diff --git a/README.md b/README.md
index e34cb47..e0aae21 100644
--- a/README.md
+++ b/README.md
@@ -49,5 +49,13 @@ El código "RegresionLasso.py" es el que se utiliza para este ejemplo, el modelo
 Por último, se presenta el modelo de red elastica, esta se encuentra en un punto medio entre la regresión Ridge y Lasso, ya que el término de regularización es una combinación entre los otros dos términos. Esta combinación se puede controlar con el valor del factor r, cuando vale 0, el comportamiento se asemeja a Ridge, mientras que al valer 1, es equivalente a Lasso. La función de costo se muestra a continuación  
 ![Función de costo Elastic](fig/ElasticaCosto.PNG)  
 El código "RegresionElastic.py" es el que se utiliza para este último ejemplo, se encontró una exactitud máxima del 87.72% al utilizar este método y se llegó a los valores 0.47876133*X^2 + 1.00204149*X+ 2.14224417, la grafica resultante se encuentra a continuación
-![Resultado del modelo Elastic](fig/RegresionElastica.png)
+![Resultado del modelo Elastic](fig/RegresionElastica.png)  
+
+El tema final del capitulo, es la regresión logistica. Este tipo de regresión es comunmente utilizada para estimar la probabilidad de que una instancia pertenezca a una clase en particular, si la probabilidad estimada es mayor que 50% entonces, el modelo predice que la instancia pertenece a la clase 1, en caso contrario, pertenece a la clase 0, en pocas palabras, es un clasificador binario. Este clasificador utiliza la siguiente ecuación  
+![Función de costo Logistica](fig/LogisticCosto.PNG)  
+Al igual que un modelo de regresión lineal, la regresión logistica computa una suma potenciada de las caracteristicas de entrada pero en lugar de sacar el resultado directamente, saca la logistica de este resultado, con la ecuación anterior. La logistica la hacen computando la función sigmoide que se muestra a continuación, esta función saca un numero entre 0 y 1.  
+![Función sigmoide](fig/Sigmoide.PNG)  
+
+
+