1. Modelo de Análisis de Regresión
   1. Estadístico: Permite la incorporación de un componente aleatorio en la relación.
   2. Estandarizada: La pendiente β1 nos indica si hay relación entre dos variables.
   3. Deterministico: Bajo condiciones ideales, la variable independiente puede ser por una función matemática de las variables independientes.
2. Problemas con la Regresión
   1. Varianza no homogénea
   2. Relación no lineal
   3. Errores correlacionados
3. Análisis de Regresión
   1. Estudia la relación entre dos variables cuantitativas
   2. Técnica estadística usada para derivar una ecuación que relaciona una variable de criterio con una o más variables de predicción
   3. Estudia la fuerza de la asociación a través de una medida de asociación denominada coeficiente de correlación
4. Medidas de Estadística Bivariantes
   1. Regresión y correlación
   2. Diagrama de dispersión
   3. Regresión líneal simple
   4. Correlación
   5. Regresión Múltiple
5. Regresión Lineal
   1. Covaríanza de dos variables aleatorias X e Y
      1. Entre dos variables, Sxy, nos indica si la relación entre dos variables es directa o inversa
      2. El signo de la covarianza nos indica que la nube de los puntos es creciente o no pero no dice nada del grado de la relación entre variables
6. Coeficiente de Correlación Lineal de Pearson
   1. Si los puntos tienen una tendencia a disponerse alineadamente
   2. r es util para determinar si hay relación lineal entre dos variables. Pero no servira para cuadratica, logaritmica
   3. Tiene un mismo signo que Sxy
7. Regresión Multiple
   1. Principales Elementos a Considerar en el Análisis de la Regresión Múltiple
      1. Error tipico de predicción
      2. Coeficiente de correlación múltiple
      3. Coeficiente de correlación múltiple al cuadrado o coeficiente de determinación
      4. Análisis de varianza
      5. Coeficiente de determinación ajustado
      6. Análisis residuales
   2. Modelo de Regresión Lineal Multiple
      1. La regresión lineal es una técnica estadística destinada a análizar las causas de por qué pasan las cosas
      2. A partir de los análisis de correlación lineal múltiple podemos:
      3. Identificar que variables independientes (causas) explican una variable dependiente (resultado)
         1. Cómo análizar la regresión lineal múltiple
            1. Significado de F - test:
            2. En caso de estar por debajo de 0.05 se puede afirmar que el modelo a nivel estadístico es significativo, en este caso las variables independientes explicarían alguna cosa y las variables dependientes podrían validar cuanto "algo" es la R al cuadrado
            3. R cuadrado: Es el resultado de cuanto realmente se explica a través de las variables dependientes, las llamadas variables independientes. Tambien se conoce como coeficiente de determinación y también se explica como el ajuste de un modelo a la variable que intenta demostrar.
            4. Significación de t- test: Se aplica cuando la población utilizada para el estudio sigue una distribución normal, sin embargo, el tamaño de la muestra es muy pequeño y tiene muchos usos en estadística, pero en el caso de la regresión lineal se usa cuando la pendiente en la estadística difiere de cero
            5. Coeficiente Beta: Es muy utilizado en el campo de las finanzas para el cálculo de inversiones riesgosas, pero en el caso de la regresión lineal indica cuan intensa y la dirección que sigue la relación entre variables dependientes e independientes.
      4. Comparar y comprobar modelos causales
      5. Predecir valores de una variable, es decir, a partir de unas características predecir de forma aproximada un comportamiento o estado