Los modelos log-lineales son modelos estadísticos útiles para explicar la interrelación entre un conjunto de variables aleatorias discretas $X = (X_1, \ldots, X_p)$. El modelo se expresa a través del logaritmo de la función de distribución conjunta, $\log(P(X_1 = x_1,\ldots,X_p = x_p))$. Si una de estas variables, digamos $X_1: 0,1$, es considerada como variable respuesta y el resto como explicativas, podemos considerar a un modelo de regresión logística para modelar el logaritmo del momio $log(P (X_1 = 1|X_2, \ldots, X_p)/P(X_1 = 0|X_2,\ldots, X_p))$.
Estos dos modelos guardan una relación estrecha en el sentido que a través de cada uno de ellos puede expresarse la probabilidad condicional de $X_1$ dado el resto de las variables, $P (X_1 = 1|X_2 = x_2 ,\ldots, X_p = x_p )$. La probabilidad condicional $P (X_1 = 1|X_2 = x_2,\ldots,X_p = x_p)$ derivada del modelo log-lineal y la derivada de la regresión logística en general no son iguales.
En esta plática damos la condición bajo la cual esta probabilidad condicional es la misma bajo un modelos log-lineales jerárquico y bajo una regresión logística. Se presenta un ejemplo de aplicación que ilustra la utilidad de los modelos y la relación que guardan entre ellos. Adicionalmente presentamos los mismos ejemplos desde la perspectiva de los modelos gráficos dirigidos probabilísticos, también conocidos como redes Bayesianas.