Trabajo Final 2

UNIVERSIDAD NACIONAL DE CAJAMARCA
FACULTAD DE INGENIERA
ESCUELA ACADMICO PROFESIONAL DE INGENIERA GEOLGICA
ANLISIS DE DATOS Y VARIOGRAFA

PRESENTADO por:
ABANTO ARAUJO, Ana.

AGUILAR PREZ, Melquisedec.
HUAMN YOPLA, Henry.
RAMOS VIGO, Darwin.
Docente:
Ing. Wilder Chuquiruna Chvez
CAJAMARCA PER
2015
GEOESTADISTICA

Escuela acadmico profesional de Ingeniera Geolgica
INTRODUCCIN
La estadstica y la geologa son unas de las ciencias afines a la Geoestadtica,

pero eso no quiere decir que esta ltima sea la fusin de las dos. Es por ello
que nos vemos en la necesidad de entender correctamente los fundamentos,
definiciones y alcances de la geoestadstica. El problema de modelar un
macizo rocoso acompaa siempre a la actividad minera, por ello la necesidad
de un mejor modelado para lograr una operacin minera eficiente. Entonces,
cul de las herramientas matemticas existentes puede ofrecernos la
solucin? En cuanto a los fenmenos naturales, la imposibilidad de explicar el
porqu del valor de una ley en un determinado punto de muestra est fuera de
nuestro alcance, de ah que
Trabajamos con variables aleatorias (cada caso tiene la misma probabilidad
de ocurrir) y que las leyes tienen cierto grado de interdependencia. Adems, la
geoestadstica es el tratado de variables regionalizadas. No debemos pasar por
alto los puntos fundamentales que destacan: la consolidacin de la
geoestadstica con los trabajos de G. Matheron en 1965, el establecimiento de
la escuela de Fontainebleau y finalmente el desarrollo de la Geoestadstica
asociada con la informtica
ANALISIS DE DATOS Y VARIOGRAFIA
GEOESTADISTICA

OBJETIVOS
OBJETIVO GENERAL
Estudiar los Anlisis de datos y la Variografia
OBJETIVOS ESPECFICOS
Determinar el mtodo de la transformada inversa.
Determinar y analizar el mtodo de Montecarlo

Analizar la Variografia y sus diferentes aplicaciones en yacimientos
mineros.
Interpretar los resultados de las grficas para comprender las diferencias
entre los parmetros estadsticos y la utilidad de la geoestadstica
TEOREMA DEL LMITE CENTRAL

GEOESTADISTICA

SIMULACIN DE DISTRIBUCIONES
La idea bsica detrs de la simulacin goestadstica consiste en obtener
nuevas realizaciones artificiales con igual comportamiento espacial que la
informacin observada en las muestras reflejen las mismas propiedades
estadsticas que esperan que posea la funcin aleatoria.
Segn Lantuejoul y Rivoirard (1998) la simulacin puede ser til para obtener
una representacin de una de las posibles realizaciones de la realidad de un
yacimiento. Esto da la posibilidad de sustituir un yacimiento real por uno
simulado y realizar un estudio de simulacin de explotacin, estudio de redes,
etc.
Teorema de lmite central
Nos indica que en condiciones muy generales, si S n es la suma de n variables
aleatorias independientes, entonces la funcin de distribucin de S n
se
aproxima a una distribucin normal. As pues el teorema asegura que esto

ocurre cuando la suma de estas variables aleatorias e independientes es lo
suficiente grande.
Definicin
Sea
la funcion de densidad de distribucion normal definida como:
Con la media u y una varianza
. El caso en el que su funcin de densidad
en N(0,1), a la distribucin se le conoce como normal estndar.

Se define Sn como la suma de n variables aleatorias, independientes,
idnticamente distribuidas y con una media u y con varianza
finita.
GEOESTADISTICA

De manera que, la medio Sn es n.u y la varianza n.
, dado que son variables
aleatorias independientes. Con tal de hacer ms fcil la comprensin del

teorema y su posterior uso , se hace una estandarizacin de Sn como:
Para que la media de la nueva variable sea igual a 0 y la desviacin estndar

igual a 1. Asi las variables de Zn converjan en la distribucin normal estndar
N(0,1), cuando n tienda a infinito. Como consecuencia, si
es la funcin de
distribucin de N(0,1), para cada nmero real Z:
Donde Pr( )indica la probabilidad y lim se refiere a limite matemtico.
MTODO DE LA TRANSFORMADA INVERSA

Determinar el mtodo de la transformada inversa.
Definicin:
El mtodo de la transformada (o transformacin) inversa, tambin conocido
como mtodo de la inversa de la transformada, es un mtodo para
la generacin de nmeros aleatorios de cualquier distribucin de probabilidad
continua cuando se conoce la inversa de su funcin de distribucin (cdf). Este
mtodo es en general aplicable, pero puede resultar muy complicado obtener
una expresin analtica de la inversa para algunas distribuciones de
probabilidad. El mtodo de Box-Muller es un ejemplo de algoritmo que aunque
menos general, es ms eficiente desde el punto de vista computacional.
El mtodo se utiliza para simular valores de las
distribuciones exponencial, Cauchy, triangular, de Pareto y Weibull.
GEOESTADISTICA

OBTENCIN DEL MTODO

El mtodo de la transformada inversa se basa en el siguiente teorema:
Teorema de inversin. Sea X una variable aleatoria con funcin de distribucin
de probabilidad acumulada F, continua e invertible, y sea
su funcin
inversa. Entonces, la variable aleatoria U = F(X) tiene distribucin uniforme en

. Como consecuencia, si U es una variable aleatoria uniforme en
entonces la variable aleatoria
satisface la distribucin F.
EL MTODO
El mtodo de la transformada inversa puede utilizarse para simular variables
aleatorias continuas, lo cual se logra mediante la funcin acumulada f(x) y la
generacin de nmeros pseudoaleatorios ri ~U (0,1).
El mtodo consiste en:
Definir la funcin de Densidad f(x) que representa la variable a modelar.
Calcular la funcin acumulada f(x).
Despejar la variable aleatoria x y obtener la funcin acumulada inversa

f(x)-1.
Generar las variables aleatorias x, sustituyendo valores con nmeros

pdeudoaleatorios ri ~U (0,1) en la funcin acumulada inversa.
El mtodo de la transformada inversa tambin puede emplearse para simular
variables aleatorias de tipo discreto, como en las distribuciones de Poisson, de
Bernoulli, binomial, geomtrica, discreta general, etc. La generacin se lleva a
cabo a travs de la probabilidad acumulada P(x) y la generacin de nmeros
pseudoaleatorios ri ~U (0,1).
GEOESTADISTICA

METODOS DE MONTECARLO
Consiste en numerosos procedimientos probabilisticos para generar relaciones
de funciones aleatorias que tienen un variograma dado
Estos metodos son principalmente:

a)
b)
c)
d)
Mtodo del anlisis armonico

Mtodo de las medias mviles
Mtodo de las lineas rotantes
Mtodo gaussiano secuencial
las deficiencias que estos mtodos presentan son: el mtodo a) es demasiado

laboriosos y presenta problemas de convergencia . El mtodo d) presenta
roblemas de reproduccin ddel variograma (por ejemplo, no reproduce bien el
modelo esfrico).
EL MTODO DE LAS MEDIAS MOVILES

En este metodo se sortean la azar, relaciones independientes de wi de una
variable aleatoria Wi , la cual es normal o gaussiana con esperanza matemtica
0 y varianza 1, y se afectan estos valores en los vertices de una malla regular
(1-D,2 D,3). Sea f una cierta funcin. La simulacin es entonces:
En la figura 1 se tiene una grilla muy densa con valores normales con media 0
y varianza 1 (llamada tambin normal reducida). A cada punto de la grilla se le
asocia la suma ponderada siguiente, la cual se realiza sobre todos los puntos
que caen dentro de la elipse E:
GEOESTADISTICA

Siendo n el nmero de puntos que caen dentro de la elipse E. Es fcil probar

que Z(x, y) tambin sigue una ley normal reducida.
Un caso interesante es cuando f tiene la expresin siguiente, en el espacio de

tres dimensiones
Se puede demostrar, sin dificultad que obtiene en este caso el variograma

esfrico, con alcance a.
Luego, para simular el variograma esfrico en el espacio de 3 dimensiones, se
pasea una esfera de dimetro a por el interior de un paraleleppedo (o un
cuerpo tridimensional) el cual est lleno de valores aleatorios independientes
W (i, j, k) y se afecta al centro de la esfera, la suma de los valores W que
estn en su interior. Ms generalmente, en vez de una esfera, se puede
considerar un elipsoide (figura 30), con lo cual se obtienen realizaciones
anistropas:
GEOESTADISTICA

el elipsoide proporciona una realizacin anistropa

Si se desea simular en 2-D un variograma esfrico, hay que tomar un plano
particular de la simulacin precedente.
En el caso de simular un modelo esfrico (en 2-D o en 3-D), existe un mtodo
ms eficiente conocido como las monedas aleatorias, el cual consiste en
implantar en el plano (espacio) crculos (esferas) cuyos centros y dimetros son
aleatorios y asignar en cada implantacin un nmero (aleatorio o no) a los
puntos interiores, sumando la contribucin de las implantaciones (ver figura
30). En el espacio de 2 dimensiones el radio del crculo es aleatorio, en 3
dimensiones el dimetro de la esfera es una constante a (este mtodo se
llama tambin random token o monedas aleatorias).
Mo
nedas aleatorias. A la izquierda con 4 circulos, a la derecha, contribucin

con 600 crculos.
El mtodo de las lneas rotantes
GEOESTADISTICA

Sean k rectas al azar Di en el espacio. Cada recta se caracteriza por un vector

unitario eI. Se genera, en cada recta Di, una realizacin Y aleatoria de una
dimensin (mediante el mtodo de las medias mviles). Sea x un punto del
espacio. La simulacin tridimensional es:
En que (x ei) es el producto escalar entre el vector x (de componentes xy el

vector unitario ei : 1, x2, x3)
lineas rotantes en 2d y 3d
Para tener una buena convergencia, es necesario utilizar por lo menos unas 50
rectas aleatorias en 2 D y unas 120 rectas aleatorias en 3 D. Tambin se
pueden utilizar rectas uniformemente distribuidas en 2D o 3D. La situacin es
ligeramente ms complicada en 3D.
Se puede demostrar que para simular mediante lneas rotantes el variograma
esfrico hay que utilizar en las rectas la funcin f(x) (aplicada a la ecuacin 1)
siguiente:
Para simular el variograma exponencial, hay que utilizar en las rectas la funcin
f(x) siguiente:
EJERCICIO APLICATIVO
10
GEOESTADISTICA

Se muestran datos de un anlisis en una campaa de explotacin de petrleo

de 200 das. La tabla incluye nmero de perforaciones productivas diarias a 50
metros de profundidad (0 a 5) junto con las frecuencias absolutas (nmero de
das en que se produjeron 0,1, 5 perforaciones) las frecuencias relativas
(10/200 = 0.05,) y las frecuencias relativas acumuladas.
Podramos interpretar la frecuencia relativa como la probabilidad de que ocurra

el suceso asociado, en este caso, la probabilidad de un determinado nmero
de perforaciones (as por ejemplo, la probabilidad de que se den 4
perforaciones en un da sera de 0.2), por lo que la tabla anterior nos
proporciona la distribucin de probabilidad asociada a una variable aleatoria
discreta (la variable aleatoria es el nmero de perforaciones, que solo puede
tomar valores entre 0 y 5).
Supongamos que queremos conocer el nmero esperado (o medio) de perfora
ciones por da. La respuesta a esta pregunta es fcil si recurrimos a la teora de
la probabilidad.
Denotando por X a la variable aleatoria que representa el nmero diario de
perforaciones, sabemos que:
Por otra parte, tambin podemos usar simulacin de Monte Carlo

para estimar el nmero esperado de perforaciones (en este caso se ha
podido
11
GEOESTADISTICA

obtener el valor exacto usando teora de probabilidad, pero ello no siempre

ser factible). Veamos cmo:
Cuando se conozca la distribucin de probabilidad asociada a una
variable
aleatoria discreta, ser posible usar la columna de frecuencias relativas acumul
adas para obtener los llamados intervalos de nmeros aleatorios asociados
a cada suceso. En este caso, los intervalos obtenidos son:
[0.00, 0.05) Para el suceso 0

El grfico siguiente nos muestra cada una de las probabilidades sobre el nmer
o de perforaciones. En l, se aprecia claramente la relacin existente
entre probabilidad de cada suceso y el rea que ste ocupa.
NMERO DE PERFORACIONES
Esto significa que, al generar un nmero pseudo-aleatorio con el ordenador

(proveniente de una distribucin entre 0 y 1), estaremos llevando a cabo un
experimento cuyo resultado, obtenido de forma aleatoria y segn la distribucin
de probabilidad anterior, estar asociada a un suceso. As por ejemplo si el
ordenador nos proporciona el nmero pseudo-aleatorio 0,2567, podramos
suponer que ese da se han producido dos perforaciones productivas.
VARIOGRAFA
VARIOGRAFIA VARIOGRAFA Variables Regionalizadas.
12
GEOESTADISTICA

Una ocurrencia de la variable regionalizada Au al interior de los puntos de un

depsito est constituido por las leyes que pueden provenir de una campaa
de sondajes realizado en un depsito de minerales. La variable regionalizada
est constituida por todos los posibles valores de Au que pueden existir en
todos los puntos del espacio que encierra el depsito. A esta poblacin de
valores de Au encontrada por la campaa de sondajes, podemos calcularle la
correlacin entre pares de leyes que se encuentran a una distancia h metros
separadas entre s. Si para cada uno de los N puntos muestreados en el
depsito se encuentran las leyes Z(xyz): (Z(xyz.1),Z(xyz.2), . . . ,Z(xyz.N))
El semivariograma se expresa de la siguiente forma: En esta expresin se

identifica Z(xyz) como la ley de una muestra (i) ubicada en la coordenada xyz,
se asume que existen muestras i = 1,,N. Tambin se observa la variable h
que indica que esta expresin es vlida solo para cada valor de h que
corresponde a la distancia entre las dos leyes encerradas por corchetes.
Tambin se observa que esta diferencia de leyes distanciadas h metros, se
encuentra elevada al cuadrado. Para un valor de h encontraremos N
diferencias elevadas al cuadrado, las que se suman y se dividen entre 2 y el
valor de N. Por lo tanto encontraremos para cada h valores que al graficarlo
se presentar la estructura del semivariograma.
VARIOGRAFIA UNIDIMENSIONAL
Poniendo como ejemplo una serie de leyes en una direccin, que podran ser
leyes de una galera o leyes de un sondaje, se tiene:
13
GEOESTADISTICA

Gama(2m) = (0.3 - 0.5)^2 + (0.5 0.7)^2 + (0.7 0.4)^2 + (0.4 0.2)^2 + (0.2
0.6)^2 + - - - = 0.61 / (2*8) = 0.038
Gama(4m) = (0.3 0.7)^2 + (0.5 0.4)^2 + (0.7 0.2)^2 + (0.4 0.6)^2 + (0.2
0.8)^2 + - - - =1.22 / (2*7) = 0.087
Gama(6m) = (0.3 0.4)^2 + (0.5 0.2)^2 + (0.7 0.6)^2 + (0.4 0.8)^2 + (0.2
0.4)^2 + - - - =0.47 / (2*6) = 0.039
Gama(8m) = - - - - = 0.03 / (2*5) = 0.003
Gama(10) = - - - - -= 0.31 / (2*4) = 0.039
Gama(11) = - - - - -= 0.51 / (2*3) = 0.085
Gama(12) = - - - - -= 0.10 / (2*2) = 0.025
VARIOGRAFIA A DOS DIMENSIONES
Gama(6m) = (0.4 - 0.2)^2 + (0.6 0.8)^2 + (0.5 0.2)^2 + (0.2 0.6)^2 + (0.6
0.8)^2 + - - - = 0.61 / (2*8) = 0.038
Gama(12m) = (0.3 0.7)^2 + (0.5 0.4)^2 + (0.7 0.2)^2 + (0.4 0.6)^2 + (0.2
0.8)^2 + - - - =1.22 / (2*7) = 0.087
14
GEOESTADISTICA

Gama(18m) = (0.3 0.4)^2 + (0.5 0.2)^2 + (0.7 0.6)^2 + (0.4 0.8)^2 + (0.2
0.4)^2 + - - - =0.47 / (2*6) = 0.039
Gama(24m) = (0.3 0.4)^2 + (0.5 0.2)^2 + (0.7 0.6)^2 + (0.4 0.8)^2 + (0.2
0.4)^2 + - - - =0.47 / (2*6) = 0.039
Gama(30m) = (0.3 0.4)^2 + (0.5 0.2)^2 + (0.7 0.6)^2 + (0.4 0.8)^2 + (0.2
0.4)^2 + - - - =0.47 / (2*6) = 0.039
Gama(36m) = - - - - = 0.03 / (2*5) = 0.003
Gama(42) = - - - - -= 0.31 / (2*4) = 0.039
Gama(48) = - - - - -= 0.51 / (2*3) = 0.085
Gama(54) = - - - - -= 0.10 / (2*2) = 0.025
CARACTERISTICAS DEL VARIOGRAMA
1.- Al origen por lo general presenta un efecto de pepita, es decir no inicia en el
punto cero.
2.- Cuantos ms pares de puntos se presentan en el variograma experimental,
ms peso e importancia se le debe dar a la distancia que se presenta.
3.- El variograma con frecuencia mantiene un crecimiento desde el origen hasta
lograr alcanzar un valor estable denominado meseta, y tiende a coincidir con la
varianza.
4.- Comportamiento Direccional, el variograma en una determinada direccin
es distinta al variograma en otra direccin, a estos casos se le conoce como
anisotrpicos. Por lo general en los depsitos de minerales no existe isotropa,
toda vez que el flujo mineralizante proviene de una determinada direccin.
A continuacin
se
presentan
tres
posibles
presencias
de
variables
regionalizadas que distinguen el comportamiento en el origen del variograma.
15
GEOESTADISTICA

TIPOS DE VARIOGRAMAS EXPERIMENTALES
16
GEOESTADISTICA

MODELADO DE VARIOGRAMAS
El modelamiento del variograma se realiza una vez que se eligieron los
variogramas representativos del depsito para las direcciones principales.
El modelamiento consiste en elegir el variograma experimental ms
representativo de acuerdo a las caractersticas mencionadas anteriormente.
Una vez elegido, el variograma experimental supuesto con el modelo
autorizado que ms se le aproxima. El modelo
Los modelos de variogramas autorizados mantienen una condicin principal de

ser siempre positivos. Es por ello que se requiere de ciertas acotaciones o
condiciones para mantener esta positividad.
Efecto Pepita. El variograma con efecto pepita, presenta la siguiente
formulacin: en el caso que h=0 si h es mayor que cero. (h) 0 (h) C
Modelo Esfrico El variograma con efecto pepita, presenta la siguiente
formulacin:
En el caso que h>0 (h) C si h es mayor que a

Modelo Potencia o Monmico.
El variograma con efecto pepita, presenta la siguiente formulacin:
En el caso que h > 0

Modelo Exponencial. El variograma con efecto pepita, presenta la siguiente
formulacin:
17
GEOESTADISTICA

En el caso que h>0

(h) C si h es mayor que 3a.
En este caso es importante tomar en cuenta que el alcance o llegada a la
meseta ocurre a tres veces el valor de a, siendo a una variable de la funcin
variograma exponencial.
ModeloGausiano. El variograma con efecto pepita, presenta la siguiente
formulacin:
En el caso que h=0

si h es = a (h) C
El alcance se logra de forma asinttica, y para casos prcticos se puede
considerar que alcanza a la meseta a una distancia de a3
18
GEOESTADISTICA

19
GEOESTADISTICA

CONCLUSIONES
Este mtodo de la transformada inversa es muy til en algunos aspectos
de lo que es la estadstica espacial dando apoyo a un sinnmero de
anlisis dentro de una investigacin ya sea en cualquier rama de
ciencias numricas donde son los datos los que son estudiados.
El Variograma es una herramienta que nos ayuda analizar cmo estn
distribuidas las variables y determinar su comportamiento espacial, en lo
cual la estadstica se limita en solo analizar el conjunto ms no el orden
BIBLIOGRAFA
Samuel
Canchaya
M.
EL
MTODO
GEOESTADSTICO:
UNA
PRESENTACIN COMPARATIVA CON LOS MTODOS TRADICIONALES DE

ESTIMACIN DE RESERVAS.
LINKOGRAFIA
http://www.academia.edu/8844884/CONSTRUCCI
%C3%93N_DE_VARIOGRAMAS_Y_AN%C3%81LISIS_GEOESTAD
%C3%8DSTICO_DE_5000_DATOS_GENERADOS_ALEATORIAMENTE_GEO
ESTAD%C3%8DSTICA_I
http://sampling-ok.com/web/publicaciones/2013-01-31_VPL.pdf
20

Trabajo Final 2

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Trabajo Final 2

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD NACIONAL DE CAJAMARCA

ANLISIS DE DATOS Y VARIOGRAFA

ABANTO ARAUJO, Ana.

UNIVERSIDAD NACIONAL DE CAJAMARCA

La estadstica y la geologa son unas de las ciencias afines a la Geoestadtica,

ANALISIS DE DATOS Y VARIOGRAFIA

UNIVERSIDAD NACIONAL DE CAJAMARCA

Estudiar los Anlisis de datos y la Variografia

Determinar el mtodo de la transformada inversa.

Determinar y analizar el mtodo de Montecarlo

TEOREMA DEL LMITE CENTRAL

UNIVERSIDAD NACIONAL DE CAJAMARCA

aproxima a una distribucin normal. As pues el teorema asegura que esto

la funcion de densidad de distribucion normal definida como:

Con la media u y una varianza

. El caso en el que su funcin de densidad

en N(0,1), a la distribucin se le conoce como normal estndar.

ANALISIS DE DATOS Y VARIOGRAFIA

UNIVERSIDAD NACIONAL DE CAJAMARCA

De manera que, la medio Sn es n.u y la varianza n.

, dado que son variables

aleatorias independientes. Con tal de hacer ms fcil la comprensin del

Para que la media de la nueva variable sea igual a 0 y la desviacin estndar

distribucin de N(0,1), para cada nmero real Z:

Donde Pr( )indica la probabilidad y lim se refiere a limite matemtico.

MTODO DE LA TRANSFORMADA INVERSA

ANALISIS DE DATOS Y VARIOGRAFIA

UNIVERSIDAD NACIONAL DE CAJAMARCA

OBTENCIN DEL MTODO

inversa. Entonces, la variable aleatoria U = F(X) tiene distribucin uniforme en

Definir la funcin de Densidad f(x) que representa la variable a modelar.

Calcular la funcin acumulada f(x).

Despejar la variable aleatoria x y obtener la funcin acumulada inversa

Generar las variables aleatorias x, sustituyendo valores con nmeros

ANALISIS DE DATOS Y VARIOGRAFIA

UNIVERSIDAD NACIONAL DE CAJAMARCA

Estos metodos son principalmente:

Mtodo del anlisis armonico

las deficiencias que estos mtodos presentan son: el mtodo a) es demasiado

EL MTODO DE LAS MEDIAS MOVILES

ANALISIS DE DATOS Y VARIOGRAFIA

UNIVERSIDAD NACIONAL DE CAJAMARCA

Siendo n el nmero de puntos que caen dentro de la elipse E. Es fcil probar

Un caso interesante es cuando f tiene la expresin siguiente, en el espacio de

Se puede demostrar, sin dificultad que obtiene en este caso el variograma

ANALISIS DE DATOS Y VARIOGRAFIA

UNIVERSIDAD NACIONAL DE CAJAMARCA

el elipsoide proporciona una realizacin anistropa

nedas aleatorias. A la izquierda con 4 circulos, a la derecha, contribucin

El mtodo de las lneas rotantes

ANALISIS DE DATOS Y VARIOGRAFIA

UNIVERSIDAD NACIONAL DE CAJAMARCA

Sean k rectas al azar Di en el espacio. Cada recta se caracteriza por un vector

En que (x ei) es el producto escalar entre el vector x (de componentes xy el

ANALISIS DE DATOS Y VARIOGRAFIA

UNIVERSIDAD NACIONAL DE CAJAMARCA

Se muestran datos de un anlisis en una campaa de explotacin de petrleo

Podramos interpretar la frecuencia relativa como la probabilidad de que ocurra

Por otra parte, tambin podemos usar simulacin de Monte Carlo

UNIVERSIDAD NACIONAL DE CAJAMARCA

obtener el valor exacto usando teora de probabilidad, pero ello no siempre

[0.00, 0.05) Para el suceso 0

Esto significa que, al generar un nmero pseudo-aleatorio con el ordenador

UNIVERSIDAD NACIONAL DE CAJAMARCA