Armando Tealdo Proyecciones de La Producción Agricola PDF

[Nombre de la compañía]
PROYECCIONES DE LA
PRODUCCIÓN AGRICOLA
ARMANDO TEALDO ALBERTI

SETIEMBRE 2015
ÍNDICE
INTRODUCCIÓN
I. MODELO
1.1 Bases
1.2 Estacionalidad
1.3 Probabilidades
1.4 Método Monte Carlo
1.5 Proyecciones
Superficie cosechada
Rendimientos
1.6 Resumen
II. ANÁLISIS
2.1 Periodo vegetativo
2.2 Periodos estacionales
2.3 Superficie cosechada
2.4 Estacionalidad de la producción
2.5 Rendimientos
Tendencia
Estacionalidad
III. PROCESAMIENTO DE LA INFORMACIÓN
3.1 Bases
3.2 Información
3.3 Proyección en marzo
3.4 Proyección en julio
3.5 El programa
IV. SALIDAS
ANEXO
I. Resultados estadísticos superficie cosechada-superficie sembrada
1.1 Serie histórica mensual (información de base) información de base
1.2 Total serie histórica
1.3 Periodo siembra julio-octubre
1.4 Periodo siembra noviembre-febrero
1.5 Periodo siembra marzo-junio
II. Resultados estadísticos rendimientos
2.1 Información
2.2 Tendencia (mínimos cuadrados)
2.3 Estacionalidad rendimientos
III. Resultados estadísticos estacionalidad producción
3.1 Información
IV. Resultados estadísticos estacionalidad superficie sembrada
4.1 Información
4.2 Estacionalidad de la superficie sembrada
V. Resultados estadísticos estacionalidad superficie cosechada
5.1 Información
5.2 Estacionalidad de la superficie cosechada
VI. Proyecciones y resultado de la producción de papa para el año 2015
1
Armando Tealdo
INTRODUCCIÓN
El proceso de producción agraria muestra una serie de regularidades. Sembrado un cultivo

prácticamente quedan determinadas las fechas de las labores culturales que se tienen que
realizar, los momentos de la aplicación de insumos como fertilizantes y pesticidas, y las
fechas de la cosecha o periodo de producción.
La agricultura se caracteriza por su marcada estacionalidad: se siembra en ciertos

periodos del año, y la producción se concentra en determinados meses. La estacionalidad
es más pronunciada cuando se cultiva en condiciones de secano, y cuando las estaciones
son muy marcadas, con inviernos que hacen inviable los cultivos. En cambio, en zonas
cálidas con disponibilidad de agua durante el año, es posible sembrar y cosechar
frecuentemente, por lo que la producción mensual es más uniforme y menos estacional.
Una vez sembrado un bien agrario, el momento de producción se puede estimar de manera
ajustada. Así, si se siembra x hectáreas en el mes m, se cosechará x hectáreas1 en el mes
m+v, en donde v es periodo vegetativo del cultivo (el tiempo que transcurre desde que es
sembrado hasta su cosecha). De esta manera, si se proyecta el rendimiento, se puede
proyectar la producción con v meses de antelación.
La proyección de la producción que se propone en este documento se basa en el análisis

de series históricas de la superficie sembrada y cosechada, así como de la producción.
Normalmente en las series de tiempo se observan tres componentes: a) el estacional. b)
la tendencia y, c) el cíclico. A estos componentes se suman las perturbaciones aleatorias.
El componente estacional corresponde a las variaciones regulares que se dan dentro de
un año, y que mayormente son producto de las estaciones climáticas. Por su parte, la
tendencia comprende las variaciones que se observan a través de los años, como puede
ser la tasa de crecimiento anual de la producción. El tercer componente está relacionado
con los ciclos que se presentan con una periodicidad de mediano o largo plazo. Por su
naturaleza, para efectos de la presente propuesta se ha considerado el componente
estacional y la tendencia.
El modelo de proyecciones para la producción que se expone en el documento, se basa

en la superficie sembrada y los rendimientos observados en los cultivos. A partir de esta
información se proyecta la superficie cosechada y los rendimientos para estimar la
producción que se obtendrá en la campaña con una anticipación de más de tres trimestres.
El modelo usa información de variables que están afectadas por perturbaciones aleatorias,
por lo que se propone utilizar el método Monte Carlo para realizar las proyecciones. De
esta manera, dada una probabilidad se puede estimar entre que valores se encontrará la
producción de la campaña; o cual es la probabilidad para que la producción de la campaña
sea menor a un determinado volumen.
Para el caso se ha tomado como ejemplo el cultivo de la papa, producto con el que se
siembran más de 300 mil hectáreas anuales. Pero el modelo se puede ampliar a otros
cultivos de campaña importantes como el arroz (unas 400 mil hectáreas sembradas
anualmente), el maíz amarillo duro y el maíz amiláceo (que representan más de medio
millón de hectáreas). También destacan el trigo y la cebada, cada uno con más de 150 mil
1
La superficie puede ser menor por el efecto de otros factores, como puede ser el abandono del cultivo.
2
Armando Tealdo
hectáreas cosechadas por año y que, conjuntamente con el arroz y maíz, representan el
95% de la superficie con cereales, y más de un tercio de la superficie con cultivos
agrícolas. Además se puede agregar otros productos importantes relacionados con la
exportación, caso en el que se debe distinguir los cultivos de campaña de los que tienen
un carácter permanente o semipermanente, como los espárragos y frutales, en donde el
periodo que media entre la siembra y el inicio de la producción es mayor al año, y en
donde una vez instalado el cultivo este permanece por un largo plazo. Ello determina que
se tenga que considerar estas particularidades para ajustar el modelo que se está
proponiendo.
En todo caso hay que destacar la importancia de la interpretación de los resultados que,
entre otras materias, dependerá del escenario que se observe, así como de las preguntas
que se quieren absolver. Entre otras cuestiones, las interrogantes que se pueden plantear
están relacionadas son: a) el volumen a producir, b) el volumen del déficit o superávit que
se prevé tener, y la probabilidad de su ocurrencia, c) la probabilidad para que la
producción sea menor o superior a un en un determinado porcentaje, d) el volumen de
disminución o incremento de la exportación y la probabilidad de su ocurrencia.
La propuesta consta de cuatro Partes un Anexo, y tres hojas de cálculo. En la primera

parte se expone el modelo. En la segunda se presenta el análisis y los resultados
estadísticos obtenidos, los mismos que permiten definir los parámetros para aplicar el
modelo propuesto. La tercera parte trata del procesamiento de la información: valores que
usa el modelo y los procesos que se aplican través de el. La parte final presenta las salidas
que se pueden obtener para las proyecciones de la producción. En Anexo se da el detalle
de los resultados y análisis estadísticos realizados para el caso de la papa. Por su parte,
las hojas de cálculo que se adjuntan son: a) Datos, en donde se registrar información
histórica mensual, b) Proyección en marzo, para prever la producción anual con datos
disponibles en el mes de marzo y, c) Proyección en julio, en donde se utilizan los datos
disponibles en julio.
3
Armando Tealdo
I. MODELO
1.1 Bases
Conocida la superficie sembrada y el momento de la cosecha de un cultivo se puede

proyectar la superficie a cosechar y la producción (Q):
𝑝
𝐶𝑚+𝑣 = ℎ ∙ 𝑆𝑚 (1)
𝑝 𝑝 𝑝
𝑄𝑚+𝑣 = 𝐶𝑚+𝑣 ∙ 𝑅𝑚+𝑣 (2)
En donde C es la superficie cosechada, Q la producción, S la superficie sembrada, m el
mes de siembra, v el periodo vegetativo, h el factor que lleva las áreas sembradas a
cosechadas, y R la producción por hectárea que se prevé obtener en m+v. La letra p indica
que se tratan de una proyección.
El volumen de producción es variable y depende, entre otros factores, de la tecnología

utilizada y las condiciones climáticas que se dan durante el periodo de crecimiento y
fructificación de los cultivos, particularmente las relacionadas con la disponibilidad de
agua, la temperatura y la humedad relativa.
1.2 Estacionalidad
El análisis estacional permite medir las variaciones periódicas y regulares que se dan en
un lapso inferior a un año. En la agricultura la estacionalidad depende de las condiciones
climáticas que determinan los periodos de siembra y cosecha. Asimismo, el clima afecta
a los rendimientos y, consecuentemente, a la producción
La estacionalidad se puede estimar a través del uso de coeficientes que miden la

proporción promedio que representa una variable2 en un periodo particular3 respecto al
total de la campaña. El siguiente cuadro muestra uno de los métodos de cálculo de los
coeficientes estacionales:
CUADRO 1
PERÍODO
CAMPAÑA TOTAL
1 2 . m
CAMPAÑA
1 𝑋1,1/𝑋1𝑇 𝑋1,2/𝑋1𝑇 . 𝑋1,𝑚 /𝑋1𝑇 𝑋1𝑇 = ∑ 𝑋1,𝑚
2 𝑋2,1 /𝑋2𝑇 𝑋2,2/𝑋2𝑇 . 𝑋2,𝑚/𝑋2𝑇 𝑋2𝑇 = ∑ 𝑋2,𝑚

. . . . . .
n 𝑋𝑛,1 /𝑋𝑛𝑇 𝑋𝑛,2 /𝑋𝑛𝑇 . 𝑋𝑛,𝑚 /𝑋𝑛𝑇 𝑋𝑛𝑇 = ∑ 𝑋𝑛,𝑚
COEFICIENTE 𝑋 𝑋 𝑋
𝑏1 = ∑ [ 𝑛,1⁄𝑋 𝑇 ] /𝑛 𝑏2 = ∑ [ 𝑛,2⁄𝑋 𝑇 ] /𝑛 𝑏𝑚 = ∑ [ 𝑛,𝑚⁄𝑋 𝑇 ] /𝑛 1
ESTACIONAL 𝑛 𝑛 𝑛
𝑛 𝑛 𝑛
En donde 𝑋𝑛,𝑚 es el valor de la variable en el periodo m de la campaña n, y 𝑋𝑛𝑇 el valor

total que tiene en esa campaña. El promedio de los cocientes de un periodo m para
diferentes campañas permite estimar su coeficiente estacional 𝑏𝑚 de ese período. Si se
multiplica el coeficiente por 100 se obtiene el porcentaje que representa la variable
2
Como puede ser la superficie sembrada o cosechada, la producción, o los rendimientos.
3
Mes, trimestre, etc.
4
Armando Tealdo
respecto al total de la campaña. Como los coeficientes 𝑏𝑚 son proporciones de un valor
total, su suma debe ser igual a uno4.
Otra forma de aproximarse al tema es a través del análisis estadístico, relacionando los
valores históricos de cada período con los de su campaña. Por ejemplo, para el período 1
la relación es:
𝑋𝑛,1 = 𝑏1 ∙ 𝑋𝑇𝑛 (3)

Otra posibilidad, derivada de la anterior, consiste en relacionar los cocientes históricos de
la series de tiempo:
𝑋𝑛,1 /𝑋𝑇𝑛 = 𝑏1 (3 a)
En donde el valor de la constante de la relación lineal es el coeficiente estacional (𝑏1 )
El siguiente gráfico muestra el comportamiento de la superficie sembrada y la producción

que le corresponde. Se puede observar la marcada concentración de las siembras en el
período setiembre-noviembre (inicio del periodo de lluvias) y la concentración de la
producción a que da lugar en el período marzo-mayo.
GRÁFICO 1
El gráfico corresponde a la papa, y se ha tomado el promedio mensual de cada variable

de la serie de los últimos 10 años
1.3 Probabilidades
El valor de las variables tiene componentes aleatorios, por lo que las proyecciones son
probabilísticas. En tal sentido, para un determinado nivel de probabilidad, es factible
estimar los valores entre los que se puede encontrar la variable proyectada. El siguiente
gráfico muestra una curva normal5 de frecuencias (eje de las abscisas) para los valores de
una variable (eje de las ordenadas). Como se sabe, el área por debajo de la curva es igual
a la unidad. Si 𝑋 𝑃 es el valor proyectado, los valores entre los que se puede encontrar la
variable a una probabilidad dada (área sombreada del gráfico) es 𝑋 𝑃 ± 𝑙.
4
En casos hay que reajustar los valores hallados para obtener este resultado.
5
La curva de distribución puede ser de otro tipo.
5
Armando Tealdo
GRÁFICO 2
Cuanto más alta es la variabilidad la curva será más ancha y aplanada, por tanto el valor
l serán más grande para el valor de probabilidad seleccionado. Se manera similar, cuanta
más alta es la probabilidad con la que se quiere estimar los valores entre los que se
encuentra la variable proyectada, el área sombreada del grafico será mayor, y el valor l
será más grande. La forma de la curva dependerá de los valores de la variable y su
variabilidad en el tiempo.
1.4 Método Monte Carlo
El método de Monte Carlo es usado para generar distribuciones de probabilidades

empleando secuencias de números aleatorios entre cero y uno uniformemente
distribuidos. Los números generados al azar son utilizados para producir otra secuencia
de números distribuidos de acuerdo a una función sobre la cual se esta interesado en
estimar alguna de sus propiedades. Para este efecto, si se estima los parámetros de la
distribución de probabilidades de una variable, se puede simular los valores futuros que
puede adoptar.
Así, se pueden generar números al azar (a) entre cero y uno, uniformemente distribuidos
(Gráfico 36). Si la función en la que se está interesado es f(x) (Gráfico 47), y se usa una
transformación que hace igual su integral con el número generado al azar, se puede
estimar el valor de la variable x que corresponde a esa integral.
GRÁFICO 3 GRÁFICO 4
El grafico de la izquierda corresponde a la distribución de frecuencias de los números al azar, y el

de la derecha a la distribución de la variable en cuestión. El área sombreada del gráfico de la
izquierda representa el caso en el que se ha generado un número al azar igual a 0.6. Ese valor sería
el del área sombreada del grafico de la derecha, que corresponde a un valor de la variable igual a
10. De esta manera se pueden generar otros valores para la variable 8.
6
En donde g(a) ∂a es la probabilidad de obtener un valor a. Ello es así por que la distribución es uniforme,
y por que los números están comprendidos entre cero y uno, determinando que la probabilidad de que se
genere un número entre cero y a sea igual al este número (a).
7
En donde ∫(x) ∂x es la probabilidad de obtener un valor x en el intervalo correspondiente.
8
Ver “El Método Montecarlo”, J.J. Gómez-Cadenas. http://benasque.org/benasque/2005tae/2005tae-
talks/213s.pdf
6
Armando Tealdo
Si se repite el proceso se puede generar una familia de valores estimados sobre la base de
los números al azar. Con los valores generados se puede se puede calcular el promedio
de la variable, su desviación estándar, y los valores entre los que se situaría a un nivel de
probabilidad dado. El siguiente gráfico muestra los resultados9 para un caso en donde, al
90% de probabilidad, la variable puede tomar valores situados entre 4317 y 4767.
GRÁFICO 5
Por su parte el gráfico que sigue muestra que la variable tiene una probabilidad de 22%
para que sea inferior a 4564.
GRÁFICO 6
Lo importante es que el proceso puede comprender varias variables interrelacionadas10,

de tal manera de obtener una distribución de frecuencias para la interrelación.
1.5 Proyecciones
De acuerdo con las relaciones (1) y (2), la proyección de la producción se basa en dos
valores básicos:
a. la superficie sembrada sobre la que se proyecta la superficie cosechada, y,
b. el rendimiento esperado, que es multiplicado por la superficie cosechada para

obtener la producción estimada.
Superficie cosechada
9
Para el análisis se utilizó el programa Crystal Ball.
10
Por ejemplo superficie sembrada, superficie cosechada, y rendimientos para obtener la producción
7
Armando Tealdo
A partir de la superficie sembrada se puede proyectar la superficie cosechada. La
superficie cosechada no necesariamente es igual a la sembrada ya que hay factores que
pueden determinar la modificación de la superficie sembrada que registran las estadísticas
en un momento dado. Así, tempranamente se puede sustituir el cultivo declarado por otro,
o puede haber abandono total de superficie sembrada, o pueden haber factores climáticos
que determinen la pérdida de parte del área sembrada. Estos problemas se presentan
regularmente, afectando la relación entre superficie cosechada y sembrada, dándole a esta
última un carácter probabilístico.
En este contexto se puede establecer la relación funcional que se da entre superficie

sembrada y cosechada a partir del análisis de las series históricas. Los resultados del
análisis, y los estimados estadísticos que se generen, pueden ser utilizados para aplicar el
método Monte Carlo.
Rendimientos
Las estimaciones de la superficie cosechada se tienen que multiplicar por los rendimientos
previstos para calcular la producción a obtener. Las series históricas de los rendimientos
muestran tanto un componente tendencial, como uno estacional. El efecto de las mejoras
tecnológicas se observa en el tiempo, y se puede medir a través del crecimiento anual que
muestra el rendimiento11 a través del tiempo.
GRÁFICO 7
El análisis de la tendencia de los rendimientos permite proyectarlo para la siguiente

campaña. A su vez, a la proyección se le puede aplicar el método Monte Carlo.
Por otro lado, el rendimiento puede tener variaciones marcadas dentro del año como
consecuencia de los efectos estacionales. En el caso de la papa, al interior de la campaña
el rendimiento más alto es 1.7 veces el valor del mes de más bajo:
GRÁFICO 8
11
Producción por hectárea.
8
Armando Tealdo
Valores relativos respecto al rendimiento promedio del año.
El análisis de las series históricas permite estimar los coeficientes estacionales y sus
parámetros estadísticos12, a los que también se puede aplicar el método Monte Carlo.
1.6 Resumen
El método que se propone para proyectar la producción se basa en datos disponibles sobre
la superficie sembrada y el rendimiento del cultivo. Sobre la información de la superficie
sembrada para una campaña se estima la superficie cosechada, la misma que es
multiplicada por el rendimiento para proyectar la producción. Por el lado del rendimiento,
el análisis de las series históricas permite su proyección anual, y el valor proyectado debe
ser estacionalizado para obtener el rendimiento de un periodo en cuestión (mes, trimestre,
u otro período estacional dentro del año). La suma de la superficie cosechada por la
producción de cada período permite obtener la producción de la campaña.
A las proyecciones de la superficie cosechada y los rendimientos, así como a los índices
estacionales, se puede aplicar el método Monte Carlo de manera tal de obtener un
estimado de la producción para la campaña y los valores entre los que se puede situar a
una determinada probabilidad.
El siguiente cuadro resume lo expuesto considerando un periodo estacional:

CUADRO 2
SUPERFICIE
SEMBRADA
(DATO)
PROYECCIÓN
SUPERFICIE
COSECHADA
ÍNDICE RENDIMIENTO
RENDIMIENTO
ESTACIONAL PROYECTADO
DEL PERIODO
RENDIMIENTO (DATO)
PRODUCCIÓN
(SALIDA)
APLICACIÓN DE MÉTODO
MONTE CARLO
La suma de los resultados de las simulaciones de todos los periodos estacionales, permite
construir una curva de probabilidades de los valores proyectados para la producción.
12
Promedios, desviaciones estándar, etc.
9
Armando Tealdo
10
Armando Tealdo
II. ANÁLISIS
Para el desarrollo de esta parte se ha tomado como caso práctico la papa, producto que es
cultivado mayormente en la sierra del país y, complementariamente, en la costa.
El análisis de esta parte comprende los siguientes temas:
- Estimación estadística del período vegetativo del cultivo.
- Determinación de los periodos estacionales de análisis.
- Relaciones funcionales superficie cosechada-superficie sembrada.
- Periodos de proyección.
- Estacionalidad de la producción y periodos de proyecciones.
- Rendimientos: tendencia y estacionalidad.
- Hojas Crystal Ball-Excel y datos para las proyecciones.
2.1 Periodo vegetativo
En primer lugar hay que analizar el periodo vegetativo para observar los meses que
median desde la siembra a la cosecha (producción).
𝑝
Para determinar el periodo se puede relacionar linealmente la superficie cosechada 𝐶𝑡+𝑣
en el mes t+v con la superficie sembrada en v meses anteriores (𝑆𝑡 ) considerando distintos
escenarios para v:
𝒑
𝐶𝑡+𝑣 = k + ℎ ∙ 𝑆𝑡 (4)
En donde k es la constante de la relación lineal, y el índice p indica que se trata de una
proyección.
Los mejores ajustes estadísticos13 de la relación superficie sembrada y superficie
cosechada con papa se dieron para un periodo de desfase de 6 meses14 (v=6).
GRÁFICO 9: RELACIÓN SUPERFICIES COSECHADA-SEMBRADA
(MILES DE HECTÁREAS15)
13
Pruebas de significación, R2, etc.
14
El periodo de desfase es un valor promedio, ya que puede haber variedades con mayor o menor periodo
vegetativo.
15 𝑆
𝐶𝑡 = 5.9 + 0.7 ∙ 𝑆𝑡−6 + 0.8 𝑎𝑟(1); R² = 0.96.
11
Armando Tealdo
2.2 Periodos estacionales
Para identificar los periodos estacionales se agruparon dos o más meses consecutivos. A
cada periodo así definido se aplicó la relación funcional (4), y se seleccionaron los
períodos que tuvieron mejores pruebas de significación. De esta manera, dentro de
campaña se identificaron tres periodos que dependen tanto de la región donde se siembra
la papa (costa o sierra) como de la época de siembra (periodo con lluvias, o periodo con
lluvias escasas pero con disponibilidad de agua de riego). Los períodos de siembra
identificados fueron:
a. Julio a octubre.
b. Noviembre a febrero.
c. Marzo a junio.
Las siembras de julio a octubre corresponden a la sierra y se realizan con el inicio del
periodo de lluvias. Estas siembras dan lugar a la producción de los cuatro primeros meses
del año siguiente y concentra un 40% de la producción de la campaña.
GRÁFICO 10: SIEMBRAS JUNIO OCTUBRE
(MILES DE HECTÁREAS)
La relación funcional hallada entre la superficie cosechada de enero a abril (𝐶𝐸−𝐴 )

respecto a la superficie sembrada en el periodo julio a octubre (𝑆𝐽−𝑂 ) fue16:
𝒑
𝐶𝐸−𝐴 = 0.76 ∙ 𝑆𝐽−𝑂 (5)
Por su parte, las siembras de noviembre a febrero básicamente se dan en zonas de la sierra
durante el periodo de lluvias, pero necesitan agua de riego para cubrir los requerimientos
hídricos en la etapa final del cultivo, que coincide con precipitaciones muy reducidas.
16
R2 =0.988. La constante no tuvo significación estadística.
12
Armando Tealdo
GRÁFICO 11: SIEMBRAS NOVIEMBRE FEBRERO
La producción de este período se da con las cosechas de los meses de mayo a agosto y,
como el caso anterior, también concentra un 40% de la producción de la campaña. La
relación funcional de las variables es17:
𝒑
𝐶𝑀−𝐴 = 8.7 + 0.93 ∙ 𝑆𝑁−𝐹 (6)
Las siembras de marzo a junio comprenden áreas que se cultivan en la costa; e incluye
áreas abrigadas de sierra para zonas con riego que les permite cubrir los requerimientos
del cultivo durante el período vegetativo del cultivo.
GRÁFICO 12: SIEMBRAS MARZO JUNIO
La producción correspondiente se da en el período setiembre a diciembre pero, a

diferencia de los periodos anteriores, sólo aporta un 20% de la producción de la campaña.
La relación funcional halada fue:
𝑝
𝐶𝑆−𝐷 = 6.7 + 0.44 ∙ 𝑆𝑀−𝐽 (7)
17
R2 =0.96
13
Armando Tealdo
Esta relación funcional tuvo un ajuste menor que las relaciones anteriores18, y un error
estándar mayor para la superficie sembrada (variable independiente), lo que indica una
mayor variabilidad de las observaciones19 registradas.
2.3 Superficie cosechada
Conocida la superficie sembrada en cada mes se puede proyectar la superficie cosechada

correspondiente con 6 meses de anticipación.
CUADRO 3
PERIODO JUL AGO SEP OCT NOV DIC ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
1 SIEMBRA COSECHA
2 SIEMBRA COSECHA
3 SIEMBRA COSECHA
No obstante, la recopilación y procesamiento de la información estadística toma tiempo.

Si ese tiempo es un mes, el periodo de anticipación se reduce a 5 meses. En este escenario
la proyección de la superficie cosechada para el primer periodo estacional (siembras julio-
octubre) se puede realizar en noviembre. Esta proyección cubriría la superficie que se
prevé cosechar en el periodo de enero a abril.
La proyección del segundo periodo se realizaría en marzo, y cubre la superficie a cosechar

entre mayo a agosto. En este caso ya se dispondría de registros estadísticos (datos) del
área cosechada y producción de enero y febrero. Además se contaría con las proyecciones
del área a cosechar en los meses de marzo y abril en función a las siembras del periodo
anterior. De esta manera, la proyección en marzo cubriría 8 meses.
Finalmente, la proyección del tercer periodo se puede realizar en julio y cubriría la

superficie cosechada de setiembre a diciembre. En julio ya se dispondría de las
estadísticas (datos) de la superficie cosechada, y producción, de enero a junio. Además,
se contaría con la proyección de la superficie a cosechar de julio a agosto20, lo que permite
cubrir todo el año.
CUADRO 4
MESES PROYECTADOS
MES *
ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
NOV PROYECCIÓN
MAR DATO PROYECCIÓN
JUL DATO PROYECCIÓN
* Mes en el que se realiza la proyección. Se esta asumiendo que la recopilación y procesamiento de la información
estadística toma un mes.
Lo anterior sugiere dos momentos para realizar las proyecciones de la producción:

a. en marzo, que cubriría la producción de enero a agosto y,
b. en julio para estimar la producción del año.
No obstante, si se conoce la estacionalidad de la producción, en marzo se puede estimar
la producción para todo el año. El tema que se analiza a continuación
18
R2 = 0.86
19
0.12 versus 0.03 y 0.01 para los casos anteriores.
20
Dadas por las siembras del periodo anterior.
14
Armando Tealdo
El análisis estacional permite medir las variaciones periódicas y previsibles que se dan
dentro del año. En el caso de la producción, los coeficientes de estacionalidad miden la
proporción que representa la producción de un periodo respecto al total de la campaña.
El cuadro siguiente muestra el cálculo de los coeficientes tomando como referencia los
períodos establecidos:
CUADRO 5
PERIODO 1 PERIODO 2 PERIODO 3

TOTAL
CAMPAÑA SIEM.: JUL-OC SIEM.: NO-FE SIEM: MAR-JUN
CAMPAÑA
COSE.: EN-AB COSE.: MAY-AG COSE.: SE-DI
1 𝑄1,𝐸−𝐴 /𝑄1 𝑄1,𝑀−𝐴/𝑄1 𝑄1,𝑆−𝐷 /𝑄1 𝑄1
2 𝑄2,𝐸−𝐴/𝑄2 𝑄2,𝑀−𝐴/𝑄2 𝑄2,𝑆−𝐷 /𝑄2 𝑄2
. . . . .
. . . . .
n 𝑄𝑛,𝐸−𝐴 /𝑄𝑛 𝑄𝑛,𝑀−𝐴/𝑄𝑛 𝑄𝑛,𝑆−𝐷/𝑄𝑛 𝑄𝑛
𝑄 𝑄 𝑄 𝑄𝑛,2 𝑄 𝑄
COEF. ESTA. 𝐾E−A = ∑ [ 𝑛,1⁄ ] /𝑛 𝐾M−A = ∑ [ ⁄ ]/n 𝐾𝑆−𝐷 = ∑ [ 𝑛,3⁄ ] /𝑛 1
𝑄𝑛 𝑄𝑛 𝑄𝑛
En donde 𝑄𝑛,𝑚 es la producción del periodo m de la campaña n, y 𝑄𝑛 la producción total

de la campaña n. El promedio de los cocientes del período m permite estimar el coeficiente
𝑄
estacional 𝐾𝑚 (última fila del cuadro). Como los coeficientes son proporciones de un solo
valor total, su suma debe ser igual a la unidad. Si se multiplica el coeficiente por 100 se
obtiene el porcentaje de la producción de ese periodo respecto a la producción total de la
campaña. Otra forma de aproximarse al tema es a través del análisis estadístico. Se trata
de la relación lineal de las variables de una serie histórica representadas por la producción
de un periodo (variable dependiente) respecto a la producción de la campaña (ver
relaciones 3 y 3a).
Los resultados obtenidos por los distintos métodos son muy similares. En el siguiente
cuadro se muestran los resultados obtenidos con el método de la relación 3:
CUADRO 6: COEFICIENTES ESTACIONALES PRODUCCIÓN
𝑄 𝑄 𝑄
𝐾m = ∑ [ 𝑛,m⁄ ] /𝑛 𝑄𝑛,m = 𝐾m ∙ 𝑄𝑛
𝑄𝑛
ENE-ABR MAY-AGO SET-DIC ENE-ABR MAY-AGO SET-DIC
𝑄 𝑄 𝑄 𝑄 𝑄 𝑄
𝐾E−A 𝐾M−A 𝐾S−D 𝐾E−A 𝐾M−A 𝐾S−D
COEF (I) COEF
0.387 0.402 0.211 0.382 0.408 0.210
DES. EST.(II) 0.019 0.025 0.011 ERR ESTAN. 0.0098 0.0100 0.0024
II/I (%) 5% 6% 5% R2 0.85 0.89 0.92
Los análisis realizados mostraron una estacionalidad marcada y estadísticamente

significativa de la producción, e indican que en el periodo que va de setiembre a diciembre
se da el 21% de la producción. De esta manera si se estima en QEn-Ag la producción del
periodo enero-agosto, la producción para toda la campaña será igual a: QEN-AG/0.79.
Finalmente se puede señalar que la proyección en marzo se realizaría cuando ya se

conocen los resultados de enero y febrero, que representan el 10% de la producción total
de la campaña. Por su parte, la proyección en julio se realizaría cuando ya se conoce el
70% de producción de la campaña21.
21
Que corresponde a la producción de enero a junio.
15
Armando Tealdo
2.5 Rendimientos
Conocido el momento de la cosecha de un cultivo se puede proyectar su producción

multiplicando la superficie que se estima cosechar por el rendimiento esperado. Para el
modelo que ese está proponiendo es necesario proyectar el rendimiento de la campaña en
cuestión. El rendimiento así obtenido se debe estacionalizar para multiplicarlo por la
superficie que se espera cosechar en ese periodo estacional.
Tendencia
El volumen de producción de cada campaña es variable y depende de la tecnología
utilizada y las condiciones climáticas. El efecto de las mejoras tecnológicas se observa en
el tiempo, y se puede medir a través de la tendencia de crecimiento que muestra el
rendimiento en el transcurso de los años. El clima, y otras variables que inciden en el
rendimiento, tienen características aleatorias, y determina que este se sitúe por encima o
debajo de la tendencia observada.
En papa, los rendimientos por hectárea se han incrementado con el transcurso de los años:
GRÁFICO 13
𝑅 = 11.72 ∙ 1.022𝑡 . En donde t el año22
Para estimar el rendimiento anual se aplicó la relación funcional que dio los mejores
resultados:
𝑅𝑡 = a ∙ 𝑏𝑡 (8)
En donde R es el rendimiento, a una constante, t el año que corresponde a cada
rendimiento y b (1.022) el parámetro, que restado de la unidad, permite estimar la tasa de
crecimiento anual del rendimiento: 0.022 (o 2.2%) para la serie analizada. Esta tasa es
relativamente baja e implica la duplicación del rendimiento cada 30 años permite.
Estacionalidad
El clima también afecta a través de la estacionalidad: dentro del año hay períodos que son
más favorables para el desarrollo de los cultivos que otros. La estacionalidad de los
rendimientos se puede analizar utilizando coeficientes estacionales para cada periodo,
calculados como el ratio del rendimiento del periodo sobre el rendimiento de la campaña.
Normalmente los rendimientos de las siembras tempranas o tardías son inferiores a los de
las siembras intermedias, en donde las condiciones climáticas son más favorables a los
cultivos. Sin embargo, en papa se observa que los mayores rendimientos se dan con las
22
R2 = 0.98. El tiempo dado en valores relativos: 1 para el año inicial de la serie analizada (2004) y 11 para
el final (2014).
16
Armando Tealdo
siembras “tardías” que coinciden con la producción en costa, región que registra los
mayores rendimientos.
Para estimar la estacionalidad de los rendimientos, el rendimiento promedio de cada

período se dividió por el rendimiento promedio de la campaña respectiva, y se calculó el
promedio de los índices estacionales de cada periodo:
CUADRO 7
PERIODO 1: SIEM. JUL-OC, PERIODO 2: SIEM. NO- PERIODO 3: SIEM. MAR-JUN TOTAL
CAMPAÑA
COSE. EN-AB FE, COSE.: MAY-AG COSE..: SE-DI CAMPAÑA
1 𝑅𝑃1,𝐸−𝐴 /𝑅𝑃1 𝑅𝑃1,𝑀−𝐴/𝑅𝑃1 𝑅𝑃1,𝑆−𝐷 /𝑅𝑃1 𝑅𝑃1
2 𝑅𝑃2,𝐸−𝐴 /𝑅𝑃2 𝑅𝑃2,𝑀−𝐴/𝑅𝑃2 𝑅𝑃2,𝑆−𝐷 /𝑅𝑃2 𝑅𝑃2
. . . . .
. . . . .
n 𝑅𝑃𝑛,𝐸−𝐴/𝑅𝑃𝑛 𝑅𝑃𝑛,𝑀−𝐴 /𝑅𝑃𝑛 𝑅𝑃𝑛,𝑆−𝐷 /𝑄𝑛 𝑅𝑃𝑛
𝑅𝑃 𝑅𝑃 𝑅𝑃𝑛,2 𝑅𝑃
COEF. ESTA. 𝐾E−A = ∑ [ 𝑛,1⁄ ] /𝑛 𝑅𝑃
𝐾M−A = ∑[ ⁄ ]/n 𝑅𝑃
𝐾𝑆−𝐷 = ∑ [ 𝑛,3⁄ ] /𝑛
𝑅𝑃𝑛 𝑅𝑃𝑛 𝑅𝑃𝑛
𝑅𝑃𝑛,𝑚 es el rendimiento promedio del periodo m de la campaña n, y 𝑅𝑃𝑛 el rendimiento

promedio de la campaña n. El promedio de los cocientes del período m estima el coeficiente
𝑅𝑃
estacional 𝐾𝑚 (última fila del cuadro). A diferencia de los índices estacionales
relacionados con la superficie cosechada, sembrada, o producción, la suma de los
coeficientes estacionales del rendimiento es mayor que uno, y hay meses en los que es
inferior a la unidad, y otros en los que es superior. Ello es el resultado de dividir el
promedio de una parte respecto al promedio total.
Tomando como referencia los periodos establecidos, y dividiendo el rendimiento del

periodo por el rendimiento anual se obtuvieron los siguientes resultados:
CUADRO 8
RENDIMIENTO DE PAPA: COEFICIENTES ESTACIONALES
ENE-ABR MAY-AGO SET-DIC

ÍNDICE (I) 0.935 0.937 1.340
DESV. EST.(II) 0.020 0.030 0.059
II/I 2.2% 3.2% 4.4%
Los rendimientos del periodo enero-abril, y mayo-agosto son un 6% inferior al

rendimiento de la campaña, en tanto que el rendimiento de setiembre a diciembre es 34%
superior al de la campaña, y 43% más alto que el obtenido en los periodos enero-abril y
mayo-agosto. El caso es que en el periodo septiembre-diciembre se cosecha la papa
sembrada en costa y sierra con riego.
Resultados similares se obtienen si se divide los coeficientes estacionales de la

producción por los respectivos de la superficie cosechada:
CUADRO 9
COEFICIENTES ESTACIONALES: PRODUCCIÓN/SUPERFICIE COSECHADA

ÍNDICE PRODUCCIÓN (I) 0.39 0.40 0.21
ÍNDICE SUPER. COSECH (II) 0.41 0.43 0.16
I/II 0.95 0.93 1.31
Por otra parte, el análisis de la serie histórica muestra evidencias estadísticas significativas
para la estacionalidad de cada período considerado.
17
Armando Tealdo
III. PROCESAMIENTO DE LA INFORMACIÓN
Hay programas que permiten aplicar el método Monte Carlo, y también se puede
programar en Excel. El Crystal Ball incorpora el método Monte Carlo que puede ser
utilizado en la proyección de la producción. Este programa sirve de base para la
exposición que sigue.
3.1 Bases
La información necesaria comprende:
1. La superficie sembrada mensual, que es el dato básico.
2. La superficie cosechada, que se proyecta a partir del dato anterior.
Sobre esta proyección el programa realiza un número predeterminado de

simulaciones (ensayos, o corridas) para lo cual es necesario indicar el tipo de
distribución de frecuencias a utilizar que en este caso, y los que siguen, es la
distribución normal dado que las proyecciones se originan en el análisis de la
regresión lineal.
Para poder realizar las simulaciones hay que indicar:
a. El promedio de la variable a simular, que es la proyección de la superficie

cosechada.
b. Su desviación estándar, que en el caso de la regresión es el error estándar de
esta.
c. Los valores máximos y mínimos que puede adoptar la variable. Para este
efecto (y casos similares que se ven a continuación) se puede utilizar la
superficie cosechada proyectada (que el promedio de la proyección) más o
menos 1, 2, o 3 desviaciones (errores estándares)23.
3. El rendimiento proyectado para la campaña (año). Como el caso anterior hay que
indicar el promedio (la proyección) el error estándar de la regresión y los valores
mínimos y máximo que puede adoptar esta variable.
4. La estacionalidad del rendimiento, para estacionalizar el rendimiento promedio

anual proyectado y poderlo multiplicar por la proyección de la superficie
cosechada del periodo respectivo. Los promedios y desviaciones necesarios para
hacer las simulaciones se obtienen directamente del análisis de las series
históricas.
5. La estacionalidad de la producción, para proyectar los resultados del último

periodo de la campaña, cuando la proyección se realiza en marzo. Como en los
23
Como se sabe el 68.3% de las observaciones de una distribución de frecuencias se ubican en el rango
comprendido entre el promedio mas y menos una desviación. Si se consideran 2 desviaciones se cubre el
95.4% de las observaciones, y con 3 desviaciones el 99.7%. Para las proyecciones a realizar se sugiere
utilizar 2 desviaciones.
18
Armando Tealdo
casos anteriores, hay que estimar el índice promedio estacional de cada periodo,
sus valores máximos y mínimos, y la desviación estándar.
6. Finalmente, hay que establecer el número de simulaciones a realizar.
Para obtener la producción proyectada, en cada simulación se debe multiplicar la

superficie cosechada por el rendimiento anual, y por el factor estacional respectivo de
esta última variable. Para el caso particular de las proyecciones realizadas en marzo, en
cada simulación hay que agregar la producción estimada para el período final de la
campaña24.
Del total de las simulaciones se generan los resultados que tienen un carácter
probabilístico.
3.2 Información
La información utilizada se puede dividir en tres categorías:
a. Datos.
Conformados por la información estadística disponible sobre la superficie

sembrada o la producción, en caso se disponga de información para la campaña
en esta última variable. Como se vio, si las proyecciones se realizan en marzo, se
depondría de la superficie sembrada para el periodo julio-diciembre (año t-1) y
enero-febrero (año t). Así mismo se contaría con información sobre la producción
obtenida en el periodo enero-febrero.
b. Proyecciones.
El método propuesto se basa en la proyección de la superficie cosechada, a partir

de la información de la superficie sembrada para cada uno de los períodos
estacionales identificados. Asimismo, para estimar la producción se requiere
proyectar el rendimiento promedio de la campaña.
Además de las proyecciones hay que estimar la desviación estándar que, en el

caso de las regresiones lineales, la información está dada el error estándar de la
regresión.
c. Índices.
Estimados a partir de las series históricas disponibles. Se refiere a los índices

estacionales de la producción y de los rendimientos. El primer caso es utilizado
para estimar la información del periodo setiembre-diciembre cuando las
proyecciones se realizan en marzo. En la estimación de la producción de la
campaña que se realiza en julio se dispone de información sobre la superficie
sembrada correspondiente a toda la campaña (ya no es necesario el uso del índice
estacional de la producción).
24
Que se estima en función del índice estacional de la producción para este periodo, y de la producción
simulada para los dos periodos anteriores.
19
Armando Tealdo
Por el lado de los rendimientos, los índices son utilizados para estacionalizar el
rendimiento anual proyectado que será multiplicado por la superficie cosechada
proyectada para obtener la producción de cada período estacional.
Como en el caso anterior, también se debe estimar la desviación estándar de cada
período estacional para aplicar el método Monte Carlo.
d. Información procesada por el programa.

El programa hace simulaciones, que en nuestro caso están relacionadas con la
superficie cosechada y con los rendimientos, para obtener la producción de la
campaña. Las simulaciones se repiten n veces, para obtener n posibles
producciones para la campaña. Estos resultados son utilizados para generar una
curva de frecuencias y estimar, a un nivel dado de probabilidad, entre que valores
se situaría la producción de la campaña; o la probabilidad de obtener una
producción menor o mayor que, digamos, la producción de la última campaña.
3.3 Proyecciones en marzo

El programa opera en hojas de cálculo Excel. En estas hojas también se puede procesar
las series históricas para:
a. proyectar valores de las variables (superficie cosechada y rendimientos) haciendo
uso de la regresión lineal,
b. estimar los valores de los coeficientes estacionales y,
c. hallar los valores estadísticos de las desviaciones y errores; todos ellos necesarios
para hacer las proyecciones. Los resultados obtenidos en Excel fueron muy
similares a los obtenidos utilizando otro programa mas especializado en la materia
(ver Anexo).
En los cuadros siguientes se presenta la información y sus características para las
proyecciones de la producción campaña a realizarse en marzo.
CUADRO 10
PROYECCIÓN PRODUCCIÓN EN MARZO
RESULTADOS SERIES
PROCES. PROGRAMA25 SALIDA PROGRAMA DATOS
PROCESADAS
AÑO t-1 AÑO t AÑO PROY
N° DESV.
SEP OCT NOV DEC ENE FEB REND.
SUP. SEM. (MILES Ha) (1) (1) (1) (1) (1) (1) (2) (3)
PROYEC. SUP. COSE. (4) (4) (4) (4) (4) (4)
ERROR ESTÁNDAR (5) (5) (5) (5) (5) (5)
MÁXIMO (6) (6) (6) (6) (6) (6)
MÍNIMO (7) (7) (7) (7) (7) (7)
(8a) (8a) (8b) (8b) (8b) (8b)
AÑO t
ENE FEB
PRODUC. (MILES Tm.) (9a) (9b)
REND. ESTACION. REND.
REND. PROYEC. (10) ENE-ABR MAY-AGO
ERROR ESTÁNDAR (11) ÍNDICE (15) (15)
MÁXIMO (12) DESVIA. ESTANDAR (16) (16)
MÍNIMO (13) MÁXIMO (17) (17)
MÍNIMO (18) (18)
(14)
(19a) (19b)
25
Crystal Ball.
20
Armando Tealdo
ESTAC. PROD
ENE-ABR MAY-AGO
ÍNDICE (20) (20)
DESVIA. ESTÁNDAR (21) (21)
MÁXIMO (22) (22)
MÍNIMO (23) (23)
(24a) (24b)0
ENE-ABR MAY-AGO SET-DIC TOTAL

PRODUCCIÓN PROY. (25) (26) (27) (28)
CASILLA DESCRIPCIÓN
(1) Corresponde al dato estadístico sobre superficie sembrada con el cultivo.
Indica el número de desviaciones con las que se va a operar para determinar los valores máximos
y mínimos de las variables relacionadas, casillas: (6), (7), (12), (13), (17), (18), (22) y (23). La
(2) hoja de cálculo que acompaña al estudio, se ha diseñado para evitar números negativos de los
valores mínimos (si se diera el caso se ha programado tomar automáticamente un número menor
de desviaciones, o el valor mínimo de la serie).
Se debe indicar el año calendario para el que se proyecta el rendimiento. Automáticamente se
(3)
genera la proyección.
Superficie cosechada. Se genera automáticamente cuando se carga la información de la superficie
(4)
sembrada26. La proyección se carga al Programa como el promedio de la variable.
Es el error estándar de las regresiones que relacionan el área cosechada y la sembrada (5) y el
rendimiento proyectado (10). Se genera automáticamente sobre la información de la serie
(5) y (11)
histórica digitada (ver mas adelante) y son utilizados por el programa para realizar las
simulaciones del área cosechada y el rendimiento de la campaña.
Son los valores máximos de las variables correspondientes, generados automáticamente a partir
(6) (12) (17) y del promedio más el número de desviaciones seleccionado 27. Las desviaciones corresponden al
(22) error estándar (5). Los máximos acotan los valores de la distribución de frecuencias sobre los que
se va a trabajar, y que son utilizadas para realizar las simulaciones
(7) (13) (18) y Igual que el anterior, pero en este caso se trata del promedio menos el número de desviaciones
(23) seleccionado.
En estos casilleros de generan cada una de las simulaciones de la variable correspondiente que
efectúa el programa para estimar: la superficie cosechada (8), el rendimiento de la campaña (14),
(8) (14) (19) y y los índices estacionales del rendimiento (19) y la producción (24). Para tal efecto se utiliza la
(24) información proyectada en (4), (10), (15) y (20) respectivamente, como promedio de las
distribuciones, y los valores máximos y mínimos correspondientes como los topes de la
distribución. Así mismo se utiliza las desviaciones estándar 28 (5), (11), (16) y (21).
Corresponde a la información sobre la producción que ya se dispone al momento de proyectar
(9)
esta variable para los meses siguientes.
El siguiente cuadro presenta los distintos valores estimados para el presente trabajo.
Como dato se han utilizado la información de las siembras de la campaña 2013-2014, la
producción de enero y febrero del año 2014, y 2 desviaciones estándar.
AÑO 2013 AÑO 2014
SEP OCT NOV DEC ENE FEB
SUP. SEM. (MILES Ha) 42.41 91.01 72.99 17.37 3.92 2.92
PROYEC. SUP. COSE. 32.12 68.93 76.33 24.84 12.39 11.46
PENDIENTE 0.76 0.76 0.93 0.93 0.93 0.93
CONSTANTE 0.00 0.00 8.76 8.76 8.76 8.76
ERROR ESTÁNDAR 2.22 2.22 5.40 5.40 5.40 5.40
MÁXIMO 36.57 73.38 87.12 35.63 23.18 22.26
MÍNIMO 27.68 64.49 65.53 14.04 1.59 0.67
AÑO t
ENE FEB
PRODUC. (MILES Tm.) 234.49 264.33
26
Ver hoja Excel.
27
En el caso de las regresiones se toma el error estándar.
28
O error estándar en el caso de las regresiones.
21
Armando Tealdo
Es el rendimiento proyectado para la campaña, según el año calendario señalado en (3). La
(10)
información se genera automáticamente.
Son los índices estacionales de los rendimientos que serán utilizados para estacionalizar el
(15)
rendimiento proyectado en (10).
(16) Es la desviación estándar del índice estacional del periodo.
El siguiente cuadro presenta los distintos valores estimados para el presente trabajo,
relacionados con el rendimiento (proyección para el año 2014 y estacionalidad por
período):
REND. PROYEC. 14.83 ENE-ABR MAY-AGO
ERROR ESTÁNDAR 1.01 ÍNDICE 0.94 0.94
MÁXIMO 16.85 DESVIACIÓN ESTÁNDAR 0.02 0.03
MÍNIMO 12.81 MÁXIMO 0.98 1.00
MÍNIMO 0.90 0.88
Comprende los índices estacionales de la producción para los periodos enero-abril y mayo-agosto.
(20)
Los valores son utilizados como promedio de la distribución.
(21) Es la desviación estándar del índice estacional del periodo.
Esta información, conjuntamente con la producción proyectada (simulada) de la casillas (25) y
(24)
(26), es utilizada para proyectar la del periodo setiembre-diciembre (casilla 27).
El siguiente cuadro presenta los distintos valores estimados relacionados con la

estacionalidad de la producción:
ESTAC. PROD
ENE-ABR MAY-AGO
ÍNDICE 0.39 0.40
DESVIACIÓN ESTÁNDAR 0.02 0.03
MÁXIMO 0.43 0.45
MÍNIMO 0.35 0.35
Se trata de la simulación de la producción proyectada para el período enero-abril. Para tal efecto
(25)
se suma (9a) y (9b), y se agrega la suma de los valores (8a) multiplicados por (14) y por (19a).
Es la simulación de la producción proyectada para mayo-agosto. Comprende la suma de los
(26)
valores (8b) multiplicados por (14) y por (19b).
Corresponde a la simulación de la producción del periodo setiembre-diciembre. El cálculo se basa
(27)
en la relación: [(25) + (26)] / [(24a) + (24b)]-[(25) + (26].
Suma de las simulaciones (25), (26), y (27). Corresponde a la producción proyectada para la
(28) campaña. El programa realiza n simulaciones para obtener una distribución de los posibles
resultados de la producción de la campaña.
Acompaña al documento las hojas Excel con los datos descritos.
3.4 Proyecciones en julio
Las proyecciones que se realicen en julio siguen un proceso similar al del descrito para
proyecciones que se realicen en el mes de marzo. No obstante, a diferencia del anterior.
a. A julio se dispone información sobre la producción ya obtenida en el período

enero-junio, restando por proyectar la de julio-diciembre.
b. Asimismo, a julio se dispone de información sobre la superficie sembrada en el
periodo enero-junio, pudiéndose proyectar la superficie cosechada y la producción
para los el período julio -diciembre.
22
Armando Tealdo
c. Dado lo anterior, ya no es necesario aplicar la los índices estacionales para estimar
la producción de setiembre-diciembre; ya que se puede proyectar a partir de los
registros estadísticos de la superficie sembrada de marzo a junio.
CUADRO 11: PROYECCIÓN PRODUCCIÓN EN JULIO

RESULTADOS SERIES
PROCES. PROGRAMA SALIDA PROGRAMA DATOS
PROCESADAS
AÑO t-1 AÑO t AÑO PROY
N° DESV.
SEP OCT NOV DEC ENE FEB REND.
SUP. SEM. (MILES Ha) (1) (1) (1) (1) (1) (1) (2) (3)
PROYEC. SUP. COSE. (4) (4) (4) (4) (4) (4)
ERROR ESTÁNDAR (5) (5) (5) (5) (5) (5)
MÁXIMO (6) (6) (6) (6) (6) (6)
MÍNIMO (7) (7) (7) (7) (7) (7)
(8) (8) (8) (8) (8) (8)
AÑO t
ENE FEB MAR ABR MAY JUN
PRODUC. (MILES Tm.) (9) (9) (9) (9) (9) (9)
REND. PROYEC. (10) ENE-ABR MAY-AGO SET-DIC
ERROR ESTÁNDAR (11) ÍNDICE (15) (15) (15)
MÁXIMO (12) DESVIA. ESTÁNDAR (16) (16) (16)
MÍNIMO (13) MÁXIMO (17) (17) (17)
MÍNIMO (18) (18) (18)
(14)
(19) (19) (19)

PRODUCCIÓN PROY. (25) (26) (27) (28)
Los valores estimados para todos los periodos estacionales de los rendimientos son:
ESTACION. REND.
ÍNDICE 0.94 0.94 1.34
DESVIACIÓN ESTÁNDAR 0.02 0.03 0.06
MÁXIMO 0.98 1.00 1.46
MÍNIMO 0.90 0.88 1.22
3.5 El programa
En hojas Excel se ha diseñado un programa que tiene hojas: DATOS, PROYECCIÓN EN

MARZO (proyección en marzo), y PROYECCIÓN EN JULIO (proyección en julio). Las
características son:
DATOS
En la hoja de DATOS se debe registrar la información histórica mensual de las variables:

superficie sembrada, superficie cosechada y producción.
CUADRO 12: INFORMACIÓN SERIES HISTÓRICAS
SUPERFICIE: MILES DE HECTÁREAS

SEMBRADA
2004 2.8 2.1 2.6 4.7 7.4 14.2 12.5 18.5 32.0 71.6 59.1 15.66
2005 3.9 3.0 2.6 4.6 10.5 17.3 12.8 18.9 29.6 69.9 57.6 15.1
2006 3.9 2.3 3.0 6.1 13.3 18.5 14.0 22.0 37.8 80.0 69.4 16.9
...
...
...
2020
23
Armando Tealdo
COSECHADA
2004 2.8 2.1 2.6 4.7 7.4 14.2 12.5 18.5 32.0 71.6 59.1 15.66
2005 3.9 3.0 2.6 4.6 10.5 17.3 12.8 18.9 29.6 69.9 57.6 15.1
2006 3.9 2.3 3.0 6.1 13.3 18.5 14.0 22.0 37.8 80.0 69.4 16.9
...
...
...
2020
PRODUCCIÓN: MILES DE TONELADAS
2004 2.8 2.1 2.6 4.7 7.4 14.2 12.5 18.5 32.0 71.6 59.1 15.66
2005 3.9 3.0 2.6 4.6 10.5 17.3 12.8 18.9 29.6 69.9 57.6 15.1
2006 3.9 2.3 3.0 6.1 13.3 18.5 14.0 22.0 37.8 80.0 69.4 16.9
...
...
...
2020
La información histórica es utilizada para establecer, automáticamente, los parámetros de

la relación funcional de la superficie cosechada respecto a la sembrada, y otros valores
estadísticos relacionados.
La información histórica de la producción es utilizada para estimar automáticamente los

valores de los índices estacionales de los períodos identificados, así como otros
estadísticos relacionados.
Con los valores históricos de la superficie cosechada y la producción se generan los

rendimientos promedio de cada periodo, y el promedio de la campaña. El promedio de la
campaña permite establecer los parámetros de crecimiento de esta variable, y proyectarlos
para el año en cuestión. Por su parte, con los rendimientos promedio de los períodos se
puede establecer los índices estacionales de esta variable y otros estadísticos de
importancia que se generan automáticamente.
PROYECCIÓN EN MARZO
En la hoja PROYECCIÓN EN MARZO se debe registrar la información sobre:
a. La superficie sembrada para los meses de setiembre a diciembre del año anterior
al de la proyección de la producción, y la superficie sembrada en enero y febrero
del año que se va a proyectar.
b. La producción que ya se ha obtenido en los meses de enero y febrero del año a

proyectar.
c. El número de desviaciones con las que se va operar las simulaciones.
d. El año calendario para el que se va a proyectar el rendimiento (y la producción).

CUADRO 13: INFORMACIÓN PARA PROYECCIONES EN MARZO
AÑO t-1 AÑO t AÑO

N°
PROYECCIÓN
DESVIAC.
SEP OCT NOV DIC ENE FEB RENDIMIENTO
SUPERFICIE SEMBRADA
2015
(MILES Ha)
24
Armando Tealdo
AÑO t
ENE FEB
PRODUCCIÓN
(MILES Tm.)
PROYECCIÓN EN JULIO
En la hoja PROYECCIÓN EN JULIO se debe registrar información sobre:
a. La superficie sembrada para los meses de enero a junio del año que se va a
proyectar la producción.
b. La producción que ya se ha dado en los meses de enero a junio del año a proyectar.
c. El número de desviaciones con las que se va operar las simulaciones, y el año

calendario para el que se va a proyectar el rendimiento (y la producción).
CUADRO 14: INFORMACIÓN PARA PROYECCIONES EN MARZO
AÑO t AÑO
N°
PROYECCIÓN
DESVIAC
ENE FEB MAR ABR MAY JUN RENDIMIENTO
SUPERFICIE
2015
SEMBRADA (MILES Ha)
AÑO t
ENE FEB MAR ABR MAY JUN
PRODUCCIÓN
(MILES Tm.)
Las proyecciones se generan con el método Monte Carlo.
25
Armando Tealdo
IV. SALIDAS
Como ejemplo, a continuación se muestran las salidas más importantes se corresponden

a la proyección de la producción para el año 2014 utilizando los datos de la superficie
sembrada en la campaña 2013-2014, cuya producción coincide con el año calendario
2014.
Proyección en marzo
La proyección se basó en la superficie sembrada en los meses de setiembre a diciembre

del año 2013, y la producción obtenida en enero y febrero. Los resultados fueron:
CUADRO 15
VALORES
RUBRO
PRONOSTICADOS
ENSAYOS 5,000
PROMEDIO 4,616.92
MEDIANA 4,610.63
DESVIACIÓN ESTÁNDAR 351.31
VARIANZA 123,419.94
ASIMETRÍA 0.1765
KURTOSIS 2.86
COEF. DE VARIABILIDAD 0.0761
MÍNIMO 3589.06
MÁXIMO 5918.52
PROMEDIO DE ERROR ESTÁNDAR 4.97
En la tabla se muestran una serie de valores estadísticos para los ensayos (simulaciones)
realizados. Entre otros parámetros se puede reparar que la producción de papa proyectada
para 2014 (el valor promedio) es 4617 miles de toneladas (versus un valor real de 4694).
GRÁFICO 14
En el gráfico de frecuencias se puede observar que a un 95% de probabilidad, la

producción proyectada se situaría entre 3959 y 5325 mil toneladas. Si se disminuye el
nivel de probabilidades, los valores extremos se acercan más al promedio, pero se pierde
certidumbre (la probabilidad es menor).
26
Armando Tealdo
GRÁFICOS 15 Y 16
Si se toma como referencia la producción obtenida en la campaña anterior 29 (4594 miles

de toneladas) en el grafico de frecuencias acumuladas se puede reparar que existe una
probabilidad de 22% para que la producción de la campaña sea un 5% menor a la del año
anterior (y un 45% para que sea inferior al total obtenido).
Si bien la proyección está ajustada al resultado que se obtuvo, en marzo existía una
probabilidad significativa de que la producción sea menor en 5% a la obtenida la campaña
anterior.
Proyecciones en julio
En el caso de las proyecciones en julio se empleo la superficie sembrada en los meses de
enero a de junio, así como la producción obtenida de enero a junio. Los resultados fueron:
CUADRO 16
VALORES
RUBRO
PRONOSTICADOS
ENSAYOS 5,000
PROMEDIO 4668.80
MEDIANA 4665.60
DESVIACIÓN ESTÁNDAR 135.97
VARIANZA 18488.96
ASIMETRÍA 0.13
KURTOSIS 2.92
COEF. DE VARIABILIDAD 0.03
MÍNIMO 4245.93
MÁXIMO 5154.36
PROMEDIO DE ERROR ESTÁNDAR 1.92
Se puede observar que la proyección (4669) está mas próxima al valor que se obtuvo que
el caso anterior.
GRÁFICO 17
29
Año 2013.
27
Armando Tealdo
En este caso los resultados del gráfico están dados para un nivel de probabilidades de
90%.
GRÁFICOS 18 Y 19
La probabilidad para que la producción sea menor en 5% que la de la campaña anterior

en mínima30, aunque la probabilidad para que la producción sea menor al total es 22%.
Respecto a las proyecciones en marzo, las de junio muestran valores mas ajustados a los
realmente obtenidos. Ello es así por que ya se conoce un 70 % de la producción, y se
proyectan menos meses.
De manera similar se puede proceder para proyectar la producción de otros bienes

agrarios importantes. Al respecto destacan
a. el arroz, con casi 400 mil hectáreas cosechadas31, en donde se pueden distinguir
tres zonas de producción caracterizadas: costa norte, sur, y selva,
b. el maíz amarillo duro, con dos zonas: costa y selva,
c. el maíz amiláceo, básicamente cultivado en la sierra y que, conjuntamente con el

maíz duro, representan más de medio millón de hectáreas cosechadas,
d. el trigo y la cebada, cada uno con más de 150 mil hectáreas cosechadas por año y
que, conjuntamente con el arroz y maíz, representan el 95% de la superficie
cosechada con cereales.
También se puede agregar otros productos importantes relacionados con la exportación,

caso en el que se debe distinguir los cultivos de campaña de los que tienen un carácter
permanente o semipermanente, como los espárragos y frutales, en donde el periodo que
media entre la siembra y el inicio de la producción es mayor al año, y en donde una vez
instalado el cultivo este permanece por un largo plazo. Ello determina que se tenga que
considerar estas particularidades para ajustar el modelo que se está proponiendo.
En todo caso hay que destacar la importancia de la interpretación de los resultados que,
entre otras materias, dependerá del escenario que se observe, así como de las preguntas
que se quieran absolver. Entre otras cuestiones, las interrogantes que se pueden plantear
están relacionadas son:
30
La probabilidad para que sea inferior al total es de 20%.
31
En papa se cosechan algo más de 300 mil hectáreas anuales.
28
Armando Tealdo
a. el volumen a producir,
b. el volumen del déficit o superávit que se prevé tener, y la probabilidad de su

ocurrencia,
c. la probabilidad para que la producción sea menor o superior a un en un

determinado porcentaje,
d. el volumen de disminución o incremento de la exportación y la probabilidad de

su ocurrencia.
29
Armando Tealdo
ANEXO
30
Armando Tealdo
ANEXO
1. RESULTADOS ESTADÍSTICOS SUPERFICIE COSECHADA-SUPERFICIE
SEMBRADA (MÍNIMOS CUADRADOS)
1.1 Serie histórica mensual (información de base) información de base

SUPERFICIE (MILES Ha) SUPERFICIE (MILES Ha)
AÑO SEMBRADA COSECHADA AÑO AÑO SEMBRADA COSECHADA AÑO
2004 12.5 9.7 2005 2004 2.8 6.9 2005
2005 12.8 11.1 2006 2005 3.9 11.1 2006
2006 14.0 13.0 2007 2006 3.9 8.2 2007
2007 13.5 12.9 2008 2007 3.8 10.3 2008
2008 12.5 11.3 2009 2008 4.0 12.1 2009
JUL ENE ENE JUL
2009 13.5 13.6 2010 2009 3.3 11.9 2010
2010 15.7 12.1 2011 2010 4.0 14.1 2011
2011 17.9 12.7 2012 2011 3.5 15.5 2012
2012 17.4 13.5 2013 2012 5.6 12.6 2013
2013 17.9 14.5 2014 2013 3.9 13.4 2014
2004 18.5 13.7 2005 2004 2.1 4.6 2005
2005 18.9 13.7 2006 2005 3.0 5.4 2006
2006 22.0 18.6 2007 2006 2.3 7.7 2007
2007 22.6 18.1 2008 2007 2.4 9.0 2008
2008 19.8 15.4 2009 2008 2.7 8.4 2009
AGO FEB FEB AGO
2009 24.5 17.9 2010 2009 2.1 6.2 2010
2010 24.6 17.8 2011 2010 2.3 7.6 2011
2011 26.9 17.5 2012 2011 2.2 7.9 2012
2012 25.3 17.7 2013 2012 2.8 7.7 2013
2013 25.9 17.8 2014 2013 2.9 8.3 2014
2004 32.0 22.7 2005 2004 2.6 5.9 2005
2005 29.6 24.4 2006 2005 2.6 5.9 2006
2006 37.8 27.8 2007 2006 3.0 7.9 2007
2007 38.5 27.9 2008 2007 2.7 8.8 2008
2008 34.8 28.1 2009 2008 3.5 7.9 2009
SET MAR MAR SET
2009 38.7 29.0 2010 2009 3.4 8.6 2010
2010 38.5 25.6 2011 2010 3.3 7.9 2011
2011 40.7 26.0 2012 2011 3.7 8.8 2012
2012 40.2 30.3 2013 2012 3.6 8.5 2013
2013 42.4 29.3 2014 2013 4.3 9.0 2014
2004 71.6 53.6 2005 2004 4.7 6.4 2005
2005 69.9 59.3 2006 2005 4.6 8.3 2006
2006 80.0 60.2 2007 2006 6.1 10.4 2007
2007 79.6 61.4 2008 2007 5.3 10.6 2008
2008 76.7 59.5 2009 2008 6.6 10.1 2009
OCT ABR ABR OCT
2009 80.3 64.4 2010 2009 7.0 10.3 2010
2010 81.4 63.0 2011 2010 7.6 11.1 2011
2011 89.0 63.3 2012 2011 7.4 9.5 2012
2012 85.5 66.6 2013 2012 7.6 10.6 2013
2013 91.0 68.0 2014 2013 7.9 11.6 2014
2004 59.1 71.6 2005 2004 7.4 9.1 2005
2005 57.6 68.2 2006 2005 10.5 12.1 2006
2006 69.4 60.5 2007 2006 13.3 12.4 2007
2007 69.7 64.5 2008 2007 12.2 11.8 2008
2008 70.1 72.8 2009 2008 15.5 13.0 2009
NOV MAY MAY NOV
2009 73.6 71.0 2010 2009 13.8 14.7 2010
2010 71.0 73.5 2011 2010 13.5 13.7 2011
2011 75.3 79.5 2012 2011 14.2 14.9 2012
2012 80.5 82.2 2013 2012 14.3 14.2 2013
2013 73.0 81.1 2014 2013 16.4 14.2 2014
2004 15.7 22.8 2005 2004 14.2 12.5 2005
2005 15.1 28.0 2006 2005 17.3 13.1 2006
2006 16.9 28.4 2007 2006 18.5 13.5 2007
2007 19.7 30.9 2008 2007 17.6 12.6 2008
2008 20.2 30.0 2009 2008 19.1 13.3 2009
2009 DIC 15.8 27.0 JUN 2010 2009 JUN 20.7 14.9 DIC 2010
2010 24.9 34.1 2011 2010 20.2 15.4 2011
2011 18.9 40.7 2012 2011 20.0 15.9 2012
2012 18.2 35.1 2013 2012 22.2 17.9 2013
2013 17.4 34.8 2014 2013 19.7 15.6 2014
31
Armando Tealdo
1.2 Total serie histórica
Dependent Variable: ÁREA COSECHADA
Sample(adjusted): JULIO 2004 DICIEMBRE 2014
Included observations: 119 after adjusting endpoints
Convergence achieved after 8 iterations
Variable Coefficient Std. Error t-Statistic Prob.
C 5.870258 2.271057 2.584813 0.0110
ÁREA SEMBRADA (t-7) 0.741707 0.047875 15.49273 0.0000
AR(1) 0.797636 0.056186 14.19627 0.0000
R-squared 0.959328 Mean dependent var 23.96471
Adjusted R-squared 0.958627 S.D. dependent var 21.04977
S.E. of regression 4.281621 Akaike info criterion 5.771427
Sum squared resid 2126.544 Schwarz criterion 5.841489
Log likelihood -340.3999 F-statistic 1368.036
Durbin-Watson stat 2.294330 Prob(F-statistic) 0.000000
Inverted AR Roots .80
1.3 Periodo siembra julio-octubre

Dependent Variable: ÁREA COSECHADA ENERO ABRIL
Included observations: 40
ÁREA SEMBRADA (t-7) 0.759885 0.007423 102.3638 0.0000
Log likelihood -87.56360 Durbin-Watson stat 1.581123
Se excluyó la constante por no tener significación estadística.
Resultados en Excel
PENDIENTE 0.7574485
2
R 0.987756906
ERROR ESTAN. REG. 2.222774521
1.4 Periodo siembra noviembre-febrero

Dependent Variable: ÁREA COSECHADA MAYO AGOSTO
C 8.767670 1.338028 6.552680 0.0000
ÁREA SEMBRADA (t-7) 0.930579 0.037537 24.79111 0.0000
AR(1) 0.184068 0.130113 1.414683 0.1655
Resultados en Excel
CONSTANTE 8.743593201
PENDIENTE 0.92598667
R2 0.959727638
ERROR ESTAN. REG. 5.384721272
32
Armando Tealdo
1.5 Periodo siembra marzo-junio
Dependent Variable: ÁREA COSECHADA SEPTIEMBRE DICIEMBRE
Method: Least Squares
C 6.694486 0.544225 12.30095 0.0000
ÁREA SEMBRADA (t-7) 0.442533 0.043296 10.22121 0.0000
AR(1) 0.420553 0.149588 2.811410 0.0078
Resultados en Excel
R2 0.864504042
ERROR ESTÁNDAR REG. 1.12059338
II. RESULTADOS ESTADÍSTICO RENDIMIENTOS
2.1 Información
RENDIMIENTOS (Tm/Ha)
AÑO
ENE-ABR MAY-AGO SET-DIC AÑO
2004 11.32 10.56 17.63 11.95
2005 12.07 10.93 17.04 12.27
2006 11.52 11.90 16.85 12.49
2007 11.93 11.44 17.38 12.63
2008 12.28 12.10 17.38 13.01
2009 12.71 13.05 17.47 13.61
2010 12.18 12.83 18.24 13.45
2011 12.90 13.40 18.08 13.96
2012 13.28 13.84 18.33 14.33
2013 13.46 13.68 18.77 14.41
2014 13.67 14.21 19.19 14.78
33
Armando Tealdo
2.2 Tendencia (mínimos cuadrados)
Dependent Variable: LOG(RENDIMIENTO ANUAL)
Sample: 2004 2014
C 2.461082 0.006316 389.6628 0.0000
T (AÑO RELATIVO) 0.021395 0.000931 22.97453 0.0000
S.E. of regression 0.009767 Akaike info criterion -6.256680
Sum squared resid 0.000859 Schwarz criterion -6.184335
Log likelihood 36.41174 F-statistic 527.8291
Año 2004=1
Resultados en Excel
R2 0.983234889
ERROR ESTÁNDAR REG. 0.009766851
Pendiente para año absoluto (2004=2004)
2.3 Estacionalidad rendimientos
ÍNDICE ESTACIONAL RENDIMIENTOS

AÑO
2004 0.95 0.88 1.48
2005 0.98 0.89 1.39
2006 0.92 0.95 1.35
2007 0.94 0.91 1.38
2008 0.94 0.93 1.34
2009 0.93 0.96 1.28
2010 0.91 0.95 1.36
2011 0.92 0.96 1.30
2012 0.93 0.97 1.28
2013 0.93 0.95 1.30
2014 0.92 0.96 1.30
PROMEDIO 0.94 0.94 1.34
DESV. ESTÁNDAR 0.02 0.03 0.06
COEF. VARIAB. 2.2% 3.2% 4.4%
MÁXIMO 0.98 0.97 1.48
MÍNIMO 0.91 0.88 1.28
III. RESULTADOS ESTADÍSTICOS ESTACIONALIDAD PRODUCCIÓN
3.1 Información
PRODUCCIÓN (MILES Tm.)

AÑO
2004 1050.01 1031.44 603.89 2685.34
2005 1202.01 1155.58 577.20 2934.78
2006 1250.51 1340.96 662.30 3253.76
2007 1426.72 1198.76 766.90 3392.38
2008 1477.81 1386.34 761.43 3625.59
2009 1453.17 1609.99 775.52 3838.68
2010 1521.37 1489.40 885.19 3895.96
2011 1528.85 1732.36 869.66 4130.87
2012 1584.86 1988.20 898.84 4471.91
2013 1724.42 1879.97 959.55 4563.95
2014 1771.48 1955.45 967.40 4694.33
34
Armando Tealdo
Coeficientes directos
ÍNDICE ESTACIONAL PRODUCCIÓN
AÑO
2004 0.39 0.38 0.22
2005 0.41 0.39 0.20
2006 0.38 0.41 0.20
2007 0.42 0.35 0.23
2008 0.41 0.38 0.21
2009 0.38 0.42 0.20
2010 0.39 0.38 0.23
2011 0.37 0.42 0.21
2012 0.35 0.44 0.20
2013 0.38 0.41 0.21
2014 0.38 0.42 0.21
PROMEDIO 0.39 0.40 0.21
COEF. VARIAB. 5.0% 6.3% 5.1%
MÁXIMO 0.42 0.44 0.23
MÍNIMO 0.35 0.35 0.20
Coeficientes a través de la regresión

Dependent Variable: PRODUCCIÓN ENERO-ABRIL
Sample(adjusted): 2005 2014
PRODUCCIÓN ANUAL 0.381983 0.009805 38.95783 0.0000
AR(1) 0.406929 0.326338 1.246955 0.2477
Dependent Variable: PRODUCCIÓN MAYO-AGOSTO

AR(1) 0.167365 0.347048 0.482252 0.6425
35
Armando Tealdo
Dependent Variable: PRODUCCIÓN SETIEMBRE-DICIEMBRE
AR(1) -0.286284 0.321179 -0.891354 0.3988
Inverted AR Roots -.29
IV. RESULTADOS ESTADÍSTICOS ESTACIONALIDAD SUPERFICIE

SEMBRADA
4.1 Información
SUPERFICIE SEMBRADA (MILES Ha)
CAMPAÑA
JULIO-OCT NOV-FEB MAR-JUN TOTAL
2004-05 134.5 79.7 29.0 243.2
2005-06 131.3 79.7 35.0 245.9
2006-07 153.7 92.5 40.9 287.2
2007-08 154.2 95.5 37.7 287.5
2008-09 143.7 96.9 44.7 285.4
2009-10 157.0 94.9 45.0 296.8
2010-11 160.1 102.1 44.6 306.9
2011-12 174.5 99.9 45.2 319.6
2012-13 168.4 107.2 47.7 323.2
2013-14 177.3 97.2 48.3 322.7
4.2 Estacionalidad de la superficie sembrada
ÍNDICE ESTACIONAL SUPERFICIE SEMBRADA

AÑO
JULIO-OCT NOV-FEB MAR-JUN
2004-05 0.55 0.33 0.12
2005-06 0.53 0.32 0.14
2006-07 0.54 0.32 0.14
2007-08 0.54 0.33 0.13
2008-09 0.50 0.34 0.16
2009-10 0.53 0.32 0.15
2010-11 0.52 0.33 0.15
2011-12 0.55 0.31 0.14
2012-13 0.52 0.33 0.15
2013-14 0.55 0.30 0.15
PROM 0.53 0.32 0.14
DS 0.01 0.01 0.01
CV 2.8% 3.5% 7.5%
MAX 0.55 0.34 0.16
MIN 0.50 0.30 0.12
36
Armando Tealdo
V. RESULTADOS ESTADÍSTICOS ESTACIONALIDAD SUPERFICIE
COSECHADA
5.1 Información
SUPERFICIE COSECHADA (MILES Ha)

AÑO
2004 92.77 97.68 34.25 224.70
2005 99.58 105.76 33.88 239.21
2006 108.57 112.66 39.31 260.55
2007 119.63 104.82 44.13 268.58
2008 120.35 114.62 43.80 278.76
2009 114.33 123.41 44.38 282.13
2010 124.91 116.13 48.53 289.57
2011 118.53 129.29 48.09 295.92
2012 119.37 143.64 49.04 312.05
2013 128.08 137.47 51.11 316.67
2014 129.62 137.57 50.42 317.61
5.2 Estacionalidad de la superficie cosechada
ÍNDICE ESTACIONAL SUPERFIC. COSECHADA

AÑO
2004 0.413 0.435 0.152
2005 0.416 0.442 0.142
2006 0.417 0.432 0.151
2007 0.445 0.390 0.164
2008 0.432 0.411 0.157
2009 0.405 0.437 0.157
2010 0.431 0.401 0.168
2011 0.401 0.437 0.163
2012 0.383 0.460 0.157
2013 0.404 0.434 0.161
2014 0.408 0.433 0.159
PROMEDIO 0.41 0.43 0.16
COEF. VARIAB. 4.2% 4.7% 4.5%
MÁXIMO 0.45 0.46 0.17
MÍNIMO 0.38 0.39 0.14
VI. PROYECCIONES Y RESULTADO DE LA PRODUCCIÓN DE PAPA PARA

EL AÑO 2015
Según la Dirección de Estudios Económicos e Información Agraria en el año 2015 se

produjeron 4715.9 mil toneladas de papa.
Los resultados del modelo, a marzo de ese año, proyectaba una producción de 4,647.6
miles de toneladas de papa para el año 2015 (1.4% menos que la producción real).
37
Armando Tealdo
En su lugar, a julio se hubiera proyectado una producción de 4732.4 (0.3% más que la
obtenida).
38
Armando Tealdo

Armando Tealdo Proyecciones de La Producción Agricola PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Armando Tealdo Proyecciones de La Producción Agricola PDF

Uploaded by

Copyright:

Available Formats

[Nombre de la compañía]

ARMANDO TEALDO ALBERTI

El proceso de producción agraria muestra una serie de regularidades. Sembrado un cultivo

La agricultura se caracteriza por su marcada estacionalidad: se siembra en ciertos

La proyección de la producción que se propone en este documento se basa en el análisis

El modelo de proyecciones para la producción que se expone en el documento, se basa

La propuesta consta de cuatro Partes un Anexo, y tres hojas de cálculo. En la primera

Conocida la superficie sembrada y el momento de la cosecha de un cultivo se puede

El volumen de producción es variable y depende, entre otros factores, de la tecnología

La estacionalidad se puede estimar a través del uso de coeficientes que miden la

2 𝑋2,1 /𝑋2𝑇 𝑋2,2/𝑋2𝑇 . 𝑋2,𝑚/𝑋2𝑇 𝑋2𝑇 = ∑ 𝑋2,𝑚

En donde 𝑋𝑛,𝑚 es el valor de la variable en el periodo m de la campaña n, y 𝑋𝑛𝑇 el valor

𝑋𝑛,1 = 𝑏1 ∙ 𝑋𝑇𝑛 (3)

En donde el valor de la constante de la relación lineal es el coeficiente estacional (𝑏1 )

El siguiente gráfico muestra el comportamiento de la superficie sembrada y la producción

El gráfico corresponde a la papa, y se ha tomado el promedio mensual de cada variable

1.4 Método Monte Carlo

El método de Monte Carlo es usado para generar distribuciones de probabilidades

El grafico de la izquierda corresponde a la distribución de frecuencias de los números al azar, y el

Lo importante es que el proceso puede comprender varias variables interrelacionadas10,

a. la superficie sembrada sobre la que se proyecta la superficie cosechada, y,

b. el rendimiento esperado, que es multiplicado por la superficie cosechada para

En este contexto se puede establecer la relación funcional que se da entre superficie

El análisis de la tendencia de los rendimientos permite proyectarlo para la siguiente

El siguiente cuadro resume lo expuesto considerando un periodo estacional:

2.1 Periodo vegetativo

La relación funcional hallada entre la superficie cosechada de enero a abril (𝐶𝐸−𝐴 )

La producción correspondiente se da en el período setiembre a diciembre pero, a

2.3 Superficie cosechada

Conocida la superficie sembrada en cada mes se puede proyectar la superficie cosechada

No obstante, la recopilación y procesamiento de la información estadística toma tiempo.

La proyección del segundo periodo se realizaría en marzo, y cubre la superficie a cosechar

Finalmente, la proyección del tercer periodo se puede realizar en julio y cubriría la

Lo anterior sugiere dos momentos para realizar las proyecciones de la producción:

PERIODO 1 PERIODO 2 PERIODO 3

En donde 𝑄𝑛,𝑚 es la producción del periodo m de la campaña n, y 𝑄𝑛 la producción total

Los análisis realizados mostraron una estacionalidad marcada y estadísticamente

Finalmente se puede señalar que la proyección en marzo se realizaría cuando ya se

Conocido el momento de la cosecha de un cultivo se puede proyectar su producción

𝑅 = 11.72 ∙ 1.022𝑡 . En donde t el año22

Para estimar la estacionalidad de los rendimientos, el rendimiento promedio de cada

𝑅𝑃𝑛,𝑚 es el rendimiento promedio del periodo m de la campaña n, y 𝑅𝑃𝑛 el rendimiento

Tomando como referencia los periodos establecidos, y dividiendo el rendimiento del

ENE-ABR MAY-AGO SET-DIC

Los rendimientos del periodo enero-abril, y mayo-agosto son un 6% inferior al

Resultados similares se obtienen si se divide los coeficientes estacionales de la

ENE-ABR MAY-AGO SET-DIC

La información necesaria comprende:

1. La superficie sembrada mensual, que es el dato básico.

2. La superficie cosechada, que se proyecta a partir del dato anterior.

Sobre esta proyección el programa realiza un número predeterminado de

Para poder realizar las simulaciones hay que indicar:

a. El promedio de la variable a simular, que es la proyección de la superficie

4. La estacionalidad del rendimiento, para estacionalizar el rendimiento promedio

5. La estacionalidad de la producción, para proyectar los resultados del último

6. Finalmente, hay que establecer el número de simulaciones a realizar.

Para obtener la producción proyectada, en cada simulación se debe multiplicar la

La información utilizada se puede dividir en tres categorías:

Conformados por la información estadística disponible sobre la superficie

El método propuesto se basa en la proyección de la superficie cosechada, a partir

Además de las proyecciones hay que estimar la desviación estándar que, en el

Estimados a partir de las series históricas disponibles. Se refiere a los índices

d. Información procesada por el programa.