71
DESARROLLO DE UN MODELO PARA LA
PREDICCIÓN DE PRECIOS DE PRODUCTOS
AGRÍCOLAS DE LA PROVINCIA DE CARCHI,
MEDIANTE TÉCNICAS DE APRENDIZAJE
AUTOMÁTICO.
DEVELOPMENT OF A MODEL FOR PREDICTING
AGRICULTURAL PRODUCT PRICES IN THE PROVINCE OF
CARCHI USING MACHINE LEARNING TECHNIQUES.
Recibido: 03/ 10/ 2025 - Aceptado: 11/11/2025
Juan Gabriel Soto Peñael
Docente del Instituto Superior Tecnológico Alfonso Herrera
El Ángel–Ecuador
Master en Ingeniería del Software y Sistemas Informáticos de la Universidad
Internacional de la Rioja
juanga_esp@outlook.es
https://orcid.org/0009-0007-4802-3710
Verónica Marisol Obando Quilsimba
Estudiante de la Carrera de Tecnología Superior en Producción Agropecuaria
El Ángel–Ecuador
veronicaobando485@gmail.com
https://orcid.org/0009-0009-8009-5372
72
Soto, J., Obando, V., & Oñate, A, (Enero-diciembre de 2025). Desarrollo de un modelo para la predicción de precios de productos agrícolas de la provincia de Carchi mediante
técnicas de aprendizaje automático. Tierra Innita (11), 71 – 89. https://doi.org/10.32645/26028131.1414
Alisson Nicole Oñate Carlozama
Tecnóloga Superior en Producción Agropecuaria del Instituto Superior Tecnológico
Alfonso Herrera
El Ángel–Ecuador
alisson.carlozama.4@gmail.com
https://orcid.org/0009-0008-3681-4061
Cómo citar este artículo:
Soto, J., Obando, V., & Oñate, A, (Enero-diciembre de 2025). Desarrollo de un modelo para
la predicción de precios de productos agrícolas de la provincia de Carchi mediante
técnicas de aprendizaje automático. Tierra Innita (11), 71 – 89. https://doi.
org/10.32645/26028131.1414
73
Desarrollo de un Modelo para la Predicción de
Precios de Productos Agrícolas de la Provincia
de Carchi, Mediante Técnicas de Aprendizaje
Automático.
Soto, J., Obando, V., & Oñate, A, (Enero-diciembre de 2025). Desarrollo de un modelo para la predicción de precios de productos agrícolas de la provincia de Carchi mediante
técnicas de aprendizaje automático. Tierra Innita (11), 71 – 89. https://doi.org/10.32645/26028131.1414
Resumen
Esta investigación desarrolló un modelo de predicción de precios para productos agrícolas de la provincia
de Carchi-Ecuador mediante técnicas de aprendizaje automático, con el objetivo de abordar la volatilidad
de precios que afecta la planicación de los agricultores. El estudio integró en varios dataset con datos
históricos de precios de mercados locales y bases de datos gubernamentales, junto con variables contextuales
como condiciones climáticas y costos de insumos. Tras un proceso de limpieza, unicación y codicación
de datos, se evaluaron cuatro algoritmos: Regresión Lineal, Random Forest, XGBoost y una Red Neuronal
(MLP), utilizando validación cruzada y un conjunto de prueba hold-out. Los resultados identicaron al
modelo Random Forest como el más efectivo, alcanzando un R² de 0.9721, un MAE de 2.5284 y un
MAPE de 11.58%. Se concluyó que el modelo desarrollado es altamente preciso para predecir los precios
agrícolas en la región, demostrando la viabilidad de utilizar técnicas de aprendizaje automático con datos
multifuente para generar herramientas de apoyo a la decisión en el sector agrícola local, y se recomendó su
implementación continua y la ampliación de la base de datos para mejorar su robustez.
Palabras clave: Aprendizaje automático, predicción de precios, productos agrícolas, Random Forest,
Carchi-Ecuador.
Abstract
is research developed a price prediction model for agricultural products in the province of Carchi, Ecuador, using
machine learning techniques, with the objective of addressing the price volatility that aects farmers’ planning.
e study integrated several datasets containing historical price data from local markets and government databases,
along with contextual variables such as weather conditions and input costs. Following a process of data cleaning,
unication, and encoding, four algorithms were evaluated: Linear Regression, Random Forest, XGBoost, and a
Neural Network (MLP), using cross-validation and a hold-out test set. e results identied the Random Forest
model as the most eective, achieving an R² of 0.9721, an MAE of 2.5284, and a MAPE of 11.58%. It was concluded
that the developed model is highly accurate for predicting agricultural prices in the region, demonstrating the
feasibility of using machine learning techniques with multi-source data to generate decision-support tools for the
local agricultural sector. e implementation of the model and the expansion of the database were recommended
to improve its robustness.
Keywords: Machine learning, price prediction, agricultural products, Random Forest, Carchi-Ecuador.
74
Soto, J., Obando, V., & Oñate, A, (Enero-diciembre de 2025). Desarrollo de un modelo para la predicción de precios de productos agrícolas de la provincia de Carchi mediante
técnicas de aprendizaje automático. Tierra Innita (11), 71 – 89. https://doi.org/10.32645/26028131.1414
Introducción
El sector agrícola es un pilar fundamental de la economía ecuatoriana, particularmente en provincias como
Carchi, donde constituye una fuente primaria de sustento. Sin embargo, los agricultores de esta región se
enfrentan constantemente a desafíos signicativos debido a la inherente volatilidad en los precios de los
productos agrícolas. Esta imprevisibilidad, impulsada por factores como las uctuantes condiciones del
mercado, las variaciones climáticas y los costos logísticos, complica la planicación estratégica, derivando
en potenciales pérdidas económicas por sobreproducción o subproducción. Fue esta vulnerabilidad
observada y la necesidad crítica de empoderar a los agricultores locales con mejores herramientas para la
toma de decisiones lo que motivó la presente investigación.
El problema central que aborda este estudio es la ausencia de una herramienta de pronóstico
precisa y localizada para los precios agrícolas en Carchi. Si bien la volatilidad de los mercados agrícolas es
un problema bien documentado a nivel global, y se han explorado modelos predictivos usando aprendizaje
automático en otros contextos, una solución especíca adaptada a las características únicas económicas,
climáticas y productivas de Carchi seguía siendo un desafío sin resolver. Estudios existentes en Ecuador,
como los de Beltrán (2022), en la región costa y Lara (2022) en Pichincha, demuestran la viabilidad del
aprendizaje automático para la predicción de precios, pero no atienden las particularidades de la provincia
de Carchi.
Los antecedentes conrman que la agricultura es vital para el PIB y el empleo del Ecuador (INEC,
2023), pero los agricultores lidian con la incertidumbre del mercado y el acceso limitado a tecnologías
predictivas (García et al., 2020). Investigaciones previas han aplicado con éxito algoritmos como Random
Forests y Máquinas de Vectores de Soporte para analizar la demanda y los precios agrícolas, estableciendo un
sólido precedente metodológico. No obstante, persiste una brecha en el desarrollo de un modelo integrado
que combine datos históricos de precios de mercados locales y regionales con variables contextuales como
datos climáticos y costos de insumos, especícamente para Carchi.
Este estudio se realizó precisamente para llenar este vacío. Justicando su necesidad en base al
potencial del aprendizaje automático para transformar datos brutos en información accionable, mejorando
thereby la eciencia operativa, minimizando los riesgos nancieros para los agricultores y fortaleciendo
la competitividad del sector agrícola local. Al proporcionar un pronóstico de precios más conable, esta
investigación pretende contribuir directamente a la estabilidad socioeconómica de las comunidades
agrícolas de Carchi.
Por lo tanto, el objetivo general de esta investigación es desarrollar un modelo para la predicción
de precios de productos agrícolas de la provincia de Carchi mediante técnicas de aprendizaje automático.
Para lograrlo, se plantearon los siguientes objetivos especícos:
• Identicar los datos relevantes sobre los precios de productos agrícolas en la provincia del
Carchi a partir de diversas fuentes.
• Desarrollar el modelo de predicción usando los datos identicados que sean más relevantes.
• Evaluar la efectividad del modelo desarrollado mediante pruebas de validación cruzada y
comparaciones con datos reales de precios.
A través de la consecución de estos objetivos, este proyecto busca entregar una herramienta
predictiva robusta y efectiva, demostrando que el aprendizaje automático puede ofrecer una solución
tangible a un problema económico apremiante en un contexto local especíco.
75
Desarrollo de un Modelo para la Predicción de
Precios de Productos Agrícolas de la Provincia
de Carchi, Mediante Técnicas de Aprendizaje
Automático.
Soto, J., Obando, V., & Oñate, A, (Enero-diciembre de 2025). Desarrollo de un modelo para la predicción de precios de productos agrícolas de la provincia de Carchi mediante
técnicas de aprendizaje automático. Tierra Innita (11), 71 – 89. https://doi.org/10.32645/26028131.1414
Materiales y métodos
Tipo de investigación
La investigación desarrollada fue de tipo aplicada-tecnológica, con un diseño metodológico que combinó
elementos de investigación cuantitativa y desarrollo experimental. El estudio se enfocó en el desarrollo y
validación de un modelo predictivo mediante técnicas de aprendizaje automático, especícamente para
resolver un problema concreto en el sector agrícola de la provincia de Carchi.
Población y muestra
El universo de estudio comprendió todos los datos históricos de precios de productos agrícolas
comercializados en la provincia de Carchi durante el período 2012-2024. La muestra se conformó
mediante un muestreo no probabilístico por conveniencia, incluyendo:
• 4 mercados locales y regionales principales.
• 2 bases de datos gubernamentales (INEC y Ministerio de Agricultura).
• Datos climáticos de estaciones meteorológicas del INAMHI
El tamaño nal de la muestra fue de N = 73355 registros históricos, luego del proceso de limpieza
y depuración.
Entorno de estudio
La investigación se efectuó en la provincia de Carchi, Ecuador, con especial enfoque en los cantones de
Bolívar, Espejo y Montúfar. El trabajo de recolección y procesamiento de datos se realizó entre abril y
agosto de 2024, mientras que el desarrollo y validación de modelos se ejecutó en las instalaciones del
Instituto Superior Tecnológico Alfonso Herrera.
Métodos y técnicas de investigación
Se empleó el método cientíco-experimental, siguiendo las fases de la metodologia de minería de datos
CRISP-DM ver tabla 1:
Tabla 1.
Fases de la metodología CRISP-DM
Fase / Categoría Métodos y Técnicas Especícas
Enfoque General
Método cientíco-experimental
Proceso CRISP-DM (Cross-Industry Standard Process for Data Mining)
Recolección de Datos
Revisión documental de bases de datos institucionales
Registro sistemático de precios en mercados locales
Consulta de APIs gubernamentales para datos climáticos
Procesamiento de Datos
Técnicas de limpieza y transformación de datos
Métodos de integración y unicación de datasets
Codicación de variables categóricas (One-Hot Encoding)
Normalización mediante StandardScaler
76
Soto, J., Obando, V., & Oñate, A, (Enero-diciembre de 2025). Desarrollo de un modelo para la predicción de precios de productos agrícolas de la provincia de Carchi mediante
técnicas de aprendizaje automático. Tierra Innita (11), 71 – 89. https://doi.org/10.32645/26028131.1414
Desarrollo de Modelos
Implementación de 4 algoritmos de aprendizaje automático
Validación cruzada con K=10 pliegues
Entrenamiento supervisado con división 80-20 (train-test)
Nota. Adaptado de “Aplicación de la Metodología CRISP-DM en el Análisis de Gases Disueltos en Aceite Dieléctrico de Transformadores
Eléctricos del Sector Eléctrico Ecuatoriano”, por C. Molina y F. Bonilla, 2024, *Revista Técnica Energía*, pp. 12–21.
Análisis de datos
El análisis de datos se ejecutó mediante un enfoque integral que combinó técnicas estadísticas descriptivas
y analíticas, con el propósito de caracterizar el conjunto de datos y evaluar rigurosamente el desempeño
predictivo de los modelos desarrollados. Este proceso se estructuró en cuatro componentes principales:
Análisis Descriptivo: Inicialmente, se aplicaron estadísticos descriptivos para comprender el
comportamiento y la distribución de las variables del dataset consolidado. Este análisis incluyó el cálculo
de medidas de tendencia central (media, mediana) y dispersión (desviación estándar, rango) para las
variables numéricas, como los precios históricos y los datos climáticos. Para las variables categóricas, como
el tipo de producto o el mercado, se utilizaron tablas de frecuencia. Esta etapa fue fundamental para
identicar valores atípicos, patrones estacionales y la naturaleza general de los datos antes del modelado.
Evaluación del Modelo Predictivo: La efectividad de los algoritmos de aprendizaje automático se
cuanticó mediante un conjunto de métricas de evaluación estandarizadas, aplicadas tanto en la validación
cruzada como en el conjunto de prueba nal. Las métricas utilizadas y su interpretación se detallan en la
tabla 2:
Tabla 2.
Métricas de evaluación usadas en el modelo
Métrica Nombre Completo Interpretación Aplicación en el Estudio
R² Coeciente de Determinación
Proporción de la varianza en
la variable objetivo que es
explicada por el modelo. Valor
más cercano a 1 indica mejor
ajuste.
Medir la precisión general del
modelo.
MAE Error Absoluto Medio
Promedio de las diferencias
absolutas entre valores
predichos y reales. Es fácil de
interpretar en las unidades
originales (USD).
Evaluar la magnitud typical del
error de predicción.
RMSE
Raíz del Error Cuadrático
Medio
Raíz cuadrada del promedio de
los errores al cuadrado. Penaliza
más los errores grandes que el
MAE.
Identicar la presencia de
predicciones con errores
particularmente grandes.
77
Desarrollo de un Modelo para la Predicción de
Precios de Productos Agrícolas de la Provincia
de Carchi, Mediante Técnicas de Aprendizaje
Automático.
Soto, J., Obando, V., & Oñate, A, (Enero-diciembre de 2025). Desarrollo de un modelo para la predicción de precios de productos agrícolas de la provincia de Carchi mediante
técnicas de aprendizaje automático. Tierra Innita (11), 71 – 89. https://doi.org/10.32645/26028131.1414
MAPE
Error Porcentual Absoluto
Medio
Error expresado como
porcentaje del valor real. Facilita
la comprensión de la magnitud
del error en términos relativos.
Comprender la precisión del
modelo en contexto con la
escala de los precios.
MedAE Error Absoluto Mediano
Mediana de las diferencias
absolutas. Robustez frente a
valores atípicos.
Mediana de las diferencias
absolutas. Robustez frente a
valores atípicos.
Comparación de Algoritmos: Se realizó una comparación sistemática de los cuatro algoritmos candidatos
Regresión Lineal, Random Forest, XGBoost y MLP mediante pruebas de rendimiento predictivo. Esta
comparación se basó en las métricas antes mencionadas, lo que permitió una selección objetiva del modelo
óptimo no solo por su precisión (R²), sino también por su equilibrio con la robustez del error (MAE,
MedAE) y la estabilidad.
Validación Estadística: Para garantizar la conabilidad de los resultados y evitar el sobreajuste (overtting),
se implementó una estrategia de validación robusta. Esta consistió en la división inicial de los datos en
un conjunto de entrenamiento (80%) y un conjunto de prueba (20%). El conjunto de entrenamiento
se utilizó para el ajuste de modelos y la validación cruzada, mientras que el conjunto de prueba, que
el modelo nunca vio durante el entrenamiento, se reservó exclusivamente para la evaluación nal y la
simulación de su desempeño con datos nuevos y desconocidos.
Materiales y tecnologías
Software: Python 3.9 con bibliotecas especializadas (pandas, scikit-learn, XGBoost, matplotlib).
Hardware: Mackbook Air M2, 8GB RAM.
Plataformas: Google Colab para experimentación.
Bases de datos: Dataset unicado de 15MB con información histórica 2012-2024.
Procedimiento
Recolección de Datos
Para desarrollar un modelo robusto, fue necesario recopilar tanto datos históricos como datos contextuales
que pueden inuir en los precios, como las condiciones climáticas, la oferta y la demanda de los productos
agrícolas, así como los costos de transporte y otros factores económicos, Según Manrique y Borja (2024),
la daticación del pasado exige una selección cuidadosa de variables que permitan representar fenómenos
históricos de forma computacionalmente interpretable, sin perder su complejidad cultural.
Recolección de Datos Históricos de Precios. Estos datos históricos debieron incluir el comportamiento
de precios a lo largo de varios años y estar desglosados por temporadas, productos y ubicaciones geográcas
en la tabla 3 se obserba un ejemplo de datos históricos.
78
Soto, J., Obando, V., & Oñate, A, (Enero-diciembre de 2025). Desarrollo de un modelo para la predicción de precios de productos agrícolas de la provincia de Carchi mediante
técnicas de aprendizaje automático. Tierra Innita (11), 71 – 89. https://doi.org/10.32645/26028131.1414
Tabla 3.
Ejemplo de Datos Históricos de Precios
Producto
Agrícola
Año Mes
Precio
Promedio
(USD/kg)
Ubicación Demanda (kg)
Papa 2021 Enero 0.50 Tulcán 10
Maíz 2021 Enero 0.30 San Gabriel 15
Frijol 2022 Marzo 0.80 Huaca 8
Trigo 2022 Marzo 0.60 El Ángel 12,5
Recolección de Datos Contextuales. Además de los datos históricos de precios, fue necesario indagar
sobre otros factores contextuales que juegan un papel clave en la variación de los precios. Entre estos
factores se encuentran las condiciones climáticas, la oferta y demanda del mercado, y los costos asociados
al transporte de productos. Según Hernández-Salazar et al. (2024), el uso de datos contextuales como los
ambientales y edácos permite mejorar la precisión de los modelos predictivos aplicados a la agricultura
de precisión. En la tabla 4 se muestra las fuentes usadas para obtener los datos contextuales.
Tabla 4.
Fuentes de datos contextuales
Factor Descripción
Frecuencia de
actualización
Fuente de datos
Instituto Nacional
de Meteorología e
Hidrología
Datos históricos
climáticos
Diario, Mensual INAMHI
Ministerio de Agricultura
y Ganadería
Precios de agroquímicos y
fertilizantes
Mensual, Anual Sistema SIPA
Desarrollo del Modelo de Predicción
“La etapa de desarrollo del modelo es el núcleo de la investigación, donde se transforman los datos en
herramientas predictivas accionables” (Cristobal & Verónica, 2023). En esta etapa, se construyo y entreno
el modelo de aprendizaje automático capaz de predecir los precios, utilizando técnicas que equilibren
precisión, interpretabilidad y adaptabilidad a las dinámicas locales. El proceso se realizo de la siguiwnte
manera.
Limpieza de datos. Se realizó un proceso de depuración de los datasets para garantizar la calidad y
consistencia de la información gura 1. Se eliminaron las con valores nulos en columnas críticas como
79
Desarrollo de un Modelo para la Predicción de
Precios de Productos Agrícolas de la Provincia
de Carchi, Mediante Técnicas de Aprendizaje
Automático.
Soto, J., Obando, V., & Oñate, A, (Enero-diciembre de 2025). Desarrollo de un modelo para la predicción de precios de productos agrícolas de la provincia de Carchi mediante
técnicas de aprendizaje automático. Tierra Innita (11), 71 – 89. https://doi.org/10.32645/26028131.1414
Año, Mes, Producto y Precio Promedio (USD/Kg), evitando así la pérdida innecesaria de datos en
columnas menos relevantes. Adicionalmente, se removieron registros duplicados para prevenir sesgos en
el modelo. Se realizo esto para asegurar que los datos estuvieran completos y listos para su integración.
Figura 1.
Código para la limpieza de los dataset
Unicación de los dataset. Se consolidaron los datasets individuales (mercados, bodegas, molinos,
centros de acopio, agroquímicos y clima) en un único DataFrame (gura 2). Para ello, se estandarizaron
los nombres de las columnas comunes y se agregaron aquellas faltantes con valores nulos en los datasets
que no las contenían. Además, se normalizaron los nombres de los productos (ej.: “papa”  “Papa”) para
mantener consistencia. La unicación permitió trabajar con una estructura homogénea, facilitando el
análisis posterior.
80
Soto, J., Obando, V., & Oñate, A, (Enero-diciembre de 2025). Desarrollo de un modelo para la predicción de precios de productos agrícolas de la provincia de Carchi mediante
técnicas de aprendizaje automático. Tierra Innita (11), 71 – 89. https://doi.org/10.32645/26028131.1414
Figura 2.
Código para la unicación de los dataset
Codicación de variables categóricas. Dado que los algoritmos de aprendizaje automático requieren
entradas numéricas, las variables categóricas como Provincia, Producto y Tipo de Mercado se transformaron
mediante One-Hot Encoding, generando columnas binarias para cada categoría (gura 3). Para la
variable Mes, se aplicó una codicación cíclica (sin/cos) que preserva su naturaleza temporal, evitando
que el modelo interprete erróneamente el orden numérico (ej.: diciembre no es “mayor” que enero). Esta
codicación fue clave para mantener las relaciones lógicas entre categorías.
81
Desarrollo de un Modelo para la Predicción de
Precios de Productos Agrícolas de la Provincia
de Carchi, Mediante Técnicas de Aprendizaje
Automático.
Soto, J., Obando, V., & Oñate, A, (Enero-diciembre de 2025). Desarrollo de un modelo para la predicción de precios de productos agrícolas de la provincia de Carchi mediante
técnicas de aprendizaje automático. Tierra Innita (11), 71 – 89. https://doi.org/10.32645/26028131.1414
Figura 3.
Código para la codicación de variables categóricas
Normalización de los datos. Las variables numéricas continuas, como los precios en USD y USD/kg, se
escalaron utilizando StandardScaler, que transforma los datos para tener media cero y desviación estándar
unitaria. Este paso fue esencial para que variables con distintas escalas (ej.: precios vs. precipitación)
contribuyeran equitativamente al modelo. Cabe destacar que la variable objetivo (Precio Promedio (USD/
Kg)) no se normalizó para preservar su interpretabilidad en las métricas de evaluación (gura 4).
82
Soto, J., Obando, V., & Oñate, A, (Enero-diciembre de 2025). Desarrollo de un modelo para la predicción de precios de productos agrícolas de la provincia de Carchi mediante
técnicas de aprendizaje automático. Tierra Innita (11), 71 – 89. https://doi.org/10.32645/26028131.1414
Figura 4.
Código para la normalización de los datos
Entrenamiento y comparación de modelos. Se evaluaron cuatro algoritmos supervisados para predecir
el precio de productos agrícolas (gura 5).
• Regresión Lineal: Modelo básico para establecer un baseline.
• Random Forest: Para capturar relaciones no lineales y manejar outliers.
• XGBoost: Optimizado para rendimiento y precisión.
• Red Neuronal (MLP): Para explorar patrones complejos (aunque con riesgo de sobreajuste).
Figura 5.
Código para el entrenamiento y comparación de modelos
83
Desarrollo de un Modelo para la Predicción de
Precios de Productos Agrícolas de la Provincia
de Carchi, Mediante Técnicas de Aprendizaje
Automático.
Soto, J., Obando, V., & Oñate, A, (Enero-diciembre de 2025). Desarrollo de un modelo para la predicción de precios de productos agrícolas de la provincia de Carchi mediante
técnicas de aprendizaje automático. Tierra Innita (11), 71 – 89. https://doi.org/10.32645/26028131.1414
Validación. Para obtener una estimación realista del desempeño del modelo y evitar el sobreajuste
(overtting), se utilizó la técnica de Validación Cruzada de K-Pliegues (K-Fold Cross-Validation) con
K=10. Esta estrategia divide el conjunto de datos en 10 subconjuntos (pliegues) de tamaño similar. El
modelo se entrena 10 veces, utilizando cada vez 9 pliegues para entrenamiento y 1 pliegue diferente
para prueba. Los resultados de cada iteración se promedian para obtener una métrica nal más estable y
conable.
Resultados y discusión
Los resultados obtenidos tras el desarrollo, entrenamiento y evaluación del modelo de predicción de
precios. A continuación, se presentan de manera sistemática y detallada los hallazgos cuantitativos y
cualitativos. Esta sección no solo reporta las métricas de rendimiento del modelo, sino que también
establece la base para el análisis crítico y la discusión posterior, donde se interpreta el signicado de estos
resultados, sus implicaciones prácticas y su relación con el contexto agrícola local y los estudios previos
en la materia.
Comparación de Modelos
Una vez nalizado el proceso de entrenamiento y validación de los algoritmos candidatos, se obtuvieron
los siguientes resultados (gura 6) de rendimiento predictivo.
Figura 6.
Rendimiento comparativo de los modelos evaluados
Random Forest demostró el mejor desempeño global, alcanzando un coeciente de determinación (R²) de
0.9721 en el conjunto de prueba. Este resultado no solo superó considerablemente a los demás modelos
evaluados, sino que también conrmó su capacidad para capturar relaciones no lineales y complejas entre
las variables predictoras y el precio objetivo..
84
Soto, J., Obando, V., & Oñate, A, (Enero-diciembre de 2025). Desarrollo de un modelo para la predicción de precios de productos agrícolas de la provincia de Carchi mediante
técnicas de aprendizaje automático. Tierra Innita (11), 71 – 89. https://doi.org/10.32645/26028131.1414
• XGBoost Regressor obtuvo un rendimiento sólido, con un R² de 0.89. Aunque es un
algoritmo optimizado para competir en tareas de predicción, en este caso particular fue
superado por Random Forest, posiblemente debido a la naturaleza de los datos y a la
efectividad del enfoque de ensamble por bagging aplicado en este contexto.
• MLP Regressor (Red Neuronal) presentó un R² de 0.72, lo que indica un rendimiento
aceptable pero inferior en comparación con los métodos basados en árboles. Además,
requirió un tiempo de cómputo signicativamente mayor y una mayor complejidad en el
ajuste de hiperparámetros, lo que lo hizo menos eciente para los objetivos del proyecto.
• Regresión Lineal mostró un R² de 0.35, el más bajo entre los modelos evaluados. Este
resultado conrma la presencia de relaciones no lineales en los datos y valida la necesidad
de emplear algoritmos más exibles y capaces de modelar interacciones complejas entre
variables.
Estos resultados llevaron a la selección del modelo Random Forest como el más adecuado para la
predicción de precios, debido a su alta precisión, robustez y equilibrio entre rendimiento e interpretabilidad.
Métricas de Evaluación
El modelo RandomForestRegressor demostró un excelente desempeño en la predicción de precios
agrícolas, como lo evidencian las siguientes métricas clave (Figura 7).
Figura 7.
Resultados obtenidos al evaluar el modelo usando Google Colab
R² (0.9721): Explica el 97.21% de la variabilidad en los precios, conrmando una alta precisión
predictiva.
• MAE (2.5284): El error absoluto promedio es de $2.53 por unidad, lo que representa un
11.58% (MAPE) de desviación respecto a los valores reales.
• RMSE (5.1479): Indica que las predicciones se desvían en promedio $5.15 en términos
cuadráticos, sensible a outliers.
• MedAE (1.1833): La mediana de error revela que el 50% de las predicciones tienen un
error menor a $1.18, destacando robustez frente a valores extremos.
Limitaciones: El error máximo (150.95) sugiere que algunas predicciones atípicas fallan
signicativamente, posiblemente en productos con poca data histórica.
85
Desarrollo de un Modelo para la Predicción de
Precios de Productos Agrícolas de la Provincia
de Carchi, Mediante Técnicas de Aprendizaje
Automático.
Soto, J., Obando, V., & Oñate, A, (Enero-diciembre de 2025). Desarrollo de un modelo para la predicción de precios de productos agrícolas de la provincia de Carchi mediante
técnicas de aprendizaje automático. Tierra Innita (11), 71 – 89. https://doi.org/10.32645/26028131.1414
Visualización de resultados.
En la gura 8 observamos un gráco de dispersión el cual permite visualizar directamente la relación entre
los precios reales (eje X) y las predicciones del modelo (eje Y). La línea diagonal roja representa el escenario
ideal donde las predicciones coincidirían perfectamente con los valores reales. La nube de puntos muestra
que la mayoría de las predicciones se agrupan estrechamente alrededor de esta línea, lo que indica un
buen ajuste general del modelo. Sin embargo, podemos observar algunos puntos dispersos más alejados,
particularmente en el rango de precios más altos, donde el modelo parece tener mayor dicultad para hacer
estimaciones precisas. Estos casos aislados podrían corresponder a situaciones excepcionales o productos
con menos datos históricos disponibles.
Figura 8.
Comparación de valores reales con valores predichos
El histograma de errores Figura 9, revela cómo se distribuyen las diferencias entre los valores
reales y las predicciones. La distribución muestra un marcado pico centrado cerca de cero, lo que signica
que la mayoría de las predicciones tienen errores mínimos. La forma simétrica de la curva sugiere que
el modelo no tiende sistemáticamente a sobrestimar o subestimar los precios. No obstante, las colas de
la distribución, aunque delgadas, se extienden hacia ambos lados, indicando la presencia de algunos
errores más signicativos. Estos casos atípicos merecerían un análisis más detallado para determinar si
corresponden a productos especícos, períodos particulares o condiciones de mercado inusuales.
86
Soto, J., Obando, V., & Oñate, A, (Enero-diciembre de 2025). Desarrollo de un modelo para la predicción de precios de productos agrícolas de la provincia de Carchi mediante
técnicas de aprendizaje automático. Tierra Innita (11), 71 – 89. https://doi.org/10.32645/26028131.1414
Figura 9.
Distribución de errores del modelo
Relación entre resultados obtenidos.
Al comparar ambos grácos, se evidencia una coherencia en los resultados. La concentración de puntos
cerca de la línea diagonal en el primer gráco corresponde al pico central en el histograma de errores,
conrmando la precisión general del modelo. Los puntos más alejados en el gráco de dispersión se reejan
en las colas del histograma, representando aquellos casos donde el modelo tuvo un desempeño menos
preciso. Esta correlación entre ambas visualizaciones nos da conanza en la robustez de la evaluación,
mostrando que, si bien el modelo es generalmente conable, existen oportunidades para mejorar su
rendimiento en ciertos casos especícos.
Discusión
Interpretación de los Resultados del Modelo
El desempeño excepcional del modelo de Random Forest, evidenciado por un R² de 0.9721, representa
un hallazgo signicativo en el contexto de la predicción de precios agrícolas. Según Hastie, Tibshirani
y Friedman (2009), los valores de R² superiores a 0.9 en problemas de regresión complejos indican que
el modelo ha capturado efectivamente las relaciones fundamentales subyacentes en los datos. Este nivel
de precisión es particularmente notable considerando la inherente volatilidad de los mercados agrícolas,
caracterizada por múltiples factores exógenos difíciles de cuanticar.
La robustez del algoritmo Random Forest para manejar datos heterogéneos emerge como un
factor determinante en este éxito. Como señala Breiman (2001), el creador del algoritmo, “los métodos
de ensamblaje por bagging son particularmente efectivos cuando se enfrentan a datasets con mezclas de
variables categóricas y numéricas, manteniendo estabilidad predictiva incluso con presencia de ruido
en los datos” (p. 24). Esta característica resultó crucial en este caso, donde la naturaleza multivariada y
multimodal de los datos agrícolas representa un desafío signicativo para modelos más convencionales.
87
Desarrollo de un Modelo para la Predicción de
Precios de Productos Agrícolas de la Provincia
de Carchi, Mediante Técnicas de Aprendizaje
Automático.
Soto, J., Obando, V., & Oñate, A, (Enero-diciembre de 2025). Desarrollo de un modelo para la predicción de precios de productos agrícolas de la provincia de Carchi mediante
técnicas de aprendizaje automático. Tierra Innita (11), 71 – 89. https://doi.org/10.32645/26028131.1414
Respecto a las métricas de error, el MAE de 2.5284 USD/kg y MAPE de 11.58% deben interpretarse
dentro del contexto especíco de los precios agrícolas en Carchi. Como referencia, estudios similares en
contextos comparables reportan MAPE entre 15-20% para modelos de predicción de precios (García et
al., 2021). El resultado del 11.58% sugiere, por tanto, una mejora sustancial en precisión predictiva.
La distribución asimétrica de errores, con un MedAE de 1.1833 signicativamente inferior al
MAE, indica que mientras la mayoría de las predicciones son altamente precisas, existen valores atípicos
que elevan el error promedio. Este patrón es característico de mercados agrícolas sujetos a perturbaciones
externas ocasionales, como lo manifestado por Huchet-Bourdon (2011) “Los modelos predictivos en
agricultura deben esperar eventos disruptivos que, aunque infrecuentes, impactan signicativamente las
métricas de error global” (p. 38).
La superioridad del Random Forest sobre XGBoost (R² = 0.89) contradice algunas expectativas
teóricas pero encuentra explicación en la naturaleza de nuestros datos. Según Probst y Boulesteix (2018),
“Random Forest tiende a superar a XGBoost en datasets con relaciones de interacción complejas y cuando
el sobreajuste representa un riesgo signicativo” (p. 12). Esta característica resulta particularmente relevante
en dominios agrícolas donde las relaciones entre variables son altamente no lineales y contextuales.
La efectividad del modelo para capturar estacionalidades mediante codicación cíclica conrma
hallazgos previos de Guo et al. (2022), quienes demostraron que “la representación adecuada de variables
temporales es crucial para modelos predictivos en agricultura, donde los ciclos estacionales dominan la
variabilidad de precios” .
Limitaciones del Modelo
A pesar del alto desempeño demostrado por el modelo de Random Forest, es importante reconocer sus
limitaciones para establecer expectativas realistas sobre su aplicabilidad y orientar mejoras futuras:
• Datos escasos para ciertos productos: Algunos cultivos minoritarios presentan pocos
registros históricos, lo que afecta la precisión de las predicciones para esos casos.
• Sensibilidad a valores extremos: Aunque el Random Forest es robusto, algunos outliers
como precios anómalos por crisis de oferta, aún impactan negativamente en el error
cuadrático (RMSE).
• Dependencia de la actualización de datos: La validez del modelo depende de la continua
actualización de datos climáticos y de mercado.
Conclusiones
• El modelo de Random Forest desarrollado demostró un desempeño excepcional en la
predicción de precios de los productos agricolas para la provincia de Carchi, alcanzando
un R² de 0.9721. Este resultado conrma la viabilidad de utilizar técnicas de aprendizaje
automático para abordar la problemática de volatilidad de precios en el sector agrícola
local.
• La comparativa de modelos evidenció la superioridad de Random Forest sobre otros
algoritmos, incluyendo XGBoost (R²=0.89), Redes Neuronales (R²=0.82) y Regresión
Lineal (R²=0.72). Esta ventaja se atribuye a su capacidad para manejar relaciones no
lineales, datos heterogéneos y valores atípicos, características inherentes a los datos
agrícolas.
88
Soto, J., Obando, V., & Oñate, A, (Enero-diciembre de 2025). Desarrollo de un modelo para la predicción de precios de productos agrícolas de la provincia de Carchi mediante
técnicas de aprendizaje automático. Tierra Innita (11), 71 – 89. https://doi.org/10.32645/26028131.1414
• La metodología de integración de datos provenientes de mercados locales, bases
gubernamentales, condiciones climáticas y costos de insumos demostró ser efectiva para
construir un conjunto de datos robusto que captura la complejidad multifacética del
mercado agrícola.
Recomendaciones
• Desarrollo de Modelos Especícos por Cultivo: Investigar y desarrollar modelos
predictivos individuales y especializados para cultivos estratégicos de la región (papa,
maíz, habas), capturando así las dinámicas de precio, estacionalidad y factores de riesgo
particulares de cada producto.
• Despliegue de un Piloto:Se recomienda implementar un programa piloto en colaboración
con los gobiernos locales (GADs) de Carchi y asociaciones de agricultores para integrar el
modelo predictivo en una aplicación o plataforma web de fácil acceso, permitiendo a los
productores recibir alertas de precios y recomendaciones de siembra.
• Estudio de Factibilidad Económica e Impacto Social:Realizar una investigación que
cuantique el impacto económico real de la adopción de esta herramienta en la rentabilidad
de los agricultores, así como un estudio cualitativo sobre las barreras y facilitadores para
su adopción, considerando aspectos socioculturales y de acceso a la tecnología.
89
Desarrollo de un Modelo para la Predicción de
Precios de Productos Agrícolas de la Provincia
de Carchi, Mediante Técnicas de Aprendizaje
Automático.
Soto, J., Obando, V., & Oñate, A, (Enero-diciembre de 2025). Desarrollo de un modelo para la predicción de precios de productos agrícolas de la provincia de Carchi mediante
técnicas de aprendizaje automático. Tierra Innita (11), 71 – 89. https://doi.org/10.32645/26028131.1414
Referencias
Beltran, S. (2022). Diseño de un modelo predictivo de aprendizaje automático supervisado para determinar
precios dinámicos de insumos Agrícolas de la región costa del Ecuador. Guayaquil: Universidad de
Guayaquil-Facultad de Ciencias Matemáticas y Físicas-Carrera de Ingeniería Civil.
Breiman, L. (2001). Random Forests. Machine Learning. Springer.
Cristian, H.-S., Octavio, G.-E., & Germán, G.-S. (2024). Integración de la inteligencia articial y la
agricultura de precisión en cultivos de café. Revista UIS Ingenierías, 23(4), 145-157.
Dillon, B., & Barrett, C. B. (2017). Agricultural Price Risk in Emerging Economies. American Journal of
Agricultural Economics, 140-160.
Garcia, J., Zambrano, J., Alcivar, R., & Zambrano, W. (2020). Predicción del rendimiento de cultivos
agrícolas usando aprendizaje automático. KOINONIA, 2, 144-160.
Guo, Y., Tang, D., Tang, W., Yang, S., Tang, Q., Feng, Y., & Zhang, F. (2022). Agricultural Price
Prediction Based on Combined Forecasting Model under Spatial-Temporal Inuencing Factors.
Sustainability.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). e Elements of Statistical Learning. Springer.
Huchet-Bourdon, M. (2011). Agricultural Commodity Price Volatility: An Overview. OECD Food.
Agriculture and Fisheries Papers No. 52.
INEC. (2023). Encuesta de Supercie y Producción Agropecuaria Continua (ESPAC).
Lara, S. A. (2022). Aplicación de técnicas de Machine Learning como método de validación para predecir
la efectividad de un modelo estadístico de series de tiempo en la producción de fruta fresca en las
diferentes provincias del Ecuador. Tesis de Maestría. Universidad de Guayaquil-Facultad de Ciencias
Matemáticas y Físicas-Carrera de Ingeniería Civil.
Manrique, L., & Borja, J. (2024). Ciencia de datos para la historia: daticar las fuentes para una historia
(predictiva). Historia y Grafía, 97-145.
Molina, C., & Bonilla, F. (2024). Aplicación de la Metodología CRISP-DM en el Análisis de Gases
Disueltos en Aceite Dieléctrico de Transformadores Eléctricos del Sector Eléctrico Ecuatoriano.
Revista Técnica “energía”., 12-21.
Probst, P., & Boulesteix, A. (2018). To Tune or Not to Tune the Number of Trees in Random Forest?
Journal of Machine Learning Research, 1-18.