ANALISIS DE VARIABLES DE PROCESOS

TAREA 3-2012 II J1
Para incrementar la dureza exterior de partes metlicas, por ejemplo piones, a
menudo se usa un tratamiento con calor para carburizarlas (impregnar de carbono el
exterior de la parte metlica). El grosor de la capa carbrizada es una caracterstica
crucial del pin y contribuye a la confiabilidad global de la parte. Una de las formas
comunes de hacer el anlisis de carbono consiste en una prueba destructiva, en la
cual se secciona la parte se cuantifica el grosor de la capa carburizada.
Se desea desarrollar un modelo que relacione el grosor medido en el anlisis de
carbono (G) respecto a la temperatura del horno (T), el tiempo y la concentracin de
carbono en el ciclo carburizante (tRem y PctRem, respectivamente), y el tiempo y la
concentracin de carbono en el ciclo de difusin (tDif y PctDif). Para esto, se tom una
muestra de 26 piones y se les hizo el anlisis de carbono tras la carburizacin, los
datos se presentan en la siguiente tabla.

PctRem(X
Grosor (Y) T(X1)
tRem(X2) 3)
tDif(X4)
PctDif(X5)
0,013
1650
0,58
1,1
0,25
0,9
0,016
1650
0,66
1,1
0,33
0,9
0,015
1650
0,66
1,1
0,33
0,9
0,016
1650
0,66
1,1
0,33
0,95
0,015
1600
0,66
1,15
0,33
1
0,016
1600
0,66
1,15
0,33
1
0,014
1650
1
1,1
0,5
0,8
0,021
1650
1,17
1,1
0,58
0,8
0,019
1650
1,17
1,1
0,58
0,8
0,021
1650
1,17
1,1
0,58
0,9
0,018
1650
1,17
1,1
0,58
0,9
0,025
1650
1,2
1,15
1,1
0,8
0,025
1650
2
1,15
1,1
0,8
0,026
1650
2
1,1
1,1
0,8
0,024
1650
2,2
1,1
1,1
0,8
0,025
1650
2,2
1,1
1,1
0,9
0,026
1650
2,2
1,1
1,5
0,9
0,029
1650
3
1,15
1,5
0,8
0,03
1650
3
1,1
1,5
0,7
0,032
1650
3
1,15
1,66
0,85
0,033
1650
3,33
1,1
1,5
0,8
0,039
1700
4
1,1
1,5
0,7
0,04
1650
4
1,1
1,5
0,7
0,035
1650
4
1,15
1,5
0,85
0,056
1700
12,5
1
1,5
0,7
0,068
1700
18,5
1
1,5
0,7

a) Cree un modelo de regresin lineal simple con cada uno de los cinco posibles
regresores. Para cada modelo, pruebe la significancia de la regresin y haga el anlisis

2 y R2.

de residuales Estime

Formulas necesarias para realizar la regresin lineal simple.

Y
n

X
n

Sce=Syy -

Sxx=(X2)-

Sxy=(X*Y)-

Y X
n

Syy=(Y )-

R2 =1- -

ee(

S XY
s XX

t0=

*B1

*Sxy

SCE
n2

SCE
SCT

)=

Sct=Syy

2
S XX

1
ee(
)
1

Datos obtenidos de la tabla dada. [ SUMATORIAS ]

Y
(Y2)
(Y)2

Grosor (Y)
0,697 Xi
0,022913 (Xi2)
0,485809 (Xi )2
Xi*Y

T(X1)
42950
1156,65
1844702500
1156,65

tRem(X2)
PctRem(X3) tDif(X4)
PctDif(X5)
76,69
28,75
25,38
21,65
617,5389
31,8275
31,2582
18,2275
5881,3561
826,5625
644,1444
468,7225
3,25934
0,76315
0,80643
0,55965

Resultados

X
SXX

T(X1)

tRem(X2)

PctRem(X3)

tDif(X4)

PctDif(X5)

0,026807692

0,026807692

0,026807692

0,026807692

0,026807692

1651,923077

2,949615385

1,105769231

0,976153846

0,832692308

12403,84615

391,3328962

0,036634615

6,483415385

0,199711538

SXY

5,259615385

1,203458077

-0,007571154

0,126050769

-0,020736538

SYY

0,004228038

0,004228038

0,004228038

0,004228038

0,004228038

0,000424031

0,00307528

-0,206666667

0,019442032

-0,103832451

-0,673658915

0,0177368

0,255333333

0,007829278

0,113268175

Sce

0,001997798

0,000527068

0,002663333

0,001777355

0,002074913

8,32416E-05

2,19612E-05

0,000110972

7,40565E-05

8,64547E-05

0,527488109

0,87533974

0,370078263

0,579626488

0,509249295

8,192E-05

0,00023689

0,05503783

0,00337971

0,0208062

5,1761349

12,981651

-3,7549928

5,75257198

-4,9904576

B1

B0

R
ee(

B1
t0

Y =
B0 +
B1

tRem

-0,673658915 + 0,000424031*X1
:

PctRem

0,255333333 - 0,206666667*X3

0,007829278 + 0,019442032*X4

tDif

0,0177368 + 0,00307528 *X2

PctDif

0,113268175 - 0,103832451*X5

Tabla de Residuales [ ei ]
Grosor (Y)

eT

0,013

0,02599225

0,016

0,02599225

0,015

0,02599225

0,016

0,02599225

0,01299225
0,00999225
0,01099225
0,00999225

0,015

0,0047907

0,0102093

0,01976648

0,016

0,0047907

0,01976648

0,014

0,02599225

0,021

0,02599225

0,019

0,02599225

0,021

0,02599225

0,018

0,02599225

0,025

0,02599225

0,025

0,02599225

0,0112093
0,01199225
0,00499225
0,00699225
0,00499225
0,00799225
0,00099225
0,00099225

0,026

0,02599225

0,024

0,02599225

0,025

0,02599225

7,7519E-06
0,00199225
0,00099225

etRem

ePctRem

0,02133488

0,00652046
0,00376648
0,00476648
0,00376648
0,00476648
0,00376648
0,00681208
0,00033488
0,00233488
0,00033488
0,00333488

0,02142714

0,00357286

0,01766667

0,007333333

0,02921551

0,02388736

0,00111264

0,01766667

0,007333333

0,02921551

0,02388736

0,028

-0,002

0,02921551

0,02450242

0,00211264
0,00050242

0,028

-0,004

0,02921551

0,02450242

0,00049758

0,028

-0,003

0,02921551

0,01952046
0,01976648
0,01976648
0,01976648

0,02081208
0,02133488
0,02133488
0,02133488

etDif

ePctDif

0,028

-0,015

0,01268979

0,00031021

0,01981897 -0,00681897

0,028

-0,012

0,01424515

0,00175485

0,01981897 -0,00381897

0,028

-0,013

0,01424515

0,00075485

0,01981897 -0,00481897

0,028

-0,012

0,01424515

0,00175485

0,01462735

0,00137265

0,01766667

-0,002666667

0,01424515

0,00075485

0,00943572

0,00556428

0,01766667

-0,001666667

0,01424515

0,00943572

0,00656428

0,028

-0,014

0,01755029

0,00175485
0,00355029

0,028

-0,007

0,01910566

0,03020221 -0,00920221

0,028

-0,009

0,01910566

0,00189434
0,00010566

0,028

-0,007

0,01910566

0,01981897

0,028

-0,01

0,01910566

0,00189434
0,00110566
0,00421551
0,00421551
0,00321551
0,00521551
0,00421551

0,03020221 -0,01620221

0,03020221 -0,01120221
0,00118103

0,01981897 -0,00181897
0,03020221 -0,00520221
0,03020221 -0,00520221
0,03020221 -0,00420221
0,03020221 -0,00620221
0,01981897

0,00518103

0,026

0,02599225

7,7519E-06

0,02450242

0,00149758

0,028

-0,002

0,03699233

0,029

0,02599225

0,00300775

0,02696264

0,00203736

0,01766667

0,011333333

0,03699233

0,03

0,02599225

0,00400775

0,02696264

0,00303736

0,028

0,002

0,03699233

0,032

0,02599225

0,00600775

0,02696264

0,00503736

0,01766667

0,014333333

0,04010305

0,033
0,039
0,04

0,02599225
0,0471938
0,02599225

0,00700775
-0,0081938
0,01400775

0,02797748
0,03003792
0,03003792

0,00502252
0,00896208
0,00996208

0,028
0,028
0,028

0,005
0,011
0,012

0,03699233
0,03699233
0,03699233

0,035
0,056

0,02599225
0,0471938

0,00900775
0,0088062

0,03003792
0,0561778

0,01766667
0,04866667

0,017333333
0,007333333

0,03699233
0,03699233

0,068

0,0471938

0,0208062

0,07462947

0,00496208
-0,0001778
0,00662947

0,01099233
0,00799233
0,00699233
0,00810305
0,00399233
0,00200767
0,00300767
0,00199233
0,01900767

0,04866667

0,019333333

0,03699233

0,03100767

0,01981897

0,00618103

0,03020221 -0,00120221
0,04058546 -0,01058546
0,02501059

0,00698941

0,03020221 0,00279779
0,04058546 -0,00158546
0,04058546 -0,00058546
0,02501059
0,04058546

0,00998941
0,01541454

0,04058546

0,02741454

ANALISIS DE RESIDUALES

En los grficos podemos observar que el comportamiento de los datos es

relativamente uniforme, mostrando el efecto del dato ms influyente en: T, PctRem y
tDif.
Al ser los residuos tan pequeos podemos decir que el modelo funciona bien para
representar los datos. Como se ve en la tabla de residuales,

tiene valores

similares a G (Y en la tabla de datos dada), por lo cual se generan errores pequeos.

Por lo tanto podramos decir que la varianza es ms o menos constante, a pesar de
que algunos datos se encuentran dispersos.

SIGNIFICANCIA DE LA REGRESIN
Para T

Para tRem

1. 1

1. 2

2. H0: 1 = 0

2. H0: 2 = 0

3. H1: 1 0

3. H1: 2 0

4. = 0.05

4. = 0.05

5. t0=

1 / ee(
1 )

5. t0=

6. Se rechazar H0 si:

t 0

7.

6. Se rechazar H0 si:

t 0

> t0.025,24

T0.025,24 = 2.064

t 0

1 / ee(
1 )

> t0.025,24

T0.025,24 = 2.064

= 5,1761349

t 0

7.

= 12,981651

8. Se Rechaza H0 . Se afirma que

8. Se Rechaza H0 . Se afirma que

el regresor es significativo.

el regresor es significativo.

Para PctRem

Para tDif

1. 3

1. 4

2. H0: 3 = 0

2. H0: 4 = 0

3. H1: 3 0

3. H1: 4 0

4. = 0.05

4. = 0.05

5. t0=

1 / ee(
1 )

6. Se rechazar H0 si:

t 0

> t0.025,24

T0.025,24 = 2.064
7.

t 0

=3,7549928

8. Se Rechaza H0 . Se afirma que

el regresor es significativo.

Para PctDif
1. 5

5. t0=

1 / ee(
1 )

6. Se rechazar H0 si:

t 0

> t0.025,24

T0.025,24 = 2.064
7.

t 0

= 5,75257198

8. Se Rechaza H0 . Se afirma que

el regresor es significativo.

2. H0: 5 = 0
3. H1: 5 0
4. = 0.05
5. t0=

1 / ee(
1 )

6. Se rechazar H0 si:

t 0

> t0.025,24

T0.025,24 = 2.064
7.

t 0

= 4,9904576

8. Se Rechaza H0 . Se afirma que

el regresor es significativo.

b) Cree un modelo de regresin lineal mltiple con todos los regresores. Pruebe la
significancia de cada regresor y analice los residuales. Estime

Matriz X

MAT 1

T(X1)
1
1
1
1

1650
1650
1650
1650

tRem(X2) PctRem(X3) tDif(X4)

PctDif(X5)
0,58
1,1
0,25
0,9
0,66
1,1
0,33
0,9
0,66
1,1
0,33
0,9
0,66
1,1
0,33
0,95

1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

1600
1600
1650
1650
1650
1650
1650
1650
1650
1650
1650
1650
1650
1650
1650
1650
1650
1700
1650
1650
1700
1700

0,66
0,66
1
1,17
1,17
1,17
1,17
1,2
2
2
2,2
2,2
2,2
3
3
3
3,33
4
4
4
12,5
18,5

1,15
1,15
1,1
1,1
1,1
1,1
1,1
1,15
1,15
1,1
1,1
1,1
1,1
1,15
1,1
1,15
1,1
1,1
1,1
1,15
1
1

0,33
0,33
0,5
0,58
0,58
0,58
0,58
1,1
1,1
1,1
1,1
1,1
1,5
1,5
1,5
1,66
1,5
1,5
1,5
1,5
1,5
1,5

1
1
0,8
0,8
0,8
0,9
0,9
0,8
0,8
0,8
0,8
0,9
0,9
0,8
0,7
0,85
0,8
0,7
0,7
0,85
0,7
0,7

Matriz Transpuesta X
M
A
T
1

X
5

1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1
6 6 6 6 6 6 6 6 6
5 5 5 5 0 0 5 5 5
0 0 0 0 0 0 0 0 0
0, 0, 0, 0, 0, 0,
1, 1,
5 6 6 6 6 6
1 1
8 6 6 6 6 6 1 7 7
1, 1,
1, 1, 1, 1, 1 1 1, 1, 1,
1 1 1 1 5 5 1 1 1
0, 0, 0, 0, 0, 0,
0, 0,
2 3 3 3 3 3 0, 5 5
5 3 3 3 3 3 5 8 8
0,
0, 0, 0, 9
0, 0, 0,
9 9 9 5 1 1 8 8 8

0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0,
0, 0, 0,
01 01 01 01 01 01 01 02 01 02 01 02 02 02 02 02 02 02 0, 03 03 03 0, 03 05 06
3 6 5 6 5 6 4 1 9 1 8 5 5 6 4 5 6 9 03 2 3 9 04 5 6 8

X
1
X
2
X
3
X
4

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
6 6 6 6 6 6 6 6 6 6 6 6 7 6 6 7 7
5 5 5 5 5 5 5 5 5 5 5 5 0 5 5 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1, 1,
3,
1 1
1 1 1,
2, 2, 2,
3
2, 8,
7 7 2 2 2 2 2 2 3 3 3 3 4 4 4 5 5
1, 1,
1,
1,
1,
1, 1, 1 1 1, 1, 1, 1, 1 1, 1 1, 1, 1, 1
1 1 5 5 1 1 1 1 5 1 5 1 1 1 5 1 1
0, 0,
1,
5 5 1, 1, 1, 1, 1, 1, 1, 1, 6 1, 1, 1, 1, 1, 1,
8 8 1 1 1 1 1 5 5 5 6 5 5 5 5 5 5
0,
0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 8 0, 0, 0, 8 0, 0,
9 9 8 8 8 8 9 9 8 7 5 8 7 7 5 7 7

Matriz Transpuesta Y

(XX)-1

XX
26

42950

76,69

28,75

25,38

21,65

42950

70962500

128222,5

47477,5

42069

35727,5

76,69

128222,5

617,5389

81,985

101,7834

58,729

28,75

47477,5

81,985

31,8275

27,994

23,98

25,38

42069

101,7834

27,994

31,2582

20,3605

21,65

35727,5

58,729

23,98

20,3605

18,2275

1372,88836

-0,623268358

-0,74188669

-273,507747

7,186604789

-54,8209855

-0,62326836

0,000303925

-1,3928E-05

0,09025603

-0,002283365

0,02843218

-0,74188669

-1,39284E-05

0,00992945

0,72885297

-0,037796781

-0,04015947

-273,507747

0,090256034

0,72885297

118,618954

-4,39254206

-5,54287235

7,18660479

-0,002283365

-0,03779678

-4,39254206

0,470670487

1,31442944

-54,8209855

0,028432176

-0,04015947

-5,54287235

1,314429438

15,3931113

-0,03072991
2,1019E-05
0,00242661
0,01503034
0,00783181
-0,01033699

XY
0,697
1156,65
3,25934
0,76315
0,80643
0,55965

0
1
2
3
4
5

(X'X)-1 * X'Y :

Matriz Transpuesta
-0,03072991

2,10194E-05

* XY

0,00242661 0,01503034 0,00783181

-0,01033699

YY

0,0228036
1
0,022913

SCT= YY -

Y 2

0,00422804

SCR= * XY -

Y 2

0,00411864

SCE = SCT -SCR

0,00010939

4,9725E-06
R2

0,97412631

Y =0,03072991+ 2,1019E-05 X 1+ 0,00242661 X 2+ 0,01503034 X 3 +0,00783181 X 4 0,01033699 X 5

Pruebas de Significancia sobre cada regresor.

ee(

)=

C jj

Para T

Para tRem

1. 1

1. 2

2. H0: 1 = 0

2. H0: 2 = 0

3. H1: 1 0

3. H1: 2 0

4. = 0.05

4. = 0.05

5. t0=

1 / ee(
1 )

5. t0=

6. Se rechazar H0 si:

t 0

7.

t 0

6. Se rechazar H0 si:

t 0

> t0.025,20

T0.025,20= 2.086

evidencia fuerte de que

> t0.025,20

T0.025,20 = 2.086

= 0.5406917

8. Se falla en Rechaza H0 . No hay

1 / ee(
1 )

7.

t 0

= 10.920702

8. Se Rechaza H0 . Se afirma que

el regresor es significativo.

el regresor sea significativo.

Para PctRem

Para tDif

1. 3

1. 4

2. H0: 3 = 0

2. H0: 4 = 0

3. H1: 3 0

3. H1: 4 0

4. = 0.05

4. = 0.05

5. t0=

1 / ee(
1 )

6. Se rechazar H0 si:

t 0

> t0.025,20

T0.025,20 = 2.086
7.

t 0

= 0.618877

8. Se falla en Rechaza H0 . No hay

evidencia fuerte de que
el regresor sea significativo.

Para PctDif
1. 5
2. H0: 5 = 0
3. H1: 5 0
4. = 0.05
5. t0=

1 / ee(
1 )

6. Se rechazar H0 si:

t 0

> t0.025,20

T0.025,20 = 2.086

5. t0=

1 / ee(
1 )

6. Se rechazar H0 si:

t 0

> t0.025,20

T0.025,20 = 2.086
7.

t 0

= 5.119367

8. Se Rechaza H0 . Se afirma que

el regresor es significativo.

7.

t 0

= 1.181527

8. Se falla en Rechaza H0 . No hay

evidencia fuerte de que
el regresor sea significativo.

ANALISIS DE RESIDUALES

En los grficos podemos observar que el comportamiento de los datos es similar a los obtenidos en la regresin lineal simple, cuyos puntos estn distribuidos
de forma uniforme, mostrando el efecto del dato ms influyente en: T y PctRem .
Al ser los residuos tan pequeos podemos decir que el modelo funciona bien para representar los datos.
Podemos decir que la varianza es ms o menos constante, a pesar de que algunos datos se encuentran dispersos.

c) De acuerdo a los anteriores anlisis, proponga un nuevo modelo de regresin. Para este modelo, pruebe la significancia de cada regresor, y halle
entre qu valores se tiene un 95% de confianza de que se encuentra el verdadero valor de cada coeficiente de regresin. Estime 2 y haga el anlisis
de residuales.
La propuesta para el nuevo modelo, es uno con 2 regresores, teniendo en cuenta el tiempo en el ciclo carburizante (tRem) y el tiempo en el ciclo de difusin
(tDif), porque son las variables cuyo coeficiente de representacin R 2 es as significativo (visto en las tablas para regresores simples), y en la regresin
mltiple fueron las dos variables cuyos regresores fueron significativos.

Matriz X
MAT 1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

tRem(X1) tDif(X2)
0,58
0,25
0,66
0,33
0,66
0,33
0,66
0,33
0,66
0,33
0,66
0,33
1
0,5
1,17
0,58
1,17
0,58
1,17
0,58
1,17
0,58
1,2
1,1
2
1,1
2
1,1
2,2
1,1
2,2
1,1
2,2
1,5
3
1,5

1
1
1
1
1
1
1
1

3
3
3,33
4
4
4
12,5
18,5

1,5
1,66
1,5
1,5
1,5
1,5
1,5
1,5

X
Mat
1

tRe
m(X
1)

0,5
8

0,66

0,66

0,66

0,66

0,66

1,17

1,17

1,17

1,17

1,2

2,2

2,2

2,2

3,33

12,
5

18,5

tDif(
X2)

0,2
5

0,33

0,33

0,33

0,33

0,33

0,5

0,58

0,58

0,58

0,58

1,1

1,1

1,1

1,1

1,1

1,5

1,5

1,5

1,66

1,5

1,5

1,5

1,5

1,5

1,5

0,01
6

0,01
5

0,01
6

0,01
5

0,01
6

0,01
4

0,02
1

0,01
9

0,02
1

0,01
8

0,02
5

0,02
5

0,02
6

0,02
4

0,02
5

0,02
6

0,02
9

0,03

0,03
2

0,033

0,03
9

0,04

0,03
5

0,05
6

0,06
8

Y
Y

0,01
3

X'X

SCT
ScR
ScE
^2
R^2

X'Y
26

76,69

25,38

0,697

76,69

617,5389

101,7834

3,25934

25,38

101,7834

31,2582

0,80643

0,00422803
8
0,00410501
0,00012302
9
5,59221E06
0,97090170

(X'X)^-1
0,1897916
3 0,00394874
0,0039487
4 0,00357731
-0,1669587 0,01485466

(X'X)^-1 * X'Y
-0,1669587

0,01051457 0

-0,01485466

0,0024327 B1

0,21592318

0,00934032 B2

B'

0,0105145
0,0093403
7 0,0024327
2

B' X'Y

0,0227899
7

Y'Y

0,022913


Y
= 0,01051457 + 0,0024327 X1 + 0,00934032 X2

SIGNIFICANCIA DE CADA REGRESOR

Para tRem

Para tDif

1. 1

1. 2

2. H0: 1 = 0

2. H0: 2 = 0

3. H1: 1 0

3. H1: 2 0

4. = 0.05

4. = 0.05

5. t0=

1 / ee(
1 )

5. t0=

6. Se rechazar H0 si:

t 0

6. Se rechazar H0 si:

t 0

> t0.025,23

T0.025,23 = 2.069
7.

t 0

1 / ee(
1 )

> t0.025,23

T0.025,23 = 2.069

= 17.19969729

t 0

7.

= 8.50227132

8. Se Rechaza H0 . Se afirma que

8. Se Rechaza H0 . Se afirma que

el regresor es significativo.

el regresor es significativo.

INTERVALO DE CONFIANZA

j - t ,n p *ee(
j ) <
2

ee( 0 )= 1.0302*10-3

j + t ,n p *ee(
j )
2

ee( 1 )= 1.4144*10-4
t
2

Para

j <

,n p

ee( 2 )=1.098*10-3

= 2.069

0.01051457 2.069*(1.0302*10-3) <

8.38309*10-3 <

0 < 0.01051457 + 2.069*(1.0302*10-3)

0 < 0.01265

Para

1
0.0024327 2.069*(1.4144*10-3) <
-4.979368*10-4 <

Para

1 < 0.0024327 + 2.069*(1.4144*10-3)

1 < 5.36334*10-3

0,00934032 2.069*(1.0988*10-3) <

7.0669*10-3 <

1 < 0,00934032 + 2.069*(1.0988*10-3)

1 < 0.011614

ANALISIS DE RESIDUALES

En los dos grficos se puede observar que los residuos se encuentran un poco
dispersos, sin embargo sus valores son muy pequeos y uniformes, lo cual nos da una
razn para aceptar el modelo de regresin que hemos propuesto.

d) Cul de los siete modelos que ajust es el mejor? Use el mejor de los
modelos para estimar el grosor de la capa carburizada si T= 1670, tRem= 2.00,
PctRem= 1.10, tDif= 1.25, y PctDif= 0.90.

De los modelos ajustados, el mejor es el de regresin mltiple con 5 regresores.

Su coeficiente de representacin R2 tiende a 1, siendo el ms cercano con relacin
a los otros modelos. A pesar de que algunos de los regresores dieron no
significativos, estn aportando un poco para que el ajuste del modelo sea el mejor
posible.

G=0,03072991+ 2,1019E-05 X 1+ 0,00242661 X 2+ 0,01503034 X 3 +0,00783181 X 4 0,01033699 X 5

G=0,03072991+ 2,1019E-05(1670)+ 0,00242661(2)+ 0,01503034(1.1)+ 0,00783181( 1.25)0,010

G = 0.0262145