Analisis de Regresión:  dependencia de la variable dependiente, Y, respecto a una o mas variables explicativos, Xs, con el objetivo de estimar y/o predecir la media o valor promedio poblacional de Y en terminos de los valoes conocidos o fijos de las Xs. 

 FRP: es el lugar geomtrico de las medias condiconales de la variable dependiente para los valores fijos de las variables explicativos. Si es lineal la funcion es E(Y/X) = B0 + B1x ; si es cuadratica seria B0 + B1x + B2x2

establece una relacion deterministica entre el valor promedio de Y y las X 

Error poblacional: si se plantea la especificacion estocastica de la FRP se debe agregar un termino de error poblacional estocastico, u, que toma valores positivos y negativos desconocidos 

el termino de error representa la diferencia entre el valor individual de Y y el valor promedio de Y condicional a X 

que representa el error poblacional ? R: marco conceptual incompleto, no disponibilidad de la info, variables medidas con error.

MCO: es una tecnica de estimacion de los parametros poblacionales a partir de errores estimados, la tecnica minimiza la sumatoria de errores estimados al cuadrado en funcion de los parametros estimados esto es busca los beta gorro que minimizan dicha sumatoria.

MCO en una regresion simple: usando las reglas del calculo se diferencia la sumatoria respecto a cada beta gorro y se iguala a cero, generando 2 ecuaciones normales que contienen dos incognitas.

Supuestos modelo clasico de regresion: 1) modelo de regresion lineal en los parametros. 2) los valores de X son fijos en muestreo repetido. X se supone no estocastica. 3) el valor medio de la perturbación u es igual a cero. 4) Homosedasticidad o igual varianza de u. 5) no existe autocorrelacion entre las perturbaciones. 6) la covarianza de u y x es cero. 7) el numero de observaciones n debe ser mayor al numero de parametros a estimas. 8) variabilidad en los valores de X. 9) modelo de regresion esta especificado, osea no hay sesgo de especificacion o error en el modelo utilizado en el trabajo. 10) para modelos de mas de una variable explicativa. no hay multicolinealidad perfecta, no hay relaciones perfectamente lineales entre variables explicativas.
Precision de estimadores MCO: equivale a la desviacion estandar de las estimadores (beta gorro)
Propiedades estimadores MCO: lineal: funcion lineal de una variable aleatoria, tal como la vairbale dependiente Y en el modelo de regresion
Insesgado: su valor esperado o promedio, es igual al verdadero valor.
Varianza minima, denro de la clase de todos los estimadores lineales e insesgados, es conocido como estimador eficiente

Teormea de Gauss-Markov: sirve para comparar bondades de estimadores bajo tecnicas alternativas o bajo violacion de supuestos del modelo clasico.
Bondad del ajuste de regresion R2: coeficiente de determinacion, mide cuan bien se ajusta la regresion a los datos de la muestra