1.

1 DEFINICIN E IMPORTANCIA SIMULACION EN INGENIERIA

Simulacin es una tcnica numrica para conducir experimentos en una computadora digital. Estos
experimentos comprenden ciertos tipos de relaciones matemticas y lgicas, las cuales son necesarias para
describir el comportamiento y la estructura de sistemas complejos del mundo real a travs de largos periodos
de tiempo.
Importancia de la simulacin en la Ingeniera.
A travs de un estudio de simulacin, se puede estudiar el efecto de cambios internos y externos del
sistema, al hacer alteraciones en el modelo del sistema y observando los efectos de esas alteraciones en el
comportamiento del sistema.
Una observacin detallada del sistema que se est simulando puede conducir a un mejor entendimiento del
sistema y por consiguiente a sugerir estrategias que mejoren la operacin y eficiencia del sistema.
La simulacin de sistemas complejos puede ayudar a entender mejor la operacin del sistema, a detectar las
variables ms importantes que interactan en el sistema y a entender mejor las interrelaciones entre estas
variables.
La tcnica de simulacin puede ser utilizada para experimentar con nuevas situaciones, sobre las cuales
tiene poca o ninguna informacin. A travs de esta experimentacin se puede anticipar mejor a posibles
resultados no previstos.
Cuando nuevos elementos son introducidos en un sistema, la simulacin puede ser usada para anticipar
cuellos de botella o algn otro problema que puede surgir en el comportamiento del sistema.

Aplicaciones de la Simulacin
Las reas de aplicacin de la simulacin son muy amplias, numerosas y diversas, basta mencionar slo
algunas de ellas: Anlisis del impacto ambiental causado por diversas fuentes Anlisis y diseo de sistemas
de manufactura. Anlisis y diseo de sistemas de comunicaciones. Anlisis de grandes equipos de cmputo.
Anlisis de un departamento dentro de una fbrica. Adiestramiento de operadores. Anlisis financiero de
sistemas econmicos. Evaluacin de sistemas tcticos o de defensa militar.
La simulacin se utiliza en la etapa de diseo para auxiliar en el logro o mejoramiento de un proceso o
diseo o bien a un sistema ya existente para explorar algunas modificaciones.
1.2 CONCEPTOS BSICOS MODELACION
MODELACION:
Es aquello que sirve para representar o describir otra cosa, es decir crea prototipos (primer diseo). El
modelo puede tener una forma semejante o ser totalmente distinto del objeto real.
MODELO:
Un modelo se puede definir como una representacin simplificada de un sistema real, un proceso o una
teora, con el que se pretende aumentar su compuncin hacer predicciones y posiblemente ayudar a controlar
el sistema
Icnico: versin a escala del objeto real y con sus propiedades relevantes ms o menos representadas.
Analgico: modelo con apariencia fsica distinta al original, pero con comportamiento representativo.
Analtico: relaciones matemticas o lgicas que representen leyes fsicas que se cree gobiernan el
comportamiento de la situacin bajo investigacin.
1.3 METODOLOGA DE SIMULACIN
Aunque se van a presentar una serie de pasos de forma secuencial, realmente es un proceso iterativo.
1.3.1.- Formulacin del problema

Se definen las cuestiones para las que se buscan las respuestas, las variables implicadas y las medidas de
ejecucin que se van a usar.
Esta fase es muy importante para poder alcanzar un modelo vlido, se puede dividir a su vez en 5 fases
1.3.1.1.- Identificacin del Problema
Se hace una abstraccin del tipo de problema que se va a tratar. Se identifican los recursos a utilizar, los
requisitos que se van a exigir (relaciones a establecer).

1.6.1.2.- Reconocer las variables del sistema
Se han de identificar las variables que interviene en el sistema y que son de inters para nuestro modelo,
stas se pueden clasificar en:

Variables exgenas: son variables externas al modelo y existen con independencia de l.
Se consideran variables de entrada. stas a su vez se pueden dividir en dos grupos:
Variables controlables o de decisin (factores): son aquellas sobre las que el analista puede decidir su valor
dentro de ciertos lmites.
Variables incontrolables o parmetros: sus valores no se pueden decidir sino que vienen fijados. Las
variables sern controlables o incontrolables dependiendo de quin las defina.

Variables endgenas: son variables internas y las variables de salida del modelo. Son funcin de las
variables exgenas y de la estructura del modelo.

1.3.1.3.- Especificacin de las restricciones de las variables de decisin

Incluso en el caso de que las variables sean controlables, estn limitadas o restringidas a ciertos lmites
dentro de los cuales se pueden modificar.
Es importante considerar cuidadosamente las restricciones sobre las variables de decisin, ya que definen el
posible espacio de soluciones dentro del cual se buscar una buena solucin o la ptima usando el modelo de
simulacin.
1.3.1.4.- Desarrollar una estructura preliminar del modelo que interrelacione las variables del sistema
y las medidas de ejecucin.

Para evaluar la efectividad de un sistema, se debe identificar una medida o medidas de comportamiento (o
ejecucin) para juzgarlo. Estas medidas se seleccionan del conjunto de variables endgenas. La medida o
medidas que se pretenden optimizar se conocen como funcin objetivo.
Hay veces en las que existe una nica funcin objetivo dominante y entonces se intenta optimizar sta sin
tener en cuenta las otras variables, aunque siempre considerando las restricciones. En otras ocasiones existe
ms de una funcin dominante, en este caso, hay que estudiar las distintas funciones objetivo e intentar
encontrar valores para los cuales las funciones son ptimas.

Cuando se quiere tener en cuenta varias medidas de comportamiento, a menudo no se podrn optimizar
simultneamente. Lo ideal sera hacer mnimas ambas medidas, el tiempo de espera y el costo de tener los
empleados, pero si se minimiza una de ellas la otra aumenta. Se tienen tres formas de abordar este problema:

Establecer compromisos implcitos entre las medidas. Esta aproximacin es muy subjetiva y no se va a
considerar. Se dan los resultados a quin tenga que tomar la decisin y l ser quien establezca la relacin
entre las variables conflictivas.

Establecer compromisos explcitos, realizando una combinacin de todas las medidas usando una
dimensin comn tal como el costo. A estas tcnicas se les suele conocer como anlisis de toma de
decisiones multiatributo o multiobjetivo. Para realizar esta tcnica se tiene que decidir una dimensin comn
para todas las medidas, factores pesos, y formar una funcin que las combine.

Restriccin y corte: seleccionar una medida como la que ms interesa optimizar y hacer que las otras estn
dentro de un rango de valores aceptable. Esto reduce la posibilidad de encontrar un ptimo, o al menos las
mejores soluciones.
1.3.1.5.- Desarrollo de un modelo apropiado
Los modelos son abstracciones de las partes esenciales del sistema. Se ha de intentar ver si con las variables
que se han especificado se tiene suficiente para describir estos aspectos importantes del sistema (si no se
tienen suficientes entonces el modelo no ser una buena representacin del sistema), o por el contrario se
han definido ms de las necesarias (esto puede oscurecer las relaciones entre las variables realmente
importantes). En resumen, lo que se tiene que fijar en este paso es el nivel de detalle al que se debe llegar en
el modelo. El nivel de detalle depende de:

Propsito del modelo.
Contribucin de las variables al modelo.

No es igual si lo que se desea hacer es un modelo para una previsin a largo plazo, en cuyo caso la precisin
puede ser menor, debido a que al transcurrir el tiempo las variables van a cambiar e incluso podrn aparecer
otras nuevas, que si se desea una previsin a corto plazo, entonces se deber profundizar ms en el nivel de
detalle.
1.3.2.- Coleccin de datos y Anlisis
Aunque la recogida de datos se va a ver como el segundo paso, es bastante posible que se hayan tenido que
recoger datos para la formulacin del problema. Sin embargo, durante este paso se recoge el mayor volumen
de datos, se reduce y se analiza.

Los mtodos de recogida de datos son tan variados como los problemas a los que stos se pueden aplicar. Si
se clasifican por su sencillez, se puede ir desde las aproximaciones manuales hasta las tcnicas ms
sofisticadas de alta tecnologa. En la seleccin de un mtodo se pueden tener en cuenta los siguientes
factores:

Capacidad de quien recoja los datos.
El impacto que pueda producir el proceso de recoleccin sobre el comportamiento del sistema real. Puede
producir perturbaciones reales o fsicas en el sistema o psicolgicas.
La facilidad de conversin de los datos a una representacin procesable por el ordenador.
El coste del mtodo.
En muchas situaciones es suficiente con la observacin directa y la recogida manual de los atributos de
inters. Pero si la medida que se quiere observar depende de una persona, su comportamiento se puede ver
afectado por estar siendo observada. Otras veces puede ocurrir que la accin que se quiere observar sea muy
rpida y que no sea posible realizar una observacin humana.

Para decidir el nmero de muestras necesarias, se ha de establecer una relacin costo-exactitud y hacer una
optimizacin de dicha relacin.

Una vez realizado el muestreo, los datos se han de analizar e introducir en el modelo. Los datos usados para
definir el modelo pueden ser de dos tipos:

Deteminsticos: son datos conocidos con certeza. stos se pueden introducir fcilmente en el modelo.
Probabilsticos: hay dos formas de incluirlos en el modelo:
Usar la muestra de datos recogida para representar la distribucin de probabilidades.
Determinar una distribucin probabilstica terica que se comporte como la
muestra y usar sta en el modelo. Esto permite tener una mejor comprensin (generalizacin) del modelo.
1.3.3.- Desarrollo del modelo
Incluye la construccin y depuracin del modelo del sistema real, incluyendo la seleccin de un lenguaje de
programacin, codificacin del modelo. Esta etapa se va a dividir en dos partes:
Comprensin del sistema y Construccin del modelo.
1.3.3.1.- Comprensin del sistema

Una de las tareas ms difciles en el anlisis de simulacin es adquirir el suficiente conocimiento del sistema
para poder desarrollar un modelo apropiado, es decir, conocer el comportamiento del sistema. Dos tcnicas
comnmente usadas son la aproximacin de flujo fsico y la aproximacin de cambio de estado.

Aproximacin de Flujo Fsico. Se ha de identificar las entidades cuyo procesamiento o transformacin
constituye el propsito principal del sistema. Estas entidades pueden tomar diferentes caminos en el sistema,
las rutas que siguen se determinan mediante reglas de decisin. La representacin del sistema vendr dada
mediante un diagrama de flujo de entidad y los elementos de procesamiento del sistema.

Aproximacin de Cambio de Estado. Para describir esta aproximacin, se debe definir unas variables
endgenas adicionales que son las variables de estado e introducir un nuevo concepto, el de suceso o evento.
Las variables de estado describen el estado del sistema en cada momento. Dados los valores actuales de las
variables de estado, las variables exgenas y la estructura del modelo, se puede determinar el estado futuro
del sistema. Un evento es un instante particular en el tiempo en el que el sistema cambia de estado. La
evolucin del sistema se puede representar mediante un grafo de sucesos.

1.3.3.2.- Construccin del Modelo
Las tareas principales en la construccin de un modelo son:
Eleccin Mecanismo de avance del tiempo. Este depender de la aproximacin elegida para describir el
comportamiento del sistema. Si se eligi la aproximacin de flujo fsico, este diagrama de flujo podra
refinarse para convertirse en el diagrama de flujo del programa. Si se sigui la aproximacin de cambio de
estado, el diagrama de flujo desarrollado debera describir el procedimiento que efecta los cambios de
estado en el tiempo. Otros dos factores inciden en la construccin del diagrama de flujo del programa: elegir
un mecanismo de avance del tiempo y el lenguaje de programacin que se seleccione. Hay
fundamentalmente dos formas de considerar el avance del tiempo en un modelo de simulacin:

Incrementos fijos de tiempo: se considera un intervalo fijo de tiempo y el estado del modelo se comprueba
despus de transcurrido cada uno de estos incrementos constantes.

Incrementos por los eventos (N.E.T.A., Next Event Time Advance): las comprobaciones y modificaciones
de las variables afectadas se realizan slo despus de la ocurrencia de un evento. Aqu el incremento de
tiempo es variable, va desde la ocurrencia de un evento a otro.

El avance del tiempo de simulacin depende de cul de las aproximaciones se elija. Si se elige el incremento
por eventos, el reloj se inicializa a 0, y se incrementa al siguiente tiempo en que vaya a ocurrir un suceso, en
ese momento, en este momento de actualizacin del reloj se modifican las variables que se vean afectadas
por la ocurrencia del suceso. Si por el contrario se elige un incremento de tiempo fijo, el reloj se inicia a 0 y
se va actualizando cada vez que pase el incremento de tiempo fijado. En esos instantes se observar el
sistema para realizar los cambios. En ese momento puede ocurrir que no haya sucedido ningn cambio o que
por el contrario que hayan ocurrido ms de un suceso con lo cual se tendr que decidir cul atender antes
(por ejemplo dando prioridad a los sucesos). En esta aproximacin pueden ocurrir errores de redondeo,
que hacen referencia a la diferencia de tiempo que pasa desde que sucede un suceso hasta que ste se
computa (cuando el reloj se incrementa).

Hay que tener cuidado en la eleccin del incremento de tiempo. Si ste es demasiado pequeo se realizar
trabajo intil, ya que se comprobarn cambios cuando en realidad no ha ocurrido ningn suceso. Por el
contrario si es demasiado grande se producirn muchos errores de redondeo y la dinmica del modelo ser
ineficiente.
Eleccin de un Lenguaje de programacin. Hay un creciente nmero de lenguajes de programacin
disponibles para la implementacin de modelos de simulacin.

Entre los lenguajes de simulacin destacan: GPSS (General Purpose Simulation System), SLAM (Simulation
Language for Alternative Modeling), SIMAN (Simulation Analysis), y SIMSCRIPT. Muchos lenguajes de
propsito general son completamente adecuados para la simulacin, por ejemplo, FORTRAM, PASCAL,,
pero los lenguajes de simulacin proporcionan una serie de caractersticas que hacen la programacin,
depuracin y experimentacin ms eficientes en tiempo y esfuerzo, aunque consuman ms tiempo en la
ejecucin. Quizs la ms importante ventaja de los lenguajes de simulacin es la correspondencia entre los
elementos del sistema y los elementos del lenguaje. Por ejemplo, en GPSS hay bloques de diagramas de
flujo y conjuntos de sentencias de programa llamados QUEUE que procesan entidades a travs de una cola
de espera y acumulan datos de variables de salida tales como tiempo de espera en la cola.

El lenguaje seleccionado puede influir en la forma exacta del diagrama de flujo del programa de
computador.
Generacin de nmeros y variables aleatorias. Se van a necesitar muestras aleatorias para representar
valores de variables de entrada probabilsticas. Utilizando estos nmeros aleatorios podemos obtener valores
de variables aleatorias que sigan ciertas distribuciones de probabilidad.

Aunque se ha hecho referencia a que los nmeros usados en simulacin son aleatorios, no lo son totalmente,
ya que se producen a partir de algoritmos determinsticos. Sin embargo las propiedades de los nmeros
producidos se pueden hacer lo suficientemente cerradas de forma que stos sean completamente utilizables
para la simulacin. Si el modelo se implementa con un lenguaje de propsito general, se puede seleccionar e
incluir algoritmos necesarios para generar las variables aleatorias requeridas. Pero si se utiliza un lenguaje de
simulacin estos algoritmos estn incluidos y pueden ser fcilmente accesibles por el usuario.
Implementacin y depuracin del modelo. La facilidad o dificultad en esta etapa dependen en gran medida
del lenguaje de programacin que se haya elegido.
1.3.4.- Verificacin y Validacin del modelo

La Verificacin del modelo consiste en ver cul es la consistencia interna del modelo.

La Validacin consiste en asegurar que existe la una correspondencia entre el sistema real y el modelo. Un
buen mtodo para la validacin es hacer un test para ver cmo el modelo predice el comportamiento del
sistema ante determinadas entradas.

La verificacin y validacin del modelo se realiza en todas los niveles de modelizacin: modelo conceptual,
modelo lgico y un modelo de ordenador. La verificacin se centra en la consistencia interna del modelo,
mientras que la validacin se interesa por la correspondencia entre el modelo y la realidad.

Se dice que un modelo es vlido si sus medidas de salida tienen una correspondencia apropiada con las
mismas medidas en el sistema real. La comprobacin ltima para la validez de un modelo es ver cmo el
modelo puede predecir un comportamiento futuro del sistema ante unas determinadas entradas.
1.3.5.- Experimentacin y Anlisis de las salidas

Se han de disear los experimentos que se van a llevar a cabo sobre el modelo y luego analizar las salidas
obtenidas, de forma que podamos responder a las cuestiones que se plantearon.
1.3.5.1.- Experimentacin con el modelo

El propsito ltimo de la experimentacin con el modelo es obtener informacin acerca del comportamiento
del sistema para que esto nos ayude en la toma de decisiones. Cuando consideramos la ejecucin de un
sistema se puede desear conocer cmo se comporta dicho sistema en sentido absoluto, o comparativamente,
para poder contrastar varias configuraciones alternativas del sistema. O se podran considerar dos medidas
simultneamente.

Es evidente que el nmero de exploraciones que se tendran que realizar es extremadamente largo. Hasta
para los diseos de experimentos ms modestos, la exploracin de todas las posibles soluciones en la
bsqueda de la mejor solucin, no es algo factible. Se necesita una aproximacin estructurada ms directa
para encontrar una solucin que merezca la pena. Podemos considerar dos aproximaciones diferentes para
abordar este problema: conjunto predeterminado de experimentos y tcnicas de bsqueda de ptimos.
Conjunto de experimentos predeterminado: esta aproximacin impone identificar factores que podran
afectar a la medida de salida y ejecutar los experimentos con los factores puestos a determinados valores.
Una vez realizados los experimentos se aplicaran unas tcnicas estadsticas denominadas anlisis de la
varianza (ANOVA), para decidir cul o cules de los factores seleccionados tiene realmente algn impacto
en la medida de salida. Las medidas de salida se pueden adaptar de forma que las suposiciones estadsticas
de esta tcnica se satisfagan de forma razonable y puedan ser aplicadas en la experimentacin del modelo.

Un diseo experimental particularmente general es el diseo factorial. Se consideran dos o ms factores
pudiendo estar cada uno a dos o ms niveles.

El uso de un conjunto predeterminado de experimentos es efectivo para encontrar buenas soluciones si se
puede aproximar una regin de optimalidad con experimentos previos o con la experiencia que se tenga
sobre el problema. Sin embargo esta tcnica no puede conducir a la mejor solucin global, ni siquiera puede
garantizar un ptimo local.
Tcnicas de bsqueda de ptimos: un conjunto de estas tcnicas se conoce como Metodologa de
Superficie de Respuesta (RSM). La superficie de respuesta es la funcin que describe las relaciones de las
medidas de ejecucin con los factores o variables de decisin. Dos factores definen una superficie de 3
dimensiones, la cual puede ser vista como un terreno en donde se puede escalar. De hecho, la representacin
en 2 dimensiones de la respuesta de superficie es como las lneas de contorno de un mapa topogrfico.
Usando varias estrategias se pueden alcanzar puntos altos en el terreno, y quizs llegar a la cumbre. Una
estrategia es el mtodo de escalado ascendente. Esta requiere que el modelo se ejecute suficientemente para
hacer que se pueda determinar qu direccin (qu cambios en los valores de los factores) parece conducir a
un incremento en la altitud (incremento en la medida de salida). Las variables de decisin se van cambiando
de esta forma y el proceso contina hasta que ya no se puede llegar ms alto, en ese momento se ha
alcanzado un ptimo local o global.
1.3.5.2.- Anlisis de las salidas
En la interpretacin de las salidas del modelo, hay algunos aspectos que son nicos de la simulacin.
Mientras que los modelos analticos proporcionan soluciones con medidas de ejecucin completamente
definidas, los modelos de simulacin producen estimaciones de las medidas que estn sujetas a error.

Las salidas del modelo de simulacin se consideran muestras. Las principales cuestiones en la obtencin de
estimaciones tiles a partir de muestras son: que la muestra sea representativa del comportamiento del
sistema, y que el tamao de la muestra sea lo suficientemente grande para que las estimaciones de las
medidas de ejecucin alcancen un buen nivel de precisin. El tamao de la muestra es algo que est bien
definido, pero la representatividad del comportamiento del sistema depende de la naturaleza de las
cuestiones que tienen que ser contestadas por el modelo.

Se pueden realizar dos tipos de anlisis con un modelo de simulacin:
Anlisis para sistemas con final definido: la ejecucin del modelo finaliza cuando ocurre un evento
especfico. Se tomara una muestra por ejecucin.
Anlisis para sistemas con final no definido (sistemas en estado de equilibrio o estacionario): el inters
est en medias de las medidas de comportamiento de ejecuciones largas, despus de que el sistema ha
pasado por algn periodo de comportamiento transitorio. Las medidas en estado estacionario se pueden
definir como el valor de las medidas en el lmite, cuando la longitud de la ejecucin tiende a infinito.

En ambos casos, las condiciones inicia les (estado del sistema el empezar la ejecucin) pueden influir en la
estimacin de las medidas de comportamiento.
1.4 SISTEMAS MODELOS Y CONTROL
El concepto de sistema en general est sustentado sobre el hecho de que ningn sistema puede existir aislado
completamente y siempre tendr factores externos que lo rodean y pueden afectarlo, por lo tanto podemos
referir a Muir citado en Paleo (1985) que dijo: Cuando tratamos de tomar algo, siempre lo encontramos
unido a algo ms en el Universo
Una Entidad es lo que constituye la esencia de algo y por lo tanto es un concepto bsico. Las entidades
pueden tener una existencia concreta, si sus atributos pueden percibirse por los sentidos y por lo tanto son
mediales y una existencia abstracta si sus atributos estn relacionados con cualidades inherentes o
propiedades de un concepto.
Teora General de Sistemas.
La idea de la teora general de sistemas fue desarrollada por L. Von Bertalanffy alrededor de 1930,
posteriormente un grupo de personas unieron sus inquietudes en lo que se llam la Sociedad para la
Investigacin de Sistemas Generales, establecidas en 1954 junto con Anatol Rapoport, Kenneth Boulding,
Ralph Gerard y otros. Al estudiar la teora de sistemas se debe comenzar por las premisas o los supuestos
subyacentes en la teora general de los sistemas. La bsqueda de referentes empricos para abstraer un orden
y leyes formales puede partir de uno u otro de los dos puntos iniciales, el origen terico y el emprico.
En consecuencia, la teora general de los sistemas, al igual que todas las ciencias verdaderas, se basa en una
bsqueda sistemtica de la ley y el orden en el universo; pero a diferencia de las otras ciencias, tiende a
ampliar su bsqueda, convirtindola en una bsqueda de un orden de rdenes, de una ley de leyes. Este es el
motivo por el cual se le ha denominado la teora general de sistemas.
1.5 ESTRUCTURA ETAPAS ESTUDIO DE SIMULACIN
Para llevar acabo un experimento de simulacin se requiere realizar las siguientes etapas:
Definicin Del Sistema: Para tener una definicin exacta del sistema que se desea simular, es necesario
hacer primeramente un anlisis preliminar del mismo, con el fin de determinar la iteracin del sistema con
otros sistemas.
Formulacin Del Modelo: Una vez que estn definidos con exactitud los resultados que se desean obtener
del estudio el siguiente paso es definir y construir el modelo con el cual se obtendrn los resultados
deseados.
Coleccin De Datos: Es posible que la facilidad de obtencin de algunos datos o la dificultad de conseguir
otros, pueda influenciar el desarrollo y formulacin del modelo.
Implementaron Del Modelo En La Computadora: A k.o. se define cual es el lenguaje que se va a utilizar
algunos de estos pueden ser de propsito general como: Visual basic, Java, Delphi o se pueden usar unos
paquetes como: GBSS,SIMULA,PROMODEL.
Validacin: A travs de esta etapa es posible detallar definiciones en la formulacin del modelo o en los
datos alimentados al modelo.
Experimentacin: La experimentacin con el modelo se realizara despus de que este ha sido validado.
Interpretacin: A que se interpretan los resultados que arroja la simulacin y en base a esto se toma una
decisin.
Documentacin: existen dos tipos de documentacin que son requeridos para hacer un mejor uso del
modelo de simulacin.
1.6 ETAPAS PROYECTO SIMULACIN
Otro importante aspecto abordado en la investigacin es la identificacin y estudio de las tcnicas de
integracin para la formulacin de las tareas docentes.
A continuacin se describen muy brevemente algunas tcnicas utilizadas para la formulacin de problemas
qumicos de integracin estructural, que son los ms importantes:
1.-Modelacin. Fijado el objetivo que se persigue en la creacin de un problema, inmediatamente se activan
los componentes intelectuales bsicos: sensaciones, percepciones, memoria, pensamiento e imaginacin.
2.-Tanteo-error. Consiste en un proceso continuo de adecuacin y ajuste por bsqueda y prueba de los
datos y/o las incgnitas segn las condiciones del problema, hasta encontrar las ms adecuadas.
3.-Asociacin. Por analoga. En esta tcnica se hace uso de la reproduccin en una primera fase. Consiste en
establecer nuevos nexos entre datos e incgnitas siguiendo formatos y textos guardados en la memoria para
obtener otras por medio de la innovacin.
4.-Integracin. Por inclusin. Es una tcnica muy sencilla, cuyo procedimiento es asequible a cualesquier
sujeto. Consiste en elaborarla de forma tal que las incgnitas de los diferentes incisos mantengan una
dependencia sucesiva en forma de cadena.
5.-Reformulacin. Consiste en reconstruir la estructura gramatical y de sistema mediante procesos de
innovacin. Se diferencia de la analoga por la profundidad de los cambios introducidos, puesto que se parte
de un ejemplo concreto que debe ser modificado y no de recuerdos que pueden ser borrosos y a veces
confusos.