CPD CalculationsRegression AnalysisCoefficients of Partial DeterminationIntermediate CalculationsSSR(X1,X2)62165856.9653108SST114730740SSR(X2)55359810.6353424SSR(X1 | X2)6806046.32996833SSR(X1)42569574.0447405SSR(X2 | X1)19596282.9205702Coefficientsr2 Y1.20.1146360079r2 Y2.10.2715627258

NOTX2Regression AnalysisCalculationsAll but X2b2, b1, b0 intercepts374.22321319.4047Regression StatisticsNote:b2, b1, b0 Standard Error79.0389556.2286Multiple R0.6091This worksheet does not recalculate.R Square, Standard Error0.37101378.0341R Square0.3710If regression data changes, rerun procedureF, Residual df22.417138Adjusted R Square0.3545to create an updated version of this worksheet.Regression SS, Residual SS42569574.044740572161165.9552595Standard Error1378.0341Observations40Confidence level95%t Critical Value2.0244ANOVAHalf Width b01126.0258dfSSMSFSignificance FHalf Width b1160.0059Regression142569574.044742569574.044722.41710.0000Half Width b2160.0059Residual3872161165.95531898978.0515Total39114730740.0000

CoefficientsStandard Errort StatP-valueLower 95%Upper 95%Lower 95%Upper 95%Intercept1319.4047556.22862.37210.0229193.37892445.4306193.37892445.4306X1374.223279.03894.73470.0000214.2173534.2292214.2173534.2292374.223279.03894.73470.0000214.2173534.2292214.2173534.2292

NOTX1Regression AnalysisCalculationsAll but X1b2, b1, b0 intercepts517.17601790.1606Regression StatisticsNote:b2, b1, b0 Standard Error86.8833382.9276Multiple R0.6946This worksheet does not recalculate.R Square, Standard Error0.48251249.9572R Square0.4825If regression data changes, rerun procedureF, Residual df35.432738Adjusted R Square0.4689to create an updated version of this worksheet.Regression SS, Residual SS55359810.635342459370929.3646576Standard Error1249.9572Observations40Confidence level95%t Critical Value2.0244ANOVAHalf Width b0775.1964dfSSMSFSignificance FHalf Width b1175.8860Regression155359810.635355359810.635335.43270.0000Half Width b2175.8860Residual3859370929.36471562392.8780Total39114730740.0000

CoefficientsStandard Errort StatP-valueLower 95%Upper 95%Lower 95%Upper 95%Intercept1790.1606382.92764.67490.00001014.96422565.35711014.96422565.3571X2517.176086.88335.95250.0000341.2900693.0620341.2900693.0620517.176086.88335.95250.0000341.2900693.0620341.2900693.0620

MRDataY VarX Variable 1X Variable 251201183545865300129769015720017435008543008736006315604020215112566220507115605221117323509236007546505336804325403268047532005249205353109623106342004765038646955635545335507254801011860413900634830541590325980676030126530076474042150022101021

MRCopyRegression AnalysisCalculationsb2, b1, b0 interceptsRegression Statisticsb2, b1, b0 Standard ErrorMultiple RERROR:#DIV/0!R Square, Standard ErrorR Square0.0000F, Residual dfAdjusted R SquareERROR:#DIV/0!Regression SS, Residual SSStandard Error0.0000Observations0Confidence level95%t Critical ValueERROR:#NUM!ANOVAHalf Width b0ERROR:#NUM!dfSSMSFSignificance FHalf Width b1ERROR:#NUM!Regression-10.00000.00000.0000ERROR:#NUM!Half Width b2ERROR:#NUM!Residual00.0000ERROR:#DIV/0!Total-10.0000

CoefficientsStandard Errort StatP-valueLower 95%Upper 95%Lower 95%Upper 95%Intercept0.00000.0000ERROR:#DIV/0!ERROR:#DIV/0!ERROR:#NUM!ERROR:#NUM!ERROR:#NUM!ERROR:#NUM!0.00000.0000ERROR:#DIV/0!ERROR:#DIV/0!ERROR:#NUM!ERROR:#NUM!ERROR:#NUM!ERROR:#NUM!0.00000.0000ERROR:#DIV/0!ERROR:#DIV/0!ERROR:#NUM!ERROR:#NUM!ERROR:#NUM!ERROR:#NUM!

COMPUTERegression AnalysisCalculationsb2, b1, b0 intercepts382.8870186.19641091.4801Regression Statisticsb2, b1, b0 Standard Error103.093485.0689485.0038Multiple R0.7361R Square, Standard Error0.54181191.9197ERROR:#N/AR Square0.5418F, Residual df21.879037ERROR:#N/AAdjusted R Square0.5171Regression SS, Residual SS62165856.965310852564883.0346892ERROR:#N/AStandard Error1191.9197Observations40Confidence level95%t Critical Value2.0262ANOVAHalf Width b0982.7110dfSSMSFSignificance FHalf Width b1172.3659Regression262165856.965331082928.482721.87900.0000Half Width b2208.8870Residual3752564883.03471420672.5145Total39114730740.0000

CoefficientsStandard Errort StatP-valueLower 95%Upper 95%Lower 95%Upper 95%Intercept1091.4801485.00382.25050.0305108.76902074.1911108.76902074.1911X Variable 1186.196485.06892.18880.035013.8304358.562313.8304358.5623X Variable 2382.8870103.09343.71400.0007174.0000591.7740174.0000591.7740

REGRESION CON EXCELSUMMARY OUTPUT

Regression StatisticsMultiple R0.7360987243R Square0.5418413318Adjusted R Square0.5170759984Standard Error1191.9196761741Observations40ANOVAdfSSMSFSignificance FRegression262165856.965310831082928.482655421.87902431170.0000005355Residual3752564883.03468921420672.51445106Total39114730740

CoefficientsStandard Errort StatP-valueLower 95%Upper 95%Lower 95.0%Upper 95.0%Intercept1091.4800503049485.00378628892.25045676170.0304515042108.76903398582074.1910666241108.76903398582074.1910666241X Variable 1186.196377503685.06888999442.18877168280.035000644113.8304337587358.562321248413.8304337587358.5623212484X Variable 2382.8869947972103.0933741633.71398257070.0006700917173.99997708591.7740125145173.99997708591.7740125145RESIDUAL OUTPUTPROBABILITY OUTPUT

ObservationPredicted YResidualsStandard ResidualsPercentileY16202.7361612219-1082.7361612219-0.93262508791.25101024878.3730391168-1333.3730391168-1.14851354593.75125636771.8195335227-1471.8195335227-1.26776575036.25150046564.63467643891125.36532356110.96934412228.75156053926.4026720187-1925.4026720187-1.658463899611.25156064495.4860443195-995.4860443195-0.8574713713.75159075261.260033914-961.260033914-0.827990470516.25186083357.319299718242.6807002820.209035328818.75200191836.2655603192-276.2655603192-0.237963967321.252021102405.3489326199-384.3489326199-0.331062607823.752050112974.4323049207-1718.4323049207-1.480188005926.252111122777.741687627-727.7416876271-0.626847222528.752310132788.2359274172-1228.2359274172-1.05795269531.252350143543.5156772215-1432.5156772215-1.233910999933.752540153533.0214374314-1183.0214374314-1.019006764136.253200164309.289666816-709.289666816-0.610953398938.753500173171.12292221441478.87707778561.273844833141.253545182984.9265447108695.07345528920.598708129943.753550192415.8431724101124.15682758990.10694366446.253554204309.2896668162494.7103331842.148842466948.753600212788.2359274172411.76407258280.354676899351.253600223171.12292221441748.87707778561.506411900553.753680235064.5694166203245.43058337970.211403966756.253900243357.319299718-1047.319299718-0.902118437458.754200254516.4745238998-316.4745238998-0.272598340461.254300264878.37303911681624.62696088321.399387880863.754650274319.7839066061375.21609339390.323195949966.254695283171.1229222144382.87707778560.329794811668.754740293160.6286824243389.37131757570.335388686871.254830303336.33082013772143.66917986231.846469831573.754920312219.1525551164-359.1525551164-0.309359468476.255120323357.319299718542.6807002820.467443181478.755300333554.00991701161275.99008298841.09908619181.255300342415.8431724101-825.8431724101-0.711347869283.755310354888.86727890691091.13272109310.939857544686.255480365623.158549131406.8414508690.350436752288.755980374692.1766616132607.82333838680.523554412191.256030382602.03954991362137.96045008641.841552562993.756503392229.6467949065-729.6467949065-0.628488204896.256804401846.7598001093-836.7598001093-0.720751010398.757690

ORIGINALRegression AnalysisCalculationsb2, b1, b0 intercepts388.8927919236159.82943822881218.6590979568Regression Statisticsb2, b1, b0 Standard Error101.739966027183.9521069929478.6366644866Multiple R0.7277001331R Square, Standard Error0.52954748371176.27217409ERROR:#N/AR Square0.529547483753%F, Residual df20.82384110937ERROR:#N/AAdjusted R Square0.504117618Regression SS, Residual SS57624408.95608151193800.418919ERROR:#N/AStandard Error1176.27217409Observations40Confidence level0.95t Critical Value2.026192463ANOVAHalf Width b0969.8100021121dfSSMSFSignificance FHalf Width b1170.1031264444Regression257624408.95608128812204.478040520.8238411090.0000008741Half Width b2206.1447523529Residual3751193800.4189191383616.22753835Total39108818209.375CoefficientsStandard Errort StatP-valueLower 95%Upper 95%Lower 95%Upper 95%Intercept1218.6590979568478.63666448662.54610477710.0151895615248.84909584472188.4691000689248.84909584472188.4691000689X Variable 1 (b1,prendas de dama)159.829438228883.95210699291.90381687790.0647337528-10.2736882156329.9325646732-10.2736882156329.9325646732X Variable 2 (b2,prendas de caballero)388.8927919236101.73996602713.8224191250.0004899624182.7480395708595.0375442765182.7480395708595.0375442765

1ECUACIN DE LA RECTAEcuacin Yi= b0 + b1 X1i+ b2 X2iYi=1218.65+159.82+388.89 X2iy=9081.73YMEDIA =1218.65+159.82 X1i+388.89 X2iYMEDIA= $10248.42COEFICIENTE DE CORRELACINr2=0.52953%3PRUEBA DE HIPOTESIS PARA DETERMINAR SI LAS PRENDAS DE DAMA(X1) Y PRENDAS DE CABALLERO(X2) DETERMINAN LA Y

H0: B1 = B2 = 0H1: AL MENOS UNA B 0

4F20.823841109FU= (p, n - p -1)2, 15-2-1(2, 12)FUENTEDFSUMA DE CUADRADOSCUADRADO MEDIO VARIANZAFREGRESION257624408.956128812204.478020.8238Valor de la tabla: 3.885ERROR1351193800.41891383616.2275TOTAL15108818209.3750

Intermediate CalculationsSSR(X1,X2)57624408.956081SST108818209.375SSR(X2)52609466.0593822SSR(X1 | X2)5014942.89669884SSR(X1)37408547.2654515SSR(X2 | X1)20215861.6906295Coefficientsr2 Y1.20.089219979Las ventas de las prendas de dama (X1) contribuyen a los ingresos totales en un 8.9%r2 Y2.10.2830970081Las ventas de las prendas de caballero (X2) contribuyen en los ingresos totales en un 28%Calcular F de las ventas de ropa de dama (X1)

F=MSR/MSENivel de significancia tabla fisher (95%)F=3.625E+001, 124.75Calcular F de las ventas de ropa de caballero (X2)

F=MSR/MSENivel de significancia tabla fisher (95%)F=3.949E-011, 124.75PRUEBA DE HIPOTESIS

Comprobando la prueba de hiptesis tt=b2/sb2t=3.822419125Valor en la tabla-2.17t=b1/sb1t= 1.9038168779Valor en la tabla-2.17

X1 (B1, $PRENDAS DE DAMA)Mientras mayores sean las ventas de las prendas de dama, mayores sern mis ingresos totales. Es decir, por cada prenda de dama que se venda aumentarn mis ingresos totales: $160.X2 (B1, $PRENDAS DE CABALLERO)Mientras mayores sean las ventas de las prendas de caballero, mayores sern mis ingresos totales. Es decir, por cada prenda de caballero que se venda aumentarn mis ingresos totales: $389.LA INTERSECCION Y, B0 (1218.65)Es el ingreso esperado de las ventas de ropa, cuando las ganancias de prendasde dama sea 0 y no haya compra de prendas de caballeroLas ventas de ropa de dama respecto a los ingresos obtenidos del da (b1, 159.82) se interpreta comoel correspondiente a las ventas totales del da dadas las ventas de caballero.Se estima que los ingresos totales aumenten en $159.82., por cada prenda de dama que se venda en el dia.Las ventas de ropa de caballero respecto a los ingresos obtenidos del da (b2, 388.89) se interpreta comoel correspondiente a las ventas totales del da dadas las ventas de dama.Se estima que los ingresos totales aumenten $388.89., por cada prenda de caballero que se venda en el dia.Prediccion de la variable dependiente y para valores dados de las variables explicativasSe registr que el mayor ingreso obtenido durante un da se debi a la venta de 15 prendas de dama y 7 de caballero, del cual se obtuvo: $7690., suponga que deseamos predecir los ingresos totales de un dia, del cualse desea vender 20 prendas de dama (X1) y 15 de caballero (X2) sin espicificar la prenda.Es es el ingreso que se obtendr en el da que se vendan 20 prendas de dama y 15 de caballero.El 53% de los ingresos obtenidos durante el da dependen de las ventas de ropa de dama (X1) y la ropa de caballero (X2)Como podemos darnos cuenta, las dos variables contribuyen en la dependiente. Por lo que a continuacin, se analizarn ambas variables formulando la hipotesis.

HIPOTESISH0: La variable prendas de dama (X1), no mejora significativamente el modelo cuando se incluye la variable X2 (prendas de caballero).

H1: La variable prendas de dama (X1) mejora significativamente el modelo cuando se incluye la variable X2 (prendas de caballero). Se rechaza la H0, y se llega a la conclusin de que al menos una de las dos variables (ventas de prendas de dama o/y prendas de caballero) contribuyen a los ingresos totales que se obtienen al da. Tienen una relacn.Dado el valor critico: 4.75, se rechaza la H0 y se llega a la conclusin de que al aadir la variable X1 (venta de prendas de dama) si mejora significativamente el modelo, que ya tiene incluida la variable X2 (venta de prendas de caballero).Dado el valor critico: 4.75, podemos darnos cuenta de que es mayor que el valor encontrado de F, por lo que se rechaza la H0 y se llega a la conclusin de que al aadir la variable X2 (venta de prendas de caballero) si mejora significativamente el modelo, que ya tiene incluida la variable X1 (venta de prendas de dama).Las ventas de las prendas de caballero dadas las ventas de las prendas de dama, contribuye a los ingresos totales.

Las ventas de las prendas de dama dadas las ventas de las prendas de caballero, contribuye a los ingresos totales.

DATOSDaIngresos Totales(Y)Prendas Dama (X1)Prendas Caballero (X2)1512011823545863530012947690157520017463500857430087836006391560401020215111125662122050711315605214211173152350921636007517465053183680431925403220680475213200522249205323531096242310632542004726650386274695562835545329355072305480101311860413239006333483054341590323559806736603012637530076384740423915002240101021Total149700259151

Se desea desarrollar un modelo de regresion con el proposito de predecir el ingreso total de las ventas que se realizaran en la tienda caruso durante los siguientes dias. Se selecciono para hacer el analisis una muestra de cuarenta dias comenzando en el mes de enero. La tienda tiene muchas variables que podran ser utiles, sin embargo, se utilizaron las ms importantes: las ventas de ropa de dama (X1) y las ventas de la ropa de caballero (X2).