El análisis de series temporales: tendencia, medias móviles y variación estacional

Tema desarrollado siguiendo la estructura habitual de la oposición. La información es orientativa: verifica siempre el temario, la normativa y el currículo vigentes en tu convocatoria y tu comunidad autónoma.

Índice

• 0. Introducción
• 1. Relación con el currículo
• 2. Las series temporales: concepto y componentes
• 3. El cálculo de la tendencia
• 4. Las medias móviles
• 5. La variación estacional
• 6. Aplicaciones: predicción y desestacionalización
• 7. Conclusiones
• 8. Bibliografía y webgrafía

0. Introducción

El tema anterior presentó las herramientas de la estadística descriptiva. Muchas de las variables que interesan a la empresa y a la economía —las ventas, la producción, el paro, los precios— se observan a lo largo del tiempo, formando lo que se denomina una serie temporal. Analizarlas permite comprender su comportamiento pasado y, sobre todo, predecir su evolución futura, algo esencial para planificar.

Este tema estudia el análisis de las series temporales: su concepto y los componentes que las integran, el cálculo de la tendencia de largo plazo, el uso de las medias móviles para suavizarlas y la medición de la variación estacional. Se trata de un contenido eminentemente cuantitativo y de gran utilidad práctica en la previsión de ventas y en el control de gestión.

1. Relación con el currículo

El análisis de series temporales es contenido de módulos de gestión, de investigación comercial y de logística (previsión de la demanda) en las familias de Administración y Gestión y de Comercio y Marketing. Desarrolla la competencia de analizar la evolución de las variables económicas y de elaborar previsiones que fundamenten las decisiones.

Como el tema anterior, se presta a un tratamiento muy aplicado con hojas de cálculo, que incorporan funciones específicas para el cálculo de tendencias, medias móviles y previsiones. Enlaza con la estadística descriptiva (tema 72), con los números índices y con la planificación empresarial.

2. Las series temporales: concepto y componentes

Una serie temporal (o cronológica) es un conjunto de observaciones de una variable ordenadas en el tiempo y medidas a intervalos regulares (días, meses, trimestres, años). Su análisis parte de la idea de que el valor observado en cada momento (Y) es el resultado de la combinación de cuatro componentes:

• Tendencia (T): el movimiento de fondo y a largo plazo de la serie, su dirección general (creciente, decreciente o estable) a lo largo de muchos períodos.
• Variación estacional (E): las oscilaciones regulares que se repiten dentro de un año por causas de calendario, clima o costumbres (más ventas de juguetes en Navidad, de helados en verano).
• Variación cíclica (C): las oscilaciones a medio y largo plazo asociadas a los ciclos económicos (expansión y recesión), de duración superior al año y no perfectamente regulares.
• Variación irregular o accidental (I): las fluctuaciones imprevisibles y no repetitivas debidas al azar o a hechos extraordinarios (una huelga, una catástrofe, una pandemia).

El primer paso de todo análisis es representar la serie gráficamente en un cronograma o gráfico de líneas, con el tiempo en el eje horizontal y la variable en el vertical. Esta simple inspección visual revela ya mucho: la existencia de una tendencia, la presencia de picos estacionales regulares, la magnitud de las oscilaciones o la aparición de valores atípicos. Conviene tener presente, además, la distinción entre magnitudes flujo (referidas a un período, como las ventas del mes) y stock (referidas a un instante, como las existencias a fin de mes), pues condiciona cómo se agregan y comparan los datos. Un buen cronograma orienta la elección posterior del modelo y de las técnicas de análisis.

El componente cíclico merece una atención especial por su importancia económica. El ciclo económico describe las fluctuaciones recurrentes de la actividad en torno a su tendencia, y suele describirse en fases: la expansión (la actividad crece), el auge o cima (punto máximo), la recesión (la actividad se contrae; si es dos trimestres seguidos, recesión técnica), el fondo o valle (punto mínimo) y la recuperación. A diferencia de la estacionalidad, los ciclos no tienen una duración fija ni perfectamente predecible, y su estudio es objeto de la macroeconomía. Separar el ciclo de la tendencia es difícil, porque ambos son movimientos de medio-largo plazo; en la práctica, las medias móviles amplias capturan conjuntamente la «tendencia-ciclo».

Conviene no confundir la variación estacional con la cíclica: la primera es regular y de período fijo (siempre dentro del año, ligada al calendario) y la segunda es irregular y de período largo (varios años, ligada a la coyuntura económica). Para poder identificar cada componente se necesita disponer de datos con la frecuencia y la extensión adecuadas: para estudiar la estacionalidad hacen falta observaciones infraanuales (mensuales o trimestrales) durante varios años, y para captar el ciclo, series largas que abarquen varias fases económicas. Con datos exclusivamente anuales, la estacionalidad ni siquiera es observable.

Estos componentes se combinan según dos modelos. En el modelo aditivo (Y = T + E + C + I) se suponen independientes y se suman; es adecuado cuando la amplitud de las oscilaciones es constante. En el modelo multiplicativo (Y = T · E · C · I) los componentes se multiplican; es adecuado cuando las oscilaciones crecen proporcionalmente al nivel de la serie, que es lo más frecuente en economía. El objetivo del análisis es descomponer la serie en sus componentes para estudiarlos por separado.

Esta descomposición tiene una gran utilidad práctica. Separar la tendencia permite conocer el rumbo de fondo del negocio, más allá del «ruido» de las oscilaciones; aislar la estacionalidad permite planificar la producción, las compras y las plantillas de cada temporada; e identificar el componente cíclico ayuda a situar la empresa en la fase del ciclo económico. En cuanto a la elección del modelo, una regla práctica es observar el gráfico de la serie: si las oscilaciones estacionales mantienen una amplitud constante con el paso del tiempo, se opta por el modelo aditivo; si esa amplitud aumenta o disminuye conforme crece el nivel de la serie (en forma de «embudo»), es preferible el modelo multiplicativo, que es el habitual en las magnitudes económicas al expresar los efectos en términos porcentuales.

3. El cálculo de la tendencia

La tendencia refleja el comportamiento a largo plazo, una vez «limpiada» la serie de oscilaciones. Existen varios métodos para calcularla:

• Método gráfico (a mano alzada): se dibuja la serie y se traza una línea que capte su dirección general. Es sencillo pero subjetivo.
• Método de los semipromedios: se divide la serie en dos mitades, se calcula la media de cada una y se traza la recta que une ambos puntos.
• Ajuste analítico por mínimos cuadrados: es el más riguroso. Consiste en ajustar a la serie una función matemática (habitualmente una recta de tendencia) por el mismo método de mínimos cuadrados visto en la regresión, tomando el tiempo como variable independiente. La recta es ŷ = a + b·t, donde t es el período (1, 2, 3, …).

En el ajuste analítico, la variable tiempo se codifica con números correlativos (1, 2, 3, …) en lugar de usar los años reales, lo que simplifica los cálculos sin alterar el resultado. Algunos manuales centran el origen de tiempos en el punto medio de la serie (por ejemplo, …, −2, −1, 0, 1, 2, …), de modo que Σt = 0 y las fórmulas de a y b se reducen aún más. El coeficiente b (la pendiente) es el dato de mayor interés económico, pues cuantifica el crecimiento medio por período; su signo indica si la tendencia es creciente o decreciente.

Muy relacionadas con la evolución de una serie están las tasas de variación, que expresan en porcentaje el cambio de la variable entre dos momentos. La tasa intermensual (o intertrimestral) compara un período con el inmediatamente anterior, mientras que la tasa interanual compara el período con el mismo período del año anterior (enero con enero, el primer trimestre con el primer trimestre del año previo). La tasa interanual tiene una gran ventaja: al comparar períodos homólogos, elimina automáticamente la estacionalidad, por lo que es la más utilizada para valorar la evolución de fondo del IPC, el PIB o las ventas. Por ejemplo, si las ventas de marzo son 130 y las del marzo anterior fueron 100, la tasa interanual es (130 − 100)/100 × 100 = +30 %. Combinar la tasa intermensual (para el pulso reciente) y la interanual (para la tendencia limpia de estacionalidad) ofrece una imagen completa de la coyuntura.

Ejemplo. Las ventas de una empresa (en miles de unidades) en cinco años han sido 10, 12, 13, 16 y 19 (t = 1 a 5). Calculando: t̄ = 3, ȳ = 14, Σ(t·y) = 232, Σt² = 55. La pendiente es b = (232/5 − 3·14)/(55/5 − 9) = (46,4 − 42)/(11 − 9) = 4,4/2 = 2,2, y a = 14 − 2,2·3 = 7,4. La recta de tendencia es ŷ = 7,4 + 2,2t: las ventas crecen, por término medio, 2.200 unidades al año. Para predecir el año 6 basta sustituir: ŷ = 7,4 + 2,2·6 = 20,6 (miles de unidades).

La tendencia no tiene por qué ser lineal. Cuando la serie crece de forma acelerada, puede ajustarse mejor una parábola (tendencia cuadrática) o una función exponencial (adecuada cuando la variable crece a una tasa porcentual aproximadamente constante, como suele ocurrir con las ventas de un producto en expansión o con magnitudes sujetas a interés compuesto). La elección de la función se hace observando la nube de puntos y comparando la bondad del ajuste (por ejemplo, mediante el coeficiente de determinación r² de cada modelo). En cualquier caso, conviene recordar que la extrapolación de la tendencia hacia el futuro es tanto más arriesgada cuanto más lejano es el horizonte, porque supone que las condiciones que la generaron se mantendrán.

4. Las medias móviles

Las medias móviles son un método de alisado o suavizado de la serie: sustituyen cada valor por la media de un número fijo de valores consecutivos (el «orden» de la media móvil), lo que atenúa las oscilaciones estacionales e irregulares y deja ver mejor la tendencia. Al avanzar en el tiempo, la media se va «moviendo»: entra un dato nuevo y sale el más antiguo.

Ejemplo. Para la serie 10, 12, 13, 16, 19, las medias móviles de orden 3 son: (10 + 12 + 13)/3 = 11,67; (12 + 13 + 16)/3 = 13,67; y (13 + 16 + 19)/3 = 16. Cada media se sitúa en el período central del grupo, de modo que la serie suavizada (11,67 – 13,67 – 16) muestra con nitidez la tendencia creciente, sin las oscilaciones de los datos originales.

El orden se elige según la periodicidad de la estacionalidad que se quiera eliminar: orden 4 para datos trimestrales y orden 12 para datos mensuales. Cuando el orden es par, la media queda entre dos períodos y hay que centrarla (media de dos medias móviles consecutivas) para asignarla a un período concreto. El principal inconveniente de las medias móviles es que se pierden datos en los extremos de la serie (no puede calcularse la media de los primeros y últimos períodos).

La elección del orden implica un compromiso. Un orden elevado produce una serie muy suave (elimina casi todas las oscilaciones y muestra bien la tendencia de fondo), pero a costa de reaccionar con retraso a los cambios reales y de perder más datos en los extremos. Un orden bajo sigue más de cerca los datos y responde antes a los giros, pero suaviza menos y deja pasar parte del «ruido». No existe un orden óptimo universal: depende del objetivo (describir la tendencia frente a seguir la coyuntura) y de la periodicidad de la estacionalidad que se quiera neutralizar. Existen también las medias móviles ponderadas, que asignan más peso a los valores centrales o a los más recientes, con lo que se reduce el retardo respecto a la media móvil simple. Esta idea de dar más importancia a lo reciente es, precisamente, la que desarrolla el alisado exponencial que veremos entre los métodos de predicción.

El centrado de las medias de orden par merece un detalle. Con datos trimestrales (orden 4), la primera media móvil —de los trimestres 1 a 4— correspondería a un punto situado entre el segundo y el tercero, que no es un período real. Para asignarla a un trimestre concreto se calcula la media móvil centrada: se promedian dos medias móviles consecutivas, de modo que el resultado ya se sitúa sobre un período. Este pequeño ajuste es imprescindible para poder comparar después cada dato real con su media móvil y aislar así el componente estacional, como se verá a continuación. Las medias móviles son, además, la base de indicadores muy usados en el análisis financiero y bursátil (las «medias móviles» de las cotizaciones), lo que muestra su versatilidad más allá de la previsión de ventas.

5. La variación estacional

La variación estacional se cuantifica mediante los índices de variación estacional (IVE), que expresan, para cada estación (trimestre, mes…), cuánto se desvía por término medio respecto del nivel general de la serie. Un método habitual es el de la razón a la media móvil: se calcula la media móvil (que recoge tendencia y ciclo), se divide cada valor real entre ella (aislando así el componente estacional e irregular), y se promedian esas razones por estación para obtener el índice de cada una.

Los índices estacionales se expresan en base 100 (o base 1) y deben sumar, entre todas las estaciones, 400 en datos trimestrales (o 1.200 en mensuales), es decir, promediar 100. Ejemplo. Si una empresa presenta unos índices estacionales trimestrales de 80, 110, 120 y 90 (que suman 400), significa que en el tercer trimestre las ventas superan en un 20 % la media anual, mientras que en el primero quedan un 20 % por debajo. Conocidos estos índices se puede desestacionalizar la serie —dividir cada dato por su índice (× 100)— para eliminar el efecto estacional y comparar limpiamente períodos consecutivos, o bien reestacionalizar una previsión de tendencia para obtener la previsión final de cada trimestre.

Conviene resumir los pasos del método de la razón a la media móvil, por ser el más completo. Primero, se calcula la media móvil centrada de orden igual a la periodicidad (4 para trimestres), que estima la tendencia-ciclo. Segundo, se divide cada valor real entre su media móvil, obteniendo unas razones que recogen el componente estacional e irregular. Tercero, se promedian esas razones para cada estación a lo largo de los distintos años, lo que cancela el componente irregular y deja el índice bruto de cada estación. Y cuarto, se ajustan los índices para que sumen exactamente 400 (o 1.200), corrigiéndolos proporcionalmente. El resultado son los índices estacionales definitivos, que resumen el «perfil» estacional típico de la variable y que se mantienen razonablemente estables de un año a otro mientras no cambien los hábitos que los originan.

Junto a la estacionalidad propiamente dicha, las series de alta frecuencia sufren el efecto calendario, que conviene depurar. Los meses no tienen el mismo número de días laborables (un mes con más domingos o festivos vende o produce menos, sin que ello signifique un cambio real de tendencia); los años bisiestos añaden un día a febrero; y hay festividades móviles, como la Semana Santa, que unos años cae en marzo y otros en abril, distorsionando la comparación de esos meses. Por eso el INE y Eurostat publican series corregidas de efectos estacionales y de calendario, que aíslan el movimiento subyacente. Ignorar estos efectos puede llevar a interpretar como cambios económicos lo que son meras diferencias de calendario, un error frecuente en la lectura apresurada de los datos coyunturales.

Ejemplo resuelto. Supongamos las ventas trimestrales de dos años: año 1 → 100, 120, 160, 120; año 2 → 110, 130, 170, 130. Las medias móviles de orden 4 son 125, 127,5, 130, 132,5 y 135; centrándolas (media de cada dos consecutivas) se obtiene la tendencia-ciclo en los trimestres centrales: 126,25 (T3 del año 1), 128,75 (T4 del año 1), 131,25 (T1 del año 2) y 133,75 (T2 del año 2). Dividiendo el valor real entre la media móvil centrada resultan las razones: 160/126,25 = 1,267 (T3); 120/128,75 = 0,932 (T4); 110/131,25 = 0,838 (T1); 130/133,75 = 0,972 (T2). Ordenadas por trimestre, los índices brutos son T1 ≈ 83,8, T2 ≈ 97,2, T3 ≈ 126,7 y T4 ≈ 93,2, que suman 400,9; ajustándolos para que sumen 400 quedan, aproximadamente, T1 = 83,6, T2 = 97,0, T3 = 126,4 y T4 = 93,0. La lectura es inmediata: el tercer trimestre es el fuerte (vende un 26 % por encima de la media), mientras que el primero es el flojo (un 16 % por debajo). Para desestacionalizar las ventas de un T3 de 160 se haría 160/126,4 × 100 ≈ 127, valor ya comparable con el de cualquier otro trimestre.

6. Aplicaciones: predicción y desestacionalización

La utilidad última del análisis de series temporales es la predicción. El procedimiento típico combina los componentes: se calcula la tendencia (por ejemplo, con la recta de mínimos cuadrados), se proyecta al período futuro y se ajusta multiplicándola por el índice estacional correspondiente (en el modelo multiplicativo). Así, una empresa puede prever sus ventas del próximo trimestre teniendo en cuenta tanto su crecimiento de fondo como el patrón estacional.

Conviene distinguir el horizonte de predicción. Las previsiones a corto plazo (semanas o meses) son las más fiables y se usan para la gestión operativa (compras, producción, turnos de personal); las de medio plazo (trimestres o un año) sirven para presupuestar y planificar; y las de largo plazo (varios años) orientan las decisiones estratégicas y de inversión, aunque su incertidumbre es mucho mayor. Como regla general, cuanto más lejano es el horizonte, menos fiable resulta la previsión, porque aumentan las probabilidades de que cambien las condiciones. Por ello, en la práctica se emplean previsiones móviles o revisables, que se actualizan a medida que llegan nuevos datos: cada mes se incorpora la última observación y se recalcula la previsión, de modo que el plan se ajusta continuamente a la realidad en lugar de fijarse de una vez para todo el año.

Ejemplo de previsión combinada. Retomando los índices estacionales del apartado anterior (T3 = 126,4, es decir, 1,264), supongamos que la recta de tendencia estima para un trimestre futuro un nivel «desestacionalizado» de 140 unidades. La previsión final de ese trimestre, si es un tercer trimestre, se obtiene reestacionalizando: 140 × 1,264 ≈ 177 unidades. Si fuera un primer trimestre (índice 0,836), la previsión sería 140 × 0,836 ≈ 117. Se aprecia cómo la combinación de tendencia y estacionalidad ofrece una previsión mucho más realista que cualquiera de los dos componentes por separado: la empresa sabe que crecerá, pero también que el primer trimestre será flojo y el tercero, fuerte, y puede dimensionar en consecuencia su producción, sus compras y su plantilla.

La desestacionalización tiene, por su parte, un enorme valor informativo: los grandes indicadores económicos (paro, PIB, ventas del comercio) suelen publicarse en su versión desestacionalizada, porque solo así puede saberse si una variación mensual refleja un cambio real de la coyuntura o es simplemente el patrón estacional de siempre. Comparar el paro de enero con el de diciembre sin desestacionalizar induciría a error, porque enero tiene un efecto estacional propio.

El conocimiento del patrón estacional es especialmente valioso en los sectores muy estacionales, como el turismo (concentrado en verano), el comercio (campañas de Navidad y rebajas), la agricultura (ligada a las cosechas) o la construcción. Las empresas de estos sectores planifican sus contrataciones temporales, sus compras de existencias, sus campañas de marketing y su tesorería en función de la estacionalidad prevista: acumulan inventario antes de la temporada alta, refuerzan la plantilla en los meses fuertes y gestionan la liquidez para cubrir los períodos de menor ingreso. Una mala previsión estacional se traduce en costes de rotura de stock (ventas perdidas) o de exceso de inventario (inmovilizado y obsolescencia), de ahí el valor económico directo de este análisis.

El método clásico de descomposición no es el único para predecir series temporales. Entre las técnicas más usadas figura el alisado exponencial, que pondera las observaciones dando más peso a las más recientes (con variantes que incorporan la tendencia y la estacionalidad, como el método de Holt-Winters), y los modelos ARIMA de Box-Jenkins, más sofisticados. Todos ellos comparten una limitación fundamental: proyectan hacia el futuro el patrón del pasado y, por tanto, fallan ante cambios estructurales o hechos imprevistos (una crisis, un cambio tecnológico o regulatorio). Por eso la previsión estadística debe complementarse siempre con el juicio experto y con la información cualitativa del mercado. En la práctica empresarial, no obstante, incluso una previsión imperfecta es muy valiosa: permite dimensionar los inventarios, planificar la tesorería y fijar objetivos comerciales con una base objetiva en lugar de la mera intuición.

Toda previsión debe ir acompañada de una evaluación de su precisión, comparando los valores previstos con los realmente observados. El error de previsión de cada período es la diferencia entre el valor real y el estimado. A partir de estos errores se calculan medidas de calidad como el error absoluto medio (MAE), media de los errores en valor absoluto; el error cuadrático medio (ECM/RMSE), que penaliza más los errores grandes al elevarlos al cuadrado; y el error porcentual absoluto medio (MAPE), que expresa el error en términos relativos y facilita comparar series de distinta magnitud. Estas medidas permiten elegir entre métodos alternativos de predicción —se prefiere el que menor error comete sobre datos conocidos— y monitorizar si un modelo sigue siendo válido: un aumento sostenido del error avisa de que el patrón ha cambiado y de que conviene revisar la previsión. Así, la predicción no es un acto único, sino un proceso de mejora continua.

7. Conclusiones

Una serie temporal se descompone en tendencia, variación estacional, variación cíclica e irregular, que se combinan según un modelo aditivo o multiplicativo. La tendencia se calcula por mínimos cuadrados; las medias móviles suavizan la serie para hacerla visible; y los índices de variación estacional miden y permiten eliminar el efecto de las estaciones. Con todo ello se construyen predicciones, herramienta indispensable para la planificación económica y empresarial.

La previsión de la demanda basada en series temporales ha ganado protagonismo con la digitalización: los sistemas de gestión (ERP) y las herramientas de demand planning automatizan la descomposición y la predicción sobre miles de referencias, y las técnicas de aprendizaje automático incorporan, además de la historia de la propia serie, variables externas (promociones, clima, precios de la competencia) para afinar los pronósticos. El fundamento conceptual, sin embargo, sigue siendo el que aquí se ha expuesto: distinguir tendencia, estacionalidad, ciclo y componente irregular. Dominar estos conceptos es lo que permite usar con criterio —y no como una «caja negra»— las potentes herramientas actuales.

Para el profesorado de Administración de Empresas, este contenido conecta la estadística con la práctica de la gestión y la previsión, y es idóneo para un aprendizaje con hojas de cálculo y datos reales. El temario culmina el bloque estadístico con la inferencia, que permite generalizar a toda una población las conclusiones obtenidas de una muestra.

Una actividad idónea consiste en tomar una serie real —las pernoctaciones turísticas mensuales, las ventas trimestrales de una empresa— y, con una hoja de cálculo, separar su tendencia mediante medias móviles y mínimos cuadrados, obtener los índices de variación estacional y proyectar los próximos períodos, discutiendo después la fiabilidad de la previsión. Así el alumnado comprende la lógica que hay detrás de las herramientas automáticas de planificación y aprende a usarlas con criterio, y no como una «caja negra».

8. Bibliografía y webgrafía

• Martín-Pliego, F. J.: Introducción a la Estadística Económica y Empresarial; y Uriel, E.: Análisis de series temporales.
• Newbold, P., Carlson, W. y Thorne, B.: Estadística para administración y economía.
• Manuales de Matemáticas aplicadas a las Ciencias Sociales de Bachillerato y de módulos de gestión y de investigación comercial.
• Webgrafía: Instituto Nacional de Estadística (ine.es), series desestacionalizadas y metodología; Eurostat (ec.europa.eu/eurostat) y documentación de hojas de cálculo para el análisis de series.