Crop planning needs tools to support to making decision to establish its economic and environmental sustainability, as proposed this article presents a statistical analysis for historical data from 2007 to 2014 of the independent agroclimatic variables of the station code 21055020, located in the coordinate latitude 2,378 and length -75,89 municipality of La Plata, Huila, Colombia. Objective estimates a performance forecast using two mathematical models ARIMA and Multiple Regression. These are recommended in the literature. Finally, the results are compared to understand the system and establish their interactions, as support for decision making. The crop selected for the analysis is Passion Fruit (Passiflora Edulis) This crop has an impact economic and social for farmers in the area. The Multiple Regression Model underestimates the peaks of higher performance, besides the adjustment of the model is very low, which implies that this model is descriptive and not predictive while the ARIMA model is recommended given its adjustment to the time series analyzed for this study.La planificación de cultivos necesita herramientas de apoyo que faciliten la toma de decisión para determinar su sostenibilidad económica, social y ambiental. Este artículo presenta un análisis estadístico para los datos históricos entre 2007 y 2014 de las variables independientes agroclimáticas de la estación código 21055020, ubicada en las coordenadas latitud 2,378 y longitud -75,89, en el municipio de La Plata, departamento del Huila, Colombia. Como objetivo principal, se propuso estimar el pronóstico del rendimiento utilizando dos modelos matemáticos: ARIMA y Regresión Múltiple, recomendados en la literatura científica. Finalmente, se comparan los resultados para comprender el sistema de producción del cultivo y establecer las interacciones del rendimiento con las variables agroclimáticas. Se tomó como referencia para este estudio el cultivo de maracuyá (Passiflora Edulis), debido a su importante impacto económico y social para los productores de la zona. Se concluyó que el modelo de regresión múltiple subestima los picos de mayor rendimiento; además, el ajuste del modelo es muy bajo, lo que implica que este modelo es descriptivo y no predictivo, mientras que el modelo ARIMA se recomienda por su mejor ajuste a las series de tiempo analizadas.