecto a la geometría de \Omega_t^{(p)}:

\mathcal{E}_{\text{activación}} — instancias en que la trayectoria exhibió el patrón conductual y funcional que define una cuenca: evidencia positiva de localización de la cuenca activa en \Omega_t^{(p)}.

\mathcal{E}_{\text{resistencia}} — instancias en que perturbaciones que en otras trayectorias producen cambio de cuenca no lo produjeron aquí: evidencia de profundidad de cuenca. En estados de alta plasticidad del paisaje, es el mejor indicador de profundidad.

\mathcal{E}_{\text{propagación}} — instancias en que perturbaciones en un dominio se propagaron a otros de forma diferencial: evidencia de la estructura de \Psi_t y del alcance transdominio de la cuenca activa.

\mathcal{E}_{\text{umbral}} — instancias de cambio de cuenca documentadas, incluyendo la magnitud de la perturbación que lo produjo: evidencia de barrera de transición. En estados de alta estabilidad con tendencia a irreversibilidad, es el mejor indicador del gradiente de acceso actual.

\mathcal{E}_{\text{ausencia}} — ausencia de narrativa donde el modelo predice presencia: las cuencas más profundas son frecuentemente las menos narrativizables. Lo que está ausente en la historia es información de igual relevancia a lo presente.

Propiedad de codeterminación de T_{\text{histórico}}: la forma funcional del operador depende de \xi_t: el estado actual del paisaje que el operador infiere. La profundidad efectiva de una cuenca en el presente no es la profundidad que la evidencia histórica permite inferir directamente: es esa profundidad modificada por la erosión diferencial acumulada del paisaje desde el momento formativo hasta el presente (§II.7bis). La misma evidencia histórica produce estimaciones de geometría de cuencas distintas según el estado polimórfico actual del paisaje. El mecanismo que evita la circularidad está en §IV.5 y D8 del Núcleo Ontológico (nota O35).

Propiedad de pérdida narrativa controlada: la narrativa clínica es una proyección del paisaje de \Omega_t^{(p)} organizada por sus cuencas más activas: selectiva y sesgada por los propios atractores del campo. Lo narrativizable no es lo único relevante. La divergencia persistente entre lo que T_{\text{histórico}} produce desde la historia y lo que el sensor produce desde la señal dinámica no es error: es información sobre qué aspectos de la geometría de \Omega_t^{(p)} son accesibles desde cada fuente independientemente.

Fase ontológica — primer encuentro: en el primer encuentro no existen datos empíricos previos de esta trayectoria. El prior se construye desde los compromisos del modelo (la ontología del devenir, las propiedades de D_p(t) y \kappa(t), y la arquitectura de \Omega_t^{(p)}) condicionado sobre la estimación inicial de \xi_t producida desde la evaluación de M y la historia clínica disponible. El Protocolo de Inferencia de Atractores Constitutivos (PIAC) especifica qué observaciones de la historia clínica permiten inferir la geometría de las cuencas activas de \Omega_t^{(p)}: su localización, profundidad efectiva dado el estado polimórfico actual del campo de individuación, alcance transdominio y gradiente de acceso. Esa inferencia geométrica se traduce en el prior a través de T_{\text{histórico}}.

El prior inicial tiene varianza máxima: es el punto de mayor incertidumbre en todo el proceso. Informa fundamentalmente la estimación de la posición en S_m (cuánto \kappa(t) está disponible y qué escala de D_p(t) es probable) antes que la geometría específica de las cuencas, que requiere series longitudinales para inferirse con precisión suficiente. En la versión beta del modelo, D_p(t) y \kappa(t) son derivadas del funcional \mathcal{A}[\Omega, t] (variación total acumulada y curvatura inversa en el mínimo actual respectivamente), lo que fundamenta su independencia constitutiva como parámetros del prior (§II bis.4 de este documento).

Fase empírica — a partir del segundo encuentro: a partir del segundo encuentro, el prior se construye combinando la forma ontológica con los datos empíricos acumulados de esta trayectoria. El peso de los datos empíricos crece con cada evaluación: las primeras evaluaciones están dominadas por la forma ontológica; las evaluaciones tardías están dominadas por el patrón empírico acumulado de esta trayectoria específica. El posterior de cada evaluación actúa como prior de la siguiente: la lógica bayesiana estándar opera aquí con plena coherencia.

VI.5.2. La no ergodicidad del prior

El prior P(\xi_t) es constitutivamente singular: no es una distribución poblacional (CE16, Núcleo Epistemológico). Para cualquier trayectoria sintrópica, el promedio temporal no coincide con el promedio del conjunto: consecuencia directa de A2 y A10. Eso tiene tres consecuencias formales para el prior:

La extrapolación directa desde las estadísticas del piloto hacia el prior de esta trayectoria es epistemológicamente inadmisible. Los parámetros del piloto (las formas funcionales de las distribuciones de transición, los rangos típicos de D_p(t) y \kappa(t)) son condición de posibilidad para construir el prior ontológico inicial, no el prior mismo.

Las 14 configuraciones son clases de equivalencia fenomenológica, no identidades constitutivas. Dos trayectorias en la misma configuración observable comparten una descripción aproximada de su organización dinámica actual; pueden tener geometrías de campo radicalmente distintas con implicaciones completamente distintas para la intervención.

El prior específico para esta trayectoria diverge progresivamente del prior genérico a medida que el proceso acumula evaluaciones. Esa divergencia es información: mide cuánto ha aprendido el proceso de desvelamiento sobre la singularidad de esta trayectoria respecto a la población (CE8, Núcleo Epistemológico).

VI.6. La trayectoria de segundo orden T_2 como producto del modelo

T_2 = \{P(\xi(t_n) \mid \mathcal{O}(t_n))\}_{n=1}^{N}

T_2 es el producto del modelo bayesiano de estado-espacio que no existe en ningún sistema de evaluación clínica previo: la secuencia de distribuciones posteriores sobre la estructura latente del campo a lo largo del proceso clínico. Sus propiedades formales y las cuatro combinaciones clínicamente relevantes se desarrollan en el Núcleo Clínico.

VI.7. Implementación computacional

El modelo bayesiano de estado-espacio se implementa mediante métodos de Monte Carlo secuencial (filtro de partículas) que permiten la actualización en tiempo real del perfil de probabilidad sobre configuraciones a medida que se acumulan datos de seguimiento. El código de implementación en Python (PyMC) está disponible en el repositorio del proyecto (ver §VIII.2 para el mapa de implementaciones actuales). El diseño de los procedimientos de estimación de \Omega_t^{(p)} es objetivo de investigación de segunda fase del piloto.

Parte VII — Propiedades del sistema completo

Esta parte establece las propiedades formales que emergen de los siete componentes considerados en conjunto: propiedades que no son visibles en ningún componente individual pero que gobiernan el comportamiento del sistema como totalidad.

VII.1. Completitud e independencia conceptual

El perfil sintrópico completo (H_t, \nabla H_t, \varepsilon_t, \Psi_t, \Omega_t^{(p)}, M, \xi_t) provee una descripción de siete niveles que ningún subconjunto puede proveer por separado. Los siete componentes son conceptualmente independientes.

VII.2. Jerarquía ontológica

H_t y \nabla H_t operan en el plano de la extensión (diferencia de grado). \varepsilon_t y \Psi_t operan en el plano intensivo: el spatium. \Omega_t^{(p)} opera en el plano del campo de individuación. M opera como condiciones de transición. \xi_t opera como la estructura latente que integra la historia acumulada de todos los demás componentes.

VII.3. La trayectoria de segundo orden T_2

T_2 = \{P(\xi(t_n) \mid \mathcal{O}(t_n))\}_{n=1}^{N}

T_2 es la secuencia de distribuciones posteriores sobre \xi_t a lo largo del proceso clínico. Sus dos componentes: dirección de cambio de la moda (movimiento hacia R3) y reducción de varianza del posterior (mayor certidumbre sobre \xi_t). La condición formal de alta sintrópica:

\text{var}(T_2) \leq \text{var}_{\min} \;\wedge\; \text{dir}(T_2) = v_{\text{estable}} \;\wedge\; (D_p(t), \kappa(t)) \in R3

durante k evaluaciones consecutivas.

Parte VIII — Guía operacional para la implementación computacional

VIII.1. El propósito de esta sección

Este documento es fundacional: establece principios. Pero establece también que el Núcleo Matemático sirve como referencia operacional para la implementación computacional del modelo. Esta sección traduce los principios de las Partes II–V en instrucciones concretas para quien escribe código que implementa Syntropía.

La instrucción central es: el código implementa representaciones, no la realidad. Todo parámetro del código corresponde a un objeto matemático definido en este documento. Toda función del código implementa un operador de la Tabla C del Núcleo Ontológico o una actualización bayesiana definida en el Núcleo Matemático. Toda decisión de diseño de software que afecte la semántica del modelo (qué se actualiza cuándo, en qué orden, con qué supuestos) debe justificarse en términos de las estructuras de este documento.

VIII.2. Mapa de implementaciones actuales

VIII.3. Invariantes que el código debe preservar

Los siguientes invariantes son consecuencias directas de la arquitectura matemática del modelo. Violarlos produce implementaciones formalmente correctas que implementan un objeto distinto del modelo:

Invariante 1 — Independencia de los siete componentes. Ningún componente del perfil sintrópico debe calcularse como función de otro componente en el mismo instante t. H_t no determina \varepsilon_t; \varepsilon_t no determina \Omega_t^{(p)}. La dependencia entre componentes es diacrónica — opera a través de la historia acumulada \xi_t — no sincrónica.

Invariante 2 — \xi_t es siempre una distribución. El código nunca colapsa P(\xi_t \mid \mathcal{O}(t)) a un punto para usarlo como entrada de otra operación. La moda del posterior puede usarse como estimación puntual para comunicación clínica; la distribución completa debe preservarse para todas las operaciones inferenciales.

Invariante 3 — El prior de T_histórico no es una distribución poblacional. El prior que T_{\text{histórico}} produce para esta trayectoria es específico de esta trayectoria — no es la distribución marginal de la población del piloto. Los parámetros del piloto son condición de posibilidad para construir el prior de esta trayectoria, no el prior mismo (CE16 del Núcleo Epistemológico).

Invariante 4 — La secuencia de actualización respeta P12. La estimación de \kappa(t) precede a toda operación sobre D_p(t). Si el código evalúa \kappa(t) y D_p(t) en paralelo, viola la Proposición P12 del Núcleo Ontológico (cuya demostración desde la geometría del funcional \mathcal{A} está en §II bis.4 de este documento, y desde el potencial sintrópico \Phi en §III.9) y puede producir inferencias que implican intervenciones contraindicadas.

Invariante 5 — \Omega_t^{(p)} no es una distribución de probabilidad. La suma de \Omega_t^{(p)}(\mathfrak{C}_k) sobre todas las configuraciones no es 1 ni debe normalizarse a 1. Normalizar \Omega_t^{(p)} introduce un supuesto de mutua exclusión que la ontología del modelo no sostiene.

Nota de cierre

El Núcleo Matemático es el documento que permite que Syntropía sea simultáneamente riguroso y revisable. Riguroso porque cada elección matemática está justificada desde la ontología, la epistemología y la clínica, con los isomorfismos que anclan esas elecciones en tradiciones matemáticas establecidas. Revisable porque las condiciones de revisión están declaradas explícitamente: no es necesario revisar la ontología para actualizar la representación cuando los datos lo justifican.

El modelo crece con su implementación. Cada grieta que el piloto cierra produce datos que pueden justificar representaciones más precisas. Ese crecimiento es legítimo cuando respeta las condiciones de la Parte V, y este documento es el instrumento que permite verificar que las respeta.

VIII.5. Distinción formal entre ritmo del proceso y tasa de cambio del observable

El problema: la frecuencia de evaluación del piloto debe capturar el proceso, no solo el observable. Sin la distinción entre ritmo del proceso y tasa de cambio del observable, la frecuencia de evaluación es arbitraria.

Definición: la tasa de cambio del observable \dot{H}_t = \nabla H_t / \Delta t mide cuánto cambia H_t entre evaluaciones: es el objeto que T_2 construye. El ritmo del proceso \chi_t es distinto: mide el estado de preparación del campo de individuación para producir una reorganización: la tensión acumulada en \Omega_t^{(p)} antes de que esa reorganización sea observable en H_t.

La distinción clínica es crítica: una trayectoria puede tener \dot{H}_t \approx 0 (observable estable) con \chi_t alto (campo en preparación para transición): el periodo silencioso antes de una reorganización mayor. Y puede tener \dot{H}_t alto (observable en movimiento) con \chi_t bajo (campo respondiendo a perturbación sin proceso de reorganización subyacente). Confundir las dos produce errores de temporalización: intervenir durante el periodo silencioso puede desorganizar un proceso en marcha; no intervenir durante el movimiento reactivo puede perder la ventana.

Estimación de \chi_t: en el formalismo actual, \chi_t no tiene representación directa: es una ausencia declarada del programa (H1.4 de la hoja de ruta evolutiva). Su estimación aproximada usa señales indirectas:

• Varianza creciente en el posterior P(\xi_t \mid \mathcal{O}(t)) con \|H_t\| estable → señal de \chi_t alto: el campo está generando incertidumbre antes de moverse
• Activación autonómica elevada (B_t^{(a)}) con perfil cognitivo-volicional estable → señal somática de \chi_t alto
• Alta concordancia entre resonancia clínica y autoreporte con contenido cambiante → el campo habla de transformación aunque el observable no se mueva aún

Implicación para el diseño del piloto: la frecuencia de evaluación debe ser suficiente para detectar el periodo silencioso previo a la reorganización. La estimación conservadora basada en las velocidades de §II.5quinquies: la señal somática de B_t cambia en días; la señal del posterior sobre \xi_t cambia en semanas; la reorganización del observable H_t cambia en semanas/meses. Por tanto, la frecuencia mínima para detectar \chi_t es evaluación semanal del sensor más evaluación clínica quincenal durante las fases de reconfiguración activa (C-C1, C-C2, C-D, C-G, C-H), con posibilidad de incrementar a evaluación diaria del sensor en períodos de alta varianza del posterior.

G24 — Tiempo interno de la trayectoria como objeto empírico: la distinción \chi_t / \dot{H}_t sugiere un objeto derivado — el tiempo interno de la trayectoria \tau_t: la velocidad a la que el campo procesa perturbaciones en relación a su propia historia. La hipótesis formal es H-TEMPO: \tau_t \approx \Phi_t^{(p)} / \kappa(t). Estatuto de H-TEMPO: hipótesis latente — condicional a PEA1 resuelta y \Phi_t^{(p)} con derivación formal cerrada (RC-6.2). No activa en el piloto actual. G24 pregunta si \tau_t así definido, cuando esté calibrado, es un predictor independiente de la velocidad de reorganización observable. Condición de desbloqueo: PEA1 + estimador empírico de \Phi_t^{(p)}. Horizonte: H3.

Grieta del mapeo absorbida aquí (21 jun 2026): G-∇2 (“segunda derivada de H_t para capturar aceleración del cambio”, Cap. 3 — manía como aceleración sostenida que supera κ(t)) es la pregunta sobre \dot{\tau}_t en la terminología de G24. La aceleración del campo que el mapeo identifica en la manía no es independiente de \tau_t — es la derivada del tiempo interno de la trayectoria respecto al tiempo externo. Se absorbe en G24 como evidencia clínica motivadora, no como pregunta adicional.

G28 — Procedimiento explícito de conversión de evidencia clínica cualitativa a valores numéricos para el motor bayesiano

(Grieta añadida en v0.4.29, tras hallazgo de panel de revisión metodológica del Artículo Fundacional, 14 de julio de 2026.)

El motor de inferencia bayesiana integra cuatro fuentes de observación con pesos declarados (w_s, w_a, G3a/G3b), pero dos de esas fuentes (la evaluación clínica formal y la resonancia del clínico) no tienen todavía un procedimiento explícito que convierta el juicio cualitativo del clínico (por ejemplo, “la velocidad de instalación de la relación clínica”, “lo que el clínico siente que puede y no puede hacer en este encuentro”, ambas frases del Núcleo Clínico) en un valor numérico dentro de \mathcal{O}(t). Las fuentes cuantitativas (sensor, autorregistro estructurado) sí tienen ese procedimiento especificado en los operadores de traducción (T_\text{temporal}, T_\text{hospitalario}, Tabla A.4 del Artículo Fundacional).

Por qué importa: sin ese procedimiento, la conversión queda, en la práctica, a discreción de cada clínico o de cada implementación del motor de inferencia, lo cual reintroduce exactamente la variabilidad no auditable que el resto del aparato formal (incluido el criterio de auditabilidad de la resonancia, C14) busca prevenir.

Diseño mínimo: especificar una rúbrica de conversión (por ejemplo, una escala ordinal ancorada con ejemplos clínicos por nivel) para cada uno de los componentes de \xi_t estimados desde evaluación clínica y resonancia; validar la rúbrica con fiabilidad inter-evaluador antes o durante el piloto (relacionado con la limitación ya declarada en el Artículo Fundacional, §4.8, tercera limitación). Requiere trabajo instrumental previo o paralelo al piloto, no solo teórico. Horizonte: H2.

G27 — Especificación del campo vectorial que verificaría el isomorfismo con la teoría de Lyapunov

(Grieta añadida en v0.4.28, tras hallazgo de panel de revisión adversarial del Artículo Fundacional, 14 de julio de 2026.)

III.2 declara que \Omega_t^{(p)} es análoga a una función de Lyapunov, no isomórfica en sentido estricto, porque el modelo no ha especificado el campo vectorial \dot{w} = f(w) sobre \mathcal{W} del cual \Omega_t^{(p)} sería demostrablemente no creciente a lo largo de las trayectorias. La descripción actual de la dinámica del campo de individuación (gradientes, cuencas, régimen transicional) es cualitativa.

Por qué importa: mientras esa especificación no exista, ninguna herramienta de la teoría de estabilidad de Lyapunov (cotas de convergencia, análisis de robustez, criterios de estabilidad asintótica) puede aplicarse formalmente al modelo: solo pueden tomarse como inspiración para la intuición clínica, no como maquinaria matemática verificada.

Diseño mínimo: especificar f como función de \sigma_t, D_p(t) y \kappa(t) sobre una parametrización local de \mathcal{W} (posiblemente restringida al vecindario de las 14 configuraciones canónicas como primera aproximación); verificar las condiciones de Lyapunov (V positiva definida, \dot{V} \leq 0) sobre esa parametrización. Requiere trabajo puramente teórico, sin dependencia de datos del piloto. Horizonte: H4.

G27bis — Hipótesis de transición de fase para la forma de F

(Grieta añadida en v0.4.30, motivada por la reformulación del estatuto de Rhysis en el Núcleo Ontológico, D1, “Nota de honestidad epistémica”.)

La relación \Omega_t^{(p)} = F(\sigma_t, D_p(t), \kappa(t)) declara dependencia ontológica, no una relación funcional operativa: F no está especificada (D8 del Núcleo Ontológico). El supuesto de trabajo actual del modelo (III.2, G27) es que, una vez especificada, F tendría la forma de una dinámica de gradiente suave: el campo vectorial \dot{w} = \kappa(t)\nabla_w\Omega_t^{(p)}(w) + \eta(t) que motiva la analogía con Lyapunov.

Si Rhysis es en efecto el primitivo anterior a toda estabilización (incluida la estabilización matemática misma), una consecuencia plausible es que F no debería modelarse como esa dinámica de gradiente suave, sino como algo estructuralmente más cercano a una transición de fase: un cambio de régimen discontinuo, no una deformación continua del relieve. Esta es, hasta ahora, una hipótesis motivada por la ontología, no una consecuencia derivada de ella con rigor matemático. Es decir, una línea de investigación abierta, no un resultado.

Por qué importa: si se confirmara, sería la primera instancia en que el nuevo estatuto de Rhysis genera una predicción matemática distinta de la que el modelo habría producido sin él, y no solo una reorganización conceptual. Cambiaría además qué herramientas matemáticas son admisibles para F: la teoría de transiciones de fase (parámetros de orden, puntos críticos, exponentes críticos) en lugar de la teoría de sistemas dinámicos de gradiente que orienta hoy a G27.

Diseño mínimo: aún no tiene diseño empírico definido: depende de que G27 especifique primero una forma candidata de F contra la cual contrastar la hipótesis de transición de fase. Requiere trabajo teórico previo (formalización de qué predicción distintiva haría un régimen de transición de fase frente a uno de gradiente suave, contrastable con los mismos datos longitudinales que G1 recolecta). Horizonte: H4.

G26 — Comparación de valor añadido del modelo completo vs. modelo simplificado (análisis obligatorio del piloto)

(Grieta añadida en v0.4.17 post-Auditoría Externa Radical.)

El piloto debe incluir un análisis comparativo entre: (a) el modelo completo de Syntropía (con la arquitectura ontológica, PIAC, FRCS-1, motor PyMC completo, y la clasificación por \Omega_t^{(p)}); y (b) un modelo simplificado que use los mismos datos longitudinales densos pero sin la arquitectura ontológica (regresión bayesiana longitudinal estándar sobre H_t con efectos aleatorios idiográficos).

Por qué es obligatorio: si el modelo simplificado predice igual que el modelo completo en las métricas de G6, la complejidad arquitectónica de Syntropía requiere justificación adicional: la complejidad tiene un costo en implementación que debe ser compensado por valor predictivo. Si el modelo completo predice mejor en al menos una métrica de resultado que el modelo simplificado no captura, la complejidad está justificada.

Nota epistemológica: G26 no controla la existencia ontológica de \Omega_t^{(p)}, que es independiente de los datos (CE20). G26 controla si el aparato inferencial actual captura suficiente información sobre \Omega_t^{(p)} para justificar su complejidad frente a alternativas más parsimoniosas.

Diseño mínimo: mismo conjunto de datos longitudinales; modelo A = Syntropía completa; modelo B = modelo longitudinal bayesiano estándar con las mismas variables observables (H_t, M, \varepsilon_t) pero sin la capa de \Omega_t^{(p)} ni el PIAC. Comparación: capacidad predictiva de resultado a 6 meses (G6), varianza explicada idiográfica, y capacidad de detección de transiciones (G19). Análisis a presentar al cierre del primer año del piloto. Horizonte: H2.

Mapa de indicadores observacionales de las fases de §T1: las cuatro fases del proceso de transformación no son directamente observables desde el motor bayesiano, porque dependen de \Phi_t^{(p)} que no tiene estimador calibrado todavía. Los indicadores que aproximan la detección de cada fase desde los instrumentos disponibles:

Nota operacional: durante las Fases 1 y 3, el motor bayesiano tiene máxima severidad de CE19: la lectura clínica directa debe tener peso mayor que el posterior en la inferencia sobre el proceso real. La tabla convierte §T1 en un protocolo de detección desde los instrumentos disponibles, sin requerir \Phi_t^{(p)} calibrado.

VIII.6. Protocolo de análisis ómico → prior bayesiano (puente G9)

El problema: los datos de metilación de FKBP5, el reloj de Horvath, BDNF y NR3C1 existen en el laboratorio. El prior bayesiano del modelo existe en el motor PyMC. El protocolo que transforma los primeros en el segundo no está escrito en ningún núcleo: es la ausencia 2.4 del programa evolutivo.

Cadena de traducción formal:

Paso 1 — Metilación de FKBP5 intrón 7 → estimación de D_p^{(\text{ómico})}: D_p^{(\text{ómico})}(t) = \phi\!\left(\text{Met}_{FKBP5}(t) - \text{Met}_{FKBP5}^{(\text{basal})}\right) donde \phi es una función creciente a calibrar en G9. La estimación produce una distribución de prior sobre D_p(t) con incertidumbre proporcional a la varianza de la metilación y a la imprecisión de la estimación de la línea basal individual.

Paso 2 — Reloj de Horvath → estimación de \kappa^{(\text{ómico})}: \kappa^{(\text{ómico})}(t) = \psi\!\left(\text{Age}_{Horvath}(t) - \text{Age}_{cronológica}(t)\right) donde \psi es decreciente en la aceleración del reloj. Aceleración positiva → prior \kappa(t) reducido. Aceleración negativa (reloj más lento que la edad cronológica) → prior \kappa(t) en límite superior. Independiente de D_p^{(\text{ómico})} por diseño (los dos marcadores miden objetos distintos; G9 verifica esa independencia).

Paso 3 — NR3C1, BDNF → actualización de \Psi_t y \varepsilon_t: \text{prior}(\Psi_t) \gets \text{prior}(\Psi_t) \cdot L\!\left(\text{Met}_{NR3C1}, \text{Met}_{BDNF}\right) La metilación de NR3C1 informa sobre el acoplamiento A_t–V_t bajo estrés (entrada \psi_{AV} de \Psi_t). La metilación de BDNF informa sobre la restaurabilidad de \kappa(t) post-intervención: actualiza el prior sobre \kappa^*(t) (el techo de restauración).

Paso 4 — Prior integrado: P(\xi_t^{(\text{ómico})}) = P(D_p(t) \mid \text{FKBP5}) \cdot P(\kappa(t) \mid \text{Horvath}) \cdot P(\sigma_t \mid \text{historia temprana autoreportada})

El prior ómico entra al motor bayesiano como prior informativo antes de la primera evaluación clínica. Las evaluaciones clínicas subsiguientes actualizan ese prior a través del mecanismo estándar de T_{\text{histórico}}.

Lo que G9 verifica: que \phi y \psi son las funciones correctas: que la metilación de FKBP5 predice D_p(t) con mayor especificidad que la historia autoreportada, y que el reloj de Horvath predice \kappa(t) reducido independientemente de D_p(t) estimado desde FKBP5.

VIII.7. Grietas y hipótesis formales derivadas de la revisión arquitectónica (v2.3.0)

Sección añadida en v0.4.13 post revisión arquitectónica profunda del Core 1.0.

G23 — Propagación transescalar campo→molecular (referente: T_{\text{ontológico}}, §IV.4)

La Tabla IV.4 formaliza T_{\text{ontológico}} en la dirección molecular→campo: los marcadores de metilación predicen parámetros del modelo. G23 pregunta por la dirección inversa: ¿las reorganizaciones del campo de individuación (\Delta\Omega_t^{(p)} > 0 sostenido, observable como \nabla H_t > 0 mantenido durante k evaluaciones consecutivas) producen cambios identificables en los marcadores moleculares de §IV.4 con precedencia temporal causal distinguible de la dirección molecular→campo?

El referente formal reside en T_{\text{ontológico}}: si ese operador tiene inverso parcial, la reorganización del campo produce cambio molecular. Si no lo tiene, la causalidad es unidireccional: el sustrato molecular condiciona el campo pero el campo no modifica el sustrato. La segunda posibilidad es biológicamente implausible (la psicoterapia produce cambios epigenéticos documentados), pero el mecanismo formal por el que ocurre no está declarado en el corpus.

Predicción contrastable: en trayectorias con \nabla H_t > 0 sostenido durante \geq 6 meses, la medida de metilación de BDNF al mes 6 difiere significativamente de la medida basal, con efecto mayor que en trayectorias con \nabla H_t \approx 0 en el mismo periodo. La precedencia temporal (campo→molecular, no al revés) requiere diseño con medidas densas en ambas escalas. Horizonte: H3.

H-POT — Hipótesis de las potencialidades (estatuto: hipótesis estructural operativa; referente: §II.5sexies, §II.5ter)

\Phi_t^{(p)} describe la presión del campo hacia el borde de \mathcal{F}_t^{(p)}. H-POT formula la hipótesis sobre qué hay más allá de ese borde que sería accesible si el campo se expandiera:

La dirección de expansión más probable de \mathcal{F}_t^{(p)} está determinada por el gradiente de \Phi_t^{(p)} evaluado sobre \partial\mathcal{F}_t^{(p)}: el borde del campo de posibilidades actual. Las regiones de \mathcal{W} más probablemente accesibles en la próxima expansión son aquellas para las cuales:

d_{g_t}(\mathfrak{C}_j, \partial\mathcal{F}_t^{(p)}) < \delta_{\Phi}(t)

donde \delta_{\Phi}(t) es un radio de accesibilidad que depende de \Phi_t^{(p)} y \kappa(t): mayor potencial generativo y mayor distensibilidad amplían el radio. Condición de desbloqueo: \Phi_t^{(p)} calibrado empíricamente (requiere G2 + datos de piloto). Horizonte: H3–H4.

H-TRANS-ESC — Hipótesis de la propagación transescalar sin reducción (estatuto: hipótesis programática; referente: §II.5quinquies, §IV)

La sección §II.5quinquies formaliza la heterogeneidad de escalas temporales y declara que la propagación inter-escala ocurre a través de \Psi_t y f_t. H-TRANS-ESC formula la hipótesis sobre la condición de no-reducción de esa propagación:

La propagación entre escalas (molecular, experiencial, interpersonal) satisface la condición de no-reducción si y solo si el operador de traducción en cada dirección tiene pérdida controlada y declarada, es decir, si el operador no tiene inverso exacto. La condición de no-reducción es formalmente equivalente a la no-invertibilidad de los operadores de traducción T_{\text{ontológico}}, T_{\text{escala}}, T_{\text{histórico}}.

La dirección campo→molecular (T_{\text{ontológico}}^{-1}) y la propagación campo individual→campo supraindividual (campos de orden superior, H-ORDEN) son las dos ausencias principales en el repertorio actual de operadores. Su formalización requiere trabajo teórico de fondo. Horizonte: H4.

H-TRANS-F — Hipótesis de la forma funcional de la función de transición (estatuto: hipótesis estructural operativa; derivada de la geometría riemanniana de \mathcal{W}; falsable con frecuencias de transición del piloto; referente: §II bis.2, G1, G2, G10, HST del Ontológico v2.3.5)

La geometría de (\mathcal{W}, g_t) implica una forma funcional candidata para la probabilidad de transición entre configuraciones:

P(\mathfrak{C}_j \mid \mathfrak{C}_i, t) \propto \exp\!\left(-\frac{d_{g_t}(\mathfrak{C}_i, \mathfrak{C}_j)}{\kappa(t) \cdot \|\Delta u_t\|}\right) \cdot \mathbf{1}[\kappa(t) \geq \kappa_{\text{umbral}}(D_p)]

La forma exponencial con denominador \kappa(t) \cdot \|\Delta u_t\| produce las tres propiedades cualitativas de la HST por derivación geométrica: (a) Histéresis: g_t depende de \xi_t y la trayectoria de llegada define un tensor distinto, haciendo que P(\mathfrak{C}_j \mid \mathfrak{C}_i) \neq P(\mathfrak{C}_i \mid \mathfrak{C}_j) en general; (b) Vecindad: la exponencial decae con la distancia geodésica d_{g_t}, haciendo que las transiciones de corto alcance sean exponencialmente más probables; (c) Condición de S_m: el indicador \mathbf{1}[\kappa(t) \geq \kappa_{\text{umbral}}] hace que las transiciones fuera de R2/R4 requieran \kappa(t) suficiente.

Predicción cuantitativa falsable: las frecuencias de transición observadas en el piloto deben decaer exponencialmente con d_{g_t}(\mathfrak{C}_i, \mathfrak{C}_j) una vez controlado por \kappa(t) \cdot \|\Delta u_t\|. Si no decaen exponencialmente, H-TRANS-F requiere revisión, lo que informa simultáneamente sobre la forma de g_t (G2) y la forma de \kappa_{\text{umbral}}(D_p) (G1). H-TRANS-F convierte las predicciones cualitativas de la HST en predicciones cuantitativas falsables.

Datos requeridos en el piloto: (a) configuración modal en cada evaluación; (b) \kappa(t) estimado en cada evaluación; (c) magnitud de perturbaciones inter-evaluación \|\Delta u_t\|. Con esos tres datos, H-TRANS-F puede contrastarse con las frecuencias de transición observadas.

Versión 0.4.30 — 14 de julio de 2026. Cambios: grieta G28 añadida (conversión de evidencia cualitativa a valores numéricos). Aprobada por Diego F. Pereira-Perdomo. Autor: Diego F. Pereira-Perdomo. Este documento tiene el mismo estatuto que el Núcleo Ontológico y el Núcleo Epistemológico. Toda modificación requiere nueva versión, entrada en changelog, y aprobación explícita.