Ir al contenido
σestadistica.ar

estadistica.ar · Enciclopedia de Estadística en españolhttps://estadistica.ar/conceptos/proyecciones-de-poblacion

Proyecciones de población

Cómo se estima la población futura con el método de los componentes, qué tan confiables son y por qué toda tasa depende de ellas.

Por Jorge Luis Montivero, Licenciado en Estadística · Mu3Sigma

1 · Para qué importan

Porque son el denominador de casi todo.

Proyecciones de población: cómo se estima la población futura · video, 4:02

Y además se usan para planificar escuelas, hospitales, vacunas, jubilaciones y obras de infraestructura.

2 · El método de los componentes

Es el estándar, y aplica la ecuación compensadora por grupo de edad:

1. Partir de la población por edad y sexo de un año base, habitualmente censal.

2. Envejecerla: los de 20 a 24 pasan a 25 a 29 cinco años después, menos los que mueren según las tasas supuestas.

3. Agregar nacimientos: aplicar las tasas de fecundidad a las mujeres en edad fértil.

4. Sumar el saldo migratorio.

5. Repetir para cada período.

El esquema esconde tres detalles. Los nacidos del período también tienen que sobrevivir hasta el final para entrar en el grupo de 0 a 4. El último grupo es abierto: los de 80 y más del período siguiente son los sobrevivientes del propio grupo más los que llegan desde 75 a 79. Y los nacimientos se reparten entre varones y mujeres con la razón de sexos al nacer.

3 · Por qué no alcanza con extrapolar

La alternativa ingenua —tomar la tasa de crecimiento del período anterior y seguirla— falla de maneras espectaculares. Catamarca, con las poblaciones censales y los períodos medidos entre las fechas de los censos, como en la tasa de crecimiento:

ProyecciónTasa usadaResultado 2022Censo 2022Error
Desde 2001, tasa de 1991-20012,28 %530.589427.625+24,1 %
Desde 2010, tasa de 2001-20101,07 %415.758427.625−2,8 %
200.000 300.000 400.000 500.000 600.000 264.115 1991 334.568 2001 367.828 2010 2022 530.589 con 2,28 %: +24,1 % Censo 2022 427.625 con 1,07 %: −2,8 %
Extrapolar el crecimiento de los noventa daba 530.589 habitantes en 2022; el censo contó 427.625. La tasa de 2001-2010 erró por 2,8 %.Fuente: INDEC, censos 1991, 2001, 2010 y 2022.

Las poblaciones de la tabla son sumas de radios censales, que no coinciden exactamente con los totales publicados: para 2022 el INDEC informó 429.562 personas en Catamarca. Contra ese total los errores son +23,5 % y −3,2 %; la conclusión no cambia, pero conviene decir siempre con qué cifras se trabajó.

La ventaja del método de los componentes es que no extrapola el resultado sino sus causas, y eso permite ver de dónde viene un error y corregirlo componente por componente.

4 · Qué tan confiables son

Depende del componente y del horizonte:

ComponentePrevisibilidad
Mortalidadalta: cambia lento y de manera previsible
Fecundidadmedia: puede cambiar de tendencia
Migraciónbaja: depende de crisis, políticas y coyunturas
HorizonteConfiabilidad
5-10 añosalta para el total
20-30 añosrazonable para los grupos ya nacidos
Más de 30especulativa

Por eso las proyecciones se publican en variantes —alta, media, baja— que no son errores sino escenarios con supuestos distintos.

Y sin embargo el total no salió mal. Para Catamarca, esa misma proyección daba 422.476 personas en 2022, y el censo contó 429.562: quedó un 1,6 % abajo, no arriba. En el total, el error en los nacimientos quedó compensado por otros componentes —la población de partida, que el INDEC corrige por omisión censal, o la migración—; en la estructura por edad, no. Una proyección puede acertar el total y errar la base de la pirámide, y las tasas que usan esos grupos como denominador heredan el error.

5 · Proyección, estimación y pronóstico

TérminoQué es
Estimaciónpoblación de un año pasado o presente, entre censos
Proyecciónpoblación futura bajo supuestos explícitos
Pronósticola proyección que se considera más probable

6 · El problema de las áreas chicas

Proyectar un departamento o un municipio es mucho más difícil que proyectar un país:

  • La migración interna pesa muchísimo más y es más volátil.
  • Los eventos son pocos, así que las tasas son inestables.
  • Un emprendimiento productivo o un barrio nuevo pueden cambiar todo.

Los métodos habituales —prorrateo de la proyección provincial, extrapolación de tendencias, relación con una variable de referencia— son aproximaciones, y todas requieren reconciliar los totales con el nivel superior.

7 · Cómo se usan bien

  • Citar la fuente y la variante utilizada.
  • Actualizarlas cuando sale un censo nuevo: las proyecciones viejas se recalculan hacia atrás, y las series de tasas cambian.
  • No mezclar poblaciones de distintas rondas de proyección en una misma serie.
  • Para áreas chicas, agrupar varios años de eventos antes de calcular tasas.

8 · Errores frecuentes

  • Usar la población del último censo para todos los años siguientes.
  • Mezclar proyecciones de rondas distintas en una misma serie de tasas.
  • Tomar la variante media como un pronóstico exacto.
  • Evaluar una proyección solo por el total, que puede acertar mientras la base de la pirámide falla.
  • Proyectar áreas chicas con el método de los componentes sin datos suficientes.
  • Extrapolar tendencias sin considerar la estructura por edad: es lo que hace que las proyecciones ingenuas fallen.
  • Extrapolar la tasa de un período atípico, que es la manera más rápida de inventar una provincia.
  • No recalcular las tasas publicadas cuando cambian las proyecciones.

9 · En el software

El INDEC publica sus proyecciones 2010-2040 en una planilla con una hoja por jurisdicción, y en cada hoja bloques de seis años con la población por edad y sexo: cuatro columnas por año —ambos sexos, varones, mujeres y una vacía—. El código reproduce la tabla de la sección 3 y las dos comparaciones de la sección 4.

# R — la extrapolación de la sección 3, con las fechas de los censos
fecha <- as.Date(c("1991-05-15", "2001-11-17", "2010-10-27", "2022-05-18"))
pob   <- c(264115, 334568, 367828, 427625)       # suma de radios censales
anios <- as.numeric(diff(fecha)) / 365.25        # 10,51  8,94  11,56
r     <- (pob[-1] / pob[-4])^(1 / anios) - 1     # 2,28 %  1,07 %  1,31 %

p1 <- pob[2] * (1 + r[1])^(as.numeric(fecha[4] - fecha[2]) / 365.25)
p2 <- pob[3] * (1 + r[2])^anios[3]
round(c(p1, p2))                                  # 530589  415758
round(100 * (c(p1, p2) / pob[4] - 1), 1)          # 24,1  -2,8

# Las proyecciones del INDEC
library(readxl)
xls <- tempfile(fileext = ".xls")
download.file("https://www.indec.gob.ar/ftp/cuadros/poblacion/c2_proyecciones_prov_2010_2040.xls",
              xls, mode = "wb")
fila <- function(h, anio) which(h[[1]] == "Edad" & h[[2]] == anio)

cat <- read_excel(xls, sheet = "10-CATAMARCA", col_names = FALSE)
as.numeric(cat[[2]][fila(cat, 2022) + 3])        # 422476: total 2022

pais <- read_excel(xls, sheet = "01-TOTAL DEL PAÍS", col_names = FALSE)
as.numeric(pais[[10]][fila(pais, 2022) + 5])     # 3652673: 0 a 4 en 2024

# Un paso de cohorte-componente, de juguete: 0-4, 5-9 y 10 y más
p   <- c(100, 90, 80)                             # población inicial
S   <- c(0.99, 0.995, 0.97)                       # supervivencia a cinco años
nac <- 95; Sn <- 0.985                            # nacidos y su supervivencia
c(nac * Sn, p[1] * S[1], p[2] * S[2] + p[3] * S[3])   # el último, abierto
# Python
import numpy as np
import pandas as pd

fecha = pd.to_datetime(["1991-05-15", "2001-11-17", "2010-10-27", "2022-05-18"])
pob = np.array([264115, 334568, 367828, 427625])
anios = (fecha[1:] - fecha[:-1]).days / 365.25
r = (pob[1:] / pob[:-1]) ** (1 / anios) - 1
p1 = pob[1] * (1 + r[0]) ** ((fecha[3] - fecha[1]).days / 365.25)
p2 = pob[2] * (1 + r[1]) ** anios[2]
print(round(p1), round(p2))                       # 530589 415758

xls = pd.ExcelFile("https://www.indec.gob.ar/ftp/cuadros/poblacion/c2_proyecciones_prov_2010_2040.xls")
def fila(h, anio):
    return h.index[(h[0] == "Edad") & (h[1] == anio)][0]

cat = xls.parse("10-CATAMARCA", header=None)
print(cat.iloc[fila(cat, 2022) + 3, 1])           # 422476
pais = xls.parse("01-TOTAL DEL PAÍS", header=None)
print(pais.iloc[fila(pais, 2022) + 5, 9])         # 3652673
Excel:  fechas en B2:B5 y poblaciones en C2:C5, de 1991 a 2022
        años entre censos  =(B3-B2)/365,25          en D3
        tasa               =(C3/C2)^(1/D3)-1        en E3
        extrapolación      =C3*(1+E3)^((B5-B3)/365,25)
SPSS:   con las fechas como variables de fecha, en segundos:
        COMPUTE anios = (fecha2 - fecha1) / (365.25 * 86400).
        COMPUTE tasa = (pob2 / pob1) ** (1 / anios) - 1.

Seguir leyendo

Cómo citar: Montivero, J. L. (2026). Proyecciones de población. estadistica.ar. https://estadistica.ar/conceptos/proyecciones-de-poblacion

estadistica.ar es gratuita y sin publicidad. Si te sirvió, podés invitar un cafecito por transferencia al alias mu3sigma. Asesoramiento estadístico, encuestas y capacitaciones: m3s.pro · WhatsApp +54 9 383 499-7929.

Cómo citar esta entrada

APA (7.ª edición)

Montivero, J. L. (2026). Proyecciones de población. estadistica.ar. https://estadistica.ar/conceptos/proyecciones-de-poblacion

BibTeX

@misc{estadistica_ar_proyecciones_de_poblacion,
  author       = {Montivero, Jorge Luis},
  title        = {{Proyecciones de población}},
  year         = {2026},
  howpublished = {\url{https://estadistica.ar/conceptos/proyecciones-de-poblacion}},
  note         = {estadistica.ar. Consultado el \today},
  urldate      = {2026-11-18}
}

Última actualización: 18 de noviembre de 2026. El contenido está bajo licencia CC BY-NC-SA 4.0: se puede reutilizar citando la fuente y sin fines comerciales.