Analisis de Paivos de Colombina S.A
VANESSA
2025-03-07
1 Introducción
En este informe, se realizará la extracción de señales o descomposición de series temporales aplicadas a los pasivos totales trimestrales de la empresa Colombina S.A. durante el período comprendido entre el primer trimestre de 2019 (1T2019) y el tercer trimestre de 2024 (3T2024).
El análisis de series temporales permite identificar patrones subyacentes en los datos, como tendencias, estacionalidad y componentes irregulares, lo que facilita una mejor comprensión del comportamiento de los pasivos de la empresa. Para ello, se emplearán técnicas estadísticas y métodos de descomposición, con el fin de extraer información clave que pueda contribuir a la gestión financiera y a la toma de decisiones estratégicas.
A lo largo del informe, se presentarán los resultados obtenidos y se discutirán sus implicaciones en el contexto financiero de Colombina S.A.
2 Análisis exploratorio-Descriptivo
En este estudio, se llevará a cabo un análisis exploratorio de los pasivos totales de la empresa Colombina. Para ello, se calcularán medidas estadísticas que permitirán describir la distribución y las principales características de esta variable.
Asimismo, se utilizarán herramientas gráficas para visualizar la evolución de los pasivos, identificar posibles tendencias y detectar valores atípicos que puedan influir en el análisis.
El propósito de este estudio es obtener una visión preliminar de los datos disponibles, lo que servirá como base para investigaciones más detalladas en el futuro.
A continuación, se presenta el desarrollo del análisis.
# Cargar librerías necesarias
library(readxl) # Para leer archivos Excel
library(dplyr) # Para manipulación de datos
library(ggplot2) # Para visualización
library(plotly) # Para gráficos interactivos
library(tseries) # Para análisis de series temporales
library(forecast) # Para descomposición
library(timetk) # Para análisis y visualización de series temporales data <- read_excel("Colombina EXTRA.xlsx")# Ver las primeras filas de los datos
class(data)## [1] "tbl_df" "tbl" "data.frame"colnames(data) ## [1] "Date" "ING" "UTILIDAD" "ACTIVOS" "PASIVOS"head(data)## # A tibble: 6 × 5
## Date ING UTILIDAD ACTIVOS PASIVOS
## <dttm> <dbl> <dbl> <dbl> <dbl>
## 1 2019-03-01 00:00:00 433580000 35320000 1565128000 1391576000
## 2 2019-06-01 00:00:00 462186000 32407000 1571254000 1387456000
## 3 2019-09-01 00:00:00 517285000 44634000 1625282000 1418499000
## 4 2019-12-01 00:00:00 528268000 44063000 1690409000 1457298000
## 5 2020-03-01 00:00:00 498207000 47612000 1816189000 1604851000
## 6 2020-06-01 00:00:00 402864000 -2194000 1727606000 1532106000# Formatear la serie temporal (trimestral desde 2019-Q1 hasta 2024-Q3)
ts_data <- ts(data$PASIVOS, start = c(2019, 1), frequency = 4)3 Interpretación descriptiva
Las estadisticas exploratorias de los pasivos de Colombina S.A. evidencia aspectos importantes en la gestión de sus obligaciones financieras. A pesar de observar diferencias entre los valores extremos, los indicadores estadísticos señalan una estabilidad relativa en el manejo de estos pasivos.
Los pasivos registrados varían desde un mínimo de 1,387,456,000 COP hasta un máximo de 2,272,848,000 COP. Esta diferencia en los extremos indica que, en ciertos periodos, la empresa enfrentó obligaciones significativamente distintas, lo que podría estar influenciado por factores económicos o estacionales.
La media de los pasivos se sitúa en aproximadamente 1,716,993,522 COP y la mediana en 1,604,851,000 COP. La proximidad de estos dos valores demuestra que la mayoría de los datos se agrupa en torno a un valor central, sugiriendo que no existen valores atípicos extremos que distorsionen la distribución. Esta característica respalda la idea de que la distribución de los pasivos es relativamente simétrica.
La desviación estándar de 279,313,748 COP, junto con un coeficiente de variación del 16.3%, refuerzan la noción de estabilidad. Un coeficiente de variación por debajo del 30% se interpreta generalmente como indicativo de una variabilidad moderada, lo cual significa que los pasivos se mantienen controlados en relación con su media.
En virtud de los datos analizados, se puede concluir que, a pesar de las diferencias en los valores extremos, Colombina S.A. exhibe una estabilidad en el manejo de sus pasivos. La concentración de los valores en torno a la media y la mediana, junto con una variabilidad relativa baja, sugieren una gestión financiera eficiente y un control adecuado de las obligaciones, lo cual es un indicador positivo para la salud financiera de la empresa.
# Calcular estadísticas descriptivas básicas
descriptive_stats <- data.frame(
Min = min(ts_data),
Max = max(ts_data),
Media = mean(ts_data),
Mediana = median(ts_data),
DesviacionEstandar = sd(ts_data),
CoefVar = sd(ts_data) / mean(ts_data)
)
print(descriptive_stats)## Min Max Media Mediana DesviacionEstandar CoefVar
## 1 1387456000 2272848000 1716993522 1604851000 279313748 0.1626761# Gráfico interactivo de la serie original
grafico_serie <- ggplot(data, aes(x = seq.Date(from = as.Date("2019-01-01"), by = "quarter", length.out = nrow(data)), y = PASIVOS)) +
geom_line(color = "black", size = 1) +
geom_point(color = "orange") +
ggtitle("Figura 1. Pasivos Trimestrales de Colombina S.A.") +
xlab("Tiempo") +
ylab("Miles de Pesos Colombianos") +
theme_minimal()
ggplotly(grafico_serie) La figura 1 muestra un incremento sostenido en los pasivos de Colombina S.A. a lo largo del tiempo. Tras un periodo relativamente estable entre 2019 y 2020, se observa una tendencia al alza más marcada a partir de 2021, que se acentúa hacia 2023-2024. Este comportamiento podría reflejar un mayor nivel de endeudamiento o la adquisición de obligaciones adicionales, ya sea para financiar proyectos de crecimiento, afrontar cambios en el entorno económico o responder a estrategias financieras específicas.
4 Descomposición temporal-extracción de señales
# Descomposición de la serie temporal
stl_decomp <- stl(ts_data, s.window = "periodic")
plot(stl_decomp)
# Extraer los componentes de la descomposición
serie_ajustada <- ts_data - stl_decomp$time.series[, "seasonal"]# Comparación de la serie original con la ajustada por estacionalidad
grafico_ajustada <- ggplot() +
geom_line(aes(x = seq_along(ts_data), y = ts_data), color = "black", size = 1, linetype = "solid") +
geom_line(aes(x = seq_along(serie_ajustada), y = serie_ajustada), color = "orange", size = 1, linetype = "dashed") +
ggtitle("Figura 2.Serie Original vs Serie Ajustada por Estacionalidad") +
xlab("Tiempo") +
ylab("Miles de Pesos Colombianos") +
theme_minimal()
ggplotly(grafico_ajustada)Se observa en la figura 2 que la serie ajustada por estacionalidad exhibe una tendencia de crecimiento constante a lo largo del periodo, sin variaciones bruscas atribuibles a factores estacionales. Se aprecia un incremento sostenido en los pasivos. Esta trayectoria indica un aumento estructural de las obligaciones financieras de Colombina S.A., probablemente motivado por necesidades de financiamiento, proyectos de inversión o cambios en la estrategia corporativa.
# Comparación de la serie original con la tendencia
tendencia <- stl_decomp$time.series[, "trend"]
grafico_tendencia <- ggplot() +
geom_line(aes(x = seq_along(ts_data), y = ts_data), color = "grey", size = 1) +
geom_line(aes(x = seq_along(tendencia), y = tendencia), color = "orange", size = 1, linetype = "dashed") +
ggtitle("Figura 3. Serie Original vs Tendencia") +
xlab("Tiempo") +
ylab("Miles de Pesos Colombianos") +
theme_minimal()
ggplotly(grafico_tendencia)Segun figura 3 se observa que la tendencia muestra un crecimiento continuo y sostenido de los pasivos, incrementándose de manera constante hasta alcanzar los 2.3 billones de COP.
# Cálculo de la tasa de crecimiento anual correctamente alineada
tasa_crecimiento <- (ts_data[(5:length(ts_data))] / ts_data[1:(length(ts_data) - 4)] - 1) * 100
tasa_tendencia <- (tendencia[(5:length(tendencia))] / tendencia[1:(length(tendencia) - 4)] - 1) * 100
# Crear vector de fechas corregido
fechas_corregidas <- seq(from = as.Date("2020-01-01"), by = "quarter", length.out = length(tasa_crecimiento))
# Verificar longitudes
print(length(fechas_corregidas))## [1] 19print(length(tasa_crecimiento))## [1] 19print(length(tasa_tendencia))## [1] 19# Gráfico de la tasa de crecimiento anual
grafico_crecimiento <- ggplot() +
geom_line(aes(x = fechas_corregidas, y = tasa_crecimiento), color = "black", size = 1) +
geom_line(aes(x = fechas_corregidas, y = tasa_tendencia), color = "orange", size = 1, linetype = "dashed") +
ggtitle("Figura 4. Tasa de Crecimiento Anual: Serie Original vs Tendencia") +
xlab("Tiempo") +
ylab("% de Crecimiento Anual") +
theme_minimal()
# Convertir a gráfico interactivo
ggplotly(grafico_crecimiento)A partir de la figura 4, se infiere que la tasa de crecimiento de los pasivos de forma ascendente y positiva a partir del año 2021 hasta el 2023, pero luego entra en una fase de desenso en el 2024; despues de este periodo se puede observar que los pasivos comienzan a crecer paulatinamente de una forma moderada.
en conclusion general, la figura 4 exhibe un comportamiento cíclico a lo largo del tiempo. Se observan picos de crecimiento en ciertos periodos, seguidos de descensos en otros, lo cual indica que el ritmo al que aumentan los pasivos no es uniforme sino que fluctúa según las condiciones financieras y operativas de la empresa.