TECNOLÓGICO NACIONAL DE MÉXICO

INSTITUTO TECNOLÓGICO DE TIJUANA

CARRERA
Ingeniería industrial

NOMBRE DE LA TAREA

ALUMNO Y NO. DE CONTROL

Camacho Castro Jonathan (20212277)

DOCENTE
ENRIQUE GONZALEZ BENITEZ
TIJUANA, BAJA CALIFORNIA, MÉXICO

FECHA DE ENTREGA

14 de septiembre del 2022

 Índice

Introducción___________________________________3
Hoja de verificación_____________________________4
Diagrama de Pareto _____________________________6
Estratificación _________________________________8
Diagrama de Ishikawa____________________________10

Diagrama de dispersión__________________________11

Histograma_____________________________________13

Graficas de control ______________________________14

Conclusión_____________________________________17
Introducción
 Los cuatro supuestos de la regresión lineal

La regresión lineal es un método estadístico útil que podemos utilizar para comprender
la relación entre dos variables, x y. Sin embargo, antes de realizar una regresión lineal,
primero debemos asegurarnos de que se cumplan cuatro supuestos:

1. Relación lineal: existe una relación lineal entre la variable independiente, x, y la

variable dependiente, y.

2. Independencia: Los residuos son independientes. En particular, no existe correlación

entre residuos consecutivos en datos de series de tiempo.

3. Homocedasticidad: Los residuos tienen varianza constante en cada nivel de x.

4. Normalidad: Los residuos del modelo se distribuyen normalmente.

Si se violan uno o más de estos supuestos, los resultados de nuestra regresión lineal
pueden ser poco fiables o incluso engañosos.

En esta publicación, proporcionamos una explicación para cada suposición, cómo

determinar si se cumple la suposición y qué hacer si se viola la suposición.

Supuesto 1: Relación lineal

El primer supuesto de la regresión lineal es que existe una relación lineal entre la
variable independiente, x, y la variable independiente, y.

Cómo determinar si se cumple este supuesto

La forma más fácil de detectar si se cumple esta suposición es crear un diagrama

de dispersión de x vs. y. Esto le permite ver visualmente si existe una relación
lineal entre las dos variables. Si parece que los puntos en la gráfica podrían caer a
lo largo de una línea recta, entonces existe algún tipo de relación lineal entre las
dos variables y esta suposición se cumple.

Por ejemplo, los puntos en la gráfica de abajo parece que caen aproximadamente
en una línea recta, lo que indica que existe una relación lineal entre x y:
Sin embargo, no parece haber una relación lineal entre x y en la siguiente gráfica:

Y en esta gráfica parece haber una relación clara entre x y, pero no una relación lineal:
 Qué hacer si se viola esta suposición

Si crea un gráfico de dispersión de los valores de x e y y ver que hay no una relación
lineal entre las dos variables, entonces usted tiene un par de opciones:

1. Aplicar una transformación no lineal a la variable independiente y / o dependiente.

Los ejemplos comunes incluyen tomar el logaritmo, la raíz cuadrada o el recíproco de la
variable independiente y / o dependiente.

2. Agregue otra variable independiente al modelo. Por ejemplo, si la gráfica de x vs. y

tiene una forma parabólica, entonces podría tener sentido agregar X 2 como una
variable independiente adicional en el modelo.

Supuesto 2: Independencia
El siguiente supuesto de la regresión lineal es que los residuos son independientes.
Esto es más relevante cuando se trabaja con datos de series de tiempo. Idealmente, no
queremos que haya un patrón entre residuos consecutivos. Por ejemplo, los residuos
no deberían crecer constantemente a medida que pasa el tiempo.

Cómo determinar si se cumple este supuesto

La forma más sencilla de probar si se cumple este supuesto es observar un gráfico de

serie de tiempo residual, que es un gráfico de residuos frente al tiempo. Idealmente, la
mayoría de las autocorrelaciones residuales deberían caer dentro de las bandas de
confianza del 95% alrededor de cero, que se ubican en aproximadamente +/- 2-sobre la
raíz cuadrada de n, donde n es el tamaño de la muestra.
 Qué hacer si se viola esta suposición
Dependiendo de la naturaleza de la forma en que se infringe esta suposición, tiene
algunas opciones:

 Para una correlación serial positiva, considere agregar rezagos de la variable

dependiente y / o independiente al modelo.
 Para una correlación serial negativa, verifique que ninguna de sus variables esté
sobre diferenciada.
 Para la correlación estacional, considere agregar variables ficticias estacionales
al modelo.