ISSN 2953-6367  
http://revistainvestigo.com  
Octubre 2026  
Vol. 7 No. 21, PP. 488-503  
https://doi.org/10.56519/jztxp159  
PROYECCIÓN DE LA PRODUCCIÓN BANANERA EN EL ORO:  
DESARROLLO DE UN MODELO DE REGRESIÓN Y SIMULACIÓN  
BASADA EN LA RELACIÓN HISTÓRICA ÁREA-RENDIMIENTO  
(2002-2024)  
PROJECTION OF BANANA PRODUCTION IN EL ORO:  
DEVELOPMENT OF A REGRESSION AND SIMULATION MODEL  
BASED ON THE HISTORICAL AREA-YIELD RELATIONSHIP (2002-  
2024)  
Jhon Paulino Camacho Azan1,Alfredo Rodrigo Colcha Ortiz2  
{jhon.camacho@unach.edu.ec1, alfredo.colcha@espoch.edu.ec2}  
Fecha de recepción: 14/09/2026 / Fecha de aceptación: 08/10/2026  
/ Fecha de publicación: 14/10/2026  
RESUMEN: El objetivo de este estudio fue evaluar la relación entre superficie plantada y  
producción bananera en la provincia de El Oro y construir proyecciones exploratorias con  
simulación de residuos, se utilizaron 23 registros anuales de 2002 - 2024 procedentes de una  
base de datos de estadísticas agropecuarias oficiales en el Ecuador. La serie completa se empleó  
para la descripción histórica y el período 2014 - 2024 para el ajuste de regresiones lineal y  
cuadrática, considerando el cambio metodológico documentado en la ESPAC en 2014. El  
rendimiento se calculó como producción dividida por superficie cosechada y se analizó como  
variable complementaria. Los modelos de producción obtuvieron coeficientes de  
determinación de 0,2300 y 0,2323, respectivamente. El término cuadrático no aportó una  
mejora estadísticamente significativa y el modelo lineal se conservó por parsimonia. En una  
validación temporal de cinco años, la regresión lineal presentó un RMSE de 194.160 t, frente a  
117.191 t del promedio histórico. La simulación de 10.000 réplicas situó la mediana condicional  
en 1.405.420 t para 2025 y 1.387.037 t para 2030. El rango P5–P95 de 2030 fue de 1.000.564–  
1.545.976 t. Estos resultados muestran una capacidad predictiva limitada y deben interpretarse  
como escenarios sujetos a una trayectoria supuesta de superficie, sin incluir toda la  
incertidumbre de la proyección. El principal aporte consiste en delimitar el alcance de la  
relación área–producción y establecer un procedimiento reproducible para su evaluación  
regional.  
Palabras clave: Producción bananera, Provincia El Oro, superficie plantada, rendimiento  
agrícola, regresión lineal, simulación de Monte Carlo, proyección de producción, validación  
temporal  
1Facultad de Ingeniería, Universidad Nacional de Chimborazo, https://orcid.org/0009-0000-6413-6378  
2Escuela Superior Politécnica de Chimborazo (ESPOCH), https://orcid.org/0009-0005-2280-5189  
488  
Revista Científica Multidisciplinaria InvestiGo  
Riobamba – Ecuador  
Cel: +593 97 911 9620  
revisinvestigo@gmail.com  
   
PROYECCIÓN DE LA PRODUCCIÓN BANANERA EN EL ORO: DESARROLLO DE UN MODELO DE REGRESIÓN Y SIMULACIÓN  
BASADA EN LA RELACIÓN HISTÓRICA ÁREA-RENDIMIENTO (2002-2024)  
ABSTRACT: This study evaluated the relationship between planted area and banana  
production in El Oro province and developed exploratory projections through residual  
simulation. Twenty-three annual records from 2002 - 2024 were obtained from a cleaned  
dataset of official agricultural statistics. The full series was used for historical description,  
whereas linear and quadratic regressions were fitted to 2014 - 2024 data, acknowledging the  
methodological change documented for the ESPAC survey in 2014. Yield was calculated as  
production divided by harvested area and analysed as a complementary variable. The  
production models achieved R² values of 0.2300 and 0.2323, respectively. The quadratic term  
provided no statistically significant improvement, and the linear model was retained for  
parsimony. In a five-year temporal validation, linear regression had an RMSE of 194,160 t,  
compared with 117,191 t for the historical mean. A simulation with 10,000 replicates produced  
conditional medians of 1,405,420 t in 2025 and 1,387,037 t in 2030. The 2030 P5–P95 range was  
1,000,564–1,545,976 t. Predictive performance was limited, and these results represent  
scenarios conditional on an assumed area trajectory rather than projections incorporating all  
sources of uncertainty. The study clarifies the scope of the area–production relationship and  
provides a reproducible procedure for regional assessment.  
Keywords: Banana production, El Oro Province, planted area, agricultural yield, linear  
regression, Monte Carlo simulation, production forecasting, temporal validation  
INTRODUCCIÓN  
La producción bananera ocupa un lugar relevante en el análisis agrícola de la provincia de El Oro  
por la extensión del cultivo y su vinculación con la economía de los territorios productores. Según  
la Encuesta de Superficie y Producción Agropecuaria Continua (ESPAC) de 2024, la provincia  
concentró el 18,3 % de la superficie nacional cosechada de banano. En conjunto, El Oro, Guayas  
y Los Ríos reunieron el 87,1 % de esa superficie (1). Esta concentración territorial justifica estudiar  
las variaciones de la producción provincial y disponer de herramientas que permitan examinar  
sus posibles trayectorias con información estadística verificable (2).  
La importancia del banano también se expresa en las condiciones de vida de las familias  
vinculadas al cultivo. Vega Armijos et al. analizaron la dependencia económica y social de  
productores de banano orgánico en el sitio La Palestina, cantón El Guabo, e identificaron la  
relación de esta actividad con los ingresos y el empleo local (3). Aunque sus resultados  
corresponden a una población y a un sistema productivo específicos, aportan un antecedente  
regional para comprender por qué las variaciones del volumen producido pueden ser relevantes  
más allá de su dimensión agrícola. El seguimiento de la producción resulta, por tanto, de interés  
para productores, asociaciones e instituciones que necesitan organizar sus actividades con  
información sobre el contexto provincia (4,5).  
La planificación productiva requiere considerar, además, la forma en que se gestionan las  
unidades agrícolas. Palomeque Solano et al. estudiaron 74 unidades vinculadas a una asociación  
de productores de El Oro y analizaron dimensiones de planificación, control, soporte tecnológico  
489  
PROYECCIÓN DE LA PRODUCCIÓN BANANERA EN EL ORO: DESARROLLO DE UN MODELO DE REGRESIÓN Y SIMULACIÓN  
BASADA EN LA RELACIÓN HISTÓRICA ÁREA-RENDIMIENTO (2002-2024)  
y rentabilidad (6). Su trabajo relaciona la gestión de los procesos con el funcionamiento  
económico de las unidades productivas. Estos antecedentes muestran que la extensión de las  
plantaciones es solo una parte de la información necesaria para comprender el sector (7). Sin  
embargo, los resultados de encuestas de gestión no permiten sustituir el análisis de una serie  
anual de superficie y producción: ambas aproximaciones responden a preguntas y escalas  
diferentes (8).  
La superficie constituye solo uno de los factores relacionados con la producción bananera, las  
condiciones climáticas, incluidas las alteraciones de las precipitaciones y la temperatura asociadas  
con El Niño (9), pueden afectar el desarrollo del cultivo y las condiciones de cosecha.  
Enfermedades como la sigatoka negra pueden comprometer la productividad, mientras que las  
variaciones de precios y costos de insumos pueden influir en la toma de decisiones de inversión  
y manejo agrícola (10). Estos factores ofrecen posibles explicaciones de las fluctuaciones  
productivas que una regresión basada exclusivamente en superficie no representa. Sin embargo,  
su contribución a la variabilidad de la producción de El Oro no se cuantifica en este estudio, pues  
la base analizada no incorpora indicadores climáticos, fitosanitarios ni económicos (11).  
Desde el punto de vista productivo, el volumen anual de banano está vinculado con la superficie  
que se cosecha y el rendimiento obtenido en ella. Cuando el rendimiento agregado se calcula  
dividiendo producción entre superficie cosechada, la igualdad producción igual a área cosechada  
por rendimiento constituye una identidad de cálculo. La superficie plantada describe la extensión  
ocupada por el cultivo, pero no coincide necesariamente con la superficie cosechada en un año  
(12). Por ello, el análisis debe distinguir expansión del área, participación del área cosechada y  
productividad por hectárea. Una producción mayor puede coexistir con menor superficie si el  
rendimiento agregado aumenta, aunque los datos provinciales por sí solos no identifican las  
causas de ese cambio (13).  
La interpretación histórica también depende de la comparabilidad de las estadísticas, la  
documentación del INEC registra una actualización del marco muestral y cambios en la  
recolección de información de la ESPAC en 2014 (1). Estos antecedentes son relevantes al  
examinar la discontinuidad observada entre 2013 y 2014, pues una variación en los registros no  
debe atribuirse automáticamente a un cambio físico de la misma magnitud en las plantaciones.  
De ahí la necesidad de distinguir el período utilizado para describir la evolución histórica del  
período empleado para estimar los modelos. La delimitación temporal reduce la mezcla de  
condiciones de medición diferentes, pero no elimina todas las limitaciones de comparabilidad  
(14).  
Los modelos de regresión ofrecen una forma sencilla de resumir la asociación entre superficie y  
producción, una especificación lineal estima una pendiente constante dentro del rango analizado,  
mientras que una cuadrática permite representar curvatura (15). La mayor flexibilidad de esta  
última incorpora un parámetro adicional, cuya utilidad debe contrastarse con el desempeño  
observado (16). En una serie corta, añadir complejidad puede mejorar el ajuste a los datos  
disponibles sin aportar precisión en años posteriores. Por esta razón, la evaluación debe  
considerar tanto la capacidad explicativa como la sencillez del modelo y su comportamiento fuera  
de la muestra de estimación (17).  
490  
PROYECCIÓN DE LA PRODUCCIÓN BANANERA EN EL ORO: DESARROLLO DE UN MODELO DE REGRESIÓN Y SIMULACIÓN  
BASADA EN LA RELACIÓN HISTÓRICA ÁREA-RENDIMIENTO (2002-2024)  
El ajuste histórico y el pronóstico responden a tareas distintas, los residuos muestran las  
diferencias entre observaciones y valores ajustados con información que el modelo ya utilizó; los  
errores de pronóstico se calculan sobre observaciones posteriores (18). Una validación temporal  
respeta esta separación al ajustar el modelo con los años anteriores a cada año evaluado (19). En  
este estudio, la superficie futura también debe estimarse dentro de cada entrenamiento, porque  
no estaría disponible al formular el pronóstico. Comparar la cadena completa con referencias  
sencillas, como el promedio histórico o el último valor observado, permite establecer si la  
incorporación del área mejora realmente la anticipación de la producción (20).  
La simulación de Monte Carlo complementa la regresión al representar una distribución de  
resultados bajo supuestos definidos, mediante el remuestreo de residuos, o bootstrap, pueden  
generarse valores compatibles con la variabilidad de los errores históricos, sin imponer que estos  
sigan una distribución normal (21). Los percentiles facilitan comunicar esa variabilidad, pero su  
significado depende del procedimiento aplicado, si se mantienen fijos los coeficientes y la  
superficie futura, el rango simulado expresa una incertidumbre condicionada a esos valores; no  
incorpora automáticamente el error de estimación del área, cambios del entorno ni factores  
agrícolas que no se midieron (22).  
Los antecedentes regionales revisados aportan evidencia sobre dependencia económica, gestión  
productiva y cadena de valor, pero no responden directamente a la pregunta de cuánto  
contribuye la superficie plantada a anticipar la producción anual agregada de El Oro. La presente  
investigación aborda esa pregunta mediante una base histórica provincial y una evaluación  
explícita de los modelos, la relación histórica área rendimiento que enmarca el tema se examina  
distinguiendo el rendimiento como indicador complementario de la superficie plantada como  
predictor de la producción. Esta distinción evita utilizar como información independiente un  
rendimiento calculado a partir de la misma producción que se intenta estimar (23).  
El objetivo del estudio fue evaluar la asociación entre superficie plantada y producción total de  
banano en El Oro, comparar modelos de regresión lineal y cuadrática y construir escenarios de  
producción del 2025 al 2030 mediante simulación de residuos. La serie desde el 2002 al 2024 se  
utilizó como contexto histórico y el período 2014 al 2024 como base de ajuste. Para un mejor  
contexto se incluyó el análisis del rendimiento y una validación temporal con métodos de  
referencia, con el presente estudio se pretende desarrollar un procedimiento reproducible para  
estudiar estas relaciones y establecer el alcance de sus proyecciones como apoyo exploratorio a  
la planificación regional.  
MATERIALES Y MÉTODOS  
La investigación tuvo un enfoque cuantitativo y un diseño no experimental, basado en una serie  
anual de estadísticas agregadas para la provincia de El Oro, la unidad de análisis fue el año, no la  
finca ni el productor, se trabajó con 23 observaciones del 2002 al 2024 y con un subconjunto de  
11 observaciones del 2014 al 2024 para estimar los modelos. El objetivo de la simulación fue  
desde el 2025 al 2030, las proyecciones se calcularon con información cerrada en 2024, de modo  
que no incorporan observaciones posteriores a ese año. El insumo analítico fueron los datos  
491  
PROYECCIÓN DE LA PRODUCCIÓN BANANERA EN EL ORO: DESARROLLO DE UN MODELO DE REGRESIÓN Y SIMULACIÓN  
BASADA EN LA RELACIÓN HISTÓRICA ÁREA-RENDIMIENTO (2002-2024)  
obtenidos desde el Sistema de Información Pública Agropecuaria del ministerio competente en  
agricultura, con estadísticas de la ESPAC del INEC (1,14).  
Variables y delimitación temporal  
La superficie plantada A se expresó en hectáreas, la superficie cosechada H en hectáreas y la  
producción P en toneladas. El rendimiento Y se calculó como P/H y se expresó en toneladas por  
hectárea. Este indicador es un cociente agregado provincial, no el promedio simple de  
rendimientos de fincas. La variación anual se obtuvo como 100 multiplicado por el cociente entre  
producciones consecutivas menos uno. La columna de variación de la base almacena  
proporciones, por lo que se multiplicó por 100 al informar porcentajes.  
푌 = 푃 / 퐻  
La discontinuidad entre 2013 y 2014 se examinó junto con la documentación histórica de la  
ESPAC. El INEC informa una actualización del marco muestral y cambios de recolección en 2014  
(1). Por ello, los datos previos se mantuvieron como contexto y el ajuste se restringió del 2014 al  
2024. Esta decisión reduce la mezcla de períodos con condiciones de medición diferentes, aunque  
no demuestra homogeneidad completa del subconjunto ni permite atribuir toda la discontinuidad  
a una única causa administrativa.  
Ajuste y comparación de regresiones  
Se estimaron por mínimos cuadrados ordinarios una regresión lineal de producción sobre  
superficie plantada y una regresión cuadrática que incorporó el área al cuadrado. Para facilitar el  
cálculo se utilizó el área centrada y escalada z. Ambos modelos conservan la misma información  
que las ecuaciones escritas en hectáreas (24).  
푧 = (퐴 − 40.000) / 1.000  
푃 = 훽₀ + 훽₁ 푧 + 휀  
푃 = 훾₀ + 훾₁ 푧 + 훾₂ 푧² + 휀  
Como análisis complementario se ajustó una regresión del rendimiento sobre z. No se incorporó  
el rendimiento contemporáneo como predictor de la producción porque se calcula a partir de esa  
misma producción. Su inclusión podría introducir una relación contable en lugar de aportar  
información independiente para predecir un año futuro.  
Se calcularon R², R² ajustado, MAE, RMSE y MAPE. MAE corresponde al promedio del valor  
absoluto de los errores; RMSE, a la raíz del promedio de sus cuadrados; y MAPE, al promedio del  
error absoluto relativo multiplicado por 100. Los errores de producción se informaron en  
toneladas y los de rendimiento en t/ha. La comparación del término cuadrático se efectuó  
mediante una prueba F entre modelos anidados. Se revisaron normalidad residual con Shapiro–  
Wilk, el estadístico descriptivo de Durbin–Watson y la distancia de Cook. Por el tamaño de la  
muestra, estos diagnósticos se interpretaron con cautela (25).  
492  
PROYECCIÓN DE LA PRODUCCIÓN BANANERA EN EL ORO: DESARROLLO DE UN MODELO DE REGRESIÓN Y SIMULACIÓN  
BASADA EN LA RELACIÓN HISTÓRICA ÁREA-RENDIMIENTO (2002-2024)  
Validación temporal de las proyecciones  
Se aplicó una evaluación con origen móvil y ventana de entrenamiento expansiva, el primer ajuste  
utilizó datos del 2014 al 2019 para estimar 2020; luego se incorporó un año al entrenamiento  
hasta evaluar 2024. En cada una de las cinco iteraciones, la superficie del año evaluado se estimó  
exclusivamente con los años de entrenamiento mediante una regresión de área sobre tiempo.  
Esa superficie estimada alimentó el modelo de producción, de esa manera se evaluó la cadena de  
proyección sin utilizar como predictor el área observada del año que se intentaba anticipar (26).  
El entrenamiento con seis observaciones responde a la extensión de la serie seleccionada y  
permite reservar cinco años para evaluar los pronósticos respetando su orden, la ventana  
expansiva incorpora progresivamente información adicional en cada ajuste (27). El tamaño inicial  
exige cautela al interpretar los coeficientes y las diferencias de desempeño, especialmente en la  
especificación cuadrática, que estima tres parámetros y dispone inicialmente de tres grados de  
libertad residuales, al evaluar la cadena completa de proyección, los errores de estimación de la  
superficie pueden trasladarse al pronóstico de producción, la evaluación se interpreta como una  
comparación exploratoria y no como evidencia concluyente de capacidad predictiva (28).  
Las regresiones se compararon con dos referencias calculadas en cada entrenamiento: la  
producción del último año disponible y el promedio de todas las producciones del período de  
entrenamiento. Las métricas se agregaron sobre los cinco años evaluados, esta prueba analiza  
pronósticos a un año y no establece el desempeño de proyecciones a seis años. Su reducido  
número de casos limita la estabilidad de las comparaciones (29).  
Simulación condicional y reproducibilidad  
Para construir el ejercicio prospectivo se ajustó una regresión de superficie plantada sobre año  
con los 11 registros de desde el 2014 al 2024, la superficie estimada para los años 2025 al 2030  
se incorporó al modelo lineal de producción, seleccionado por parsimonia entre las regresiones  
evaluadas. Se generaron 10.000 réplicas mediante muestreo con reemplazo de los 11 residuos  
históricos, utilizando la semilla 123 en R, en cada réplica se añadió un residuo con una nueva  
muestra a la predicción de cada año. Este procedimiento aproxima la distribución empírica de las  
perturbaciones observadas: para cada año, la producción simulada puede tomar como máximo  
11 valores distintos, correspondientes a la predicción puntual más cada residuo disponible. Con  
esto aumentar el número de réplicas reduce la variación atribuible al muestreo de la simulación,  
pero no incorpora información adicional ni genera perturbaciones fuera del rango histórico de los  
residuos (30).  
̂
푃 ∗ = 푃(퐴 푝푟표푦푒푐푡푎푑푎) + 휀 ∗  
Los percentiles 5, 50 y 95 describen los valores inferior, central y superior de la distribución  
simulada, el rango P5 a P95 contiene el 90 % central de esa distribución condicional. No es un  
intervalo de confianza de los coeficientes ni un intervalo predictivo con cobertura empírica  
validada, en este caso el procedimiento mantiene fijos el área futura y los parámetros estimados,  
por lo que no propaga su incertidumbre, de igual manera no incorpora el error de muestreo de  
493  
PROYECCIÓN DE LA PRODUCCIÓN BANANERA EN EL ORO: DESARROLLO DE UN MODELO DE REGRESIÓN Y SIMULACIÓN  
BASADA EN LA RELACIÓN HISTÓRICA ÁREA-RENDIMIENTO (2002-2024)  
la estadística oficial, tampoco la posible dependencia temporal de los residuos ni cambios  
climáticos, fitosanitarios o económicos, el remuestreo supone que los residuos futuros pueden  
representarse mediante los históricos (31).  
El análisis se ejecutó con el software R 4.5.1. El código de apoyo incluye controles de integridad,  
comparación de modelos, validación temporal, simulación y exportación de figuras y tablas, la  
base original se conservó sin cambios. Aumentar el número de réplicas estabiliza la aproximación  
a los percentiles de los residuos disponibles, pero no amplía la información histórica ni corrige las  
limitaciones del modelo.  
RESULTADOS  
Evolución histórica de la producción y del rendimiento  
En el presente estudio la serie desde el 2002 al 2024 presentó una producción máxima de  
2.594.000 t en 2013 y una mínima de 1.020.381 t en 2014, en la que se observa que entre ambos  
años la producción registrada disminuyó 60,66 % y la superficie plantada, 47,40 %. La coincidencia  
con el cambio metodológico documentado en la ESPAC impide interpretar esa discontinuidad  
únicamente como una contracción real del cultivo. La Figura 1 muestra la serie completa y señala  
el límite utilizado para delimitar el período de ajuste.  
Figura 1. Producción bananera registrada en El Oro durante 2002–2024. La línea vertical identi ica la separación  
entre los períodos descriptivo y de ajuste.  
Durante el 2014 al 2024, la producción anual media fue de 1.383.404 t y varió entre 1.020.381 y  
1.649.079 t. La superficie plantada media fue de 40.928 ha y la cosechada, de 39.562 ha, el  
rendimiento anual medio fue de 35,17 t/ha, calculado como promedio de los cocientes de cada  
año, el mínimo correspondió a 2016, con 25,40 t/ha, y el máximo a 2023, con 41,90 t/ha. La Tabla  
1 permite distinguir las diferencias entre extensión y productividad.  
494  
 
PROYECCIÓN DE LA PRODUCCIÓN BANANERA EN EL ORO: DESARROLLO DE UN MODELO DE REGRESIÓN Y SIMULACIÓN  
BASADA EN LA RELACIÓN HISTÓRICA ÁREA-RENDIMIENTO (2002-2024)  
Tabla 1. Variables anuales utilizadas en el ajuste.  
Año  
Plantada  
ha  
Cosechada  
ha  
Producción  
t
Rendimiento  
t/ha  
2014  
2015  
2016  
2017  
2018  
2019  
2020  
2021  
2022  
2023  
2024  
33.711  
39.953  
42.513  
46.056  
43.066  
45.801  
43.416  
42.202  
43.307  
36.215  
33.968  
32.468  
39.118  
42.340  
42.292  
39.403  
45.287  
43.344  
41.169  
42.179  
35.421  
32.161  
1.020.381  
1.387.003  
1.075.395  
1.484.078  
1.562.203  
1.649.079  
1.481.452  
1.502.098  
1.235.002  
1.484.179  
1.336.569  
31,43  
35,46  
25,40  
35,09  
39,65  
36,41  
34,18  
36,49  
29,28  
41,90  
41,56  
En 2024 se registraron 33.968 ha plantadas, 32.161 ha cosechadas y 1.336.569 t de producción,  
con un rendimiento de 41,56 t/ha. La producción descendió 9,95 % respecto de 2023. La Figura 2  
muestra que la reducción reciente de superficie coexistió con rendimientos elevados dentro del  
período de ajuste. Esta coexistencia permite describir diferencias productivas, pero no identificar  
los factores que las provocaron.  
Figura 2. Super icie plantada y cosechada, y rendimiento agregado provincial durante 2014–2024 (miles de ha).  
495  
PROYECCIÓN DE LA PRODUCCIÓN BANANERA EN EL ORO: DESARROLLO DE UN MODELO DE REGRESIÓN Y SIMULACIÓN  
BASADA EN LA RELACIÓN HISTÓRICA ÁREA-RENDIMIENTO (2002-2024)  
Figura 3. Super icie plantada y cosechada, y rendimiento agregado provincial durante 2014–2024 (t/ha).  
Capacidad explicativa de las regresiones  
La ecuación lineal estimada, expresada en hectáreas, fue la siguiente. El coeficiente del área  
representa una asociación agregada de aproximadamente 21,69 t por hectárea adicional de  
superficie plantada dentro del rango observado. No equivale a un rendimiento por hectárea  
cosechada ni demuestra el efecto de aumentar el área en una finca.  
̂
푃 = 495.558,8077 + 21,69283162 퐴  
El modelo cuadrático y el análisis complementario del rendimiento obtuvieron las siguientes  
ecuaciones. Se muestran coeficientes con precisión suficiente para evitar que el redondeo del  
término cuadrático altere las estimaciones.  
̂
푃 = 1.527.224,115 − 31,09267322 퐴 + 0,0006668036192 퐴²  
̂
푌 = 48,75859263 − 0,0003320798029 퐴  
Tabla 2. Ajuste de los modelos en del 2014 al 2024.  
Modelo  
R²  
R² ajustado  
0,1445  
MAE  
RMSE  
MAPE  
%
10,86  
Producción  
lineal  
Producción  
cuadrática  
Rendimiento  
lineal  
0,2300  
0,2323  
0,0841  
138.077 t  
140.617 t  
3,76 t/ha  
166.791 t  
166.540 t  
4,60 t/ha  
0,0404  
11,04  
11,49  
−0,0176  
La regresión lineal explicó el 23,00 % de la variación de la producción en la muestra de ajuste. La  
regresión cuadrática elevó el R² a 23,23 %, pero su R² ajustado cayó a 0,0404. La prueba del  
término cuadrático presentó p = 0,8805, sin evidencia de una mejora suficiente para justificar ese  
parámetro adicional. Aunque el RMSE cuadrático disminuyó aproximadamente 251 t, sus MAE y  
496  
PROYECCIÓN DE LA PRODUCCIÓN BANANERA EN EL ORO: DESARROLLO DE UN MODELO DE REGRESIÓN Y SIMULACIÓN  
BASADA EN LA RELACIÓN HISTÓRICA ÁREA-RENDIMIENTO (2002-2024)  
MAPE fueron mayores. Por tanto, la selección no puede basarse únicamente en el pequeño  
aumento de R².  
En la regresión lineal, la pendiente del área presentó p = 0,1355; su intervalo de confianza del 95  
% fue de −8,23 a 51,62 t/ha plantada. En el análisis del rendimiento, la asociación con el área fue  
débil y no significativa al nivel de 0,05, con R² = 0,0841 y p = 0,3870. Estos resultados no  
demuestran ausencia de relaciones agronómicas; muestran que la superficie plantada, utilizada  
aisladamente y con 11 registros agregados, ofrece información limitada sobre la variación  
observada.  
Figura 4. Relación entre super icie plantada y producción, con ajustes lineal y cuadrático sobre una malla de áreas  
dentro del rango observado.  
La prueba de Shapiro–Wilk de los residuos lineales obtuvo p = 0,157 y el estadístico descriptivo  
de Durbin–Watson fue de 1,93. Estas cifras no establecen que todos los supuestos estén  
satisfechos. El año 2014 presentó la mayor distancia de Cook, de 0,548, superior al umbral  
orientativo 4/11. Por ello, la influencia de observaciones individuales y la corta longitud de la serie  
deben considerarse al interpretar coeficientes y proyecciones.  
Desempeño en años no utilizados para el ajuste  
El promedio histórico del entrenamiento presentó el menor MAE, RMSE y MAPE. Frente a esa  
referencia, el RMSE de la regresión lineal fue aproximadamente 65,7 % mayor. La regresión  
cuadrática también presentó mayor error que la lineal en las tres métricas. La validación indica  
que incorporar una trayectoria estimada del área no mejoró el pronóstico en estos cinco casos,  
considerando que el conjunto para la evaluación es pequeño, esta comparación debe entenderse  
como evidencia limitada al ejercicio realizado, no como una clasificación universal de métodos.  
497  
PROYECCIÓN DE LA PRODUCCIÓN BANANERA EN EL ORO: DESARROLLO DE UN MODELO DE REGRESIÓN Y SIMULACIÓN  
BASADA EN LA RELACIÓN HISTÓRICA ÁREA-RENDIMIENTO (2002-2024)  
La comparación entre las Tablas 2 y 3 evidencia la diferencia entre describir asociaciones  
históricas y anticipar observaciones nuevas, la superficie es conceptualmente relevante para la  
producción, pero su relevancia no garantiza que una regresión simple sea la mejor opción de  
pronóstico, un método sencillo sin área obtuvo mejores resultados temporales. Esto delimita el  
uso de la regresión como instrumento exploratorio y evita presentar su simulación como un  
pronóstico operativo validado.  
Tabla 3. Validación temporal de la cadena de proyección en 2020–2024.  
Procedimiento  
MAE  
t
RMSE  
t
MAPE  
%
Regresión lineal  
Regresión cuadrática  
Última producción  
observada  
162.890  
180.581  
170.432  
194.160  
208.786  
191.700  
12,05  
13,22  
12,43  
Promedio del  
111.816  
117.191  
8,03  
entrenamiento  
Proyección condicionada a la superficie plantada  
El modelo temporal del área estimó una disminución de 169,48 ha por año. Su R² fue de 0,0163 y  
la pendiente presentó p = 0,7086, el intervalo de confianza del 95 % de la pendiente, de −1.163,39  
a 824,42 ha/año, incluyó valores positivos y negativos. Por tanto, los datos no sustentan una  
tendencia decreciente firme. La trayectoria utilizada en la Tabla 4 es una hipótesis de cálculo  
derivada del ajuste lineal del período completo del 2014 al 2024.  
̂
퐴 = 40.928,02527 − 169,4844680 (푎ñ표 − 2019)  
Tabla 4. Simulación del modelo lineal con 10.000 réplicas.  
Año  
Área  
ha  
Ajuste  
t
P5  
t
P50  
t
P95  
t
2025  
2026  
2027  
2028  
2029  
2030  
39.911  
39.742  
39.572  
39.403  
39.233  
39.064  
1.361.344  
1.357.667  
1.353.991  
1.350.314  
1.346.638  
1.342.961  
1.018.947  
1.015.271  
1.011.594  
1.007.917  
1.004.241  
1.000.564  
1.405.420  
1.401.743  
1.398.067  
1.394.390  
1.390.713  
1.387.037  
1.564.359  
1.560.682  
1.557.006  
1.553.329  
1.549.652  
1.545.976  
La mediana simulada pasó de 1.405.420 t en 2025 a 1.387.037 t en 2030, una reducción de 1,31  
% entre esos dos años. Para 2030, el rango de P5 a P95 se situó entre 1.000.564 y 1.545.976 t. La  
mediana difiere del ajuste puntual porque la distribución empírica de los residuos es asimétrica:  
su mediana no es cero, aunque su media sí lo es por las propiedades del ajuste con intercepto.  
Por ello, ambas columnas describen cantidades distintas.  
498  
PROYECCIÓN DE LA PRODUCCIÓN BANANERA EN EL ORO: DESARROLLO DE UN MODELO DE REGRESIÓN Y SIMULACIÓN  
BASADA EN LA RELACIÓN HISTÓRICA ÁREA-RENDIMIENTO (2002-2024)  
Figura 5. Producción observada y proyección exploratoria del modelo lineal. La banda muestra los percentiles  
condicionales P5–P95.  
La superficie proyectada para 2025 fue de 39.911 ha, un 17,49 % superior a las 33.968 ha  
registradas en 2024, el salto corresponde a una discontinuidad entre el último valor observado y  
la trayectoria estimada mediante la regresión temporal de 2014 - 2024. Como la recta se ajustó  
al conjunto de observaciones y no se ancló al registro de 2024, el valor proyectado refleja el nivel  
y la pendiente del ajuste global, sin prolongar directamente el descenso observado entre 2022 y  
2024. En consecuencia, el incremento inicial es un resultado de la especificación matemática  
utilizada y no constituye evidencia de una expansión efectiva o prevista de las plantaciones. Esta  
diferencia también influye en la producción proyectada: la mediana simulada de 2025 supera la  
producción observada en 2024, aunque disminuye posteriormente hasta 2030.  
El área proyectada para 2025, de 39.911 ha, supera en 17,49 % la registrada en 2024. Esto ocurre  
porque la recta temporal se ajustó a todo el período del 2014 al 2024 y no se ancló al último dato.  
La caída entre 2025 y 2030 no implica una disminución continua desde 2024, la producción  
mediana de 2025 se sitúa por encima del último registro observado, esa transición es un resultado  
del supuesto de superficie y debe considerarse antes de utilizar la proyección para planificación.  
La amplitud prácticamente constante de la banda se explica por el uso de la misma distribución  
de residuos en todos los horizontes, esta característica no demuestra estabilidad del riesgo. Una  
proyección que incorporase incertidumbre del área y de los parámetros podría producir bandas  
diferentes. La extensión del horizonte hasta 2030 incrementa, además, la dependencia de  
supuestos que no fueron evaluados mediante la validación a un año.  
499  
PROYECCIÓN DE LA PRODUCCIÓN BANANERA EN EL ORO: DESARROLLO DE UN MODELO DE REGRESIÓN Y SIMULACIÓN  
BASADA EN LA RELACIÓN HISTÓRICA ÁREA-RENDIMIENTO (2002-2024)  
DISCUSIÓN  
La superficie plantada explicó aproximadamente el 23 % de la variabilidad productiva, y el término  
cuadrático no mejoró sustancialmente el ajuste, Varma y Bebber (2019) (32) identificaron  
influencias climáticas y tecnológicas sobre el rendimiento bananero internacional, mientras que  
Bebber (2019) (10) relacionó las condiciones climáticas con el riesgo de sigatoka negra, estos  
antecedentes fundamentan explorar predictores adicionales, aunque sus escalas y objetivos  
impiden una comparación directa con los resultados provinciales.  
El promedio histórico superó a ambas regresiones en la validación temporal, indicando que  
incorporar superficie no mejoró la anticipación durante el período evaluado, el entrenamiento  
inicial con seis observaciones y los cinco pronósticos evaluados exigen cautela al generalizar, la  
disminución de la mediana simulada entre 2025 y 2030 debe interpretarse junto con el salto inicial  
del área proyectada, generado por el ajuste temporal global y no por evidencia de expansión  
agrícola. Asimismo, el usar nuevas muestras en 11 residuos restringe las perturbaciones a los  
valores disponibles: las 10.000 réplicas no amplían esa información ni incorporan incertidumbre  
del área o los coeficientes.  
Con base en Hyndman y Athanasopoulos (2021) (33), podrían evaluarse modelos ARIMA  
parsimoniosos y regresiones con precipitación, temperatura e indicadores ENSO, previa  
ampliación de la información, los modelos estacionales requerirían datos mensuales o  
trimestrales, estas alternativas deberán contrastarse mediante validación temporal frente a  
referencias sencillas, el presente estudio aporta una evaluación reproducible del alcance  
predictivo de la superficie plantada.  
CONCLUSIONES  
La producción bananera registrada en El Oro presentó variaciones importantes entre el 2002 y el  
2024 y una discontinuidad entre 2013 y 2014, coincidente con cambios documentados en la  
ESPAC, la delimitación del ajuste a rango desde el 2014 al 2024 fue una decisión de  
comparabilidad, sin demostrar homogeneidad completa de la serie ni una causa única del cambio  
observado.  
La superficie plantada explicó aproximadamente el 23 % de la variación de la producción dentro  
del período de ajuste, el término cuadrático no aportó una mejora estadísticamente significativa  
y la relación entre superficie y rendimiento fue débil. El modelo lineal ofrece una representación  
más sencilla entre las regresiones evaluadas, pero no permite inferencias causales sobre  
productividad.  
La validación temporal mostró que el promedio histórico del entrenamiento obtuvo menor error  
que las regresiones, este resultado limita la capacidad predictiva atribuible a la relación área vs  
producción y debe formar parte de la valoración del modelo, junto con las métricas calculadas  
dentro de la muestra.  
500  
PROYECCIÓN DE LA PRODUCCIÓN BANANERA EN EL ORO: DESARROLLO DE UN MODELO DE REGRESIÓN Y SIMULACIÓN  
BASADA EN LA RELACIÓN HISTÓRICA ÁREA-RENDIMIENTO (2002-2024)  
La simulación lineal situó la mediana condicional de 2030 en 1.387.037 t, con un rango de P5 y  
P95 de 1.000.564–1.545.976 t. La trayectoria depende de un supuesto de superficie cuya  
pendiente no fue significativa, los percentiles representan únicamente la variabilidad residual  
incorporada y no toda la incertidumbre futura. El procedimiento es reproducible y útil como  
evaluación exploratoria; su fortalecimiento requiere información adicional, actualización de la  
base y validación de horizontes más largos.  
REFERENCIAS BIBLIOGRÁFICAS  
1.  
2.  
3.  
Boletin_tecnico_ESPAC_2024.pdf [Internet]. [citado 9 de octubre de 2026]. Disponible en:  
https://www.ecuadorencifras.gob.ec/documentos/web-  
inec/Estadisticas_agropecuarias/espac/2024/Boletin_tecnico_ESPAC_2024.pdf  
Coral C, Mithöfer D. Contemporary narratives about asymmetries in responsibility in global  
agri-food value chains: the case of the Ecuadorian stakeholders in the banana value chain.  
Agric Hum Values. septiembre de 2023;40(3):1019-38. doi:10.1007/s10460-022-10405-3  
Vega Armijos TG, Vite Cevallos H, Carvajal Romero H, Garzón Montealegre VJ. Dependencia  
económica y social de la producción de banano orgánico en el sitio La Palestina, cantón El  
Guabo, período 2017-2020. Rev Metrop Cienc Apl. 1 de junio de 2021;4(Suplemento 1):129-  
36. doi:10.62452/0kcykv41  
4.  
Bonisoli L, Galdeano-Gómez E, Piedra-Muñoz L, Sorroche-del-Rey Y. Evaluating the  
Sustainability of Rural Agri-Producers: The Application of SAFA Smallholders in Ecuadorian  
Banana. J Environ Dev. junio de 2026;35(2):607-31. doi:10.1177/10704965261417260  
Borja J. La producción de banano bajo el sistema de comercio justo: un análisis del caso  
ecuatoriano. Siembra. 7 de octubre de 2016;3(1):7-10. doi:10.29166/siembra.v3i1.185  
Palomeque M, Urdaneta A, Meleán R. Production management in banana production units,  
El Oro province - Ecuador: Gestión de la producción en unidades de producción bananera,  
provincia de El Oro–Ecuador. Rev Fac Agron Univ Zulia. 6 de junio de 2023;40(2):e234019.  
doi:10.47280/RevFacAgron(LUZ).v40.n2.09  
5.  
6.  
7.  
8.  
Bonisoli L, Galdeano-Gómez E, Piedra-Muñoz L, Pérez-Mesa JC. Benchmarking agri-food  
sustainability certifications: Evidences from applying SAFA in the Ecuadorian banana agri-  
system. J Clean Prod. noviembre de 2019;236:117579. doi:10.1016/j.jclepro.2019.07.054  
Ramírez-Orellana A, Ruiz-Palomo D, Rojo-Ramírez A, Burgos-Burgos JE. The Ecuadorian  
Banana Farms Managers’ Perceptions: Innovation as a Driver of Environmental  
Sustainability  
Practices.  
Agriculture.  
5
de  
marzo  
de  
2021;11(3):213.  
doi:10.3390/agriculture11030213  
9.  
Varma V, Bebber DP. Climate change impacts on banana yields around the world. Nat Clim  
Change. octubre de 2019;9(10):752-7. doi:10.1038/s41558-019-0559-9  
10.  
11.  
Bebber DP. Climate change effects on Black Sigatoka disease of banana. Philos Trans R Soc  
B Biol Sci. 24 de junio de 2019;374(1775):20180269. doi:10.1098/rstb.2018.0269  
OECD, Food and Agriculture Organization of the United Nations. OECD-FAO Agricultural  
Outlook 2024-2033 [Internet]. OECD Publishing; 2024 [citado 13 de octubre de 2026].  
(OECD-FAO  
Agricultural  
Outlook).  
Disponible  
en:  
https://www.oecd.org/en/publications/oecd-fao-agricultural-outlook-2024-  
2033_4c5d2cfb-en.html doi:10.1787/4c5d2cfb-en  
501  
PROYECCIÓN DE LA PRODUCCIÓN BANANERA EN EL ORO: DESARROLLO DE UN MODELO DE REGRESIÓN Y SIMULACIÓN  
BASADA EN LA RELACIÓN HISTÓRICA ÁREA-RENDIMIENTO (2002-2024)  
12.  
13.  
Guia_de_usos_de_bases_de_datos_2023.  
Varma V, Bebber DP. Climate change impacts on banana yields around the world. Nat Clim  
Change. octubre de 2019;9(10):752-7. doi:10.1038/s41558-019-0559-9  
Cuichán M, Catota V. Encuesta de Superficie y Producción Agropecuaria Continua (ESPAC)  
14.  
2024  
[Internet].  
inec@inec.gob.ec;  
2025.  
Disponible  
en:  
https://www.ecuadorencifras.gob.ec/estadisticas-agropecuarias-2/  
15.  
James G, Witten D, Hastie T, Tibshirani R. An Introduction to Statistical Learning: with  
Applications in R [Internet]. New York, NY: Springer US; 2021 [citado 9 de octubre de 2026].  
(Springer Texts in Statistics). Disponible en: https://link.springer.com/10.1007/978-1-0716-  
1418-1 doi:10.1007/978-1-0716-1418-1  
16.  
Burnham KP, Anderson DR, editores. Model Selection and Multimodel Inference [Internet].  
New York, NY: Springer New York; 2004 [citado 9 de octubre de 2026]. Disponible en:  
http://link.springer.com/10.1007/b97636 doi:10.1007/b97636  
17.  
18.  
19.  
20.  
21.  
Shmueli G. To Explain or to Predict? Stat Sci. 1 de agosto de 2010;25(3). doi:10.1214/10-  
STS330  
Tashman LJ. Out-of-sample tests of forecasting accuracy: an analysis and review. Int J  
Forecast. octubre de 2000;16(4):437-50. doi:10.1016/S0169-2070(00)00065-0  
Hyndman RJ, Koehler AB. Another look at measures of forecast accuracy. Int J Forecast.  
octubre de 2006;22(4):679-88. doi:10.1016/j.ijforecast.2006.03.001  
5.10 Time series cross-validation | Forecasting: Principles and Practice (3rd ed) [Internet].  
[citado 9 de octubre de 2026]. Disponible en: https://otexts.com/fpp3/tscv.html  
Davison AC, Hinkley DV. Bootstrap Methods and their Application [Internet]. 1.a ed.  
Cambridge University Press; 1997 [citado 9 de octubre de 2026]. Disponible en:  
https://www.cambridge.org/core/product/identifier/9780511802843/type/book  
doi:10.1017/CBO9780511802843  
22.  
23.  
24.  
Efron B. Bootstrap Methods: Another Look at the Jackknife. Ann Stat. 1 de enero de  
1979;7(1). doi:10.1214/aos/1176344552  
Shmueli G. To Explain or to Predict? Stat Sci. 1 de agosto de 2010;25(3). doi:10.1214/10-  
STS330  
James G, Witten D, Hastie T, Tibshirani R. An Introduction to Statistical Learning: with  
Applications in R [Internet]. New York, NY: Springer US; 2021 [citado 9 de octubre de 2026].  
(Springer Texts in Statistics). Disponible en: https://link.springer.com/10.1007/978-1-0716-  
1418-1 doi:10.1007/978-1-0716-1418-1  
25.  
Iacobucci D, Schneider MJ, Popovich DL, Bakamitsos GA. Mean centering helps alleviate  
“micro” but not “macro” multicollinearity. Behav Res Methods. diciembre de  
2016;48(4):1308-17. doi:10.3758/s13428-015-0624-x  
26.  
27.  
28.  
Tashman LJ. Out-of-sample tests of forecasting accuracy: an analysis and review. Int J  
Forecast. octubre de 2000;16(4):437-50. doi:10.1016/S0169-2070(00)00065-0  
Tashman LJ. Out-of-sample tests of forecasting accuracy: an analysis and review. Int J  
Forecast. octubre de 2000;16(4):437-50. doi:10.1016/S0169-2070(00)00065-0  
James G, Witten D, Hastie T, Tibshirani R. An Introduction to Statistical Learning: with  
Applications in R [Internet]. New York, NY: Springer US; 2021 [citado 13 de octubre de 2026].  
(Springer Texts in Statistics). Disponible en: https://link.springer.com/10.1007/978-1-0716-  
1418-1 doi:10.1007/978-1-0716-1418-1  
502  
PROYECCIÓN DE LA PRODUCCIÓN BANANERA EN EL ORO: DESARROLLO DE UN MODELO DE REGRESIÓN Y SIMULACIÓN  
BASADA EN LA RELACIÓN HISTÓRICA ÁREA-RENDIMIENTO (2002-2024)  
29.  
30.  
Hyndman RJ, Koehler AB. Another look at measures of forecast accuracy. Int J Forecast.  
octubre de 2006;22(4):679-88. doi:10.1016/j.ijforecast.2006.03.001  
Burnham KP, Anderson DR, editores. Model Selection and Multimodel Inference [Internet].  
New York, NY: Springer New York; 2004 [citado 9 de octubre de 2026]. Disponible en:  
http://link.springer.com/10.1007/b97636 doi:10.1007/b97636  
31.  
Davison AC, Hinkley DV. Bootstrap Methods and their Application [Internet]. 1.a ed.  
Cambridge University Press; 1997 [citado 9 de octubre de 2026]. Disponible en:  
https://www.cambridge.org/core/product/identifier/9780511802843/type/book  
doi:10.1017/CBO9780511802843  
32.  
33.  
Varma V, Bebber DP. Climate change impacts on banana yields around the world. Nat Clim  
Change. octubre de 2019;9(10):752-7. doi:10.1038/s41558-019-0559-9  
Forecasting: Principles and Practice [Internet]. [citado 13 de octubre de 2026]. Disponible  
en: https://otexts.com/fpp3/  
503