1. Permite el análisis de conjunto de dos características de los individuos de una población al determinar la relación entre estas, mediante el ambiente de un estudio de acuerdo a las herramientas mas adecuadas para su desarrollo.
1.1. Abarca temas
1.1.1. Regresión Lineal
1.1.2. Correlación
1.1.3. Diagramas de dispersión
2. Regresión
2.1. Es la estimación de una variable en función de otro valor conocido.
2.2. Regresión Lineal Simple
2.2.1. Es la encargada de relacionar dos variables restringiendo una de ella respecto a la otra, con el objetivo de estudiar las variaciones cuando una esta constante y la otra en continuo cambio.
2.2.1.1. Cuando se trata de os Variables
2.2.1.1.1. X es variable independiente de Y, y Y es dependiente de X.
2.3. Regresión Lineal
2.3.1. Determina de dependencia de los valore de X y Y en la posicion que va tomar X
3. Coeficiente de determinación lineal
3.1. Una vez elegida la función rectilínea para representar la relación de dependencia de Y sobre X y estimados sus parámetros a y b, a continuación se procede al cómputo del coeficiente de determinación lineal con objeto de medir el grado de dependencia de Y sobre X bajo la función de regresión lineal estimada.
3.1.1. https://callisto.ggsrv.com/imgsrv/FastFetch/UBER1/edes_0001_0001_0_img0521
4. Modelo de análisis de regresión
4.1. Determinista
4.1.1. "Cuando se sustituye el valor de la variable de predicción en la ecuación con los valores especificados de α y β, se determina un valor único de Y, sin considerar un margen de error." pág. 677
4.1.1.1. Y = α2 + β2X2
4.2. Probabilistico
4.2.1. "que debería incluir algunos supuestos acerca del error. Por ejemplo, para trabajar con la relación de las ventas y el número de anuncios televisivos" pág. 677
4.2.1.1. Yi = α1 + β1Xi1 + εi
5. Coeficiente de determinación
5.1. Término usado en el análisis de regresión para denotar la proporción relativa de la variación total en la variable de criterio que puede explicarse mediante la ecuación de regresión ajustada.
5.1.1. https://callisto.ggsrv.com/imgsrv/FastFetch/UBER1/invm_0001_0001_0_img0383
6. Error estándar
6.1. Cuando se desconoce la varianza población σ2, una estimación sin sesgo está dada por la raíz cuadrada de la desviación estándar de la muestra, ŝ, a saber:
6.1.1. https://callisto.ggsrv.com/imgsrv/FastFetch/UBER1/invm_0001_0001_0_img0372
7. Inferencia del coeficiente dependiente
7.1. En otras palabras, si se seleccionan muestras repetidas de la población de territorios de ventas y se calcula un valor de β̂1 para cada muestra, la distribución de estas estimaciones seria normal y centrada en el parámetro poblacional verdadero β1. Por añadidura, es posible demostrar que la varianza de la distribución de los valores β̂1 o σβ̂12
7.1.1. https://callisto.ggsrv.com/imgsrv/FastFetch/UBER1/invm_0001_0001_0_img0375