Medida estadistica que cuantifica la variacion conjunta lineal de dos variables aleatorias $X$ e $Y$ respecto de sus medias. Un valor positivo indica que las variables tienden a moverse en la misma direccion; uno negativo, en direcciones opuestas. La covarianza no esta acotada y depende de las unidades de medida, lo que dificulta la comparacion directa entre pares de variables; el coeficiente de correlacion de Pearson normaliza esta medida.

Distribucion de probabilidad continua caracterizada por su media $\mu$ y varianza $\sigma^2$, cuya funcion de densidad es simetrica y en forma de campana. Es central en estadistica clasica por el Teorema Central del Limite: la suma estandarizada de variables i.i.d. con media y varianza finitas converge en distribucion a una normal estandar. En econometria, la normalidad de los errores no es necesaria para la validez asintotica de los estimadores MCO, pero si para la inferencia exacta en muestra finita.

Valor promedio ponderado de una variable aleatoria por su funcion de densidad o masa de probabilidad. Para variables continuas es $E[X] = \int_{-\infty}^{\infty} x f(x)\,dx$; para discretas, $E[X] = \sum_i x_i p_i$. La esperanza es lineal: $E[aX + bY] = aE[X] + bE[Y]$, propiedad fundamental en el calculo de momentos y en el analisis de estimadores insesgados.

Conjunto de metodos que resumen y describen las caracteristicas centrales de una muestra o poblacion mediante medidas de tendencia central (media, mediana, moda), dispersion (varianza, desviacion estandar, rango intercuartilico), forma (asimetria, curtosis) y asociacion (covarianza, correlacion). Es el punto de partida de cualquier analisis econometrico, permitiendo detectar valores atipicos, verificar supuestos distribucionales y formular hipotesis iniciales.

Una serie de tiempo es estrictamente estacionaria si su distribucion conjunta es invariante a traslaciones temporales. En la practica se usa la estacionariedad de segundo orden (debil o covariante): la media es constante, la varianza finita y la funcion de autocovarianza depende solo del rezago $h$, no del tiempo $t$. Las series no estacionarias (con raiz unitaria o tendencias deterministas) requieren transformaciones (diferenciacion, detrending) antes de aplicar modelos estandar para evitar regresiones espurias.

Una serie de tiempo $y_t$ tiene raiz unitaria si su proceso generador puede escribirse como $y_t = y_{t-1} + \varepsilon_t$ (caminata aleatoria), de manera que los choques tienen efectos permanentes y la varianza crece sin limite con $t$. Las series con raiz unitaria son no estacionarias; su uso en regresiones sin cointergracion produce relaciones espurias. Las pruebas de Dickey-Fuller Aumentado (ADF) y Phillips-Perron son los test mas usados para detectarla.

Secuencia de observaciones de una variable indexadas en el tiempo: $\{y_t\}_{t=1}^T$. El analisis de series de tiempo estudia la estructura de dependencia temporal (autocorrelacion, tendencia, estacionalidad) y construye modelos dinamicos como AR, MA, ARMA, ARIMA o VAR. A diferencia de los datos de corte transversal, las observaciones no son independientes entre si, lo que invalida supuestos estandar de MCO y requiere correccion de la inferencia.

Momento central de segundo orden de una variable aleatoria; mide la dispersion de los valores respecto a su esperanza matematica. La varianza muestral insesgada divide por $n-1$ (correccion de Bessel) para compensar el uso de la media muestral. En regresion, la varianza del termino de error $\sigma^2$ es el parametro clave que determina la precision de los estimadores MCO y los errores estandar.