Ir al contenido
σestadistica.ar

estadistica.ar · Enciclopedia de Estadística en españolhttps://estadistica.ar/conceptos/desestacionalizacion

M04 · Índices y seriesAvanzadoProcedimiento

Desestacionalización

Cómo se quita el patrón anual de una serie para poder comparar meses consecutivos, y por qué los datos desestacionalizados se revisan.

Por Jorge Luis Montivero, Licenciado en Estadística · Mu3Sigma

1 · Para qué

Para poder comparar meses consecutivos. Sin desestacionalizar, la caída de enero a junio no dice nada: siempre pasa.

Desestacionalizar una serie: qué es y por qué se revisa · video, 3:11

2 · El método clásico, paso a paso

1. Calcular la media móvil centrada de 12 meses: es la tendencia-ciclo.

2. Obtener el cociente entre la serie y la media móvil: eso deja la estacionalidad más lo irregular.

YtMMt=St×It\frac{Y_t}{MM_t} = S_t \times I_t

3. Promediar —o mejor, tomar la mediana, que es robusta— esos cocientes por mes: así se cancela lo irregular y queda el índice estacional.

4. Normalizar para que los doce índices promedien 1.

5. Dividir la serie original por el índice de su mes:

Ytdesest=YtSmY_t^{\text{desest}} = \frac{Y_t}{S_m}

3 · Un año entero, con y sin ajuste

Las pernoctaciones de 2019, mes a mes, con su variación respecto del mes anterior en las dos versiones:

MesOriginalDesest.Var. orig.Var. desest.
Enero5.957.1523.733.319+58,6 %−5,7 %
Febrero5.188.0123.800.341−12,9 %+1,8 %
Marzo4.198.4564.102.962−19,1 %+8,0 %
Abril3.421.9004.090.047−18,5 %−0,3 %
Mayo2.945.7714.215.380−13,9 %+3,1 %
Junio2.980.8034.559.248+1,2 %+8,2 %
Julio4.849.2284.361.982+62,7 %−4,3 %
Agosto3.818.6684.255.351−21,3 %−2,4 %
Septiembre3.801.4754.126.904−0,5 %−3,0 %
Octubre3.965.6454.055.818+4,3 %−1,7 %
Noviembre4.058.2574.184.008+2,3 %+3,2 %
Diciembre3.969.6864.184.240−2,2 %+0,0 %
−20 % 0 +20 % +40 % +60 % ene feb mar abr may jun jul ago sep oct nov dic +58,6 % −5,7 % +62,7 % −4,3 % Original Desestacionalizada
Sin ajustar, enero y julio suben alrededor de 60 %; desestacionalizados, los dos bajan.Fuente: INDEC, Encuesta de Ocupación Hotelera. Valores de la tabla.

Y la serie deja de moverse por el calendario: dentro de 2019 el máximo era 2,02 veces el mínimo y pasa a 1,22; el coeficiente de variación baja de 0,214 a 0,054.

-0.3 M 1.5 M 3.3 M 5.1 M 6.9 M 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 Serie original Media móvil 12 Desestacionalizada
La serie desestacionalizada elimina los picos anuales y deja ver el movimiento de fondo mes a mes.Pernoctaciones en hoteles y parahoteles, 2007-2025, con su media móvil y su versión desestacionalizada.Fuente: EOH, INDEC. Elaboración propia.

4 · Los métodos oficiales

MétodoOrigen
X-13ARIMA-SEATSCensus Bureau de EE.UU.; lo usa el INDEC
TRAMO-SEATSBanco de España; Eurostat lo recomienda a la par de X-13, a través de JDemetra+
STLadmite estacionalidad cambiante; robusto a atípicos si se lo pide (robust = TRUE)
Clásico de medias móvilesel que se enseña; poco usado en producción

Los métodos oficiales hacen mucho más que el clásico: corrigen por días hábiles, detectan y ajustan atípicos, tratan los feriados móviles como Semana Santa, y extienden la serie con un modelo ARIMA para poder estimar los extremos.

5 · Por qué se revisan los datos

En los métodos oficiales, la fuente principal de revisión está en el extremo de la serie. El último dato se ajusta con filtros asimétricos y con pronósticos ARIMA en lugar de los meses que todavía no existen; cuando esos meses llegan, el ajuste cambia. Por eso lo que más se revisa son los últimos meses publicados. El ejemplo que sigue muestra la otra fuente, más lenta: los índices mismos mejoran a medida que se acumulan años.

Cuánto cambia, con la misma serie. El índice estacional de enero calculado con los datos disponibles hasta 2015, y el que resulta con la serie completa:

Índice de eneroEnero 2015 desest.
Con datos hasta 20151,63153.920.533
Con la serie completa1,59574.008.534

6 · Qué no hacer con una serie desestacionalizada

No sumarla para obtener totales anuales. El total de 2019 da 49.155.053 en la serie original y 49.670.153 en la desestacionalizada: 1,05 % de diferencia que no corresponde a nada real, solo al reparto de los índices entre los meses. X-13 tiene una opción para forzar que los totales anuales coincidan, y algunos organismos la usan; si no se la usó, los totales salen de la serie original.

No calcular variaciones interanuales sobre ella. No porque cambie el resultado: con índices estacionales fijos, como los del método clásico, la interanual de la serie desestacionalizada es idéntica a la de la original, porque el índice del mismo mes se cancela. Con métodos de índices que evolucionan difiere poco. El problema es que la serie ajustada se revisa y la original no: la interanual calculada sobre la ajustada hereda revisiones que no tienen por qué estar. Para la interanual, la serie que se recomienda es la original o, si existe, la ajustada solo por días hábiles.

No usarla para planificar operaciones. Un hotel necesita saber que en enero va a tener 60 % más de gente, no el dato ajustado.

7 · Errores frecuentes

  • Comparar meses consecutivos de la serie original.
  • Calcular variaciones interanuales sobre la serie desestacionalizada.
  • Sumar la serie ajustada para obtener anuales.
  • Desestacionalizar series muy cortas. X-13 exige al menos tres años, y para que los índices sean estables se recomiendan cinco o más.
  • Ignorar la corrección por días hábiles.
  • Sorprenderse por las revisiones.
  • Comparar un dato ajustado con una publicación anterior sin verificar que sea la misma versión de la serie.
  • Desestacionalizar a través de una ruptura estructural.

8 · 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 <- d[d$pernoctaciones_totales > 0, ]      # abril y mayo de 2020 vienen en cero
d$anio <- as.integer(substr(d$indice_tiempo, 1, 4))
d$mes  <- as.integer(substr(d$indice_tiempo, 6, 7))
y <- d$pernoctaciones_totales

# Método clásico: media móvil 2×12, mediana por mes, normalización
tendencia <- stats::filter(y, c(0.5, rep(1, 11), 0.5) / 12, sides = 2)
indices <- tapply(y / tendencia, d$mes, median, na.rm = TRUE)
indices <- indices / mean(indices)
d$desest <- y / as.numeric(indices[d$mes])

# Variación mensual de 2019, original y desestacionalizada
var <- function(x) 100 * (x / c(NA, head(x, -1)) - 1)
v <- data.frame(original = var(y), desest = var(d$desest))[d$anio == 2019, ]
round(v, 1)[c(1, 7), ]                     # enero: 58,6 y −5,7; julio: 62,7 y −4,3

# Control: el total anual ajustado no da igual que el original
sum(d$desest[d$anio == 2019]) / sum(y[d$anio == 2019])
#> 1.010479

# Control: con índices fijos, la interanual es la misma en las dos series
ia <- function(x) x[d$anio == 2019] / x[d$anio == 2018] - 1
all.equal(ia(y), ia(d$desest))
#> TRUE

# X-13ARIMA-SEATS, el método de los organismos oficiales (paquete seasonal),
# sobre el tramo previo a la pandemia
library(seasonal)
s <- ts(y[d$anio <= 2019], start = c(2007, 1), frequency = 12)
ajuste <- seas(s)
head(final(ajuste), 3)                     # la serie desestacionalizada por X-13
#> 3987435 4034361 3866740
# 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"]
s = s[s > 0]                               # abril y mayo de 2020 vienen en cero

# Método clásico: media móvil 2×12, mediana por mes, normalización
pesos = np.r_[0.5, np.ones(11), 0.5] / 12
tendencia = s.rolling(13, center=True).apply(lambda x: x @ pesos, raw=True)
indices = (s / tendencia).groupby(s.index.month).median()
indices = indices / indices.mean()
desest = s / s.index.month.map(indices).to_numpy()

# Variación mensual de 2019, original y desestacionalizada
v = pd.DataFrame({"original": s.pct_change(), "desest": desest.pct_change()})
print((100 * v.loc["2019"]).round(1).iloc[[0, 6]])
# enero: 58.6 y −5.7; julio: 62.7 y −4.3

# Control: el total anual ajustado no da igual que el original
print(desest["2019"].sum() / s["2019"].sum())
# 1.0104790829...

# Control: con índices fijos, la interanual es la misma en las dos series
print(np.allclose(s.pct_change(12)["2019"], desest.pct_change(12)["2019"]))
# True

Herramientas de este tema

Seguir leyendo

Cómo citar: Montivero, J. L. (2026). Desestacionalización. estadistica.ar. https://estadistica.ar/conceptos/desestacionalizacion

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). Desestacionalización. estadistica.ar. https://estadistica.ar/conceptos/desestacionalizacion

BibTeX

@misc{estadistica_ar_desestacionalizacion,
  author       = {Montivero, Jorge Luis},
  title        = {{Desestacionalización}},
  year         = {2026},
  howpublished = {\url{https://estadistica.ar/conceptos/desestacionalizacion}},
  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.