Estadística

Estadística Regresión
2-8-2022
Natalia SALABERRY
  Facultad
Taller de Ciencias Económicas
de Programación
En muchos casos, un análisis requiere de analizar conjuntamente más de una
variable dado que, existe una asociación entre las mismas. Un caso que
podemos considerar es, por ejemplo, el comportamiento del incremento de las
ventas de un producto y el dinero destinado a campañas publicitarias. O que
el consumo de un individuo esta determinado por su nivel de ingreso, entre
muchos otros ejemplos. Entonces, mediante un análisis de regresión lineal,
se propone una función lineal que permita estimar el valor promedio de, por
ejemplo, el consumo a partir del conocimiento del nivel de ingreso de un
individuo.

Es importante, que conozcamos qué se entiende por función lineal, de

manera que podamos distinguir si esta es adecuada o no para representar la
relación de las variables que están siendo objeto de análisis. La existencia de
una relación lineal implica que existe un cambio proporcional constante: por
ejemplo, el cambio en el consumo es proporcional al cambio en el ingreso y
esta proporción es siempre la misma para todo el rango de posibles valores.
Es decir, si el ingreso se modifica en un determinado valor, la variación en el
consumo será un porcentaje fijo de esa variación, porcentaje que se mantiene
constante para todo el rango de posibles valores. 2

Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso
  Facultad
Taller de Ciencias Económicas
de Programación
Modelo de Regresión Lineal Simple

Busca determinar la relación entre una variable aleatoria en base a los valores
de otra/s variable/s con la/s cual/es presenta dependencia estadística
(relación no determinística). Veremos el caso de solo dos variables aleatorias.

Modelado a través de la ecuación de recta

Variable 𝑌𝑖 = 𝛽0 + 𝛽1 ∗ 𝑋𝑖 Variable
dependiente independiente o
o explicada Ordenada Pendiente explicativa
(aleatoria) al origen (toma valores fijos)
Cuanto varía Y ante
variación de una unidad
de X

Dado que es una recta, se tiene pares de puntos (𝑌1 , 𝑋1 ), (𝑌2 , 𝑋2 ),…, (𝑌𝑛 , 𝑋𝑛 )
Entonces podemos graficarlos
3

Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso
  Facultad
Taller de Ciencias Económicas
de Programación

Primer paso: Representación gráfica para evaluar si es adecuado aplicar el

modelo
Diagrama de Dispersión (o Scatter Plot)
Gasto en Ventas de autos
publicidad en en miles de
miles de dólares unidades
X Y
24 5298
32 8100
14 4506
23 4816
35 8768
28 6486
14 3022
19 5676
25 5524
Se observa que a medida que aumenta el gasto en
18 4152
publicidad se incrementan las ventas. Entonces podemos
pensar que existe una relación lineal directa entre las
variables. Ante esta intuición podemos probar entonces
de construir un modelo de regresión lineal
4

Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso
  Facultad
Taller de Ciencias Económicas
de Programación
Modelo de Regresión Lineal Simple

Dado que se establece a Y como una variable aleatoria, entonces el modelo

se convierte en probabilístico. Esto quiere decir que vamos a estimar Y, a
partir de estimar primero los coeficientes 𝛽𝑖

෢𝒊 = 𝛽0 + 𝛽1 ∗ 𝑋𝑖 + ε
𝒀

Donde:
෢𝒊 son los valores estimados de Y
𝒀
𝜷𝟎 es la ordenada al origen
𝛃𝟏 es la pendiente de la recta: nos indica en cuanto varía Y ante el incremento
de una unidad en X.
෡𝑖 de 𝑌𝑖
ε Término de Error Aleatorio: en cuanto difiere 𝑌

El término de error tiene supuestos. Estos supuestos son los de Gauss-

Markov

Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso
  Facultad
Taller de Ciencias Económicas
de Programación
Modelo de Regresión Lineal Simple

Supuestos de Gauss- Markov

• ε ~N(0, 𝜎 2 ) El error sigue una distribución normal con media 0 y varianza
constante
• Los diferentes valores que puede tomar ε son independientes
• E(ε)=0
• V(ε)= 𝜎 2 constante

Entonces Y ~N(E(Y|x), 𝜎 2 ) donde

E(Y|x)=E(𝛽0 + 𝛽1 ∗ 𝑋 + ε)= 𝛽0 + 𝛽1 ∗ 𝑋

V(Y|x)=V(𝛽0 + 𝛽1 ∗ 𝑋+ ε) = 𝜎 2 lo cual implica que la variabilidad de cada valor

de Y es la misma con cada valor de X (homogeneidad de la varianza).
A valores chicos de 𝜎 2 , los pares de puntos (X,Y) quedarán cerca de la
verdadera recta de regresión.

Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso
  Facultad
Taller de Ciencias Económicas
de Programación

Por lo tanto, si no hubiera error tendríamos

𝑌 = 𝛽0 + 𝛽1 ∗ 𝑋
Siendo la verdadera recta de regresión, donde Y es su valor medio y X su valor
medio

𝑌 = 341,47 + 228,16 ∗ 𝑋

Verdadera recta de
regresión para nuestro
ejemplo

De esta manera, construir un modelo (en este caso de regresión lineal

simple) permitirá construir escenarios futuros (Por ejemplo estimar cuales
serán las ventas si se invierte tanto dinero en publicidad)
7

Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso
  Facultad
Taller de Ciencias Económicas
de Programación
Estimación de parámetros del modelo: Método Mínimos Cuadrados

Cuando se trabaja con la estimación por mínimos cuadrados, los parámetros

se estiman de modo tal que se minimice la suma de los cuadrados de las
desviaciones de las observaciones respecto de la recta.

𝑛 𝑛
𝒀𝒊 ෍ 𝜖𝑖2 =෍ 𝒀𝒊 − (𝛽0 + 𝛽1 ∗ 𝑋𝑖 ) 2
𝑖=1 𝑖=1
𝜺𝒊
෢𝒊
𝒀
Suma cuadrada de las desviaciones
(diferencia entre valor estimado y verdadero
valor)
Para tener un buen ajuste del modelo, entonces debemos minimizar esta
función. Es decir, hallar los valores de 𝛽𝑖 tal que hagan mínima la diferencia.
Estas diferencia no es otra cosa que la distancia entre los puntos y la recta
(𝜺𝒊 )

La obtención de los ෢
𝛽𝑖 estimados requiere resolver un sistema de ecuaciones 8

Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso
  Facultad
Taller de Ciencias Económicas
de Programación

Objetivo
𝑛
𝑚𝑖𝑛 ෍ (𝑌𝑖 − (𝛽0 + 𝛽1 𝑋))2
𝑖=1

Planteo de Ecuaciones normales

𝑛 𝑛
෍ 𝑌𝑖 = 𝑛𝛽መ0 + (෍ 𝑋𝑖 ) ∗ 𝛽መ1 (𝐴)
𝑖=1 𝑖=1
𝑛 𝑛 𝑛
෍ 𝑌𝑖 𝑋𝑖 = (෍ 𝑋𝑖 ) ∗ 𝛽መ0 + (෍ 𝑋𝑖2 ) ∗ 𝛽መ1
𝑖=1 𝑖=1 𝑖=1

Resolución
σ𝑛𝑖=1 𝑌𝑖 𝑛𝛽෠0 (σ𝑛𝑖=1 𝑋𝑖 ) ∗ 𝛽෠1
𝐷𝑖𝑣𝑖𝑑𝑖𝑒𝑛𝑑𝑜 𝑝𝑜𝑟 𝑛 𝑙𝑎 𝑒𝑐𝑢𝑎𝑐𝑖ó𝑛 𝐴 𝑠𝑒 𝑜𝑏𝑡𝑖𝑒𝑛𝑒 = + ⇒
𝑛 𝑛 𝑛
⇒ 𝑌ത = 𝛽෠0 + 𝑋ത 𝛽෠1 ⇒ 𝜷
෡𝟎 = 𝒀
ഥ−𝑿
ഥ𝜷෡𝟏

Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso
  Facultad
Taller de Ciencias Económicas
de Programación

Resolución
∆𝛽1 ෡
መ
𝛽1 =
∆
𝑛
𝑛 ෍ 𝑋𝑖
∆= 𝑛
𝑖=1
𝑛
∆= 𝑛 σ𝑛𝑖=1 𝑋𝑖2 - σ𝑛𝑖=1 𝑋𝑖 σ𝑛𝑖=1 𝑋𝑖 = 𝑛 σ𝑛𝑖=1 𝑋𝑖2 − ( σ𝑛𝑖=1 𝑋𝑖 ) 2 (1)
෍ 𝑋𝑖 ෍ 𝑋𝑖2
𝑖=1 𝑖=1
𝑛 2
( σ𝑖=1 𝑋𝑖 ) 𝑛
𝐷𝑖𝑣𝑖𝑑𝑖𝑒𝑛𝑑𝑜 𝑝𝑜𝑟 𝑛 𝑙𝑎 𝑒𝑐𝑢𝑎𝑐𝑖ó𝑛 1 𝑠𝑒 𝑜𝑏𝑡𝑖𝑒𝑛𝑒 ෍ 𝑋𝑖2 −
𝑖=1 𝑛
𝑛
𝑞𝑢𝑒 𝑝𝑢𝑒𝑑𝑒 𝑠𝑒𝑟 𝑟𝑒 𝑒𝑥𝑝𝑟𝑒𝑠𝑎𝑑𝑜 𝑐𝑜𝑚𝑜 ෍ ത 2
(𝑋𝑖 −𝑋)
𝑖=1

Teniendo en cuenta que σ𝑛𝑖=1(𝑎𝑋𝑖 −𝑏) = 𝑎 σ𝑛𝑖=1 𝑋𝑖 − nb

entonces σ𝑛𝑖=1(𝑋𝑖 −𝑋)

ത 2 = σ𝑛𝑖=1 𝑋𝑖2 − n𝑋ത 2
10

Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso
  Facultad
Taller de Ciencias Económicas
de Programación

Resolución
𝑛
𝑛 ෍ 𝑌𝑖
∆𝛽෠1 = 𝑖=1 ∆𝛽መ1 = 𝑛 σ𝑛𝑖=1 𝑌𝑖 𝑋𝑖 - σ𝑛𝑖=1 𝑋𝑖 σ𝑛𝑖=1 𝑌𝑖 (2)
𝑛 𝑛
෍ 𝑋𝑖 ෍ 𝑌𝑖 𝑋𝑖
𝑖=1 𝑖=1

σ𝑛𝑖=1 𝑋𝑖 σ𝑛𝑖=1 𝑌𝑖
𝑛
𝐷𝑖𝑣𝑖𝑑𝑖𝑒𝑛𝑑𝑜 𝑝𝑜𝑟 𝑛 𝑙𝑎 𝑒𝑐𝑢𝑎𝑐𝑖ó𝑛 2 𝑠𝑒 𝑜𝑏𝑡𝑖𝑒𝑛𝑒 ෍ 𝑌𝑖 𝑋𝑖 −
𝑖=1 𝑛
𝑛
𝑞𝑢𝑒 𝑝𝑢𝑒𝑑𝑒 𝑠𝑒𝑟 𝑟𝑒 𝑒𝑥𝑝𝑟𝑒𝑠𝑎𝑑𝑜 𝑐𝑜𝑚𝑜 ෍ (𝑌𝑖 𝑋𝑖 − 𝑋ത 𝑌)
ത
𝑖=1

Teniendo en cuenta que σ𝑛𝑖=1(𝑎𝑋𝑖 −𝑏) = 𝑎 σ𝑛𝑖=1 𝑋𝑖 − nb

𝑛
entonces =෍ 𝑌𝑖 𝑋𝑖 − n𝑋ത 𝑌ത
𝑖=1

11

Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso
  Facultad
Taller de Ciencias Económicas
de Programación

Resolución

෡1
∆𝛽 σ𝑛 തത
𝑖=1 𝑌𝑖 𝑋𝑖 − n𝑋𝑌 𝑆𝑋𝑌
𝛽መ1 = = σ𝑛 2 −n𝑋
ത 2 =
∆ 𝑖=1 𝑋𝑖 𝑆𝑋𝑋

Siendo 𝑺𝑿𝒀 la covarianza muestral entre X e Y = Cov(X,Y)

y 𝑺𝑿𝑿 la covarianza muestral entre X e X = Cov(X,X) =V(X)

σ𝑛𝑖=1 𝑌𝑖 𝑋𝑖 − n𝑋ത 𝑌ത 𝑆𝑋𝑌

𝛽መ1 = =
𝑛 2
σ𝑖=1 𝑋𝑖 − n𝑋 ത 2 𝑆𝑋𝑋

𝛽መ0 = 𝑌ത − 𝛽መ1 𝑋ത

12

Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso
  Facultad
Taller de Ciencias Económicas
de Programación
Para nuestro ejemplo
X Y X*Y X^2 Y^2 n 10
24 5.298 127.152 576 28.068.804 Media X 23,20
32 8.100 259.200 1.024 65.610.000 Media Y 5.634,80
14 4.506 63.084 196 20.304.036 Sxy 104.406,40
23 4.816 110.768 529 23.193.856 Sxx 457,60
35 8.768 306.880 1.225 76.877.824 Syy 27.716.145,60
28 6.486 181.608 784 42.068.196 Beta1 228,16
14 3.022 42.308 196 9.132.484 Beta 0 341,47
19 5.676 107.844 361 32.216.976
25 5.524 138.100 625 30.514.576
18 4.152 74.736 324 17.239.104
232 56.348 1.411.680 5.840 345.225.856
𝑆𝑋𝑌 = σ𝑛𝑖=1 𝑌𝑖 𝑋𝑖 − 𝑛𝑋𝑌=1411680 – 10*23,20*5634,80=104406,4
σ
𝑆𝑋𝑋 = σ𝑛𝑖=1 𝑋𝑖2 − 𝑛𝑋ത 2=5840 – 10* 23,22 =457,6

𝑆𝑋𝑌 104406,4
𝛽መ1 = = =228,16
𝑆𝑋𝑋 457,6
𝑌 = 341,47 + 228,16 ∗ 𝑋
𝛽መ0 = 𝑌ത − 𝛽መ1 𝑋=
ത 5634,8 − 228,16 ∗ 23,2 = 341,47
13

Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso
  Facultad
Taller de Ciencias Económicas
de Programación
Medida de Bondad de Ajuste Absoluta
Varianza Residual

Esta es una medida absoluta de que tan bien se ajusta la recta de regresión
estimada a las medias de las observaciones de la variable respuesta.
𝑺𝑪𝑬
𝑺𝟐 =
𝒏−𝟐

En general, cuanto menor sea su valor, mejor ajuste del modelo. Entonces,
buscamos que sea lo más chico posible.

También, podemos calcular el desvío residual como la raíz cuadrada del

anterior.

S= 𝑺𝟐

14

Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso
  Facultad
Taller de Ciencias Económicas
de Programación
Medida de Bondad de Ajuste Absoluta
Desviaciones en la estimación

𝒀𝒊
𝒀𝒊 − 𝒀෡𝒊
𝜺𝒊
෢𝒊 𝒀𝒊 − 𝑌ത
𝒀
𝒀෡𝒊 − 𝑌ത
𝒀𝒊

𝒀𝒊 − 𝑌ത es la desviación total

𝒀𝒊 − 𝒀෡𝒊 es la desviación que no está explicada por la regresión, siendo la magnitud del
error

𝒀෡𝒊 − 𝑌ത es la desviación que está explicada por la regresión

15

Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso
  Facultad
Taller de Ciencias Económicas
de Programación
Medidas de Bondad de Ajuste Relativas
SCT (Suma de Cuadrados Total)=SCE + SCR
Esta medida considera los desvíos de cada observación respecto del
promedio de la variable (la variable a estimar), sin considerar la relación que
ésta tiene con la variable .
𝑺𝑪𝑻 = 𝑆𝑌𝑌 = σ𝑛𝑖=1(𝑌𝑖 −𝑌)
ത 2
SCR (Suma de Cuadrados de la regresión)
Medida de cuanta variación de Y es explicada por el modelo.
𝑺𝑪𝑹 = σ𝑛𝑖=1 𝜺2𝑖 = σ𝑛𝑖=1(𝒀
෢𝒊 − 𝑌)
ത 2

SCE (Suma de Cuadrados del Error)

Medida de la variación total de Y que no es explicada por el modelo, es decir,
no puede ser atribuida a una relación lineal
𝑺𝑪𝑬 = SCT –SCR= σ𝑛𝑖=1(𝑌𝑖 − 𝒀
෢𝒊 )2
𝑺𝑪𝑹
= Proporción de variación total que puede ser explicada por el
𝑺𝑪𝑻
modelo 16

Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso
  Facultad
Taller de Ciencias Económicas
de Programación
Continuando con el ejemplo
X Y X*Y X^2 Y^2 Yi estimados SCT= (Yi - Y raya) ^2 SCR= (Yi est - Y raya)^2
24 5.298 127.152 576 28.068.804 5.817,3 113.434,24 33.316,7
32 8.100 259.200 1.024 65.610.000 7.642,6 6.077.211,04 4.031.322,6
14 4.506 63.084 196 20.304.036 3.535,7 1.274.189,44 4.406.135,7
23 4.816 110.768 529 23.193.856 5.589,2 670.433,44 2.082,3
35 8.768 306.880 1.225 76.877.824 8.327,1 9.816.942,24 7.248.468,0
28 6.486 181.608 784 42.068.196 6.730,0 724.541,44 1.199.401,8
14 3.022 42.308 196 9.132.484 3.535,7 6.826.723,84 4.406.135,7
19 5.676 107.844 361 32.216.976 4.676,5 1.697,44 918.292,0
25 5.524 138.100 625 30.514.576 6.045,5 12.276,64 168.665,9
18 4.152 74.736 324 17.239.104 4.448,4 2.198.695,84 1.407.631,2
232 56.348 1.411.680 5.840 345.225.856 56.348,0 27.716.145,6 23.821.451,8
n 10
෢𝒊 − 𝑌ത )2
𝑺𝑪𝑹 = σ𝑛𝑖=1(𝒀
Media X 23,20 SCR 23.821.451,8
Media Y 5.634,80 𝑌 = 341,47 + 228,16 ∗ 𝑋
Sxy 104.406,40 SCT 27.716.145,6 𝑺𝑪𝑻 = 𝑆𝑌𝑌 = σ𝑛𝑖=1(𝑌𝑖 −𝑌ത )2
Sxx 457,60
Syy 27.716.145,60 SCE 3.894.693,76 𝑺𝑪𝑬 = SCT –SCR= σ𝑛𝑖=1(𝑌𝑖 − ෢
𝒀𝒊 )2
Beta1 228,16
Beta 0 341,47

Ejemplo de cálculo de un error

𝜺𝒊 = 𝑌𝑖 - 𝒀෡𝒊 entonces si tomamos Y=5298 y X=24
෢𝟏 = 341,47 + 228,16 ∗ 24 = 5817,31 => 𝜺𝟏 = 5298-5817,3=519,31
𝒀
17

Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso
  Facultad
Taller de Ciencias Económicas
de Programación
Medidas de Bondad de Ajuste Relativas

Coeficiente de Determinación
Brinda una medida de la proporción de variación de Y que puede ser
explicada por el modelo. Cuanto mayor sea su valor, mejor ajuste del modelo.
Siempre será mayor que 0 y menor que 1

𝑆𝐶𝐸 𝑆𝐶𝑅
𝑟2 = 1 − =
𝑆𝐶𝑇 𝑆𝐶𝑇

Coeficiente de Correlación Muestral

Brinda una medida de la relación lineal entre los X e Y
A valores de X grandes le corresponde valores grandes de Y (relación
positiva)
A valores de X grandes le corresponde valores chicos de Y (relación negativa)
𝑆𝑋𝑌
𝑟=
𝑆𝑋𝑋 𝑆𝑌𝑌
18

Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso
  Facultad
Taller de Ciencias Económicas
de Programación

Si la relación es positiva entonces Si la relación es negativa entonces

𝑆𝑋𝑌 >0 𝑆𝑋𝑌 <0

19

Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso
  Facultad
Taller de Ciencias Económicas
de Programación

Coeficiente de 𝑆𝑋𝑌
correlación muestral 𝑟= con -1 < r < 1
𝑆𝑋𝑋 𝑆𝑌𝑌

• El valor de r es independiente de las unidades en las cuales X e Y estén

medidas.

• -1 < r < 1

• r = 1 si y solo si todos los puntos quedan sobre la recta con pendiente

positiva. Y r = -1 si y solo si todos los puntos quedan sobre la recta con
pendiente negativa

• El cuadrado del coeficiente de correlación muestral da el valor del

coeficiente de determinación que resultaría de ajustar el modelo de
regresión lineal simple.

• Un valor de r cercano a 0 no es evidencia de la falta de una fuerte

relación, sino sólo de la ausencia de una relación lineal.
20

Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso
  Facultad
Taller de Ciencias Económicas
de Programación

Continuando con el ejemplo

3894693,8
𝜎ො 2 = 𝑆 2 = = 486836,72
10 − 2

σ= 𝑆 = 2382145,18 = 697,74

𝑆𝐶𝑅 23821451,8
𝑟2 = = = 0,8594=86% El modelo presenta buen ajuste
𝑆𝐶𝑇 27716145,6

104406,4 104406,4
𝑟= = =0,93=93%
457,6 27716145,6 21,3915871313935∗5264,61257833851

Existe una relación lineal y positiva entre X e Y. Además se cumple que Sxy>0
21

Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso
  Facultad
Taller de Ciencias Económicas
de Programación

Coeficiente de Brinda una medida de la variación conjunta entre

correlación dos variables
-1 < 𝜌 < 1
𝐶𝑜𝑣(𝑋, 𝑌) Donde
𝜌= 𝜎𝑋 2 = V(X) = E((𝑋 − 𝜇𝑥 )2 ) y 𝜎𝑌 2 = V(Y) = E((𝑌 − 𝜇𝑌 )2 ) y
𝜎𝑋 𝜎𝑌
Cov(X,Y) = E((𝑋 − 𝜇𝑥 )(𝑌 − 𝜇𝑌 ))

Por lo tanto, mide el grado de asociación lineal entre X e Y.

𝞺 𝑋, 𝑌 =1 relación lineal perfectamente positiva. Esto sucederá cuando X e Y
estén fuertemente relacionadas de manera positiva.
𝞺 𝑋, 𝑌 = -1 relación lineal perfectamente negativa. Esto sucederá cuando X e
Y estén fuertemente relacionadas de manera negativa.
|𝞺 𝑋, 𝑌 |<1 indica que la relación no es completamente lineal, aunque la
relación entre ellas puede ser fuertemente no lineal.
𝞺 𝑋, 𝑌 =0 indica que existe una ausencia completa de relación lineal entre X
e Y. Es decir, no están correlacionadas. Pero pueden estar fuertemente
relacionadas mediante una relación no lineal.
22

Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso
  Facultad
Taller de Ciencias Económicas
de Programación

Pueden realizar la práctica 8

23

Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso