Está en la página 1de 12

Pgina 1 de 12

Mtodo de mnimos cuadrados para la


aproximacin de datos experimentales


Aproximacin por rectas que pasan por el origen

A continuacin, efectuaremos el clculo de la pendiente de la recta que pasa por el
origen que mejor se aproxima a un conjunto de valores ( ) ( ) ( )
N N
y x y x y x , ,..., , , ,
2 2 1 1

experimentales.

Este procedimiento es de gran importancia debido a que en las experiencias muchas
veces las magnitudes fsicas dependen linealmente, como por ejemplo, la intensidad de
corriente elctrica es directamente proporcional a la diferencia de potencial en los
elementos hmicos. En reiteradas ocasiones, nos ser til encontrar la pendiente de la
recta que mejor aproxime los datos experimentales, debido a que tendr un importante
significado fsico. En el ejemplo anterior, la pendiente del grfico diferencia de
potencial (V) en funcin de la intensidad (I) es la resistencia elctrica (R) del elemento a
estudio. En los casos en los que la relacin entre las variables no es lineal, muchas veces
se puede linealizar las relaciones para llevarlas a este caso.

Podemos expresar la relacin lineal entre ambas magnitudes de la siguiente forma:

ax y =

En donde a es la pendiente de la recta, o sea, el valor que deseamos hallar. En el
ejemplo anterior, y corresponde a la diferencia de potencial (V), x a la intensidad (I), y a
es una constante de proporcionalidad, la cual es igual a la resistencia (R) del elemento.

Cuando tratemos datos provenientes de una experiencia, debido a los errores
experimentales, generalmente los datos experimentales no satisfacern exactamente
dicha ecuacin, sino que estarn prximos a la recta, pero no perfectamente alineados.
Es decir la distancia de cada punto del grfico a la recta, calculado como
i i i
y x a =
no ser exactamente cero:

i i i
y x a =
x x
i

i
y
y
x a y =

Pgina 2 de 12


La suma de las distancia de cada punto del grfico a la recta elevada al cuadrado,
que nos da una idea de cuan cerca esta la recta de los datos experimentales, llamada
desviacin cuadrtica de los puntos respecto a la recta, estar dada entonces por la
siguiente expresin:

( ) |
.
|

\
|
+ |
.
|

\
|
|
.
|

\
|
= = =

= = = = =
N
i
i
N
i
i i
N
i
i
N
i
i i
N
i
i
y a y x a x y ax E
1
2
1
2
1
2
1
2
1
2
2

Observemos que la desviacin cuadrtica de los puntos respecto a la recta es una
funcin de la recta, cada recta (o sea cada pendiente a) genera distancias de cada punto
a dicha recta y por ende un valor de su suma al cuadrado. Lo que deseamos obtener es la
recta (calcular la pendiente a) que minimice dicha funcin, o sea, obtener la recta que,
en cierto sentido, est ms cerca de los puntos experimentales.

Recordemos que para una parbola del tipo ( ) C Bx Ax x f + + =
2
la abscisa del su
vrtice es
A
B
x
2

= . Si el coeficiente A es positivo, entonces dicha parbola tendr


concavidad positiva y por ende la abscisa del vrtice corresponde al valor de x en el que
la funcin ( ) x f toma su valor mnimo.

La expresin de E como funcin de a es una parbola, con coeficientes

= = =
2 2
, 2 ,
i i i i
y C y x B x A . Observemos que corresponde a una parbola
de concavidad positiva, ya que el coeficiente A, el que multiplica a
2
a , es 0
2
>
i
x .
Ello hace que dicha funcin tenga un mnimo para un valor de

=
2
i
i i
x
y x
a . Dicho valor
de a corresponde a la pendiente de la recta que minimiza la suma de las distancias al
cuadrado de cada punto experimental a la misma.

Otra manera de obtener el mismo resultado es pensar que E es una funcin a, y lo
que deseamos es obtener el valor de a que minimiza dicha funcin. Para lograr dicho
objetivo, debemos imponer la siguiente condicin de extremo:

( )
0 =
da
a dE


Al hacer la derivada de la funcin E como funcin de a obtenemos:

( )
( )

= = = = =
= = = =
N
i
i
N
i
i i
N
i
i
N
i
i i
N
i
i i i
x a y x ax y x x ax y
da
a dE
1
2
1 1
2
1 1
2 2 2 2 2 0


Pgina 3 de 12


=
=
= =
= =
N
i
i
N
i
i i
N
i
i
N
i
i i
x
y x
a x a y x
1
2
1
1
2
1
2 2 0

Cuya solucin es la anteriormente citada.

En conclusin, hemos obtenido la pendiente a de la recta de la forma ax y = que
mejor aproxima los datos experimentales. Llegamos a la conclusin, que la pendiente de
la recta que minimiza la suma de las distancias al cuadrado de los valores
experimentales a la recta (la recta que en cierto modo ms se aproxima a los valores
experimentales) tiene como pendiente:

=
=
=
N
i
i
N
i
i i
x
y x
a
1
2
1



Aproximacin por rectas que no necesariamente pasan por el origen


Calculemos ahora la mejor aproximacin de un conjunto de valores experimentales
( ) ( ) ( )
N N
y x y x y x , ,..., , , ,
2 2 1 1
por una recta general, que no necesariamente pase por el
origen. Podemos expresar la relacin entre ambas magnitudes de la siguiente forma:

b ax y + =

en donde a es la pendiente de la recta y b es el punto de corte de la recta con el eje y ,
o sea, los valores que deseamos hallar.

Procedamos de la misma manera que en el caso anterior.
i i i
y b x a + =
x x
i

i
y
y
b x a y + =

Pgina 4 de 12


Ahora, la distancia de cada punto del grfico a la recta tendr la expresin
i i i
y x a = . Nuevamente calculemos la suma de las distancia de cada punto del
grfico a la recta elevada al cuadrado, que nos da una idea de cuan cerca esta la recta de
los datos experimentales. La misma estar dada por la siguiente expresin:


= = =
= + + + = + = =
N
i
i i i i i i
N
i
i i
N
i
i
abx by y ax y b x a y b ax E
1
2 2 2 2
1
2
1
2
) 2 2 2 ( ) (

|
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
=

= = = = = =
N
i
i
N
i
i
N
i
i i
N
i
i
N
i
N
i
i
y y b y x a x ab b x a
1
2
1 1 1 1
2
1
2 2
2 2 2 1

Observemos que la desviacin cuadrtica de los puntos respecto a la recta es una
funcin de la recta, cada recta (o sea cada pendiente a y punto de corte b) genera
distancias de cada punto a dicha recta y por ende un valor de su suma al cuadrado. Lo
que deseamos obtener es la recta (calcular la pendiente a y punto de corte b) que
minimice dicha funcin, o sea, obtener la recta que, en cierto sentido, est ms cerca de
los puntos experimentales.

En al caso anterior, cuando las rectas pasan por el origen, la funcin E dependa de
una sola variable, a, y encontrar el valor que la minimizaba fue una tarea sencilla. En
este caso la funcin E depende de dos variables, a y b, y debemos encontrar la pareja de
valores que la minimizan. El trabajo es un poco ms complicado.

Primeramente hagamos una demostracin sin hacer uso de derivadas.

Para un cierto valor dado del parmetro b, podemos pensar la funcin E como
funcin solo de a:

( ) |
.
|

\
|
+ + |
.
|

\
|
+ + |
.
|

\
|
=

= = = = = =
N
i
i
N
i
i
N
i
N
i
i
N
i
i i
N
i
i b
y y b b x b y x a x a a f
1
2
1 1
2
1 1 1
2 2
2 1 2 2

Para dicho valor de b la funcin E (como funcin solamente de a) es una parbola de
concavidad positiva, por lo que debemos elegir el valor de a para minimizarla como:


=
= =
=
= =

=
|
.
|

\
|
|
.
|

\
|
+
= =
N
i
i
N
i
i
N
i
i i
N
i
i
N
i
i
N
i
i i
x
x b y x
x
x b y x
A
B
a
1
2
1 1
1
2
1 1
2
2 2
2


Por otro lado, para un cierto valor dado del parmetro a, podemos pensar la funcin
E como funcin solo de b:

( ) |
.
|

\
|
+ + |
.
|

\
|
+ |
.
|

\
|
=

= = = = = =
N
i
i i
N
i
i
N
i
i
N
i
i
N
i
i
N
i
a
y x a x a y y x a b b b f
1 1
2 2
1
2
1 1 1
2
2 2 2 1

Pgina 5 de 12


Para dicho valor de a la funcin E (como funcin solamente de b) es nuevamente una
parbola de concavidad positiva, por lo que debemos elegir el valor de b para
minimizarla como:


=
= =
=
= =
+
=
|
.
|

\
|
+ |
.
|

\
|

= =
N
i
N
i
i
N
i
i
N
i
N
i
i
N
i
i
y x a y x a
A
B
b
1
1 1
1
1 1
1 1 2
2 2
2


En definitiva, hemos obtenidos dos relaciones que se deben satisfacer
simultneamente para minimizar la funcin, E, las que forman un sistema de dos
ecuaciones y dos incgnitas:

|
.
|

\
|
= |
.
|

\
|
+ |
.
|

\
|
|
.
|

\
|
= |
.
|

\
|
+ |
.
|

\
|

+ =
=

+
=


= = =
= = =
= = =
= = =
=
= =
=
= =
N
i
i
N
i
N
i
i
N
i
i i
N
i
i
N
i
i
N
i
i
N
i
i
N
i
N
i
i
N
i
i i
N
i
i
N
i
N
i
i
N
i
i
N
i
i
N
i
i
N
i
i i
y b x a
y x x b x a
y x a b
x b y x x a
y x a
b
x
x b y x
a
1 1 1
1 1 1
2
1 1 1
1 1 1
2
1
1 1
1
2
1 1
1 1
1

Resolviendo dicho sistema de ecuaciones, obtenemos los valores de a y b deseados:

2
1 1
2
1 1 1
2
1
2
1 1
2
1 1 1

|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
=
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
=




= =
= = = =
= =
= = =
N
i
i
N
i
i
N
i
i
N
i
i i
N
i
i
N
i
i
N
i
i
N
i
i
N
i
i
N
i
i
N
i
i i
x x N
x y x x y
b
x x N
x y y x N
a

Otra manera ms general de obtener el mismo resultado es pensar que E es una
funcin de dos variables, a y b, y lo que deseamos es obtener los valores de a y b que
minimizan dicha funcin. Para lograr dicho objetivo, debemos imponer la siguiente
condicin de extremo:

( )
( )

0
0
b
a,b E
a
a,b E


Calculando dichas derivadas parciales de la expresin de E como funcin de a y b,
obtenemos:


Pgina 6 de 12


( )
( )

|
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
=

=
|
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
=

=


= = =
= = =
N
i
i
N
i
i
N
i
N
i
i i
N
i
i
N
i
i
y x a b
b
a,b E
y x x b x a
a
a,b E
1 1 1
1 1 1
2
2 2 1 2 0
2 2 2 0


Dicho sistema de ecuaciones es el mismo sistema de ecuaciones que habamos
encontrado y por ende tiene las mismas soluciones. Calculando las derivadas segundas
se comprueba fcilmente que el punto encontrado es efectivamente el nico mnimo de
la funcin E. Este segundo razonamiento es ms directo, aunque el anterior no utiliza
derivaciones, y por ende puede resultar comprensible si no se conoce el clculo
diferencial.

En conclusin hemos encontrado las la pendiente a y el punto de corte el eje y, b, de
la recta de la forma b ax y + = que mejor aproxima los datos experimentales. Llegamos
a la conclusin que la pendiente y el punto de corte con el eje y de la recta que minimiza
la suma de las distancias al cuadrado de los valores experimentales a la recta (la recta
que en cierto modo ms se aproxima a los valores experimentales) tienen como
expresiones:


2
1 1
2
1 1 1
2
1
2
1 1
2
1 1 1

|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
=
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
=




= =
= = = =
= =
= = =
N
i
i
N
i
i
N
i
i
N
i
i i
N
i
i
N
i
i
N
i
i
N
i
i
N
i
i
N
i
i
N
i
i i
x x N
x y x x y
b
x x N
x y y x N
a



Pgina 7 de 12


Aproximacin por polinomios de grado m


Calculemos ahora la mejor aproximacin de un conjunto de valores experimentales
( ) ( ) ( )
N N
y x y x y x , ,..., , , ,
2 2 1 1
por un polinomio de grado m. Podemos expresar la
relacin entre ambas magnitudes de la siguiente forma:

0 1
1
1
... a x a x a x a y
m
m
m
m
+ + + + =



en donde los m j a
j
,..., 1 , 0 = son los coeficientes del polinomio, o sea, los valores
que deseamos hallar.

Procedamos de la misma manera que en los casos anteriores.



Ahora, la distancia de cada punto del grfico al polinomio tendr la expresin
i i
m
i m
m
i m i
y a x a x a x a + + + + =

0 1
1
1
... . Nuevamente calculemos la suma de las
distancias de cada punto del grfico al polinomio elevada al cuadrado, que nos da una
idea de cuan cerca esta el polinomio de los datos experimentales. La misma estar dada
por la siguiente expresin:

( )

=

=
+ + + + = =
N
i
i i
m
i m
m
i m
N
i
i
y a x a x a x a E
1
2
0 1
1
1
1
2
...

Observemos que la desviacin cuadrtica de los puntos respecto al polinomio es una
funcin del polinomio, cada polinomio (o sea cada conjunto de coeficientes
m j a
j
,..., 1 , 0 = ) genera distancias de cada punto a dicho polinomio y por ende un
valor de su suma al cuadrado. Lo que deseamos obtener es del polinomio (o sea el
conjunto de coeficientes m j a
j
,..., 1 , 0 = ) que minimice dicha funcin, o sea, obtener
el polinomio de grado m que, en cierto sentido, est ms cerca de los puntos
experimentales.
i
m
m
m
m i
y a x a x a x a + + + + =

0 1
1
1
...
x x
i


i
y

y

0 1
1
1
... a x a x a x a y
m
m
m
m
+ + + + =


Pgina 8 de 12


En los casos anteriores, cuando tenamos rectas pasan por el origen, la funcin E
dependa de una sola variable, a, y encontrar el valor que la minimizaba fue una tarea
sencilla; luego, para rectas generales la funcin E dependa de dos variables, a y b, y
encontrar los valores que la minimizaba fue un poco ms complicado. En este caso
general, la funcin E depende de m+1 variables m j a
j
,..., 1 , 0 = y debemos encontrar el
conjunto de valores que la minimizan. El trabajo actual es un poco ms complicado,
aunque es una simple generalizacin del procedimiento anterior al caso de m+1
variables. Para lograr dicho objetivo, debemos imponer la siguiente condicin de
extremo:

( )
( )
( )

0
, ,..., ,
:
0
, ,..., ,
0
, ,..., ,
0 1 1
1
0 1 1
0
0 1 1
m
m m
m m
m m
a
a a a a E
a
a a a a E
a
a a a a E


Calculando dichas derivadas parciales de la expresin de E como funcin las m+1
variables m j a
j
,..., 1 , 0 = , obtenemos:

( )
( )
( )
( )

+ + + + =

=
+ + + + =

=
+ + + + =

=
+ + + + =

=
n
i
m
i i i
m
i m
m
i m
m
n
i
j
i i i
m
i m
m
i m
j
N
i
i i i
m
i m
m
i m
N
i
i i
m
i m
m
i m
x y a x a x a x a
a
E
x y a x a x a x a
a
E
x y a x a x a x a
a
E
y a x a x a x a
a
E
1
0 1
1
1
1
0 1
1
1
1
0 1
1
1
1
1
0 1
1
1
0
) ( ... 2 0
:
) ( ... 2 0
:
) ( ... 2 0
... 2 0


Dichas ecuaciones pueden ser rescritas de la siguiente manera:


Pgina 9 de 12






= =
+
=
+

=
+
=
= =
+
=
+

=
+
=
= = =

=
+
=
= = =

= =
+ + + + =
+ + + + =
+ + + + =
+ + + + =
N
i
m
i
N
i
m
i
N
i
m m
i m
N
i
j m
i m
N
i
m
i i
N
i
j
i
N
i
j
i
N
i
j m
i m
N
i
j m
i m
N
i
j
i i
N
i
i
N
i
i
N
i
m
i m
N
i
m
i m
N
i
i i
N
i
N
i
i
N
i
m
i n
N
i
m
i n
N
i
i
x a x a x a x a x y
x a x a x a x a x y
x a x a x a x a x y
a x a x a x a y
1
0
1
1
1
1
1
1
1 1
1
0
1
1
1
1
1
1
1 1
1
0
1
2
1
1
1
1
1
1
1
0
1
1
1
1
1
1 1
...
:
...
:
...
1 ...


O, para ganar claridad pueden ser escritas en forma matricial de la siguiente manera.

(
(
(
(
(
(
(
(
(
(

=
(
(
(
(
(
(

(
(
(
(
(
(
(
(
(
(





=
=
=
=
= =
+
=
+
=
=
+
= = =
=
+
= = =
= = = =
N
i
m
i i
N
i
i i
N
i
i i
N
i
i i
m N
i
m
i
N
i
m
i
N
i
m
i
N
i
m
i
N
i
m
i
N
i
i
N
i
i
N
i
i
N
i
m
i
n
i
i
N
i
i
N
i
i
N
i
m
i
N
i
i
N
i
i
N
i
i
x y
x y
x y
x y
a
a
a
a
x x x x
x x x x
x x x x
x x x x
1
1
2
1
1
1
0
2
1
0
1
2
1
2
1
1
1
1
2
1
4
1
3
1
2
1
1
1
3
1
2
1
1
1 1
2
1
1
1
0
M
M
L
M O M M M
L
L
L


Por lo tanto, la solucin del sistema es

(
(
(
(
(
(
(
(
(
(

(
(
(
(
(
(
(
(
(
(

=
(
(
(
(
(
(





=
=
=
=
= =
+
=
+
=
=
+
= = =
=
+
= = =
= = = =
N
i
m
i i
N
i
i i
N
i
i i
N
i
i i
N
i
m
i
N
i
m
i
N
i
m
i
N
i
m
i
N
i
m
i
N
i
i
N
i
i
N
i
i
N
i
m
i
n
i
i
N
i
i
N
i
i
N
i
m
i
N
i
i
N
i
i
N
i
i
m
x y
x y
x y
x y
x x x x
x x x x
x x x x
x x x x
Inv
a
a
a
a
1
1
2
1
1
1
0
1
2
1
2
1
1
1
1
2
1
4
1
3
1
2
1
1
1
3
1
2
1
1
1 1
2
1
1
1
0
2
1
0
M
L
M O M M M
L
L
L
M


En donde Inv [A] significa la matriz inversa de A. En conclusin hemos encontrado
el conjunto de coeficientes m j a
j
,..., 1 , 0 = del polinomio de grado m de la forma
0 1
1
1
... a x a x a x a y
m
m
m
m
+ + + + =

que mejor aproxima los datos experimentales.


Llegamos a la conclusin los coeficientes del polinomio de que minimiza la suma de las
distancias al cuadrado de los valores experimentales al polinomio (el polinomio que en
cierto modo ms se aproxima a los valores experimentales) tienen las expresiones
anteriormente calculadas.

Pgina 10 de 12


Aproximacin por familias arbitrarias de funciones


En todos los ejemplos anteriores procuramos aproximar un conjunto de datos
experimentales ( ) ( ) ( )
N N
y x y x y x , ,..., , , ,
2 2 1 1
por una recta o polinomio. En definitiva,
tenamos un conjunto de posibles rectas o polinomios parametrizados por un conjunto
de parmetros. Por ejemplo a es el parmetro que describe las rectas que pasan por el
origen; a y b es el conjunto de parmetros que describen las rectas generales, y los
coeficientes de los polinomios son los parmetros que describen a los polinomios.

En caso general, uno puede tener una familia de funciones f que dependen de varios
parmetros
m
,..., ,
2 1
reales:

( ) x f
m
,...,
2
,
1


y desea encontrar entre dicha familia de funciones la que mejor aproxima los datos
experimentales.

El mtodo de mnimos cuadrados es aplicable en dicha situacin. Para ello uno debe
considerar las distancias ( )
i i i
y x f = de los puntos experimentales a la curva de
ajuste. Nuevamente consideramos la suma de todas las distancias elevadas al cuadrado:

( ) ( )

= =
= =
N
i
i i
N
i
i
y x f E
1
2
1
2


La que resulta una funcin de los parmetros
m
,..., ,
2 1
, ya que para cada
conjunto de parmetros obtenemos una funcin f y por ende un conjunto de distancias
i
. Entonces E resulta ser una funcin de los parmetros
m
,..., ,
2 1
o sea
( )
m
E ,..., ,
2 1
.

El mtodo de mnimos cuadrados consiste en minimizar E, por lo que se debe hacer
es imponer la siguiente condicin de extremo:

( )
( )

0
,..., ,
:
0
,..., ,
2 1
1
2 1
m
m
m
E
E




Obtenemos la solucin del problema (los parmetros
m
,..., ,
2 1
) al resolver dicho
sistema. Adems hay que asegurarse de obtener una solucin que corresponda
efectivamente a un mnimo de E.


Pgina 11 de 12


La dificultad radica en que generalmente el sistema anterior es un sistema muy
complicado de resolver, por lo general no lineal. Afortunadamente disponemos de
muchos mtodos numricos para obtener una solucin aproximada del mismo.


Mnimos cuadrados ponderados


En todos los ejemplos anteriores calculamos las distancias de los datos
experimentales
i
a una familia de rectas, polinomios o curvas que dependan de ciertos
parmetros. Seguidamente sumamos todas las distancias elevadas al cuadrados, y al
resultado lo llamamos E. Luego encontramos los parmetros de las rectas o curvas que
minimizaban dicha expresin.

Hay situaciones en las que no todos los datos tienen la misma importancia en el
clculo de E. Un ejemplo es cuando hay ms incertidumbre asociada a una medicin
que a las dems. En ese caso uno puede desear que dicha medicin tenga menos
importancia en el momento de aproximar los datos por rectas o curvas que las restantes.
Un posible procedimiento a seguir es el siguiente.

A cada medicin se le asocia un peso
i
w . Tpicamente, se le suele asociar a cada
medicin un peso que sea inversamente proporcional a la incertidumbre asociada a
dicha medida elevada al cuadrado
( )
2
1
i
i
y
w

= , aunque otras elecciones son posibles.



En la definicin de E, tenemos en cuenta dicho peso:

=
=
N
i
i i
w E
1
2


El resto del procedimiento es exactamente igual al de los casos anteriores, o sea
minimizamos la expresin obtenida para E, teniendo en cuenta los factores
i
w .
Observemos que el desarrollo de E es anlogo al caso anterior con la diferencia que
cada sumando queda multiplicado por el factor de peso
i
w . O sea, cada vez que tenemos
una sumatoria del tipo

=
N
i
i
1
.... la misma se transformar a una suma del tipo
i
N
i
i
w

=1
.... .

Como ejemplo, para el caso de las rectas del tipo forma ax y = obtenemos

=
=
=
N
i
i i
N
i
i i i
x w
y x w
a
1
2
1


Para el caso de las rectas del tipo forma b ax y + = obtenemos:

Pgina 12 de 12


(cabe observar que el factor N en las frmulas anteriores provena de hacer

=
=
N
i
N
1
1 y
en los nuevos clculos se transforma en

=
N
i
i
w
1
)

2
1 1
2
1
1 1 1
2
1
2
1 1
2
1
1 1 1 1
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
=
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
=




= = =
= = = =
= = =
= = = =
N
i
i i
N
i
i i
N
i
i
N
i
i i
N
i
i i i
N
i
i i
N
i
i i
N
i
i i
N
i
i i
N
i
i
N
i
i i
N
i
i i
N
i
i i i
N
i
i
x w x w w
x w y x w x w y w
b
x w x w w
x w y w y x w w
a


Los mtodos y resultados en los dems casos son anlogos.

También podría gustarte