Professional Documents
Culture Documents
PROYECCIONES DE LA
PRODUCCIÓN AGRICOLA
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
3.2 Estacionalidad de la producción
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
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.
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.
3
Armando Tealdo
I. MODELO
1.1 Bases
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
PERÍODO
CAMPAÑA TOTAL
1 2 . m
CAMPAÑA
1 𝑋1,1/𝑋1𝑇 𝑋1,2/𝑋1𝑇 . 𝑋1,𝑚 /𝑋1𝑇 𝑋1𝑇 = ∑ 𝑋1,𝑚
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 /𝑋𝑇𝑛 = 𝑏1 (3 a)
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.
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
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
1.5 Proyecciones
De acuerdo con las relaciones (1) y (2), la proyección de la producción se basa en dos
valores básicos:
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.
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
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.
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.
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)
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
(MILES DE HECTÁREAS)
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
(MILES DE HECTÁREAS)
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.
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.
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
2.4 Estacionalidad de la producción
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
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
21
Que corresponde a la producción de enero a junio.
15
Armando Tealdo
2.5 Rendimientos
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
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.
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
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
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.
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.
Del total de las simulaciones se generan los resultados que tienen un carácter
probabilístico.
3.2 Información
a. Datos.
b. Proyecciones.
c. Índices.
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.
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
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
CASILLA DESCRIPCIÓN
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. ESTACION. REND.
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
CASILLA DESCRIPCIÓN
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).
CASILLA DESCRIPCIÓN
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.
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.
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.
Los valores estimados para todos los periodos estacionales de los rendimientos son:
ESTACION. REND.
ENE-ABR MAY-AGO SET-DIC
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
DATOS
23
Armando Tealdo
COSECHADA
ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
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
ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
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
PROYECCIÓN EN MARZO
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.
24
Armando Tealdo
AÑO t
ENE FEB
PRODUCCIÓN
(MILES Tm.)
PROYECCIÓN EN JULIO
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.
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.)
25
Armando Tealdo
IV. SALIDAS
Proyección en marzo
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
26
Armando Tealdo
GRÁFICOS 15 Y 16
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
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.
a. el arroz, con casi 400 mil hectáreas cosechadas31, en donde se pueden distinguir
tres zonas de producción caracterizadas: costa norte, sur, y selva,
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.
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,
29
Armando Tealdo
ANEXO
30
Armando Tealdo
ANEXO
1. RESULTADOS ESTADÍSTICOS SUPERFICIE COSECHADA-SUPERFICIE
SEMBRADA (MÍNIMOS CUADRADOS)
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
Resultados en Excel
PENDIENTE 0.7574485
2
R 0.987756906
ERROR ESTAN. REG. 2.222774521
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
Included observations: 40
Convergence achieved after 3 iterations
Variable Coefficient Std. Error t-Statistic Prob.
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
R-squared 0.888169 Mean dependent var 11.32250
Adjusted R-squared 0.882124 S.D. dependent var 3.002690
S.E. of regression 1.030915 Akaike info criterion 2.970809
Sum squared resid 39.32306 Schwarz criterion 3.097475
Log likelihood -56.41618 F-statistic 146.9284
Durbin-Watson stat 1.834463 Prob(F-statistic) 0.000000
Inverted AR Roots .42
Resultados en Excel
CONSTANTE 6.734604589
PENDIENTE 0.438444063
R2 0.864504042
ERROR ESTÁNDAR REG. 1.12059338
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
Included observations: 11
Variable Coefficient Std. Error t-Statistic Prob.
C 2.461082 0.006316 389.6628 0.0000
T (AÑO RELATIVO) 0.021395 0.000931 22.97453 0.0000
R-squared 0.983235 Mean dependent var 2.589450
Adjusted R-squared 0.981372 S.D. dependent var 0.071560
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
Durbin-Watson stat 2.737685 Prob(F-statistic) 0.000000
Año 2004=1
Resultados en Excel
CONSTANTE 40.39237514
PENDIENTE 0.021394637
R2 0.983234889
ERROR ESTÁNDAR REG. 0.009766851
Pendiente para año absoluto (2004=2004)
3.1 Información
34
Armando Tealdo
3.2 Estacionalidad de la producción
Coeficientes directos
ÍNDICE ESTACIONAL PRODUCCIÓN
AÑO
ENE-ABR MAY-AGO SET-DIC
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
DESV. ESTÁNDAR 0.02 0.03 0.01
COEF. VARIAB. 5.0% 6.3% 5.1%
MÁXIMO 0.42 0.44 0.23
MÍNIMO 0.35 0.35 0.20
35
Armando Tealdo
Dependent Variable: PRODUCCIÓN SETIEMBRE-DICIEMBRE
Sample(adjusted): 2005 2014
Included observations: 10 after adjusting endpoints
Convergence achieved after 3 iterations
Variable Coefficient Std. Error t-Statistic Prob.
PRODUCCIÓN ANUAL 0.209630 0.002382 88.01055 0.0000
AR(1) -0.286284 0.321179 -0.891354 0.3988
R-squared 0.923379 Mean dependent var 812.3992
Adjusted R-squared 0.913802 S.D. dependent var 127.1965
S.E. of regression 37.34429 Akaike info criterion 10.25509
Sum squared resid 11156.77 Schwarz criterion 10.31561
Log likelihood -49.27547 F-statistic 96.41061
Durbin-Watson stat 2.117308 Prob(F-statistic) 0.000010
Inverted AR Roots -.29
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
36
Armando Tealdo
V. RESULTADOS ESTADÍSTICOS ESTACIONALIDAD SUPERFICIE
COSECHADA
5.1 Información
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