Un sistema de monitorización registra el consumo eléctrico de una fábrica cada hora. Si intentas predecir el consumo de la próxima hora usando solo el promedio histórico general, te equivocarás de forma sistemática: no capturarás que a las 6 de la mañana se encienden los hornos, ni que los viernes la producción baja. El problema no es falta de datos — es que estás ignorando la variable más informativa de todas: cuándo ocurrió cada observación.

Las series temporales son secuencias de observaciones ordenadas en el tiempo. Cada punto de datos no existe de forma aislada: está relacionado con lo que pasó antes y, a veces, anticipa lo que vendrá después. Ese orden causal es la diferencia que lo cambia todo.

Qué convierte unos datos en una serie temporal

En el análisis de datos clásico puedes barajar las filas de tu tabla sin perder información. Las ventas del cliente 1247 no dependen de las del cliente 1246. Cada fila es una observación independiente.

En una serie temporal, barajar destruye la información más valiosa. Formalmente, una serie temporal es:

$Y_t = \{y_1, y_2, y_3, \ldots, y_T\}$

donde cada $y_t$ está condicionado por $y_{t-1}$ , $y_{t-2}$ y otros valores pasados. Esa dependencia temporal no es un problema a resolver — es la señal que queremos modelar.

Tipo de dato	Ejemplo	¿Importa el orden?	Método de análisis
Corte transversal	Encuesta de satisfacción	No	Regresión, clustering
Panel	Ventas por tienda y mes	Sí (parcialmente)	Efectos fijos, ML con features de fecha
Serie temporal	Consumo eléctrico horario	Sí, totalmente	Modelos temporales (ARIMA, ETS, ML temporal)

Cada serie tiene detrás un proceso generador de datos (DGP): el mecanismo real que produce las observaciones. El consumo eléctrico tiene un DGP con ciclos de 24 horas, picos semanales y variaciones estacionales anuales. Nuestro objetivo nunca es capturar el DGP completo —es imposible— sino aproximarlo lo suficiente como para hacer predicciones útiles.

Los cuatro componentes de una serie temporal

Casi cualquier serie temporal puede descomponerse en cuatro piezas. Reconocerlas a simple vista —antes de tocar ningún modelo— es la habilidad más práctica de este capítulo.

El modelo de descomposición aditiva expresa cada observación como la suma de cuatro componentes:

$Y_t = T_t + S_t + C_t + \varepsilon_t$

donde $T_t$ es tendencia, $S_t$ estacionalidad, $C_t$ ciclo y $\varepsilon_t$ el término de error o ruido.

Tendencia ( $T_t$ ): el rumbo a largo plazo

La tendencia refleja el movimiento sostenido de la media a lo largo del tiempo. Puede ser creciente, decreciente o prácticamente plana. La forma más simple es lineal:

$T_t = a + b \cdot t$

donde $a$ es el nivel inicial y $b$ la pendiente (positiva = serie al alza, negativa = serie a la baja).

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

np.random.seed(42)
fechas = pd.date_range(start="2020-01-01", periods=60, freq="ME")
t = np.arange(60)

# Tendencia lineal: nivel inicial 100, crecimiento de 1.2 unidades por mes
tendencia = 100 + 1.2 * t

plt.figure(figsize=(10, 4))
plt.plot(fechas, tendencia, color="#1a1a1a", linewidth=2)
plt.title("Tendencia lineal creciente")
plt.xlabel("Fecha")
plt.ylabel("Valor")
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

Tendencia lineal — 60 meses (pendiente = 1.2)

Estacionalidad ( $S_t$ ): el patrón que se repite

La estacionalidad es un patrón periódico de amplitud relativamente constante que se repite a intervalos fijos: cada 7 días, cada 12 meses, cada 24 horas. Es la firma temporal de los hábitos humanos, los ciclos naturales y los calendarios comerciales.

$S_t = A \cdot \sin\!\left(\frac{2\pi t}{p}\right)$

donde $A$ es la amplitud del patrón y $p$ el período (número de períodos por ciclo).

# Estacionalidad anual: el patrón se repite cada 12 meses
amplitud = 15.0
periodo  = 12
estacionalidad = amplitud * np.sin(2 * np.pi * t / periodo)

Estacionalidad anual — amplitud = 15, período = 12 meses

Ruido ( $\varepsilon_t$ ): la variación que no explicas

El ruido —también llamado componente irregular o residual— recoge todo lo que el modelo no captura: el impacto puntual de una campaña de marketing, un fallo técnico inesperado, una noticia que nadie anticipó. En un modelo bien especificado, el ruido debe parecerse al ruido blanco: media cero, varianza constante y sin autocorrelación.

# Ruido blanco: distribución normal con media 0 y desviación estándar 5
sigma = 5.0
ruido = np.random.normal(loc=0, scale=sigma, size=60)

Ruido blanco — media = 0, σ = 5

Ciclos ( $C_t$ ): oscilaciones de duración variable

Los ciclos son fluctuaciones de más largo plazo que no tienen un período fijo. El ejemplo más conocido son los ciclos económicos de expansión y contracción, que pueden durar entre 4 y 12 años. A diferencia de la estacionalidad, no puedes predecir cuándo empezará el siguiente ciclo con solo conocer el período.

# Superposición de dos oscilaciones con períodos irregulares
ciclo_a = 8 * np.sin(2 * np.pi * t / 28)   # ciclo lento (~28 meses)
ciclo_b = 4 * np.sin(2 * np.pi * t / 11)   # ciclo rápido (~11 meses)
ciclo   = ciclo_a + ciclo_b                  # el resultado no es periódico

En la práctica, el componente cíclico es el más difícil de identificar y modelar. Muchas implementaciones de descomposición lo incluyen en la tendencia o en el residual.

La serie completa: todo junto

Al combinar los cuatro componentes obtienes una serie que parece “real”: tiene una dirección general, un patrón recurrente, variaciones irregulares y pequeñas oscilaciones de largo plazo.

# Serie completa bajo el modelo aditivo
serie = tendencia + estacionalidad + ruido

Activa y desactiva cada componente para ver cómo contribuye a la forma de la serie:

Modelo aditivo — activa y desactiva cada componente Y_t = T_t + S_t + ε_t

Tendencia Estacionalidad Residual

Tendencia (T_t)

Estacionalidad (S_t)

Residual (ε_t)

La serie completa combinada tiene 60 meses. Usa el slider para cambiar la ventana de la media móvil y observa cómo a medida que la amplias, la línea amarilla se acerca más a la tendencia real ignorando el ruido estacional:

Explora la serie combinada — ajusta la media móvil

Ventana (meses): 6

Serie original Media móvil

Con ventana = 12 meses, la media móvil elimina exactamente un ciclo de estacionalidad anual y deja visible solo la tendencia. Con ventana = 1, es equivalente a la serie original sin suavizar.

Tres dominios, tres historias distintas

Ver los componentes en abstracto está bien. Verlos en datos con contexto real es lo que fija el aprendizaje. Aquí tienes tres escenarios con patrones muy distintos.

Negocios: ingresos recurrentes de una plataforma SaaS

Una startup SaaS registra sus ingresos mensuales recurrentes (MRR) durante 24 meses. La empresa crece, así que hay tendencia. Los cierres de contrato se concentran en Q4 (antes del cierre fiscal de sus clientes corporativos), así que hay estacionalidad anual.

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

np.random.seed(42)
fechas = pd.date_range(start="2024-01-01", periods=24, freq="ME")
t = np.arange(24)

mrr_base = 5000.0
# Crecimiento exponencial del 4% mensual
tendencia_mrr = mrr_base * np.exp(0.04 * t)
# Pico en Q4 (meses 10-11 del año): estacionalidad con fase adelantada
estacional_mrr = 0.12 * tendencia_mrr * np.sin(2 * np.pi * t / 12 + np.pi / 6)
ruido_mrr = np.random.normal(0, 150, 24)
mrr = tendencia_mrr + estacional_mrr + ruido_mrr

serie_mrr = pd.Series(mrr, index=fechas)

plt.figure(figsize=(10, 4))
plt.plot(serie_mrr, color="#1a1a1a", linewidth=2)
plt.title("MRR de plataforma SaaS — 24 meses")
plt.xlabel("Fecha")
plt.ylabel("MRR (€)")
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

MRR plataforma SaaS — 24 meses

IoT: temperatura de un servidor de cómputo

Un servidor de entrenamiento de modelos de ML registra su temperatura CPU cada hora durante 48 horas. La temperatura sube durante la jornada laboral (9-18h, cuando los trabajos se lanzan) y baja de noche.

np.random.seed(123)
horas = pd.date_range(start="2024-01-15 00:00", periods=48, freq="h")
t_h = np.arange(48)

temp_base = 35.0
# Ciclo diario: temperatura sube en horas de trabajo, solo valores positivos
temp_ciclo = 12.0 * np.maximum(0, np.sin(2 * np.pi * t_h / 24 - np.pi / 2))
ruido_termico = np.random.normal(0, 1.2, 48)
temperatura = temp_base + temp_ciclo + ruido_termico

serie_temp = pd.Series(temperatura, index=horas)

plt.figure(figsize=(10, 4))
plt.plot(serie_temp, color="#1a1a1a", linewidth=1.8)
plt.axhline(45, color="#ff8b94", linestyle="--", alpha=0.7, label="Umbral de alerta (45°C)")
plt.title("Temperatura CPU — 48 horas")
plt.xlabel("Hora")
plt.ylabel("Temperatura (°C)")
plt.legend()
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

Temperatura CPU — ciclo diario de 24 horas

Finanzas: precio de cierre de un activo

El precio de un activo financiero durante 252 días de trading (aproximadamente un año) sigue un paseo aleatorio: cada precio es el anterior más una perturbación aleatoria.

np.random.seed(42)
dias_trading = pd.date_range(start="2024-01-02", periods=252, freq="B")  # días hábiles

# El precio de hoy = precio de ayer + variación aleatoria (paseo aleatorio)
variaciones = np.random.normal(0, 1.2, 252)
precio = 100 + np.cumsum(variaciones)

serie_precio = pd.Series(precio, index=dias_trading)

plt.figure(figsize=(10, 4))
plt.plot(serie_precio, color="#1a1a1a", linewidth=1.5)
plt.title("Precio de cierre — 252 días de trading")
plt.xlabel("Fecha")
plt.ylabel("Precio (€)")
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

Precio de cierre — 252 días de trading

Autoevaluación

Barajas aleatoriamente las filas de tu dataset de series temporales antes de entrenarlo en un modelo. ¿Qué consecuencia tiene esto?

De los cuatro componentes, ¿cuál tiene un período estrictamente fijo y predecible?

Analizas ventas de ropa de abrigo. Observas que en invierno los picos son cada vez más altos a medida que la empresa crece. ¿Qué modelo de descomposición es más apropiado?

En un lag plot donde graficas $y_t$ en el eje Y contra $y_{t-1}$ en el eje X, los puntos forman una nube sin estructura. ¿Qué indica esto?

Reto de código

Reto: construye y descompón tu propia serie

Genera una serie de 120 meses que combine:

Tendencia: nivel inicial = 200, pendiente = 1.5 (unidades por mes)
Estacionalidad anual: amplitud = 25, período = 12 meses
Ruido: normal con media = 0 y desviación estándar = 8

Después aplica seasonal_decompose con model="additive" y period=12. Grafica la tendencia estimada junto a la tendencia original. ¿Por qué los extremos de la tendencia estimada son menos precisos que el centro?

Solución:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.seasonal import seasonal_decompose

np.random.seed(42)
fechas = pd.date_range(start="2015-01-01", periods=120, freq="ME")
t = np.arange(120)

# Construimos los componentes por separado para poder comparar
tendencia_real  = 200 + 1.5 * t
estacionalidad  = 25 * np.sin(2 * np.pi * t / 12)
ruido           = np.random.normal(0, 8, 120)
serie           = tendencia_real + estacionalidad + ruido

# Descomposición automática
resultado = seasonal_decompose(
    pd.Series(serie, index=fechas),
    model="additive",
    period=12
)

# Comparamos tendencia real vs estimada
plt.figure(figsize=(10, 5))
plt.plot(fechas, tendencia_real, color="#1a1a1a", linewidth=2, label="Tendencia real")
plt.plot(fechas, resultado.trend, color="#ffcc00", linewidth=2.5, label="Tendencia estimada")
plt.title("Tendencia real vs estimada por seasonal_decompose")
plt.xlabel("Fecha")
plt.ylabel("Valor")
plt.legend()
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

¿Por qué los extremos son menos precisos? seasonal_decompose estima la tendencia usando una media móvil centrada de ventana period. Para calcular la media centrada del primer punto necesita los 6 puntos anteriores, que no existen. Por eso los primeros y últimos period // 2 valores de la tendencia estimada son NaN. Este efecto de borde es una limitación conocida de la descomposición clásica; métodos como STL (Seasonal and Trend decomposition using Loess) lo manejan mejor.

Resumen

Una serie temporal es una secuencia donde el orden de las observaciones importa: cada valor depende de los anteriores. Barajar los datos destruye esa estructura.
Casi cualquier serie puede descomponerse en tendencia (rumbo a largo plazo), estacionalidad (patrón periódico fijo), ciclo (oscilaciones de duración variable) y ruido (variación aleatoria irreducible).
Los patrones difieren drásticamente según el dominio: los ingresos SaaS tienen tendencia dominante, los sensores IoT tienen estacionalidad diaria, los precios financieros se parecen a paseos aleatorios.

En los subcapítulos siguientes vas a pasar de la teoría al código:

1.1 — Construye y destruye: genera cada componente en Python, combínalos y verifica la descomposición automática.
1.2 — El arsenal de pandas: domina el DatetimeIndex, resample, rolling y el manejo de datos faltantes.
1.3 — Diagnóstico visual: las cinco gráficas que debes hacer antes de ajustar cualquier modelo.

El capítulo 2 presentará el concepto de estacionariedad —la propiedad estadística que determina qué modelos puedes aplicar y cómo— junto con tu primer modelo ARIMA.

Series temporales: cuando el orden lo cambia todo