2 · Tendencia, estacionalidad y ruido
Casi toda serie se descompone en tres partes: una tendencia, un ciclo estacional repetitivo y ruido residual. Separarlos es lo primero que haces.
Una serie ≈ tendencia + estacionalidad + residuo (aditiva) o tendencia × estacionalidad × residuo (multiplicativa). seasonal_decompose de statsmodels separa las tres para que puedas verlas, modelarlas y removerlas.
Sin esto:
Sin descomposición modelas una maraña; extraer primero tendencia y estacionalidad convierte un problema difícil en uno limpio (modelar el residuo restante).
La mayoría de las series temporales son una suma (o producto) de tres componentes:
- Tendencia (T) — la dirección a largo plazo (ventas creciendo año tras año).
- Estacionalidad (S) — un ciclo fijo y repetitivo (más helado cada verano; más tráfico cada mañana de día laboral). La estacionalidad tiene un período conocido (7 para semanal, 12 para mensual, 24 para horario-diario).
- Residuo / ruido (R) — lo que queda tras remover tendencia y estacionalidad; idealmente aleatorio.
Dos modelos los combinan:
- Aditivo:
y = T + S + R— cuando la oscilación estacional es de tamaño aproximadamente constante. - Multiplicativo:
y = T × S × R— cuando la oscilación estacional crece con el nivel (p. ej. ±10%).
statsmodels.tsa.seasonal_decompose estima las tres (la tendencia vía una media móvil centrada, la estacionalidad promediando cada posición dentro del período). La descomposición es el primer diagnóstico que corres: te dice si hay una tendencia que remover, qué tan fuerte es la estacionalidad y si el residuo parece ruido limpio.
Python (in browser)
seasonal_decompose de statsmodels divide la serie en tendencia, un patrón estacional repetitivo y ruido residual — el primer diagnóstico de todo flujo de forecasting.
Python runs entirely in your browser via Pyodide (~6 MB on first Run, cached after).
Tus ventas mensuales oscilan ±10% del nivel actual, así que la amplitud estacional crece al crecer las ventas. ¿Qué modelo de descomposición encaja?
- Serie ≈ tendencia + estacionalidad + residuo (aditiva) o su producto (multiplicativa).
- La estacionalidad tiene un período conocido (7 semanal, 12 mensual, 24 horario); seasonal_decompose estima los tres componentes.
- La descomposición es el primer diagnóstico: revela tendencia, fuerza de la estacionalidad y si el residuo es ruido limpio.
La descomposición está bajo Holt-Winters, los términos estacionales de SARIMA y el modelo aditivo de tendencia+estacionalidad+feriados de Prophet.
Si lo quitas: Sin separar componentes intentas modelar tendencia, ciclos y ruido a la vez — mucho más difícil y menos interpretable.