El consumo de combustible de un automóvil afecta directamente el bolsillo de quien lo usa y la cantidad de emisiones que produce, y por eso es una de las características que más se compara al elegir un vehículo. Una de las explicaciones más intuitivas es el peso: un auto más pesado necesita más energía para moverse. El objetivo de este trabajo es analizar la relación entre el consumo de combustible (variable respuesta, \(Y\), en galones consumidos por cada 100 millas recorridas) y el peso del vehículo (variable explicativa, \(X\), en miles de libras) mediante un modelo de regresión lineal simple. Como referencia, 1 galón equivale a 3.785 litros, 1 milla a 1.609 km y 1000 libras a unos 454 kg.
Los datos provienen del repositorio UCI Machine Learning Repository
(Quinlan, 1993, licencia CC BY 4.0, DOI 10.24432/C5859H) y corresponden
a automóviles de los modelos de 1970 a 1982, con su consumo en ciudad.
La base original contiene 398 vehículos con el consumo en millas por
galón (mpg), el número de cilindros, la cilindrada, la potencia, el
peso, la aceleración, el año del modelo y el origen. Para este trabajo
se tomó una muestra aleatoria simple de 60 vehículos
(semilla 2026, archivo Muestra_autos_60.csv), elegida al
azar antes de ver ningún resultado. Como el consumo se publica en millas
por galón, se expresó en galones por 100 millas dividiendo 100 entre los
mpg, y se usa solo el peso como predictor.
El trabajo sigue este orden. Primero se explora la relación entre las dos variables con estadísticas descriptivas, gráficos y el coeficiente de correlación. Luego se presenta el modelo escogido y se evalúa su validez con la prueba t, el análisis de varianza y los coeficientes de determinación y de correlación. Después 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 Muestra_autos_60.csv debe estar en la misma carpeta que este .Rmd
# (muestra aleatoria de 60 filas de "Auto MPG", semilla 2026)
bruto <- read.csv("Muestra_autos_60.csv")
# x = peso (1000 lb); y = consumo (galones por 100 millas = 100 / mpg)
datos <- data.frame(x = bruto$peso / 1000, y = 100 / bruto$mpg,
mpg = bruto$mpg, anio = bruto$anio_modelo)
nombre_x <- "Peso del vehículo"; unidad_x <- "1000 lb"
nombre_y <- "Consumo de combustible"; unidad_y <- "gal/100 mi"
head(datos[, c("x", "y", "mpg")])
## x y mpg
## 1 2.408 5.000000 20.0
## 2 2.051 3.278689 30.5
## 3 4.997 9.090909 11.0
## 4 4.135 6.666667 15.0
## 5 2.875 4.761905 21.0
## 6 2.582 5.000000 20.0
summary(datos[, c("x", "y")])
## x y
## Min. :1.825 Min. :2.273
## 1st Qu.:2.246 1st Qu.:3.811
## Median :2.904 Median :5.000
## Mean :3.083 Mean :5.091
## 3rd Qu.:3.864 3rd Qu.:6.300
## Max. :4.997 Max. :9.091
A partir del resumen estadístico se pueden observar los siguientes aspectos clave:
La muestra tiene 60 observaciones y 0 datos faltantes.
ggplot(datos, aes(x, mpg)) +
geom_point(shape = 21, fill = col_pt, color = "white", size = 3, alpha = .85) +
geom_smooth(method = "loess", formula = y ~ x, se = FALSE,
color = col_ln, linetype = "dashed") +
labs(x = paste0(nombre_x, " (", unidad_x, ")"), y = "Rendimiento (millas por galón)",
title = "Rendimiento vs. peso del vehículo")
ggplot(datos, aes(x, y)) +
geom_point(shape = 21, fill = col_pt, color = "white", size = 3, alpha = .85) +
geom_smooth(method = "lm", formula = y ~ x, se = FALSE, color = col_ln) +
labs(x = paste0(nombre_x, " (", unidad_x, ")"), y = paste0(nombre_y, " (", unidad_y, ")"),
title = "Consumo vs. peso del vehículo")
En el gráfico de rendimiento (mpg) vs. peso se observa una relación negativa y curva: el rendimiento cae rápido entre los autos livianos y la caída se hace más lenta en los pesados, por lo que una recta no describe bien esos datos. En cambio, en el gráfico de consumo (galones por 100 millas) vs. peso los puntos siguen una relación positiva que se acerca mucho más a la recta naranja, aunque con dispersión, porque el consumo también depende de otras características del auto. Esto muestra que el consumo es la forma más adecuada de medir la variable respuesta para ajustar una recta.
ggplot(datos, aes(y)) +
geom_histogram(aes(y = after_stat(density)), bins = 12, fill = col_pt, color = "white") +
geom_density(color = col_ln, linewidth = 1) +
labs(x = paste0("Consumo (", unidad_y, ")"), y = "Densidad", title = "Consumo")
ggplot(datos, aes(x)) +
geom_histogram(aes(y = after_stat(density)), bins = 12, fill = col_pt, color = "white") +
geom_density(color = col_ln, linewidth = 1) +
labs(x = "Peso (1000 lb)", y = "Densidad", title = "Peso")
En los histogramas se puede observar lo siguiente:
r_mpg <- cor(datos$x, datos$mpg)
r_p <- cor(datos$x, datos$y)
c(r_peso_mpg = r_mpg, r_peso_consumo = r_p)
## r_peso_mpg r_peso_consumo
## -0.8341670 0.9030145
cor.test(datos$x, datos$y)
##
## Pearson's product-moment correlation
##
## data: datos$x and datos$y
## t = 16.008, df = 58, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.8422056 0.9411384
## sample estimates:
## cor
## 0.9030145
Escogimos el modelo que relaciona el consumo en galones por 100 millas con el peso del vehículo, por las siguientes razones:
Por lo tanto, el resto del informe se trabaja con este modelo.
El modelo es
\[Y_i = \beta_0 + \beta_1 X_i + \varepsilon_i,\qquad \varepsilon_i \sim N(0,\sigma^2)\]
modelo <- lm(y ~ x, data = datos)
summary(modelo)
##
## Call:
## lm(formula = y ~ x, data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.35767 -0.51445 -0.03949 0.54875 2.45158
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.3072 0.3510 -0.875 0.385
## x 1.7507 0.1094 16.008 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.7558 on 58 degrees of freedom
## Multiple R-squared: 0.8154, Adjusted R-squared: 0.8123
## F-statistic: 256.3 on 1 and 58 DF, p-value: < 2.2e-16
El modelo presenta un coeficiente de determinación ajustado (\(R^2_{ajustado}\)) de 0.8123, lo que indica que aproximadamente el 81.2 % de la variabilidad del consumo puede ser explicada por el peso del vehículo.
Respecto a los coeficientes, el peso tiene un efecto positivo y significativo sobre el consumo: a mayor peso, mayor es el consumo medio de combustible por cada 100 millas. La relación es lineal en esta escala, de modo que cada 1000 libras adicionales aumentan el consumo en la misma cantidad, sin importar si el auto ya es liviano o pesado.
En conjunto, estos resultados son coherentes con lo observado en los gráficos exploratorios y con la lógica física: mover más masa cuesta más combustible. Sin embargo, queda sin explicar el 18.5 % de la variabilidad, por lo que el peso por sí solo no basta para predecir con precisión el consumo de un auto.
La ecuación de la recta de mínimos cuadrados es:
\[\hat{y} = -0.31 + 1.75\,x\]
Interpretando los coeficientes con sus unidades:
Estimación del consumo medio para un vehículo de \(x_0 = 3\) (3000 lb). Las unidades se mantienen en todo el cálculo y las que se cancelan se muestran tachadas (el coeficiente \(\hat\beta_1\) tiene unidades de consumo por cada 1000 lb, y el peso se expresa en 1000 lb):
x_ej <- 3
y_ej <- b[1] + b[2] * x_ej
cat(sprintf(
"<p style='text-align:center; font-size:17px'>ŷ(3000 lb) = %.2f %s + (%.2f %s/<s>1000 lb</s>) · (%.0f <s>1000 lb</s>) = %.2f %s + (%.2f %s) = <b>%.2f %s</b></p>\n",
b[1], UP, b[2], UP, x_ej, b[1], UP, b[2] * x_ej, UP, y_ej, UP))
ŷ(3000 lb) = -0.31 gal/100 mi + (1.75 gal/100 mi/1000 lb) · (3
1000 lb) = -0.31 gal/100 mi + (5.25 gal/100 mi) = 4.94 gal/100
mi
Un consumo de 4.94 gal/100 mi equivale a unas 20.2 millas por galón.
s$coefficients
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.3072095 0.3510454 -0.8751274 3.851143e-01
## x 1.7506910 0.1093642 16.0078985 6.016604e-23
Para \(H_0:\beta_1 = 0\) frente a \(H_1:\beta_1 \neq 0\) se obtiene \(t =\) 16.01 con un valor-p < 0.001. Con \(\alpha = 0.05\), se rechaza H0, es decir, el peso tiene un efecto significativo sobre el consumo.
c(R2 = r2, R2_ajustado = r2a, r = sign(b[2]) * sqrt(r2))
## R2 R2_ajustado r.x
## 0.8154352 0.8122531 0.9030145
El modelo explica el 81.5 % de la variabilidad del consumo (\(R^2 =\) 0.815; \(R^2_{aj} =\) 0.812). El 18.5 % restante se debe a otros factores, como el año del modelo, la potencia y el tipo de motor, y al error aleatorio. El coeficiente de correlación entre el peso y el consumo es \(r =\) 0.903, lo que indica una relación positiva de intensidad fuerte.
av <- anova(modelo)
av
## Analysis of Variance Table
##
## Response: y
## Df Sum Sq Mean Sq F value Pr(>F)
## x 1 146.389 146.389 256.25 < 2.2e-16 ***
## Residuals 58 33.134 0.571
## ---
## 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 \(F = \dfrac{CM_{reg}}{CM_{error}} =\) 256.3 con 1 y 58 grados de libertad y un valor-p < 0.001, de modo que se rechaza H0 y el modelo es globalmente significativo, es decir, el peso explica de manera significativa la variabilidad del consumo en la muestra. En regresión simple \(F = t^2\), y en este caso \(t^2 =\) 256.3, que coincide con la prueba t.
La variabilidad explicada por la regresión (\(CM_{reg} =\) 146.4) es 256.3 veces la variabilidad residual (\(CM_{error} =\) 0.57). La suma de cuadrados de la regresión (146.4) frente a la residual (33.1) indica que el modelo captura el 81.5 % de la variabilidad total del consumo, lo que se alinea con el \(R^2\) obtenido anteriormente.
Descomposición de la variabilidad y cálculo de \(R^2\) con unidades (los \((\text{gal}/100\ \text{mi})^2\) se cancelan):
R² = SCreg / SCtot = 146.4 (gal/100 mi)² /
179.5 (gal/100 mi)² = 0.815
σ̂ = √CMerror = √(0.57 (gal/100 mi)²) = 0.76 gal/100 mi
El error estándar residual indica que, en promedio, los consumos observados se alejan unos 0.76 (gal/100 mi) de los 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(shape = 21, fill = col_pt, color = "white", size = 3, alpha = .85) +
geom_hline(yintercept = 0, color = col_ln, linetype = "dashed", linewidth = 1) +
geom_smooth(se = FALSE, color = "gray30", method = "loess", formula = y ~ x) +
labs(x = "Valores ajustados (gal/100 mi)", y = "Residuos (gal/100 mi)",
title = "Residuos vs. valores ajustados")
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 se mantiene cerca de 0, sin una forma curva marcada.
Para ver si la recta sigue bien la tendencia de los datos, se compara con un suavizado que no supone ninguna forma funcional:
ggplot(datos, aes(x, y)) +
geom_point(shape = 21, fill = col_pt, color = "white", size = 3, alpha = .85) +
geom_smooth(method = "loess", formula = y ~ x, se = FALSE,
color = "gray30", linetype = "dotted", linewidth = 1) +
geom_smooth(method = "lm", formula = y ~ x, se = FALSE, color = col_ln, linewidth = 1.1) +
labs(x = "Peso (1000 lb)", y = "Consumo (gal/100 mi)",
title = "Recta del modelo (naranja) vs. suavizado sin forma fija (gris)")
En este gráfico se observa lo siguiente:
Como prueba formal de curvatura, se agrega un término cuadrático en \(x\) al modelo y se evalúa si es significativo:
summary(m_curv)$coefficients
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.004572376 1.328625 0.003441435 0.99726615
## x 1.542232078 0.863297 1.786444418 0.07934595
## I(x^2) 0.032123380 0.131944 0.243462303 0.80852138
El término cuadrático tiene un valor-p = 0.809, por lo que no hay evidencia de curvatura adicional, y el supuesto de linealidad se considera cumplido.
dwt
##
## Durbin-Watson test
##
## data: modelo
## DW = 2.1916, p-value = 0.7667
## alternative hypothesis: true autocorrelation is greater than 0
ggplot(datos, aes(orden, res)) +
geom_point(shape = 21, fill = col_pt, color = "white", size = 3, alpha = .85) +
geom_hline(yintercept = 0, color = col_ln, linetype = "dashed") +
labs(x = "Orden de observación en la muestra", y = "Residuos (gal/100 mi)")
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 \(d =\) 2.19 con un valor-p = 0.767. 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.
Como el orden de la muestra es aleatorio, esta prueba solo descarta patrones en el orden de las filas. Una comprobación más informativa es ver si los residuos dependen de otra variable que no está en el modelo, como el año del modelo del vehículo:
ggplot(datos, aes(anio, res)) +
geom_jitter(width = .15, shape = 21, fill = col_pt, color = "white", size = 3, alpha = .85) +
geom_hline(yintercept = 0, color = col_ln, linetype = "dashed") +
geom_smooth(method = "lm", formula = y ~ x, se = FALSE, color = "gray30") +
labs(x = "Año del modelo (19xx)", y = "Residuos (gal/100 mi)",
title = "Residuos vs. año del modelo")
Aquí sí se aprecia una relación: la correlación entre los residuos y el año del modelo es -0.61 (valor-p < 0.001). Los vehículos más nuevos consumen menos de lo que predice su peso, porque su tecnología es más eficiente. Esto no invalida el modelo, pero indica que el año es una variable omitida y debe discutirse como una limitación del análisis.
ggplot(datos, aes(res)) +
geom_histogram(aes(y = after_stat(density)), bins = 12, fill = col_pt, color = "white") +
stat_function(fun = dnorm, args = list(mean = mean(res), sd = sd(res)),
color = col_ln, linewidth = 1) +
labs(x = "Residuos (gal/100 mi)", y = "Densidad", title = "Histograma de los residuos")
ggplot(datos, aes(sample = res)) +
stat_qq(color = col_pt, size = 2) +
stat_qq_line(color = col_ln, linewidth = 1) +
labs(x = "Cuantiles teóricos", y = "Cuantiles de la muestra", title = "Gráfico Q-Q")
shapiro.test(res)
##
## Shapiro-Wilk normality test
##
## data: res
## W = 0.96711, p-value = 0.1052
lillie.test(res)
##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: res
## D = 0.06977, p-value = 0.6632
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 60 las pruebas tienen potencia limitada, por eso la decisión se apoya también en los gráficos.
bptest(modelo)
##
## studentized Breusch-Pagan test
##
## data: modelo
## BP = 0.57986, df = 1, p-value = 0.4464
ncvTest(modelo)
## Non-constant Variance Score Test
## Variance formula: ~ fitted.values
## Chisquare = 0.7466103, Df = 1, p = 0.38755
ggplot(datos, aes(ajus, abs(est))) +
geom_point(shape = 21, fill = col_pt, color = "white", size = 3, alpha = .85) +
geom_smooth(se = FALSE, color = col_ln, method = "loess", formula = y ~ x) +
labs(x = "Valores ajustados (gal/100 mi)", y = "|Residuo estandarizado|",
title = "Gráfico escala-ubicación")
La prueba de Breusch-Pagan arroja un valor-p = 0.446, por lo que no se rechaza H0 y no hay evidencia de heterocedasticidad.
Conviene distinguir dos problemas distintos al leer los gráficos:
Medir el consumo en galones por 100 millas, y no en millas por galón, ayuda a que la dispersión sea parecida en autos livianos y pesados.
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_ribbon(data = pred, aes(y = fit, ymin = lwr, ymax = upr), fill = "#f4c7b8", alpha = .6) +
geom_ribbon(data = conf, aes(y = fit, ymin = lwr, ymax = upr), fill = col_pt, alpha = .4) +
geom_line(data = conf, aes(y = fit), color = col_ln, linewidth = 1.1) +
geom_point(color = "gray20", alpha = .7, size = 2) +
labs(x = "Peso (1000 lb)", y = "Consumo (gal/100 mi)",
title = "Modelo ajustado con IC 95 % de la media (verde)\ne intervalo de predicción (rosado)")
A partir del gráfico del modelo se puede observar lo siguiente:
Por lo tanto, el modelo describe bien el comportamiento medio del consumo con el peso, pero no permite predecir con total precisión el consumo de un vehículo individual, que depende también de su año, su motor y otras características.
confint(modelo, level = 0.95)
## 2.5 % 97.5 %
## (Intercept) -1.009903 0.3954843
## x 1.531775 1.9696072
Con 95 % de confianza, \(\beta_1\) está entre 1.53 y 1.97 (gal/100 mi por cada 1000 lb). Como el intervalo no contiene el 0, se confirma el efecto significativo del peso. El intercepto \(\beta_0\) está entre -1.01 y 0.40.
x0 <- data.frame(x = c(2, 3, 4, 4.5))
ic_media <- predict(modelo, x0, interval = "confidence", level = 0.95)
ic_indiv <- predict(modelo, x0, interval = "prediction", level = 0.95)
tabla_ic <- cbind(
`Peso (1000 lb)` = x0$x,
`Media estimada` = ic_media[, "fit"],
`IC media inf` = ic_media[, "lwr"],
`IC media sup` = ic_media[, "upr"],
`IC individual inf` = ic_indiv[, "lwr"],
`IC individual sup` = ic_indiv[, "upr"]
)
knitr::kable(tabla_ic, digits = 2)
| Peso (1000 lb) | Media estimada | IC media inf | IC media sup | IC individual inf | IC individual sup |
|---|---|---|---|---|---|
| 2.0 | 3.19 | 2.89 | 3.50 | 1.65 | 4.74 |
| 3.0 | 4.94 | 4.75 | 5.14 | 3.42 | 6.47 |
| 4.0 | 6.70 | 6.42 | 6.98 | 5.16 | 8.23 |
| 4.5 | 7.57 | 7.20 | 7.94 | 6.01 | 9.13 |
ic_c <- ic_media[2, ]; ic_p <- ic_indiv[2, ]
El intervalo para una respuesta individual es siempre más ancho que el de la respuesta media, porque además de la incertidumbre de estimar la recta incluye la variabilidad propia de cada vehículo (\(\hat\sigma =\) 0.76 gal/100 mi). Por ejemplo, para un auto de 3000 lb, el consumo medio estimado es 4.94 (gal/100 mi), con un intervalo de confianza del 95 % de 4.75 a 5.14, que equivale a entre 19.5 y 21.1 millas por galón. En cambio, el consumo de un auto individual de ese peso se espera entre 3.42 y 6.47 con 95 % de confianza, es decir, entre 15.5 y 29.2 millas por galón. Los cuatro pesos están dentro del rango observado en la muestra, de modo que no hay extrapolación.
El presente análisis tuvo como objetivo estudiar la relación entre el peso de un automóvil y su consumo de combustible mediante un modelo de regresión lineal simple, usando una muestra aleatoria de 60 vehículos. Se trabajó con el consumo en galones por 100 millas, porque el rendimiento en mpg no es lineal con el peso, mientras que el consumo crece de forma casi proporcional a él. La ecuación estimada es \(\hat y =\) -0.31 + 1.75 \(x\), con \(y\) en gal/100 mi y \(x\) en miles de libras.
El peso tuvo un efecto positivo y significativo sobre el consumo (valor-p < 0.001). Cada 1000 libras adicionales aumentan el consumo medio en unos 1.75 galones por cada 100 millas. El modelo explicó el 81.5 % de la variabilidad del consumo (\(R^2 =\) 0.815), con un coeficiente de correlación \(r =\) 0.903 y un error estándar residual de 0.76 gal/100 mi.
Respecto a la verificación de los supuestos del modelo:
Asimismo, el análisis de varianza (ANOVA) confirmó la significancia global del modelo (\(F =\) 256.3, valor-p < 0.001). Con una confianza del 95 %, el coeficiente \(\beta_1\) se encuentra entre 1.53 y 1.97 (gal/100 mi por cada 1000 lb). Para un auto de 3000 lb, el consumo medio estimado es 4.94 gal/100 mi (intervalo de confianza de 4.75 a 5.14), y el consumo de un auto individual se espera entre 3.42 y 6.47.
Cabe destacar que el consumo también depende de otras características del vehículo, como su año de fabricación, su potencia y su motor, por lo que una sola variable no basta para predecir con precisión. Además, con solo 60 observaciones los resultados dependen de la muestra elegida, y con otra muestra o con toda la base (398 vehículos) los valores-p de las pruebas de supuestos pueden cambiar. Por último, los datos corresponden a autos de 1970 a 1982, por lo que los resultados no se pueden extender sin más a los vehículos actuales, y el análisis es asociativo: describe la relación entre el peso y el consumo, pero no mide por sí solo cuánto se ahorraría al aligerar un auto concreto.
En conclusión, el modelo del consumo en función del peso es válido y describe cómo aumenta el consumo de combustible a medida que crece el peso del vehículo, con un poder predictivo alto (\(R^2 =\) 0.815). Para mejorar la capacidad predictiva se recomienda ajustar un modelo de regresión lineal múltiple que incorpore, además del peso, el año del modelo y la potencia, y validarlo con toda la base de datos.
Quinlan, R. (1993). Auto MPG [Dataset]. UCI Machine Learning Repository. https://doi.org/10.24432/C5859H
Quinlan, R. (1993). Combining instance-based and model-based learning. En Proceedings of the Tenth International Conference on Machine Learning (pp. 236-243). Morgan Kaufmann.