Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estimadores Estadisticos
Estimadores Estadisticos
FacultadCienciasEconmicasyEmpresariales
DepartamentodeEconomaAplicada
Profesor:SantiagodelaFuenteFernndez
ESTIMADORES
Un estimador es un estadstico (una funcin de la muestra) utilizado para estimar un
parmetro desconocido de la poblacin.
Por ejemplo, si se desea conocer el precio medio poblacional de un artculo (parmetro
desconocido) se recogen observaciones del precio de dicho artculo en diversos
establecimientos (muestra) pudiendo utilizarse la media aritmtica de las observaciones
para estimar el precio medio poblacional.
Para cada parmetro pueden existir varios estimadores diferentes. En general, se elige
el estimador que posea mejores propiedades que los restantes, como insesgadez,
eficiencia, convergencia y robustez (consistencia).
El valor de un estimador proporciona una estimacin puntual del valor del parmetro en
estudio. En general, se realiza la estimacin mediante un intervalo, es decir, se obtiene
un intervalo parmetro muestral error muestral dentro del cual se espera se
encuentre el valor poblacional dentro de un cierto nivel de confianza. El nivel de
confianza es la probabilidad de que a priori el valor poblacional se encuentre contenido
en el intervalo.
1
E x E
n
i 1
1
xi E
n
i 1
1
xi
n
E x n E x E x E x n n
1
i 1
(x x)
La varianza muestral 2x
i 1
(x x) (x x )
2
2x
i 1
i 1
1
n
(x ) (x )
i 1
Desarrollando el cuadrado:
2x
1
n
(x )
i 1
(x )2 2(xi )(x )
i 1
i 1
i 1
i 1
i 1
(xi )
(xi )2 n(x )2 2 (x ) (n x n )
(xi )2 n x 2 n 2 2n x 2n x 2 2n x 2n x 2n 2
(xi )2 n(x )2
i 1
1
(xi ) n(x )
E (xi )2 E (x )2
n i 1
varianza poblacional
muestral
Por tanto, E x
n
n
(x x)
s2x
i 1
n 1
s2x
n
2x
n 1
E s2x E
2x
. E 2x
.
. 2
n 1 n
n 1 n 1
Un estimador es insesgado (centrado) cuando E ( )
Un estimador es sesgado cuando E ( ) b
( ) b ( ) E ( )
sesgo
1
Sea el estimador
n 1
1
E ( ) E
n 1
i 1
i 1
1
xi
E
n 1
i 1
1
xi
n 1
n
n n
b ( ) E ( )
n 1
n 1
E (x i )
i 1
n 1
1
n
(n )
n 1
n 1
sesgado
asintticamente
ECM( ) E ( ) V ( ) E ( )
sesgo
siendo el sesgo b ( ) E ( )
ECM( ) V ( )
CONSISTENCIA
Si no es posible emplear estimadores de mnima varianza, el requisito mnimo deseable
para un estimador es que a medida que el tamao de la muestra crece, el valor del
estimador tienda a ser el valor del parmetro poblacional, propiedad que se denomina
consistencia.
Un estimador consistente es un estimador asintticamente insesgado cuya varianza
tiende a cero al aumentar el tamao muestral.
El estimador es consistente cuando lim E ( ) y
n
lim V ( ) 0
EFICIENCIA
Un estimador es ms eficiente o ms preciso que otro estimador, si la varianza del
primero es menor que la del segundo.
Sean 1 y 2 dos estimadores insesgados, se dice que 1 es ms eficiente que 2 si
se verifica que Var ( 1 ) Var ( 2 )
La eficiencia relativa se mide por el ratio:
Var ( 1 )
Var ( )
2
1
ln L (X, )
E
Cota de Cramr-Rao
ln L (X, )
I() E
cantidad de Informacin de Fisher
2
2
ln P (x1, x 2 , , xn ; )
ln P (x ; )
Discreto : E
n.E
2
2
Continuo : E ln f (x1, x 2 , , xn ; ) n.E ln f (x ; )
L () L(X; ) L ( x 1, , x n ; )
f (x ) f (x ) caso continuo
n
1
En muchas ocasiones, es ms prctico encontrar el estimador de mxima verosimilitud
es considerar la funcin soporte o log-verosimilitud lnL () , en lugar de la funcin de
verosimilitud L () , ya que es ms fcil de manejar y presenta los mismos mximos y
mnimos.
lnL ()
Se despeja ( 1, , n ) de la ecuacin:
0 y se obtiene el estimador
SUFICIENCIA
Un estimador es suficiente cuando no da lugar a una prdida de informacin. Es decir,
cuando la informacin basada en es tan buena como la que hiciera uso de toda la
muestra.
Para identificar estadsticos suficientes se utiliza el criterio de factorizacin de
Fisher-Neyman, que dice que dada una muestra aleatoria (x 1 , , x n ) de una poblacin
X con funcin de masa P (o funcin de densidad f ) un estadstico es suficiente para
si y slo s:
P (x , , x ) g (x , , x ), . h(x , , x )
n
1
n
1
n
f (x 1 , , x n ) g (x 1 , , x n ), . h(x 1 , , x n )
caso discreto
caso continuo
E (X)
1
2 E (X 2 )
E (X r )
r
1 a 1
i 1
n
n
2 a 2
x
i 1
2
i
r a r
x
i 1
r
i
GestinAeronutica:EstadsticaTerica
FacultadCienciasEconmicasyEmpresariales
DepartamentodeEconomaAplicada
Profesor:SantiagodelaFuenteFernndez
1
2
x1 2x 2 3 x3
6
x3 4x2
3
3 x
Se pide:
a) Comprobar si los estimadores son insesgados
b) Cul es el ms eficiente?
c) Si tuviera que escoger entre ellos, cul escogera?. Razone su respuesta a partir del
Error Cuadrtico Medio.
Solucin:
a) Un estimador es insesgado (o centrado) cuando se verifica
E( )
x 2x2 3x3
1
E ( 1 ) E 1
E x 1 2 x 2 3 x 3
6
6
1
1
E ( x 1 ) 2E ( x 2 ) 3E ( x 3 )
6
6
6
x 4x2
1
1
E ( 2 ) E 1
E x 1 4 x 2 E ( x 1 ) 4E ( x 2 )
3
3
3
1
3
3
x x2 x3 x4
1
E ( 3 ) E 1
E x 1 x 2 x 3 x 4
4
4
1
1
E ( x 1 ) E ( x 2 ) E ( x 3 ) E ( x 4 )
4
4
4
Los tres estimadores son insesgados o centrados.
1
1
14 2
14 2
V ( x 1 ) 4 V ( x 2 ) 9 V ( x 3 )
0,39 2
36
36
36
x 4x2
1
1
V ( x 1 ) 16 V ( x 2 )
V 2 V 1
V x 1 4 x 2
9
9
3
1
17 2
17 2
1,89 2
9
9
x x2 x3 x4
1
V 3 V 1
V x 1 x 2 x 3 x 4
4
16
1
1
4 2
4 2
V ( x 1 ) V ( x 2 ) V ( x 3 ) V ( x 4 )
0,25 2
16
16
16
El estimador 3 es el ms eficiente.
c) Se elige el estimador que presente menor Error Cuadrtico Medio (ECM)
ECM( ) E ( ) 2 V ( ) E ( )
sesgo
Si E ( ) ECM( ) V ( )
sesgo b ( ) E ( )
insesgado
ESTIMADORES SESGADOS:
CLCULO DEL SESGO Y ESTIMACIN PUNTUAL
2.- La variable aleatoria X representa los gastos mensuales de una empresa, cuya
funcin de densidad es f (, x) x 1 con 0 y 0 x 1. Se realiza una m.a.s. de
tamao 3, y se proponen tres estimadores:
1 x
2
3
a) Calcule los sesgos
x 12 2 x 22 3 x 32
6
x 3 2x1 4 x 2
6
b) Si la muestra que se obtiene es (0,7 ; 0,1 ; 0,3), calcule las estimaciones puntuales
c) Cules son las funciones estimadas para las estimaciones anteriores?
Solucin:
Un estimador es insesgado (centrado) cuando E ( ) .
Un estimador es sesgado cuando E ( ) b
( ) b ( ) E ( )
sesgo
x1 x 2 x3
1
1
1 x E ( 1 ) E
E x 1 x 2 x 3
(3 ) (media poblacional)
3
3
3
donde
x f (x, ) dx
x f (x, ) dx x x
El sesgo: b ( 1 ) E ( 1 )
dx
1
0
x 1
x dx
1
1 0
1
1
x 12 2 x 22 3 x 32
6
x 12 2 x 22 3 x 32
1
E ( 2 ) E
E (x 12 ) 2E (x 22 ) 3E (x 32 )
6
6
2
2
2
1 (6 ) ()
2
2
2 E(x 2 )
x 2 f (x, ) dx
x 2 f (x, ) dx
x 2 x 1 dx
x 1 dx
x 2
2
2 0
entonces,
x 12 2 x 22 3 x 32
1
E (x 2 ) 2E (x 2 ) 3E (x 2 )
E ( 2 ) E
1
2
3
6
6
2
2
2
El sesgo: b ( 2 ) E 2
2
2
x3 2x1 4 x 2
6
x3 2x1 4 x 2
1
1
1
E ( 3 ) E
E x 3 2 x 1 4 x 2
(3 )
6
6
6
2
x f (x, ) dx
x f (x, ) dx x x
dx
1
0
x 1
x dx
1
1 0
1
22
El sesgo: b (3 ) E (3 )
2 1
2( 1)
b) Si la muestra que se obtiene es (0,7 ; 0,1 ; 0,3), calcule las estimaciones puntuales.
0,7 0,1 0,3
1
0,367
3
0,7 2 2.0,12 3.0,3 2
2
0,13
6
0,3 2.0,7 4.0,1
3
0,117 no puede ser, puesto que 0
6
c) Cules son las funciones estimadas para las estimaciones anteriores?
1 f (0,367, x) 0,367 x 0,367 1 0,367 x 0,633
2 f (0,13, x) 0,13 x 0,13 1 0,367 x 0,87
10
Solucin:
a)
Insesgadez
sesgo
1
E ( 1 ) E (x) E (
n
i 1
1
x i)
E(
n
i 1
E (x )
1
x i)
n
i 1
1
(n )
n
b ( 1 ) E ( 1 ) 0
E ( 2 ) E (
1
n 1
x i)
i 1
1
E(
n 1
x i)
i 1
1
n 1
E (x i )
i 1
1
n
(n )
n 1
n 1
n
n n
b ( 2 ) E ( 2 )
n 1
n 1
n
1
sesgado
asin toticamente
Eficiencia
Sean 1 y 2 dos estimadores insesgados de un parmetro desconocido .
Decimos que 1 es ms eficiente que 2 si se verifica que Var ( 1 ) Var ( 2 )
La eficiencia relativa se mide por el ratio:
Var ( 1 )
Var ( )
2
1
V ( 1 ) V (x) V (
n
i 1
1
x i) 2
n
V (x i )
i 1
11
1
2
2
(
n
n2
n
1
V ( 2 ) V (
n 1
i 1
eficiencia relativa
1
x i)
(n 1) 2
Var ( 1 )
Var ( 2 )
V (x )
i
i 1
2 n
n 2 (n 1) 2
1
n
(n2)
2
2
2
(n 1)
(n 1)
(n 1) 2
1 Var ( 1 ) Var ( 2 )
n2
Consistencia
lim V ( ) 0
es consistente
E ( 2 ) lim
nlim
n
n 1
lim V ( ) lim n
2 0
2
2
n (n 1)
n
es consistente
ECM( ) E ( ) 2 V ( ) E ( )
sesgo
sesgo b ( ) E ( )
Si E ( ) ECM( ) V ( )
insesgado
2
2
2
ECM( 1 ) V ( 1 ) b ( 1 )
0
n
n
n
n2 2
1
2
ECM( 2 ) V ( 2 ) b ( 2 )
(n 1) 2
(n 1) 2
n 1
2
12
2
n2 2
n2
2
2
n2
2
n
(n 1) 2
(n 1) 2
(n 1) 2
n
(n 1) 2
(n 1) 2
(n 1) 2 2 n 2 2
2
(n 1) 2 n 2 2
2
2
2
n(n 1)
(n 1)
n
2n 1 2
2n 1
2
2
2
n
n
2n 1
2
Si
n
2
2
Si 2n 1
n
2
X1 X 2 X 3
X1 X 2
2
Solucin:
Un estimador es insesgado (centrado) si E( )
) E( )
Un estimador es sesgado si E( ) b( ) b(
sesgo
La v.a X i 'peso en kg de los jamones ' sigue una distribucin normal de varianza 4
Para estudiar la insesgadez de los estimadores se calculan sus esperanzas:
X1 X 2 X 3
1
3
E (X 1 ) E (X 2 ) E (X 2 )
E ( 1 ) E
4
4
4
3
1
El sesgo del estimador 1 ser: b( 1 ) E( 1 )
4
4
X1 X 2
1
2
E (X 1 ) E (X 2 )
E ( 2 ) E
2
2
2
El estimador 2 es insesgado, b( 2 ) 0
Atendiendo al sesgo se elige 2
13
Para analizar la eficiencia relativa de los dos estimadores se calculan las respectivas
varianzas
X X2 X3
1
1 V (X 1 ) V (X 2 ) V (X 2 )
V ( 1 ) V 1
V
(X
X
)
1
2
3
4
16
16
las observaciones
son independientes
V (Xi ) 4
1
12
3
12
16
16
4
X1 X 2
1
1
V (X 1 ) V (X 2 )
V ( 2 ) V
V (X 1 X 2 )
2
4
4
las observaciones
son independientes
V (Xi ) 4
1
8 2
4
3
ECM( 1 )
4 4
ECM( 2 ) 2 0
2 12
16
2 20
20 4, 47
14
5.- La distribucin del peso de las manzanas de una determinada cosecha sigue una
distribucin normal, cuyo peso medio es desconocido y cuya desviacin tpica es 7
gramos. Se pide:
a) Analizar cul de los estimadores 1 , 2 del peso medio es mejor respecto del sesgo
y de la eficiencia, para una muestra aleatoria simple de tamao cinco.
5
b) Si 1
Solucin:
a) El peso de las manzanas sigue una distribucin N(, 7)
Se calculan las esperanzas de los estimadores para analizar el sesgo de los estimadores
E ( 1 ) E
i 1
1
X i / 5
E
5
i 1
1
Xi
5
E(Xi )
i 1
E X i
1
(5 )
5
E ( 2 ) E (X 1 2 X 2 3 X 3 4 X 4 X 5 ) E (X 1 ) 2E (X 2 ) 3E (X 3 ) 4E (X 4 ) E (X 5 )
2 3 4
Los estimadores 1 , 2 son insesgados (centrados).
b) Para analizar la eficiencia de los estimadores se obtienen las varianzas:
V ( 1 ) V
i 1
1
X i / 5
V
25
i 1
1
Xi
25
V (Xi ) 72
V X
i
i 1
1
49
(5. 49)
25
5
V ( 2 ) V (X 1 2 X 2 3 X 3 4 X 4 X 5 ) V (X 1 ) 4 V ( X 2 ) 9 V ( X 3 ) 16 V ( X 4 ) V ( X 5 )
15
6.- Supongamos que la distribucin de ingresos de una cierta poblacin es una variable
aleatoria con media desconocida y varianza 2 tambin desconocida. Si queremos
estimar el ingreso medio de la poblacin mediante una m.a.s. de tamao n, respecto de
la insesgadez y de la eficiencia. Cul de los dos estimadores elegiramos?
n
Xi
2
i 1
n 1
i 1
Solucin:
sesgo
La v.a X i 'ingresos de cierta poblacin ' sigue una distribucin normal N(, )
Para analizar el sesgo de los estimadores, hallamos la esperanza:
E ( 1 ) E
i 1
1
X i (n 1)
E
n 1
i 1
1
Xi
n 1
E (X ) n 1 (n ) n 1
i 1
1
X i n E
n
i 1
1
Xi
n
i 1
E ( 2 ) E
n
1
n 1
n 1
E (X ) n (n )
1
i 1
V ( 1 ) V
V ( 2 ) V
i 1
i 1
1
X i (n 1)
V
2
(n 1)
X i n 2 V
i 1
i 1
1
Xi
n
1
Xi
2
(n 1)
n
i 1
i 1
V (X i )
1
n2
2
(n
)
(n 1) 2
(n 1) 2
2
1
2
V (X i ) 2 (n )
n
n
2
n2
V ( 1 ) puesto que (n 1) 2 n 2
2
n
(n 1)
16
entonces
p 0,73 : P(B,N,B) 0,73 2 .0,27 0,1439
17
x
1 x
P ( x 2 , p) P ( X x 2 ) p 2 (1 p) 2 x i 1, 0 sea bola blanca o negra
x
1 x
P ( x 3 , p) P ( X x 3 ) p 3 (1 p) 3
x
P ( x 1 , p) P ( X x 1 ) p 1 (1 p)
1 x1
L (p)
P (x , p) p
i
x1
(1 p)
1 x1
.p
x2
(1 p)
1 x2
.p
x3
(1 p)
1 x3
i 1
x1 x 2 x 3
(1 p)
3 ( x1 x 2 x 3 )
E (X)
V (X)
L ( ) L (X, )
i 1
P (x i, )
x1
xn
e
e
x 1!
xn!
xi
i1
n
x!
i
i 1
18
e n
xi
L (X, )
i1
n
x!
e n
i 1
n
n
xi
xi
i1
e n ln( i1 ) ln(
lnL (X, ) ln n
xi!
i 1
x !) ln(e
i 1
x ln ln(x !) n
i
i 1
i 1
lnL (X, )
x ln ln(x !) n
i
i 1
i 1
lnL (X, )
0
i 1
1
xi
n
xi
i 1
Insesgadez
i
1
E ( ) E
E ( x i )
n
n i 1
n
x
1
i 1 i
V ( ) V (x) V
2
n n
E (x i )
i 1
V (x )
i
i 1
1
(n )
n
(n )
2
n
n
Consistencia
19
lim E ( ) lim y
lim V ( ) lim 0
n
n n
El estimador es consistente
Eficiencia
Para que un estimador sea eficiente tiene que ser centrado y de varianza mnima.
La varianza mnima se analiza en virtud de la acotacin de Cramr-Rao:
V ( )
1
ln L (X, )
E
Ahora bien, P (x , )
1
ln P (x ; )
n.E
x
e
x!
x
lnP (x , ) ln
e x ln ln(x!)
x!
lnP (x , )
x
x
1
lnP (x, )
1
1
1
1
x
E
E
2 E (x ) 2 2 E (x x) 2 2 V (x) 2
En consecuencia, V ( )
1
n
n
20
9.- En una gran piscifactora hay una proporcin desconocida de peces de una especie
A. Para obtener informacin sobre esta proporcin, vamos a ir sacando peces al azar.
L(p) (1 p) 9 p
(1 p)
14
40 3
0
1 p p
(1 p)
17
p (1 p) 40 p 3
3
43
21
10.- Las personas de un pas se clasifican segn dos caractersticas: color de los ojos
(claros u oscuros) y sexo (hombre o mujer). Las dos caractersticas son independientes.
200
p q (1 p)(1 q) (p (1 q)
150
350
300
p 450 1 p
550
q 350 1 q
650
log L(p, q) log p 450 (1 p) 550 q 350 (1 q) 650 450 logp 550 log(1 p) 350 log q 650 log(1 q)
0
p
1 p
p
p 0, 45
0
q
1 q
q
q 0,35
22
np q 6,04)
11.- Calcular el estimador mximo verosmil del parmetro 'a' de las funciones:
La funcin de verosimilitud
L L (x 1, x 2 , , x n ; a) (a 2 e a x1 ).(a 2 e a x2 ) (a 2 e a xn ) a 2 n e
xi
i 1
xi
i 1
) 2n ln a a
i 1
x i 0 a n
a
a i 1
x
xi
2
x
i 1
a
x1 x 2 x
a
23
Solucin:
La funcin de verosimilitud es:
( x )
1 2
1
2
L (X; , )
e 2
22
( x )
2 2
1
e 2
2 2
( x n )
2
1
e 2
22
n
2
n
2 2
( xi ) 2
i1
2 2
(2 ) ( )
( xi ) 2
(xi ) 2
i1
2
1
n
n
ln L (X; , 2 ) ln
e 2 ln(2 ) ln( 2 ) i 1
n
n
2
2
2 2
2 2
2
(2
)
(
)
ln L (X; , 2 )
i 1
(xi )
2
(x i ) 0
i 1
x
i 1
24
13.- Sea la distribucin N(, ) , con la media y varianza desconocidas. Calcular los
estimadores mximo-verosmiles de y 2
Solucin:
La funcin de verosimilitud es:
( x )
1 2
1
2
L (X; , )
e 2
2
2
( x )
2 2
1
e 2
2
2
( x n )
2
1
e 2
2
2
n
2
n
2 2
( xi ) 2
i1
2 2
(2 ) ( )
( xi ) 2
(xi ) 2
i1
2
1
n
n
ln L (X; , 2 ) ln
e 2 ln(2 ) ln( 2 ) i 1
n
n
2
2
2 2
2 2
2
(2 ) ( )
ln L (X; , )
(x )
i
i 1
x
i 1
ln L (X; , 2 )
n
2 2
(xi ) 2
i 1
(x )
(xi x)
i 1
i 1
n
2
2x
25
, P (X 0)
,
2
2
1
, donde 0 1 , 0 1
2
xi
i
1
1 E (X) 1 a 1
x
n
x i2
2
i 1
2 E (X ) 2 a 2
n
x ri
r
i 1
r E (X ) r a r
n
Puesto que hay que estimar dos parmetros hay que calcular los dos primeros
momentos.
momentos poblacionales
1
1 E(X)
x i P(X x i ) ( 1)
(0)
(1)
2
2
2
2
i
2 E(X 2 )
x
i
2
i
2
1
1
P(X x i ) ( 1) 2
(0) 2
(1) 2
2
2
2
2
momentos muestrales
xi
x i2
a1 x
a2
1 a1
x
2
2 a2
2
a2
2
2x
2 a 2 2
2a 2 2
2x
26
1 a 2 x
1 a 2 x
2
E ( ) E (1 a 2 x) 1 E (a 2 ) E (x) 1 2 1
2
2
2
E ( ) E (1 a 2 x) 1 E (a 2 ) E (x) 1 2 1
2
2
x 1 si x ( 0,1)
densidad f (x)
en el resto
0
>0
f (x 1 , , x n ) g (x 1 , , xn ), . h(x1 , , xn )
caso discreto
caso continuo
Por tanto, x , , x
1
es un estadstico suficiente.
27
b) L() n (x x ) 1
1
lnL() ln n (x x ) 1 ln n ln x 1 ln n ln( x 1 )
1
n
i
i
i 1
i 1
lnL () n ln 1
ln(xi )
i 1
lnL ()
n
ln(x )
i
i 1
n
n
ln(x )
i
i 1
c) Se plantea la ecuacin E X x
x E (X)
x f (x) dx x x
dx
x ( 1)
x 1
x dx
1
1 0
x
1 x
si x 0
en el resto
x E X
partes
x f (x) dx
x e x dx
x 1
x edx
x
dv
x ( e x )
e dx
x
v
du
1 x
x e x e x (1 x) e x e x
e
28
xe
dx e
1 x
e x 1
si x 0
en el resto
L () f (x ) f (x ) f (x ) 2 x e 1
1 2
n
1
x 2
x n
2
2
x 2 e
xn e
2 n (x x ) e
1
( x1 x 2 xn )
L () 2 n (x x ) e
1
i 1
lnL () (2n) ln ln
i 1
xi
lnL () (2n) ln
i 1
i 1
xi
i 1
lnL ()
2n
xi
2n
lnL ( ) ln (x x ) e i 1
1
n
xi
2 n (x x ) e
xi
i 1
2n
n
x
i 1
29
ln x i
x
i 1
18.- El coseno X del ngulo con el que se emiten los electrones en un proceso
radioactivo es una variable aleatoria con funcin de densidad
(1 x ) 2 1 x 1 , 1 1
f (x)
en el resto
0
Consideremos una muestra aleatoria (X1 , , Xn ) de esta variable aleatoria
a) Obtener el estimador por el mtodo de los momentos
b) Calcular la varianza de este estimador y demostrar que es consistente
Solucin:
a) Se plantea la ecuacin E X x
x E X
x2 x3
1 x
x
dx
2
6 1
3
2
3 x
V (X)
9
V (X)
b) V ( ) V (3 x) 9 V (x) 9
n
n
V (X) E (X ) E (X)
2
x3 x 4
1 x
x
dx
2
8 1 3
3
6
2
3 2
9
9 3 2 3 2
de donde, V ( ) V (X)
n
n 9
n
lim E ( )
n
Para probar que es consistente para estimar es suficiente probar
V ( ) 0
nlim
Portal Fuenterrebollo
30