SISTEMA ESTADÍSTICO PARA LA PLANEACIÓN Y
CONTROL DE LA PRODUCCIÓN DE CHAYOTE DE
EXPORTACIÓN EN LA REGIÓN DE LAS ALTAS
MONTAÑAS DE VERACRUZ
Statistical System for Planning and Control of Export Chayote
Production in the Altas Montañas Region of Veracruz
María Bárbara Del Valle Juárez
Instituto Tecnológico Superior de Huatusco
Rebeca Pulido Saavedra
Instituto Tecnológico Superior de Huatusco
Lenin Jacobo Rosas Ortiz
Instituto Tecnológico Superior de Huatusco
Mario Ángel Páez Bulbarela
Instituto Tecnológico Superior de Huatusco
pág. 7633
DOI: https://doi.org/10.37811/cl_rcm.v10i5.26631
Sistema estadístico para la planeación y control de la producción de chayote
de exportación en la región de las Altas Montañas de Veracruz
María Bárbara Del Valle Juárez1
mdelvallej@huatusco.tecnm.mx
https://orcid.org/0000-0001-5504-5984
Tecnológico Nacional de México / Instituto
Tecnológico Superior de Huatusco
México.
Rebeca Pulido Saavedra
213z0193@alum.huatusco.tecnm.mx
https://orcid.org/0009-0003-0441-1261
Tecnológico Nacional de México / Instituto
Tecnológico Superior de Huatusco
México.
Lenin Jacobo Rosas Ortiz
lrosaso@huatusco.tecnm.mx
https://orcid.org/0000-0003-4974-5866
Tecnológico Nacional de México / Instituto
Tecnológico Superior de Huatusco
México.
Mario Ángel Páez Bulbarela
mpaezb@huatusco.tecnm.mx
https://orcid.org/0009-0008-3989-0158
Tecnológico Nacional de México / Instituto
Tecnológico Superior de Huatusco
México.
RESUMEN
La variabilidad de los volúmenes de producción y de la proporción de producto con calidad exportable
constituye una limitante para la planeación y el cumplimiento de los requerimientos comerciales del
chayote (Sechium edule) en la región de las Altas Montañas de Veracruz. El objetivo de esta
investigación fue desarrollar y evaluar un sistema estadístico de apoyo para la planeación y control de
la producción de chayote de exportación, mediante la estructuración de registros históricos, el análisis
de la variabilidad productiva y la evaluación del desempeño de los pronósticos. Se realizó un estudio
cuantitativo, aplicado, no experimental y longitudinal-retrospectivo. La metodología se desarrolló en
cuatro fases: recolección, diagnóstico y estructuración de la información; análisis exploratorio de datos;
evaluación del pronóstico; e integración de indicadores para el control y apoyo a la toma de decisiones.
La base analizada comprendió 38 registros, de los cuales 37 fueron válidos para la evaluación porcentual
del pronóstico. Los resultados evidenciaron una elevada heterogeneidad productiva, con coeficientes de
variación mensuales superiores al 70 % y distribuciones no normales. Se identificó una asociación
positiva muy alta entre la producción real y pronosticada (ρ = 0.9766; p < 0.001). En términos globales,
se registraron 22,057 unidades reales frente a 22,163 pronosticadas, con una desviación de −106
unidades, equivalente a −0.48 % respecto al pronóstico. El desempeño presentó un MAPE de 15.86 %,
una mediana del error porcentual absoluto de 10.57 %, un Bias porcentual medio de 4.88 % y un índice
de cumplimiento del pronóstico agregado de 99.52 %. No se encontró asociación estadísticamente
significativa entre la producción real o el error del pronóstico y la calidad exportable. Los indicadores
fueron integrados en un tablero de control en Microsoft Excel, permitiendo identificar desviaciones por
productor y periodo. Se concluye que la integración de registros históricos e indicadores estadísticos
constituye una herramienta útil para fortalecer la planeación y el seguimiento de la producción, aunque
se requiere ampliar la serie histórica para validar formalmente modelos predictivos de series de tiempo.
Palabras clave: chayote; pronóstico estadístico; planeación de la producción; control de la producción;
agricultura de exportación.
1 Autor principal
Correspondencia: mdelvallej@huatusco.tecnm.mx
DOI: https://doi.org/10.37811/cl_rcm.v10i5.26631
Sistema estadístico para la planeación y control de la producción de chayote
de exportación en la región de las Altas Montañas de Veracruz
María Bárbara Del Valle Juárez1
mdelvallej@huatusco.tecnm.mx
https://orcid.org/0000-0001-5504-5984
Tecnológico Nacional de México / Instituto
Tecnológico Superior de Huatusco
México.
Rebeca Pulido Saavedra
213z0193@alum.huatusco.tecnm.mx
https://orcid.org/0009-0003-0441-1261
Tecnológico Nacional de México / Instituto
Tecnológico Superior de Huatusco
México.
Lenin Jacobo Rosas Ortiz
lrosaso@huatusco.tecnm.mx
https://orcid.org/0000-0003-4974-5866
Tecnológico Nacional de México / Instituto
Tecnológico Superior de Huatusco
México.
Mario Ángel Páez Bulbarela
mpaezb@huatusco.tecnm.mx
https://orcid.org/0009-0008-3989-0158
Tecnológico Nacional de México / Instituto
Tecnológico Superior de Huatusco
México.
RESUMEN
La variabilidad de los volúmenes de producción y de la proporción de producto con calidad exportable
constituye una limitante para la planeación y el cumplimiento de los requerimientos comerciales del
chayote (Sechium edule) en la región de las Altas Montañas de Veracruz. El objetivo de esta
investigación fue desarrollar y evaluar un sistema estadístico de apoyo para la planeación y control de
la producción de chayote de exportación, mediante la estructuración de registros históricos, el análisis
de la variabilidad productiva y la evaluación del desempeño de los pronósticos. Se realizó un estudio
cuantitativo, aplicado, no experimental y longitudinal-retrospectivo. La metodología se desarrolló en
cuatro fases: recolección, diagnóstico y estructuración de la información; análisis exploratorio de datos;
evaluación del pronóstico; e integración de indicadores para el control y apoyo a la toma de decisiones.
La base analizada comprendió 38 registros, de los cuales 37 fueron válidos para la evaluación porcentual
del pronóstico. Los resultados evidenciaron una elevada heterogeneidad productiva, con coeficientes de
variación mensuales superiores al 70 % y distribuciones no normales. Se identificó una asociación
positiva muy alta entre la producción real y pronosticada (ρ = 0.9766; p < 0.001). En términos globales,
se registraron 22,057 unidades reales frente a 22,163 pronosticadas, con una desviación de −106
unidades, equivalente a −0.48 % respecto al pronóstico. El desempeño presentó un MAPE de 15.86 %,
una mediana del error porcentual absoluto de 10.57 %, un Bias porcentual medio de 4.88 % y un índice
de cumplimiento del pronóstico agregado de 99.52 %. No se encontró asociación estadísticamente
significativa entre la producción real o el error del pronóstico y la calidad exportable. Los indicadores
fueron integrados en un tablero de control en Microsoft Excel, permitiendo identificar desviaciones por
productor y periodo. Se concluye que la integración de registros históricos e indicadores estadísticos
constituye una herramienta útil para fortalecer la planeación y el seguimiento de la producción, aunque
se requiere ampliar la serie histórica para validar formalmente modelos predictivos de series de tiempo.
Palabras clave: chayote; pronóstico estadístico; planeación de la producción; control de la producción;
agricultura de exportación.
1 Autor principal
Correspondencia: mdelvallej@huatusco.tecnm.mx
pág. 7634
Statistical System for Planning and Control of Export Chayote Production
in the Altas Montañas Region of Veracruz
ABSTRACT
The variability in production volumes and in the proportion of export-quality products represents a
limitation to production planning and the fulfillment of commercial requirements for chayote (Sechium
edule) in the High Mountains region of Veracruz, Mexico. The objective of this research was to develop
and evaluate a statistical system to support the planning and control of export chayote production by
structuring historical records, analyzing production variability, and evaluating forecasting performance.
A quantitative, applied, non-experimental, longitudinal-retrospective study was conducted. The
methodology was developed in four phases: data collection, diagnosis, and structuring; exploratory data
analysis; forecast evaluation; and integration of indicators for production control and decision-making
support. The analyzed database comprised 38 records, of which 37 were valid for percentage-based
forecast evaluation. The results revealed high production heterogeneity, with monthly coefficients of
variation exceeding 70% and non-normal distributions. A very strong positive association was identified
between actual and forecasted production (ρ = 0.9766; p < 0.001). Overall, 22,057 actual units were
recorded compared with 22,163 forecasted units, resulting in a deviation of −106 units, equivalent to
−0.48% relative to the forecast. Forecast performance showed a MAPE of 15.86%, a median absolute
percentage error of 10.57%, a mean percentage bias of 4.88%, and an aggregate forecast fulfillment
index of 99.52%. No statistically significant association was found between actual production or forecast
error and export-quality product. The indicators were integrated into a Microsoft Excel control
dashboard, enabling the identification of deviations by producer and period. It is concluded that the
integration of historical records and statistical indicators provides a useful tool for strengthening
production planning and monitoring; however, a longer historical time series is required to formally
validate predictive time-series models.
Keywords: chayote; statistical forecasting; production planning; production control; export agriculture.
Artículo recibido 20 agosto 2026
Aceptado para publicación: 20 setiembre 2026
Statistical System for Planning and Control of Export Chayote Production
in the Altas Montañas Region of Veracruz
ABSTRACT
The variability in production volumes and in the proportion of export-quality products represents a
limitation to production planning and the fulfillment of commercial requirements for chayote (Sechium
edule) in the High Mountains region of Veracruz, Mexico. The objective of this research was to develop
and evaluate a statistical system to support the planning and control of export chayote production by
structuring historical records, analyzing production variability, and evaluating forecasting performance.
A quantitative, applied, non-experimental, longitudinal-retrospective study was conducted. The
methodology was developed in four phases: data collection, diagnosis, and structuring; exploratory data
analysis; forecast evaluation; and integration of indicators for production control and decision-making
support. The analyzed database comprised 38 records, of which 37 were valid for percentage-based
forecast evaluation. The results revealed high production heterogeneity, with monthly coefficients of
variation exceeding 70% and non-normal distributions. A very strong positive association was identified
between actual and forecasted production (ρ = 0.9766; p < 0.001). Overall, 22,057 actual units were
recorded compared with 22,163 forecasted units, resulting in a deviation of −106 units, equivalent to
−0.48% relative to the forecast. Forecast performance showed a MAPE of 15.86%, a median absolute
percentage error of 10.57%, a mean percentage bias of 4.88%, and an aggregate forecast fulfillment
index of 99.52%. No statistically significant association was found between actual production or forecast
error and export-quality product. The indicators were integrated into a Microsoft Excel control
dashboard, enabling the identification of deviations by producer and period. It is concluded that the
integration of historical records and statistical indicators provides a useful tool for strengthening
production planning and monitoring; however, a longer historical time series is required to formally
validate predictive time-series models.
Keywords: chayote; statistical forecasting; production planning; production control; export agriculture.
Artículo recibido 20 agosto 2026
Aceptado para publicación: 20 setiembre 2026
pág. 7635
INTRODUCCIÓN
La planeación de la producción agrícola requiere disponer de información confiable que permita
anticipar los volúmenes disponibles y coordinar la oferta con los requerimientos del mercado. Esta
necesidad adquiere mayor importancia en productos perecederos destinados a exportación, debido a que
las variaciones en los volúmenes cosechados y en la calidad pueden afectar el cumplimiento de los
compromisos comerciales. En la región de las Altas Montañas de Veracruz, la producción de chayote
(Sechium edule) constituye una actividad de relevancia económica en la que participan pequeños y
medianos productores vinculados con empresas comercializadoras. Las características propias del
cultivo, las diferencias entre unidades productivas y la variabilidad temporal hacen necesario fortalecer
los mecanismos utilizados para planear y controlar la producción.
En Agro Cuautlapan Produce S.P.R. de R.L., unidad de estudio de esta investigación, se identificaron
limitaciones relacionadas con la generación, registro y aprovechamiento de la información productiva.
Los registros presentaban falta de estandarización, uso de formatos físicos, información incompleta,
ausencia de una base centralizada y dependencia del conocimiento empírico. Estas condiciones
dificultaban la integración y consulta sistemática de los datos y, principalmente, su transformación en
información cuantitativa para comparar los volúmenes estimados con los realmente obtenidos. Por tanto,
el problema de investigación no radica únicamente en la disponibilidad de registros, sino en la limitada
capacidad para estructurarlos, analizarlos y utilizarlos como apoyo para anticipar la producción e
identificar desviaciones.
Esta problemática resulta relevante porque las diferencias entre la producción pronosticada y la real
pueden repercutir directamente en la planeación comercial. Una sobreestimación puede generar
compromisos superiores a la disponibilidad efectiva del producto, mientras que una subestimación
dificulta anticipar excedentes y organizar su comercialización. En consecuencia, además de generar
estimaciones, resulta necesario evaluar sistemáticamente su precisión y dirección mediante indicadores
que permitan reconocer desviaciones por productor y periodo. Este enfoque adquiere particular
importancia ante la heterogeneidad observada en los registros productivos, por lo que una evaluación
basada exclusivamente en valores agregados puede ocultar comportamientos individuales relevantes.
INTRODUCCIÓN
La planeación de la producción agrícola requiere disponer de información confiable que permita
anticipar los volúmenes disponibles y coordinar la oferta con los requerimientos del mercado. Esta
necesidad adquiere mayor importancia en productos perecederos destinados a exportación, debido a que
las variaciones en los volúmenes cosechados y en la calidad pueden afectar el cumplimiento de los
compromisos comerciales. En la región de las Altas Montañas de Veracruz, la producción de chayote
(Sechium edule) constituye una actividad de relevancia económica en la que participan pequeños y
medianos productores vinculados con empresas comercializadoras. Las características propias del
cultivo, las diferencias entre unidades productivas y la variabilidad temporal hacen necesario fortalecer
los mecanismos utilizados para planear y controlar la producción.
En Agro Cuautlapan Produce S.P.R. de R.L., unidad de estudio de esta investigación, se identificaron
limitaciones relacionadas con la generación, registro y aprovechamiento de la información productiva.
Los registros presentaban falta de estandarización, uso de formatos físicos, información incompleta,
ausencia de una base centralizada y dependencia del conocimiento empírico. Estas condiciones
dificultaban la integración y consulta sistemática de los datos y, principalmente, su transformación en
información cuantitativa para comparar los volúmenes estimados con los realmente obtenidos. Por tanto,
el problema de investigación no radica únicamente en la disponibilidad de registros, sino en la limitada
capacidad para estructurarlos, analizarlos y utilizarlos como apoyo para anticipar la producción e
identificar desviaciones.
Esta problemática resulta relevante porque las diferencias entre la producción pronosticada y la real
pueden repercutir directamente en la planeación comercial. Una sobreestimación puede generar
compromisos superiores a la disponibilidad efectiva del producto, mientras que una subestimación
dificulta anticipar excedentes y organizar su comercialización. En consecuencia, además de generar
estimaciones, resulta necesario evaluar sistemáticamente su precisión y dirección mediante indicadores
que permitan reconocer desviaciones por productor y periodo. Este enfoque adquiere particular
importancia ante la heterogeneidad observada en los registros productivos, por lo que una evaluación
basada exclusivamente en valores agregados puede ocultar comportamientos individuales relevantes.
pág. 7636
Desde el enfoque estadístico, los métodos de pronóstico permiten utilizar información histórica para
generar estimaciones que apoyen la planeación. Los modelos de series de tiempo, constituyen
alternativas para analizar tendencia y estacionalidad (Box et al., 2015; Hyndman & Athanasopoulos,
2018). Su aplicación en el sector agrícola ha sido documentada en estudios sobre diferentes cultivos,
mostrando la utilidad del análisis de series temporales para apoyar la estimación de la producción
(Sernaqué et al., 2022; Krishna Priya & Kausalya, 2024; Kusuma, 2024; Maheshnath et al., 2024). De
manera complementaria, el control estadístico proporciona herramientas para analizar la variabilidad y
establecer mecanismos sistemáticos de seguimiento del desempeño de los procesos (Montgomery,
2019).
En relación con el chayote, investigaciones recientes han abordado diferentes aspectos del cultivo en
Veracruz. Castillo-Martínez y Romero-Jaen (2024) destacan su importancia en la región de las Altas
Montañas; Ruiz-García et al. (2025) analizan factores ambientales y productivos asociados con su
cultivo en Coscomatepec; mientras que Herrera-Ubaldo et al. (2026) estudian la producción,
comercialización y los modelos de negocio relacionados con el sector chayotero veracruzano. Estos
antecedentes contribuyen a comprender las características productivas y comerciales del cultivo; sin
embargo, persiste la necesidad de integrar los registros históricos de producción con indicadores
cuantitativos que permitan evaluar el comportamiento de los pronósticos y facilitar el seguimiento
operativo de la producción destinada a exportación.
En este sentido, el aporte de la investigación consiste en estructurar y analizar la información histórica
disponible y evaluar el desempeño de los pronósticos mediante indicadores como el Error Porcentual
Absoluto Medio (MAPE), Bias e índice de cumplimiento del pronóstico (ICP). La incorporación
conjunta de estos indicadores permite analizar la magnitud y dirección de los errores, así como el nivel
de cumplimiento respecto a los volúmenes estimados. Los resultados se integran en un tablero de control
desarrollado en Microsoft Excel para facilitar la visualización de las desviaciones por productor y
periodo y proporcionar información objetiva que apoye la toma de decisiones. Este planteamiento
permite pasar de registros operativos dispersos a un esquema sistemático de análisis, evaluación y
seguimiento de la producción.
Desde el enfoque estadístico, los métodos de pronóstico permiten utilizar información histórica para
generar estimaciones que apoyen la planeación. Los modelos de series de tiempo, constituyen
alternativas para analizar tendencia y estacionalidad (Box et al., 2015; Hyndman & Athanasopoulos,
2018). Su aplicación en el sector agrícola ha sido documentada en estudios sobre diferentes cultivos,
mostrando la utilidad del análisis de series temporales para apoyar la estimación de la producción
(Sernaqué et al., 2022; Krishna Priya & Kausalya, 2024; Kusuma, 2024; Maheshnath et al., 2024). De
manera complementaria, el control estadístico proporciona herramientas para analizar la variabilidad y
establecer mecanismos sistemáticos de seguimiento del desempeño de los procesos (Montgomery,
2019).
En relación con el chayote, investigaciones recientes han abordado diferentes aspectos del cultivo en
Veracruz. Castillo-Martínez y Romero-Jaen (2024) destacan su importancia en la región de las Altas
Montañas; Ruiz-García et al. (2025) analizan factores ambientales y productivos asociados con su
cultivo en Coscomatepec; mientras que Herrera-Ubaldo et al. (2026) estudian la producción,
comercialización y los modelos de negocio relacionados con el sector chayotero veracruzano. Estos
antecedentes contribuyen a comprender las características productivas y comerciales del cultivo; sin
embargo, persiste la necesidad de integrar los registros históricos de producción con indicadores
cuantitativos que permitan evaluar el comportamiento de los pronósticos y facilitar el seguimiento
operativo de la producción destinada a exportación.
En este sentido, el aporte de la investigación consiste en estructurar y analizar la información histórica
disponible y evaluar el desempeño de los pronósticos mediante indicadores como el Error Porcentual
Absoluto Medio (MAPE), Bias e índice de cumplimiento del pronóstico (ICP). La incorporación
conjunta de estos indicadores permite analizar la magnitud y dirección de los errores, así como el nivel
de cumplimiento respecto a los volúmenes estimados. Los resultados se integran en un tablero de control
desarrollado en Microsoft Excel para facilitar la visualización de las desviaciones por productor y
periodo y proporcionar información objetiva que apoye la toma de decisiones. Este planteamiento
permite pasar de registros operativos dispersos a un esquema sistemático de análisis, evaluación y
seguimiento de la producción.
pág. 7637
Por lo anterior, el objetivo de esta investigación fue desarrollar y evaluar un sistema estadístico de
apoyo para la planeación y control de la producción de chayote de exportación en la región de las Altas
Montañas de Veracruz, mediante la estructuración de registros históricos, el análisis de la variabilidad
productiva, la evaluación del desempeño de los pronósticos y la integración de indicadores para apoyar
la toma de decisiones.
METODOLOGÍA
La metodología se desarrolló en cuatro fases secuenciales: recolección, diagnóstico y estructuración de
la información; análisis exploratorio de datos; evaluación del pronóstico; e integración de indicadores
para el control y apoyo a la toma de decisiones.
Fase 1. Recolección, diagnóstico y estructuración de la información
Se recopilaron e integraron los registros históricos y operativos relacionados con la producción de
chayote, considerando variables como productor, periodo de corte, superficie cultivada, volumen de
producción y clasificación del producto. Como etapa inicial se realizó un diagnóstico de la calidad de la
información mediante un diagrama de causa–efecto (Ishikawa), con el propósito de identificar los
factores que podían generar inconsistencias, variabilidad, omisiones o pérdida de datos durante su
registro.
Posteriormente, la información fue sometida a un proceso de depuración, codificación, validación y
estructuración, eliminando registros inconsistentes y homogeneizando criterios de captura. Como
resultado de esta fase se obtuvo una base de datos organizada y confiable para sustentar los análisis
estadísticos posteriores.
Fase 2. Análisis exploratorio de datos
A partir de la base de datos estructurada se realizó el análisis exploratorio de la producción, con el
propósito de caracterizar su comportamiento e identificar patrones relevantes entre productores y
periodos. Se empleó estadística descriptiva mediante medidas de tendencia central y dispersión,
complementada con el análisis de la variabilidad de los volúmenes registrados.
Asimismo, se analizaron las diferencias en los niveles de producción entre productores, la distribución
temporal de los volúmenes y la relación entre la superficie cultivada y la producción obtenida. Este
Por lo anterior, el objetivo de esta investigación fue desarrollar y evaluar un sistema estadístico de
apoyo para la planeación y control de la producción de chayote de exportación en la región de las Altas
Montañas de Veracruz, mediante la estructuración de registros históricos, el análisis de la variabilidad
productiva, la evaluación del desempeño de los pronósticos y la integración de indicadores para apoyar
la toma de decisiones.
METODOLOGÍA
La metodología se desarrolló en cuatro fases secuenciales: recolección, diagnóstico y estructuración de
la información; análisis exploratorio de datos; evaluación del pronóstico; e integración de indicadores
para el control y apoyo a la toma de decisiones.
Fase 1. Recolección, diagnóstico y estructuración de la información
Se recopilaron e integraron los registros históricos y operativos relacionados con la producción de
chayote, considerando variables como productor, periodo de corte, superficie cultivada, volumen de
producción y clasificación del producto. Como etapa inicial se realizó un diagnóstico de la calidad de la
información mediante un diagrama de causa–efecto (Ishikawa), con el propósito de identificar los
factores que podían generar inconsistencias, variabilidad, omisiones o pérdida de datos durante su
registro.
Posteriormente, la información fue sometida a un proceso de depuración, codificación, validación y
estructuración, eliminando registros inconsistentes y homogeneizando criterios de captura. Como
resultado de esta fase se obtuvo una base de datos organizada y confiable para sustentar los análisis
estadísticos posteriores.
Fase 2. Análisis exploratorio de datos
A partir de la base de datos estructurada se realizó el análisis exploratorio de la producción, con el
propósito de caracterizar su comportamiento e identificar patrones relevantes entre productores y
periodos. Se empleó estadística descriptiva mediante medidas de tendencia central y dispersión,
complementada con el análisis de la variabilidad de los volúmenes registrados.
Asimismo, se analizaron las diferencias en los niveles de producción entre productores, la distribución
temporal de los volúmenes y la relación entre la superficie cultivada y la producción obtenida. Este
pág. 7638
análisis permitió identificar productores con mayor participación, periodos con concentraciones
elevadas de producción y diferencias importantes en la escala productiva.
Los resultados de esta fase permitieron establecer la estructura y comportamiento de los datos que
posteriormente fueron utilizados para evaluar los pronósticos de producción.
Fase 3. Evaluación del pronóstico y análisis de su desempeño
Con base en la información histórica previamente estructurada y analizada, se evaluó el componente de
pronóstico mediante la comparación de los volúmenes estimados con los valores reales registrados por
productor y periodo.
El análisis se concentró en evaluar el desempeño de los pronósticos operativos disponibles mediante la
comparación de los valores estimados y observados.
Para evaluar el desempeño del sistema se utilizaron cuatro indicadores principales:
• MAPE (Error Porcentual Absoluto Medio): cuantificó la magnitud promedio del error de
pronóstico y permitió comparar la precisión obtenida entre productores.
• Bias (sesgo): permitió determinar la tendencia sistemática del pronóstico hacia la
sobreestimación o subestimación de la producción.
• índice de cumplimiento del pronóstico: permitió evaluar el nivel de cumplimiento de la
producción respecto a los requerimientos establecidos.
• Proporción no exportable: permitió cuantificar la proporción del producto que no fue
clasificado con calidad exportable.
El cálculo de estos indicadores por productor permitió identificar diferencias en la precisión de las
estimaciones y reconocer aquellos casos que presentaron mayores desviaciones respecto al
comportamiento esperado.
Fase 4. Control, visualización y apoyo a la toma de decisiones
Finalmente, los resultados obtenidos fueron integrados en un esquema de control y seguimiento
operativo. Como complemento se planteó un esquema de seguimiento basado en principios de Control
Estadístico de Procesos (SPC) para analizar la estabilidad y variabilidad asociada con las etapas de
clasificación y empaque del chayote, particularmente aquellas relacionadas con la obtención de producto
con calidad de exportación.
análisis permitió identificar productores con mayor participación, periodos con concentraciones
elevadas de producción y diferencias importantes en la escala productiva.
Los resultados de esta fase permitieron establecer la estructura y comportamiento de los datos que
posteriormente fueron utilizados para evaluar los pronósticos de producción.
Fase 3. Evaluación del pronóstico y análisis de su desempeño
Con base en la información histórica previamente estructurada y analizada, se evaluó el componente de
pronóstico mediante la comparación de los volúmenes estimados con los valores reales registrados por
productor y periodo.
El análisis se concentró en evaluar el desempeño de los pronósticos operativos disponibles mediante la
comparación de los valores estimados y observados.
Para evaluar el desempeño del sistema se utilizaron cuatro indicadores principales:
• MAPE (Error Porcentual Absoluto Medio): cuantificó la magnitud promedio del error de
pronóstico y permitió comparar la precisión obtenida entre productores.
• Bias (sesgo): permitió determinar la tendencia sistemática del pronóstico hacia la
sobreestimación o subestimación de la producción.
• índice de cumplimiento del pronóstico: permitió evaluar el nivel de cumplimiento de la
producción respecto a los requerimientos establecidos.
• Proporción no exportable: permitió cuantificar la proporción del producto que no fue
clasificado con calidad exportable.
El cálculo de estos indicadores por productor permitió identificar diferencias en la precisión de las
estimaciones y reconocer aquellos casos que presentaron mayores desviaciones respecto al
comportamiento esperado.
Fase 4. Control, visualización y apoyo a la toma de decisiones
Finalmente, los resultados obtenidos fueron integrados en un esquema de control y seguimiento
operativo. Como complemento se planteó un esquema de seguimiento basado en principios de Control
Estadístico de Procesos (SPC) para analizar la estabilidad y variabilidad asociada con las etapas de
clasificación y empaque del chayote, particularmente aquellas relacionadas con la obtención de producto
con calidad de exportación.
pág. 7639
La información histórica, la producción pronosticada, la producción real, las desviaciones y los
indicadores MAPE, Bias, índice de cumplimiento del pronóstico y proporción no exportable fueron
integrados en un tablero de control desarrollado en Microsoft Excel. Esta herramienta permitió
visualizar el comportamiento de los indicadores por productor y periodo, facilitando la identificación de
desviaciones y áreas críticas.
RESULTADOS Y DISCUSIÓN
Fase 1. Recolección, diagnóstico y estructuración de la información
Se integraron los registros históricos y operativos de producción, pronóstico y clasificación del chayote.
Antes del análisis se revisaron las condiciones de generación y registro de la información mediante un
diagrama de causa–efecto (Ishikawa), identificando riesgos asociados con ausencia de criterios formales
de medición, falta de estandarización, registros incompletos, uso de formatos físicos, rotación de
personal, dependencia del conocimiento empírico, ausencia de una base centralizada y limitaciones
tecnológicas. Posteriormente se efectuó la depuración, codificación, validación y estructuración de la
base de datos.
Tabla 1. Criterios de validación de la base utilizada en el análisis
Criterio Resultado verificado Tratamiento metodológico
Registros totales 38 Se conservaron para totales de producción.
Registros válidos para
MAPE/Bias
37 Se excluyó el caso con producción real = 0.
Registros válidos para
ICP individual
37 Se excluyó el caso con pronóstico = 0.
Caso Real = 0 y
Pronóstico = 0
Pánfilo González, octubre
No se calcula porcentaje; el registro no altera
los totales.
Variable de calidad Porcentaje exportable Se conserva como indicador de clasificación.
Proporción no
exportable derivada
100 − calidad exportable
Debe interpretarse como proporción no
exportable, salvo evidencia de descarte real.
La información histórica, la producción pronosticada, la producción real, las desviaciones y los
indicadores MAPE, Bias, índice de cumplimiento del pronóstico y proporción no exportable fueron
integrados en un tablero de control desarrollado en Microsoft Excel. Esta herramienta permitió
visualizar el comportamiento de los indicadores por productor y periodo, facilitando la identificación de
desviaciones y áreas críticas.
RESULTADOS Y DISCUSIÓN
Fase 1. Recolección, diagnóstico y estructuración de la información
Se integraron los registros históricos y operativos de producción, pronóstico y clasificación del chayote.
Antes del análisis se revisaron las condiciones de generación y registro de la información mediante un
diagrama de causa–efecto (Ishikawa), identificando riesgos asociados con ausencia de criterios formales
de medición, falta de estandarización, registros incompletos, uso de formatos físicos, rotación de
personal, dependencia del conocimiento empírico, ausencia de una base centralizada y limitaciones
tecnológicas. Posteriormente se efectuó la depuración, codificación, validación y estructuración de la
base de datos.
Tabla 1. Criterios de validación de la base utilizada en el análisis
Criterio Resultado verificado Tratamiento metodológico
Registros totales 38 Se conservaron para totales de producción.
Registros válidos para
MAPE/Bias
37 Se excluyó el caso con producción real = 0.
Registros válidos para
ICP individual
37 Se excluyó el caso con pronóstico = 0.
Caso Real = 0 y
Pronóstico = 0
Pánfilo González, octubre
No se calcula porcentaje; el registro no altera
los totales.
Variable de calidad Porcentaje exportable Se conserva como indicador de clasificación.
Proporción no
exportable derivada
100 − calidad exportable
Debe interpretarse como proporción no
exportable, salvo evidencia de descarte real.
pág. 7640
Figura 1. Diagrama de Ishikawa utilizado para identificar limitaciones en la confiabilidad y
estructuración de los datos.
Fase 2. Análisis exploratorio de datos
Una vez validada la base, se caracterizó el comportamiento de la producción mediante estadística
descriptiva, medidas de dispersión y análisis de distribución. Se calcularon media, mediana, desviación
estándar y coeficiente de variación (CV). La normalidad se evaluó con Shapiro–Wilk. Debido a que las
distribuciones mensuales resultaron no normales (p < 0.05), las asociaciones se complementaron con el
coeficiente de correlación de Spearman, más robusto ante asimetría y valores extremos.
Tabla 2. Estadística descriptiva de la producción real por mes
Periodo n Total Media Mediana
Desv.
estándar
CV (%)
Agosto 8 5,282 660.25 514.00 465.75 70.54
Septiembre 8 5,590 698.75 437.50 546.32 78.19
Octubre 21* 11,185 532.62** 405.00** 426.97** 80.16**
Global 37* 22,057 596.14** 445.00** 455.08** 76.34**
Fuente: elaboración propia con base en los registros validados del estudio.
* Para el análisis descriptivo inferencial se excluyó el registro 0/0 por corresponder a una ausencia de producción y
pronóstico. ** Estadísticos calculados sobre las 21 observaciones positivas de octubre y 37 observaciones positivas globales.
Figura 1. Diagrama de Ishikawa utilizado para identificar limitaciones en la confiabilidad y
estructuración de los datos.
Fase 2. Análisis exploratorio de datos
Una vez validada la base, se caracterizó el comportamiento de la producción mediante estadística
descriptiva, medidas de dispersión y análisis de distribución. Se calcularon media, mediana, desviación
estándar y coeficiente de variación (CV). La normalidad se evaluó con Shapiro–Wilk. Debido a que las
distribuciones mensuales resultaron no normales (p < 0.05), las asociaciones se complementaron con el
coeficiente de correlación de Spearman, más robusto ante asimetría y valores extremos.
Tabla 2. Estadística descriptiva de la producción real por mes
Periodo n Total Media Mediana
Desv.
estándar
CV (%)
Agosto 8 5,282 660.25 514.00 465.75 70.54
Septiembre 8 5,590 698.75 437.50 546.32 78.19
Octubre 21* 11,185 532.62** 405.00** 426.97** 80.16**
Global 37* 22,057 596.14** 445.00** 455.08** 76.34**
Fuente: elaboración propia con base en los registros validados del estudio.
* Para el análisis descriptivo inferencial se excluyó el registro 0/0 por corresponder a una ausencia de producción y
pronóstico. ** Estadísticos calculados sobre las 21 observaciones positivas de octubre y 37 observaciones positivas globales.
pág. 7641
Tabla 3. Pruebas de normalidad y correlación
Análisis Estadístico p-valor Interpretación
Shapiro–Wilk, agosto W = 0.8083 0.0351 No normal (α = 0.05)
Shapiro – Wilk,
septiembre
W = 0.8114 0.0378 No normal (α = 0.05)
Shapiro–Wilk, octubre W = 0.8716 0.0102 No normal (α = 0.05)
Shapiro–Wilk, global W = 0.8716 0.0005 No normal (α = 0.05)
Spearman Real –
Pronóstico
ρ = 0.9766 < 0.001
Asociación positiva
muy alta
Spearman Real –
Calidad
ρ = −0.0045 0.9791
Sin asociación
monotónica
Spearman Error –
Calidad
ρ = −0.0297 0.8615
Sin asociación
monotónica
Figura 2. Variabilidad de la producción real por periodo.
Los coeficientes de variación elevados muestran heterogeneidad productiva. Además, la prueba de
Shapiro–Wilk indica que no es apropiado asumir normalidad. La correlación de Spearman confirma que
los pronósticos siguen estrechamente el orden relativo de la producción real, pero la base analizada no
demuestra una relación estadísticamente significativa entre volumen real o error de pronóstico y el
porcentaje de calidad exportable.
Tabla 3. Pruebas de normalidad y correlación
Análisis Estadístico p-valor Interpretación
Shapiro–Wilk, agosto W = 0.8083 0.0351 No normal (α = 0.05)
Shapiro – Wilk,
septiembre
W = 0.8114 0.0378 No normal (α = 0.05)
Shapiro–Wilk, octubre W = 0.8716 0.0102 No normal (α = 0.05)
Shapiro–Wilk, global W = 0.8716 0.0005 No normal (α = 0.05)
Spearman Real –
Pronóstico
ρ = 0.9766 < 0.001
Asociación positiva
muy alta
Spearman Real –
Calidad
ρ = −0.0045 0.9791
Sin asociación
monotónica
Spearman Error –
Calidad
ρ = −0.0297 0.8615
Sin asociación
monotónica
Figura 2. Variabilidad de la producción real por periodo.
Los coeficientes de variación elevados muestran heterogeneidad productiva. Además, la prueba de
Shapiro–Wilk indica que no es apropiado asumir normalidad. La correlación de Spearman confirma que
los pronósticos siguen estrechamente el orden relativo de la producción real, pero la base analizada no
demuestra una relación estadísticamente significativa entre volumen real o error de pronóstico y el
porcentaje de calidad exportable.
pág. 7642
Fase 3. Evaluación del pronóstico y análisis de su desempeño
A partir de la información estructurada se evaluó el desempeño de los pronósticos operativos mediante
la comparación entre los valores de producción real y producción pronosticada por productor y periodo.
Debido a que la base disponible contiene los valores finales reales y pronosticados, el análisis se
concentró en validar las métricas de desempeño de dichos pronósticos y no en identificar o estimar
formalmente el modelo estadístico que los generó. En consecuencia, los resultados obtenidos
corresponden a una evaluación del desempeño predictivo de los registros disponibles.
Fórmulas empleadas: Error = Real − Pronóstico; APE = |Real − Pronóstico| / Real × 100; MAPE =
promedio de los APE válidos; Bias porcentual = (Real − Pronóstico) / Real × 100; índice de
cumplimiento del pronóstico= Real / Pronóstico × 100.
Tabla 4. Desempeño agregado del pronóstico por periodo
Periodo
n
válid
o
Real
total
Pronóstic
o total
Desviació
n
Desv
. %
vs
pron
.
MAP
E %
Median
a APE
%
Bias
medi
o %
ICP
(%)
Agosto 8 5,282 4,620 662
14.3
3
12.05 10.12 11.07
114.3
3
Septiembr
e
8 5,590 5,973 −383
−
6.41
12.74 9.38 −4.21 93.59
Octubre 21
11,18
5
11,570 −385
−
3.33
18.50 14.11 5.99 96.67
Total 37
22,05
7
22,163 −106
−
0.48
15.86 10.57 4.88 99.52
Fase 3. Evaluación del pronóstico y análisis de su desempeño
A partir de la información estructurada se evaluó el desempeño de los pronósticos operativos mediante
la comparación entre los valores de producción real y producción pronosticada por productor y periodo.
Debido a que la base disponible contiene los valores finales reales y pronosticados, el análisis se
concentró en validar las métricas de desempeño de dichos pronósticos y no en identificar o estimar
formalmente el modelo estadístico que los generó. En consecuencia, los resultados obtenidos
corresponden a una evaluación del desempeño predictivo de los registros disponibles.
Fórmulas empleadas: Error = Real − Pronóstico; APE = |Real − Pronóstico| / Real × 100; MAPE =
promedio de los APE válidos; Bias porcentual = (Real − Pronóstico) / Real × 100; índice de
cumplimiento del pronóstico= Real / Pronóstico × 100.
Tabla 4. Desempeño agregado del pronóstico por periodo
Periodo
n
válid
o
Real
total
Pronóstic
o total
Desviació
n
Desv
. %
vs
pron
.
MAP
E %
Median
a APE
%
Bias
medi
o %
ICP
(%)
Agosto 8 5,282 4,620 662
14.3
3
12.05 10.12 11.07
114.3
3
Septiembr
e
8 5,590 5,973 −383
−
6.41
12.74 9.38 −4.21 93.59
Octubre 21
11,18
5
11,570 −385
−
3.33
18.50 14.11 5.99 96.67
Total 37
22,05
7
22,163 −106
−
0.48
15.86 10.57 4.88 99.52
pág. 7643
Figura 3. Comparación de producción real y pronosticada por mes.
Figura 4. Error porcentual absoluto por productor y periodo.
Fuente: elaboración propia con base en los datos analizados, salvo indicación en la figura.
La revisión aritmética confirma que el MAPE global correcto es 15.86 % y que la mediana del error
porcentual absoluto es 10.57 %. El índice de cumplimiento del pronóstico es 99.52 %, resultado de
22,057 unidades reales frente a 22,163 pronosticadas. La desviación agregada es −106 unidades,
equivalente a −0.48 % respecto al pronóstico. Agosto presentó subestimación agregada (14.33 % por
encima del pronóstico), mientras que septiembre y octubre presentaron producción agregada inferior a
lo pronosticado.
Figura 3. Comparación de producción real y pronosticada por mes.
Figura 4. Error porcentual absoluto por productor y periodo.
Fuente: elaboración propia con base en los datos analizados, salvo indicación en la figura.
La revisión aritmética confirma que el MAPE global correcto es 15.86 % y que la mediana del error
porcentual absoluto es 10.57 %. El índice de cumplimiento del pronóstico es 99.52 %, resultado de
22,057 unidades reales frente a 22,163 pronosticadas. La desviación agregada es −106 unidades,
equivalente a −0.48 % respecto al pronóstico. Agosto presentó subestimación agregada (14.33 % por
encima del pronóstico), mientras que septiembre y octubre presentaron producción agregada inferior a
lo pronosticado.
pág. 7644
Valor extremo validado. Miguel Bautista en octubre registra producción real de 80 y pronóstico de 7.
El APE es 91.25 % y el índice de cumplimiento del pronóstico 1,142.86 %. Estos valores son
matemáticamente correctos y deben tratarse como un caso extremo de fuerte subestimación, no como
un error de fórmula.
Fase 4. Control, visualización y apoyo a la toma de decisiones
Los indicadores obtenidos se integraron en un tablero de control en Microsoft Excel para facilitar el
seguimiento por productor y periodo. El control se orienta a detectar desviaciones de pronóstico y
cambios en la proporción exportable. Para el componente de Control Estadístico de Procesos (SPC), la
base disponible permite plantear el seguimiento mediante gráficas por atributos para la fracción
exportable y mediante gráficas por variables para volúmenes, pero no contiene subgrupos temporales
suficientes para recalcular límites de control X̄–R o p de manera estadísticamente defendible en esta
revisión. Por tanto, estos límites deben incorporarse únicamente cuando existan observaciones
secuenciales por corte y subgrupo.
Tabla 5. Indicadores clave para el tablero de control
Indicador Resultado global Criterio de interpretación
MAPE 15.86 %
Error porcentual absoluto
promedio de 37 observaciones
válidas.
Mediana APE 10.57 % La mitad de los errores
individuales es ≤ 10.57 %.
Bias porcentual medio 4.88 %
Sesgo medio hacia
subestimación; sensible a
valores extremos.
índice de cumplimiento del
pronóstico 99.52 %
Cumplimiento agregado
respecto al volumen
pronosticado.
Calidad exportable promedio 30.84 % Proporción media clasificada
como exportable.
Proporción no exportable 69.16 %
100 − calidad exportable; no
equivale necesariamente a
merma física.
Valor extremo validado. Miguel Bautista en octubre registra producción real de 80 y pronóstico de 7.
El APE es 91.25 % y el índice de cumplimiento del pronóstico 1,142.86 %. Estos valores son
matemáticamente correctos y deben tratarse como un caso extremo de fuerte subestimación, no como
un error de fórmula.
Fase 4. Control, visualización y apoyo a la toma de decisiones
Los indicadores obtenidos se integraron en un tablero de control en Microsoft Excel para facilitar el
seguimiento por productor y periodo. El control se orienta a detectar desviaciones de pronóstico y
cambios en la proporción exportable. Para el componente de Control Estadístico de Procesos (SPC), la
base disponible permite plantear el seguimiento mediante gráficas por atributos para la fracción
exportable y mediante gráficas por variables para volúmenes, pero no contiene subgrupos temporales
suficientes para recalcular límites de control X̄–R o p de manera estadísticamente defendible en esta
revisión. Por tanto, estos límites deben incorporarse únicamente cuando existan observaciones
secuenciales por corte y subgrupo.
Tabla 5. Indicadores clave para el tablero de control
Indicador Resultado global Criterio de interpretación
MAPE 15.86 %
Error porcentual absoluto
promedio de 37 observaciones
válidas.
Mediana APE 10.57 % La mitad de los errores
individuales es ≤ 10.57 %.
Bias porcentual medio 4.88 %
Sesgo medio hacia
subestimación; sensible a
valores extremos.
índice de cumplimiento del
pronóstico 99.52 %
Cumplimiento agregado
respecto al volumen
pronosticado.
Calidad exportable promedio 30.84 % Proporción media clasificada
como exportable.
Proporción no exportable 69.16 %
100 − calidad exportable; no
equivale necesariamente a
merma física.
pág. 7645
Figura 5. Índice de cumplimiento del pronóstico (ICP) agregado por mes respecto a la referencia
operativa de 98 %.
Figura 6. Bias porcentual por productor: valores positivos indican subestimación y negativos
sobreestimación.
Con una referencia operativa del índice de cumplimiento del pronóstico ≥ 98 %, agosto supera el
objetivo y el resultado agregado del periodo también lo cumple; septiembre (93.59 %) y octubre (96.67
%) quedan por debajo. El Bias por productor permite identificar la dirección del error, pero debe
interpretarse junto con la desviación agregada, ya que valores extremos pueden cambiar el promedio del
sesgo porcentual. En particular, octubre muestra desviación agregada negativa (−3.33 % respecto al
pronóstico) aunque su Bias porcentual medio es positivo (5.99 %) debido al efecto de observaciones
extremas.
Figura 5. Índice de cumplimiento del pronóstico (ICP) agregado por mes respecto a la referencia
operativa de 98 %.
Figura 6. Bias porcentual por productor: valores positivos indican subestimación y negativos
sobreestimación.
Con una referencia operativa del índice de cumplimiento del pronóstico ≥ 98 %, agosto supera el
objetivo y el resultado agregado del periodo también lo cumple; septiembre (93.59 %) y octubre (96.67
%) quedan por debajo. El Bias por productor permite identificar la dirección del error, pero debe
interpretarse junto con la desviación agregada, ya que valores extremos pueden cambiar el promedio del
sesgo porcentual. En particular, octubre muestra desviación agregada negativa (−3.33 % respecto al
pronóstico) aunque su Bias porcentual medio es positivo (5.99 %) debido al efecto de observaciones
extremas.
pág. 7646
DISCUSIÓN DE RESULTADOS
Los resultados evidenciaron una elevada heterogeneidad en la producción de chayote entre productores
y periodos, con coeficientes de variación superiores al 70 % y distribuciones no normales. Esto indica
que la planeación no debe sustentarse únicamente en valores promedio, sino considerar las diferencias
entre productores y la variabilidad temporal. Este comportamiento es congruente con lo reportado por
Ruiz-García et al. (2025), quienes destacan la influencia de factores ambientales en el cultivo de Sechium
edule, y por Herrera-Ubaldo et al. (2026), quienes describen diferencias en los sistemas de producción
y comercialización del chayote en Veracruz. Por ello, la variabilidad observada puede estar asociada con
factores productivos, ambientales y de manejo que deberán incorporarse en futuros análisis.
La asociación positiva muy alta entre la producción real y la pronosticada (ρ = 0.9766; p < 0.001)
muestra que las estimaciones reproducen adecuadamente el comportamiento relativo de los volúmenes
registrados; sin embargo, esta relación no implica precisión absoluta. El MAPE global de 15.86 % y la
mediana del error porcentual absoluto de 10.57 % evidencian que existen diferencias individuales
relevantes, aun cuando la desviación acumulada fue de solo −0.48 %, resultado de 22,057 unidades
reales frente a 22,163 pronosticadas. Además, agosto presentó producción superior al pronóstico,
mientras que septiembre y octubre registraron valores inferiores, lo que confirma que los resultados
agregados pueden ocultar comportamientos particulares.
La evaluación mediante métricas de error es consistente con estudios de pronóstico agrícola. Sernaqué
et al. (2022) compararon ARIMA y Holt-Winters para series de producción de cereales; Kusuma (2024)
evaluó Holt-Winters y Seasonal ARIMA en producción de arroz; Krishna Priya y Kausalya (2024)
utilizaron ARIMAX para variables relacionadas con producción de trigo; y Maheshnath et al. (2024)
aplicaron ARIMA para pronosticar producción de maíz. Estos antecedentes respaldan la necesidad de
evaluar cuantitativamente el desempeño de los pronósticos antes de utilizarlos como apoyo para la
planeación. En el presente estudio, la identificación de valores extremos, como el caso registrado en
octubre con un APE de 91.25 %, confirma también la importancia de analizar los errores por productor
y no únicamente mediante indicadores globales.
Por otra parte, no se encontró asociación estadísticamente significativa entre la producción real o el error
del pronóstico y la calidad exportable. Este resultado sugiere que el volumen producido no explica por
DISCUSIÓN DE RESULTADOS
Los resultados evidenciaron una elevada heterogeneidad en la producción de chayote entre productores
y periodos, con coeficientes de variación superiores al 70 % y distribuciones no normales. Esto indica
que la planeación no debe sustentarse únicamente en valores promedio, sino considerar las diferencias
entre productores y la variabilidad temporal. Este comportamiento es congruente con lo reportado por
Ruiz-García et al. (2025), quienes destacan la influencia de factores ambientales en el cultivo de Sechium
edule, y por Herrera-Ubaldo et al. (2026), quienes describen diferencias en los sistemas de producción
y comercialización del chayote en Veracruz. Por ello, la variabilidad observada puede estar asociada con
factores productivos, ambientales y de manejo que deberán incorporarse en futuros análisis.
La asociación positiva muy alta entre la producción real y la pronosticada (ρ = 0.9766; p < 0.001)
muestra que las estimaciones reproducen adecuadamente el comportamiento relativo de los volúmenes
registrados; sin embargo, esta relación no implica precisión absoluta. El MAPE global de 15.86 % y la
mediana del error porcentual absoluto de 10.57 % evidencian que existen diferencias individuales
relevantes, aun cuando la desviación acumulada fue de solo −0.48 %, resultado de 22,057 unidades
reales frente a 22,163 pronosticadas. Además, agosto presentó producción superior al pronóstico,
mientras que septiembre y octubre registraron valores inferiores, lo que confirma que los resultados
agregados pueden ocultar comportamientos particulares.
La evaluación mediante métricas de error es consistente con estudios de pronóstico agrícola. Sernaqué
et al. (2022) compararon ARIMA y Holt-Winters para series de producción de cereales; Kusuma (2024)
evaluó Holt-Winters y Seasonal ARIMA en producción de arroz; Krishna Priya y Kausalya (2024)
utilizaron ARIMAX para variables relacionadas con producción de trigo; y Maheshnath et al. (2024)
aplicaron ARIMA para pronosticar producción de maíz. Estos antecedentes respaldan la necesidad de
evaluar cuantitativamente el desempeño de los pronósticos antes de utilizarlos como apoyo para la
planeación. En el presente estudio, la identificación de valores extremos, como el caso registrado en
octubre con un APE de 91.25 %, confirma también la importancia de analizar los errores por productor
y no únicamente mediante indicadores globales.
Por otra parte, no se encontró asociación estadísticamente significativa entre la producción real o el error
del pronóstico y la calidad exportable. Este resultado sugiere que el volumen producido no explica por
pág. 7647
sí mismo la proporción de producto que cumple con las condiciones de exportación, por lo que será
necesario incorporar variables agronómicas, ambientales, de clasificación y manejo poscosecha. Esta
interpretación coincide con los antecedentes de Ruiz-García et al. (2025) y Herrera-Ubaldo et al. (2026),
quienes muestran la importancia de considerar factores adicionales en el análisis de la producción
chayotera.
Finalmente, la integración del MAPE, Bias, índice de cumplimiento del pronóstico y proporción no
exportable en un tablero de control permite transformar los registros históricos en información útil para
el seguimiento y la toma de decisiones. Este enfoque es consistente con Montgomery (2019), quien
señala que el análisis de la variabilidad constituye un elemento fundamental del control estadístico de
procesos. No obstante, la base disponible aún no contiene suficientes observaciones secuenciales para
establecer límites de control formalmente validados, por lo que el sistema debe considerarse actualmente
como una herramienta de monitoreo y apoyo a la toma de decisiones. La ampliación de la serie histórica
permitirá, en investigaciones posteriores, comparar formalmente modelos como ARIMA, Holt-Winters
o ARIMAX mediante procedimientos de validación fuera de muestra y determinar cuál presenta mayor
capacidad predictiva para la producción de chayote de exportación en la región de las Altas Montañas
de Veracruz.
CONCLUSIONES
Los resultados obtenidos permiten concluir que la integración de registros históricos, herramientas
estadísticas e indicadores de desempeño constituye una alternativa viable para fortalecer la planeación
y el control de la producción de chayote de exportación en la región de las Altas Montañas de Veracruz.
El análisis evidenció una elevada heterogeneidad productiva entre productores y periodos, con
coeficientes de variación superiores al 70 % y distribuciones que no presentaron normalidad. Esta
condición demuestra que la planeación no debe sustentarse únicamente en valores promedio, sino
considerar el comportamiento particular de los productores y la variabilidad temporal de la producción.
Asimismo, la alta asociación entre la producción real y pronosticada (ρ = 0.9766; p < 0.001) indica que
las estimaciones reproducen adecuadamente el comportamiento relativo de los volúmenes registrados,
aunque la presencia de errores individuales confirma la necesidad de mantener un seguimiento
desagregado.
sí mismo la proporción de producto que cumple con las condiciones de exportación, por lo que será
necesario incorporar variables agronómicas, ambientales, de clasificación y manejo poscosecha. Esta
interpretación coincide con los antecedentes de Ruiz-García et al. (2025) y Herrera-Ubaldo et al. (2026),
quienes muestran la importancia de considerar factores adicionales en el análisis de la producción
chayotera.
Finalmente, la integración del MAPE, Bias, índice de cumplimiento del pronóstico y proporción no
exportable en un tablero de control permite transformar los registros históricos en información útil para
el seguimiento y la toma de decisiones. Este enfoque es consistente con Montgomery (2019), quien
señala que el análisis de la variabilidad constituye un elemento fundamental del control estadístico de
procesos. No obstante, la base disponible aún no contiene suficientes observaciones secuenciales para
establecer límites de control formalmente validados, por lo que el sistema debe considerarse actualmente
como una herramienta de monitoreo y apoyo a la toma de decisiones. La ampliación de la serie histórica
permitirá, en investigaciones posteriores, comparar formalmente modelos como ARIMA, Holt-Winters
o ARIMAX mediante procedimientos de validación fuera de muestra y determinar cuál presenta mayor
capacidad predictiva para la producción de chayote de exportación en la región de las Altas Montañas
de Veracruz.
CONCLUSIONES
Los resultados obtenidos permiten concluir que la integración de registros históricos, herramientas
estadísticas e indicadores de desempeño constituye una alternativa viable para fortalecer la planeación
y el control de la producción de chayote de exportación en la región de las Altas Montañas de Veracruz.
El análisis evidenció una elevada heterogeneidad productiva entre productores y periodos, con
coeficientes de variación superiores al 70 % y distribuciones que no presentaron normalidad. Esta
condición demuestra que la planeación no debe sustentarse únicamente en valores promedio, sino
considerar el comportamiento particular de los productores y la variabilidad temporal de la producción.
Asimismo, la alta asociación entre la producción real y pronosticada (ρ = 0.9766; p < 0.001) indica que
las estimaciones reproducen adecuadamente el comportamiento relativo de los volúmenes registrados,
aunque la presencia de errores individuales confirma la necesidad de mantener un seguimiento
desagregado.
pág. 7648
La evaluación del desempeño mostró un MAPE global de 15.86 %, una mediana del error porcentual
absoluto de 10.57 % y un índice agregado de cumplimiento del pronóstico de 99.52 %. Estos resultados
permiten considerar al pronóstico como un apoyo cuantitativo para la planeación; sin embargo, su
interpretación debe realizarse conjuntamente con las desviaciones por periodo y productor. La diferencia
agregada de −106 unidades entre la producción real y la pronosticada representa apenas −0.48 %
respecto al volumen estimado, pero este equilibrio global oculta comportamientos distintos: agosto
presentó una producción superior a la pronosticada, mientras que septiembre y octubre registraron
volúmenes inferiores a los previstos. Por ello, el resultado agregado no debe asumirse como evidencia
suficiente de una precisión uniforme entre productores y periodos.
Por otra parte, no se encontró asociación estadísticamente significativa entre la producción real o el error
de pronóstico y el porcentaje de calidad exportable, lo que indica que el volumen producido no explica
por sí mismo la proporción de producto que cumple con las condiciones requeridas para exportación.
En consecuencia, la calidad debe analizarse mediante variables adicionales relacionadas con las
condiciones productivas, agronómicas, ambientales, de clasificación y de manejo poscosecha. Esta
necesidad adquiere relevancia considerando la diversidad de líneas de investigación existentes alrededor
de Sechium edule y la necesidad de continuar ampliando el conocimiento sobre los factores que
intervienen en su producción y aprovechamiento (Barrera-Guzmán et al., 2024). De igual forma, la
proporción no exportable no debe interpretarse directamente como merma física mientras no exista
evidencia que permita determinar el destino final del producto que no alcanza la clasificación de
exportación.
En función de lo anterior, el sistema estadístico propuesto cumple su propósito como herramienta de
apoyo para la toma de decisiones, al transformar registros históricos en información estructurada,
evaluar el desempeño de los pronósticos e integrar indicadores para su seguimiento mediante un tablero
de control. No obstante, los resultados deben circunscribirse a la información analizada y no constituyen
todavía una validación formal de un modelo específico de series de tiempo. Como continuidad de la
investigación, se recomienda ampliar la serie histórica y disponer de observaciones secuenciales por
corte que permitan comparar formalmente distintas alternativas de pronóstico. En este sentido, existen
antecedentes metodológicos basados en Holt-Winters y sus variantes (Liu & Wu, 2022; Pleños, 2022;
La evaluación del desempeño mostró un MAPE global de 15.86 %, una mediana del error porcentual
absoluto de 10.57 % y un índice agregado de cumplimiento del pronóstico de 99.52 %. Estos resultados
permiten considerar al pronóstico como un apoyo cuantitativo para la planeación; sin embargo, su
interpretación debe realizarse conjuntamente con las desviaciones por periodo y productor. La diferencia
agregada de −106 unidades entre la producción real y la pronosticada representa apenas −0.48 %
respecto al volumen estimado, pero este equilibrio global oculta comportamientos distintos: agosto
presentó una producción superior a la pronosticada, mientras que septiembre y octubre registraron
volúmenes inferiores a los previstos. Por ello, el resultado agregado no debe asumirse como evidencia
suficiente de una precisión uniforme entre productores y periodos.
Por otra parte, no se encontró asociación estadísticamente significativa entre la producción real o el error
de pronóstico y el porcentaje de calidad exportable, lo que indica que el volumen producido no explica
por sí mismo la proporción de producto que cumple con las condiciones requeridas para exportación.
En consecuencia, la calidad debe analizarse mediante variables adicionales relacionadas con las
condiciones productivas, agronómicas, ambientales, de clasificación y de manejo poscosecha. Esta
necesidad adquiere relevancia considerando la diversidad de líneas de investigación existentes alrededor
de Sechium edule y la necesidad de continuar ampliando el conocimiento sobre los factores que
intervienen en su producción y aprovechamiento (Barrera-Guzmán et al., 2024). De igual forma, la
proporción no exportable no debe interpretarse directamente como merma física mientras no exista
evidencia que permita determinar el destino final del producto que no alcanza la clasificación de
exportación.
En función de lo anterior, el sistema estadístico propuesto cumple su propósito como herramienta de
apoyo para la toma de decisiones, al transformar registros históricos en información estructurada,
evaluar el desempeño de los pronósticos e integrar indicadores para su seguimiento mediante un tablero
de control. No obstante, los resultados deben circunscribirse a la información analizada y no constituyen
todavía una validación formal de un modelo específico de series de tiempo. Como continuidad de la
investigación, se recomienda ampliar la serie histórica y disponer de observaciones secuenciales por
corte que permitan comparar formalmente distintas alternativas de pronóstico. En este sentido, existen
antecedentes metodológicos basados en Holt-Winters y sus variantes (Liu & Wu, 2022; Pleños, 2022;
pág. 7649
Priyanka et al., 2022), así como aproximaciones que comparan o complementan modelos ARIMA con
técnicas de inteligencia artificial (Neog, 2024; Suthar et al., 2023), los cuales pueden constituir
referentes para futuras etapas de validación predictiva. Estas comparaciones deberán realizarse mediante
procedimientos de entrenamiento y evaluación fuera de muestra para determinar cuál alternativa
presenta mayor capacidad de generalización bajo las características particulares de la producción de
chayote.
Finalmente, futuras investigaciones deberán incorporar variables climáticas, agronómicas y de manejo
poscosecha, evaluar el desempeño del esquema en otros ciclos productivos y unidades de producción y
analizar la estabilidad temporal de los indicadores. La ampliación de la información permitiría avanzar
de un sistema de evaluación y seguimiento del pronóstico hacia un modelo predictivo formalmente
validado y, posteriormente, establecer límites estadísticos de control sustentados en observaciones
secuenciales. De esta manera, la investigación podría contribuir no sólo al seguimiento de la producción,
sino también a una planeación anticipada de los volúmenes destinados a exportación y a una toma de
decisiones sustentada en evidencia cuantitativa
REFERENCIAS BIBLIOGRÁFICAS
Barrera-Guzmán, L. A., Cadena-Iñiguez, J., Mojica-Zárate, H. T., Cisneros-Solano, V. M., & Alejo-
Bello, S. (2024). Trends and evolution in the scientific research of Sechium edule (Jacq.) Swartz.
Agro Productividad, 17(8), 181–187. https://doi.org/10.32854/agrop.v17i7.2956
Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: Forecasting
and control (5th ed.). John Wiley & Sons.
Castillo-Martínez, S. I., & Romero-Jaen, M. (2024). Chayote: El tesoro verde de las Altas Montañas de
Veracruz–raíces de tradición y sabor. Revista Mexicana de Agroecosistemas, 11(2), 179–185.
https://doi.org/10.60158/rma.v11i2.444
Herrera-Ubaldo, M., Santoyo-Cortés, V. H., Muñoz-Rodríguez, M., & Figueroa-Rodríguez, K. A.
(2026). Diferenciación de la producción y comercialización de chayote en Veracruz y modelos
de negocio asociados. Revista de Geografía Agrícola, (75), e25004.
https://doi.org/10.5154/r.rga.2025.01.004
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and practice (2nd ed.). OTexts.
Priyanka et al., 2022), así como aproximaciones que comparan o complementan modelos ARIMA con
técnicas de inteligencia artificial (Neog, 2024; Suthar et al., 2023), los cuales pueden constituir
referentes para futuras etapas de validación predictiva. Estas comparaciones deberán realizarse mediante
procedimientos de entrenamiento y evaluación fuera de muestra para determinar cuál alternativa
presenta mayor capacidad de generalización bajo las características particulares de la producción de
chayote.
Finalmente, futuras investigaciones deberán incorporar variables climáticas, agronómicas y de manejo
poscosecha, evaluar el desempeño del esquema en otros ciclos productivos y unidades de producción y
analizar la estabilidad temporal de los indicadores. La ampliación de la información permitiría avanzar
de un sistema de evaluación y seguimiento del pronóstico hacia un modelo predictivo formalmente
validado y, posteriormente, establecer límites estadísticos de control sustentados en observaciones
secuenciales. De esta manera, la investigación podría contribuir no sólo al seguimiento de la producción,
sino también a una planeación anticipada de los volúmenes destinados a exportación y a una toma de
decisiones sustentada en evidencia cuantitativa
REFERENCIAS BIBLIOGRÁFICAS
Barrera-Guzmán, L. A., Cadena-Iñiguez, J., Mojica-Zárate, H. T., Cisneros-Solano, V. M., & Alejo-
Bello, S. (2024). Trends and evolution in the scientific research of Sechium edule (Jacq.) Swartz.
Agro Productividad, 17(8), 181–187. https://doi.org/10.32854/agrop.v17i7.2956
Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: Forecasting
and control (5th ed.). John Wiley & Sons.
Castillo-Martínez, S. I., & Romero-Jaen, M. (2024). Chayote: El tesoro verde de las Altas Montañas de
Veracruz–raíces de tradición y sabor. Revista Mexicana de Agroecosistemas, 11(2), 179–185.
https://doi.org/10.60158/rma.v11i2.444
Herrera-Ubaldo, M., Santoyo-Cortés, V. H., Muñoz-Rodríguez, M., & Figueroa-Rodríguez, K. A.
(2026). Diferenciación de la producción y comercialización de chayote en Veracruz y modelos
de negocio asociados. Revista de Geografía Agrícola, (75), e25004.
https://doi.org/10.5154/r.rga.2025.01.004
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and practice (2nd ed.). OTexts.
pág. 7650
Krishna Priya, S. R., & Kausalya, N. (2024). Forecasting wheat crop area, production & productivity in
India using ARIMAX model. Journal of Agriculture, Biology and Applied Statistics, 3(2), 57–
68. https://doi.org/10.47509/JABAS.2024.v03i02.02
Kusuma, M. (2024). Perbandingan metode Holt-Winters dan Seasonal ARIMA dalam memprediksi
produksi beras di Indonesia. Jurnal Agribisnis, 26(2). https://doi.org/10.31849/agr.v26i02.17672
Liu, L., & Wu, L. (2022). Holt-Winters model with grey generating operator and its application.
Communications in Statistics—Theory and Methods, 51(11), 3542–3555.
https://doi.org/10.1080/03610926.2020.1797804
Maheshnath, M., Vijaya Kumari, R., Suhasini, K., Srinivasa Reddy, D., & Meena, A. (2024). Forecasting
maize production in Telangana State using ARIMA model. Archives of Current Research
International, 24(6), 223–229. https://doi.org/10.9734/acri/2024/v24i6780
Montgomery, D. C. (2019). Introduction to statistical quality control (8th ed.). John Wiley & Sons.
Neog, B. (2024). An improved ARIMA model using ANN and SVM for forecasting rapeseed & mustard
production. International Journal of Intelligent Systems and Applications in Engineering,
12(21s), 3152–3162.
Pleños, M. (2022). Time series forecasting using Holt-Winters exponential smoothing: Application to
abaca fiber data. Problems of World Agriculture, 22(2), 17–29.
https://doi.org/10.22630/PRS.2022.22.2.6
Priyanka, P. A., Nandakumar, E., & Sangeetha, R. (2022). Holt-Winters forecast on seasonal time series
crop insurance data with structural outliers (2000–2018) using MS Excel. Asian Journal of
Agricultural Extension, Economics & Sociology, 40(9), 136–145.
https://doi.org/10.9734/AJAEES/2022/v40i930986
Ruiz-García, V. H., Ruiz-García, P., Pérez-Nieto, J., & Monterroso-Rivas, A. I. (2025). Chayote
(Sechium edule var. virens levis) cultivation and environmental factors. Agro Productividad,
18(9), 91–99. https://doi.org/10.32854/8xb2vh64
Sernaqué, H., Meca, M., Zapata, E., Marchan, B., Medina, J., Nole, D., Aldana, C., Saavedra, Y., Trelles,
L., Chuquihuanca, N., & Mendoza, G. (2022). Comparison of ARIMA and Holt-Winters
Krishna Priya, S. R., & Kausalya, N. (2024). Forecasting wheat crop area, production & productivity in
India using ARIMAX model. Journal of Agriculture, Biology and Applied Statistics, 3(2), 57–
68. https://doi.org/10.47509/JABAS.2024.v03i02.02
Kusuma, M. (2024). Perbandingan metode Holt-Winters dan Seasonal ARIMA dalam memprediksi
produksi beras di Indonesia. Jurnal Agribisnis, 26(2). https://doi.org/10.31849/agr.v26i02.17672
Liu, L., & Wu, L. (2022). Holt-Winters model with grey generating operator and its application.
Communications in Statistics—Theory and Methods, 51(11), 3542–3555.
https://doi.org/10.1080/03610926.2020.1797804
Maheshnath, M., Vijaya Kumari, R., Suhasini, K., Srinivasa Reddy, D., & Meena, A. (2024). Forecasting
maize production in Telangana State using ARIMA model. Archives of Current Research
International, 24(6), 223–229. https://doi.org/10.9734/acri/2024/v24i6780
Montgomery, D. C. (2019). Introduction to statistical quality control (8th ed.). John Wiley & Sons.
Neog, B. (2024). An improved ARIMA model using ANN and SVM for forecasting rapeseed & mustard
production. International Journal of Intelligent Systems and Applications in Engineering,
12(21s), 3152–3162.
Pleños, M. (2022). Time series forecasting using Holt-Winters exponential smoothing: Application to
abaca fiber data. Problems of World Agriculture, 22(2), 17–29.
https://doi.org/10.22630/PRS.2022.22.2.6
Priyanka, P. A., Nandakumar, E., & Sangeetha, R. (2022). Holt-Winters forecast on seasonal time series
crop insurance data with structural outliers (2000–2018) using MS Excel. Asian Journal of
Agricultural Extension, Economics & Sociology, 40(9), 136–145.
https://doi.org/10.9734/AJAEES/2022/v40i930986
Ruiz-García, V. H., Ruiz-García, P., Pérez-Nieto, J., & Monterroso-Rivas, A. I. (2025). Chayote
(Sechium edule var. virens levis) cultivation and environmental factors. Agro Productividad,
18(9), 91–99. https://doi.org/10.32854/8xb2vh64
Sernaqué, H., Meca, M., Zapata, E., Marchan, B., Medina, J., Nole, D., Aldana, C., Saavedra, Y., Trelles,
L., Chuquihuanca, N., & Mendoza, G. (2022). Comparison of ARIMA and Holt-Winters
pág. 7651
forecasting models for time series of cereal production in Peru. Applied Human Factors and
Ergonomics International, 22. https://doi.org/10.54941/ahfe1001007
Suthar, B., Pundir, R. S., & Popat, R. (2023). Groundnut price forecasting in Gondal market of Gujarat:
A comparison of ARIMA and ANN models. Indian Journal of Agricultural Marketing, 37(1),
51–60. https://doi.org/10.22004/ag.econ.399877
forecasting models for time series of cereal production in Peru. Applied Human Factors and
Ergonomics International, 22. https://doi.org/10.54941/ahfe1001007
Suthar, B., Pundir, R. S., & Popat, R. (2023). Groundnut price forecasting in Gondal market of Gujarat:
A comparison of ARIMA and ANN models. Indian Journal of Agricultural Marketing, 37(1),
51–60. https://doi.org/10.22004/ag.econ.399877