En este informe se realizará un análisis de extracción de señales, tanto individual como en conjunto. Por tanto, se seleccionaron las siguientes variables: 1) M=Importaciones, 2) X=Exportaciones y 3) TRM=Tasa de Cambio (Pesos/Dólares). Estas variables fueron elegidas con el propósito de analizar la cantidad de importaciones y exportaciones, asi como los cambios en la tasa de cambio, ya que esta tiene un papel importante en ambos intercambios comerciales.
El analisis se encuentra dentro del sector Comercio Internacional y sector Macroeconómico, se tomará como referencia a la empresa hipotética AgroGlobal del Valle, empresa colombiana dedicada a la producción y procesamiento de derivados frutales y confitería, quienes se dedican a importar maquinaria industrial como costo operativo e inversión y generar ingresos exportando sus productos terminados al exterior, obteniendo asi la utilidad total de sus ventas.
El periodo de análisis abarca desde enero de 2021 (ENE-21) y diciembre de 2025 (DIC-25).
El análisis de series temporales permite identificar patrones
subyacentes en los datos, como tendencias, estacionalidad, serie
original y residuo, lo que facilita una mejor comprensión del
comportamiento de la variable a analizar. Para ello, se emplearán
técnicas estadísticas como el método de descomposición
con el fin de extraer información clave que pueda contribuir a la toma
de decisiones estratégicas.
A lo largo del informe, se presentarán los resultados obtenidos y se
realizarán las respectivas interpretaciones de los gráficos para
comprenderlos mejor.
Finalmente, el análisis de extracción de señales de la empresa AgroGlobal del Valle es clave para la toma de decisiones estratégicas frente a la volatibilidad de la tasa de cambio. Esto nos permitira reconocer el momento óptimo para invertir en las importaciones y maximizar los ingresos en las exportaciones. Ayudando asi, a mejorar los resultados financieros de la empresa y fortalecer su desarollo económico en el mundo empresarial internacional.
Instalar/Cargar librerias necesarias para el análisis
#Cargar librerías necesarias
library(readxl) # Para leer archivos Excel
library(tseries) # Para pruebas de estacionariedad
library(forecast) # Para modelado ARIMA y pronósticos
library(ggplot2) # Para visualización de datos
library(plotly) # Para gráficos interactivos
library(timetk) #timetk simplifica y acelera el análisis exploratorio, visualización, y preparación de datos temporales para modelado. Es ideal para quienes trabajan con series temporales en un flujo de trabajo "tidy" y buscan integrar análisis visuales, detección de patrones y forecasting en un solo paquete.Cargar base de datos
library(readxl)
data_col <- read_excel("data_col.xlsx")PASO INDISPENSABLE: Declarar la (s) variable (s) como serie (s) temporal (es):
# Convertir/declarar variable 1=M en serie de tiempo mensual
variable1_ts <- ts(data_col$M[109:169], start = c(2021, 1),end = c(2025, 12), frequency = 12)
variable1_ts## Jan Feb Mar Apr May Jun Jul Aug Sep
## 2021 3619154 3635115 4490700 4237304 3856221 4272197 4142113 4588906 4879226
## 2022 4944444 4642236 5449133 4847533 5014988 4581627 5075593 5488769 5026649
## 2023 5529665 5058145 5856798 4942585 5418513 5015212 4945201 5288179 4944207
## 2024 4958983 4820621 4757260 5839421 5535521 4660201 5581114 5532865 5162792
## 2025 5378871 5326085 5543051 5794825 6135260 5336837 6483991 5850375 6128787
## Oct Nov Dec
## 2021 4873378 5451123 5188196
## 2022 4561444 4518721 4519477
## 2023 5375733 5165698 5256700
## 2024 5730920 5874370 5650617
## 2025 6583334 5889924 6050729# Convertir/declarar variable 2=X en serie de tiempo mensual
variable2_ts <- ts(data_col$X[109:169], start = c(2021, 1),end = c(2025, 12), frequency = 12)
variable2_ts## Jan Feb Mar Apr May Jun Jul Aug Sep
## 2021 2610936 2938994 3383554 2976372 3096913 3182216 3444158 3465143 3792236
## 2022 3801609 4209198 4780210 5460531 4662521 5497617 5913682 4388737 4778520
## 2023 3733193 4238694 4465372 3739214 4497862 4021419 4167242 3943895 4167719
## 2024 3621124 3811057 3866389 4408818 4450913 3821641 4618276 3844992 4130843
## 2025 3776776 3780307 4338061 4121575 4358887 3959140 4429917 3842152 4621300
## Oct Nov Dec
## 2021 3799111 4155805 4544551
## 2022 4213182 4562248 4642084
## 2023 4152149 4194634 4447733
## 2024 4311785 4121146 4472387
## 2025 4300486 4016568 4540519# Convertir/declarar variable 3=TRM en serie de tiempo mensual
variable3_ts <- ts(data_col$TRM[109:169], start = c(2021, 1),end = c(2025, 12), frequency = 12)
variable3_ts## Jan Feb Mar Apr May Jun Jul Aug
## 2021 3494.952 3551.997 3618.259 3654.614 3737.572 3687.401 3835.867 3882.250
## 2022 4002.746 3934.644 3799.549 3800.747 4015.570 3950.261 4389.145 4324.015
## 2023 4715.023 4822.552 4759.074 4530.264 4536.510 4205.262 4054.683 4077.895
## 2024 3922.445 3931.981 3899.277 3871.303 3867.880 4059.680 4038.110 4068.280
## 2025 4300.310 4131.950 4133.480 4273.880 4202.300 4115.800 4047.290 4051.590
## Sep Oct Nov Dec
## 2021 3823.625 3768.999 3906.607 3969.679
## 2022 4445.920 4726.851 4920.763 4793.103
## 2023 4007.122 4227.934 4035.887 3948.097
## 2024 4193.890 4266.350 4412.060 4386.390
## 2025 3924.240 3881.440 3780.340 3794.930Gráfico inicial de la variable 1 - serie original
library(ggplot2)
library(plotly)
# Convertir la serie temporal a un vector numérico para lograr graficar con ggplot2
data_21_25 <- tail(data_col, 60)
data_21_25$variable1 <- as.numeric(variable1_ts)
# Crear el gráfico
grafico_serie <- ggplot(data_21_25, aes(x = seq.Date(from = as.Date("2021-01-01"), by = "month", length.out = 60), y = M)) +
geom_line(color = "grey", linewidth = 0.4) + # Cambiado 'size' por 'linewidth'
geom_point(color = "black", size = 0.1) +
ggtitle("Variable 1: Importaciones 2021- 2025") +
xlab("Tiempo") +
ylab("Número de Importaciones") +
scale_x_date(date_breaks = "1 year", date_labels = "%Y") +
theme_minimal()
ggplotly(grafico_serie)Interpretación del gráfico de la variable 1: Serie Original
Podemos observar que el número de importaciones cada año a estado tanto al alza como a la baja; sin embargo, se evidencia una mejora año tras año. Por más que existan momentos en los que la cantidad de importaciones disminuyen, las recuperaciones son inmediatas. Estos cambios constantes pueden tener como factor principal a la volatibilidad de las tasas de cambio durante cada periodo anual, sobre todo porque entre esos años existió una pandemia y una recuperación tras la pandemia.
# Cargar librerías necesarias
library(ggplot2)
library(plotly)
# Descomposición de la serie temporal
stl_decomp_var1 <- stl(variable1_ts, s.window = "periodic")
# Convertir la descomposición a un data frame para graficar con ggplot2
stl_df_var1 <- data.frame(
Time = rep(time(variable1_ts), 4), # Tiempo repetido para cada componente (son 4 componentes)
Value = c(stl_decomp_var1$time.series[, "seasonal"],
stl_decomp_var1$time.series[, "trend"],
stl_decomp_var1$time.series[, "remainder"],
variable1_ts),
Component = rep(c("Estacional", "Tendencia", "Residuo", "Serie Original"), each = length(variable1_ts))
)
# Crear gráfico con ggplot2
p <- ggplot(stl_df_var1, aes(x = Time, y = Value, color = Component)) +
geom_line() +
facet_wrap(~Component, scales = "free_y", ncol = 1) +
theme_minimal() +
labs(title = "Descomposición temporal de la variable 1",
x = "Tiempo",
y = "Valor")
# Convertir a gráfico interactivo con plotly
ggplotly(p)Interpretación del gráfico de la descomposición temporal de la variable 1
Estacional: Esto representa a la rutina de la empresa, quiere decir que todos los años se repite el mismo ciclo comercial, sin embargo existen meses en lo que se deben realizar más compras de lo habitual y meses en los que debe haber muy baja importación.
Tendencia: A largo plazo, se muestra que el número de importaciones a tiene un crecimiento constante, aún que entre el año 2022 y 2023 se mantuvo estable, a partir del año 2024 la empresa aumento sus compras en el exterior.
Residuo: Esto representa los eventos inesperados como un salto anormal del dólar, que no se pueden predecir ni con la tendencia, ni con la estacionalidad.
# Cargar librerías necesarias
library(ggplot2)
library(plotly)
# Descomposición de la serie temporal
stl_decomp_var2 <- stl(variable2_ts, s.window = "periodic")
# Convertir la descomposición a un data frame para graficar con ggplot2
stl_df_var2 <- data.frame(
Time = rep(time(variable2_ts), 4), # Tiempo repetido para cada componente
Value = c(stl_decomp_var2$time.series[, "seasonal"],
stl_decomp_var2$time.series[, "trend"],
stl_decomp_var2$time.series[, "remainder"],
variable2_ts),
Component = rep(c("Estacional", "Tendencia", "Residuo", "Serie Original"), each = length(variable2_ts))
)
# Crear gráfico con ggplot2
p <- ggplot(stl_df_var2, aes(x = Time, y = Value, color = Component)) +
geom_line() +
facet_wrap(~Component, scales = "free_y", ncol = 1) +
theme_minimal() +
labs(title = "Descomposición temporal de la variable 2",
x = "Tiempo",
y = "Valor")
# Convertir a gráfico interactivo con plotly
ggplotly(p)Interpretación del gráfico de la descomposición temporal de la variable 2
Estacional: Se representa como si fuera un “serrucho”, se analiza que en los últimos meses del año es donde ocurren estas subidas y bajadas drásticas, esto puede ser ocasionado ya que al ser un sector agroindustrial, las ventas dependen de los meses de cosecha y festividades en otros países.
Residuo: Se observa estable, es decir en el mismo momento, a excepción de los años 2022 y 2023, que fue donde ocurrieron los shocks económicos impredecibles.
Serie Original: En esta gráfica, se muestran el comportamiento de las exportaciones, tuvo un aumento significativo para el año 2022, debido a que, los mercado internacionales se reactivaron. Aún así, disminuyo para el siguiente año y se mantuvo casí estable el resto de años. Por lo tanto, la forma de serrucho en la mayoria de los graficos, podría confirma que la empresa vende por temporadas.
Tendencia: Muestra un crecimiento alto hasta mediados del año 2022, pero luego sufre una caída en el año 2023 y se ha mantenido así hasta el momento, esto se debe ya que Analdex reportó que las exportaciones disminuyeron por una caída en la inflación global, lo que ocasionó que los clientes dejaran de comprar.
# Cargar librerías necesarias
library(ggplot2)
library(plotly)
# Descomposición de la serie temporal
stl_decomp_var3 <- stl(variable3_ts, s.window = "periodic")
# Convertir la descomposición a un data frame para graficar con ggplot2
stl_df_var3 <- data.frame(
Time = rep(time(variable3_ts), 4), # Tiempo repetido para cada componente
Value = c(stl_decomp_var3$time.series[, "seasonal"],
stl_decomp_var3$time.series[, "trend"],
stl_decomp_var3$time.series[, "remainder"],
variable3_ts),
Component = rep(c("Estacional", "Tendencia", "Residuo", "Serie Original"), each = length(variable3_ts))
)
# Crear gráfico con ggplot2
p <- ggplot(stl_df_var3, aes(x = Time, y = Value, color = Component)) +
geom_line() +
facet_wrap(~Component, scales = "free_y", ncol = 1) +
theme_minimal() +
labs(title = "Descomposición temporal de la variable 3",
x = "Tiempo",
y = "Valor")
# Convertir a gráfico interactivo con plotly
ggplotly(p)Interpretación del gráfico de la descomposición temporal de la variable 3
Estacional: Se observa una alta volatibilidad en la tasa de cambio del dólar año tras año, esto se debe a que posiblemente al final de cada año ocurra lo mismo como el aumento a las exportaciones, lo que significa que llegan más dólares al país.
Residuo: Esta vez hay mucha variabilidad en el gráfico, con un ligero aumento en el año 2023, esto refleja las sorpresas que hubieron esos años por los saltos y caidas repentinos del dólar.
Serie Original: En está parte podemos observa el precio real del dólar, empezo con un precio de 3.500 pesos, luego se disparo en el siguiente año y finalmente a partir del año 2024 fue bajando poco a poco.
Tendencia: Nos muestra como el dólar tuvo un aumento enorme desde el año 2021 hasta inicios del año 2023, sin embargo tuvo una caída que se puede observar a simple vista y desde ese entonces no volvio a tener una subida notable. Esto se debe a la inflación y problemas económicos en Colombia, lo que provocó que el dólar se volviera mucho más caro para el país. Afortunadamente, la linea empezo a bajar, lo que significa que el precio del dolar disminuyo.
Después de la descomposición temporal de cada variable, se extrae la variable ajustada por estacionalidad para graficarla junto con la serie original:
Se crea la variable1 ajustada por estacionalidad
# Extraer los componentes de la descomposición
variable1_sa <- variable1_ts - stl_decomp_var1$time.series[, "seasonal"]Se crea la variable2 ajustada por estacionalidad
# Extraer los componentes de la descomposición
variable2_sa <- variable2_ts - stl_decomp_var2$time.series[, "seasonal"]Se crea la variable3 ajustada por estacionalidad
# Extraer los componentes de la descomposición
variable3_sa <- variable3_ts - stl_decomp_var3$time.series[, "seasonal"]Ahora si se puede graficar las series originales versus la ajustada por estacionalidad
# Crear vector de fechas correctamente alineado con la serie
fechas_var1 <- seq.Date(from = as.Date("2021-01-01"), by = "month", length.out = length(variable1_ts))
# Gráfico mejorado con fechas en el eje X
grafico_ajustada_var1 <- ggplot() +
geom_line(aes(x = fechas_var1, y = variable1_ts), color = "grey", size = 0.5, linetype = "solid", name = "Serie Original") +
geom_line(aes(x = fechas_var1, y = variable1_sa), color = "black", size = 0.6, linetype = "solid", name = "Serie Ajustada") +
ggtitle("Variable 1:Serie Original vs Serie Ajustada por Estacionalidad") +
xlab("Tiempo") +
ylab("Unidad de medida variable 1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +# Rotar etiquetas para mejor visualización
scale_x_date(date_breaks = "1 year", date_labels = "%Y")
# Convertir a gráfico interactivo
ggplotly(grafico_ajustada_var1)Interpretación del gráfico serie original vs ajustada por estacionalidad de la Variable 1
Al comparar las graficas de la linea oscura y la linea clara, podemos concluir que efectivamente las importaciones de la empresa tiene un crecimiento real y constante a lo largos de los años. Esto demuestra que AgroGlobal no solo compra más durante sus meses de temporada alta, sino que está en plena expansión y adquiere cada vez más maquinaria e insumos para su operación general.
# Crear vector de fechas correctamente alineado con la serie
fechas_var2 <- seq.Date(from = as.Date("2021-01-01"), by = "month", length.out = length(variable2_ts))
# Gráfico mejorado con fechas en el eje X
grafico_ajustada_var2 <- ggplot() +
geom_line(aes(x = fechas_var2, y = variable2_ts), color = "grey", size = 0.5, linetype = "solid", name = "Serie Original") +
geom_line(aes(x = fechas_var2, y = variable2_sa), color = "black", size = 0.6, linetype = "solid", name = "Serie Ajustada") +
ggtitle("Variable 2:Serie Original vs Serie Ajustada por Estacionalidad") +
xlab("Tiempo") +
ylab("Unidad de medida variable 2") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) + # Rotar etiquetas para mejor visualización
scale_x_date(date_breaks = "1 year", date_labels = "%Y")
# Convertir a gráfico interactivo
ggplotly(grafico_ajustada_var2)Interpretación del gráfico serie original vs ajustada por estacionalidad de la Variable 2
En este gráfico, podemos observar a primera vista los cambios drásticos de la linea oscura, que refleja la situación verdadera de las exportaciones de la empresa. Un crecimiento explosivo a mediados del año 2022, pero luego sufrío una fuerte caída y se mantuvo así en los siguientes años. Esto demuestra que la empresa no supo sostener el crecimiento de las ventas a largo plazo e incluso perdió valor en el exterior, por lo que, solo se mantiene por sus picos de temporada. Este obstáculo se relaciona con la realidad nacional, ya que Analdex informó que las exportaciones colombianos sufrieron una fuerte caída a partir del año 2023 debido a la inflación global y que los países extranjeros dejaron de comprar con la misma intensidad.
# Crear vector de fechas correctamente alineado con la serie
fechas_var3 <- seq.Date(from = as.Date("2021-01-01"), by = "month", length.out = length(variable3_ts))
# Gráfico mejorado con fechas en el eje X
grafico_ajustada_var3 <- ggplot() +
geom_line(aes(x = fechas_var3, y = variable3_ts), color = "grey", size = 0.5, linetype = "solid", name = "Serie Original") +
geom_line(aes(x = fechas_var3, y = variable3_sa), color = "black", size = 0.6, linetype = "solid", name = "Serie Ajustada") +
ggtitle("Variable 3:Serie Original vs Serie Ajustada por Estacionalidad") +
xlab("Tiempo") +
ylab("Unidad de medida variable 3") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) + # Rotar etiquetas para mejor visualización
scale_x_date(date_breaks = "1 year", date_labels = "%Y")
# Convertir a gráfico interactivo
ggplotly(grafico_ajustada_var3)Interpretación del gráfico serie original vs ajustada por estacionalidad de la Variable 3
Podemos observar en la gráfica que la linea oscura y la linea clara van casi con el mismo ritmo. Esto significa que el dólar no depende de las temporadas, sino de eventos económicos durante el año. Podemos identificar facilmente, cuando sucedio una verdadera crisis cambiaria en el dólar. Para finales del año 2022, se disparó sin control hasta tocar su punto más alto. Esto refleja la situación en la que se encontraba el país con respecto al valor de su moneda, todo esto provocado por la inflación y trás eso, las decisiones de los inversionistas se dificultaban más. Finalmente, esto provocó un encarecimiento en las compras del exterior para cualquier empresa.
Ahora graficamos serie original vs tendencia
Primero se debe obtener la tendencia de cada variable y luego graficarla
library(ggplot2)
library(plotly)
# Convertir la serie a un vector numérico
variable1_vec <- as.numeric(variable1_ts)
tendencia_var1 <- as.numeric(stl_decomp_var1$time.series[, "trend"])
# Asegurar que 'fechas' tenga la misma longitud
fechas <- seq.Date(from = as.Date("2021-01-01"), by = "month", length.out = length(variable1_ts))
# Gráfico interactivo de la serie original vs tendencia
grafico_tendencia_var1 <- ggplot() +
geom_line(aes(x = fechas, y = variable1_vec, color = "Serie Original"), size = 0.7, linetype = "solid") +
geom_line(aes(x = fechas, y = tendencia_var1, color = "Tendencia"), size = 0.8, linetype = "solid") +
scale_color_manual(values = c("Serie Original" = "grey", "Tendencia" = "black")) +
ggtitle("Variable 1: Serie Original vs Tendencia") +
xlab("Tiempo") +
ylab("Unidad de medida Variable 1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))+ # Rotar etiquetas del eje X
scale_x_date(date_breaks = "1 year", date_labels = "%Y")
# Convertir a gráfico interactivo con plotly
ggplotly(grafico_tendencia_var1)Interpretación de la gráfica Varible 1: Serie Original vs Tendencia
Está gráfica nos ayuda a concluir que, a pesar de que la linea clara tenga subidas y bajadas, la tendencia de la empresa sigue siendo un crecimiento continuo. Esto significa que no es relevante si es un año de compras altas o bajas, la realidad es que la empresa importa cada vez más insumos y maquinarias para sostener su expansión. Este comportamiento a largo plazo refleja la dinámica de reactivación del país, ya que, según los informes oficiales del DANE, las empresas colombianas han mantenido una tendencia al alza en la compra de materias primas y bienes de capital en el exterior para poder fortalecer y modernizar su producción nacional.
library(ggplot2)
library(plotly)
# Convertir la serie a un vector numérico
variable2_vec <- as.numeric(variable2_ts)
tendencia_var2 <- as.numeric(stl_decomp_var2$time.series[, "trend"])
# Asegurar que 'fechas' tenga la misma longitud
fechas <- seq.Date(from = as.Date("2021-01-01"), by = "month", length.out = length(variable2_ts))
# Gráfico interactivo de la serie original vs tendencia
grafico_tendencia_var2 <- ggplot() +
geom_line(aes(x = fechas, y = variable2_vec, color = "Serie Original"), size = 0.7, linetype = "solid") +
geom_line(aes(x = fechas, y = tendencia_var2, color = "Tendencia"), size = 0.8, linetype = "solid") +
scale_color_manual(values = c("Serie Original" = "grey", "Tendencia" = "black")) +
ggtitle("Variable 2: Serie Original vs Tendencia") +
xlab("Tiempo") +
ylab("Unidad de medida Variable 2") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) + # Rotar etiquetas del eje X
scale_x_date(date_breaks = "1 year", date_labels = "%Y")
# Convertir a gráfico interactivo con plotly
ggplotly(grafico_tendencia_var2)Interpretación de la gráfica Varible 2: Serie Original vs Tendencia
Para está gráfica, si comparamos la linea clara que representan las ventas mensuales con la linea oscura que representa la dirección que está tomando la empresa a largo plazo. Concluimos que la empresa tuvo un incremento de ventas exitoso a mediados del año 2022, pero luego la tendencia cayó y se mantuvo plana. Esto significa que lamentablemente el negocio dejó de expandirse en el exterior y sus ventas generales se estancaron. Nuevamente, según el infome de Analdex, podemos deducir que esto se debió a la inflación global y a una menor demanda de los países compradores.
library(ggplot2)
library(plotly)
# Convertir la serie a un vector numérico
variable3_vec <- as.numeric(variable3_ts)
tendencia_var3 <- as.numeric(stl_decomp_var3$time.series[, "trend"])
# Asegurar que 'fechas' tenga la misma longitud
fechas <- seq.Date(from = as.Date("2021-01-01"), by = "month", length.out = length(variable3_ts))
# Gráfico interactivo de la serie original vs tendencia
grafico_tendencia_var3 <- ggplot() +
geom_line(aes(x = fechas, y = variable3_vec, color = "Serie Original"), size = 0.7, linetype = "solid") +
geom_line(aes(x = fechas, y = tendencia_var3, color = "Tendencia"), size = 0.8, linetype = "solid") +
scale_color_manual(values = c("Serie Original" = "grey", "Tendencia" = "black")) +
ggtitle("Variable 3: Serie Original vs Tendencia") +
xlab("Tiempo") +
ylab("Unidad de medida Variable 3") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) + # Rotar etiquetas del eje X
scale_x_date(date_breaks = "1 year", date_labels = "%Y")
# Convertir a gráfico interactivo con plotly
ggplotly(grafico_tendencia_var3)Interpretación de la gráfica Varible 3: Serie Original vs Tendencia
En esta parte, notamos la ruta exacta de la crisis del dolar, se observa de forma rápida como el precio del dolar subio sin control hasta llegar a su punto máximo. Sin embargo, lo más importante de esta gráfica es lo que pasa después: la tendencia se quiebra y empieza a bajar fuertemente durante todo el 2023 y parte del 2024. Esto demuestra que, pasado el susto inicial, el mercado empezó a calmarse y a estabilizarse. Este comportamiento significa que el peso colombiano logró recuperarse y el dólar cerró el 2023 con una caída muy importante.
Ahora calculamos la tasa de crecimiento de la serie original vs tendencia:
Tasa de crecimiento de la serie de tendencia y original para la variable 1
#Cálculo de la tasa de crecimiento anual correctamente alineada
tasa_crecimiento_var1 <- (variable1_ts[(13:length(variable1_ts))] / variable1_ts[1:(length(variable1_ts) - 12)] - 1) * 100
tasa_tendencia_var1 <- (tendencia_var1[(13:length(tendencia_var1))] / tendencia_var1[1:(length(tendencia_var1) - 12)] - 1) * 100
# Crear vector de fechas corregido, es decir que inicie desde enero 2022
fechas_corregidas_var1 <- seq(from = as.Date("2022-01-01"), by = "month", length.out = length(tasa_crecimiento_var1))
# Verificar longitudes
print(length(fechas_corregidas_var1))## [1] 48print(length(tasa_crecimiento_var1))## [1] 48print(length(tasa_tendencia_var1))## [1] 48library(ggplot2)
library(plotly)
# Gráfico de la tasa de crecimiento anual variable 1
grafico_crecimiento_var1 <- ggplot() +
geom_line(aes(x = fechas_corregidas_var1, y = tasa_crecimiento_var1), color = "grey", size = 0.7) +
geom_line(aes(x = fechas_corregidas_var1, y = tasa_tendencia_var1), color = "black", size = 0.8, linetype = "dashed") +
ggtitle("Variable1: Tasa de crecimiento anual % de la serie Original y la tendencia") +
xlab("Tiempo") +
ylab("% de Crecimiento Anual") +
theme_minimal()
# Convertir a gráfico interactivo
ggplotly(grafico_crecimiento_var1)Interpretación del gráfico de la variable 1: Tasa de crecimiento anual % de la serie Original y la tendencia
Esta gráfica nos dice qué tan rápido crecieron las importaciones comparadas con el año anterior. Al mirar la línea punteada oscura, vemos que en 2022 las importaciones crecieron a un ritmo aceleradísimo de casi 30% por el impulso post-pandemia. Sin embargo, entre 2023 y 2024 ese acelerador se frenó casi por completo, lo que indica que la empresa dejó de expandir sus compras a esa velocidad. Finalmente, hacia 2025 y 2026, el ritmo de compra vuelve a despegar de manera más sana y estable (alrededor del 10%). Este freno repentino coincide totalmente con la realidad nacional, ya que se confirmó que durante 2023 las importaciones colombianas sufrieron una fuerte desaceleración porque la economía del país se enfrió y las empresas prefirieron ser cautelosas con sus compras al exterior.
#Cálculo de la tasa de crecimiento anual correctamente alineada
tasa_crecimiento_var2 <- (variable2_ts[(13:length(variable2_ts))] / variable2_ts[1:(length(variable2_ts) - 12)] - 1) * 100
tasa_tendencia_var2 <- (tendencia_var2[(13:length(tendencia_var2))] / tendencia_var2[1:(length(tendencia_var2) - 12)] - 1) * 100
# Crear vector de fechas corregido
fechas_corregidas_var2 <- seq(from = as.Date("2022-01-01"), by = "month", length.out = length(tasa_crecimiento_var2))
# Verificar longitudes
print(length(fechas_corregidas_var2))## [1] 48print(length(tasa_crecimiento_var2))## [1] 48print(length(tasa_tendencia_var2))## [1] 48# Gráfico de la tasa de crecimiento anual variable 2
grafico_crecimiento_var2 <- ggplot() +
geom_line(aes(x = fechas_corregidas_var2, y = tasa_crecimiento_var2), color = "grey", size = 0.7) +
geom_line(aes(x = fechas_corregidas_var2, y = tasa_tendencia_var2), color = "black", size = 0.8, linetype = "dashed") +
ggtitle("Variable2: Tasa de crecimiento anual % de la serie Original y la Tendencia") +
xlab("Tiempo") +
ylab("% de Crecimiento Anual") +
theme_minimal()
# Convertir a gráfico interactivo
ggplotly(grafico_crecimiento_var2)Interpretación del gráfico de la variable 2: Tasa de crecimiento anual % de la serie Original y la tendencia
Esta gráfica nos muestra a qué velocidad crecen o caen las ventas al exterior de la empresa cada año. Al mirar la línea oscura punteada, vemos que en 2022 las exportaciones tuvieron un crecimiento espectacular de más del 50%. Sin embargo, al año siguiente esa línea cae en picada por debajo del cero, lo que significa que en 2023 las ventas no solo se frenaron, sino que disminuyeron fuertemente y la empresa vendió menos que el año anterior. Después de ese golpe, la línea se queda completamente plana en el 0% durante 2024 y 2025, indicando un estancamiento total.
#Cálculo de la tasa de crecimiento anual correctamente alineada
tasa_crecimiento_var3 <- (variable3_ts[(13:length(variable3_ts))] / variable3_ts[1:(length(variable3_ts) - 12)] - 1) * 100
tasa_tendencia_var3 <- (tendencia_var3[(13:length(tendencia_var3))] / tendencia_var3[1:(length(tendencia_var3) - 12)] - 1) * 100
# Crear vector de fechas corregido
fechas_corregidas_var3 <- seq(from = as.Date("2022-01-01"), by = "month", length.out = length(tasa_crecimiento_var3))
# Verificar longitudes
print(length(fechas_corregidas_var3))## [1] 48print(length(tasa_crecimiento_var3))## [1] 48print(length(tasa_tendencia_var3))## [1] 48# Gráfico de la tasa de crecimiento anual variable 3
grafico_crecimiento_var3 <- ggplot() +
geom_line(aes(x = fechas_corregidas_var3, y = tasa_crecimiento_var3), color = "grey", size = 0.7) +
geom_line(aes(x = fechas_corregidas_var3, y = tasa_tendencia_var3), color = "black", size = 0.8, linetype = "dashed") +
ggtitle("Variable3: Tasa de crecimiento anual % de la serie Original y la tendencia") +
xlab("Tiempo") +
ylab("% de Crecimiento Anual") +
theme_minimal()
# Convertir a gráfico interactivo
ggplotly(grafico_crecimiento_var3)Interpretación del gráfico de la variable 3: Tasa de crecimiento anual % de la serie Original y la tendencia
Esta gráfica muestra que tan rápido aumentó o decreció el dólar en comparación con el año anterior. Al observar la línea oscura punteada (la tendencia), vemos que en 2022 el ritmo de crecimiento fue altísimo (cerca del 20%), lo que significa que el dólar se estaba encareciendo a una velocidad alarmante. Sin embargo, en 2023 y principios de 2024 la línea cae en picada por debajo del cero, lo que indica que el dólar no solo frenó su subida, sino que se abarató fuertemente frente a la moneda colombiana. Tras ese alivio, vemos un pequeño rebote en 2025 que vuelve a caer hacia 2026.
Analizar la tasa de crecimiento anual ayuda a detectar cambios en el entorno económico que afectan el sector. Se pueden prever crisis o períodos de auge y prepararse para ellos.
library(ggplot2)
library(plotly)
# 1. Crear un Data Frame uniendo las tres tasas de crecimiento de las tendencias
df_conjunto <- data.frame(
Fecha = rep(fechas_corregidas_var1, 3), # Usa las fechas (son 48 meses para todas)
Tasa = c(tasa_tendencia_var1, tasa_tendencia_var2, tasa_tendencia_var3),
Variable = rep(c("Importaciones (M)", "Exportaciones (X)", "TRM"), each = 48)
)
# 2. Crear el gráfico conjunto
grafico_conjunto <- ggplot(df_conjunto, aes(x = Fecha, y = Tasa, color = Variable)) +
geom_line(size = 0.6) +
scale_color_manual(values = c("Importaciones (M)" = "red",
"Exportaciones (X)" = "blue",
"TRM" = "black")) +
ggtitle("Comportamiento Conjunto: Tasa de Crecimiento Anual (Tendencias)") +
xlab("Tiempo") +
ylab("% de Crecimiento") +
theme_minimal() +
scale_x_date(date_breaks = "1 year", date_labels = "%Y")
# 3. Mostrar el gráfico interactivo
ggplotly(grafico_conjunto)Interpretación Gráfica Comportamiento Conjunto: Tasa de Crecimiento Anual % (Tendencias)
Esta gráfica es el resumen porque junta las tres variables al mismo tiempo. Nos muestra que en 2022 hubo un verdadero “boom”: las exportaciones (línea azul) volaban y el dólar (línea negra) se encarecía con muchísima fuerza. Como el dólar estaba tan caro, la empresa ganaba muchos más pesos por sus ventas en el exterior. Sin embargo, en 2023, cuando el precio del dólar llegó a su tope y luego se desplomó, las exportaciones sufrieron un golpe durísimo, cayendo por debajo de cero y quedándose estancadas. Las importaciones (línea roja) también se frenaron por el susto de la crisis, pero lograron recuperarse poco a poco hacia 2025 y 2026. Esto nos demuestra que el gran éxito exportador de la empresa dependía mucho de ese dólar carísimo y de la locura de compras post-pandemia; al normalizarse la economía mundial, sus ventas externas se apagaron, pero la empresa tiene que seguir comprando maquinaria e insumos como inversión para sobrevivir. Este choque conjunto es el reflejo exacto de la economía colombiana, ya que los reportes oficiales confirmaron que en 2023 el país sufrió un freno generalizado en todo su comercio exterior (cayendo tanto importaciones como exportaciones) por la estabilización de los mercados y la inflación.
AgroGlobal del Valle es muy vulnerable al mercado mundial; su éxito exportador de 2022 fue temporal gracias a un dólar altísimo, pero hoy sus ventas externas están estancadas mientras sigue obligada a importar insumos para sobrevivir. Necesitan tomar mejores decisiones estratégicas a futuro.
La empresa ya no puede depender de la “suerte” o de las altas temporadas o festividades donde se vende más. Debe aprovechar su estacionalidad comprando insumos en los meses donde el dólar históricamente baja, y es necesario que adquiera seguros cambiarios para “congelar” los precios y protegerse de crisis futuras.
Tras analizar en conjunto las importaciones, exportaciones y la tasa de cambio, la conclusión principal es que AgroGlobal del Valle es una empresa altamente dependiente de la economía global.
Su éxito en ventas al exterior durante 2022 fue temporal, impulsado por el “boom” post-pandemia y un dólar altísimo, pero al estabilizarse los mercados, sus exportaciones se estancaron. A pesar de esto, la empresa necesita seguir importando maquinaria e insumos para mantener su expansión operativa.
Por lo tanto, para asegurar su supervivencia en el mercado internacional, la empresa no puede depender de la suerte macroeconómica; debe usar a su favor los ciclos de estacionalidad (comprando insumos en los meses importantes donde el dólar baja) y adquirir coberturas o seguros cambiarios para proteger su dinero frente a los saltos impredecibles de la moneda.
Asociación Nacional de Comercio Exterior (Analdex). (2024, 8 de febrero). Informe mensual de exportaciones colombianas – Diciembre de 2023.
Departamento Administrativo Nacional de Estadística (DANE). (s.f.). Importaciones.
Departamento Administrativo Nacional de Estadística (DANE). (s.f.). Balanza comercial.
Ministerio de Comercio, Industria y Turismo (MinCIT). (2024). Informe de exportaciones no mineras.
Universidad EIA. (s.f.). Balance de exportaciones Valle del Cauca 2023 - 2024.