La resistencia a compresión es una de las propiedades más importantes del concreto en ingeniería civil, porque de ella depende el diseño estructural de elementos como vigas, columnas y losas. Esta resistencia no se alcanza de inmediato. El concreto gana capacidad a medida que el cemento se hidrata, por lo que la edad de curado es una de las variables que más influye. El objetivo de este trabajo es analizar la relación entre la resistencia a compresión del concreto (variable respuesta, \(Y\), en MPa) y la edad de curado (variable explicativa, \(X\), en días) mediante un modelo de regresión lineal simple.
Los datos provienen del repositorio UCI Machine Learning Repository
(Yeh, 1998, licencia CC BY 4.0, DOI 10.24432/C5PK67), y están en formato
de tabla (CSV). La base original contiene 1030 mezclas de concreto con 8
variables de entrada (cemento, escoria de alto horno, ceniza volante,
agua, superplastificante, agregado grueso, agregado fino y edad) y la
resistencia a compresión. Para este trabajo se tomó una muestra
aleatoria simple de 50 mezclas (semilla 2026, archivo
Concreto_muestra_50.csv), elegida al azar antes de ver
ningún resultado, y se usa solo la edad como predictor.
Primero se explora la relación entre las dos variables con estadísticas descriptivas, gráficos y el coeficiente de correlación. Luego se busca el mejor modelo posible comparando varias formas funcionales (lineal, raíz, logaritmo y cuadrático) con el \(R^2\) ajustado, el AIC, el BIC y el RMSE. Con el modelo elegido se evalúa su validez (prueba t, análisis de varianza, coeficientes de determinación y de correlación) y se verifican los supuestos del modelo clásico, que son la linealidad, la independencia, la normalidad y la homocedasticidad de los errores. Finalmente se construyen los intervalos de confianza para los coeficientes de regresión, para la respuesta media y para una respuesta individual.
# El archivo Concreto_muestra_50.csv debe estar en la misma carpeta que este .Rmd
# (muestra aleatoria de 50 filas de Concrete_Data.xls, semilla 2026)
bruto <- read.csv("Concreto_muestra_50.csv")
# x = edad (días); y = resistencia a compresión (MPa)
# Para usar otra X cambie "edad" por "cemento" o "agua" (kg/m3)
datos <- data.frame(x = bruto$edad, y = bruto$resistencia)
nombre_x <- "Edad"; unidad_x <- "día"
nombre_y <- "Resistencia a compresión"; unidad_y <- "MPa"
head(datos)
## x y
## 1 270 41.15138
## 2 28 27.92378
## 3 28 44.13336
## 4 3 24.09719
## 5 28 39.37597
## 6 7 38.61066
summary(datos)
## x y
## Min. : 3.00 Min. : 2.332
## 1st Qu.: 17.50 1st Qu.:24.194
## Median : 28.00 Median :37.036
## Mean : 59.28 Mean :35.013
## 3rd Qu.: 28.00 3rd Qu.:41.922
## Max. :365.00 Max. :69.299
tabla_edades <- table(datos$x)
tabla_edades
##
## 3 7 14 28 56 90 100 270 365
## 6 5 2 25 3 2 2 2 3
A partir del resumen estadístico de las variables, se pueden observar los siguientes aspectos clave:
La muestra tiene 50 observaciones y 0 datos faltantes.
ggplot(datos, aes(x, y)) +
geom_point(alpha = .4) +
labs(x = paste0(nombre_x, " (", unidad_x, "s)"), y = paste0(nombre_y, " (", unidad_y, ")"),
title = "Resistencia vs. edad") +
theme_bw()
ggplot(datos, aes(log(x), y)) +
geom_point(alpha = .4) +
geom_smooth(method = "lm", se = FALSE, color = "blue") +
labs(x = "ln(edad) (ln(días))", y = "Resistencia a compresión (MPa)",
title = "Resistencia vs. logaritmo de la edad") +
theme_bw()
En el gráfico de dispersión de resistencia vs. edad se observa una nube de puntos que no sigue una recta, sino una curva: la resistencia aumenta rápidamente en los primeros días y luego tiende a estabilizarse, por lo que la edad en escala original no describe bien la relación con una línea recta. En el gráfico de resistencia vs. ln(edad) los puntos se acomodan mucho mejor alrededor de la recta azul, aunque con dispersión, porque la composición de cada mezcla (cemento, agua y aditivos) también influye. Esto anticipa que el modelo lineal directo no será el más adecuado.
par(mfrow = c(1, 2))
hist(datos$y, breaks = 25, col = "skyblue", main = "Resistencia", xlab = "MPa")
hist(datos$x, breaks = 25, col = "skyblue", main = "Edad", xlab = "días")
par(mfrow = c(1, 1))
En los histogramas se puede observar lo siguiente:
r_p <- cor(datos$x, datos$y)
r_l <- cor(log(datos$x), datos$y)
c(r_edad = r_p, r_ln_edad = r_l)
## r_edad r_ln_edad
## 0.3337527 0.5853498
cor.test(datos$x, datos$y)
##
## Pearson's product-moment correlation
##
## data: datos$x and datos$y
## t = 2.453, df = 48, p-value = 0.01785
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.0610792 0.5600703
## sample estimates:
## cor
## 0.3337527
Se comparan cuatro formas funcionales con una sola variable explicativa, usando \(R^2\) ajustado, AIC, BIC y el error cuadrático medio (RMSE, en MPa). El mejor modelo es el de mayor \(R^2\) ajustado y menores AIC, BIC y RMSE.
m_lin <- lm(y ~ x, data = datos)
m_sqrt <- lm(y ~ sqrt(x), data = datos)
m_logx <- lm(y ~ log(x), data = datos)
m_cuad <- lm(y ~ x + I(x^2), data = datos)
modelos <- list("Lineal" = m_lin, "Raíz de x" = m_sqrt,
"Logaritmo de x" = m_logx, "Cuadrático" = m_cuad)
tabla <- data.frame(
Modelo = names(modelos),
R2_aj = sapply(modelos, function(m) summary(m)$adj.r.squared),
AIC = sapply(modelos, AIC),
BIC = sapply(modelos, BIC),
RMSE_MPa = sapply(modelos, function(m) sqrt(mean(residuals(m)^2))),
row.names = NULL
)
knitr::kable(tabla, digits = 3)
| Modelo | R2_aj | AIC | BIC | RMSE_MPa |
|---|---|---|---|---|
| Lineal | 0.093 | 412.324 | 418.060 | 14.074 |
| Raíz de x | 0.191 | 406.610 | 412.346 | 13.292 |
| Logaritmo de x | 0.329 | 397.253 | 402.989 | 12.105 |
| Cuadrático | 0.301 | 400.215 | 407.863 | 12.222 |
# Modelo elegido (cambie aquí si sus criterios apuntan a otro)
modelo <- m_logx
mejor <- tabla$Modelo[which.max(tabla$R2_aj)]
mejor
## [1] "Logaritmo de x"
El modelo con mayor \(R^2\) ajustado y menores AIC, BIC y RMSE es el de Logaritmo de x, por lo que se trabaja con él en el resto del informe. La mejora frente al modelo lineal es grande, pues el \(R^2\) ajustado pasa de 0.093 a 0.329. El modelo cuadrático queda cerca, pero tiene un parámetro más y un BIC mayor, por lo que resulta menos parsimonioso. Todos los \(R^2\) son bajos en términos absolutos porque una sola variable no puede capturar el efecto de los demás componentes de la mezcla, algo que se discute en las conclusiones.
Con la transformación logarítmica, el modelo es
\[Y_i = \beta_0 + \beta_1 \ln(X_i) + \varepsilon_i,\qquad \varepsilon_i \sim N(0,\sigma^2)\]
summary(modelo)
##
## Call:
## lm(formula = y ~ log(x), data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -28.2682 -8.8555 -0.4658 7.6311 29.0776
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 12.027 4.916 2.446 0.0181 *
## log(x) 7.004 1.400 5.002 8.01e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 12.35 on 48 degrees of freedom
## Multiple R-squared: 0.3426, Adjusted R-squared: 0.3289
## F-statistic: 25.02 on 1 and 48 DF, p-value: 8.01e-06
El modelo presenta un coeficiente de determinación ajustado (\(R^2_{ajustado}\)) de 0.3289, lo que indica que aproximadamente el 32.89 % de la variabilidad de la resistencia puede ser explicada por el logaritmo de la edad de curado.
Respecto a los coeficientes, se observa que el logaritmo de la edad tiene un efecto positivo y significativo sobre la resistencia, lo que implica que, a mayor edad de curado, mayor es la resistencia media del concreto. Como la relación es logarítmica, el efecto es decreciente: lograr el mismo aumento de resistencia exige cada vez más tiempo.
En conjunto, estos resultados son coherentes con lo observado en los gráficos exploratorios y con el comportamiento físico del concreto, cuya hidratación del cemento es rápida al inicio y luego se estabiliza. Sin embargo, queda sin explicar el 65.7 % de la variabilidad, por lo que la edad por sí sola no basta para predecir con precisión.
La ecuación de la recta de mínimos cuadrados es:
\[\hat{y} = 12.03 + 7.00\,\ln(x)\]
Interpretando los coeficientes con sus unidades:
Estimación de la resistencia media para concreto de \(x_0 = 28\) días. Las unidades se mantienen en todo el cálculo y las que se cancelan se muestran tachadas (el argumento del logaritmo es adimensional):
x0 <- 28
y0 <- b[1] + b[2]*log(x0)
cat(sprintf(
"<p style='text-align:center; font-size:17px'>ŷ(28 día) = %.2f MPa + %.2f MPa · ln( 28 <s>día</s> / 1 <s>día</s> ) = %.2f MPa + %.2f MPa · %.3f = <b>%.2f MPa</b></p>\n",
b[1], b[2], b[1], b[2], log(x0), y0))
ŷ(28 día) = 12.03 MPa + 7.00 MPa · ln( 28 día / 1 día ) =
12.03 MPa + 7.00 MPa · 3.332 = 35.37 MPa
s$coefficients
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 12.027210 4.916398 2.446346 1.814560e-02
## log(x) 7.004209 1.400318 5.001872 8.010431e-06
Para \(H_0:\beta_1 = 0\) frente a \(H_1:\beta_1 \neq 0\) se obtiene \(t =\) 5.00 con un valor-p < 0.001. Con \(\alpha = 0.05\), se rechaza H0, es decir, la edad (en escala logarítmica) tiene un efecto significativo sobre la resistencia.
c(R2 = r2, R2_ajustado = r2a, r = sign(b[2])*sqrt(r2))
## R2 R2_ajustado r.log(x)
## 0.3426343 0.3289392 0.5853498
El modelo explica el 34.3 % de la variabilidad de la resistencia (\(R^2 =\) 0.343; \(R^2_{aj} =\) 0.329). El 65.7 % restante se debe a otros factores, como la dosificación de la mezcla, y al error aleatorio. El coeficiente de correlación entre \(\ln(\text{edad})\) y la resistencia es \(r =\) 0.585, lo que indica una relación positiva de intensidad moderada.
av <- anova(modelo)
av
## Analysis of Variance Table
##
## Response: y
## Df Sum Sq Mean Sq F value Pr(>F)
## log(x) 1 3818.5 3818.5 25.019 8.01e-06 ***
## Residuals 48 7326.1 152.6
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Para contrastar \(H_0:\beta_1 = 0\) frente a \(H_1:\beta_1 \neq 0\), el estadístico es \(F = \dfrac{CM_{reg}}{CM_{error}} =\) 25 con 1 y 48 grados de libertad y un valor-p < 0.001, de modo que se rechaza H0 y el modelo es globalmente significativo, es decir, el logaritmo de la edad explica de manera significativa la variabilidad de la resistencia en la muestra. En regresión simple \(F = t^2\), y en este caso \(t^2 =\) 25, que coincide con la prueba t.
La variabilidad explicada por la regresión (\(CM_{reg} =\) 3818.5 MPa²) es 25 veces la variabilidad residual (\(CM_{error} =\) 152.6 MPa²). La suma de cuadrados de la regresión (3819) frente a la residual (7326) indica que el modelo captura el 34.3 % de la variabilidad total de la resistencia, lo que se alinea con el \(R^2\) obtenido anteriormente.
Descomposición de la variabilidad y cálculo de \(R^2\) con unidades (los \(\text{MPa}^2\) se cancelan):
R² = SCreg / SCtot = 3819 MPa² / 11145
MPa² = 0.343
\[\hat\sigma = \sqrt{CM_{error}} = \sqrt{152.6\ \text{MPa}^2} = 12.35\ \text{MPa}\]
El error estándar residual indica que, en promedio, las resistencias observadas se alejan unos 12.4 MPa de las que predice el modelo.
datos$res <- res
datos$ajus <- fitted(modelo)
datos$est <- rstandard(modelo)
datos$orden <- seq_len(n)
ggplot(datos, aes(ajus, res)) +
geom_point(alpha = .4) +
geom_hline(yintercept = 0, color = "red", linewidth = 1) +
geom_smooth(se = FALSE, color = "blue", method = "loess", formula = y ~ x) +
labs(x = "Valores ajustados (MPa)", y = "Residuos (MPa)",
title = "Residuos vs. valores ajustados") +
theme_bw()
Si los residuos se distribuyen al azar alrededor de 0, sin una forma curva, se cumple el supuesto de linealidad. En este gráfico, la curva suavizada azul se mantiene en general cerca de 0, con una leve desviación en el extremo derecho, donde hay pocas observaciones.
Para decidir si la forma funcional es adecuada se compara el modelo elegido con el lineal directo en el mismo gráfico:
xs <- data.frame(x = seq(min(datos$x), max(datos$x), length.out = 200))
xs$lineal <- predict(m_lin, xs)
xs$elegido <- predict(modelo, xs)
ggplot(datos, aes(x, y)) +
geom_point(alpha = .3) +
geom_line(data = xs, aes(y = lineal, color = "Lineal"), linewidth = 1) +
geom_line(data = xs, aes(y = elegido, color = "Modelo elegido"), linewidth = 1) +
labs(x = "Edad (días)", y = "Resistencia a compresión (MPa)", color = NULL,
title = "Ajuste lineal vs. modelo elegido") +
theme_bw()
En este gráfico se observa lo siguiente:
Como prueba formal de curvatura, se agrega un término cuadrático en \(\ln(x)\) al modelo y se evalúa si es significativo:
summary(m_curv)$coefficients
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.173014 9.0435007 -0.129708 0.897351004
## log(x) 16.099029 5.4485403 2.954742 0.004877431
## I(log(x)^2) -1.350470 0.7829575 -1.724832 0.091129145
El término cuadrático en \(\ln(x)\) tiene un valor-p = 0.091, por lo que no hay evidencia de curvatura adicional. Por lo tanto, la transformación logarítmica corrige en gran parte la falta de linealidad, y el supuesto de linealidad se considera cumplido para el modelo elegido.
dwt
##
## Durbin-Watson test
##
## data: modelo
## DW = 1.7898, p-value = 0.2265
## alternative hypothesis: true autocorrelation is greater than 0
ggplot(datos, aes(orden, res)) +
geom_point(alpha = .4) + geom_hline(yintercept = 0, color = "red") +
labs(x = "Orden de observación en la base", y = "Residuos (MPa)") + theme_bw()
En el gráfico de residuos según el orden de observación los puntos se distribuyen de forma aleatoria alrededor de 0, sin una tendencia o patrón visible. Además, la prueba de Durbin-Watson arroja \(d =\) 1.79 con un valor-p = 0.226. Un valor cercano a 2 indica independencia y, en este caso, no hay evidencia de autocorrelación, por lo que el supuesto de independencia se considera cumplido.
Cabe aclarar que estos datos no son una serie temporal. La base reúne mezclas provenientes de 17 estudios distintos, y el orden de las filas no corresponde a un orden de medición. Por eso el resultado de Durbin-Watson depende del orden en que vengan las filas y no prueba una dependencia en el tiempo. Debe discutirse como una limitación del diseño, ya que las mezclas de un mismo estudio tienden a parecerse entre sí.
par(mfrow = c(1, 2))
hist(res, breaks = 30, col = "skyblue", main = "Histograma de los residuos",
xlab = "Residuos (MPa)", freq = FALSE)
curve(dnorm(x, mean(res), sd(res)), add = TRUE, col = "red", lwd = 2)
qqnorm(res, main = "Gráfico Q-Q"); qqline(res, col = "red", lwd = 2)
par(mfrow = c(1, 1))
shapiro.test(res)
##
## Shapiro-Wilk normality test
##
## data: res
## W = 0.98285, p-value = 0.6768
lillie.test(res)
##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: res
## D = 0.064437, p-value = 0.87
Al analizar los gráficos y las pruebas de normalidad, se observa lo siguiente:
Por lo tanto, el supuesto de normalidad se considera razonablemente cumplido. Con una muestra de 50 las pruebas tienen potencia limitada, por eso la decisión se apoya también en los gráficos.
bptest(modelo)
##
## studentized Breusch-Pagan test
##
## data: modelo
## BP = 1.4831, df = 1, p-value = 0.2233
ncvTest(modelo)
## Non-constant Variance Score Test
## Variance formula: ~ fitted.values
## Chisquare = 1.379388, Df = 1, p = 0.24021
ggplot(datos, aes(ajus, abs(est))) +
geom_point(alpha = .4) +
geom_smooth(se = FALSE, color = "blue", method = "loess", formula = y ~ x) +
labs(x = "Valores ajustados (MPa)", y = "|Residuo estandarizado|",
title = "Gráfico escala-ubicación") +
theme_bw()
La prueba de Breusch-Pagan arroja un valor-p = 0.223, por lo que no se rechaza H0 y no hay evidencia de heterocedasticidad.
Conviene distinguir dos problemas distintos al leer los gráficos:
xs2 <- data.frame(x = seq(min(datos$x), max(datos$x), length.out = 200))
conf <- cbind(xs2, predict(modelo, xs2, interval = "confidence"))
pred <- cbind(xs2, predict(modelo, xs2, interval = "prediction"))
ggplot(datos, aes(x, y)) +
geom_point(alpha = .3) +
geom_ribbon(data = conf, aes(y = fit, ymin = lwr, ymax = upr), fill = "blue", alpha = .3) +
geom_line(data = conf, aes(y = fit), color = "blue", linewidth = 1) +
geom_line(data = pred, aes(y = lwr), color = "red", linetype = 2) +
geom_line(data = pred, aes(y = upr), color = "red", linetype = 2) +
labs(x = "Edad (días)", y = "Resistencia a compresión (MPa)",
title = "Modelo ajustado, IC 95 % de la media (azul) e intervalo de predicción (rojo)") +
theme_bw()
A partir del gráfico del modelo se puede observar lo siguiente:
Por lo tanto, el modelo describe bien el comportamiento medio de la resistencia con la edad, pero no permite predecir con precisión la resistencia de una mezcla individual, que depende también de su dosificación.
confint(modelo, level = 0.95)
## 2.5 % 97.5 %
## (Intercept) 2.142129 21.912291
## log(x) 4.188682 9.819737
Con 95 % de confianza, \(\beta_1\) está entre 4.19 y 9.82 MPa por unidad de \(\ln(\text{edad})\). Como el intervalo no contiene el 0, se confirma el efecto significativo de la edad.
x0 <- data.frame(x = c(7, 28, 90, 365))
tabla_ic <- cbind(
`Edad (días)` = x0$x,
`Media estimada (MPa)` = predict(modelo, x0),
`IC media inf` = predict(modelo, x0, interval = "confidence")[, "lwr"],
`IC media sup` = predict(modelo, x0, interval = "confidence")[, "upr"],
`IC individual inf` = predict(modelo, x0, interval = "prediction")[, "lwr"],
`IC individual sup` = predict(modelo, x0, interval = "prediction")[, "upr"]
)
knitr::kable(tabla_ic, digits = 2)
| Edad (días) | Media estimada (MPa) | IC media inf | IC media sup | IC individual inf | IC individual sup |
|---|---|---|---|---|---|
| 7 | 25.66 | 20.51 | 30.80 | 0.29 | 51.02 |
| 28 | 35.37 | 31.85 | 38.88 | 10.28 | 60.45 |
| 90 | 43.54 | 38.64 | 48.45 | 18.22 | 68.87 |
| 365 | 53.35 | 45.19 | 61.52 | 27.20 | 79.50 |
El intervalo para una respuesta individual es siempre más ancho que el de la respuesta media, porque además de la incertidumbre de estimar la curva incluye la variabilidad propia de cada mezcla (\(\hat\sigma =\) 12.35 MPa). Por ejemplo, para concreto de 28 días la resistencia media estimada es 35.4 MPa, con un intervalo de confianza del 95 % de 31.9 a 38.9 MPa. En cambio, la resistencia de una mezcla individual de 28 días se espera entre 10.3 y 60.5 MPa con 95 % de confianza. Ambos intervalos se ensanchan en las edades más alejadas del centro de los datos, como 365 días.
El presente análisis tuvo como objetivo estudiar la relación entre la edad de curado y la resistencia a compresión del concreto mediante un modelo de regresión lineal simple, usando una muestra aleatoria de 50 mezclas. Tras comparar cuatro formas funcionales, se encontró que el modelo con el logaritmo de la edad fue el que mejor describió los datos, con el mayor \(R^2\) ajustado (0.329) y los menores AIC, BIC y RMSE. La ecuación estimada es \(\hat y =\) 12.03 + 7.00 ln(edad), con \(y\) en MPa y la edad en días.
La edad tuvo un efecto positivo y significativo sobre la resistencia (valor-p < 0.001). Un aumento del 1 % en la edad incrementa la resistencia media en unos 0.07 MPa, y al duplicar la edad aumenta unos 4.9 MPa. El crecimiento es rápido al principio y se estabiliza con el tiempo, lo que coincide con el proceso de hidratación del cemento. El modelo explicó el 34.3 % de la variabilidad de la resistencia (\(R^2 =\) 0.343), con un coeficiente de correlación \(r =\) 0.585 y un error estándar residual de 12.35 MPa.
Respecto a la verificación de los supuestos del modelo:
Asimismo, el análisis de varianza (ANOVA) confirmó la significancia global del modelo (\(F =\) 25, valor-p < 0.001). Con una confianza del 95 %, el coeficiente \(\beta_1\) se encuentra entre 4.19 y 9.82 MPa por unidad de ln(edad). Para concreto de 28 días, la resistencia media estimada es 35.4 MPa (intervalo de confianza de 31.9 a 38.9 MPa), y la resistencia de una mezcla individual se espera entre 10.3 y 60.5 MPa.
Cabe destacar que la edad toma solo 9 valores distintos en la muestra y que la resistencia también depende de la dosificación de la mezcla (cemento, agua y aditivos), por lo que una sola variable no basta para predecir con precisión. Además, con solo 50 observaciones los resultados dependen de la muestra elegida, y con otra muestra o con toda la base (1030 mezclas) los valores-p de las pruebas de supuestos pueden cambiar.
En conclusión, el modelo con el logaritmo de la edad es válido y describe adecuadamente la tendencia de la resistencia a compresión con el tiempo de curado, pero su poder predictivo es limitado (\(R^2 =\) 0.343) porque no incluye las demás variables de la mezcla. Para mejorar la capacidad predictiva se recomienda ajustar un modelo de regresión lineal múltiple que incorpore, además de la edad, el contenido de cemento y de agua, y validarlo con toda la base de datos.
Yeh, I.-C. (1998). Concrete Compressive Strength [Dataset]. UCI Machine Learning Repository. https://doi.org/10.24432/C5PK67
Yeh, I.-C. (1998). Modeling of strength of high-performance concrete using artificial neural networks. Cement and Concrete Research, 28(12), 1797-1808.