Distribuciones discretas de probabilidad

Distribucin de probabilidad: Listado de todos los resultados de un experimento y la probabilidad asociada con cada resultado. Caractersticas de una distribucin de probabilidad 1.-La probabilidad de un resultado en particular se encuentra entre 0 y 1, inclusive. 2.- Los resultados son eventos mutuamente excluyentes. 3.- La lista es exhaustiva. As, la suma de las probabilidades de los diversos eventos es igual a 1.

En cualquier experimento aleatorio, los resultados se presentan al azar; as, a ste se le denomina variable aleatoria. Por ejemplo, lanzar un dado constituye un experimento: puede ocurrir cualesquiera de los seis posibles resultados. Algunos experimentos dan origen a resultados de ndole cuantitativa (como dlares, peso o nmero de nios); otros dan origen a resultados de naturaleza cualitativa (como el color o la afiliacin religiosa). Cada valor de la variable aleatoria se relaciona con una probabilidad que indica la posibilidad de un resultado determinado.

Si cuenta el nmero de empleados ausentes en el turno matutino del lunes, el nmero puede ser 0, 1, 2, 3, El nmero de ausencias es una variable aleatoria. Si pesa cuatro lingotes de acero, los pesos pueden ser de 2 492 libras, 2 497 libras, 2 506 libras, etc. El peso es una variable aleatoria. Si lanza dos monedas y cuenta el nmero de caras, puede caer cero, una o dos caras. Como el nmero de caras que resulta de este experimento se debe al azar el nmero de caras que caen es una variable aleatoria. Otras variables aleatorias pueden ser el nmero de focos defectuosos producidos por hora en Cleveland Company, Inc.; el nmero de corredores del maratn de Boston en la carrera de 2006 y la cantidad diaria de conductores multados por conducir bajo la influencia del alcohol en Texas.

Variable aleatoria: Cantidad que resulta de un experimento que, por azar, puede adoptar diferentes valores. Variable aleatoria discreta: Variable aleatoria que adopta slo valores claramente separados
Variable aleatoria continua Por otra parte, si la variable aleatoria es continua, es una distribucin de probabilidad continua. Si mide algo, como la anchura de una recmara, la estatura de una persona o la presin de la llanta de un automvil, se trata de una variable aleatoria continua. Se puede suponer una infinidad de valores, con ciertas limitaciones.

Ejemplos

Los tiempos de los vuelos comerciales entre Atlanta y Los ngeles son de 4. 67 horas, 5.13 horas, etc. La variable aleatoria es la cantidad de horas. La presin, medida en libras por pulgada cuadrada (psi), en un nuevo neumtico Chevy Trail-blazer puede ser de 32.78 psi, 31.62 psi, 33.07 psi, etc. En otras palabras, es razonable que se presente cualquier valor entre 28 y 35. La variable aleatoria es la presin de la llanta.

Por lo general, una distribucin discreta es el resultado de contar algo, como: El nmero de caras que se presentan en tres lanzamientos de una moneda. El nmero de estudiantes que obtienen A en clase El nmero de empleados de produccin que se ausentaron hoy en el segundo turno. El nmero de comerciales de 30 segundos que pasan en la NBC de las 8 a las 11 de la noche.

Las distribuciones continuas son el resultado de algn tipo de medicin, como:

La duracin de cada cancin en el ltimo lbum de Tim McGraw. El peso de cada estudiante de esta clase. La temperatura ambiente en el momento en que lee este libro. La suma de dinero que gana cada uno de los 750 jugadores actuales en la lista de los equipos de la Liga Mayor de Bisbol.

La media constituye un valor tpico para representar la localizacin central de una distribucin de probabilidad. Tambin es el valor promedio de larga duracin de la variable aleatoria. La media de una distribucin de probabilidad tambin recibe el nombre de valor esperado. Se trata de un promedio ponderado en el que los posibles valores de una variable aleatoria se ponderan con sus correspondientes probabilidades de ocurrir. La media de una distribucin de probabilidad discreta se calcula con la frmula:

Aqu P(x) es la probabilidad de un valor particular x. En otras palabras, se multiplica cada valor x por la probabilidad de que ocurra y enseguida se suman los productos.

Como se observ, la media constituye un valor tpico para resumir una distribucin de probabilidad discreta. Sin embargo, sta no describe el grado de dispersin (variacin) en una distribucin. La varianza s lo hace. La frmula para la varianza de una distribucin de probabilidad es:

Los pasos para el clculo son los siguientes: 1.- La media se resta de cada valor y la diferencia se eleva al cuadrado. 2.- Cada diferencia al cuadrado se multiplica por su probabilidad. 3.- Se suman los productos que resultan para obtener la varianza.

John Ragsdale vende automviles nuevos en Pelican Ford. Por lo general, John vende la mayor cantidad de automviles el sbado. Ide la siguiente distribucin de probabilidades de la cantidad de automviles que espera vender un sbado determinado.
Cantidad de automviles vendidos, x Probabilidad, P(x)

0 1

0.10 0.20

2
3 4 Total

0.30
0.30 0.10 1.00

1.- De qu tipo de distribucin se trata? 2.- Cuntos automviles espera vender Jhon un sbado normal? 3.- Cul es la varianza de la distribucin?

1.- Se trata de una distribucin de probabilidad discreta para la variable aleatoria denominada nmero de automviles vendidos. Observe que Jhon slo espera vender cierto margen de automviles. No espera vender 5 automviles ni 50. Adems, no puede vender medio automvil. Slo puede vender 0, 1, 2, 3 o 4 automviles. Asimismo, los resultados son mutuamente excluyentes: no puede vender un total de 3 y 4 automviles el mismo sbado. 2.- La media de la cantidad de automviles vendidos se calcula al multiplicar el nmero de automviles vendidos por la probabilidad de vender dicho nmero, y sumar los productos de acuerdo con la frmula:

Cmo interpretar una media de 2.1?

Este valor indica que, a lo largo de una gran cantidad de sbados, John espera vender un promedio de 2.1 automviles por da. Por supuesto, no es posible vender exactamente 2.1 automviles un sbado en particular. Sin embargo, el valor esperado se utiliza para predecir la media aritmtica de la cantidad de automviles vendidos a la larga. Por ejemplo, si John trabaja 50 sbados en un ao, puede esperar vender (50)(2.1) o 105 automviles slo los sbados. Por consiguiente, a veces la media recibe el nombre de valor esperado.

3.- Una tabla resulta til para sistematizar los clculos de la varianza, que es de 1.290.
Nmero de automviles vendidos, x 0 1
2 3

Probabilidad, P(x)
0.10 0 2.1 4.41 0.441

0.20
0.30 0.30

1 2.1
2 2.1 3 2.1

1.21
0.01 0.81

0.242
0.003 0.243

0.10

4 2.1

3.61

0.361
1.290

Distribucin Binomial
La distribucin de probabilidad binomial es una distribucin de probabilidad discreta que se presenta con mucha frecuencia. Una caracterstica de una distribucin binomial consiste en que slo hay dos posibles resultados en determinado intento de un experimento.

Ejemplos

El enunciado en una pregunta de cierto o falso es cierto o falso. Los resultados son mutuamente excluyentes, lo cual significa que la respuesta a una pregunta de cierto o falso no puede ser al mismo tiempo cierta o falsa. Un producto se clasifica como aceptable o inaceptable por el departamento de control de calidad Un trabajador se clasifica como empleado o desempleado Una llamada da como resultado que el cliente compre el producto o no lo compre

Con frecuencia, se clasifican los dos posibles resultados como xito y fracaso. Sin embargo, esta clasificacin no implica que un resultado sea bueno y el otro malo.

Otra caracterstica de la distribucin binomial es el hecho de que la variable aleatoria es el resultado de conteos. Es decir, se cuenta el nmero de xitos en el nmero total de pruebas. Lance una moneda equilibrada cinco veces y cuente el nmero de veces que aparece una cara; seleccione 10 trabajadores y liste cuntos tienen ms de 50 aos

Una tercera caracterstica de una distribucin binomial consiste en que la probabilidad de xito es la misma de una prueba a otra. Un ejemplo es: La probabilidad de que adivine la primera pregunta de una prueba de verdadero o falso (xito) es de un medio. Esta constituye la primera prueba. La probabilidad de que adivine la segunda pregunta (segunda prueba) tambin es de un medio; la probabilidad de xito en la tercera prueba es de otro medio, y as sucesivamente.

La ltima caracterstica de una distribucin de probabilidad binomial consiste en que cada prueba es independiente de cualquiera otra. Que sean independientes significa que no existen patrones en las pruebas. El resultado de una prueba en particular no influye en el resultado de otra prueba.

Experimento de probabilidad binomial

1.- El resultado de cada prueba de un experimento se clasifica en una de dos categoras mutuamente excluyentes: xito o fracaso. 2.- La variable aleatoria permite contar el nmero de xitos en una cantidad fija de pruebas. 3.- La probabilidad de xito y fracaso es la misma para cada prueba. 4.- Las pruebas son independientes, lo cual significa que el resultado de una prueba no influye en el resultado de otra prueba.

Cmo se calcula una probabilidad binomial?

Para construir una probabilidad binomial en particular se necesita: 1) el nmero de pruebas; 2) la probabilidad de xito de cada prueba. Por ejemplo, si un examen al trmino de un seminario de administracin incluye 20 preguntas de opcin mltiple, el nmero de pruebas es de 20. Si cada pregunta contiene cinco elecciones y slo una de ellas es correcta, la probabilidad de xito en cada prueba es de 0.20. Por consiguiente, la probabilidad de que una persona sin conocimientos del tema d con la respuesta a una pregunta es de 0.20. De modo que se cumplen las condiciones de la distribucin binomial recin indicadas.

La probabilidad binomial se calcula mediante la frmula:

C: representa una combinacin n: es el nmero de pruebas x: es la variable aleatoria definida como el nmero de xitos p: es la probabilidad de un xito en cada prueba.

Ejemplo
US Airway tiene cinco vuelos diarios de Pittsburgh al Aeropuerto Regional de Bradford, Pennsylvania. Suponga que la probabilidad de que cualquier vuelo llegue tarde sea de 0.20. Cul es la probabilidad de que ninguno de los vuelos llegue tarde hoy? Cul es la probabilidad de que exactamente uno de los vuelos llegue tarde hoy?

Solucin
La probabilidad de que un vuelo llegue tarde es de 0.20, as p =0.20. Hay cinco vuelos, as, n = 5, y x, la variable aleatoria, se refiere al nmero de xitos. En este caso un xito consiste en que un avin llegue tarde. Como no hay demoras en las llegadas, x = 0.

La probabilidad de que exactamente uno de los cinco vuelos llegue tarde hoy es de 0.4096, que se calcula de la siguiente manera:

La media ( ) y la varianza ( ) de una distribucin binomial se calculan con la siguiente frmula, fcil y rpida:

Media de una distribucin binomial

Varianza de una distribucin binomial

Por ejemplo, respecto del nmero de vuelos retrasados, recuerde que p = 0.20 y n = 5. Por tanto, = np = (5)(0.20) = 1.0

= (5)(0.20)(1-0.20) = 0.80

Distribucin de probabilidad binomial acumulada

Tal vez desee conocer la probabilidad de adivinar la respuesta a 6 o ms preguntas de verdadero o falso de un total de 10. O quiz est interesado en la probabilidad de seleccionar, en forma aleatoria, menos de dos artculos defectuosos en la produccin de la hora anterior. En estos casos necesita distribuciones de frecuencia acumulada.

Ejemplo
Un estudio del Departamento de Transporte de Illinois concluy que 76.2% de quienes ocupaban la parte anterior en los vehculos utilizaba cinturn de seguridad. Esto significa que los dos ocupantes de la parte delantera utilizaban cinturn de seguridad. Suponga que decide comparar la informacin con el uso actual que se da al cinturn de seguridad. Seleccione una muestra de 12 vehculos. 1.- Cul es la probabilidad de que los ocupantes de la parte delantera de exactamente 7 de 12 vehculos seleccionados utilicen cinturones de seguridad? 2.- Cul es la probabilidad de que los ocupantes de la parte delantera de por lo menos 7 de 12 vehculos utilicen cinturn de seguridad?

Solucin
Esta situacin satisface los requisitos binomiales. En un vehculo en particular, ambos ocupantes de la parte delantera utilizan cinturn de seguridad o no lo hacen. Slo hay dos posibles resultados. Existe una cantidad fija de pruebas, 12 en este caso, pues se verifican 12 vehculos. La probabilidad de un xito (los ocupantes utilizan cinturn de seguridad) es la misma de un vehculo al siguiente: 76.2%. Las pruebas son independientes. Si, en el cuarto vehculo seleccionado en la muestra, todos los ocupantes utilizan cinturn de seguridad, esto no influye en los resultados del quinto o dcimo vehculos.

Para determinar la probabilidad de que los ocupantes de exactamente 7 vehculos de la muestra utilicen cinturn de seguridad, aplique la frmula. En este caso, n = 12 y p = 0.762. P(x = 7/ n = 12 y p = 0.762)

De esta manera, concluye que la probabilidad de que los ocupantes de exactamente 7 de los 12 vehculos de la muestra utilicen cinturones de seguridad es de aproximadamente 9%.

Para determinar la probabilidad de que los ocupantes en 7 o ms de los vehculos utilicen su cinturn de seguridad, aplique la frmula. Como los eventos son mutuamente excluyentes (lo cual significa que una muestra de 12 vehculos no puede tener un total de 7 ni, al mismo tiempo, un total de 8 vehculos en que los ocupantes utilizan cinturn de seguridad), se determina la probabilidad de que en 7 de los vehculos los ocupantes utilizan cinturn de seguridad; la probabilidad de que en 8 de los vehculos los ocupantes utilicen cinturn de seguridad y, as sucesivamente, la probabilidad de que en los 12 vehculos de la muestra los ocupantes estn utilizando cinturn de seguridad. La probabilidad de cada uno de estos resultados se suma enseguida.

P(

7/ n =12 y p = 0.762)

=P(x=7)+P(x=8)+P(x=9)+P(x=10)+P(x=11)+P(x=12)=0.0902+0.1805+0.2569+0.2467 +0.1436+0.0383 = 0.9562

De esta manera, la probabilidad de seleccionar 12 automviles y hallar que los ocupantes de 7 o ms vehculos utilizaban cinturn de seguridad es de 0.9562

Distribucin de Probabilidad Hipergeomtrica

La mayor parte del muestreo se realiza sin reemplazo. Por tanto, si la poblacin es reducida, la probabilidad de cada observacin cambiar. Por ejemplo, si la poblacin consta de 20 elementos, la probabilidad de seleccionar un elemento de dicha poblacin es de 1/20. Si el muestreo se realiza sin reemplazo, slo quedan 19 elementos despus de la primera seleccin; la probabilidad de seleccionar un elemento en la segunda seleccin es de 1/19. En la tercera seleccin, la probabilidad es de 1/18, etc. Esto supone que la poblacin es finita; es decir, se conoce el nmero de elementos de la poblacin, que es relativamente reducido. Ejemplos de poblaciones finitas son los 2842 republicanos de un distrito electoral, las 9421 solicitudes para la escuela de medicina y los 18 Pontiac Vibes actualmente en existencia en North Charleston Pontiac.

Recuerde que uno de los criterios relacionados con la distribucin binomial estriba en que la probabilidad de xito debe permanecer igual en todas las pruebas. Como la probabilidad de xito no es la misma en todas las pruebas cuando se realiza un muestreo sin reemplazos en una poblacin relativamente pequea, no debe aplicarse la distribucin binomial. En lugar de esta se aplica la distribucin hipergeomtrica.

Por tanto, 1) si se selecciona una muestra de una poblacin finita sin reemplazo y 2) si el tamao de la muestra n es mayor que 5% del tamao de la poblacin, se aplica la distribucin hipergeomtrica para determinar la probabilidad de un nmero especfico de xitos o fracasos. Esto resulta especialmente apropiado cuando el tamao de la poblacin es pequeo.

La frmula de la distribucin hipergeomtrica es la siguiente:

de

probabilidad

N: representa el tamao de la poblacin S: es el nmero de xitos en la poblacin x: es el nmero de xitos en la muestra; ste puede asumir los valores 0, 1, 2, 3 n: es el tamao de la muestra o el nmero de pruebas C: es el smbolo de combinacin

En resumen, una distribucin de probabilidad hipergeomtrica tiene las siguientes caractersticas: Distribucin de Probabilidad Hipergeomtrica 1.- Los resultados de cada prueba de un experimento se clasifican en dos categoras exclusivas: xito o fracaso. 2.- La variable aleatoria es el nmero de xitos de un nmero fijo de pruebas 3.- Las pruebas no son independientes 4.- Los muestreos se realizan con una poblacin finita sin reemplazo y n/N > 0.05. Por tanto, la probabilidad de xito cambia en cada prueba.

Ejemplo

Play Time Toys, Inc., tiene 50 empleados en el departamento de ensamblaje. Cuarenta empleados pertenecen a un sindicato y diez, no. Se eligen al azar cinco empleados para formar un comit que hablar con la empresa sobre los horarios de inicio de los turnos. Cul es la probabilidad de que cuatro de los cinco empleados elegidos para formar parte del comit pertenezcan a un sindicato?

Solucin
En este caso, la poblacin consiste en los 50 empleados del departamento de ensamblaje. Slo se puede elegir una vez a un empleado para formar parte del comit. De ah que el muestreo se lleve a cabo sin reemplazos. Por tanto, en cada prueba cambia la probabilidad de elegir a un empleado sindicalizado. La distribucin hipergeomtrica es adecuada para determinar la probabilidad. En este problema, N: es igual a 50, el nmero de empleados S: tiene un valor de 40, el nmero de empleados sindicalizados x: es igual a 4, el nmero de empleados sindicalizados elegidos n: vale 5, el nmero de empleados elegidos

Se desea calcular la probabilidad de que 4 de los 5 miembros del comit sean sindicalizados. Al sustituir estos valores en la frmula, se obtiene:

Por consiguiente, la probabilidad de elegir al azar a 5 trabajadores de ensamblaje de los 50 trabajadores y encontrar que 4 de 5 son sindicalizados es de 0.431.

Cuando no es posible satisfacer alguno de los requisitos binomiales de una probabilidad constante de xito, se debe recurrir a la distribucin de probabilidad hipergeomtrica. No obstante, es posible, en ciertas condiciones, emplear los resultados de la distribucin binomial para calcular la distribucin hipergeomtrica

Esto conduce a la siguiente regla emprica:

Si los elementos seleccionados no se regresan a la poblacin, se puede aplicar la distribucin binomial para calcular la distribucin hipergeomtrica cuando n < 0.05N. Es decir, basta la distribucin binomial si el tamao de la muestra es menor que 5% de la poblacin.

Ejemplo
Horwege Discount Brokers hace planes para contratar este ao a 5 analistas financieros. Hay un grupo de 12 candidatos aprobados, y George Horwege, el propietario, decide elegir al azar a quines va a contratar. De los solicitantes aprobados, 8 son hombres y 4 mujeres. Cul es la probabilidad de que 3 de los 5 contratados sean hombres?

Solucin
En este problema: N: es igual a 12, el nmero de candidatos aprobados S: tiene un valor de 8, el nmero de candidatos aprobados hombres x: es igual a 3, el nmero de contratados hombres n: vale 5, tamao de la muestra o nmero de pruebas. Sustituyendo en la frmula, se tiene:

Distribucin de Probabilidad de Poisson La distribucin de probabilidad de Poisson describe el nmero de veces que se presenta un evento durante un intervalo especfico. El intervalo puede ser de tiempo, distancia, rea o volumen. La distribucin se basa en dos supuestos. El primero consiste en que la probabilidad es proporcional a la longitud del intervalo. El segundo supuesto consiste en que los intervalos son independientes.

En otras palabras, cuanto ms grande sea el intervalo, mayor ser la probabilidad, y el nmero de veces que se presenta un evento en un intervalo no influye en los dems intervalos. La distribucin tambin constituye una forma restrictiva de la distribucin binomial cuando la probabilidad de un xito es muy pequea y n es grande. A sta se le conoce por lo general con el nombre de ley de eventos improbables, lo cual significa que la probabilidad, p, de que ocurra un evento en particular es muy pequea. La distribucin de Poisson es una distribucin de probabilidad discreta porque se genera contando.

En resumen, una distribucin de probabilidad de Poisson posee tres caractersticas:

Experimento de Probabilidad de Poisson

1.- La variable aleatoria es el nmero de veces que ocurre un evento durante un intervalo definido. 2.- La probabilidad de que ocurra el evento es proporcional al tamao del intervalo. 3.- Los intervalos no se superponen y son independientes.

La distribucin posee diversas aplicaciones

Se le utiliza como modelo para describir la distribucin de errores en una entrada de datos El nmero de rayones y otras imperfecciones en las cabinas de automviles recin pintados El nmero de partes defectuosas en envos El nmero de clientes que esperan mesa en un restaurante o que esperan entrar en una de las atracciones de Disney World El nmero de accidentes en la carretera federal 75 en un periodo de tres meses.

La distribucin de Poisson se describe matemticamente por medio de la siguiente frmula:

donde:
(mu): es la media de la cantidad de veces (xitos) que se presenta un evento en un intervalo particular. e: es la constante 2.71828 (base del sistema de logaritmos naperianos) x: es el nmero de veces que se presenta un evento. P(x): es la probabilidad para un valor especfico de x.

La media de nmero de xitos, , puede determinarse con np; en este caso, n es el nmero total de pruebas y p, la probabilidad de xito.
La varianza de Poisson tambin es igual a su media. Si por ejemplo, la probabilidad de que un cheque cobrado en un banco rebote es de 0.0003 y se cobran 10 000 cheques, la media y la varianza del nmero de cheques rebotados es de 3.0, que se determina mediante la operacin
= np =10 000(0.0003) = 3.0.

Recuerde que, en el caso de una distribucin binomial, existe una cantidad fija de pruebas. Por ejemplo, en una prueba de seleccin mltiple de cuatro preguntas, slo puede haber cero, uno, dos, tres o cuatro xitos (respuestas correctas). Sin embargo, la variable aleatoria, x, para una distribucin de Poisson puede adoptar una infinidad de valores, es decir, 0, 1, 2. 3, 4, Sin embargo, las probabilidades se tornan muy bajas despus de las primeras veces que se presenta un evento (xitos)

Ejemplo
Suponga que pocas veces se pierde equipaje en Northwest Airlines. En la mayora de los vuelos no se pierden maletas; en algunos se pierde una; en unos cuantos se pierden dos; pocas veces se pierden tres, etc. Suponga que una muestra aleatoria de 1 000 vuelos arroja un total de 300 maletas perdidas. De esta manera, la media aritmtica del nmero de maletas perdidas por vuelo es de 0.3, que se calcula al dividir 300/1 000.

Si el nmero de maletas perdidas por vuelo se rige por una distribucin de Poisson con = 0.3, las diversas probabilidades se calculan con la frmula:

Por ejemplo, la probabilidad de que no se pierda ninguna maleta es la siguiente:

En otras palabras, en 74% de los vuelos no habr maletas perdidas. La probabilidad que se pierda exactamente una maleta es:

Por consiguiente, se espera que se pierda exactamente una maleta en 22% de los vuelos

Ejemplo
Coastal Insurance Company asegura propiedades frente a la playa a lo largo de Virginia, Carolina del Norte y del Sur, y las costas de Georgia; el clculo aproximado es que, cualquier ao, la probabilidad de que un huracn de categora III (vientos sostenidos de ms de 110 millas por hora) o ms intenso azote una regin de la costa (la isla de St. Simons, Georgia, por ejemplo) es de 0.05. Si un dueo de casa obtiene un crdito hipotecario de 30 aos por una propiedad recin comprada en St. Simons, cules son las posibilidades de que el propietario experimente por lo menos un huracn durante el periodo del crdito?

Solucin
Para aplicar la distribucin de probabilidad de Poisson, se comienza por determinar la media o nmero esperado de tormentas que se ajustan al criterio y que azotan St. Simons durante el periodo de 30 aos. Es decir,

Para determinar la probabilidad de que por lo menos una tormenta azote la isla de St. Simons, Georgia, primero calcule la probabilidad de que ninguna tormenta azote la costa y reste dicho valor de 1.

As, se concluye que las posibilidades de que un huracn de ese tipo azote la propiedad frente a la playa en St. Simons, durante el periodo de 30 aos, mientras el crdito se encuentra vigente, son de 0.7769. En otras palabras, la probabilidad de que St. Simons sufra un azote de un huracn categora III o ms durante el periodo de 30 aos es de un poco ms de 75%.

Ejemplo
A partir de las tablas de actuaria, Washington Insurance Company determin que la probabilidad de que un hombre de 25 aos de edad muera en el transcurso del prximo ao es de 0.0002. Si Washington Insurance vende 4 000 plizas a hombres de 25 aos durante este ao, cul es la probabilidad de que stos paguen exactamente una pliza?

Solucin