Ir al contenido
σestadistica.ar

estadistica.ar · Enciclopedia de Estadística en españolhttps://estadistica.ar/conceptos/suavizamiento-exponencial

M04 · Índices y seriesIntermedioProcedimiento

Suavizamiento exponencial

Pronosticar con un promedio que pesa más lo reciente: el método simple, la elección de alfa, Holt para la tendencia y Holt-Winters para la estacionalidad.

Por Jorge Luis Montivero, Licenciado en Estadística · Mu3Sigma

1 · La idea

Para pronosticar el próximo valor de una serie hay dos extremos. El método ingenuo usa solo el último dato, y tira toda la historia. La media de todos los datos usa la historia entera, pero le da a lo de hace diez años el mismo peso que a lo del mes pasado. El suavizamiento exponencial está en el medio: un promedio de todo el pasado, con pesos que decrecen geométricamente hacia atrás.

St=α Yt+(1−α) St−1,0<α≤1S_t = \alpha\, Y_t + (1 - \alpha)\, S_{t-1}, \qquad 0 < \alpha \le 1

StS_t es el nivel suavizado y sirve de pronóstico para el período siguiente: Y^t+1=St\hat Y_{t+1} = S_t. La constante α\alpha dice cuánto pesa el dato nuevo frente a lo que ya se sabía.

Desarrollando la recursión aparecen los pesos:

St=α Yt+α(1−α) Yt−1+α(1−α)2 Yt−2+⋯S_t = \alpha\, Y_t + \alpha(1-\alpha)\, Y_{t-1} + \alpha(1-\alpha)^2\, Y_{t-2} + \cdots
Hoyt−1t-1t−2t-2t−3t-3Peso de los últimos 12
α=0,1\alpha = 0{,}10,1000,0900,0810,0730,718
α=0,3\alpha = 0{,}30,3000,2100,1470,1030,986
α=0,5\alpha = 0{,}50,5000,2500,1250,0631,000
0,0 0,1 0,2 0,3 0,4 0,5 hoy t−1 t−2 t−3 t−4 t−5 t−6 t−7 t−8 t−9 t−10 t−11 Antigüedad de la observación α = 0,5 α = 0,3 α = 0,1
Con α = 0,5 el pronóstico depende casi solo de los últimos cuatro datos; con α = 0,1 el dato de hace un año todavía pesa más de un cuarto que el de hoy.Peso de cada observación pasada: α por (1 − α) elevado a la antigüedad.Fuente: Cálculo exacto.

La misma fórmula se puede escribir como corrección por el error:

St=St−1+α (Yt−St−1)S_t = S_{t-1} + \alpha\,(Y_t - S_{t-1})

El pronóstico nuevo es el viejo más una fracción α\alpha del error que acaba de cometer. Es la forma que mejor explica por qué funciona, y la que se extiende a Holt y a Holt-Winters.

Frente a la media móvil tiene dos ventajas: da un valor para el último dato (la media móvil centrada pierde los extremos) y para actualizarse solo necesita el nivel anterior y el dato nuevo, no la ventana entera.

2 · Para qué series sirve

El suavizamiento simple pronostica una línea horizontal: el último nivel, repetido hacia adelante. Sirve para series que fluctúan alrededor de un nivel que se mueve despacio, sin tendencia ni estacionalidad. Si la serie tiene alguna de las dos, el pronóstico va a llegar siempre tarde, y para eso están las extensiones de las secciones 5 y 6.

Las pernoctaciones hoteleras tienen una estacionalidad fortísima: enero está 60 % arriba del promedio del año y junio 35 % abajo (ver componentes de una serie). Para usar el método simple hay que sacarla primero: se divide cada mes por su índice estacional, se suaviza la serie desestacionalizada y al final se vuelve a multiplicar.

Con la serie desestacionalizada de 2007 a 2018, el último nivel suavizado es de 4.027.723 pernoctaciones. El pronóstico para cualquier mes de 2019 es ese mismo número, que al volver a multiplicar por el índice da 6.426.924 para enero y 4.477.631 para julio. Enero de 2019 terminó en 5.957.152: el pronóstico plano se pasó un 7,9 %, porque el nivel de fines de 2018 no era el de comienzos de 2019.

3 · Cómo se mide el error

Para comparar valores de α\alpha hace falta una medida del error del pronóstico a un paso, et=Yt−Y^te_t = Y_t - \hat Y_t. Las tres habituales:

MedidaFórmulaSe lee como
ECM, error cuadrático medio1n∑et2\frac{1}{n}\sum e_t^2en unidades al cuadrado; se informa su raíz, la RECM
EAM, error absoluto medio1n∑∣et∣\frac{1}{n}\sum \lvert e_t \rverten unidades de la serie
EAPM, error absoluto porcentual medio100n∑∣et∣Yt\frac{100}{n}\sum \frac{\lvert e_t \rvert}{Y_t}en %; en inglés, MAPE

El ECM castiga más los errores grandes porque los eleva al cuadrado. El EAPM es el más fácil de comunicar, pero explota cuando la serie toma valores cerca de cero.

4 · Cómo se elige alfa

Se prueba con varios valores y se queda el que da menor error en los pronósticos a un paso sobre la historia. En la serie desestacionalizada:

α\alphaRECMEAMEAPM
0,1223.667167.5414,54 %
0,2206.370149.0604,02 %
0,3200.196140.4323,78 %
0,423198.287139.7743,76 %
0,5198.858140.4673,78 %
0,7204.787145.9293,93 %
1,0 (ingenuo)224.533161.0594,33 %

El óptimo por ECM es α=0,423\alpha = 0{,}423, buscado en una grilla de a 0,001.

5 · Holt: nivel y tendencia

Si la serie tiene tendencia, el pronóstico plano queda siempre por detrás. Holt agrega una segunda ecuación que suaviza la pendiente con su propia constante β\beta:

ℓt=α Yt+(1−α)(ℓt−1+bt−1)nivelbt=β (ℓt−ℓt−1)+(1−β) bt−1pendienteY^t+h=ℓt+h btpronoˊstico\begin{aligned} \ell_t &= \alpha\, Y_t + (1-\alpha)(\ell_{t-1} + b_{t-1}) && \text{nivel} \\ b_t &= \beta\,(\ell_t - \ell_{t-1}) + (1-\beta)\, b_{t-1} && \text{pendiente} \\ \hat Y_{t+h} &= \ell_t + h\, b_t && \text{pronóstico} \end{aligned}

El pronóstico ya no es una recta horizontal sino una recta con la última pendiente estimada. A diferencia de la tendencia ajustada por mínimos cuadrados, que le da a todo el pasado el mismo peso, la pendiente de Holt se va actualizando y puede cambiar a lo largo de la serie.

6 · Holt-Winters: y la estacionalidad

Holt-Winters agrega una tercera ecuación para los índices estacionales, con una constante γ\gamma. Hay dos versiones, igual que en la descomposición clásica:

VersiónLa estacionalidad…Pronóstico
Aditivasuma una cantidad fija: «enero tiene 2 millones más»ℓt+h bt+st+h−m\ell_t + h\,b_t + s_{t+h-m}
Multiplicativamultiplica: «enero tiene 60 % más»(ℓt+h bt)⋅st+h−m(\ell_t + h\,b_t) \cdot s_{t+h-m}

donde mm es la cantidad de períodos del ciclo: 12 en datos mensuales, 4 en trimestrales. La multiplicativa corresponde cuando la amplitud del ciclo crece con el nivel de la serie.

La fórmula con st+h−ms_{t+h-m} vale para horizontes de hasta un ciclo (h≤mh \le m); más allá, se vuelve a usar el índice del mismo mes en el último ciclo estimado.

Son tres constantes, α\alpha, β\beta y γ\gamma, y además los valores iniciales del nivel, la pendiente y los mm índices. HoltWinters() de R y statsmodels los estiman minimizando el error cuadrático de los pronósticos a un paso; ets() maximiza la verosimilitud, que en los modelos de error multiplicativo no es lo mismo. De ahí sale el problema de la sección siguiente.

7 · El mismo método, siete respuestas

La entrada de tendencia y extrapolación hace un ejercicio con esta serie: ajustar con 2007-2018 y pronosticar los doce meses de 2019, que el modelo no vio. El ingenuo estacional, que repite 2018 mes por mes, erra un 3,8 %. Holt-Winters, según cómo se lo ajuste:

ImplementaciónEstacionalidadEAPM 2019
statsmodels, valores iniciales estimadosaditiva2,94 %
statsmodels, valores iniciales heurísticosaditiva3,39 %
R, HoltWinters()aditiva3,96 %
statsmodels, valores iniciales heurísticosmultiplicativa4,66 %
R, ets() automático: elige ETS(M,N,M), sin tendenciamultiplicativa4,86 %
R, HoltWinters()multiplicativa4,99 %
statsmodels, valores iniciales estimadosmultiplicativa6,58 %
3 4 5 6 millones ene feb mar abr may jun jul ago sep oct nov dic Observado 2019 Ingenuo estacional HW aditivo HW multiplicativo
Dos ajustes de Holt-Winters con los mismos datos hasta 2018: el aditivo sigue a 2019 casi mes por mes; el multiplicativo queda por debajo desde mayo hasta fin de año.Pernoctaciones en hoteles y parahoteles, total país. HW: Holt-Winters, ambos de statsmodels con valores iniciales estimados.Fuente: INDEC, Encuesta de Ocupación Hotelera. Ajuste con 2007-2018.

El mismo método, con los mismos datos, va de 2,94 % a 6,58 %: de ganarle al ingenuo estacional a errar casi el doble. Las diferencias salen de tres decisiones que el usuario a veces ni ve:

  1. Aditivo o multiplicativo. Acá los aditivos andan mejor en todas las implementaciones, y la selección automática de ets() eligió igual el multiplicativo.
  2. Cómo se fijan los valores iniciales. Estimarlos junto con las constantes o calcularlos con una regla previa cambia el resultado.
  3. El optimizador. Cada programa busca el mínimo con su algoritmo y desde su punto de partida, y la superficie del error tiene varios mínimos locales. En esta serie, HoltWinters() multiplicativo termina con una advertencia de convergencia (ABNORMAL_TERMINATION_IN_LNSRCH) que es fácil pasar por alto.

La selección automática tampoco es estable. Con una versión de esta serie que se aparta del original en menos de 1 % en un puñado de meses, ets() elegía ETS(A,N,A); con el original elige ETS(M,N,M). Los dos modelos están a 2,4 puntos de AICc: una diferencia que cualquier revisión del dato puede dar vuelta.

8 · Errores frecuentes

  • Usar el suavizamiento simple en una serie con tendencia o estacionalidad. El pronóstico es plano y llega siempre tarde.
  • Confundir α\alpha con el factor de amortiguación de Excel. La herramienta Suavización exponencial de Excel pide el factor de amortiguación, que es 1−α1 - \alpha. Poner 0,3 ahí es usar α=0,7\alpha = 0{,}7.
  • Elegir α\alpha a ojo cuando se lo puede estimar minimizando el error.
  • Elegir el modelo por el error de ajuste. El que mejor ajusta el pasado puede ser el que peor pronostica, como en la sección 7.
  • No comparar contra el ingenuo estacional. Si un Holt-Winters no le gana a repetir el año pasado, no está aportando nada.
  • Creer que el método determina el resultado. Con Holt-Winters, la versión, los valores iniciales y el programa importan tanto como el método.
  • Proyectar la pendiente de Holt muy lejos, sin amortiguarla.
  • Pronosticar a través de una ruptura. Ningún suavizamiento anticipó 2020: lo que hacen es adaptarse después, más rápido cuanto mayor es α\alpha.

9 · En el software

# R — pernoctaciones de la EOH 2007-2019, desde la API de series de datos.gob.ar
url <- paste0("https://apis.datos.gob.ar/series/api/series/",
              "?ids=457.1_PERNOCTACILES_0_M_22_51&start_date=2007-01-01",
              "&end_date=2019-12-01&format=csv&limit=1000")
s  <- ts(read.csv(url)$pernoctaciones_totales, start = c(2007, 1), frequency = 12)
tr <- window(s, end = c(2018, 12))               # para ajustar
te <- window(s, start = c(2019, 1))              # para evaluar

# Simple, Holt y Holt-Winters con la misma función
HoltWinters(tr, beta = FALSE, gamma = FALSE)     # simple
HoltWinters(tr, gamma = FALSE)                   # Holt
hw <- HoltWinters(tr, seasonal = "additive")     # Holt-Winters
eapm <- function(f) mean(abs(te - f) / te) * 100
eapm(predict(hw, n.ahead = 12))
#> 3.964

# El paquete forecast elige la variante por AICc
library(forecast)
ajuste <- ets(tr)
ajuste$method
#> "ETS(M,N,M)"
eapm(forecast(ajuste, h = 12)$mean)
#> 4.856
eapm(snaive(tr, h = 12)$mean)                    # la referencia
#> 3.815
# Python — statsmodels, con la misma serie
import numpy as np
import pandas as pd
from statsmodels.tsa.holtwinters import SimpleExpSmoothing, ExponentialSmoothing

url = ("https://apis.datos.gob.ar/series/api/series/"
       "?ids=457.1_PERNOCTACILES_0_M_22_51&start_date=2007-01-01"
       "&end_date=2019-12-01&format=csv&limit=1000")
# Sin un User-Agent de navegador, el servidor responde 403
d = pd.read_csv(url, parse_dates=["indice_tiempo"],
                storage_options={"User-Agent": "Mozilla/5.0"})
s = d.set_index("indice_tiempo")["pernoctaciones_totales"].astype(float)
s.index.freq = "MS"
tr, te = s[:"2018-12"], s["2019"]

# statsmodels pide declarar cómo se fijan los valores iniciales
simple = SimpleExpSmoothing(tr, initialization_method="estimated").fit()
print(round(simple.params["smoothing_level"], 2))
# 0.81: sobre la serie sin desestacionalizar, alfa sale alto porque el método
# simple persigue los picos estacionales

eapm = lambda f: float(np.mean(np.abs(te - f) / te) * 100)
for estacion in ("add", "mul"):
    ajuste = ExponentialSmoothing(tr, trend="add", seasonal=estacion,
                                  seasonal_periods=12,
                                  initialization_method="estimated").fit()
    print(estacion, round(eapm(ajuste.forecast(12).to_numpy()), 2))
# add 2.94
# mul 6.58
print(round(eapm(tr[-12:].to_numpy()), 2))   # ingenuo estacional: 3.81
Excel:    Datos › Análisis de datos › Suavización exponencial
          (pide el factor de amortiguación = 1 − alfa)
          =PRONOSTICO.ETS(fecha; valores; escala_de_tiempo; estacionalidad)
          es Holt-Winters aditivo con los parámetros estimados

Seguir leyendo

Cómo citar: Montivero, J. L. (2026). Suavizamiento exponencial. estadistica.ar. https://estadistica.ar/conceptos/suavizamiento-exponencial

estadistica.ar es gratuita y sin publicidad. Si te sirvió, podés invitar un cafecito por transferencia al alias mu3sigma. Asesoramiento estadístico, encuestas y capacitaciones: m3s.pro · WhatsApp +54 9 383 499-7929.

Cómo citar esta entrada

APA (7.ª edición)

Montivero, J. L. (2026). Suavizamiento exponencial. estadistica.ar. https://estadistica.ar/conceptos/suavizamiento-exponencial

BibTeX

@misc{estadistica_ar_suavizamiento_exponencial,
  author       = {Montivero, Jorge Luis},
  title        = {{Suavizamiento exponencial}},
  year         = {2026},
  howpublished = {\url{https://estadistica.ar/conceptos/suavizamiento-exponencial}},
  note         = {estadistica.ar. Consultado el \today},
  urldate      = {2026-11-11}
}

Última actualización: 11 de noviembre de 2026. El contenido está bajo licencia CC BY-NC-SA 4.0: se puede reutilizar citando la fuente y sin fines comerciales.