Informe Econometría

2,192
-1

Published on

Análisis de Regresión Múltiple para la estimación del precio de una acción

0 Comments
2 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
2,192
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
89
Comments
0
Likes
2
Embeds 0
No embeds

No notes for slide

Informe Econometría

  1. 1. FACULTAD DE ECONOMIA Y NEGOCIOS ESCUELA DE INGENIERIA COMERCIAL VIÑA DEL MARMODELO DE PREDICCIÓN:PRECIO DE LA ACCIÓN DE SONDA Nombre: Andrés Burgos Macarena Carrasco Ángela De La Fuente Joselyn Garrido Abdón Ondarza Ramo: Econometría Profesor: Carolina Ciervo Fecha: 18 de Noviembre del 2011
  2. 2. ÍNDICEIntroducción……………………………………………………………….……….. 2Desarrollo Descripción de variables…………………………………………………………. 7 Modelo inicial……………………………………………………………………… 7 Interpretaciones del modelo inicial……………………………………………… 10 Prueba de significancia global para el modelo inicial…………………….……. 11 Prueba de significancia individual para el modelo inicial………………………. 11 Replanteo del modelo………………………………….…………………………. 12 Análisis de Multicolinealidad.………………….……….…………………………. 14 Análisis de Autocorrelación….………………..……….…………………………. 15 Análisis de Heterocedasticidad……………….……….…………………………. 16Conclusión…………………………………………………...…………..……….… 23Bibliografía…………………………………………………...…………..……….… 24Anexos…………………………………………………………………………….…. 25
  3. 3. INTRODUCCIÓN La Econometría, es la rama de la economía, que utiliza métodos y modelosmatemáticos, los cuales son utilizados para analizar, interpretar y predecir diversossistemas y variables económicas, sin embargo, el mayor problema con el que seenfrenta en la investigación es la escasez de datos, los sesgos (Diferencia entre elvalor esperado de un estimador y el verdadero valor del parámetro) que puedencausar los mismos y la ausencia o insuficiencia de una teoría económica adecuada.Aun así, la econometría es la única aproximación científica al entendimiento de losfenómenos económicos. Es por ello que en este informe se quiere lograr el objetivo, a través de laeconometría, de poder predecir o estimar como distintas variables predictoras, lascuales en este análisis se utilizaron: tipo de cambio, IPSA, Unidad de Fomento, y elprecio de las acciones de: LAN, CAP, BCI, SOQUIMICH y CUPRUM, influirán en losprecios en que se transan las acciones de la empresa Sonda en la Bolsa de Santiago, lacual es nuestra variable regresora a estimar. Toda la investigación se basa en datosdiarios tanto de la variable en estudio como sus variables predictoras. El modelo utilizado en esta investigación es el de “Regresión múltiple”, el cualconsidera ciertos supuestos, los cuales corroboraremos por medio de los análisis de:Multicolinealidad, Heterocedasticidad y autocorrelación, por consiguiente a través dela observación de estos tres análisis se logrará concluir si las variables consideradas(tipo de cambio, IPSA, UF, LAN, BCI, SOQUIMICH y CUPRUM) para la predicción son ono efectivamente correctas.
  4. 4. DESARROLLO SONDA es la empresa que escogimos para realizar nuestro de predicción, y será elprecio de su acción la variable que queremos predecir. Esta empresa es la mayor firma latinoamericana de Servicios TI e Integración deSistemas. Fundada en Chile en 1974, SONDA es una empresa regional, contando conuna red que abarca los mercados más importantes de América Latina. La Compañíatiene presencia directa y oficinas comerciales en Argentina, Brasil, Chile, Colombia,Costa Rica, Ecuador, México, Perú y Uruguay, y cuenta con una dotación de más de10.000 personas y relaciones comerciales con más de 5.000 clientes en la región. La oferta de SONDA es integral y abarca Servicios de TI, Aplicaciones yPlataformas de Hardware y Software. Además, es el proveedor latinoamericano quedispone de la más completa y amplia cobertura regional, lo que permite que susclientes accedan al conocimiento y a la experiencia acumulada en cada uno de susterritorios. Para poder realizar la estimación, se consideraron las siguientes variables y porlas razones a continuación mencionadas: - IPSA: Si estamos analizando los movimientos que experimentan los valores de las acciones, siempre es adecuado y correcto compararse con la tendencia de las acciones más transadas de la misma plaza, por ende el índice más representativo y depurado de la tendencia de ese mercado, en este caso el IPSA. Además SONDA se encuentra en este grupo selectivo de las 20 acciones con mayor presencia bursátil.
  5. 5. - Tipo de cambio: Ingresamos esta variable a nuestro modelo, fundamentados en la historia que presenta SONDA, en donde podemos ver importantes negocios en diferentes mercados o países, por tanto, una parte importante de los ingresos y costos de la empresa están denominados en otras monedas y se toma al dólar como eje del mercado cambiario. Por otra parte los hardware están valorizados en esa moneda así como los royalties por uso de software. - Unidad de Fomento: Una parte de los ingresos de este tipo de prestadoresde servicios se transa en U.F. (pesos indexados a la inflación doméstica con un mes dedesfase) por tanto es válido pensar en que podría existir relación entre la inflación ylos resultados de la empresa y los resultados de esta. En definitiva, deberían ser elsustento que mueve el precio de esta acción en las bolsas. Por otra parte, al estar losestados financieros indexados a la inflación vía la corrección monetaria, mayorrelación puede existir. - LAN; CAP; BCI; SOQUIMICH y CUPRUM: Encontramos razonable considerarempresas de diferentes sectores de la economía que además tuvieran relación connuestra empresa. Entre ellas, una empresa de servicios (LAN), una industrial (CAP), una bancaria(BCI), una minera indexada a la producción de alimentos (SOQUIMICH) y una deinversiones (CUPRUM) para analizar varios sectores de la economía nacional. A todasellas, SONDA les suministra sus sistemas informáticos, tanto para la producción –operación, así como para los sistemas administrativos, así también como de equiposde cómputo y respaldos vía leasing operativo o arriendo, por lo que se espera queocurra con estas compañías es que afecten el valor de la acción de SONDA, puestoque afectan a los ingresos y potenciales costos de la compañía.
  6. 6.  Descripción de las variables - Variable regresada: Y: Precio acción de SONDA (pesos) - Variables predictoras: X1: IPSA (ptos.) X2: Tipo de cambio (pesos) X3: Unidad de Fomento (pesos) X4: Precio acción LAN Airlines (pesos) X5: Precio acción CAP (pesos) X6: Precio acción BCI (pesos) X7: Precio acción SOQUIMICH B (pesos) X8: Precio acción CUPRUM (pesos) Modelo inicial A continuación se presentan los datos obtenidos al realizar una regresión múltiple con las variables consideradas en el punto anterior, según el modelo propuesto a continuación: Y = β₀ + β₁IPSA + β₂Tipo de cambio + β₃UF + β₄LAN + β₅CAP + β₆BCI + β₇SoquimichB + β₈CUPRUM + μ Nuestra tesis es que al aumentar el precio de las acciones utilizadas en el modelo, el precio de la acción estudiada, también lo haga.
  7. 7. Se considera además que el análisis se realizará bajos los supuestos de regresiónmúltiple:1) Valor medio de μ es igual a cero 5) No hay sesgo de especificación: El2) No correlación lineal modelo está correctamente3) Homocedasticidad especificado4) Covarianza entre μi y cada 6) No hay colinealidad exacta entre las variable X igual a cero variables X, es decir, no hay relación lineal exacta entre X2 y X3 Con el fin de realizar una estimación adecuada y representativa del precio de laacción en estudio, utilizaremos como herramienta de trabajo el software Minitab enconjunto con Excel, y las funciones que estos poseen. Mediante este método, se busca la relación existente entre las diferentesvariables explicativas y la variable regresada, proponiendo una ecuación que permitaexplicar el comportamiento de esta última en función del mejor subconjunto devariables independientes, es decir, encontrar el mejor modelo explicativo. Ingresando todos los datos al software estadístico, los resultados obtenidos sonlos siguientes:
  8. 8. Estadísticas de la regresiónCoeficiente de correlaciónmúltiple 0,918231Coeficiente de determinaciónR^2 0,84314816R^2 ajustado 0,83798431Error típico 33,8749641Observaciones 252ANÁLISIS DE VARIANZA Grados de Suma de Promedio de Valor crítico de F libertad cuadrados los cuadrados FRegresión 8 1498919,28 187364,91 163,27909 3,37677E-93Residuos 243 278845,706 1147,51319Total 251 1777764,98 Superior Coeficientes Error típico Estadístico t Probabilidad Inferior 95% 95%Intercepción -7809,24313 758,699827 -10,2929286 7,4103E-21 -9303,710619 -6314,77563IPSA 0,16434705 0,02165739 7,58849676 6,8932E-13 0,12168687 0,20700722Tipo de Cambio 0,56559206 0,25090547 2,25420376 0,02507477 0,071364884 1,05981924UNIDAD DE FOMENTO 0,33889041 0,03325905 10,1894195 1,5646E-20 0,273377586 0,40440323LAN AIRLINES 0,01758728 0,00465839 3,77539609 0,00020087 0,008411294 0,02676326CAP -0,01487858 0,0038816 -3,83310966 0,00016121 -0,022524454 -0,00723272BCI -0,00023909 0,00102707 -0,23278638 0,81612324 -0,002262195 0,00178402SOQUIMICH B 0,00705265 0,00248491 2,83818561 0,00492053 0,002157927 0,01194737CUPRUM 0,02040818 0,00190512 10,7122768 3,4893E-22 0,01665552 0,02416084 El modelo estimado será: Y = -7809,24313 + 0.16434705xIPSA + 0,56559206xTipo de cambio +0,33889041xUF + 0,01758728xLAN - 0,01487858xCAP - 0,00023909xBCI +0,00705265xSoquimichB + 0,02040818xCUPRUM
  9. 9.  Interpretaciones del modelo inicial - β₀: El valor de este parámetro nos indica que el valor piso del precio de la acción de SONDA será de $-7.809 app. Siendo el resto de los parámetros igual a cero. Sin embargo, sabemos que el precio de una acción no puede tomar valores negativos, por lo que el valor piso de esta acción será de $0. - β₁: Ante el aumento de un punto del valor del IPSA, el precio de SONDA aumentará en $0.164 app. Siendo el resto de las variables constantes. - β₂: Ante el aumento de un punto del valor del Tipo de cambio, el precio de SONDA aumentará en $0.56559 app. Siendo el resto de las variables constantes. - β₃: Ante el aumento de un punto del valor de la UF, el precio de SONDA aumentará en $0.33889 app. Siendo el resto de las variables constantes. - β₄: Ante el aumento de un punto del valor de LAN, el precio de SONDA aumentará en $0.017587 app. Siendo el resto de las variables constantes. - β₅: Ante el aumento de un punto del valor de CAP, el precio de SONDA disminuirá en $0,01487858 app. Siendo el resto de las variables constantes. - β₆: Ante el aumento de un punto del valor de BCI, el precio de SONDA disminuirá en $0,00023909 app. Siendo el resto de las variables constantes. - β₇: Ante el aumento de un punto del valor de SoquimichB, el precio de SONDA aumentará en $0,00705265 app. Siendo el resto de las variables constantes. - β₈: Ante el aumento de un punto del valor de CUPRUM, el precio de SONDA aumentará en $0,02040818 app. Siendo el resto de las variables constantes. - R² ajustado: Nos indica que el ajuste del modelo es de aproximadamente un 83,8%, considerando que el mínimo planteado para este análisis es de un 60%, podemos decir que en primera instancia, nuestro modelo está bien ajustado.
  10. 10.  Prueba de significancia global para el modelo inicial Este análisis lo realizaremos bajo las pruebas F se significancia global, considerando un nivel de significancia (α) de un 5%, y mediante las siguientes hipótesis: H₀: β₁= β₂=β₃=β₄=β₅=β₆=β₇=β₈=0 H₁: β₁= β₂=β₃=β₄=β₅=β₆=β₇=β₈≠0 En los datos obtenidos por medio de los software nos indican que el valor crítico de F=3,37677E-93 es mucho menor al α=0,05, por lo que se rechaza H₀, lo que implica que las variables son significativas en forma conjunta. Prueba de significancia individual para el modelo inicial Ahora se realizará un análisis de significancia individual para cada uno de los parámetros, para así observar si estos son significativos para el modelo. Para esto se considerarán los valores de las probabilidades de cada parámetro, obtenidas por medio del software, y se compararán con el valor de significancia de un 5%, de ser menor que nuestro α, podemos rechazar la hipótesis nula y decir que nuestro parámetro es significativo para el modelo. H₀: β₀=0 H₀: β₂=0 H₀: β₄=0 H₀: β₆=0 H₁: β₀≠0 H₁: β₂≠0 H₁: β₄≠0 H₁: β₆≠0 H₀: β₁= 0 H₀: β₃=0 H₀: β₅=0 H₀: β₇=0 H₁: β₁≠0 H₁: β₃≠0 H₁: β₅≠0 H₁: β₇₁≠0
  11. 11. H₀: β₈=0 H₁: β₈≠0 El programa nos entrega los siguientes valores de probabilidad para cada parámetro: Parámetros Probabilidad β₀ 7,41032E-21 β₁ 6,89316E-13 β₂ 0,025074771 β₃ 1,56459E-20 β₄ 0,000200873 β₅ 0,000161214 β₆ 0,81612324 β₇ 0,004920528 β₈ 3,48927E-22 Finalmente nos encontramos que para el parámetro β₆, el valor de la probabilidad es mayor al valor de significancia, por ende, podemos decir que existe evidencia muestral suficiente para no se rechazar H₀ para este parámetro. Por lo tanto el intercepto y las variables: IPSA, Tipo de cambio, UF, LAN, CAP, SoquimichB y CUPRUM son significativas de forma individual en el modelo. Replanteo del modelo Luego de depurar por significancia debemos replantear nuestro modelo, que luego de eliminar la variable BCI nos queda: Y = -7809,24313 + 0.16434705xIPSA + 0,56559206xTipo de cambio + 0,33889041xUF + 0,01758728xLAN - 0,01487858xCAP + 0,00705265xSoquimichB + 0,02040818xCUPRUM
  12. 12. Estadísticas de la regresión Coeficiente de correlación 0,91821195 múltipleCoeficiente de determinación 0,84311318 R^2 R^2 ajustado 0,83861233 Error típico 33,8092461 Observaciones 252 ANÁLISIS DE VARIANZA Promedio de Grados de Suma de Valor crítico los F libertad cuadrados de F cuadrados Regresión 7 1498857,09 214122,442 187,323048 2,4416E-94 Residuos 244 278907,889 1143,06512 Total 251 1777764,98 Superior Coeficientes Error típico Estadístico t Probabilidad Inferior 95% 95% Intercepción -7807,16563 757,175547 -10,3109057 6,3154E-21 -9298,60004 -6315,73121 IPSA 0,16387027 0,0215185 7,61531924 5,7663E-13 0,12148455 0,206256 Tipo de Cambio 0,56536403 0,2504168 2,25769204 0,02484935 0,07210954 1,05861852 UNIDAD DE FOMENTO 0,33886998 0,03319441 10,2086456 1,3233E-20 0,27348582 0,40425414 LAN AIRLINES 0,01752984 0,00464283 3,77568086 0,00020047 0,0083847 0,02667498 CAP -0,01494394 0,00386392 -3,86756106 0,00014106 -0,02255483 -0,00733305 SOQUIMICH B 0,00698998 0,0024655 2,83512118 0,00496481 0,00213361 0,01184635 CUPRUM 0,02031272 0,00185686 10,9393044 6,3258E-23 0,01665521 0,02397024 Luego del replanteo, podemos decir que al depurar por significancia, nuestroajuste aumenta levemente debido a la eliminación de una variable, quedando en un83,86%.
  13. 13.  Análisis de Multicolinealidad Este análisis nos permite identificar si dos variables predictoras nos están entregando la misma información, por ende solo dejaremos, de este par de variables, la que nos explique de mejor forma a nuestra variable regresora. Luego de depurar por significancia, debemos depurar por multicolinealidad, lo que significa que debemos examinar los coeficientes de correlación parcial entre par de variables. Considerando un límite de un 85%. Coeficiente de Coeficiente de Variables determinación R^2 determinación R^2 (%) IPSA v.s Tipo de Cambio 4,35348E-05 0,00% IPSA v.s U.F 0,379168799 37,92% IPSA v.s LAN Airlines 0,584173082 58,42% IPSA v.s CAP 0,800963596 80,10% IPSA v.s Soquimich B 0,003065051 0,31% IPSA v.s Cuprum 0,110650567 11,07% Tipo de Cambio v.s UF 0,172868494 17,29% Tipo de cambio v.s LAN Airlines 0,055207305 5,52% Tipo de Cambio v.s CAP 0,0018824 0,19% Tipo de cambio v.s Soquimich B 0,289188689 28,92% Tipo de Cambio v.s Cuprum 0,012267331 1,23% UF v.s LAN Airlines 0,426342183 42,63% UF v.s CAP 0,593413602 59,34% UF v.s Soquimich B 0,469458288 46,95% UF v.s Cuprum 0,057572066 5,76% LAN Airlines v.s CAP 0,438697572 43,87% LAN Airlines v.s Soquimich B 0,081092687 8,11% LAN Airlines v.s Cuprum 0,013822216 1,38% CAP v.s Soquimich B 0,033531414 3,35% CAP v.s Cuprum 0,28263502 28,26% Socomich B v.s Cuprum 0,023825524 2,38% Luego de revisar el coeficiente de correlación, para cada par de variables, podemos decir que no se presenta multicolinealidad entre las variables del modelo.
  14. 14.  Análisis de Autocorrelación Para analizar la autocorrelación de las variables utilizaremos el test de Durbin-Watson, para esto se realiza la siguiente dócima: H0: ρ = 0 (independencia de los residuos) v/s H1: ρ ≠ 0 (dependencia de los residuos) Del software Minitab se obtiene la siguiente información entregada: EstadísticoD-W = 0,357859 para un nivel de significancia del 5%, n=252, k= 6 se obtiene segúntabla, sin embargo como los datos de la tabla solo llegan hasta un N=200: dL = 1,707 y dU = 1,831 Por lo tanto como d < dL se rechaza la Hipótesis nula, existe evidencia estadísticapara suponer que los residuos presentan autocorrelación positiva. Por otro lado a partir del estadístico Durbin-Watson, se puede obtener elcoeficiente de autocorrelación simple ρ igual a 0,821071 lo que nos indica que existeuna alta asociación entre los residuos. A continuación utilizaremos test de Rachas para verificar la información obtenidaanteriormente mediante Durbin- Watson. H0: La secuencia de datos es aleatoria (no hay correlación en los residuos) v/s H1: La secuencia de datos no es aleatoria (hay correlación en los residuos)R: Número de rachas N2: Número de residuos negativosN1: Número de residuos positivos N: Número de observaciones en análisis
  15. 15. N1= 131 N2 = 121 R = 42 E [R] = 126,8 V[R] = 62,55 A partir de estos datos se puede determinar el siguiente intervalo de confianza: = Igual a [111,3; 142, 3] Dado que R no se encuentra dentro del Intervalo, por lo tanto existe evidencia muestral suficiente para rechaza la Hipótesis Nula y se puede concluir que hay presencia de autocorrelación de los residuos. Lo que coincide con lo obtenido con la prueba de Durbin-Watson. (Anexo 1) Análisis de Heterocedasticidad Se realiza una primera inspección analizando los gráficos de los residuos estandarizados versus cada variable explicativa del modelo para tener una idea a priori de presencia de heterocedasticidad. 0
  16. 16. Según lo observado en las gráficas anteriores, y considerando lo expuesto en ellibro Gujarati de Econometría, podemos inferir no hay un patrón sistemático entre lasdos variables, lo cual sugiere que posiblemente no hay heterocedasticidad en los
  17. 17. datos. Para verificar lo observado según el método gráfico, se realizará el contraste deGolfeldt y Quandt.Para ello se establece la siguiente docima: H0: Ausencia de Heterocedasticidad v/s H1: Presencia de heterocedasticidad Luego se ordena cada variable de menor a menor para luego eliminar las n/3observaciones centrales. Se realiza la regresión para cada uno de los grupos. En estecaso n = 252, el grupo 1 se formara de los 84 primeros datos y el grupo dos por los 84últimos datos. El estadígrafo para cada caso corresponde al cuociente entre los SC de lasregresiones de cada grupo, el que es contrastado con la distribución de F, que sedetalla a continuación .1. IPSA - Primeras 84 observaciones - Últimas 84 observaciones Estadígrafo: E = = = 1,886 F (81; 81 ; 0,95) = 1,448
  18. 18. Luego, como E > F, entonces no se acepta la Hipótesis nula, es decir, existeevidencia estadística que indica presencia de heterocedasticidad.2. Tipo de cambio - Primeras 84 observaciones - Últimas 84 observaciones Estadígrafo: E = = = 2,2146 F (81; 81 ; 0,95) = 1,448 Luego, como E > F, entonces no se acepta la Hipótesis nula, es decir, existeevidencia estadística que indica presencia de heterocedasticidad.3. Unidad de Fomento - Primeras 84 observaciones - Últimas84 observaciones
  19. 19. Estadígrafo: E = = = 2,496 F (81; 81 ; 0,95) = 1,448 Luego, como E > F, entonces no se acepta la Hipótesis nula, es decir, existeevidencia estadística que indica presencia de heterocedasticidad.4. LAN - Primeras 84 observaciones - Últimas 84 observaciones Estadígrafo: E = = = 2,4744 F (81; 81 ; 0,95) = 1,448 Luego, como E > F, entonces no se acepta la Hipótesis nula, es decir, existeevidencia estadística que indica presencia de heterocedasticidad.5. CAP - Primeras 84 observaciones
  20. 20. - Últimas 84 observaciones Estadígrafo: E = = = 2,3187 F (81; 81 ; 0,95) = 1,448 Luego, como E > F, entonces no se acepta la Hipótesis nula, es decir, existeevidencia estadística que indica presencia de heterocedasticidad.6. Soquimich B - Primeras 84 observaciones - Últimas84 observaciones Estadígrafo: E = = = 2,3156 F (81; 81 ; 0,95) = 1,448 Luego, como E > F, entonces no se acepta la Hipótesis nula, es decir, existeevidencia estadística que indica presencia de heterocedasticidad.
  21. 21. 7. CUPRUM - Primeras 84 observaciones - Últimas84 observaciones Estadígrafo: E = = = 2,277 F (81; 81 ; 0,95) = 1,448 Luego, como E > F, entonces no se acepta la Hipótesis nula, es decir, existeevidencia estadística que indica presencia de heterocedasticidad. La prueba de Golfeldt y Quandt nos indica, a diferencia de lo observado en laspruebas gráficas, que si nos encontramos en presencia de heterocedasticidad en elmodelo, de hecho en todas las variables, por lo que a pesar de que se podrían realizarcorrecciones para este modelo, la recomendación óptima, es de replantear lasvariables predictoras y realizar un nuevo modelo y su respectivo análisis.
  22. 22. CONCLUSIÓN Luego de analizado el proceso, nuestro objetivo principal de encontrar un modeloque pudiese predecir el precio de la acción de SONDA, se ve truncado, así como la tesis deque al aumentar el precio de las otras acciones involucradas, el precio de nuestra accióntambién aumentaría, esto, posiblemente por las variables consideradas para este análisis. Los estadísticos de correlación y luego el análisis de significancia global e individualnos deja un modelo propuesto con variables como el IPSA, el Tipo de cambio y el precio deotras acciones que son transadas en la bolsa, al igual que SONDA, y que además sonclientes de ésta empresa, nos deja un modelo que a priori podría servirnos para estimar loque se busca. Sin embargo, luego de realizar los análisis que nos permiten corroborar lossupuestos en los que se basa la regresión múltiple, nos indican que nuestro modelo violaestos supuestos, el de heterocedasticidad y de autocorrelación, lo que finalmente nosseñala que el modelo luego de depurado por multicolinealidad y finalmente propuesto noes eficiente ni significativo. En conclusión, podemos decir que no basta con contar con los mejores programasmatemáticos, ni saber realizar una regresión y todos sus análisis, para poder estimarmodelos. Como hemos visto en este trabajo, lo más importante es recopilar buenos datosmuéstrales, así como definir variables apropiadas para la estimación, de lo contrario,todas las herramientas antes mencionadas no lograrán buenos resultados.
  23. 23. BIBLIOGRAFÍA- Libro de Econometría, Damodar N. Gujarati- http://webdelprofesor.ula.ve/economia/dramirez/MICRO/FORMATO_PDF/Mat erialeconometria/Autocorrelacion.pdf- www.bolsadesantiago.com- www.bovalpo.cl- www.bcentral.cl
  24. 24. ANEXOS1- Anexo 1: Análisis de residuos

×