ISSN Electrónico: 2500-9338  
Volumen 25-N°3  
Año 2025  
CC BY-NC-SA 4.0  
Atribución/Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional  
Págs. 102-112  
Modelos predictivos para la estimación de oferta de fresas en Cundinamarca: un enfoque  
comparativo con aprendizaje automático y regresión.  
Oscar Mauricio Gelves Alarcón1  
Enlace ORCID: https://orcid.org/0000-0003-0557-775X  
Nataly Lorena Guarín Cortés2  
Enlace ORCID: https://orcid.org/0000-0002-8703-6211  
María Paula Peña Martínez3  
Enlace ORCID: https://orcid.org/0009-0003-9795-3325  
María Fernanda Rebolledo Marulanda4  
Enlace ORCID: https://orcid.org/0009-0003-0859-8211  
Fecha de Recepción: 12 de agosto, 2025  
Fecha de Aprobación: 19 de octubre, 2025  
Fecha de Publicación: 19 de noviembre, 2025  
Resumen:  
El cultivo de fresas en Cundinamarca representa una actividad agrícola clave con alto impacto económico regional.  
Este estudio tiene como objetivo evaluar y comparar diferentes modelos de pronostico para estimar la oferta futura  
de fresas, considerando variables como área sembrada, rendimiento y producción. Para ello, se aplicaron métodos  
de series de tiempo (Suavización exponencial Holt y Brown), el algoritmo AdaBoost y un modelo de regresión lineal  
múltiple, empleando datos históricos del Ministerio de Agricultura y Agronet. Los resultados obtenidos indican que el  
modelo de regresión lineal múltiple es el modelo con mejor desempeño, obteniendo un coeficiente de determinación  
de 0,9947 y superando en precisión a los métodos de series de tiempo, los cuales presentaron errores promedio  
superiores al 17%. Las pruebas de normalidad y homocedasticidad validaron estadísticamente la robustez del  
modelo.Se concluye que el modelo propuesto proporciona una herramienta efectiva para la planificación agrícola en  
Cundinamarca, al permitir proyectar incrementos en la producción asociados al aumento de área cultivada y del  
rendimiento por hectárea. Se recomienda para futuras investigaciones, integrar variables climáticas y políticas  
agrícolas para mejorar la precisión de los pronósticos.  
Palabras clave: Fresas, Regresión lineal múltiple, Series de tiempo, Modelos, Predictivos.  
1 Magister en Ingeniería de Dirección Industrial, Universidad de Buenos Aires, Argentina. Docente Ocasional, Facultad de Ingeniería, Programa de Ingeniería  
Industrial, Universidad Militar Nueva Granada, Cundinamarca, Colombia. oscar.gelves@unimilitar.edu.co  
2 Magister en Gerencia Integral de Proyectos, Universidad Militar Nueva Granada, Cundinamarca, Colombia. Docente de carrera, Facultad de Ingeniería,  
Programa de Ingeniería Industrial, Universidad Militar Nueva Granada, Cundinamarca, Colombia. nataly.guarin@unimilitar.edu.co  
3
Estudiante, Facultad de Ingeniería, Programa de Ingeniería Industrial, Universidad Militar Nueva Granada, Cundinamarca, Colombia.  
est.mariap.pena@unimilitar.edu.co  
4
Estudiante, Facultad de Ingeniería, Programa de Ingeniería Industrial, Universidad Militar Nueva Granada, Cundinamarca, Colombia.  
est.maria.rebolledo@unimilitar.edu.co  
.
102  
Predictive Models for Strawberry supply estimation in Cundinamarca. A comparative Approach Using  
Machine Learning and Regression  
Abstract:  
Strawberry cultivation in Cundinamarca represents a key agricultural activity with a significant regional economic  
impact. This study aims to evaluate and compare different forecasting models to estimate the future supply of  
strawberries, considering variables such as cultivated area, yield, and production. Time series methods (Holt and  
Brown exponential smoothing), the AdaBoost algorithm, and a multiple linear regression model were applied, using  
historical data from the Ministry of Agriculture and Agronet. The results indicate that the multiple linear regression  
model exhibited the best performance, achieving a coefficient of determination of 0.9947 and outperforming the time  
series methods, which presented average errors exceeding 17%. Normality and homoscedasticity tests statistically  
validated the robustness of models. It is concluded that the proposed model provides an effective tool for agricultural  
planning in Cundinamarca allowing for projections of production increases associated with the expansion of cultivated  
areas and improvements in yield per hectare. Future research is recommended to integrate climatic variables and  
agricultural policy factors to enhance forecasting accuracy.  
Keywords: Strawberries, Multiple linear regression, Time series, Models, Predictive.  
Modelos Preditivos para Estimativa da Oferta de Morangos em Cundinamarca: Uma Abordagem Comparativa  
com Aprendizado de Máquina e Regressão  
Resumo:  
O cultivo de morangos em Cundinamarca representa uma atividade agrícola fundamental, com alto impacto  
econômico regional. Este estudo tem como objetivo avaliar e comparar diferentes modelos de previsão para estimar  
a oferta futura de morangos, considerando variáveis como área plantada, rendimento e produção. Foram aplicados  
métodos de series temporais (Suavização exponencial de Holt e Brown), o algoritmo AdaBoost e um modelo de  
regressão linear múltipla, utilizando dados históricos do Ministério da Agricultura e do Agronet. Os resultados obtidos  
indicam que o modelo de regressão linear múltipla apresentou o melhor desempenho, alcançando um coeficiente de  
determinação de 0,9947 e superando em precisão os métodos de series temporais, que apresentaram erros médios  
superiores a 17%. Os testes de normalidade e homoscedasticidade validaram estaticamente a robustez do modelo.  
Conclui-se que o modelo proposto oferece uma ferramenta eficaz o planejamento agrícola em Cundinamarca  
permitindo projetar aumentos na produção associados a expansão da área cultivada e melhoria do rendimento por  
hectare. Recomenda-se que pesquisas futuras integrem variáveis climáticas e políticas agrícolas para aprimorar a  
previsão das previsões  
Palavras-chave: Morangos, Regressão linear múltipla, Séries temporais, Modelos, Preditivos.  
103  
Modelos predictivos para la estimación de oferta de fresas en Cundinamarca: un enfoque comparativo con aprendizaje  
automático y regresión  
Oscar Mauricio Gelves Alarcón, Nataly Lorena Guarín Cortés, María Paula Peña Martínez,María Fernanda Rebolledo Marulanda  
1. INTRODUCCION  
Esto subraya la necesidad de enfoques más  
integrales y adaptativos que combinen técnicas  
tradicionales con herramientas avanzadas como el  
aprendizaje automático, para mejorar la precisión y  
utilidad de los modelos. En este sentido, los  
resultados de este estudio no solo contribuyen a la  
literatura académica, sino que ofrecen un recurso  
El cultivo de fresas en la región de Cundinamarca  
es un producto principalmente cultivado por pequeños  
y medianos agricultores el cual enfrenta diversos  
desafíos provenientes de la volatilidad del mercado,  
las condiciones climáticas y la gestión de recursos.  
En este contexto la capacidad de determinar la oferta  
de fresas con precisión es esencial para mejorar la  
planeación de cultivos, la reducción de pérdidas y  
mejorar la competitividad del mercado en un entorno  
de incertidumbre. La implementación de modelos de  
pronóstico se presenta con una herramienta  
determinante para facilitar la toma de decisiones  
informadas en el ámbito de la agricultura.  
valioso  
para  
agricultores,  
instituciones  
gubernamentales y otros actores interesados en la  
sostenibilidad del sector agrícola.  
A pesar de los avances en modelo predictivos  
agrícolas, se evidencia la necesidad de reconocer la  
metodología más precisa para predecir la oferta de  
fresas en Cundinamarca considerando variables  
como la variabilidad y las limitaciones existentes en  
datos históricos. Por tanto, la pregunta de  
investigación es:  
La literatura científica ha explorado ampliamente el  
uso de diferentes metodologías de pronóstico en la  
agricultura, destacando enfoques relacionados con  
los modelos de series de tiempo y de regresión. Por  
ejemplo, los métodos de suavización exponencial  
como Holt , Brown, o ARIMA han demostrado ser  
útiles para capturar tendencias en datos históricos,  
mientras que los modelos de regresión se han  
enfocado a la identificación de relaciones entre las  
variables que componen un sistema. Sin embargo,  
existe una necesidad de evaluar el desempeño de  
estos métodos en contextos específicos, como el  
cultivo de fresas en Cundinamarca donde las  
características del departamento pueden influir en la  
precisión.  
¿Cuál es el modelo de pronóstico mas preciso para  
estimar la oferta de fresas en el departamento de  
Cundinamarca considerando variables históricas de  
área sembrada, rendimiento y producción?  
2. MARCO TEORICO  
En el ámbito agrícola, investigaciones como las  
de García–Mora et al (2023) desarrolla un modelo de  
regresión lineal múltiple para predecir el rendimiento  
del cultivo de papa en Ecuador durante el periodo  
2002-2019. El documento propone como variables: el  
uso de semillas, prácticas de cultivo, volumen de  
venta y áreas sembradas. El estudio encontró que el  
rendimiento esta significativamente influenciado por  
cinco factores principales: el uso de semilla mejorada,  
el riego, la aplicación de fertilizantes y otros factores  
menores. El modelo mostró un buen ajuste con un  
coeficiente de determinación del 0.86 lo cual valida la  
capacidad predictiva del modelo propuesto. También  
Este estudio tiene como objetivo ofrecer una  
herramienta de pronóstico de la oferta de fresas en el  
departamento de Cundinamarca, para ello se  
utilizaron datos históricos proporcionados por el  
Ministerio de Agricultura y Agronet. Con ello, se  
desarrollaron y evaluaron diferentes modelos de  
series de tiempo y regresión lineal múltiple para  
estimar la oferta futura. Adicionalmente, se realizaron  
pruebas estadísticas como Shapiro-Wilk y Breusch-  
Pagan, para garantizar la validez del modelo de  
regresión lineal múltiple. Este enfoque permitió no  
solo encontrar las metodologías más adecuadas, sino  
también, proporcionar información práctica para los  
tomadores de decisiones en el sector agrícola.  
realizó un análisis espacial  
y
temporal del  
rendimiento, encontrando tendencias positivas en seis  
provincias y estabilidad en otras cuatro; factores  
como la disponibilidad de agua y el uso de semillas  
mejoradas fueron identificados como determinantes  
en el incremento del rendimiento. Sin embargo, se  
destaca la limitada tecnificación en riego y acceso  
restringido a fertilizantes efectivos los cuales reducen  
de manera considerable las oportunidades de  
maximizar la productividad en ciertas regiones.  
La investigación destaca la necesidad de considerar  
variables adicionales como las condiciones climáticas  
políticas agrícolas que pueden afectar  
significativamente los resultados de las proyecciones.  
y
104  
ISSN Electrónico 2500-9338  
Septiembre – Diciembre. Volumen 25 Número 3, Año 2025 Págs. 102-112  
cantidad de desperdicio postcosecha identificando  
retos en la cadena de suministro de alimentos frescos  
como los desperdicios postcosecha y las ineficiencias  
logísticas en este proceso. Propone oportunidades  
como la adopción de tecnologías avanzadas  
(blockchain y modelos predictivos), el rediseño de las  
cadenas de suministro y la mejora en la colaboración  
entre los diferentes actores que conforman la cadena  
logística. Este marco conceptual permite orientar a los  
tomadores de decisiones de la cadena logística hacia  
una gestión más productiva y eficiente.  
El modelo de regresión lineal múltiple empleó una  
metodología de regresión por pasos para eliminar  
variables no significativas manteniendo aquellas con  
mayor impacto en el rendimiento. Las variables  
seleccionadas incluyeron la superficie sembrada con  
semilla mejorada, el área bajo riego, la aplicación de  
fertilizantes y la incidencia de las heladas. Los  
resultados confirmaron que las semillas mejoradas  
tienen un efecto positivo en el rendimiento, mientras  
que las condiciones de sequía o heladas impactan de  
forma negativa.  
De la misma manera, Mohamed-Amine (2024)  
profundiza en la utilización de la inteligencia artificial  
(IA) para mejorar la predicción de ventas en el sector  
agrícola con un enfoque específico en soluciones  
fitosanitarias en la región Sous Massa, Marruecos. El  
estudio recopila datos de diversas fuentes, incluyendo  
el sistema ERP AXAPTA, que contiene información  
detallada sobre fechas de venta, tipos de cultivos,  
condiciones climáticas y ubicaciones específicas de  
venta. Estos datos se emplean para la construcción  
de modelos de predicción de ventas utilizando  
técnicas de aprendizaje automático, destacando el  
algoritmo Gradient Boosting Regressor como el más  
eficaz alcanzando un error absoluto medio del 0.0035.  
Los resultados subrayan el impacto de factores como  
el clima, las prácticas agrícolas y las particularidades  
regionales en las predicciones de ventas. El modelo  
desarrollado no solo mejora la precisión en la  
predicción, sino que también permite gestionar de  
manera más eficiente el inventario, mejorando las  
operaciones de tipo logístico y alineándolas a la  
demanda de los mercados. Esto es especialmente  
relevante en diferentes contextos agrícolas donde las  
condiciones climáticas tienen una influencia directa  
sobre la demanda de productos fitosanitarios como  
insecticidas y fertilizantes.  
Balaji (2018) analiza la efectividad de modelos  
predictivos en la gestión agrícola destacando la  
implementación paralela como una solución para el  
manejo de grandes volúmenes de datos, el estudio se  
enfoca en la falta de sincronización entre la oferta y la  
demanda de los productos agrícolas en la India, que,  
por lo general, es ocasionada por las fluctuaciones en  
precios, lo cual genera pérdidas entre los  
consumidores y los productores. Para ello se  
implementaron modelos de regresión lineal y series  
de tiempo utilizando un marco de MapReduce  
optimizando así el procesamiento de datos  
recolectados entre 2005 y 2016. Se destaca en el  
documento que las diferencias entre oferta y  
demanda se deben principalmente a la falta de  
planificación basada en los datos históricos. Los  
modelos predictivos desarrollados permitieron  
proyectar valores de demanda, oferta y precios para  
diferentes comodities agrícolas, evaluando la  
precisión de estos al compararlos con datos reales  
del mercado. Los resultados experimentales revelaron  
brechas significativas entre la oferta y la demanda a  
causa de la variabilidad de los precios.  
El modelo de regresión lineal propuesto se basó en  
variables como la elasticidad del ingreso, el  
crecimiento poblacional y la demanda per-cápita en  
años base, mientras que el modelo Holt-Winter  
Se destaca, además, cómo los avances en la  
integración de datos mediante sistemas ERP  
proporcionan una base sólida para los pronósticos,  
facilitando la toma de decisiones informadas. Este  
enfoque no solo beneficia a los agricultores y  
distribuidores al evitar excesos o déficits en la oferta,  
sino que también ayuda a minimizar costos de tipo  
operativo al anticipar la demanda con mayor  
precisión. La aplicación de modelos de aprendizaje  
automático como Gradient Boosting permite capturar  
relaciones complejas entre variables climáticas,  
incorpora factores como la tendencia  
y
la  
estacionalidad. Ambos métodos fueron evaluados por  
su capacidad para anticipar patrones en los datos; y  
por medio del MapReduce, se manejó de forma  
eficiente el volumen de datos reduciendo de manera  
significativa los tiempos de cálculo y aumentando la  
precisión de las predicciones.  
Por su parte, Kumar (2023) identifica los diferentes  
retos existentes en la cadena de suministro, como la  
105  
Modelos predictivos para la estimación de oferta de fresas en Cundinamarca: un enfoque comparativo con aprendizaje  
automático y regresión  
Oscar Mauricio Gelves Alarcón, Nataly Lorena Guarín Cortés, María Paula Peña Martínez,María Fernanda Rebolledo Marulanda  
patrones de ventas históricos y características del  
mercado.  
En conclusión, las investigaciones revisadas destacan  
la creciente integración de herramientas avanzadas  
como algoritmos de aprendizaje automático, modelos  
híbridos y tecnologías emergentes en el ámbito  
agrícola y afines. Estas investigaciones evidencian  
como metodologías como la regresión lineal múltiple,  
Figura 1. Oferta de Fresas en toneladas en Cundinamarca  
series de tiempo, ARIMA-Anfis y sistemas basados en  
inteligencia artificial han permitido mejorar la precisión  
Fuente: (Minagricultura,2024)  
en predicciones de rendimiento, demanda, oferta y  
De acuerdo con el comportamiento de la producción  
otros parámetros críticos. Asimismo, establecen la  
de las fresas, se observa una tendencia positiva, por  
importancia de factores contextuales como las  
tanto, se propone para la predicción modelos de  
condiciones climáticas, la calidad de los insumos y el  
series de tiempo que contengan el factor de tendencia  
contexto de las regiones en la toma de decisiones  
y los métodos de regresión lineal y múltiple.  
informadas.  
Aplicación de series de tiempo  
Sin embargo, persisten retos y dificultades como la  
falta de estandarización de los datos, la falta de  
tecnificación en algunas zonas y las ineficiencias  
logísticas, los cuales requieren una priorización para  
maximizar el impacto de estas metodologías.  
Teniendo en cuenta el comportamiento de oferta de  
las fresas en el departamento de Cundinamarca, se  
definen dos métodos que según la literatura pueden  
ser apropiados para el desarrollo de la predicción de  
la oferta: Suavizamiento exponencial con tendencia o  
Holt y el método Brown. A continuación, se presenta  
el desarrollo correspondiente para el método Holt el  
cual se basa en la siguiente ecuación según Gelves  
(2021).  
3. METODOLOGIA  
Se presentan a continuación las estadísticas  
del Ministerio de Agricultura y del DANE relacionadas  
con la producción de fresas en Cundinamarca y sus  
precios desde el año 2013 al 2022. Estas estadísticas  
proporcionan una base sólida para el desarrollo de  
modelos predictivos que puedan capturar la tendencia  
ascendente de la oferta de fresas.  
=
=
(
)
(
)
=
∗
+ 1 − ∗ ( − 1 + − 1)  
(
)
(
)
(
)
=
−
− 1 + ( 1 −  
∗
− 1 )  
AÑO  
2007  
2008  
2009  
2010  
2011  
2012  
2013  
2014  
2015  
2016  
2017  
2018  
2019  
2020  
2021  
2022  
Producción en Toneladas  
+ 1 =  
+
20432  
22422  
31117  
23937  
28544  
22782  
22562  
25367  
38752  
41425  
54124  
54917  
55996  
64699  
52480  
70813  
AÑO  
2007  
2008  
2009  
2010  
2011  
2012  
2013  
2014  
2015  
2016  
2017  
2018  
2019  
2020  
2021  
2022  
OFERTA  
20432  
22422  
31117  
23937  
28544  
22782  
22562  
25367  
38752  
AT  
TT  
FT  
ERROR  
PEMA  
32469,41607 163,7540047  
27474,41877 -2018,085976 32633,17008 -10211,17008  
28316,13966 -808,5605318 25456,3328 5660,667204  
25703,69871 -1571,492913 27507,57913 -3570,579133  
26361,07369 -628,816521 24132,2058 4411,7942  
46%  
18%  
15%  
15%  
13%  
2%  
24241,76755 -1259,203538 25732,25717 -2950,257167  
22770,09226 -1349,066243 22982,56401 -420,5640094  
23414,55842 -505,9225362 21421,02602 3945,973979  
30912,80923 2879,358973 22908,63589 15843,36411  
16%  
41%  
18%  
22%  
1%  
41425,6 37648,62891 4510,408752  
54124 48203,81653 7066,984833 42159,03767 11964,96233  
54917,1 55092,10907 6991,408796 55270,80136 -353,7013628  
33792,1682  
7633,431801  
55996,5  
64699,1  
59008,3158  
64699,1  
5690,7842  
62083,51787 -6087,017868  
11%  
0%  
5690,784201  
64699,1  
2,48258E-06  
-17909,6642  
52480,22 61341,80226 1863,992453  
70389,8842  
34%  
11%  
70813,2 67049,10666 3489,481097 63205,79471 7607,405287  
Tabla 2. Pronóstico de serie de tiempo por suavización  
exponencial HOLT Fuente: Elaboración propia.  
Tabla 1. Producción en toneladas de fresas en Cundinamarca  
2013-2022  
106  
ISSN Electrónico 2500-9338  
Septiembre – Diciembre. Volumen 25 Número 3, Año 2025 Págs. 102-112  
OFER  
TA  
Dentro de los parámetros utilizados para el desarrollo  
del pronóstico se utilizó un Alpha = 0,50 y una Beta =  
0,2 los cuales fueron optimizados con la aplicación  
excel solver. De acuerdo con los resultados de la  
tabla 2 se determina un PEMA (error de porcentaje  
absoluto promedio) del pronóstico del 17%. A  
continuación, se presenta la ecuación de pronóstico:  
AÑO  
2007  
S
S'  
a
b
F
error  
PEMA  
20432 20342 20342 20342  
22422 20387, 20365, 20410, 23,134 20433, 1988,7  
63 13441 12559 41 26  
2008  
2009  
4
10%  
39%  
31117 21419, 20910, 21927, 522,93 22450, 8666,5  
05559 56277 54841 27741 48118 1882  
= 67049,1066 + 3489,48 (1)  
23937  
28544  
22782  
22562  
25367  
-
26335, 23911, 28759, 2492,8 31252, 7315,7  
Conforme a los resultados de la ecuación de  
pronóstico se presenta el comportamiento de la oferta  
real y el pronóstico correspondiente:  
2010  
2011  
2012  
2013  
91341 9025  
92431 46913 77122 71222 24%  
-
25119, 25719, 24520, 616,63 23903, 4640,5  
66431 27511 0535  
82921 41521 84788 19%  
-
26855, 25999, 27711, 880,22 28591, 5809,9  
8025  
88637 71863 2065  
9407  
407  
20%  
-
-
24790, 25808, 23772, 1047,1 22724, 162,96  
38463 63564 13362 6686  
96676 67649 1%  
-
23660, 24217, 23103, 572,80 22530, 2836,1  
2014  
2015  
2016  
2017  
2018  
2019  
2020  
59362 58059 60666 4042  
80262 97385 13%  
Figura 2. Relación Oferta y pronóstico de fresas por serie de  
tiempo suavizamiento Holt  
38752 24525, 24099, 24952, 438,63 25390, 13361,  
74166 22368 25964 00523 88969 11031 53%  
Fuente: Elaboración Propia.  
El pronóstico realizado que utiliza el método de  
suavización exponencial con tendencia de Holt ha  
generado una ecuación de recta que modela los  
datos, indicando un ajuste lineal con un componente  
de tendencia. Según los resultados proporcionados,  
el promedio de error alcanza un nivel del 17%, lo cual  
representa un error porcentual medio absoluto. Este  
nivel de error sugiere que el modelo tiene una  
precisión baja.  
41425, 31738, 28182, 35294, 3656,8 38951, 2474,4  
6
45464 58714 32214 45481 16762 32383 6%  
54124 36649, 34228, 39071, 2490,0 41561, 12562,  
83734 52567 14901 71028 22004 77996 30%  
54917, 45509, 41141, 49876, 4491,7 54368, 548,46  
1
23781 55337 92224 16039 63828 17227 1%  
55996, 50279, 47927, 52630, 2418,2 55048, 947,68  
02394 51938 5285 81569 81007 99293 2%  
5
64699, 53177, 51748, 54606, 1469,6 56076, 8622,5  
Método Brown  
1
7843  
69544 87316 71504 54466 55335 15%  
El método Brown también se conoce como alisado  
exponencial doble, ya que, se realiza una doble  
suavización de los datos objeto de estudio y de la  
variable resultado de la suavización (Alarcón, 2009).  
La ecuación se representa de la siguiente manera:  
52480,  
22  
-
59019, 56139, 61898, 2961,5 64860, 12380,  
09136 32698 85574 42679 39842 17842 19%  
2021  
2022  
70813,  
2
-
55703, 57338, 54069, 1680,8 52388, 18424,  
88358 28102 48615 10344 6758  
5242  
35%  
′
ó
′
Tabla 3. Pronóstico de serie de tiempo por Método Brown  
(
)
(
)
=
+ 1 − + 1 −  
− 1  
Fuente: Elaboración Propia.  
ó
t = α S't +(1-α) S − 1  
El parámetro Alpha de 0,507 se optimizó por medio  
de excel solver lo cual arrojó un valor de PEMA del  
19%, lo cual representa un valor de error alto y no  
A continuación, se presentan los resultados utilizando  
el Método Brown.  
107  
Modelos predictivos para la estimación de oferta de fresas en Cundinamarca: un enfoque comparativo con aprendizaje  
automático y regresión  
Oscar Mauricio Gelves Alarcón, Nataly Lorena Guarín Cortés, María Paula Peña Martínez,María Fernanda Rebolledo Marulanda  
permite una predicción adecuada de los datos por  
medio de este método.  
El gráfico siguiente muestra el comportamiento de la  
oferta vs el pronóstico:  
Figura 4. Método AdaBoost.  
Fuente: Elaboración Propia.  
El modelo de predicción mediante AdaBoost utilizó  
Figura 3. Relación Oferta y pronóstico de fresas por serie de  
tiempo Método Brown.  
100 estimadores los cuales logran capturar de  
manera general la tendencia ascendente en la  
producción de fresas a lo largo de los años. Se  
obtiene un error absoluto medio de 7644 toneladas y  
un error promedio relativo del 19.45%, lo cual indica  
que existen ciertas discrepancias en años específicos  
como en el 2013 y 2015, reflejando que no se está  
ajustando el modelo a las variaciones atípicas.  
Fuente: Elaboración Propia.  
En conclusión, dentro de los métodos de serie de  
tiempo propuestos no existe una alta precisión y  
utilizar los modelos ARIMA según la literatura no es  
conveniente si no existe un número mayor a 50 datos  
(Hancke 2010). Por lo tanto, se utiliza el Método  
AdaBoost el cual es aplicado por Barack (2016), el  
método AdaBoost según Hastie (2009) consiste en un  
algoritmo de aprendizaje automático diseñado para  
mejorar la precisión de modelos débiles como árboles  
de decisión de baja profundidad combinándolos con  
un clasificador fuerte. En cada iteración se le asignan  
mayores pesos a las muestras de los modelos  
anteriores que se clasificaron de forma incorrecta,  
obligando a los siguientes modelos a enfocarse en  
esos errores.  
Regresión Lineal  
Para el desarrollo de un método de pronóstico se  
propone la utilización de modelos correlacionales  
como la regresión lineal múltiple. Para ello, se usan  
las estadísticas ofrecidas por Agronet, donde se  
toman las variables: Oferta o producción, Área  
sembrada y Rendimiento en toneladas/hora. Estas  
estadísticas se presentan a continuación.  
Año  
Departamento  
Producto  
Área  
(ha)  
Producción Rendimiento  
(ton)  
(ha/ton)  
A continuación, se presentan los resultados obtenidos  
por medio del Método AdaBoost utilizando el lenguaje  
Python.  
2007 CUNDINAMARCA FRESA  
2008 CUNDINAMARCA FRESA  
2009 CUNDINAMARCA FRESA  
2010 CUNDINAMARCA FRESA  
2011 CUNDINAMARCA FRESA  
2012 CUNDINAMARCA FRESA  
2013 CUNDINAMARCA FRESA  
2014 CUNDINAMARCA FRESA  
598,50  
622,27  
649,61  
692,05  
595,05  
487,15  
556,60  
600,90  
20.432,00  
22.422,77  
31.117,30  
23.937,00  
28.544,70  
22.782,75  
22.562,75  
25.367,00  
34,14  
36,03  
47,90  
34,59  
47,97  
46,77  
40,54  
42,22  
108  
ISSN Electrónico 2500-9338  
Septiembre – Diciembre. Volumen 25 Número 3, Año 2025 Págs. 102-112  
2015 CUNDINAMARCA FRESA  
2016 CUNDINAMARCA FRESA  
2017 CUNDINAMARCA FRESA  
2018 CUNDINAMARCA FRESA  
2019 CUNDINAMARCA FRESA  
2020 CUNDINAMARCA FRESA  
2021 CUNDINAMARCA FRESA  
2022 CUNDINAMARCA FRESA  
793,80  
804,68  
38.572,80  
41.425,60  
54.124,00  
54.917,10  
55.996,50  
64.699,10  
52.480,22  
70.813,20  
48,59  
51,48  
58,14  
54,81  
51,90  
49,79  
50,23  
52,47  
Test D’Agostino-Pearson resultados:  
Valor de estadístico: =4.5299, p-valor= 0,1038  
930,88  
La hipótesis nula ( ) indica que los residuos siguen  
una distribución normal. Dado que > 0.05 y, por  
1.001,88  
1.079,00  
1.299,50  
1.044,70  
1.349,50  
tanto, no se rechaza  
. Los resultados de la prueba  
refuerzan la conclusión que refleja que los residuos  
no violan el supuesto de normalidad.  
Debido al resultado de las pruebas anteriormente  
nombradas se puede garantizar la validez del modelo.  
Tabla 3. Pronóstico por Método Regresión Lineal  
Fuente: Elaboración Propia.  
Para definir el grado de Homocedasticidad que  
precisa los residuos de un modelo de regresión lineal,  
contienen una varianza constante en todas las  
variables independientes. Para ello, se realiza la  
prueba Breusch-Pagan. A continuación, se presentan  
los resultados.  
Realizando los cálculos basados en la regresión lineal  
múltiple se define la siguiente ecuación de pronóstico:  
= 50,0196 1 + 742.4285 2 − 36391.9922  
Test Breusch-Pagan resultados:  
=
ó
Valor de estadístico: =2.7250, p-valor= 0.2560  
1 =  
2 =  
ℎ
La hipótesis nula ( ) indica que los residuos tienen  
varianza constante. Dado que > 0.05 y, por tanto,  
no se rechaza  
. Los resultados implican que los  
residuos presentan homocedasticidad y conlleva a  
garantizar la confiabilidad de los coeficientes  
estimados.  
El valor del coeficiente de determinación indica que la  
variabilidad de la oferta de fresas es explicada en un  
99,47% por las variables independientes área  
sembrada y rendimiento, lo cual sugiere un modelo  
con un ajuste alto.  
A continuación, se presentan los gráficos Q_Q y de  
residuos vs valores ajustados para complementar los  
resultados de las Pruebas propuestos en el desarrollo  
de la investigación.  
A continuación, se realizan las pruebas de normalidad  
y homocesticidad con el fin de validar el modelo  
propuesto. El primero con el fin de definir la  
normalidad de los residuos y el segundo para definir  
los cambios de variabilidad de los residuos. Para el  
desarrollo de las pruebas de normalidad se utilizan  
las pruebas Shapiro-Wilk y D’Agostino Pearson.  
Test Shapiro – Wilk resultados:  
Valor de estadístico: =0.9047, p-valor= 0,0957  
La hipótesis nula ( ) indica que los residuos siguen  
una distribución normal. Dado que > 0.05 y, por  
tanto, no se rechaza  
. Se puede concluir que los  
residuos están normalmente distribuidos.  
109  
Modelos predictivos para la estimación de oferta de fresas en Cundinamarca: un enfoque comparativo con aprendizaje  
automático y regresión  
Oscar Mauricio Gelves Alarcón, Nataly Lorena Guarín Cortés, María Paula Peña Martínez,María Fernanda Rebolledo Marulanda  
variable contribuye de manera independiente al  
Figura 5. Gráficos Q_Q.  
Fuente: Elaboración Propia.  
modelo  
y
por tanto no están altamente  
correlacionados.  
De acuerdo con la gráfica se observa que los puntos  
siguen aproximadamente la línea teórica  
representada en rojo, lo cual sugiere que los residuos  
se ajustan a una distribución normal. Por otro lado, se  
observa que en las colas existe una desviación ligera  
pero necesariamente puede ser algún indicio de no  
normalidad.  
Realizando el pronóstico correspondiente se asume  
un aumento del 6 % del área cultivable y un aumento  
en el rendimiento del 4% teniendo por área un total de  
1429,4 hectáreas y un rendimiento de tonelada/  
hectárea de 54,66 se obtendría una producción de  
fresas en el departamento de Cundinamarca en  
toneladas pronosticadas de 75617,38 toneladas/  
hectárea.  
4. DISCUSIÓN  
La presente investigación sobre el pronostico de  
oferta de fresas en Cundinamarca puede aportar un  
enfoque complementario al realizado por Lim et al  
(2022), donde se propone un modelo predictivo  
basándose en principios del machine Learning para  
estimar la producción de fresas en invernaderos de  
Corea del Sur. Aunque ambos estudios tienen como  
objetivo la predicción de la oferta de fresas, persisten  
diferencias en la metodología, el entorno productivo y  
las variables para el estudio.  
Figura 6. Residuos vs valores ajustados.  
Fuente: Elaboración Propia.  
En el estudio realizado en Corea del Sur se enfoco en  
un entorno de agricultura de precisión e invernadero  
teniendo en cuenta parámetros fisiológicos de las  
plantas junto variables ambientales como la  
temperatura y la humedad. Para la modelación se  
empleó el método Lasso con una validación cruzada  
tipo K-Fold obteniendo un MAPE de 0,5111 en la  
predicción de flores y 0,488 en frutos.  
Dentro de la distribución de los residuos se evidencia  
que los puntos se dispersan de forma aleatoria y no  
representa una forma cónica, lo cual indicaría una  
tendencia sistemática, lo cual permite respaldar la  
homocedasticidad resultado de la prueba Breusch-  
Pagan.  
Para fortalecer el modelo se realizó el cálculo del  
indicador VIF o factor de inflación de la varianza (VIF)  
el cual se presenta en el siguiente cuadro:  
Los resultados obtenidos en el estudio realizado de la  
oferta de fresas en Cundinamarca se alinean  
parcialmente con investigaciones, como la de Masley  
et al (2019). El presente documento define un modelo  
de regresión múltiple basado en variables macro  
agrícolas como área sembrada y rendimiento, el  
estudio realizado en California implementa modelos  
de machine learning específicamente redes  
Variable  
VIF  
Constante  
46.89  
1.5945  
1.5945  
Área (hectáreas)  
Rendimiento  
(toneladas/hectárea)  
neuronales  
y
random forest, incorporando 27  
variables climáticas y fisiológicas a nivel de campo.  
Ambos estudios coinciden en destacar la alta  
dependencia del cultivo de fresa con factores  
ambientales sin embargo una de las diferencias mas  
significativas es la escala de aplicación: el modelo del  
departamento de Cundinamarca esta orientado a la  
Según los resultados obtenidos el VIF de la constante  
no es relevante para la evaluación de la  
multicolinealidad, mientras los resultados obtenidos  
del VIF de área y rendimiento se encuentran en el  
intervalo (1 <  
< 5) lo cual indica que cada  
110  
ISSN Electrónico 2500-9338  
Septiembre – Diciembre. Volumen 25 Número 3, Año 2025 Págs. 102-112  
planificación regional mientras Maskey tiene como  
objetivo optimizar decisiones operativas semanales  
fincas tecnificadas.  
Para futuras investigaciones, se recomienda la  
incorporación de variables exógenas relacionadas a  
la climatología como precipitaciones, temperatura  
promedio y fenómenos extremos que puedan alterar  
el comportamiento del cultivo de fresas. Por otro lado,  
cabe recalcar la integración de factores económicos  
como precios de mercado y costos de producción  
para obtener una visión mas integral que permita  
anticipar la oferta con las dinámicas de la cadena de  
suministro, una herramienta podría ser la aplicación  
de dinámica de sistemas. También se sugiere  
explorar modelos híbridos como redes neuronales o  
modelos basados en atención que permitan la captura  
de patrones no lineales y mejorar la capacidad de  
generalización. Por último, es importante desarrollar  
estudios a escala micro con datos obtenidos por  
sensores o sistemas inteligentes de agricultura.  
A pesar de las diferencias los hallazgos son  
complementarios. El modelo propuesto presenta un  
enfoque mas accesible y replicable en regiones  
donde la infraestructura tecnológica es de carácter  
limitado con un coeficiente de determinación del  
2
0,9947, por su parte Maskey et al. Reportan un  
del 0,95 para la red neuronal propuesta. Estas  
diferencias metodológicas definen la necesidad de  
adaptar los modelos predictivos al entorno de  
aplicación.  
Con respecto al estudio realizado por parte de Nassar  
et al. (2020) quienes desarrollaron un modelo basado  
a Deep Learning para predecir el rendimiento del  
cultivo y el precio de las fresas en California. El  
estudio utiliza arquitecturas complejas como  
CVNN_LSTM el cual tiene como objetivo capturar  
patrones no lineales y logra predecir el precio al  
agricultor, integrando el pronóstico de producción con  
la dinámica del mercado cual amplia el enfoque hacia  
la cadena de abastecimiento.  
6. CONCLUSIONES  
El modelo de regresión lineal múltiple demostró se la  
técnica de pronostico mas precisa para la predicción  
de la oferta alcanzando un coeficiente de  
determinación del 0,9947 y cumpliendo con las  
pruebas  
estadísticas  
de  
normalidad  
y
homocedasticidad.  
A pesar de las diferencias en complejidad y alcance,  
ambos estudios coinciden en la importancia de  
predecir el comportamiento de la oferta agrícola para  
optimizar la toma de decisiones. El modelo  
Los modelos de series de tiempo aplicados y el  
algoritmo de AdaBoost presentan mayores niveles de  
error lo que limita su aplicabilidad en entornos de  
datos históricos limitados y alta variabilidad.  
Cundinamarca se enfoca en la planificación agrícola  
2
regional a mediano plazo, logrando un  
de 0,99947  
Los resultados obtenidos permiten anticipar un  
crecimiento de la oferta de fresas en el departamento  
de Cundinamarca el cual es afectado notablemente  
por variables como incrementos en el área sembrada  
y el rendimiento por hectárea, lo cual puede ser una  
herramienta clave para la planificación agrícola de la  
región.  
con datos históricos mientras Nassar et al reporta que  
reduce los errores significativamente tanto en  
rendimiento como en precio.  
5. LIMITACIONES Y RECOMENDACIONES  
El presente estudio se enfoca en el pronóstico de  
la oferta de fresas en Cundinamarca a partir de  
El estudio evidencia la necesidad de agregar en  
futuras investigaciones variables adicionales como  
condiciones climáticas y políticas públicas, así como  
modelos que combinen aprendizaje automático y  
técnicas estadísticas como series de tiempo para  
mejorar las predicciones de las proyecciones de  
oferta.  
variables históricas como rendimiento  
y
área  
sembrada, utilizando modelos de regresión lineal  
múltiple, series de tiempo y algoritmos de aprendizaje  
automático. Sin embargo, una de las principales  
limitaciones es la ausencia de variables  
climatológicas y económicas que podrían influir en la  
precisión de las proyecciones. Factores como la  
temperatura, la precipitación y la variabilidad en los  
precios no fueron considerados en este análisis, lo  
cual restringe la capacidad del modelo para anticipar  
eventos atípicos o cambios estructurales en el  
mercado agrícola.  
111  
Modelos predictivos para la estimación de oferta de fresas en Cundinamarca: un enfoque comparativo con aprendizaje  
automático y regresión  
Oscar Mauricio Gelves Alarcón, Nataly Lorena Guarín Cortés, María Paula Peña Martínez,María Fernanda Rebolledo Marulanda  
REFERENCIAS;  
Agronegocios. (2024, septiembre). Precios de fresa  
en Andina, Cundinamarca.  
}Maskey, M. L., Pathak, T. B., & Dara, S. K. (2019).  
Weather Based Strawberry Yield Forecasts at  
Field Scale Using Statistical and Machine  
Learning Models. Atmosphere, 10(7), 378.  
https://doi.org/10.3390/ATMOS10070378  
https://www.agronegocios.co/precios/fresa/andin  
a/cundinamarca  
Alarcón, M. J. (2009). Calificación del método de  
pronóstico de Torres (Segunda parte). Poliantea,  
5(9).  
Ministerio de Agricultura de Colombia. (2024). Cifras  
sectoriales:  
Fresa.  
https://sioc.minagricultura.gov.co/Fresa/Docume  
ntos/2021-0331%20Cifras%20Sectoriales.pdf  
Barak, S., & Sadegh, S. S. (2016). Forecasting energy  
consumption using ensemble ARIMA–ANFIS  
hybrid algorithm. International Journal of  
Electrical Power & Energy Systems, 82, 92-104.  
Mohamed-Amine, N., Abdellatif, M., & Belaid, B.  
(2024). Artificial intelligence for forecasting sales  
of agricultural products: A case study of a  
moroccan agricultural company. Journal of Open  
Innovation: Technology, Market, and Complexity,  
10(1), 100189.  
Balaji, P., & Dakshayini, M. (2018). Performance  
analysis of the regression and time series  
predictive models using parallel implementation  
for agricultural data. Procedia Computer  
Science, 132, 198-207.  
Nassar, L., Okwuchi, I. E., Saad, M., Karray, F.,  
Ponnambalam, K., & Agrawal, P. (2020).  
Prediction of Strawberry Yield and Farm Price  
Utilizing Deep Learning. International Joint  
Conference on Neural Network, 1–7.  
https://doi.org/10.1109/IJCNN48605.2020.92069  
98  
García-Mora, V. M., Ilbay-Yupa, M., & Veintimilla, R.  
A. R. (2023). Modelo de predicción para los  
factores que influyen en el rendimiento del  
cultivo de papa (Solanum tuberosum) en  
Ecuador. Bases de la Ciencia, 8(2).  
Gelves Alarcón, Ó y Navarro Romero, E. (2021).  
Principios de la gestión de la producción. Una  
revisión teórica y aplicada de los conceptos.  
Universidad Santo Tomás.  
Oh, H. R., Lim, J., Yang, S. B., Shin, C.-S., & Cho, Y.  
(2022). A Study on the Prediction of Strawberry  
Production in Machine Learning Infrastructure.  
스마트미디어저널,  
11(5),  
9–16.  
https://doi.org/10.30693/smj.2022.11.5.9  
Hanke, J. E. (2010). Pronósticos en los negocios (9ª  
ed.). México: Pearson Educación.  
Hastie, T. (2009). The elements of statistical learning:  
data mining, inference, and prediction. Ed  
springer  
Kumar, A., & Agrawal, S. (2023). Challenges and  
opportunities for agri-fresh food supply chain  
management in India. Computers and  
Electronics in Agriculture, 212, 108161.  
112