diff --git a/#deca2.py# b/#deca2.py#
new file mode 100644
index 0000000..9c35994
--- /dev/null
+++ b/#deca2.py#
@@ -0,0 +1,21 @@
+from random import random
+import matplotlib.pyplot as plt
+import numpy as np
+
+#Constantes
+NTl = 1000       #numero inicial de thalios
+tau = 3.053*60   #vida media del thalio en seg.
+    
+#los puntos a graficar
+temps = []
+
+#Determinando tiempo de decaimiento
+for i in range(NTl):
+    t = -tau*np.log(1-random()/np.log(2))
+    temps.append(t)
+
+#La grafica
+(counts, bins, patches) = plt.hist(temps)
+plt.xlabel("Tiempos")
+plt.ylabel("Eventos")
+plt.show()
diff --git a/.#deca2.py b/.#deca2.py
new file mode 120000
index 0000000..043fe11
--- /dev/null
+++ b/.#deca2.py
@@ -0,0 +1 @@
+devuan@bcm2711.5923:1696492413
\ No newline at end of file
diff --git a/axarinp.py b/axarinp.py
new file mode 100644
index 0000000..54a4930
--- /dev/null
+++ b/axarinp.py
@@ -0,0 +1,15 @@
+from random import random
+
+N=100
+agui=0
+so=0
+
+for i in range(N):
+    if random()<0.2:
+        print("Aguila")
+        agui+=1
+    else: 
+        print("Sol")
+        so+=1
+print("Aguilas: ", agui)
+print("Soles: ", so)
diff --git a/axarinp.py~ b/axarinp.py~
new file mode 100644
index 0000000..3db2bad
--- /dev/null
+++ b/axarinp.py~
@@ -0,0 +1,7 @@
+from random import random,
+
+for i in range [0,10]:
+    if random()<0.2:
+        print("Aguila")
+    else: 
+        print("Sol")
diff --git a/azarin.py b/azarin.py
index 43c5f29..8c53ca6 100644
--- a/azarin.py
+++ b/azarin.py
@@ -8,7 +8,7 @@ x=1
 results=[]
 
 for i in range(N):
-    x=(a*x+c)\%m
+    x=(a*x+c)%m
     results.append(x)
 
 plot(results,"o")
diff --git a/cascada.py b/cascada.py
new file mode 100644
index 0000000..7ead12a
--- /dev/null
+++ b/cascada.py
@@ -0,0 +1,38 @@
+import numpy as np
+import matplotlib.pyplot as plt
+
+ZZ= 7  #nitrógeno
+E0 = 20*10**9 #eV
+EC = 600*10**6/ZZ #eV
+
+def rand():return(np.random.uniform(0,1))
+
+E=[E0]
+X=[0]
+N=[1]
+T=[]
+
+tmax = int(np.log(E0/EC)/np.log(2))
+
+for t in range(0,tmax):
+    X.append(t+1)
+
+    #s=N[t]
+    for i in range(len(E)):
+        x=rand()
+        e=0.5*x*E[i]
+        e1=0.5*(1-x)*E[i]
+        if e>EC:
+            T.append(e)
+        if e1>EC:
+            T.append(e1)
+        prof=len(T)
+        N.append(prof)
+        E=T
+        T=[]
+        
+plt.plot(X,np.log(N))
+plt.xlabel('Longitudes de radiación')
+plt.ylabel('Número de partículas')
+plt.title('Cascada electromagnética')
+plt.grid(True)
diff --git a/cascada.py~ b/cascada.py~
new file mode 100644
index 0000000..10e4e71
--- /dev/null
+++ b/cascada.py~
@@ -0,0 +1,33 @@
+import numpy as np
+import matpltlib.pyplot as plt
+
+ZZ= 7  #nitrógeno
+E0 = 20*10**9 #eV
+EC = 600*10**6/ZZ #eV
+
+def rand():return(np.random.uniform(0,1))
+
+E=[E0]
+X=[0]
+N=[1]
+T=[]
+
+tmax = int(np.log(E0/EC)/np.log(2))
+
+for t in range(0,tmax):
+    X.append(t+1)
+
+    s=N[t]
+    for i in range(len(E)):
+        x=rand()
+        e=0.5*x*E[i]
+        e1=0.5*(1-x)*E[i]
+        if e>EC:
+            T.append(e)
+        if e1>EC:
+            T.append(e1)
+        prof=len(T)
+        N.append(prof)
+        E=T
+        T=[]
+        
diff --git a/deca2.py b/deca2.py
new file mode 100644
index 0000000..67c6e92
--- /dev/null
+++ b/deca2.py
@@ -0,0 +1,23 @@
+from random import random
+import matplotlib.pyplot as plt
+import numpy as np
+
+#Constantes
+NTl = 1000       #numero inicial de thalios
+tau = 3.053*60   #vida media del thalio en seg.
+    
+#los puntos a graficar
+temps = []
+
+#Determinando tiempo de decaimiento
+for i in range(NTl):
+    t = -tau*np.log(1-random()/np.log(2))
+    temps.append(t)
+
+#Armamos el histograma
+
+#La grafica
+(counts, bins, patches) = plt.hist(temps)
+plt.xlabel("Tiempos")
+plt.ylabel("Eventos")
+plt.show()
diff --git a/deca2.py~ b/deca2.py~
new file mode 100644
index 0000000..4902deb
--- /dev/null
+++ b/deca2.py~
@@ -0,0 +1,36 @@
+from random import random
+from numpy import arange
+from pylab import plot,xlabel,ylabel,show
+
+#Constantes
+NTl = 1000       #numero inicial de thalios
+NPb = 0          #numero inicial de plomos
+tau = 3.053*60   #vida media del thalio en seg.
+th = 1.0         #tamano de paso en el tiempo seg.
+p = 1-2**(-th/tau) #probabilidad de que decaiga un Tl
+tmax = 1000       #tiempo total seg
+    
+#los puntos a graficar
+tpuntos = arange(0.0,tmax,th)
+Tlpuntos = []
+Pbpuntos = []
+
+#ciclo principal
+for t in tpuntos:
+    Tlpuntos.append(NTl)
+    Pbpuntos.append(NPb)
+
+    #calculando el numero de nucleos que decayeron
+    decay=0
+    for i in range(NTl):
+        if random()< p:
+          decay+=1
+    NTl -= decay
+    NPb += decay
+
+#La grafica
+plot(tpuntos,Tlpuntos)
+plot(tpuntos,Pbpuntos)
+xlabel("Tiempo")
+ylabel("Numero de nucleos")
+show()
diff --git a/decaa.py b/decaa.py
new file mode 100644
index 0000000..4902deb
--- /dev/null
+++ b/decaa.py
@@ -0,0 +1,36 @@
+from random import random
+from numpy import arange
+from pylab import plot,xlabel,ylabel,show
+
+#Constantes
+NTl = 1000       #numero inicial de thalios
+NPb = 0          #numero inicial de plomos
+tau = 3.053*60   #vida media del thalio en seg.
+th = 1.0         #tamano de paso en el tiempo seg.
+p = 1-2**(-th/tau) #probabilidad de que decaiga un Tl
+tmax = 1000       #tiempo total seg
+    
+#los puntos a graficar
+tpuntos = arange(0.0,tmax,th)
+Tlpuntos = []
+Pbpuntos = []
+
+#ciclo principal
+for t in tpuntos:
+    Tlpuntos.append(NTl)
+    Pbpuntos.append(NPb)
+
+    #calculando el numero de nucleos que decayeron
+    decay=0
+    for i in range(NTl):
+        if random()< p:
+          decay+=1
+    NTl -= decay
+    NPb += decay
+
+#La grafica
+plot(tpuntos,Tlpuntos)
+plot(tpuntos,Pbpuntos)
+xlabel("Tiempo")
+ylabel("Numero de nucleos")
+show()
diff --git a/decaa.py~ b/decaa.py~
new file mode 100644
index 0000000..873877c
--- /dev/null
+++ b/decaa.py~
@@ -0,0 +1,36 @@
+from random import random
+from numpy import arange
+from pylab import plot,xlabel,ylable,show
+
+#Constantes
+NTl = 1000       #numero inicial de thalios
+NPb = 0          #numero inicial de plomos
+tau = 3.053*60   #vida media del thalio en seg.
+th = 1.0         #tamano de paso en el tiempo seg.
+p = 1-2**(-th/tau) #probabilidad de que decaiga un Tl
+tmax = 1000       #tiempo total seg
+    
+#los puntos a graficar
+tpuntos = arange(0.0,tmax,h)
+Tlpuntos = []
+Pbpuntos = []
+
+#ciclo principal
+for t in tpuntos:
+    Tlpuntos.append(NTl)
+    Pbpuntos.append(NPb)
+
+    #calculando el numero de nucleos que decayeron
+    decay=0
+    for i in range(NTl):
+        if random()< p:
+          decay+=1
+    NTl -= decay
+    NPb += decay
+
+#La grafica
+plot(tpuntos,Tlpuntos)
+plot(tpuntos,Pbpuntos)
+xlabel("Tiempo")
+ylabel("Numero de nucleos")
+show()
diff --git a/decay2.jpg b/decay2.jpg
new file mode 100644
index 0000000..872f662
Binary files /dev/null and b/decay2.jpg differ
diff --git a/inte.py b/inte.py
new file mode 100644
index 0000000..fde1e41
--- /dev/null
+++ b/inte.py
@@ -0,0 +1,22 @@
+import numpy as np
+from random import random
+    
+
+#Definimos la funcion
+def f(x):
+    return np.sin(1/(x*(2-x)))**2
+    
+#Definimos las inicializaciones
+N= 1000
+count = 0
+
+#ciclo principal
+for i in range(N):
+    x=2*random()
+    y= random()
+    if y<f(x):
+      count+=1
+      
+#Evaluamos la integral
+I=2*count/N
+print(I)
diff --git a/notas3.pdf b/notas3.pdf
index 6650896..ee4929d 100644
Binary files a/notas3.pdf and b/notas3.pdf differ
diff --git a/notas3.tex b/notas3.tex
index a09fc7c..920f6fb 100644
--- a/notas3.tex
+++ b/notas3.tex
@@ -912,11 +912,17 @@ El programa para hacerlo en python se puede ver en el \emph{listing} \ref{alg:az
   \label{alg:azar}
 \end{center}
 
-El algoritmo es un generador de números aleatorios linealmente congruentes, y a pesar de que parecen ser aleatorios realmente están correlacionados. Para evitar las correlaciones se usa el algoritmo \textit{Mersenne twistter} que es un ``\textit{generalized feedback shift-register generator}'', algoritmo implementado en python.
+El algoritmo es un generador de números aleatorios linealmente congruentes, y a pesar de que parecen ser aleatorios realmente están correlacionados. Para evitar las correlaciones se usa el algoritmo \textit{Mersenne twistter} que es un ``\textit{generalized feedback shift-register generator}'', algoritmo implementado en python. Implementado por Makoto Matsumoto y Takuji Nishimura en 1996, mejorado en 2002, la versión original es implementada en C y tiene las propiedades de:
 
-Como se hizo con el ejemplo del generador linealmente congruente que se inició con un valor $x=1$ y se fueron obteniendo los demás valores de forma recursiva, lo mismo se hace en el algoritmo \textit{Mersenne twistter}, a esos valores se les llaman semillas.
+\begin{itemize}
+\item Perido: $2^{19937}-1$
+\item Propiedad de equidistribución de $623$-dimensiones\footnote{Una secuencia de números reales es equidistribuida o uniformemente distribuida si la proporción de términos que caen en un subintervalo es proporcional a la longitud de tal subintervalo.}.
+\item Uso eficiente de la memoria, consume sólo un espacio de trabajo de 624 palabras (la implementación en C).
+\end{itemize}
 
-Ahora hemos creado números todos con el mismo peso, pero si se quieren generar números de acuerdo a una distribución de probabilidad distinta, usar unos dados o una moneda cargada, por ejemplo, si tuviéramos una moneda cargada de tal forma que la probabilidad de que salga águila es el $20\%$ y de que caiga Sol $80\%$. Se corre el mismo algoritmo pero se ponen condiciones. Si el generador genera uniformemente números entre $0$ y $1$, se condiciona a que si el número está entre $0$ y $0.2$ elegimos que es águila, de lo contrario Sol, como se ve el el \textit{listing} \ref{alg:azar_pesado}.
+Como se hizo con el ejemplo del generador linealmente congruente que se inició con un valor $x=1$ y se fueron obteniendo los demás valores de forma recursiva, lo mismo se hace en el algoritmo \textit{Mersenne twister}, a esos valores se les llaman semillas.
+
+Ahora hemos creado números todos con el mismo peso, pero si se quieren generar números de acuerdo a una distribución de probabilidad distinta, por ejemplo, si tuviéramos una moneda cargada de tal forma que la probabilidad de que salga águila es el $20\%$ y de que caiga Sol $80\%$. Se corre el mismo algoritmo pero se ponen condiciones. Si el generador genera uniformemente números entre $0$ y $1$, se condiciona a que si el número está entre $0$ y $0.2$ elegimos que el resultado sea águila, de lo contrario Sol, como se ve el el \textit{listing} \ref{alg:azar_pesado}.
 
 \begin{center}
   \begin{lstlisting}[language=Python, caption=Generando números de acuerdo a una distribución.]
@@ -950,7 +956,7 @@ Consideremos $1000$ núcleos de ${}^{208}Tl$, que tienen una vida media de $3.05
   \begin{lstlisting}[language=Python, caption=Generando números de acuerdo a una distribución.]
     from random import random
     from numpy import arange
-    from pylab import plot,xlabel,ylable,show
+    from pylab import plot,xlabel,ylabel,show
 
     #Constantes
     NTl = 1000       #numero inicial de thalios
@@ -961,7 +967,7 @@ Consideremos $1000$ núcleos de ${}^{208}Tl$, que tienen una vida media de $3.05
     tmax = 1000       #tiempo total
     
     #los puntos a graficar
-    tpuntos = arange(0.0,tmax,h)
+    tpuntos = arange(0.0,tmax,th)
     Tlpuntos = []
     Pbpuntos = []
 
@@ -1018,7 +1024,7 @@ Conforme pasa el tiempo la probabilidad de decaimiento es menor. Esta distribuci
 
 Para obtener a partir de las funciones aleatorias del lenguaje de programación, se hace uso del \textit{método de transformación}. Veamos en que consiste.
 
-Supongamos que se tiene una distribución de probabilidad conocida, la función aleatoria del lenguaje de programación, que genera números $z$ con la probabilidad $q(z)$, con la probabilidad de generar un número entre $z$ y $z+dz$ dada por $q(z)dz$. Por otro lado se tiene una función $x=x(z)$, de tal forma que $x(z)$ también es un número aleatorio, pero puede tener una distribución de probabilidad distinta, llamémosle $p(x)$, distinta de $q(z)$.
+Supongamos que se tiene una distribución de probabilidad conocida, la función aleatoria del lenguaje de programación, que genera números $z$ con la probabilidad $q(z)$, por lo que la probabilidad de generar un número entre $z$ y $z+dz$ está dada por $q(z)dz$. Por otro lado se tiene una función $x=x(z)$, de tal forma que $x(z)$ también es un número aleatorio, pero puede tener una distribución de probabilidad distinta, llamémosle $p(x)$, distinta de $q(z)$.
 
 Por esta definición, la probabilidad de generar un número entre $z$ y $z+dz$ es igual a la probabilidad de generar un número entre $x$ y $x+dx$, es decir:
 
@@ -1049,7 +1055,45 @@ De lo que resulta
   t= -\tau ln\left( 1-\frac{z}{ln(2)}\right).
 \end{equation}
 
-Generamos números aleatorios uniformemente y evaluamos esa expresión. 
+Generamos números aleatorios uniformemente y evaluamos esa expresión.
+
+El programa se puede ver en el listing \ref{alg:decay2}, que da como resultado el histograma en la figura \ref{fig:decay2}.
+
+\begin{center}
+  \begin{lstlisting}[language=Python, caption=Tiempos de decaimiento en histograma.]
+    from random import random
+    import matplotlib.pyplot as plt
+    import numpy as np
+
+    #Constantes
+    NTl = 1000       #numero inicial de thalios
+    tau = 3.053*60   #vida media del thalio en seg.
+    
+    #los puntos a graficar
+    temps = []
+
+    #Determinando tiempo de decaimiento
+    for i in range(NTl):
+      t = -tau*np.log(1-random()/np.log(2))
+      temps.append(t)
+
+    #La grafica
+    (counts, bins, patches) = plt.hist(temps)
+    plt.xlabel("Tiempos")
+    plt.ylabel("Eventos")
+    plt.show()
+  \end{lstlisting}
+  \label{alg:decay2}
+\end{center}
+
+\begin{figure}[ht!]
+  \begin{center}
+    \includegraphics[width=0.7\linewidth]{decay2.jpg}
+    \caption{Simulación del decaimiento del ${}^{208}Tl$, histograma de tiempos.}
+    \label{fig:decay2}
+  \end{center}
+\end{figure}
+
 
 \section{Distribución Gaussian}
 
@@ -1110,7 +1154,7 @@ Podemos aproximar la integral sabiendo esto. Hay que generar número aleatorios
   I \approx& \frac{\#\text{\{puntos que caen en I\}}}{\#\text{\{puntos en total generados\}}}\times A
 \end{align*}
 
-El programa en python que puede calcular esta integral por el método Montecarlo se ve en el \textit{listing} \ref{alg:int}
+El programa en python que puede calcular esta integral por el método Montecarlo se ve en el \textit{listing} \ref{alg:inte}
 
 \begin{center}
   \begin{lstlisting}[language=Python, caption=Integración por Montecarlo.]
@@ -1137,7 +1181,7 @@ El programa en python que puede calcular esta integral por el método Montecarlo
     I=2*count/N
     print(I)
   \end{lstlisting}
-  \label{alg:decay}
+  \label{alg:inte}
 \end{center}
 
 \begin{thebibliography}{10}
@@ -1146,6 +1190,7 @@ El programa en python que puede calcular esta integral por el método Montecarlo
 \bibitem{PDG}Zyla, P.A. et al. (Particle Data Group), to be published in Prog. Theor. Exp. Phys. 2020, 083C01 (2020).
 \bibitem{Leo}Leo, W.R. ``Techniques for nuclear and particle physics experiments'' Springer Verlag, 1987.
 \bibitem{newman2013} Newman, M.E.J. ``Computational Physics''. \emph{Createspace Independent Pub}, 2013.
+\bibitem{Marti-Shaw} Martin, B.R., Shaw, G. ``Particle Physics'' 3a edición, John Wiley \& Sons Ltd., 2008
 \end{thebibliography}	
 		 				 	 
 \end{document}
diff --git a/pres5.pdf b/pres5.pdf
index aa0af34..a431693 100644
Binary files a/pres5.pdf and b/pres5.pdf differ
diff --git a/pres5.tex b/pres5.tex
index c9810ae..44d47ea 100644
--- a/pres5.tex
+++ b/pres5.tex
@@ -908,6 +908,195 @@
   \lstinputlisting[basicstyle=\ttfamily\scriptsize,firstline=1,lastline=16,language=python]{azarin.py}
 \end{frame}
 
+\begin{frame}{Algoritmo Mersenne twister}
+  \begin{itemize}
+  \item Makoto Matsumoto y Takuji Nishimura en 1996, mejora en 2002
+  \item Perido: $2^{19937}-1$
+  \item Propiedad de equidistribución de $623$-dimensiones\footnote{Una secuencia de números reales es equidistribuida o uniformemente distribuida si la proporción de términos que caen en un subintervalo es proporcional a la longitud de tal subintervalo.}.
+  \item Uso eficiente de la memoria, consume sólo un espacio de trabajo de 624 palabras (la implementación en C).
+  \end{itemize}
+\end{frame}
+
+\begin{frame}{Uso del algoritmo Mersenne twister}
+  \begin{itemize}
+  \item Un valor inicial: semilla ($x=1$ en el ejemplo anterior)
+  \item Opción con distinto peso: generar uniformemente en $[0,1]$ y dar pesos.
+  \end{itemize}
+  \lstinputlisting[basicstyle=\ttfamily\scriptsize,firstline=1,lastline=16,language=python]{axarinp.py}
+\end{frame}
+
+\begin{frame}{Decaimiento radiactivo}
+  Ley de deacímiento
+  \begin{equation*}
+    N(t)= N(0)2^{-t/\tau},
+  \end{equation*}
+  Probabilidad de decaimiento
+  \begin{equation*}
+    p(t)=1-2^{-t/\tau}
+  \end{equation*}
+  Consideramos $1000$ núcleos de ${}^{208}Tl$
+  \begin{itemize}
+  \item $tau_{{}^{208}Tl}=3.053$ minutos
+  \item Decae a ${}^{208}Pb$
+  \end{itemize}
+\end{frame}
+
+\begin{frame}{Simulemos}
+  \begin{itemize}
+  \item Generamos uniformemente
+  \item si cae entre 0 y $p(t)$ decae, de lo contrario no
+  \item Similar al águila o Sol contamos si es ${}^{208}Tl$ o si es ${}^{208}Pb$
+  \end{itemize}
+\end{frame}
+
+\begin{frame}{Programa I}
+  \lstinputlisting[basicstyle=\ttfamily\scriptsize,firstline=1,lastline=17,language=python]{decaa.py}
+\end{frame}
+
+\begin{frame}{Programa II}
+  \lstinputlisting[basicstyle=\ttfamily\scriptsize,firstline=17,lastline=37,language=python]{decaa.py}
+\end{frame}
+
+\begin{frame}{Resultado}
+  \begin{figure}[ht!]
+    \begin{center}
+      \includegraphics[width=0.7\linewidth]{decay.jpg}
+      \caption{Simulación del decaimiento del ${}^{208}Tl$ (azul) en ${}^{208}Pb$ (amarillo).}
+      \label{fig:decay}
+    \end{center}
+  \end{figure}
+\end{frame}
+
+\begin{frame}{Números aleatorios no uniformes}
+  La probabilidad de decaimiento diferencial
+  \begin{align*}
+    dp=& 1-2^{-dt/\tau} \\
+    =& 1-exp(ln(2^{-dt/\tau})) \\
+    =& 1-exp(\frac{-dt}{\tau}ln(2)) \\
+    =& 1-(1-\frac{dt}{\tau}ln(2)) \text{, aproximando a primer orden la exponencial}\\
+    =& \frac{dt}{\tau}ln(2)
+  \end{align*}
+\end{frame}
+
+\begin{frame}{Distribución de probabilidad}
+  La probabilidad de que un núcleo se mantenga sin decaer tras un tiempo $t$
+  \begin{equation}
+    P(t)=2^{-t/\tau}\frac{ln(2)}{\tau} dt
+  \end{equation}
+  Ya no es constante, conforme pasa $t$ cambia
+\end{frame}
+
+\begin{frame}{Método de transformación}
+  \begin{itemize}
+  \item Distribución de probabilidad genera $z$ con pobabilidad $q(x)$
+  \item Probabilidad de generar un número entre $z$ y $z+dz$: $q(z)dz$
+  \item Función $x=x(z)$, con $p(x)$
+  \end{itemize}
+  \begin{equation*}
+    p(x)dx=q(z)dz
+    \label{ec:igual}
+  \end{equation*}
+\end{frame}
+
+\begin{frame}{Determinar $x(z)$}
+  \begin{itemize}
+  \item Sea $q(z)$ la distribución uniforme:
+    \begin{equation}
+      q(z)=
+      \begin{cases}
+        1 & \text{si } z \in [0,1]\\
+        0 & \text{en cualquier otro caso } 
+      \end{cases}
+    \end{equation}
+  \end{itemize}
+\end{frame}
+
+\begin{frame}{Transformando}
+  Integramos la igualdad entre las distribuciones
+  \begin{equation}
+    \int^{x(z)}_{-\infty} p(x')dx' = \int_0^z (1) dz' = z
+  \end{equation}
+  Por suerte el lado derecho es integrable
+  \begin{align*}
+    z=& \int^{t(z)}_{-\infty} p(t')dt'\\
+    =& \int^{t(z)}_{-\infty} \frac{ln(2)}{\tau}2^{-t'/\tau}dt'\\
+    =& ln(2)(1-e^{-t/\tau})
+  \end{align*}
+\end{frame}
+
+\begin{frame}{Resultado transformación}
+  \begin{equation}
+    t= -\tau ln\left( 1-\frac{z}{ln(2)}\right).
+  \end{equation}
+\end{frame}
+
+\begin{frame}{El programa}
+  \lstinputlisting[basicstyle=\ttfamily\scriptsize,firstline=1,lastline=22,language=python]{deca2.py}
+\end{frame}
+
+\begin{frame}{Histograma}
+  \begin{figure}[ht!]
+    \begin{center}
+      \includegraphics[width=0.7\linewidth]{decay2.jpg}
+      \caption{Simulación del decaimiento del ${}^{208}Tl$, histograma de tiempos.}
+      \label{fig:decay2}
+    \end{center}
+  \end{figure}
+\end{frame}
+
+\begin{frame}{Distribución Gaussiana}
+  \begin{equation*}
+    p(x)=\frac{1}{\sqrt{2\pi \sigma^2}}exp\left( -\frac{x^2}{2\sigma^2}\right)
+  \end{equation*}
+  ¿La podemos integrar?
+  \begin{itemize}
+    \item Hacemos cambio de variable
+  \end{itemize}
+  \begin{align*}
+    p(x)dx \times p(y)dy =& \frac{1}{\sqrt{2\pi \sigma^2}}exp\left( -\frac{x^2}{2\sigma^2}\right)dx \times \frac{1}{\sqrt{2\pi \sigma^2}}exp\left( -\frac{y^2}{2\sigma^2}\right)dy \\
+    =& \frac{1}{\sqrt{2\pi \sigma^2}}exp\left( -\frac{x^2+y^2}{2\sigma^2}\right)dxdy,
+  \end{align*}
+\end{frame}
+
+\begin{frame}{En coordenadas polares}
+  \begin{align*}
+    p(r,\theta)drd\theta =& \frac{1}{2\pi\sigma^2}exp\left(-\frac{r^2}{2\sigma^2}\right)rdrd\theta \\
+    =& \frac{r}{\sigma^2}exp\left(-\frac{r^2}{2\sigma^2}\right)dr \times\frac{d\theta}{2\pi}
+  \end{align*}
+  Se obtienen los generadores
+  \begin{align*}
+    r=& \sqrt{-2\sigma^2 ln(1-z)} \\
+    \theta =& 2\pi z \text{, de ambos se obtiene}\\
+    x=& rcos\theta \\
+    y=& rsen\theta
+  \end{align*}
+\end{frame}
+
+\begin{frame}{Integración Montecarlo}
+  \begin{equation*}
+    I=\int_0^2 sin^2 \left[ \frac{1}{x(2-x)}\right]dx.
+    \label{ec:inte}
+  \end{equation*}
+  \begin{figure}[ht!]
+    \begin{center}
+      \includegraphics[width=0.7\linewidth]{inte.jpg}
+      \caption{Gráfica de la función a integrar en la ecuación \ref{ec:inte}}
+      \label{fig:int}
+    \end{center}
+  \end{figure}
+\end{frame}
+
+\begin{frame}{Esquema de la integración}
+  \begin{align*}
+    \frac{I}{A} \approx& \frac{\#\text{\{puntos que caen en I\}}}{\#\text{\{puntos en total generados\}}} \\
+    I \approx& \frac{\#\text{\{puntos que caen en I\}}}{\#\text{\{puntos en total generados\}}}\times A
+  \end{align*}
+\end{frame}
+
+\begin{frame}{El programa}
+  \lstinputlisting[basicstyle=\ttfamily\scriptsize,firstline=1,lastline=23,language=python]{inte.py}
+\end{frame}
+
 \begin{frame}{Paso de partículas a través de la materia}
   \begin{itemize}
   \item Los valores calculados por pedazos