Está en la página 1de 15

Modelos Probabilsticos Discretos

5.1)

INTRODUCCIN.

5.2)

MODELO UNIFORME.

5.3)

MODELO BERNOULLI.

5.4)

MODELO BINOMIAL.

5.5)

MODELO GEOMTRICO.

5.6)

MODELO HIPERGEOMTRICO.

5.7)

MODELO POISSON.

5.8)

PROBLEMAS PROPUESTOS.

Pgina 5-1

5.1)

INTRODUCCIN.
La definicin de variable aleatoria dada en el Captulo 3 ha permitido el uso de un
lenguaje comn que ayuda a entender de una forma sistemtica los experimentos
aleatorios. En la medida en que se analizan distintos tipos de experimentos
aleatorios se comienza a notar que el comportamiento de muchos de ellos es
bastante similar entre s. Comienzan a repetirse caractersticas de una variable
aleatoria a otra lo que conlleva a continuar la sistematizacin del anlisis al verificar
esas caractersticas comunes. Este anlisis lleva a definir modelos probabilsticos
particulares que permiten explicar fenmenos aleatorios que tienen un
comportamiento similar entre s.
En este captulo se analizarn los modelos probabilsticos discretos ms comunes y
de mayor aplicacin prctica. Para algunos de ellos el lector debe notar que en los
captulos 3 y 4 se desarrollaron algunas de sus caractersticas como lo son las
funciones de distribucin, densidad y probabilidad, y los valores esperados ms
comunes.

5.2)

MODELO UNIFORME.
Al analizar un experimento aleatorio en el cual el espacio muestral es un conjunto
discreto y finito (Definicin 2.3) y utilizar la definicin clsica de probabilidades
(Definicin 2.16) para el proceso de asignacin de probabilidades a los eventos
elementales, se concluye que todos ellos tienen igual probabilidad dada por el
inverso del nmero de eventos elementales. Esta es la base de la definicin de un
modelo uniforme discreto.
Definicin 5.1: El modelo uniforme discreto es una variable aleatoria donde
todos sus valores tienen igual probabilidad de ocurrencia.

Notas: - La variable aleatoria se define al asignar a cada evento elemental


un nmero entero. La numeracin de los posibles valores de la
variable se inicia en uno y termina en el nmero n de eventos
elementales asociados al experimento aleatorio. La regla de
asignacin se muestra en la ecuacin 5.1.
- El modelo uniforme discreto se denotar como UD(n).
- La asignacin de probabilidades de cada valor de la variable est
dada por la ecuacin 5.2.

(S = {r , r ,..., r } / al resultado r se le asigna el valor i con i=1,2,..,n) (ec. 5.1)


1

Pgina 5-2

P(UD(n) = k ) =

1
, para k = 1,2,..., n
n

(ec. 5.2)

Como consecuencia de la Ecuacin 5.2, la funcin de distribucin acumulativa de


probabilidades, la funcin de densidad de probabilidades y la funcin de
probabilidad vienen dadas por las ecuaciones 5.3, 5.4 y 5.5, respectivamente.
0,
si x < 1

k
k
1
FX ( x ) = U ( x k ) = U ( x k ), si k x < k + 1, k = 1,2,..., n 1 (ec. 5.3)
n
i =1 n

1,
si x n
1
( x k ), si k=1,2 ,....,n
f X ( x) = n

0, en cualquier otro caso

(ec. 5.4)

1
, si k=1,2 ,....,n
p X (k ) = n
0, en cualquier otro caso

(ec. 5.5)

La Tabla 5.1 muestra los valores esperados ms importantes correspondientes al


modelo uniforme discreto.

Valor Esperado

Varianza

n +1
2

n2 1
12

Funcin Generadora
de Momentos
1 e nt
ne t (1 e t )

Funcin
Caracterstica
1 e njw
ne jw (1 e jw )

Tabla 5.1: Valores Esperados ms Importantes para el Modelo Uniforme Discreto.


Ejemplo 5.1: Considere el experimento aleatorio de lanzar una moneda honesta. Si
al resultado sello se le asigna el valor uno y al resultado cara se le asigna el valor
dos entonces la variable aleatoria definida se corresponde con el modelo uniforme
discreto con n = 2.

Pgina 5-3

Ejemplo 5.2: Considere la variable aleatoria definida para el experimento aleatorio


de lanzar un dado honesto. Esta variable corresponde al modelo uniforme discreto
con n = 6.

5.3)

MODELO BERNOULLI.
Considere una Prueba de Bernoulli (Definicin 2.27 del Captulo 2). En este
experimento aleatorio se le asigna al evento no ocurre el evento A el valor cero y
al evento ocurre el evento A el valor uno. La variable aleatoria as definida se
conoce como modelo Bernoulli.
Definicin 5.2: El modelo Bernoulli es una variable aleatoria que se define
alrededor de una Prueba de Bernoulli.

Notas: - La variable aleatoria se define al asignar al evento A el nmero


entero uno y a su complementario el nmero cero. La regla de
asignacin se muestra en la ecuacin 5.6.
- El modelo Bernoulli se denotar como B(p), donde p es la
probabilidad de que ocurra el evento A.
- La asignacin de probabilidades de cada valor de la variable est
dada por la ecuacin 5.7.

(S = { A, A} / X ( A) = 1, X ( A ) = 0)

(ec. 5.6)

P( B( p) = k ) = p k (1 p) (1 k ) , para k = 0,1

(ec. 5.7)

Como consecuencia de la Ecuacin 5.7, la funcin de distribucin acumulativa de


probabilidades, la funcin de densidad de probabilidades y la funcin de
probabilidad vienen dadas por las ecuaciones 5.8, 5.9 y 5.10, respectivamente.
0, si x < 0

FX ( x ) = 1 p, si 0 x < 1
1,
si x 1

(ec. 5.8)

p k (1 p) (1 k ) ( x k ), si k=0,1
f X ( x) =
0, en cualquier otro caso

(ec. 5.9)

Pgina 5-4

p k (1 p) (1 k ) , si k=0,1
p X (k ) =
0, en cualquier otro caso

(ec. 5.10)

La Tabla 5.2 muestra los valores esperados ms importantes correspondientes al


modelo Bernoulli.

Valor Esperado

Varianza

(1-p)p

Funcin Generadora
de Momentos
1 p + pet

Funcin
Caracterstica
1 p + pejw

Tabla 5.2: Valores Esperados ms Importantes para el Modelo Bernoulli.


Ejemplo 5.3: Considere el experimento aleatorio de lanzar un dado honesto. Si al
resultado que ocurra un seis se le asigna el valor uno y al resultado que no ocurra
un seis se le asigna el valor cero entonces la variable aleatoria definida se
corresponde con el modelo Bernoulli con p = 1/6.

Ejemplo 5.4: Considere el Ejemplo 2.53 de extraer pelotas de una caja. Si al


resultado extraer una pelota roja se le asigna el valor uno y al resultado extraer
una pelota verde se le asigna el valor cero entonces la variable aleatoria definida se
R
corresponde con el modelo Bernoulli con p =
.
R +V

Ejemplo 5.5: Considere el experimento aleatorio de que un competidor de triatln


realice una carrera. Si al resultado el competidor finaliza la carrera se le asigna el
valor uno y al resultado el competidor no finaliza la carrera se le asigna el valor
cero entonces la variable aleatoria definida se corresponde con el modelo Bernoulli
con p el valor de la probabilidad de finalizar la carrera para el competidor
considerado.

Ejemplo 5.6: Considere el experimento aleatorio de seleccionar un artculo en una


lnea de produccin para realizarle una prueba de control de calidad. Si al resultado
el artculo escogido pase la prueba de control de calidad se le asigna el valor uno y
al resultado el artculo escogido no pase la prueba de control de calidad se le
asigna el valor cero entonces la variable aleatoria definida se corresponde con el
modelo Bernoulli con p el valor de la probabilidad de que el artculo escogido pase
la prueba de control de calidad.

Pgina 5-5

5.4)

MODELO BINOMIAL.
Al realizar n repeticiones independientes de una Prueba de Bernoulli con parmetro
p se genera un tipo de experimento conocido como experimento Binomial
(Definicin 2.29 del Captulo 2). En este experimento el inters est en el nmero de
veces que ocurre el evento A. Ese valor define la variable aleatoria Binomial.
Definicin 5.3: El modelo Binomial es una variable aleatoria que se define como
el nmero de veces que ocurre el evento A en n repeticiones independientes de una
Prueba de Bernoulli.

Notas: - La variable aleatoria tomar cualquier valor entre un mnimo de


cero y un mximo de n.
- El modelo Binomial se denotar como Bi(n, p), donde n es el
nmero de veces que se repite la Prueba de Bernoulli y p es la
probabilidad de que ocurra el evento A.
- La asignacin de probabilidades de cada valor de la variable est
dada por la ecuacin 5.11.
n
P( Bi (n, p) = k ) = p k (1 p) ( n k ) , para k = 0,1,..., n
k

(ec. 5.11)

Como consecuencia de la Ecuacin 5.11, la funcin de distribucin acumulativa de


probabilidades, la funcin de densidad de probabilidades y la funcin de
probabilidad vienen dadas por las ecuaciones 5.12, 5.13 y 5.14, respectivamente.
0,
si x < 0

k
n
FX ( x ) = p i (1 p) n i , si k x < k + 1, k = 0,1,...., n 1
i =0 i

1,
si x n

(ec. 5.12)

n k
( n k )
( x k ), si k=0,1,..., n
p (1 p)
f X ( x ) = k

0, en cualquier otro caso

(ec. 5.13)

Pgina 5-6

n k
( n k )
, si k=0,1,..., n
p (1 p)
p X ( k ) = k
0, en cualquier otro caso

(ec. 5.14)

La Tabla 5.3 muestra los valores esperados ms importantes correspondientes al


modelo Binomial.

Valor Esperado

Varianza

np

n(1-p)p

Funcin Generadora
de Momentos
(1 p + pet)n

Funcin
Caracterstica
(1 p + pejw)n

Tabla 5.3: Valores Esperados ms Importantes para el Modelo Binomial.


Ejemplo 5.7: Considere el experimento aleatorio de lanzar 10 veces un dado y
contar el nmero de veces que ocurre un seis.
La variable aleatoria definida como el nmero de veces que ocurre un seis se
corresponde con el modelo Binomial con parmetros n = 10 y p = 1/6. La
probabilidad de no obtener nunca un seis en los diez lanzamientos viene dada por
10
p X (0) = (1 / 6) 0 (1 1 / 6) 10 = 016151
.
0

Ejemplo 5.8: En una Prueba de Bernoulli se conoce que p = 0.4. Si se realizan 5 de


estas pruebas en forma independiente, Cul es la probabilidad de obtener por lo
menos 4 resultados favorables?.
La variable aleatoria as definida se corresponde con el modelo Binomial con
parmetros n = 5 y p = 0.4. La probabilidad que se solicita viene dada por
5
5
p = p X (4) + p X (5) = (0.4) 4 (1 0.4) 1 + (0.4) 5 (1 0.4) 0 = 0.08704
4
5

Pgina 5-7

Ejemplo 5.9: En una carrera a campo traviesa compiten 6 atletas. La probabilidad


de no terminar la carrera es de 0.4 para cada competidor. Cul es la probabilidad de
que al menos 5 atletas terminen la carrera?.
La variable aleatoria definida como el nmero de atletas que finalizan la carrera se
corresponde con el modelo Binomial con parmetros n = 6 y p = 0.6 (se debe
recordar que p es la probabilidad del evento favorable el cual es, en este caso, que el
atleta culmine la carrera). La probabilidad que se solicita viene dada por
6
6
p = p X (5) + p X (6) = (0.6) 5 (1 0.6) 1 + (0.6) 6 (1 0.6) 0 = 0.23328
5
6

5.5)

MODELO GEOMTRICO.
En el marco de repeticiones independientes de Pruebas de Bernoulli con parmetro
p se define otro tipo de experimento como el nmero de pruebas necesarias hasta
conseguir que ocurra el evento A por primera vez. Este experimento se denomina
experimento Geomtrico (Definicin 2.28) y define una variable aleatoria
Geomtrica.
Definicin 5.4: El modelo Geomtrico es una variable aleatoria que se define
como el nmero de repeticiones independientes de una Prueba de Bernoulli hasta
que ocurre el evento A.

Notas: - La variable aleatoria tomar cualquier valor entero mayor o


igual a uno.
- El modelo Geomtrico se denotar como G(p), donde p es la
probabilidad de que ocurra el evento A en cada Prueba de
Bernoulli.
- La asignacin de probabilidades de cada valor de la variable est
dada por la ecuacin 5.15.
P(G ( p) = k ) = p(1 p) k 1 , para k = 1,2,...

(ec. 5.15)

Como consecuencia de la Ecuacin 5.15, la funcin de distribucin acumulativa de


probabilidades, la funcin de densidad de probabilidades y la funcin de
probabilidad vienen dadas por las ecuaciones 5.16, 5.17 y 5.18, respectivamente.

Pgina 5-8

0,
si x < 1

k
FX ( x ) =
i 1
p(1 p) , si k x < k + 1, k = 1,2,....
i =0

(ec. 5.16)

p(1 p) k 1 ( x k ), si k=1,2,...
f X ( x) =
0, en cualquier otro caso

(ec. 5.17)

p(1 p) k 1 , si k=1,2,....
p X (k ) =
0, en cualquier otro caso

(ec. 5.18)

La Tabla 5.4 muestra los valores esperados ms importantes correspondientes al


modelo Geomtrico.

Valor Esperado

Varianza

1
p

1 p
p2

Funcin Generadora
de Momentos
pe t
1 (1 p)e t

Funcin
Caracterstica
pe jw
1 (1 p)e jw

Tabla 5.4: Valores Esperados ms Importantes para el Modelo Geomtrico.


Ejemplo 5.10:La probabilidad de que ocurra el evento A en una Prueba de
Bernoulli es 0.6. Cul es la probabilidad de que se necesiten exactamente 5 pruebas
para conseguir el resultado A por primera vez?.
La variable aleatoria as definida se corresponde con el modelo Geomtrico con
parmetro p = 0.6. La probabilidad que se solicita viene dada por
p = p X (5) = p(1 p) 51 = 0.6(1 0.6) 4 = 0.01536

Ejemplo 5.11:Considere una caja con R pelotas rojas y A pelotas amarillas. Se va a


realizar un muestreo con reposicin hasta obtener una pelota amarilla. Cul es la
probabilidad de que se realicen exactamente 3 extracciones para conseguir la
primera pelota amarilla?.

Pgina 5-9

La variable aleatoria as definida se corresponde con el modelo Geomtrico con


A
parmetro p =
. La probabilidad que se solicita viene dada por
A+ R
A
A
p = p X (3) =
1

A+ R
A + R

31

AR 2

( A + R) 3

Ejemplo 5.12:Un estudiante tiene probabilidad de 0.8 de aprobar el curso de


probabilidades. De no aprobar el curso en este trmino lo inscribe de nuevo hasta
que lo apruebe. Cul es la probabilidad de que necesite inscribirse ms de tres
veces para aprobar el curso?.
La variable aleatoria definida como el nmero de veces que se toma el curso de
probabilidades hasta aprobarlo se corresponde con el modelo Geomtrico con
parmetro p = 0.8 (se supone aqu que el valor de p permanece constante de un
trmino a otro). La probabilidad que se solicita viene dada por

k =4

k =1

p = p X ( k ) = 1 p(1 p) k 1 = 1 0.8(1 + 0.2 + 0.2 2 ) = 0.008

5.6)

MODELO HIPERGEOMTRICO.
Considere una caja con R pelotas rojas y A pelotas amarillas y un muestreo sin
reposicin (MSR) de tamao n de esa caja. Defina una variable aleatoria como el
nmero de pelotas amarillas en la muestra de n pelotas. La variable as definida es
una Binomial?.
Para analizar la pregunta se deben recordar las definiciones 2.19 y 2.20 del Captulo
2 que aclaran la diferencia entre muestreo con reposicin y sin reposicin.
En el primer caso la reposicin de la pelota extrada restablece el espacio muestral
por lo que la probabilidad de extraer cada color de pelota no vara de una extraccin
a otra y la condicin de Pruebas de Bernoulli independientes se cumple por lo que la
variable as definida sera una Binomial.
Pero esas no son exactamente las condiciones de la pregunta efectuada. El muestreo
sin reposicin altera el espacio muestral para las siguientes extracciones por lo que
las Pruebas de Bernoulli que se repiten no son independientes. La respuesta, en

Pgina 5-10

definitiva, es que la variable no es una Binomial; las condiciones de este


experimento permiten definir un nuevo modelo llamado Hipergeomtrico.
Definicin 5.5: El modelo Hipergeomtrico es una variable aleatoria que se
define como el nmero de objetos del tipo A en un muestreo sin reposicin de
tamao n en una poblacin de N objetos donde k de ellos son del tipo A.

Notas: - La variable aleatoria tomar cualquier valor entero entre cero y n


pero debe cumplir con las restricciones de ser menor o igual a k
y mayor o igual que (n + k N).
- El modelo Hipergeomtrico se denotar como H(N, k, n), donde
N es la cantidad de objetos en la poblacin, k es el nmero de
objetos tipo A en la poblacin y n es el tamao de muestra sin
reposicin.
- La asignacin de probabilidades de cada valor de la variable est
dada por la ecuacin 5.19.
N k k

n
i

, para i = 0,1,..., n; i k , n i N k
N
P( H ( N , k , n ) = i ) =
. (ec. 5.19)

0,
en cualquier otro caso.
Como consecuencia de la Ecuacin 5.19, la funcin de distribucin acumulativa de
probabilidades, la funcin de densidad de probabilidades y la funcin de
probabilidad vienen dadas por las ecuaciones 5.20, 5.21 y 5.22, respectivamente.
0,
si x < 0

N k k
j n i i
F X ( x ) =
, si j x < j + 1, j = 0,1,2,..., n
N

=
0
i

1,
si x n

Pgina 5-11

(ec. 5.20)

N k k

n i i ( x i ), si i=0,1,2,.., n, i k , n i N k
N
f X ( x) =

0,
en cualquier otro caso

(ec. 5.21)

N k k

n i i , si i=0,1,2,..., n, i k , n i N k
N
p X (k ) =

0,
en cualquier otro caso

(ec. 5.22)

La Tabla 5.5 muestra los valores esperados ms importantes correspondientes al


modelo Hipergeomtrico.
Valor Esperado
Varianza
nk
nk ( N k )( N n)
N
N 2 ( N 1)
Tabla 5.5: Valores Esperados ms Importantes para el Modelo Hipergeomtrico.
Ejemplo 5.13:Considere una caja con R pelotas rojas y A pelotas amarillas. Se va a
realizar un muestreo sin reposicin de tamao 3. Cul es la probabilidad de que se
extraigan exactamente 3 pelotas amarillas?.
La variable aleatoria definida como el nmero de pelotas amarillas en el MSR de
tamao 3 de la caja mencionada se corresponde con el modelo Hipergeomtrico con
parmetros N = R + A, k = A y n = 3. La probabilidad que se solicita viene dada por
A R
A!

3 0
A( A 1)( A 2)
3!( A 3)!
p = p X (3) =
=
=
( A + R )!
( A + R )( A + R 1)( A + R 2)
A + R

3!( A + R 3)!
3

Pgina 5-12

Ejemplo 5.14:Considere una caja con R pelotas rojas y A pelotas amarillas. Se va a


realizar un muestreo sin reposicin de tamao 3. Cul es la probabilidad de que se
extraigan ms pelotas amarillas que rojas?.
La variable aleatoria definida como el nmero de pelotas amarillas en el MSR de
tamao 3 de la caja mencionada se corresponde con el modelo Hipergeomtrico con
parmetros N = R + A, k = A y n = 3. La probabilidad que se solicita viene dada por
A R A R
A!
R!
A!

2 1 3 0 2!( A 2)! 1!( R 1)!
3!( A 3)!
p = p X (2) + p X (3) =
+
=
+
( A + R)!
( A + R)!
A + R A + R

3!( A + R 3)!
3!( A + R 3)!
3 3
p=
p=

3 AR( A 1)
A( A 1)( A 2)
+
2( A + R)( A + R 1)( A + R 2) ( A + R)( A + R 1)( A + R 2)
3 AR ( A 1) + 2 A( A 1)( A 2)
A( A 1)( 3R + 2 A 4)
=
2( A + R)( A + R 1)( A + R 2) 2( A + R)( A + R 1)( A + R 2)

Note que los clculos que involucra el modelo Hipergeomtrico se pueden volver
muy engorrosos para valores grandes de sus parmetros.
5.7)

MODELO POISSON.
El lector puede observar que los clculos numricos asociados con la variable
aleatoria Binomial resultan muy laboriosos en la medida que el valor de n aumenta.
Este eventual problema se puede subsanar a travs de un proceso de lmites en el
cual el valor de n tiende a infinito pero el producto np tiende a ser un valor finito
(esto obliga a que p debe tender hacia cero) tal y como se explica en el Ejemplo 2.55
que justifica la Definicin 2.30 de un experimento Poisson a partir de un
experimento Binomial. Esta definicin permite enunciar una nueva variable
aleatoria que describe lo que se conocer con el nombre de modelo Poisson.
Existen varias maneras de justificar la definicin de un modelo Poisson, la anterior
es una de ellas. Otra manera es considerar la observacin de la ocurrencia de un
cierto evento en un intervalo de duracin unitaria; el nmero de veces que ocurre
ese evento en el intervalo tambin se puede considerar como una variable aleatoria
Poisson. Esta explicacin lleva implcitas una serie de restricciones que en este
momento se obviarn pero que saldrn a colacin en captulos posteriores.
En atencin a las dos maneras de justificar el modelo Poisson se dan las dos
definiciones siguientes.

Pgina 5-13

Definicin 5.6: El modelo Poisson es una variable aleatoria que se puede definir
como un proceso de lmites en un Experimento Binomial para n muy grande (n)
y p muy pequeo (p0) tal que el producto np tiende a ser un valor finito m.

Definicin 5.7: El modelo Poisson es una variable aleatoria que se puede definir
como el nmero de veces que ocurre un cierto evento A en un intervalo de tiempo
de duracin unitaria.

Notas: - La variable aleatoria tomar cualquier valor entero mayor o


igual a cero.
- El modelo Poisson se denotar como P(m), donde m puede
definirse como el producto np en trminos de la Definicin 5.6 o
como la tasa de ocurrencia del evento A por unidad de tiempo,
en trminos de la Definicin 5.7.
- La asignacin de probabilidades de cada valor de la variable est
dada por la ecuacin 5.23.
mk e m

, para k = 0,1,...,
P( P(m) = k ) = k !
.
0,
en cualquier otro caso.

(ec. 5.23)

Como consecuencia de la Ecuacin 5.23, la funcin de distribucin acumulativa de


probabilidades, la funcin de densidad de probabilidades y la funcin de
probabilidad vienen dadas por las ecuaciones 5.24, 5.25 y 5.26, respectivamente.
0,
si x < 0

k i m
FX ( x ) = m e
i ! , si k x < k + 1, k = 0,1,2,..
i =0

(ec. 5.24)

mk e m

( x k ), si k=0,1,2,..
f X ( x) = k !

0,
en cualquier otro caso

(ec. 5.25)

Pgina 5-14

mk e m

, si k=0,1,2,...
p X (k ) = k !

0,
en cualquier otro caso

(ec. 5.26)

La Tabla 5.6 muestra los valores esperados ms importantes correspondientes al


modelo Poisson.

Valor Esperado

Varianza

Funcin Generadora
de Momentos

e m( e 1)

Funcin
Caracterstica
e m( e

jw

1)

Tabla 5.6: Valores Esperados ms Importantes para el Modelo Poisson.


Ejemplo 5.15:Considere el experimento de observar los clientes que llegan a una
entidad bancaria durante un periodo de un cuarto de hora. De observaciones previas
se conoce que la tasa de llegadas es de 16 clientes por hora. Cul es la probabilidad
de que lleguen menos de 5 clientes en el periodo de observacin?.
La variable aleatoria definida como el nmero de clientes en el lapso de observacin
se corresponde con el modelo Poisson con parmetro m = 0.25x16 = 4.
La probabilidad que se solicita viene dada por
4

i =0

i =0

p = p X (i ) =

m2 m3
mi e m
= e m 1 + m +
+
= 0.4335
i!
2
6

Ejemplo 5.16:Considere el experimento de observar el nmero de barcos que llegan


a un puerto durante un periodo de una semana. De observaciones previas se conoce
que la tasa de llegadas es de 8 barcos mensuales. Cul es la probabilidad de que no
llegue ningn barco en el periodo de observacin?.
La variable aleatoria definida como el nmero de clientes en el lapso de observacin
se corresponde con el modelo Poisson con parmetro m = 0.25x8 = 2.
La probabilidad que se solicita viene dada por
mi e m
p = p X (0) =
i!

= e m = 01353
.
i =0

Pgina 5-15