En muchas situaciones es de interés poder representar la relación de dependencia entre una variable respuesta y una o varias variables explicativas. Con este propósito introducimos los modelos de regresión. En una primera aproximación, lo más intuitivo es plantear un modelo de regresión paramétrico, es decir, que la forma del modelo sea totalmente conocida salvo por un cierto vector de parámetros, como es el caso de los modelos de regresión lineales. Sin embargo, en la práctica estos modelos no siempre ajustan bien la relación entre las variables que queremos representar, por lo que debemos recurrir a otro tipo de relaciones que nos den una mayor flexibilidad. En este contexto proponemos los modelos de regresión aditivos. Los modelos de regresión aditivos son modelos no paramétricos, por lo que son muy flexibles, pero a la vez su formulación nos permite interpretar el efecto que tiene cada una de las variables explicativas sobre la variable respuesta. A lo largo de este manuscrito se presentarán métodos de estimación de los modelos aditivos (usando ideas de mínimos cuadrados) prestando especial interés a la elección de los parámetros de suavizado, como en cualquier modelo no paramétrico. Finalmente, se ilustrará la utilidad de los modelos aditivos empleando una base de datos reales