{"id":1404,"date":"2019-12-22T10:50:55","date_gmt":"2019-12-22T09:50:55","guid":{"rendered":"https:\/\/bicontrolling.com\/?p=1404"},"modified":"2019-12-29T15:52:35","modified_gmt":"2019-12-29T14:52:35","slug":"medias-moviles","status":"publish","type":"post","link":"https:\/\/bicontrolling.com\/index.php\/2019\/12\/22\/medias-moviles\/","title":{"rendered":"Medias m\u00f3viles en Power BI"},"content":{"rendered":"\n

En estad\u00edstica, una media m\u00f3vil<\/strong> se refiere al c\u00e1lculo de puntos de datos mediante la creaci\u00f3n de una serie de promedios de diferentes subconjuntos del total de los datos originales<\/strong> con el objetivo de suavizar las fluctuaciones del corto plazo, resaltando as\u00ed las tendencias o ciclos de largo plazo.<\/p>\n\n\n\n

En este art\u00edculo vamos a ver diferentes formas de implementar una media m\u00f3vil en Power BI, no con el objetivo de crear patrones predefinidos que podamos usar directamente en nuestros modelos, sino con el prop\u00f3sito de entender distintas formas de manipular el contexto de filtro<\/strong> y practicar nuestras habilidades para \u00abpensar en DAX\u00bb. <\/p>\n\n\n\n\n\n\n\n

Medias m\u00f3viles din\u00e1micas con medidas<\/h4>\n\n\n\n

Si queremos analizar las ventas diarias de una empresa, el representar en una visualizaci\u00f3n de l\u00edneas el importe con la fecha en el eje de la misma no nos ayuda demasiado, ya que, como podemos observar en la siguiente visualizaci\u00f3n, es dif\u00edcil entrever la tendencia<\/strong> debido a las fuertes variaciones diarias que se producen en los datos:<\/p>\n\n\n\n

\"\"<\/a><\/figure><\/div>\n\n\n\n


<\/p>\n\n\n\n

En casos como este puede ser una buena idea calcular, para cada punto de los datos, la media m\u00f3vil, es decir, el valor promedio de las ventas sobre un periodo mayor al diario<\/strong>, de manera que nos permita detectar con mayor facilidad la tendencia a lo largo del tiempo.<\/p>\n\n\n\n

La media m\u00f3vil simple previa es la media aritm\u00e9tica de los <\/strong>n <\/strong><\/em>datos anteriores<\/strong>, por lo que cuanto m\u00e1s grande sea el valor escogido de n<\/em>, mayor ser\u00e1 la influencia de los datos antiguos. En contrapartida, si se selecciona una n <\/em>baja se tendr\u00e1n m\u00e1s en cuenta los datos recientes en la realizaci\u00f3n del c\u00e1lculo. Su f\u00f3rmula en DAX es la siguiente:<\/p>\n\n\n\nMediaMovil50 =
VAR<\/span> _UltimaFechaVisible<\/span> =
    <\/span>MAX<\/span> (<\/span> Calendario[Fecha] )<\/span>
VAR<\/span> _NumeroDias<\/span> = 50<\/span>
VAR<\/span> _Periodo<\/span> =
    <\/span>FILTER<\/span> (<\/span>
        <\/span>ALL<\/span> (<\/span> Calendario[Fecha] )<\/span>;
        <\/span>AND<\/span> (<\/span>
        <\/span>    <\/span>Calendario[Fecha] <= _UltimaFechaVisible<\/span>;
        <\/span>    <\/span>Calendario[Fecha] > _UltimaFechaVisible<\/span> – _NumeroDias<\/span>
        <\/span>)<\/span>
    <\/span>)<\/span>
VAR<\/span> _Resultado<\/span> =
    <\/span>CALCULATE<\/span> (<\/span> AVERAGEX<\/span> (<\/span> Calendario; [Ventas] )<\/span>; _Periodo<\/span> )<\/span>
RETURN<\/span>
    <\/span>_Resultado<\/span>
\n\n\n\n


<\/p>\n\n\n\n

En el ejemplo anterior hemos calculado la media m\u00f3vil simple previa, es decir, la media aritm\u00e9tica de los 50 valores anteriores para cada punto del conjunto de datos. Otro tipo de media m\u00f3vil simple corresponde a la denominada media m\u00f3vil central<\/strong>, en la que, en lugar de utilizar s\u00f3lo datos anteriores, se utilizan tambi\u00e9n datos posteriores a aqu\u00e9l del cual queremos obtener la media. Para elaborar dicho c\u00e1lculo en DAX solo tenemos que modificar el horizonte temporal sobre el que calcularemos el promedio para cada punto, tomando los 25 datos anteriores y posteriores. La f\u00f3rmula quedar\u00eda de la siguiente manera:<\/p>\n\n\n\nMediaMovilCentral50 =
VAR<\/span> _UltimaFechaVisible<\/span> =
    <\/span>MAX<\/span> (<\/span> Calendario[Fecha] )<\/span>
VAR<\/span> _NumeroDias<\/span> = 50<\/span>
VAR<\/span> _Periodo<\/span> =
    <\/span>FILTER<\/span> (<\/span>
        <\/span>ALL<\/span> (<\/span> Calendario[Fecha] )<\/span>;
        <\/span>AND<\/span> (<\/span>
        <\/span>    <\/span>Calendario[Fecha] <= _UltimaFechaVisible<\/span> + (<\/span> _NumeroDias<\/span> \/ 2<\/span> )<\/span>;
        <\/span>    <\/span>Calendario[Fecha] >= _UltimaFechaVisible<\/span> – (<\/span> _NumeroDias<\/span> \/ 2<\/span> )<\/span>
        <\/span>)<\/span>
    <\/span>)<\/span>
VAR<\/span> _Resultado<\/span> =
    <\/span>CALCULATE<\/span> (<\/span> AVERAGEX<\/span> (<\/span> Calendario; [Ventas] )<\/span>; _Periodo<\/span> )<\/span>
RETURN<\/span>
    <\/span>_Resultado<\/span>
\n\n\n\n


<\/p>\n\n\n\n

En la siguiente imagen podemos ver ambas medidas sobre la visualizaci\u00f3n anterior. Como se observa, las medias m\u00f3viles suavizan las fluctuaciones diarias haciendo posible el an\u00e1lisis de la tendencia<\/strong>:<\/p>\n\n\n\n

\"\"<\/a><\/figure>\n\n\n\n


<\/p>\n\n\n\n

Es importante entender que cuando calculamos promedios, ya sea mediante la funci\u00f3n AVERAGE<\/code> o AVERAGEX<\/code>, DAX ignora por completo los valores BLANK<\/code>, es decir, si un d\u00eda no existen ventas, dicho d\u00eda no formar\u00e1 parte de la media<\/strong>. Si las necesidades de informaci\u00f3n del negocio requieren que el promedio se calcule tomando en cuenta todos los d\u00edas del horizonte temporal definido, teniendo en cuenta tambi\u00e9n todos aquellos d\u00edas en los que la suma de las ventas es igual a cero, podemos simplemente realizar el c\u00e1lculo mediante una divisi\u00f3n, en lugar de usar la funci\u00f3n AVERAGEX<\/code>. Este c\u00e1lculo es tambi\u00e9n m\u00e1s r\u00e1pido que el anterior, al evitar la transici\u00f3n de contexto producida en la variable _Resultado<\/code>. La f\u00f3rmula en este caso ser\u00eda la siguiente:<\/p>\n\n\n\nMM 50 (2) =
VAR<\/span> _UltimaFechaVisible<\/span> =
    <\/span>MAX<\/span> (<\/span> Calendario[Fecha] )<\/span>
VAR<\/span> _NumeroDias<\/span> = 50<\/span>
VAR<\/span> _Periodo<\/span> =
    <\/span>FILTER<\/span> (<\/span>
        <\/span>ALL<\/span> (<\/span> Calendario[Fecha] )<\/span>;
        <\/span>AND<\/span> (<\/span>
        <\/span>    <\/span>Calendario[Fecha] <= _UltimaFechaVisible<\/span>;
        <\/span>    <\/span>Calendario[Fecha] > _UltimaFechaVisible<\/span> – _NumeroDias<\/span>
        <\/span>)<\/span>
    <\/span>)<\/span>
VAR<\/span> _Resultado<\/span> =
    <\/span>CALCULATE<\/span> (<\/span> DIVIDE<\/span> (<\/span> [Ventas]; COUNTROWS<\/span> (<\/span> Calendario )<\/span> )<\/span>; _Periodo<\/span> )<\/span>
RETURN<\/span>
    <\/span>_Resultado<\/span>
\n\n\n\n


<\/p>\n\n\n\n

Como podemos percibir en la siguiente visualizaci\u00f3n, el valor de la media m\u00f3vil previa en esta \u00faltima versi\u00f3n es normalmente inferior al calculado con la versi\u00f3n en la que utilizamos la funci\u00f3n AVERAGEX<\/code>, ya que el denominar ser\u00e1 mayor cuando en el horizonte temporal considerado existan d\u00edas en los que las ventas son iguales a cero<\/strong>.<\/p>\n\n\n\n

\"\"<\/a><\/figure>\n\n\n\n


<\/p>\n\n\n\n

Media m\u00f3vil acumulativa<\/h4>\n\n\n\n

En ocasiones, el usuario desea obtener el promedio de todos los datos hist\u00f3ricos existentes<\/strong> hasta el momento actual. Por ejemplo, un inversor puede estar interesado en conocer la media del precio de compra\/venta de todas las transacciones para un determinado valor hasta el momento presente. A medida que se produce cada nueva transacci\u00f3n, el precio medio en el momento de la misma puede calcularse, para todas las transacciones hasta ese momento, utilizando el promedio m\u00f3vil acumulativo<\/strong> o cumulative moving average (CMA)<\/em>, que suele ser una media igualmente ponderada de la secuencia de los n <\/em>valores existentes en el conjunto de datos. Podemos resolver este escenario de forma muy f\u00e1cil en DAX con el siguiente c\u00f3digo: <\/p>\n\n\n\nMM Acumulativa =
VAR<\/span> _PeriodoSeleccionado<\/span> =
    <\/span>FILTER<\/span> (<\/span>
        <\/span>ALLSELECTED<\/span> (<\/span> Calendario[Fecha] )<\/span>;
        <\/span>Calendario[Fecha] <= MAX<\/span> (<\/span> Calendario[Fecha] )<\/span>
    <\/span>)<\/span>
RETURN<\/span>
    <\/span>AVERAGEX<\/span> (<\/span> _PeriodoSeleccionado<\/span>; CALCULATE<\/span> (<\/span> SUM<\/span> (<\/span> Criptos[Precio] )<\/span> )<\/span> )<\/span>
\n\n\n\n


<\/p>\n\n\n\n

En este escenario usamos la funci\u00f3n ALLSELECTED<\/code> para utilizar como l\u00edmite inferior del horizonte temporal sobre el que calcular el promedio del precio, el seleccionado por el usuario en el segmentador, ignorando el filtro introducido por el eje de la visualizaci\u00f3n en la que se representan las medidas<\/strong>. Si en cambio utiliz\u00e1ramos la funci\u00f3n ALL<\/code> ignorar\u00edamos por completo cualquier filtro temporal y la media se calcular\u00eda teniendo en cuenta el horizonte desde la primera fecha en la que disponemos de datos registrados para el precio del valor seleccionado, en este ejemplo el 1 de diciembre de 2014. En la siguiente imagen podemos ver la representaci\u00f3n de ambas medidas:<\/p>\n\n\n\n

\"\"<\/a><\/figure><\/div>\n\n\n\n


<\/p>\n\n\n\n

Medias m\u00f3viles mediante el uso de funciones de inteligencia de tiempo.<\/h4>\n\n\n\n

Si nuestro modelo de datos no contiene ninguna de las peculiaridades que nos impiden el uso de las funciones de <\/strong>Time Intelligence<\/strong><\/em> podemos recurrir a ellas con el objetivo de simplificar el c\u00e1lculo de m\u00e9tricas de componente temporal, como es el caso que nos ocupa, las medias m\u00f3viles.<\/p>\n\n\n\n

Probablemente la forma m\u00e1s intuitiva de realizar este c\u00e1lculo es mediante el uso de la funci\u00f3n DATESINPERIOD()<\/code>, que podemos utilizar como argumento de filtro de la funci\u00f3n CALCULATE()<\/code> y nos devuelve, en nuestra dimensi\u00f3n temporal, el conjunto de fechas comprendidas entre el periodo que especifiquemos en sus argumentos. Si por ejemplo queremos computar una media m\u00f3vil a nivel mensual de las ventas podemos usar el siguiente c\u00f3digo: <\/p>\n\n\n\nMM6meses =
VAR<\/span> _Periodo<\/span> =
    <\/span>DATESINPERIOD<\/span> (<\/span> Calendario[Fecha]; MAX<\/span> (<\/span> Calendario[Fecha] )<\/span>; -6<\/span>; MONTH<\/span> )<\/span>
RETURN<\/span>
    <\/span>IF<\/span> (<\/span>
        <\/span>[Ventas] > 0<\/span>;
        <\/span>CALCULATE<\/span> (<\/span>
        <\/span>    <\/span>DIVIDE<\/span> (<\/span> [Ventas]; DISTINCTCOUNT<\/span> (<\/span> Calendario[MesDelA\u00f1o] )<\/span> )<\/span>;
        <\/span>    <\/span>_Periodo<\/span>
        <\/span>)<\/span>
    <\/span>)<\/span>
\n\n\n\n


<\/p>\n\n\n\n

Podr\u00edamos tambi\u00e9n usar DATESBETWEEN()<\/code> junto con otras funciones de Inteligencia de Tiempo para obtener el mismo resultado:<\/p>\n\n\n\nMM6meses2 =
VAR<\/span> _Periodo<\/span> =
    <\/span>DATESBETWEEN<\/span> (<\/span>
        <\/span>Calendario[Fecha];
        <\/span>NEXTDAY<\/span> (<\/span> DATEADD<\/span> (<\/span> Calendario[Fecha]; -6<\/span>; MONTH<\/span> )<\/span> )<\/span>;
        <\/span>LASTDATE<\/span> (<\/span> Calendario[Fecha] )<\/span>
    <\/span>)<\/span>
RETURN<\/span>
    <\/span>IF<\/span> (<\/span>
        <\/span>[Ventas] > 0<\/span>;
        <\/span>CALCULATE<\/span> (<\/span>
        <\/span>    <\/span>DIVIDE<\/span> (<\/span> [Ventas]; DISTINCTCOUNT<\/span> (<\/span> Calendario[MesDelA\u00f1o] )<\/span> )<\/span>;
        <\/span>    <\/span>_Periodo<\/span>
        <\/span>)<\/span>
    <\/span>)<\/span>
\n\n\n\n


<\/p>\n\n\n\n

Con ambas medidas obtenemos el mismo comportamiento en una visualizaci\u00f3n:<\/p>\n\n\n\n

\"\"<\/a><\/figure>\n\n\n\n


<\/p>\n\n\n\n

Medias m\u00f3viles est\u00e1ticas con columnas calculadas<\/h4>\n\n\n\n

Otra de las formas en las que podemos implementar medias m\u00f3viles es mediante la materializaci\u00f3n de las mismas dentro del modelo de datos como columnas calculadas<\/strong>. Aunque el uso de columnas calculadas sea, en la mayor\u00eda de las situaciones, desaconsejable, existen ciertos casos en los que pueden ayudar a mejorar el rendimiento de nuestros informes. En el caso de las medias m\u00f3viles, dependiendo del modelo con el que estemos trabajando, es probable que DAX necesite computar cientos de valores como promedios a lo largo de un gran conjunto de datos, operaci\u00f3n que puede resultar bastante cara en t\u00e9rminos de rendimiento<\/strong> y es probable que queramos consolidar el c\u00e1lculo en una columna calculada para generar los gr\u00e1ficos de una manera m\u00e1s r\u00e1pida y ofrecer una mejor experiencia al usuario.<\/p>\n\n\n\n

Hay que tener en cuenta que estas columnas consumir\u00e1n RAM y memoria en disco, haciendo el modelo m\u00e1s pesado, pero el objetivo de este art\u00edculo, como ya hemos comentado, es el de practicar el lenguaje DAX, no el de construir patrones definidos listos para usar en un modelo de datos propio.<\/p>\n\n\n\n

Aunque para los ejemplos que siguen utilizo la cotizaci\u00f3n de criptomonedas, que se compran y venden todos los d\u00edas, es probable que la tabla con la que estemos trabajando no contenga datos para cada uno de los d\u00edas existentes en el horizonte temporal a analizar. Si queremos que los c\u00e1lculos tomen en cuenta exactamente el n\u00famero de periodos especificado por nosotros de manera que cada uno de los puntos corresponda a un d\u00eda en el que la criptomoneda a analizar tenga un precio en nuestra base de datos, un primer paso corresponde a asignar un n\u00famero correlativo para cada una de las criptomonedas que indique el n\u00famero de observaciones de las que disponemos en cada momento para cada una de ellas. <\/strong>Para realizar dicho paso mediante una columna calculada podemos usar el siguiente c\u00f3digo: <\/p>\n\n\n\nNumObservacion =
VAR<\/span> _CriptoActual<\/span> = Criptos[Nombre]
VAR<\/span> _FechaActual<\/span> = Criptos[Fecha]
RETURN<\/span>
    <\/span>COUNTROWS<\/span> (<\/span>
        <\/span>FILTER<\/span> (<\/span>
        <\/span>    <\/span>Criptos;
        <\/span>    <\/span>AND<\/span> (<\/span> Criptos[Nombre] = _CriptoActual<\/span>; Criptos[Fecha] <= _FechaActual<\/span> )<\/span>
        <\/span>)<\/span>
    <\/span>)<\/span>
\n\n\n\n


<\/p>\n\n\n\n

El resultado ser\u00eda el siguiente:<\/p>\n\n\n\n

\"\"<\/a><\/figure>\n\n\n\n


<\/p>\n\n\n\n

Con esta columna cada registro tiene un \u00edndice<\/strong>, que usaremos para establecer los extremos de las medias m\u00f3viles a calcular, almacenando su valor en la variable _ObservacionActual<\/code>.<\/p>\n\n\n\n

Una vez obtenido este valor podemos calcular las medias m\u00f3viles para cada registro de la tabla mediante diferentes f\u00f3rmulas. Algunas de ellas, para un valor de n <\/em>de 50 periodos, son las siguientes:
<\/p>\n\n\n\nMM50 =
VAR<\/span> _ObservacionActual<\/span> = Criptos[ObservacionNum]
VAR<\/span> _CriptoActual<\/span> = Criptos[Nombre]
RETURN<\/span>
    <\/span>AVERAGEX<\/span> (<\/span>
        <\/span>FILTER<\/span> (<\/span>
        <\/span>    <\/span>Criptos;
        <\/span>    <\/span>Criptos[ObservacionNum] <= _ObservacionActual<\/span>
        <\/span>        <\/span>&& Criptos[ObservacionNum] >= _ObservacionActual<\/span> – 50<\/span>
        <\/span>        <\/span>&& Criptos[Nombre] = _CriptoActual<\/span>
        <\/span>)<\/span>;
        <\/span>Criptos[Precio]
    <\/span>)<\/span>
\n\n\n\n


<\/p>\n\n\n\nMM50ver2 =
VAR<\/span> _ObservacionActual<\/span> = Criptos[ObservacionNum]
VAR<\/span> _CriptoActual<\/span> = Criptos[Nombre]
VAR<\/span> _FechaActual<\/span> = Criptos[Fecha]
RETURN<\/span>
    <\/span>CALCULATE<\/span> (<\/span>
        <\/span>AVERAGE<\/span> (<\/span> Criptos[Precio] )<\/span>;
        <\/span>FILTER<\/span> (<\/span>
        <\/span>    <\/span>ALL<\/span> (<\/span> Criptos[Fecha] )<\/span>;
        <\/span>    <\/span>AND<\/span> (<\/span>
        <\/span>        <\/span>Criptos[Fecha]
        <\/span>        <\/span>    <\/span>>= LOOKUPVALUE<\/span> (<\/span>
        <\/span>        <\/span>        <\/span>Criptos[Fecha];
        <\/span>        <\/span>        <\/span>Criptos[Nombre]; _CriptoActual<\/span>;
        <\/span>        <\/span>        <\/span>Criptos[ObservacionNum]; _ObservacionActual<\/span> – 50<\/span>
        <\/span>        <\/span>    <\/span>)<\/span>;
        <\/span>        <\/span>Criptos[Fecha] <= _FechaActual<\/span>
        <\/span>    <\/span>)<\/span>
        <\/span>)<\/span>;
        <\/span>ALLEXCEPT<\/span> (<\/span> Criptos; Criptos[Nombre] )<\/span>
    <\/span>)<\/span>
\n\n\n\n


<\/p>\n\n\n\nMM50ver3 =
VAR<\/span> _FechaActual<\/span> = Criptos[Fecha]
RETURN<\/span>
    <\/span>CALCULATE<\/span> (<\/span>
        <\/span>AVERAGE<\/span> (<\/span> Criptos[Precio] )<\/span>;
        <\/span>DATESBETWEEN<\/span> (<\/span> Criptos[Fecha]; _FechaActual<\/span> – 50<\/span>; _FechaActual<\/span> )<\/span>;
        <\/span>ALLEXCEPT<\/span> (<\/span> Criptos; Criptos[Nombre] )<\/span>
    <\/span>)<\/span>
\n\n\n\n


<\/p>\n\n\n\nMM50ver4 =
VAR<\/span> _ObservacionActual<\/span> = Criptos[ObservacionNum]
RETURN<\/span>
    <\/span>CALCULATE<\/span> (<\/span>
        <\/span>CALCULATE<\/span> (<\/span>
        <\/span>    <\/span>AVERAGE<\/span> (<\/span> Criptos[Precio] )<\/span>;
        <\/span>    <\/span>FILTER<\/span> (<\/span>
        <\/span>        <\/span>ALL<\/span> (<\/span> Criptos[ObservacionNum] )<\/span>;
        <\/span>        <\/span>AND<\/span> (<\/span>
        <\/span>        <\/span>    <\/span>Criptos[ObservacionNum] <= _ObservacionActual<\/span>;
        <\/span>        <\/span>    <\/span>Criptos[ObservacionNum] >= _ObservacionActual<\/span> – 50<\/span>
        <\/span>        <\/span>)<\/span>
        <\/span>    <\/span>)<\/span>
        <\/span>)<\/span>;
        <\/span>ALLEXCEPT<\/span> (<\/span> Criptos; Criptos[Nombre] )<\/span>
    <\/span>)<\/span>
\n\n\n\n


<\/p>\n\n\n\nMM50ver5 =
CALCULATE<\/span> (<\/span>
    <\/span>CALCULATE<\/span> (<\/span>
        <\/span>AVERAGE<\/span> (<\/span> Criptos[Precio] )<\/span>;
        <\/span>Criptos[ObservacionNum] <= VALUES<\/span> (<\/span> Criptos[ObservacionNum] )<\/span>;
        <\/span>Criptos[ObservacionNum]
        <\/span>    <\/span>>= VALUES<\/span> (<\/span> Criptos[ObservacionNum] )<\/span> – 50<\/span>
    <\/span>)<\/span>;
    <\/span>ALLEXCEPT<\/span> (<\/span> Criptos; Criptos[ObservacionNum]; Criptos[Nombre] )<\/span>
)<\/span>
\n\n\n\n


<\/p>\n\n\n\n

Como podemos observar en la siguiente imagen, todas las f\u00f3rmulas anteriores nos devuelven el mismo resultado, y puede ser un buen ejercicio el intentar entenderlas todas:<\/p>\n\n\n\n

\"\"<\/a><\/figure>\n\n\n\n


<\/p>\n\n\n\n

Si calculamos tambi\u00e9n una media m\u00f3vil con un n\u00famero de periodos <\/strong>n <\/strong><\/em>= 200<\/strong> y representamos en un gr\u00e1fico de l\u00edneas los datos originales junto con las medias m\u00f3viles de ambos periodos obtendremos el siguiente resultado:<\/p>\n\n\n\n

\"\"<\/a><\/figure>\n\n\n\n


<\/p>\n\n\n\n

Consideraciones finales<\/h4>\n\n\n\n

En este art\u00edculo hemos visto distintas formas de implementar una media m\u00f3vil simple<\/strong> en Power BI mediante el uso del lenguaje DAX. La t\u00e9cnica b\u00e1sica consiste en expandir el contexto de filtro mediante el uso de argumentos de filtro de la funci\u00f3n CALCULATE()<\/code> para dejar visible el conjunto de fechas que nos interese en nuestra dimensi\u00f3n temporal.<\/p>\n\n\n\n

En un art\u00edculo posterior iremos un poco m\u00e1s all\u00e1 y aprenderemos a implementar medias m\u00f3viles ponderadas y exponenciales<\/strong> que nos ofrecer\u00e1n la posibilidad de introducir diversos factores de ponderaci\u00f3n, con el objetivo de disponer de la flexibilidad que nos ofrece el hecho de poder asignar un mayor o un menor peso a los datos en funci\u00f3n de su antig\u00fcedad.<\/p>\n\n\n\n

 <\/p>\n

\n

Todo el c\u00f3digo DAX de este art\u00edculo ha sido formateado con \u00abDAX Formatter\u00bb <\/em><\/span>
\"DAX<\/a><\/p>\n<\/blockquote>\n

 <\/div>\n
 <\/div>\n","protected":false},"excerpt":{"rendered":"

En estad\u00edstica, una media m\u00f3vil se refiere al c\u00e1lculo de puntos de datos mediante la creaci\u00f3n de una serie de promedios de diferentes subconjuntos del total de los datos originales con el objetivo de suavizar las fluctuaciones del corto plazo, resaltando as\u00ed las tendencias o ciclos de largo plazo. En este art\u00edculo vamos a ver […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_post_was_ever_published":false},"categories":[4,5],"tags":[27,9,11,35,31,14,23,28,34,32],"post_series":[],"class_list":["post-1404","post","type-post","status-publish","format-standard","hentry","category-dax-power-pivot","category-inteligencia-de-tiempo","tag-bi","tag-dax","tag-inteligencia-de-negocios","tag-inteligencia-de-tiempo","tag-modelado-de-datos","tag-power-bi","tag-power-pivot","tag-previsiones","tag-time-intelligence","tag-visualizacion-de-datos"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t