Ir al contenido
σestadistica.ar

estadistica.ar · Enciclopedia de Estadística en españolhttps://estadistica.ar/conceptos/componentes-de-una-serie

M04 · Índices y seriesIntermedioConcepto

Tendencia, ciclo, estacionalidad e irregular

Las cuatro partes en que se descompone una serie de tiempo, cómo se combinan y qué se hace con cada una.

Por Jorge Luis Montivero, Licenciado en Estadística · Mu3Sigma

1 · Las cuatro componentes

ComponenteQué esDuración
Tendencia (TT)la dirección de largo plazoaños
Ciclo (CC)fluctuaciones alrededor de la tendencia2 a 10 años
Estacionalidad (SS)patrón que se repite cada año1 año
Irregular (II)lo que queda: ruido y hechos puntualessin patrón
Tendencia, estacionalidad e irregular: los componentes de una serie · video, 3:20

2 · Los dos modelos

Aditivo:

Yt=Tt+St+ItY_t = T_t + S_t + I_t

La estacionalidad suma o resta la misma cantidad todos los años.

Multiplicativo:

Yt=Tt×St×ItY_t = T_t \times S_t \times I_t

La estacionalidad es un porcentaje del nivel: si la serie crece, la amplitud de los picos crece con ella.

Tomando logaritmos, un modelo multiplicativo se vuelve aditivo: por eso muchas series se analizan en logaritmos. La contracara es que un cero rompe la cuenta: no hay cociente ni logaritmo posible. Si la serie tiene meses en cero —en las pernoctaciones, abril y mayo de 2020—, hay que tratarlos como faltantes y decir cómo se los manejó.

3 · Los índices estacionales

Los doce índices de las pernoctaciones hoteleras, con el modelo multiplicativo:

MesÍndiceMesÍndice
Enero1,596Julio1,112
Febrero1,365Agosto0,897
Marzo1,023Septiembre0,921
Abril0,837Octubre0,978
Mayo0,699Noviembre0,970
Junio0,654Diciembre0,949
0,6 0,8 1,0 1,2 1,4 1,6 1,596 ene 1,365 feb 1,023 mar 0,837 abr 0,699 may 0,654 jun 1,112 jul 0,897 ago 0,921 sep 0,978 oct 0,970 nov 0,949 dic mes promedio = 1
Enero tiene 60 % más pernoctaciones que un mes promedio y junio 35 % menos: una razón de 2,44 entre el mejor y el peor mes.Fuente: INDEC, Encuesta de Ocupación Hotelera. Serie 2007-2025, método clásico de medias móviles.

4 · La descomposición, mes a mes

La identidad Y=T×S×IY = T \times S \times I se puede seguir dato por dato. Dos meses de 2019, con la tendencia estimada por media móvil centrada de doce meses:

Enero 2019Junio 2019
Observado (YY)5.957.1522.980.803
Tendencia (TT)4.042.5814.087.345
Estacional (SS)1,59570,6538
T×ST \times S esperado6.450.6312.672.276
Irregular (II)0,92351,1155
3 M 5 M 7 M Observado y tendencia 3,4 M 3,8 M 4,2 M Tendencia 0,6 1,0 1,6 Estacional 0,8 1,0 1,2 Irregular 2007 2009 2011 2013 2015 2017 2019
La serie prepandemia separada en sus partes: una tendencia casi plana salvo el pozo de 2009, un patrón anual que se repite y un irregular que oscila alrededor de 1.Tendencia: media móvil 2×12. Estacional: los índices de la sección 3. Irregular: el cociente que queda.Fuente: INDEC, Encuesta de Ocupación Hotelera.

El componente irregular de esta serie, entre 2007 y 2018, tiene media 1,000 y desvío 0,047: la descomposición deja sin explicar alrededor de un 5 % del nivel mes a mes. Ese desvío es la medida natural de qué tan bien funciona el modelo.

5 · Qué hacer con cada componente

ComponenteInterés
Tendenciala dirección de fondo; lo que importa para decisiones de largo plazo
Ciclola fase de la economía
Estacionalidadse remueve para comparar meses, o se usa para planificar
Irregulardebería ser ruido; si tiene estructura, falta algo en el modelo

6 · Los métodos de descomposición

MétodoCaracterística
Medias móviles clásicassimple, transparente; el que se enseña
STLadmite estacionalidad cambiante; robusto a atípicos si se lo pide (robust = TRUE)
X-13ARIMA-SEATSuno de los estándares oficiales: lo usan el INDEC y la oficina de censos de EE.UU.; en Europa se usa TRAMO-SEATS
Filtro Hodrick-Prescottsepara tendencia de ciclo; muy usado y muy criticado

El método clásico de medias móviles tiene la ventaja pedagógica de que cada paso se puede seguir a mano.

En esta serie, además, abril y mayo de 2020 vienen en cero y se descartan. La media móvil se calcula sobre los meses que quedan, así que alrededor de junio de 2020 abarca quince meses de calendario en lugar de trece. Con la mediana el efecto sobre los índices es despreciable, pero es otra decisión que va declarada.

7 · Sus límites

Las rupturas rompen todo. El colapso de 2020 no es irregularidad ni ciclo: es un cambio de régimen. En junio de 2020 el componente irregular da 0,05, es decir que lo observado fue el 5 % de lo que el modelo esperaba. Un “ruido” de esa magnitud no es ruido; es la señal de que el modelo no corresponde a ese período.

La estacionalidad puede cambiar, y en esta serie cambió. Los mismos índices, calculados en dos tramos:

Mes2007-20122014-2019
Enero1,6571,546
Febrero1,4261,338
Junio0,6390,664
Julio1,0621,151

Los extremos son inestables. Las medias móviles centradas no dan valores para los primeros y últimos meses, que son justo los que más interesan.

8 · Errores frecuentes

  • Elegir el modelo sin mirar el gráfico.
  • Descomponer a través de una ruptura estructural.
  • Leer cada valor del irregular como una señal. Su papel es diagnóstico: si en conjunto tiene estructura, o si un valor es enorme, falta algo en el modelo.
  • No normalizar los índices estacionales, que corre el nivel de la serie.
  • Usar los valores de los extremos de una media móvil centrada.
  • Suponer estacionalidad fija en series de más de diez años.
  • No declarar si los índices se calcularon con media o con mediana.
  • Aplicar un modelo multiplicativo o logaritmos a una serie con ceros.
  • Descartar la estacionalidad como si fuera un estorbo.

9 · En el software

# R — pernoctaciones de la EOH, desde la API de series de datos.gob.ar
url <- paste0("https://apis.datos.gob.ar/series/api/series/",
              "?ids=457.1_PERNOCTACILES_0_M_22_51&start_date=2007-01-01",
              "&end_date=2025-11-01&format=csv&limit=1000")
d <- read.csv(url)
d$mes <- as.integer(substr(d$indice_tiempo, 6, 7))

# Abril y mayo de 2020 vienen en cero: no son datos, y en un modelo
# multiplicativo un cero rompe la cuenta. Como en la entrada, se descartan.
d <- d[d$pernoctaciones_totales > 0, ]
y <- d$pernoctaciones_totales

# Tendencia: media móvil centrada 2×12
tendencia <- stats::filter(y, c(0.5, rep(1, 11), 0.5) / 12, sides = 2)
cociente  <- y / tendencia

# Índices estacionales con la mediana de cada mes, normalizados a promedio 1
indices <- tapply(cociente, d$mes, median, na.rm = TRUE)
indices <- indices / mean(indices)
round(indices, 3)
#> 1,596 1,365 1,023 0,837 0,699 0,654 1,112 0,897 0,921 0,978 0,969 0,949

# Irregular: lo que queda
irregular <- y / (tendencia * indices[d$mes])
anio <- as.integer(substr(d$indice_tiempo, 1, 4))
round(sd(irregular[anio <= 2018], na.rm = TRUE), 3)
#> 0,047

# decompose() usa el promedio, no la mediana: con los ceros de 2020 adentro
s <- ts(read.csv(url)$pernoctaciones_totales, start = c(2007, 1), frequency = 12)
round(decompose(s, type = "multiplicative")$figure, 3)
#> 1,685 1,468 1,059 0,791 0,651 0,632 1,048 0,869 0,891 0,958 0,964 0,984
# Python — lo mismo, con pandas
import numpy as np
import pandas as pd

url = ("https://apis.datos.gob.ar/series/api/series/"
       "?ids=457.1_PERNOCTACILES_0_M_22_51&start_date=2007-01-01"
       "&end_date=2025-11-01&format=csv&limit=1000")
# Sin un User-Agent de navegador, el servidor responde 403
d = pd.read_csv(url, parse_dates=["indice_tiempo"],
                storage_options={"User-Agent": "Mozilla/5.0"})
s = d.set_index("indice_tiempo")["pernoctaciones_totales"]

# Abril y mayo de 2020 vienen en cero: se descartan, como en la entrada
s = s[s > 0]

# Tendencia: media móvil centrada 2×12
pesos = np.r_[0.5, np.ones(11), 0.5] / 12
tendencia = s.rolling(13, center=True).apply(lambda x: x @ pesos, raw=True)
cociente = s / tendencia

# Índices estacionales con la mediana de cada mes, normalizados a promedio 1
indices = cociente.groupby(s.index.month).median()
indices = indices / indices.mean()
print(indices.round(3).tolist())
# [1.596, 1.365, 1.023, 0.837, 0.699, 0.654, 1.112, 0.897, 0.921, 0.978, 0.969, 0.949]

# Irregular: lo que queda
irregular = s / (tendencia * s.index.month.map(indices).to_numpy())
print(round(irregular[:"2018"].std(), 3))
# 0.047

# Con el promedio en lugar de la mediana, julio casi desaparece
promedio = cociente.groupby(s.index.month).mean()
print((promedio / promedio.mean()).round(3).tolist())
# [1.675, 1.459, 1.052, 0.833, 0.685, 0.628, 1.041, 0.862, 0.881, 0.948, 0.957, 0.979]

Herramientas de este tema

Seguir leyendo

Cómo citar: Montivero, J. L. (2026). Tendencia, ciclo, estacionalidad e irregular. estadistica.ar. https://estadistica.ar/conceptos/componentes-de-una-serie

estadistica.ar es gratuita y sin publicidad. Si te sirvió, podés invitar un cafecito por transferencia al alias mu3sigma. Asesoramiento estadístico, encuestas y capacitaciones: m3s.pro · WhatsApp +54 9 383 499-7929.

Cómo citar esta entrada

APA (7.ª edición)

Montivero, J. L. (2026). Tendencia, ciclo, estacionalidad e irregular. estadistica.ar. https://estadistica.ar/conceptos/componentes-de-una-serie

BibTeX

@misc{estadistica_ar_componentes_de_una_serie,
  author       = {Montivero, Jorge Luis},
  title        = {{Tendencia, ciclo, estacionalidad e irregular}},
  year         = {2026},
  howpublished = {\url{https://estadistica.ar/conceptos/componentes-de-una-serie}},
  note         = {estadistica.ar. Consultado el \today},
  urldate      = {2026-11-11}
}

Última actualización: 11 de noviembre de 2026. El contenido está bajo licencia CC BY-NC-SA 4.0: se puede reutilizar citando la fuente y sin fines comerciales.