Revista Científica de Ingeniería, Industria y Arquitectura
Vol.9, Núm.17 (ene-jun 2026) ISSN: 2737-6451
Cita sugerida: Jácome-Vélez, W., Vilela-Sabando, J., Cedeño-Hormaza, M.,
& Jácome-Duarte, C. (2026). Predicción del consumo energético mediante un
modelo matemático de regresión lineal a partir de la producción diaria en la
planta envasadora Q’Agua. Revista Científica FINIBUS – Ingeniería,
Industria y Arquitectura, 9(17), 129-138.
https://doi.org/10.56124/finibus.v9i17.011
DOI: https://doi.org/10.56124/finibus.v9i17.011
Recibido: 16-09-2025 Revisado: 10-12-2025
Aceptado: 20-12-2025 Publicado: 01-01-2026
Artículo original
Predicción del consumo energético mediante un
modelo matemático de regresión lineal a partir de la
producción diaria en la planta envasadora Q’Agua
Walter Jácome-Velez[1]
Joselyn Vilela-Sabando[1]
Mayerli Cedeño-Hormaza[1]
Cristian Jácome-Duarte [1]
[1] Facultad de Ciencia de la Industria y Producción. Universidad Técnica Estatal de Quevedo (UTEQ). Quevedo, Ecuador.
Autor para correspondencia: wjacomev@uteq.edu.ec
Resumen
En las industrias, la eficiencia energética se ha convertido en un desafío, donde en las plantas envasadoras de agua, tienen altos
costos de operación debido al consumo de electricidad. El objetivo de este artículo fue predecir el consumo de energía eléctrica
de la planta envasadora de agua Q’Agua mediante un modelo de regresión lineal simple, donde la producción diaria es la
variable independiente y los kWh la variable dependiente. Los datos se registraron mediante observación directa, escribiendo
el total de unidades envasada, así como también el consumo diario de electricidad. En los resultados el coeficiente de
determinación (R2) que es del 99.27% mostraron una correlación positiva extraordinaria entre la producción y la demanda de
energía. El análisis de Kolmogorov-Smirnov mostró desviaciones respecto a la normalidad en los residuos, aunque el modelo
en general mostró ser significativo (P < 0.05). Este estudio ofrece una herramienta de predicción que optimice la gestión
energética en las practicas sostenibles de los procesos industriales.
Palabras Clave: eficiencia energética; regresión lineal; producción; predicción; sostenibilidad.
Article
Prediction of energy consumption using a linear regression mathematical model based on
daily production at the Q'Agua bottling plant
Abstract
In industries, energy efficiency has become a challenge, where in water bottling plants, they have high operating costs due to
electricity consumption. The objective of this article was to predict the electrical energy consumption of the Q'Agua water
bottling plant using a simple linear regression model, where daily production is the independent variable and kWh the dependent
variable. The data were recorded by direct observation, writing down the total units packaged as well as the daily electricity
consumption. In the results, the coefficient of determination (R2), which is 99.27%, showed an extraordinary positive
correlation between energy production and demand. The Kolmogorov-Smirnov analysis showed deviations from normal in the
residuals, although the overall model was significant (P < 0.05). This study offers a prediction tool that optimizes energy
management in sustainable practices of industrial processes.
Keywords: energy efficiency; linear regression; production; prediction; sustainability.
130
Vol.9, Núm.17 (ene-jun 2026) ISSN: 2737-6451
Jácome-Vélez et al. (2026) https://doi.org/10.56124/finibus.v9i17.011
1. Introducción
En la actualidad, la sostenibilidad y la eficiencia energética
se han convertido en metas esenciales en la gestión
industrial, la capacidad de prever el consumo de energía se
ha vuelto fundamental para las organizaciones, en este
contexto, las plantas envasadoras de agua enfrentan el
desafío de operar bajo condiciones dinámicas que influyen
directamente en su gasto energético (Poveda, 2007).
Dado que este factor repercute en los costos operativos y en
la huella ambiental de las organizaciones, los modelos
matemáticos surgen como herramientas para el análisis y la
proyección de datos relacionados con su utilización
(Gonçalves Fernandes et al., 2017).
Una de las metodologías utilizadas en este ámbito es la
regresión lineal simple, el cual es un enfoque que permite
establecer una relación entre variables independientes y
dependientes a través de una función lineal.
Al comprender la relación entre la producción diaria y el
consumo energético, las empresas pueden ajustar sus
estrategias de operación, implementando medidas de
eficiencia energética que respondan a la demanda
proyectada.
En el caso de la planta envasadora de agua, la producción
diaria puede ser considerada una variable independiente que
influye directamente en el consumo energético de la planta.
Mediante el uso de un modelo de regresión lineal, se puede
analizar cómo las variaciones en la producción impactan el
gasto energía diario (Hechavarría Pérez et al., 2015).
El software R-Studio se presenta como una herramienta
integral para la implementación de este tipo de análisis, ya
que nos proporciona un entorno intuitivo para realizar
modelos estadísticos y predictivos, mediante la combinación
de datos de producción diarios y consumo energético.
RStudio simplifica la tarea de limpiar y organizar datos,
utilizar modelos estadísticos como la regresión lineal, crear
gráficos para visualizar tendencias y evaluar la precisión de
modelos predictivos. Estas capacidades mejoran la
comprensión de cómo las variables afectan los resultados y
garantizan información confiable para respaldar decisiones
(Caselli Gismondi & Beltrán Canessa, 2025).
En esta investigación, se presentará un modelo matemático
de regresión lineal aplicado a una planta envasadora de agua,
donde se va a estudiar la metodología utilizada para la
recolección y análisis de datos, así como los resultados
obtenidos a partir de la implementación del modelo en R-
Studio.
Se espera que este estudio contribuya a la mejora del
rendimiento energético en la planta envasadora de agua y
que también sirva de referencia para otras industrias que
enfrentan desafíos similares. A medida que la conciencia
crece sobre la sostenibilidad energética, la implementación
de técnicas de análisis de datos, como la regresión lineal en
programas como R-Studio, se vuelve cada vez más relevante.
La regresión lineal es una herramienta fundamental en el
análisis estadístico que nos permite comprender y predecir
cómo se comporta una variable dependiente en relación con
una variable independiente, siempre que ambas sean
continuas. La forma más básica, conocida como regresión
lineal simple, establece esta conexión utilizando únicamente
una variable predictiva y una función lineal (Espinosa
Martínez, 2025).
2. Background
En su investigación (Arellano & Peña, 2020), desarrollaron
dos modelos de análisis de regresión lineal con múltiples
factores para pronosticar el consumo de agua potable en el
sector residencial, basados en indicadores
sociodemográficos, socioeconómicos, administrativos y de
calidad del agua, así como en factores climáticos.
El primer modelo, con una precisión del 80,87 %, estima el
consumo semestral per cápita a partir de 19 variables,
mientras que el segundo, con una precisión del 38,88 %,
pronostica el consumo mensual utilizando solo 6 variables.
Ambos enfoques son herramientas útiles para garantizar una
distribución racional de los recursos hídricos, siempre que la
información se actualice periódicamente.
(Fernández Lizana, 2020), plantea R como una herramienta
básica para el análisis y la presentación de datos en las
ciencias sociales, resaltando sus ventajas frente a los
programas estadísticos comerciales. También señala que R,
al ser gratuito, versátil y de código abierto, se ha convertido
en un lenguaje común en el campo de la estadística, capaz de
ejecutar una amplia gama de procedimientos y crear gráficos
de alta calidad. Por otra parte, destaca que su creciente
aceptación en los ámbitos académico y de investigación lo
convierte en una opción sólida y accesible para los
científicos sociales, en consonancia con la filosofía del
software libre.
En su estudio, (Fernando Cardona Madariaga et al., 2013),
aplicaron un modelo de regresión lineal al análisis de la
pobreza en Colombia, utilizando datos de 2010 y 2011
relativos a las trece ciudades más grandes del país. A partir
de esta información, los autores determinaron que las tasas
de crecimiento de la pobreza en 2011 se encontraban entre el
0,83 % y el 1,053 % por cada 1 % de crecimiento registrado
en 2010.
131
Vol.9, Núm.17 (ene-jun 2026) ISSN: 2737-6451
Predicción del consumo energético mediante un modelo matemático de regresión lineal a partir de la
producción diaria en la planta envasadora Q’Agua
El estudio permitió realizar pronósticos sobre la situación de
la pobreza en estas ciudades y proponer posibles
orientaciones de política pública destinadas a reducir los
indicadores observados. Los investigadores subrayaron la
importancia de ser conscientes de que los modelos de
regresión, aunque son útiles para describir las interrelaciones
y obtener estimaciones, no permiten establecer relaciones
causales entre las variables analizadas.
Autores, (Avello Martínez & Losa Seisdedo, 2017), destacan
la relevancia de utilizar herramientas estadísticas en la
ciencia, centrándose en el papel de R como un software
gratuito y de código abierto para el análisis de datos. Los
autores subrayan que este entorno de programación no solo
facilita la creación de modelos predictivos y el manejo de
cálculos complejos, sino que también fomenta valores como
la colaboración, la reproducibilidad y el acceso libre al
conocimiento, resaltando las ventajas de su sintaxis
amigable, su amplia comunidad de usuarios y las diversas
interfaces desarrolladas, como R-Commander, RKWard y
RStudio, que amplían sus capacidades y hacen su uso más
sencillo. R es una alternativa robusta y sostenible frente a los
programas estadísticos comerciales, lo que ayuda a
promover una investigación científica más accesible e
independiente.
En el artículo titulado "RStudio y su importancia en la
educación", (Rivera Cruz, 2022), explora cómo RStudio se
integra en la enseñanza de las matemáticas. Resalta su papel
como una herramienta educativa que no solo facilita el
aprendizaje, sino que también mejora la comprensión y
aumenta la motivación de los estudiantes. El autor sostiene
que, en un contexto donde los métodos de enseñanza están
en constante evolución y las tecnologías de la información y
la comunicación tienen un gran impacto, el uso de programas
como RStudio puede enriquecer la resolución de problemas
y transformar las prácticas educativas, fortaleciendo así las
competencias básicas de los estudiantes.
La relevancia de este estudio radica en que (Rodríguez
Mañay et al., 2015), utilizaron un modelo de regresión lineal
para identificar los parámetros más adecuados para calcular
la tasa estándar de los gastos generales de producción.Al
analizar diferentes variables, como el tiempo de
funcionamiento de las máquinas, el tamaño de los lotes de
producción y las horas de mano de obra indirecta,
concluyeron que el tiempo de funcionamiento de las
máquinas era el factor más preciso para explicar estos costos.
Esta herramienta resulta ser muy útil para los contadores, ya
que se puede aplicar a cualquier tipo de empresa
manufacturera y refuerza la importancia de las estadísticas
en el análisis contable.
En la investigación de (De Lucas Coloma, 2018), utiliza
regresión lineal, el cual ha demostrado que esta técnica es
muy útil para analizar cómo se relacionan distintas variables.
Por ejemplo, un estudio sobre las emisiones de CO₂ en
Ecuador mostró cómo el crecimiento de la población influye
en las emisiones de combustible, evidenciando una relación
directa.
Este enfoque demuestra que la regresión lineal permite
identificar factores clave y predecir patrones a partir de datos
confiables. De manera similar, en la industria, esta
herramienta ayuda a anticipar el consumo de energía según
la producción diaria, mejorando la eficiencia de los recursos
y apoyando la toma de decisiones. Así, los métodos
aplicados en estudios ambientales sirven como referencia
para crear modelos predictivos en eficiencia energética (De
Lucas Coloma, 2018).
3. Metodología
La metodología empleada en esta investigación es de
observación directa y analítica, su estructura consta dos fases
principales. La primera fase consiste en un registro diario de
la producción total y de los kWh. Esta etapa permite
contextualizar el estado actual del campo de estudio y
evaluar las tendencias y patrones en el consumo de energía
eléctrica. En la segunda fase, se lleva a cabo una actividad
en un contexto no experimental para realizar un análisis
cuantitativo.
Con la finalidad de estudiar este modelo matemático, se
utilizan los datos tomados de una muestra real, extraídos del
medidor de consumo energético que nos revela diariamente
los kilovatios-hora (kWh) que se han consumido a lo largo
de la producción diaria de envasado de botellas y la
producción total de llenados de botellas es una jornada diaria
de trabajo.
3.1 Modelo de Regresión lineal simple
y se conocen como los parámetros del modelo, y la
letra griega épsilon ( ) es una variable aleatoria que se
conoce como el error. El término del error da cuenta de la
variabilidad de y que no puede ser explicada por la relación
lineal entre “X” y “Y” (David R et al., 2008).
Las distancias entre los puntos y la recta de regresión se
denominan residuos. Contienen la parte de la respuesta que
no se explica mediante la ecuación de regresión, es decir, la
diferencia entre el valor aproximado y el valor observado es
el residuo.
En cualquier análisis de regresión, indicará que algunos
puntos están más cerca de la línea y otros mucho más
alejados, entre más cerca se encuentren los puntos a la línea,
mejor será el ajuste entre la línea de regresión y el dato. Los
132
Vol.9, Núm.17 (ene-jun 2026) ISSN: 2737-6451
Jácome-Vélez et al. (2026) https://doi.org/10.56124/finibus.v9i17.011
residuos permiten verificar la ecuación con el fin de
demostrar que tanto se ajusta la línea a los datos
(Carrasquilla-Batista et al., 2016).
3.2 Tipos de relación entre dos variables
En general, existen cuatro tipos posibles de relación entre
variables (ver Figura 1) , a saber: relación lineal directa,
relación lineal inversa, relación no lineal directa y relación
no lineal inversa, cuya estructura formal y funcional permite
explicar objetivamente las actividades destinadas a decidir
qué ecuación utilizar, qué ecuación se ajusta mejor a los
datos y cómo validar la significación estadística de las
predicciones realizadas (Fernando Cardona Madariaga et al.,
2013).
Figura 1. Tipos de relación entre dos variables
3.1 Procedimiento
El estudio del modelo matemático se llevó a cabo en la planta
envasadora de Q'Agua, utilizando como unidades de medida
los datos de producción diaria (número de botellas llenas al
día) y el consumo de energía (en kWh). El propósito de este
estudio fue desarrollar un modelo matemático que pudiera
explicar y predecir el comportamiento de la demanda de
electricidad en función del número de botellas llenas durante
las horas de trabajo.
El desarrollo abarcó tres fases principales:
• Recolección de datos:
Los datos se recopilaron durante días laborables
consecutivos. En este periodo se tuvo en cuenta la
producción diaria de bidones llenos y el consumo eléctrico,
mediante lecturas obtenidas directamente de los medidores
de la fábrica como de la cantidad de bidones, por
observación.
Los registros se verificaron con el número de bidones
producidos y el nivel de consumo, lo que garantizó la
trazabilidad y la eliminación de posibles inconsistencias o
valores atípicos.
• Análisis exploratorio
El análisis exploratorio se centró en una primera evaluación
de los datos recopilados, con el propósito de comprender su
comportamiento e identificar posibles relaciones entre la
producción y el consumo de electricidad. Se elaboró una
serie gráficos para identificar tendencias lineales y efectuar
cálculos de estadísticos descriptivos, tales como medias y
gráficos. Este análisis desempeñó un papel crucial a la hora
de determinar la validez del uso de modelos de regresión
lineal como instrumento de predicción.
• Modelado estadístico
En el modelo estadístico, se utilizó una regresión lineal
simple donde el consumo de energía se definió como la
variable dependiente en kWh, mientras que la producción de
bidones de agua actuó como la variable independiente.
Los parámetros del modelo se estimaron a través del método
de mínimos cuadrados, y se revisaron las hipótesis de
validez: linealidad, homocedasticidad, normalidad de los
residuos e independencia temporal, además, se calcularon
los intervalos de confianza para los coeficientes estimados.
Este enfoque permitió crear un modelo predictivo que puede
ser muy útil en la gestión energética (Moral Peláez, 2006).
Materiales
Los materiales empleados en esta investigación incluyeron
principalmente medidores de energía, fuentes de
información documental y software estadístico, que fueron
esenciales para el análisis y el diseño metodológico de la
investigación. Cada uno de estos elementos fue seleccionado
con mucho cuidado para asegurar la precisión de los datos,
la exactitud del análisis y la relevancia de los resultados.
Equipos de medición
Para la medición de los kilovatios-hora, se obtienen los datos
de medidores digitales de energía eléctrica colocados en la
planta, con registros diarios en kWh. Las mediciones se
Recta Directa
Y
X
X
Y
Recta Inversa
Curvilínea
Inversa
Y
X
Curvilínea
Directa
Y
X
133
Vol.9, Núm.17 (ene-jun 2026) ISSN: 2737-6451
Predicción del consumo energético mediante un modelo matemático de regresión lineal a partir de la
producción diaria en la planta envasadora Q’Agua
realizaron siempre a la misma hora del día, lo que garantizó
la uniformidad y comparabilidad de las series de datos.
Fuentes de información
Las principales fuentes de información corresponden a los
informes diarios de producción de la planta y a los datos
sobre el consumo energético. Los datos de producción se
obtuvieron de los reportes oficiales del departamento
operativo, mientras que los datos de consumo se obtuvieron
del sistema digital de suministro energético.
Software
El procesamiento de datos y la creación de modelos
estadísticos se realizaron utilizando R-Studio, un software
especializado en análisis estadístico y visualización gráfica.
En consecuencia, se utilizaron múltiples paquetes para
facilitar la recopilación de datos, la generación de diagramas
de dispersión y la estimación de regresiones lineales. El uso
de R-Studio garantizó la fiabilidad analítica y la
transparencia metodológica, lo que permitió la elaboración
de informes y resultados claros. Esta herramienta desempeñó
un papel crucial en la obtención de conclusiones sólidas
basadas en pruebas empíricas.
Configuración de equipos
Para llevar a cabo el análisis de regresión lineal, se empleó
tanto una computadora de escritorio como una laptop, ambos
con la potencia necesaria para manejar datos y ejecutar
aplicaciones estadísticas. Cada uno de estos equipos tenía
instalado el programa R-Studio, lo que facilitó el desarrollo,
la práctica y la aplicación del modelo matemático de manera
efectiva.
La configuración de las máquinas proporcionó un entorno
estable para manipular datos, ejecutar códigos, generar
gráficos y obtener resultados precisos, lo que garantizó la
confiabilidad y la reproducibilidad del análisis.
Recolección de datos
Para la recolección de datos se utilizó el método de
observación directa, donde se elaboró una tabla de los
valores tomados diariamente del consumo energético y de la
producción diaria de bidones llenos.
Tabla 1: Recolección de datos
Días
Bidones llenos
kWh consumidos
1
115
15
2
512
26
3
267
16
4
128
24
5
445
23
6
237
14
7
102
9
8
477
24
9
291
16
10
220
13
11
535
27
12
168
12
13
300
17
14
388
21
15
441
23
16
463
24
17
395
21
18
110
9
19
199
13
20
458
23
21
198
13
22
184
12
23
128
10
24
235
14
25
358
19
26
262
16
27
181
12
28
385
20
29
262
16
30
419
22
31
596
29
32
139
10
33
493
25
34
453
23
35
166
12
36
429
22
37
391
21
38
164
12
39
331
18
40
567
28
41
409
22
42
225
13
43
135
11
44
295
17
45
303
17
46
189
13
47
126
10
48
403
21
49
139
11
50
289
17
51
377
20
52
353
18
53
397
21
54
204
14
55
585
29
56
359
18
57
298
18
58
477
24
59
149
11
60
138
11
61
265
16
62
440
23
63
270
15
64
113
10
65
433
22
134
Vol.9, Núm.17 (ene-jun 2026) ISSN: 2737-6451
Jácome-Vélez et al. (2026) https://doi.org/10.56124/finibus.v9i17.011
4. Resultados
4.1. Estadística descriptica
Análisis de la variable producción
El histograma y la tabla de frecuencias (ver Figura 2, Tabla
2, 3) muestran cómo se distribuye la producción de bidones
de agua en siete clases. El primer intervalo [102,173]
presenta la mayor concentración de datos, con 16
observaciones que representan el 23,88 % del total. Esto
indica una producción inicial elevada en comparación con
otras áreas. La frecuencia tiende a disminuir a medida que
aumenta el valor de producción, pero en los intervalos
medios, como [384,455], se observan ligeros aumentos. El
histograma muestra una distribución irregular con
fluctuaciones que indican cierta dispersión en la producción,
sin que se aprecie un patrón de simetría evidente.
Tabla 2: Medidas de tendencia central de la variable producción
Tabla 3: Tabla de frecuencia de la variable producción
Figura 2. Histograma de la variable producción.
Al realizar la tabla de frecuencias y preparar el histograma
del consumo energético en kWh (ver Figura 3, Tabla 5, 6),
también podemos observar que las frecuencias más elevadas
se hallan en el intervalo medio [12,4, 15,7] y en el intervalo
[19, 22,4]; ambos intervalos han sido representados por 12 y
15 observaciones, que significa el 17,91 % y el 22,38 %
respectivamente. Esto haría suponer que el consumo
mayormente se halla en el intervalo medio, indicando por su
parte que las costumbres de consumo son relativamente
estables. En lo que se refiere a los extremos, tanto los valores
mínimos [5,73, 9,07] como los valores máximos [25,7, 29]
se observan con poca frecuencia, lo que significa que en el
grupo de investigación no se generan frecuentemente
consumos inusualmente altos o muy bajos.
Tabla 4: Medidas de tendencia central de la variable kWh
Tabla 4. Tabla de frecuencia de la variable kWh
Figura 3. Histograma de la variable kWh. .
Cada punto de la recta (ver Figura 4) representa una
observación, es decir, cuánta más energía se consumió
cuando se produjo una determinada cantidad de bidones
llenos. El gráfico muestra que a medida que aumenta la
producción, también aumenta el consumo de energía y su
Media
Mediana
Moda
Desviación
Estándar
302.63
267
128
163.40
Clase
ni
Ni
F1
Fi
acumulado
[102, 173)
16
16
0.2388
0.2388
[173, 243)
10
26
0.1492
0.3880
[243, 314)
12
28
0.1791
0.5671
[314, 384)
5
43
0.0746
0.6417
[384, 455)
14
57
0.2089
0.8507
[455, 525)
6
63
0.0895
0.9402
[525, 596)
4
67
0.0597
1
Media
Mediana
Moda
Desviación
Estándar
18.45
16
22
5.75
Clase
ni
Ni
F1
Fi acumulado
[5.73, 9.07)
3
3
0.0447
0.0447
[9.07, 12.4)
13
16
0.1940
0.2388
[12.4, 15.7)
10
26
0.1492
0.3880
[15.7, 19)
15
41
0.2238
0.6119
[19, 22.4)
12
53
0.1791
0.7910
[22.4, 25.7)
10
63
0.1492
0.9402
[25.7, 29)
4
67
0.0597
1
135
Vol.9, Núm.17 (ene-jun 2026) ISSN: 2737-6451
Predicción del consumo energético mediante un modelo matemático de regresión lineal a partir de la
producción diaria en la planta envasadora Q’Agua
relación es bastante continua y ordenada donde no se
observan valores atípicos que se desvíen de la tendencia.
}}
Figura 4: Diagrama realizado en R Studio
4.2. Ajuste del modelo
El modelo de regresión lineal que relaciona la variable Y con
la variable X (ver Figura 5) muestra un ajuste significativo.
El intercepto es 4.9592 y el coeficiente asociado a las horas
de estudio es 0.040, lo cual indica que, por cada hora
adicional de estudio, la nota final se incrementa en promedio
en 0.075 puntos, manteniendo las demás condiciones
constantes. El valor p- value es < 2e-16, lo cual evidencia
que esta relación es significativa. El R2 es de 0.9927 lo que
representa un 99.27% de la variabilidad de los kWh a partir
de la producción diaria de bidones de agua, siendo un ajuste
estable.
Figura 5: Ajuste del modelo realizado en RStudio
El error estándar de los residuos es de 0.4801 lo que significa
que es bajo y permite confirmar que las predicciones de los
modelos sólidos, estos resultados indican que la relación
entre los kWh y la producción de bidones diarios es positiva
y estadísticamente significativa.
4.3. Modelo lineal ajustado
Y= 4.9592389 + 0.403070*X+ ε
Los resultados de la evaluación del modelo de residuos
utilizando el test de Kolmogorov-Smirnov muestran un valor
D = 0,095886 y un valor p = 0,5885, dado que estos
resultados superan el nivel de significancia (α = 0,05), se
puede argumentar que los residuos no siguen la distribución
normal. Por lo tanto, se rechaza la hipótesis nula y se acepta
la hipótesis alternativa. Esto indica que los errores del
modelo no siguen una distribución normal, lo que puede
afectar a la validez de los determinados análisis estadísticos.
Los puntos del diagrama de dispersión y de los valores
ajustados (ver Figura 6) se distribuyen aleatoriamente
alrededor de la línea central cero, no se aprecian patrones
claros o concentraciones que indiquen una tendencia al alzar
o a la baja, demostrando que si existe homocedasticidad.
Esto se debe a que la dispersión de los residuos se mantiene
constante a lo largo de los valores previstos. Así mismo, no
se observan asimetrías significativas ni acumulaciones
excesivas lo cual nos indica que los errores están distribuidos
uniformemente, lo que respalda la hipótesis de la normalidad
de los residuos.
5. Discusión
El modelo de regresión lineal simple muestra una correlación
positiva significativa entre los kWh y la producción diaria de
bidones de agua, siendo el R2 = 99 % de la varianza en el
rendimiento académico. El P-value = 2.2e-16 siendo menor
a 0.05 nos indica que el modelo de regresión lineal simple es
aceptable.
Los resultados de la prueba de Kolmogorov-Smirnov (p =
0,5885) muestran que el valor p supera el nivel de
significación (α = 0,05), siguiendo con este criterio, se
rechaza la hipótesis nula, por lo que podemos decir que los
residuos no siguen una distribución normal. La
comprobación de la normalidad de los residuos es
fundamental en el análisis estadístico que utiliza este
modelo, ya que aumenta la fiabilidad de las conclusiones y
los resultados.
136
Vol.9, Núm.17 (ene-jun 2026) ISSN: 2737-6451
Jácome-Vélez et al. (2026) https://doi.org/10.56124/finibus.v9i17.011
Figura 6: Plot para residuos del modelo.
6. Conclusiones
Los resultados del modelo de regresión lineal simple que
combina la producción diaria de bidones de agua (variable
independiente) y el consumo de energía en kilovatios-hora
(variable dependiente), revela una fuerte correlación positiva
entre estas dos variables, con un coeficiente de
determinación R² del 99,27 %, lo que indica que la
producción explica casi toda la varianza del consumo de
energía. El modelo resultante Y = 4,959 + 0,0403X es
estadísticamente significativo (valor p < 2e-16). Aunque la
prueba de Kolmogorov-Smirnov sugiere que los residuos no
siguen una distribución normal (p = 0,5885), el análisis
gráfico confirma la simetría para predecir la actividad de la
planta.
Referencias
Arellano, A., & Peña, D. (2020). Modelos de regresión lineal
para predecir el consumo de agua potable. Sinergia,
Revista de Ciencia, Ingeniería y Tecnología. 3(1).
https://novasinergia.unach.edu.ec/index.php/novasinerg
ia/article/view/144/158
Avello Martínez, R., & Losa Seisdedo, A. (2017). El
procesamiento estadístico con R en la investigación
científica. Medisur, Revista de Ciencias Médica
Universidad Cien Fuegos. 15(5)
http://medisur.sld.cu/index.php/medisur/article/view/36
62
Beltrán Canessa, P. (2025). Modelo Predictivo de
agroexportaciones para la Región La Libertad aplicando
Data Science con RStudio. [Tesis de posgrado.
Universidad Nacional del Santa]. Obtenido de
137
Vol.9, Núm.17 (ene-jun 2026) ISSN: 2737-6451
Predicción del consumo energético mediante un modelo matemático de regresión lineal a partir de la
producción diaria en la planta envasadora Q’Agua
https://alicia.concytec.gob.pe/vufind/Record/UNSR_4ff
bb166d948e629ce814a789be28f3e/Details
Cardona, D., González, J., Rivera, M., & Cárdenas Vallejo,
E. (2013). Aplicación de la regresión lineal en un
problema de pobreza. Revista Interacción, 12, 73-84.
https://www.google.com/url?sa=t&source=web&rct=j
&opi=89978449&url=http://revistas.unilibre.edu.co/ind
ex.php/interaccion/article/download/2315/1767&ved=2
ahUKEwj-
7_7muLSSAxWCRjABHd_rHWAQFnoECBgQAQ&u
sg=AOvVaw3154SfLIgWXv9XC5SX8kh3
Carrasquilla-Batista, A., Chacón-Rodríguez, A., Núñez-
Montero, K., Gómez-Espinoza, O., Valverde-Cerdas, J.,
& Guerrero-Barrantes, M. (2016). Regresión lineal
simple y múltiple: aplicación en la predicción de
variables naturales relacionadas con el crecimiento
microalgal. Revista Tecnología En Marcha, 29(8), 33.
https://doi.org/10.18845/tm.v29i8.2983
David R, A., Dennis J, S., & Thomas A, W. (2008).
Estadística Para Administración Y Economía. Pearson
Education. 7ma Edición. Obtenido de:
https://profefily.com/wp-
content/uploads/2017/12/Estadística-para-
administración-y-economia-Richard-I.-Levin.pdf
De Lucas Coloma, L. (2018). Análisis estadístico de las
emisiones de co2 por el consumo de combustible
gaseoso en ecuador mediante la aplicación de la
regresión lineal simple. Revista Caribeña de Ciencias
Sociales.
www.eumed.net/rev/caribe/2018/07/combustible-
gaseoso-ecuador.html
Espinosa Martínez, V. (2025). Regresión lineal simple. Vida
Científica Boletín Científico de la Escuela Preparatoria
No. 4. 13 (26)36–37.
https://repository.uaeh.edu.mx/revistas/index.php/prepa
4/article/view/14751/12306
Fernández Lizana, M. (2020). Ventajas de R como
herramienta para el Análisis y Visualización de datos en
Ciencias Sociales. Revista Científica de la UCSA. 7(2).
https://revista.ucsa-
ct.edu.py/ojs/index.php/ucsa/article/view/30/30
Gonçalves Fernandes, A. C., Moreira Cavalcanti, L. F.,
Siqueira Campos Barros, M. L., & Da Costa Oliveira, F.
M. (2017). Análises Descritivas e Microbiológicas das
Águas Minerais Envasadas e Comercializadas na Região
Metropolitana e Recife-PE. Ciência E Natura, 39(2),
272–284. https://doi.org/10.5902/2179460X23622
Hechavarría Pérez, J., Coello Velázquez, A., Robles
Proenza, D., & Menéndez Aguado, J. (2015). Eficiencia
energética en la trituración por impactos en la planta de
zeolitas de San Andrés (Holguín, Cuba). Dyna, 82(193),
93–97. https://doi.org/10.15446/dyna.v82n193.46085
Moral Peláez, I. (2006). Modelos de regresión: lineal simple
y regresión logística.
Poveda, M. (2007). Eficiencia energética: recurso no
aprovechado. Obtenido de: www.olade.org
Rivera Cruz, M. A. (2022). RStudio y su importancia en la
educación. Revista CNCI, 1(3).
https://doi.org/10.59142/rcnci.v1i3.13
Rodríguez Mañay, L., Saltos Chacán, M., & Muñoz Moreta,
E. (2015). Cálculo de la tasa predeterminada de los
costos indirectos de fabricación aplicados utilizando un
modelo de regresión lineal. Revista Publicando, 2(5).
https://revistapublicando.org/revista/index.php/crv/artic
le/view/87
Contribución de los autores (CRediT)
Jácome-Vélez, W.: Conceptualización, Curación de
contenidos y datos, Análisis formal de datos, Adquisición de
fondos, Investigación, Metodología, Recursos materiales,
Software, Redacción – borrador original, Redacción –
revisión y edición. Vilela-Sabando, J.: Conceptualización,
Curación de contenidos y datos, Análisis formal de datos,
Adquisición de fondos, Investigación, Metodología,
Recursos materiales, Software, Redacción – borrador
original, Redacción – revisión y edición. Cedeño-Hormaza,
M.: Conceptualización, Metodología, Administración de
proyecto, Supervisión, Validación, Visualización,
Redacción – revisión y edición. Jácome-Duarte, C.:
Administración de proyecto, Supervisión, Validación,
Visualización, Redacción – revisión y edición.
Todos los autores han leído y aceptado la versión publicada
del manuscrito.
Disponibilidad de datos
Los datos que respaldan los hallazgos de este estudio están
disponibles a solicitud razonable al autor de
correspondencia.
Conflicto de intereses
Los autores han declarado que no existe conflicto de
intereses en esta obra.
Declaración sobre el uso de IA generativa y tecnologías
asistidas por IA en el proceso de redacción
El manuscrito no contiene una declaración específica sobre
el uso de herramientas de inteligencia artificial durante su
elaboración. La autoría y responsabilidad del contenido
corresponden íntegramente a los autores.
Nota del Editor
Descargo de responsabilidad: Los datos, declaraciones,
opiniones contenidas en el documento son responsabilidad
únicamente de los autores y no de la Revista Científica
FINIBUS – Ingeniería, Industria y Arquitectura. La Revista
138
Vol.9, Núm.17 (ene-jun 2026) ISSN: 2737-6451
Jácome-Vélez et al. (2026) https://doi.org/10.56124/finibus.v9i17.011
y sus editores renuncian a toda responsabilidad por daño a
persona o propiedad resultante de los métodos,
instrucciones, producto o idea mencionado en el contenido.
Derechos de autor 2026.
Esta obra está bajo una licencia:
Internacional Creative Commons
Atribución-NoComercial-CompartirIgual
.4.0
Revista Científica FINIBUS - ISSN: 2737-
6451.
