ANÁLISIS MULTIANUAL DE SERIES
TEMPORALES Y EFICIENCIA PRODUCTIVA EN
SISTEMAS AGROPECUARIOS: UNA APROXIMACIÓN
ESTADÍSTICA PARA LA INNOVACIÓN TECNOLÓGICA
EN CULTIVOS TROPICALES
MULTI-YEAR TIME SERIES ANALYSIS AND PRODUCTION EFFICIENCY
IN AGRICULTURAL SYSTEMS: A STATISTICAL APPROACH FOR
TECHNOLOGICAL INNOVATION IN TROPICAL CROPS
Harry Alexander Vite Cevallos
Universidad Técnica de Machala, Ecuador
Héctor Ramiro Carvajal Romero
Universidad Técnica de Machala, Ecuador
Jimmy Armando Oviedo Romero
Universidad Técnica de Machala, Ecuador
pág. 10975
DOI: https://doi.org/10.37811/cl_rcm.v9i3.18864
Análisis Multianual de Series Temporales y Eficiencia Productiva en
Sistemas Agropecuarios: Una Aproximación Estadística para la Innovación
Tecnológica en Cultivos Tropicales
Harry Alexander Vite Cevallos1
hvite@utmachala.edu.ec
Facultad de Ciencias Empresariales
Universidad Técnica de Machala
Ecuador
Héctor Ramiro Carvajal Romero
hromero@utmachala.edu.ec
https://orcid.org/0000-0001-6303-6295
Facultad de Ciencias Agropecuarias
Universidad Técnica de Machala
Ecuador
Jimmy Armando Oviedo Romero
jaoviedo_est@utmachala.edu.ec
https://orcid.org/0009-0002-6953-1304
Facultad de Ciencias Agropecuarias
Universidad Técnica de Machala
Ecuador
RESUMEN
Este estudio analiza el impacto del análisis multianual de series temporales y la evaluación de eficiencia
técnica sobre la productividad del banano orgánico en sistemas agropecuarios ecuatorianos. Se empleó
un enfoque cuantitativo, no experimental y longitudinal con datos de producción y variables
edafoclimáticas recopiladas entre 2019 y 2024. A través de modelos ARIMA, análisis de correlación
cruzada y el método DEA, se identificaron patrones estacionales, relaciones significativas entre
variables climáticas y productivas, así como brechas de eficiencia técnica entre parcelas. Los resultados
muestran que las decisiones agronómicas pueden ser optimizadas significativamente mediante
herramientas estadísticas avanzadas, permitiendo detectar anomalías, anticipar escenarios productivos
y mejorar la toma de decisiones técnicas. Además, la implementación de dashboards inteligentes
basados en sensores IoT facilita la gestión proactiva y sostenible del cultivo. Se concluye que la
modernización del agro tropical requiere una institucionalización de la analítica de datos, integrando
metodologías estadísticas y tecnología de monitoreo en tiempo real. El modelo propuesto es escalable
a otros cultivos tropicales y contribuye a fortalecer la agricultura de precisión y la seguridad alimentaria,
consolidando una base técnica sólida para la innovación tecnológica en el sector agropecuario.
Palabras clave: análisis estadístico, innovación tecnológica, series temporales, productividad
agropecuaria
1
Autor principal.
Correspondencia: hvite@utmachala.edu.ec
pág. 10976
Multi-year Time Series Analysis and Production Efficiency in Agricultural
Systems: A Statistical Approach for Technological Innovation in Tropical
Crops
ABSTRACT
This study analyzes the impact of multiyear time series analysis and technical efficiency evaluation on
the productivity of organic banana in Ecuadorian agricultural systems. A quantitative, non-
experimental, and longitudinal approach was employed, using production data and edaphoclimatic
variables collected between 2019 and 2024. Through ARIMA models, cross-correlation analysis, and
the DEA method, seasonal patterns, significant relationships between climatic and productive variables,
and technical efficiency gaps across plots were identified. The results show that agronomic decision-
making can be significantly optimized through advanced statistical tools, enabling anomaly detection,
predictive scenario development, and enhanced technical planning. Additionally, the implementation of
smart dashboards powered by IoT sensors facilitates proactive and sustainable crop management. The
study concludes that the modernization of tropical agriculture requires the institutionalization of data
analytics, integrating statistical methodologies and real-time monitoring technologies. The proposed
model is scalable to other tropical crops and contributes to strengthening precision agriculture and food
security, consolidating a solid technical foundation for technological innovation in the agricultural
sector.
Keywords: statistical analysis, technological innovation, time series, agricultural productivity
Artículo recibido 16 junio 2025
Aceptado para publicación: 21 julio 2025
pág. 10977
INTRODUCCIÓN
El presente artículo aborda el análisis multianual de series temporales y la evaluación de eficiencia
técnica como mecanismos para optimizar la productividad del banano orgánico en sistemas
agropecuarios tropicales, con énfasis en el contexto ecuatoriano. Este cultivo no solo representa un eje
económico estratégico con una contribución estimada del 3.8% al Producto Interno Bruto (PIB)
nacional y una posición como principal rubro no petrolero de exportación, sino que también constituye
una alternativa productiva sostenible en respuesta a las exigencias de los mercados internacionales en
materia de calidad, inocuidad y responsabilidad ambiental (Miao et al., 2025).
El problema de investigación radica en la limitada aplicación de herramientas analíticas avanzadas para
la gestión productiva en el ámbito agropecuario ecuatoriano, especialmente en cultivos orgánicos. A
pesar del potencial que ofrecen las tecnologías emergentes como la agricultura de precisión, el Big Data,
el Internet de las Cosas (IoT) y los sistemas predictivos basados en datos, su integración efectiva sigue
siendo incipiente. En consecuencia, los procesos de decisión agronómica se realizan muchas veces de
forma empírica, sin respaldo estadístico que permita anticiparse a anomalías productivas o gestionar
eficientemente los recursos. Esta brecha representa un vacío técnico y metodológico en la literatura
aplicada a contextos tropicales emergentes.
La relevancia del estudio reside en su capacidad para generar un modelo de intervención cuantitativo,
replicable y adaptado a las condiciones agroclimáticas ecuatorianas. En línea con los Objetivos de
Desarrollo Sostenible (ODS 2 y ODS 12), se busca aportar a la construcción de sistemas agrícolas más
eficientes, resilientes y basados en evidencia, que fortalezcan tanto la seguridad alimentaria como la
competitividad internacional de productos tropicales.
Desde el punto de vista teórico, el trabajo se sustenta en los aportes de Hyndman & Athanasopoulos
(2018) sobre análisis de series temporales aplicadas a la predicción agroproductiva; en los postulados
del modelo DEA (Data Envelopment Analysis) desarrollado por Charnes, Cooper y Rhodes (1978) para
evaluar eficiencia técnica relativa; y en los principios de la agricultura de precisión definidos por
Cherubin et al. (2022), quienes demuestran que la integración de sensores, datos geoespaciales y
algoritmos de optimización mejora la productividad y reduce la incertidumbre en decisiones
agronómicas.
pág. 10978
Las variables centrales del estudio incluyen: cajas procesadas por hectárea, racimos semanales,
humedad del suelo, temperatura media, pH y precipitación acumulada. Estas fueron tratadas mediante
técnicas estadísticas multivariantes, con el objetivo de generar modelos predictivos basados en series
temporales (ARIMA), análisis correlacional cruzado y evaluación de eficiencia técnica interparcelaria
mediante DEA.
En cuanto a los antecedentes empíricos, destacan estudios recientes realizados en contextos similares
de América Latina (Sánchez et al., 2024; TPWijewardena et al., 2023), donde se evidencia que la
aplicación de modelos cuantitativos ha permitido incrementar la eficiencia productiva en cultivos como
soja, café o cacao. No obstante, la literatura científica sobre su aplicación sistemática al banano orgánico
en zonas tropicales con condiciones edafoclimáticas heterogéneas sigue siendo limitada. Este artículo
contribuye a cerrar esa brecha, al integrar modelos estadísticos con herramientas tecnológicas en un
estudio longitudinal de seis años.
Esta investigación se desarrolla en el contexto agroecológico del litoral sur del Ecuador, caracterizado
por suelos franco-limosos, alta pluviosidad estacional, variabilidad térmica intersemanal y limitada
infraestructura tecnológica en campo. En este entorno, las decisiones productivas se ven constantemente
afectadas por la falta de mecanismos de predicción confiables, lo cual incrementa la vulnerabilidad de
los productores frente a las fluctuaciones climáticas y de mercado.
Por tanto, este estudio tiene como objetivo general evaluar el impacto del análisis multianual de series
temporales y del enfoque de eficiencia técnica sobre la productividad del banano orgánico en Ecuador,
mediante la aplicación integrada de modelos ARIMA, DEA e IoT. Como hipótesis central, se plantea
que la incorporación de modelos estadísticos avanzados permite optimizar significativamente la
eficiencia técnica de los sistemas productivos tropicales, al reducir la incertidumbre operativa y mejorar
la asignación de recursos.
MARCO TEÓRICO
Producción agropecuaria
La gestión de la producción agropecuaria implica la integración de diversos factores técnicos,
económicos y ambientales para maximizar la eficiencia de los procesos productivos. En este sentido, la
adopción de tecnologías como sensores de campo, sistemas de información geográfica (SIG), estaciones
pág. 10979
meteorológicas automatizadas y plataformas de análisis de datos ha permitido la transición hacia la
agricultura de precisión (TPWijewardena et al., 2023). Esta modalidad de producción se caracteriza por
el manejo diferenciado de unidades productivas con base en la variabilidad espacial y temporal, lo cual
requiere sistemas de captura, procesamiento y visualización de datos en tiempo real (Rueda et al., 2022).
En el caso específico del banano orgánico, la gestión productiva está fuertemente condicionada por
variables del suelo, condiciones climáticas y ciclos nutricionales. La correcta administración de macro
y micronutrientes (como N, P, K, Ca, Mg, S, Zn, Cu y Fe) influye directamente en la calidad del racimo
y en la cantidad de cajas procesadas para exportación (Capa et al., 2017).
La agricultura de precisión permite mapear zonas críticas del terreno, monitorear el estado nutricional
de los cultivos y optimizar el uso de insumos como fertilizantes, agua y energía. A través de modelos
matemáticos y estadísticos, es posible proyectar escenarios de producción, identificar correlaciones
entre variables agronómicas y tomar decisiones con menor incertidumbre (Subrahmanyeswari &
Gantait, 2022). La literatura respalda que la tecnología aplicada a la agricultura mejora
significativamente los indicadores de eficiencia técnica, rentabilidad y sostenibilidad (Chukwu et
al.,2025).
Métodos estadísticos aplicados a sistemas agrícolas
Las series temporales y los modelos ARIMA permiten identificar estacionalidades, anomalías y
tendencias en variables como rendimiento, humedad del suelo y temperatura. Complementariamente,
el análisis envolvente de datos (DEA) cuantifica la eficiencia técnica comparando unidades productivas
con insumos homogéneos.
En el marco de las actividades que se desarrollan, es importante canalizar los esfuerzos necesarios para
lograr optimizar recursos y garantizar una eficiente productividad, por consiguiente, a través del tiempo
se ha considerado necesario apuntalar la producción a través del uso de técnicas estadísticas, mismas
que van de la mano con la aplicación de varias tecnologías computacionales, entre las que se analiza las
siguientes:
El Internet de las Cosas (IoT) ha sido clave en la automatización de la recolección de datos, mediante
sensores instalados en puntos estratégicos del cultivo que permiten medir humedad, temperatura, acidez
del suelo y otros parámetros (Specht et al.,2017).
pág. 10980
Estos datos, una vez recolectados, son procesados por algoritmos estadísticos y visualizados a través de
plataformas de inteligencia de negocios (Ritter et al.,2024). La integración de Big Data a estos sistemas
permite almacenar grandes volúmenes de datos estructurados y no estructurados, facilitando el
modelado predictivo y la generación de alertas tempranas (Camargo et al.,2015).
La combinación de agricultura de precisión, IoT y Big Data representa un ecosistema tecnológico
orientado a mejorar la toma de decisiones en tiempo real. Estas herramientas no solo permiten el
monitoreo continuo del cultivo, sino que también contribuyen a disminuir la dependencia de análisis
esporádicos, optimizar los ciclos productivos y hacer un uso más eficiente de los recursos disponibles
(Cherubin et al., 2022). En definitiva, la modernización del agro ecuatoriano pasa por la adopción de
estas tecnologías como ejes transversales de la gestión agropecuaria sostenible.
La utilización de las tecnologías antes mencionados, sin duda alguna que han tributado al correcto uso
de los recursos y a la optimización de insumos, logrando mejorar la calidad del producto final,
garantizando una eficiente cadena alimenticia que hoy abastece a los principales mercados a nivel
mundial.
Además de las tecnologías aplicadas se puede evidenciar que a través de varias técnicas estadísticas se
ha logrado clarificar de mejora manera los comportamientos que se generan en los distintos parámetros
que se miden y son la base para canalizar los esfuerzos necesarios para la toma de decisiones. Hoy las
técnicas estadísticas con enfoque cuantitativo proyectan una serie de elementos claves para lograr
diversificar y cumplir con los más altos estándares de calidad.
Las series temporales constituyen una herramienta robusta en este proceso, ya que permiten modelar la
evolución de variables agrícolas a lo largo del tiempo, detectar ciclos estacionales y generar
predicciones sobre la productividad (Hyndman & Athanasopoulos, 2018). Asimismo, estas técnicas
pueden ser complementadas con modelos ARIMA, SARIMA o enfoques de machine learning como
XGBoost para construir sistemas de alerta y pronóstico (Rodríguez & Pérez, 2021).
METODOLOGÍA
El presente estudio adopta un enfoque cuantitativo de tipo no experimental, con diseño longitudinal y
análisis multianual, basado en el tratamiento estadístico de datos productivos provenientes de una
unidad agropecuaria dedicada al cultivo de banano orgánico en la región litoral del Ecuador.
pág. 10981
Se emplearon datos históricos de producción (rendimiento por hectárea, número de racimos, cajas
exportadas) y registros de variables edafoclimáticas (temperatura, precipitación, pH, humedad del
suelo) recolectados entre los años 2019 y 2024.
Para el análisis estadístico se estructuró una base de datos en formato longitudinal, normalizada y
depurada, sobre la cual se aplicaron técnicas de análisis de series temporales, específicamente modelos
ARIMA (Box-Jenkins), análisis de estacionalidad y tendencias. Adicionalmente, se realizaron análisis
de correlación cruzada entre variables climáticas y rendimientos, y análisis de eficiencia técnica
utilizando el método DEA (Análisis Envolvente de Datos).
Las herramientas utilizadas incluyeron los paquetes estadísticos R y Python para el modelado
predictivo, así como Excel para el tratamiento preliminar de los datos. Para la visualización de patrones
y anomalías se utilizaron gráficos de líneas, mapas de calor y diagramas de dispersión con suavizadores
de tendencia (LOESS). Se generaron además índices de variabilidad interanual y coeficientes de
eficiencia técnica relativos entre ciclos agrícolas.
El objetivo metodológico fue establecer un marco analítico que permita vincular las fluctuaciones
multianuales en la producción con factores edafoclimáticos y de manejo agronómico, proporcionando
un sistema de soporte para la toma de decisiones en el contexto de la agricultura de precisión aplicada
al banano orgánico.
RESULTADOS Y DISCUSIÓN
El presente estudio reveló hallazgos significativos derivados del análisis multianual de datos
agropecuarios, aplicando métodos estadísticos robustos sobre variables productivas y edafoclimáticas
entre los años 2019 y 2024. A continuación, se describen los resultados clave organizados por categorías
de análisis:
Comportamiento de la eficiencia técnica interanual
La Figura 1 muestra la distribución del ratio cajas/racimos por año. Se evidencia un aumento sostenido
de la eficiencia técnica, destacando 2022 como el año con mayor homogeneidad y desempeño óptimo.
Este comportamiento está asociado a una mayor adopción de tecnologías agronómicas y sistemas de
monitoreo en tiempo real implementados en ese periodo.
pág. 10982
El análisis de varianza (ANOVA) interanual sobre esta variable confirmó diferencias estadísticamente
significativas (p < 0.01), validadas mediante prueba post hoc de Tukey.
Figura 1. Diagrama de cajas de ratio de producción
Correlaciones entre factores edafoclimáticos y rendimiento
En la Figura 2 se observa una relación inversa entre la humedad del suelo y el número de cajas
procesadas. Las semanas con humedad superior al 70% presentaron rendimientos notablemente
menores, lo cual concuerda con estudios sobre asfixia radicular e inhibición fotosintética en condiciones
saturadas. Esta correlación negativa significativa (r = –0.61, p < 0.01) sugiere la necesidad de mejorar
el drenaje en ciertas unidades productivas.
De forma complementaria, la temperatura media semanal mostró una correlación positiva moderada
con la productividad (r = 0.45, p < 0.01), lo que valida su inclusión como variable crítica en los modelos
predictivos.
Figura 2. Relación entre humedad del suelo y cajas procesadas
pág. 10983
Estacionalidad productiva y series temporales
El análisis multianual de series temporales identificó dos ventanas productivas principales: semanas 2–
10 y 30–36. Estos picos de rendimiento coinciden con las fases post-lluvias y de maduración fisiológica
del banano. En la Figura 3 se representa esta estacionalidad a través de curvas suavizadas, donde destaca
el ascenso sostenido en 2021, año que registró un incremento del 18.4% en cajas procesadas respecto
al promedio de 2019–2020.
La descomposición STL de la serie semanal reveló que el componente estacional explicó el 61% de la
varianza total, mientras que el componente irregular mostró reducción significativa tras 2021, indicando
mayor estabilidad productiva.
Figura 3. Tendencia mensual promedio de cajas procesadas por año
Evaluación técnica entre unidades productivas
El análisis de eficiencia técnica mediante el modelo DEA (Data Envelopment Analysis) permitió
clasificar 24 unidades decisionales. Solo el 33.3% alcanzaron la frontera de eficiencia (score = 1.00).
Las restantes presentaron eficiencias relativas entre 0.72 y 0.94. Las causas principales de ineficiencia
fueron: i) uso subóptimo de fertilizantes en suelos ácidos (pH < 5.8), ii) deficiencias en rotación de
personal técnico calificado y iii) tiempos prolongados entre cosecha y empaque.
Estos hallazgos sugieren un potencial de mejora inmediato a través de benchmarking interno,
capacitación técnica y ajustes logísticos.
En la Figura 4 se visualiza los patrones estacionales y los picos de producción anual.
pág. 10984
Figura 4. Serie temporal multianual de cajas procesadas (2019–2022).
Modelación predictiva con ARIMA y LOESS
Se implementó un modelo ARIMA (2,1,1) para la serie semanal de cajas procesadas. Este modelo
mostró buen ajuste (RMSE = 82.6; AIC = 712.4), permitiendo simular escenarios productivos con alta
confiabilidad. La proyección para el tercer trimestre del año sugiere una probabilidad del 95% de
alcanzar 8200 cajas semanales, si se mantienen condiciones climáticas favorables y una adecuada
sincronización agronómica, Figura 5.
Figura 5. Matriz de correlaciones entre variables productivas
pág. 10985
Adicionalmente, la técnica de suavizado LOESS (Figura 6) evidenció una reducción del ruido
intersemanal, permitiendo detectar microciclos productivos. Estos hallazgos son útiles para afinar las
decisiones sobre riego, fertilización y cosecha en lapsos de corta duración.
Figura 6. Tendencia suavizada de cajas procesadas
DISCUSIÓN
Adicionalmente, la tendencia suavizada mediante LOESS (Figura 6) mostró una disminución del ruido
intersemanal, facilitando la identificación de microciclos de respuesta del cultivo ante intervenciones
técnicas. Estas tendencias resultan clave para ajustar la planificación de cosechas y la rotación de
insumos, especialmente en escenarios de cambio climático.
Finalmente, la integración de los modelos permitió construir un dashboard de inteligencia productiva,
actualmente en fase piloto, que procesa en tiempo real los datos climáticos y agronómicos, generando
alertas preventivas para periodos de alto riesgo productivo. Este sistema, alimentado por sensores IoT
instalados en 6 puntos de la finca, contribuye a una gestión proactiva del cultivo y representa un paso
inicial hacia la agricultura autónoma en el contexto ecuatoriano.
Los hallazgos obtenidos en este estudio validan con alta solidez la utilidad del análisis multianual de
series temporales y del enfoque de eficiencia técnica como herramientas complementarias en la
modernización de sistemas agropecuarios tropicales. La identificación de patrones estacionales
repetitivos y de puntos de inflexión en la productividad semanal sugiere que las decisiones agronómicas
pág. 10986
pueden ser significativamente optimizadas mediante modelos predictivos respaldados en evidencia
histórica.
La doble estacionalidad identificada en las semanas 2–10 y 30–36 coincide con los ciclos fenológicos
del banano descritos en la literatura, donde los periodos de floración y llenado del racimo son altamente
sensibles a condiciones térmicas y hídricas (González & Paredes, 2019). Esta coincidencia no solo
valida la pertinencia del modelo ARIMA (2,1,1) aplicado, sino que también confirma que la serie
semanal de producción puede ser utilizada como proxy robusto para anticipar decisiones sobre
fertilización, riego y cosecha.
En concordancia con estudios previos (Hyndman & Athanasopoulos, 2018; Kavinda et al., 2023), los
resultados evidencian que los modelos de predicción basados en series temporales permiten reducir la
incertidumbre operativa y aumentar la resiliencia ante perturbaciones climáticas. La incorporación del
suavizado LOESS añadió valor metodológico al filtrar variaciones espurias y evidenciar tendencias
microcíclicas que de otro modo pasarían desapercibidas. Esta capacidad de discernir “señales débiles”
es clave en un contexto como el banano orgánico, donde la respuesta agronómica es menos inmediata
que en cultivos convencionales.
El enfoque DEA aportó una visión transversal del rendimiento técnico, destacando disparidades entre
unidades productivas con insumos homogéneos. Este hallazgo, consistente con la literatura sobre
eficiencia en cultivos perennes (Castillo et al., 2024; Haryono, 2024), reafirma que las brechas de
productividad no siempre son atribuibles a recursos tangibles, sino a variables de gestión, capacitación
y conocimiento técnico. Las unidades ineficientes podrían, mediante benchmarking interno, adoptar
mejores prácticas de las unidades eficientes para cerrar las brechas detectadas, lo que representa una vía
directa de mejora sin necesidad de incrementar costos operativos.
El comportamiento negativo de la humedad del suelo sobre el rendimiento –con un coeficiente de
correlación de r = –0.61– resulta metodológicamente relevante. Este patrón, documentado también por
Aparecido et al. (2024) en olivo y por Chukwu et al. (2025) en banano convencional, puede explicarse
por la falta de sistemas de drenaje adecuado, lo que provoca condiciones anaeróbicas perjudiciales para
el desarrollo radicular. Este hallazgo tiene implicaciones prácticas: la instalación de sistemas de drenaje
pág. 10987
pasivo o subsuperficial podría incrementar la eficiencia técnica sin necesidad de modificar la
fertilización.
La correlación positiva entre temperatura y cajas procesadas (r = 0.45) se alinea con el conocimiento
agrofisiológico sobre el cultivo de banano, donde el rango óptimo de temperatura favorece procesos
metabólicos como la síntesis de carbohidratos y la elongación celular del racimo. Esto refuerza la
pertinencia de incorporar variables climáticas en dashboards inteligentes que puedan advertir a los
productores sobre eventos climáticos desfavorables con días de anticipación.
Desde el punto de vista estratégico, la visualización de datos se ha convertido en una herramienta de
decisión crítica. La implementación de un prototipo de dashboard productivo con integración IoT
representa un paso concreto hacia la agricultura de precisión, permitiendo el monitoreo en tiempo real
y la retroalimentación agronómica proactiva. Esto concuerda con lo propuesto por Fernández (2025) y
Ritter et al. (2024), quienes destacan que los sistemas de alerta y análisis basados en sensores permiten
acortar los tiempos de reacción, reducir mermas y mejorar la trazabilidad del producto final.
Asimismo, se refuerza el argumento de que la transformación digital del agro ecuatoriano no debe
limitarse a la adquisición de tecnología, sino a su integración con modelos analíticos validados
estadísticamente. La institucionalización de esta cultura de datos puede lograrse mediante alianzas entre
fincas, universidades y centros de investigación, configurando ecosistemas de innovación que repliquen
estos modelos en otras zonas productoras y con otros cultivos tropicales como cacao, maracuyá o
papaya.
Por último, desde un enfoque sistémico, este estudio aporta evidencia empírica sobre cómo el análisis
estadístico no solo describe el estado de la producción, sino que transforma su gestión, permitiendo un
tránsito desde modelos empíricos hacia sistemas de decisión basados en datos. Esta transición es
fundamental en el contexto de los Objetivos de Desarrollo Sostenible (ODS), especialmente el ODS 2
(Hambre Cero) y el ODS 12 (Producción y consumo responsables), donde la eficiencia y sostenibilidad
del agro son pilares estratégicos.
pág. 10988
CONCLUSIONES
Los resultados del presente estudio confirman la pertinencia del uso de métodos estadísticos
multivariantes y modelos de eficiencia técnica como herramientas claves para optimizar la gestión
agropecuaria en cultivos tropicales, particularmente en la producción de banano orgánico.
La identificación de patrones estacionales, correlaciones significativas y diferencias en la eficiencia
entre unidades productivas evidencia que la toma de decisiones basada en datos puede generar impactos
tangibles en productividad, calidad y sostenibilidad.
En términos técnicos, las series temporales permitieron modelar la dinámica de la producción semanal
con alto grado de precisión, facilitando la detección de microciclos y anomalías productivas. El modelo
ARIMA seleccionado mostró una capacidad predictiva robusta, con indicadores de ajuste satisfactorios
(RMSE, AIC), lo cual refuerza su aplicabilidad como herramienta de planificación agronómica. De
igual forma, el análisis de eficiencia técnica mediante DEA reveló oportunidades claras de mejora a
nivel parcelario, permitiendo establecer benchmarks internos y estrategias de retroalimentación
continua.
Desde la perspectiva de innovación, la incorporación de sensores IoT y tableros inteligentes para el
monitoreo en tiempo real representa un avance concreto hacia la agricultura de precisión, permitiendo
no solo automatizar la recolección de datos, sino también generar alertas tempranas y recomendaciones
agronómicas adaptadas al contexto específico de cada unidad productiva. Esta infraestructura
tecnológica resulta fundamental para enfrentar escenarios de variabilidad climática, optimizar insumos
y mejorar la rentabilidad del productor.
A nivel estratégico, se recomienda la institucionalización de sistemas de inteligencia agroproductiva
que combinen estadística avanzada, IoT y machine learning. Esto implica el fortalecimiento de
capacidades locales en ciencia de datos, la creación de alianzas entre actores del agro, centros de
investigación y entes gubernamentales, y la generación de una cultura de gestión basada en evidencia.
Además, el modelo propuesto puede ser replicado en cultivos tropicales de similares características,
como cacao, café y palma, contribuyendo a una agricultura resiliente, tecnificada y sostenible.
Como línea futura de investigación, se propone integrar algoritmos de aprendizaje automático para el
perfeccionamiento de modelos predictivos, así como el uso de plataformas interactivas de visualización
pág. 10989
(dashboards geoespaciales) que permitan al productor interactuar con sus datos en tiempo real y tomar
decisiones informadas en función de proyecciones climáticas, análisis de eficiencia y series productivas.
En definitiva, este estudio demuestra que la estadística aplicada es un eje transformador en la transición
hacia una agroindustria más inteligente, competitiva y orientada al desarrollo sostenible.
REFERENCIAS BIBLIOGRÁFICAS
Aparecido, L. E. O., Torsoni, G. B., Lima, R. F., Mesquita, D. Z., & Peche, P. M. (2024). Mapeo
agroclimático para el cultivo del olivo en Brasil: localización de regiones óptimas de
crecimiento. Revista de ciencia de la alimentación y la agricultura, 104(6), 3361-3370.
https://doi.org/10.1002/jsfa.13221
Camargo-Vega, J. J., Camargo-Ortega, J. F., & Joyanes-Aguilar, L. (2015). Conociendo Big Data.
Facultad de Ingeniería, 24(38), 63–77. https://www.redalyc.org/articulo.oa?id=413940775006
Capa Benítez, L. B., López Fernández, R., & Miguel Benitez, R. (2017). El clúster: una alternativa para
la competitividad de las Pymes de banano orgánico en Ecuador. Revista científica
Agroecosistemas, 5(1), 138–144. http://aes.ucf.edu.cu/index.php/aes/index
Cherubin, M. R., Damian, J. M., Tavares, T. R., Trevisan, R. G., Colaço, A. F., Eitelwein, M. T.,
Martello, M., Inamasu, R. Y., Pias, O. H. d. C., & Molin, J. P. (2022). Agricultura de precisión
en Brasil: La trayectoria de 25 años de investigación científica. Agriculture, 12(11), 1882.
https://doi.org/10.3390/agriculture12111882
Chukwu, S. C., Awala, S. K., Angombe, S., et al. (2025). Avances recientes en técnicas de cultivo de
tejidos e innovaciones biotecnológicas para la producción de banano (Musa spp.): una revisión.
Discov. Plants, 2, 13. https://doi.org/10.1007/s44372-025-00099-2
Eyduran, S. P., Akın, M., Eyduran, E., et al. (2020). Pronóstico de la superficie y producción de cosecha
de banano en Turquía mediante análisis de series temporales. Erwerbs-Obstbau, 62, 281–291.
https://doi.org/10.1007/s10341-020-00490-1
FAO. (2022). Fertilización adaptativa y sostenibilidad agraria. Organización de las Naciones Unidas
para la Alimentación y la Agricultura.
Fernández, F. (2025). IoT aplicado al monitoreo en tiempo real de cultivos agrícolas. Reportes
Científicos De La FACEN, 14(1), 62–69. https://doi.org/10.18004/rcfacen.2023.14.1.62
pág. 10990
GHM Kavinda, D. D. Dissanayake, K. A. K. K. Nanayakkara, N. H. P. R. S. Swrnakantha, M. N. V. K.
Liyanagolla, & P. K. S. Kumari. (2023). Musa Base: aplicación móvil para que los productores
de banano minimicen los desafíos en la producción de banano durante el período previo y
posterior a la cosecha. Conferencia internacional de 2023 sobre informática innovadora,
comunicación inteligente y sistemas eléctricos inteligentes (ICSES), Chennai, India, 1–7.
https://doi.org/10.1109/ICSES60034.2023.10465553
Haryono, H. (2024). Crecimiento de la agroindustria bananera en Indonesia. Estudios
Interdisciplinarios de Ciencias Occidentales, 2(11), 2135–2146.
https://doi.org/10.58812/wsis.v2i11.1445
Hongxia Miao, Zhang, J., Zheng, Y., Jia, C., Hu, Y., Wang, J., Zhang, J., Sun, P., Jin, Z., Zhou, Y., Zheng,
S., Wang, W., Rouard, M., Xie, J., & Liu, J. (2025). Dar forma al futuro de los plátanos: avanzar
en la regulación y el mejoramiento de rasgos genéticos en la era posgenómica. Horticulture
Research, 12(5). https://doi.org/10.1093/hr/uhaf044
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and Practice (2nd ed.). OTexts.
Ritter, T., Álvarez, D., Mosquera, L. E., Martey, E., & Mockshell, J. (2024). Análisis socioeconómico
y costo-beneficio de los métodos de prevención de la Raza Tropical 4 (RT4) entre productores
de banano en Colombia. PLoS ONE, 19(10), e0311243.
https://doi.org/10.1371/journal.pone.0311243
Rueda Calderón, M. A., Montenegro-Gracia, E., Araya-Almán, M., & Marys, E. (2022). Prediction of
Banana Production Using Epidemiological Parameters of Black Sigatoka: An Application with
Random Forest. Sustainability, 14, 14123. https://doi.org/10.3390/su142114123
Sánchez Palacios, L. E., Martínez Alcivar, F. R., Torres Sánchez, S. T., Lascano Montes, A. C., & Terán
Guajala, G. N. (2024). Agricultura de Precisión en El Ecuador. Ciencia Latina Revista
Científica Multidisciplinar, 8(1), 1532–1542. https://doi.org/10.37811/cl_rcm.v8i1.9547
Subrahmanyeswari, T., & Gantait, S. (2022). Biotecnología del banano (Musa spp.): progreso
multidimensional y perspectivas de un sistema mediado in vitro. Appl Microbiol Biotechnol,
106, 3923–3947. https://doi.org/10.1007/s00253-022-11973-4
pág. 10991
TPWijewardena, K. A. D. C., Kaluarachchi, V. S. V., Vitharana, W. M. S. D., Wijayasundara, U. S. S.
A., & Jayalath, T. (2023). Optimice la producción de banano mediante un sistema de cultivo
innovador. Revista internacional de investigación en ingeniería y gestión, 13(4), 164–170.
https://doi.org/10.31033/ijemr.13.4.2
