Ecuación del modelo

La suavización exponencial doble utiliza un componente de nivel y un

componente de tendencia en cada período. La suavización exponencial doble
utiliza dos ponderaciones (que también se conocen como parámetros de
suavización) para actualizar los componentes en cada período. Las ecuaciones
de la suavización exponencial doble son las siguientes:

Fórmula
Lt  = α Yt + (1 – α) [Lt  –1 + Tt  –1]

Tt  = γ [Lt – Lt  –1] + (1 – γ) Tt  –1

 = Lt  –1 + Tt  –1

Si la primera observación se enumera con el número uno, entonces las

estimaciones de nivel y tendencia en el tiempo cero deben inicializarse para
poder continuar. El método de inicialización solía determinar cómo se obtienen
los valores suavizados de dos maneras: con las ponderaciones óptimas o con las
ponderaciones especificadas.

Notación

Término Description

Lt el nivel en el tiempo t

α la ponderación del nivel

Tt la tendencia en el tiempo t

γ la ponderación para la tendencia

Yt ll valor de los datos en el tiempo t

 el valor ajustado o el pronóstico para un paso adelante en el
tiempo t

Ponderaciones

Ponderaciones óptimas de ARIMA

1. Minitab ajusta con un modelo ARIMA (0,2,2) los datos para minimizar la
suma de errores cuadrados.
2. Los componentes de tendencia y nivel son entonces inicializados por
retroproyección.

Ponderaciones especificadas

1. Minitab ajusta un modelo de regresión lineal a los datos de las series de

tiempo (variable Y) en función del tiempo (variable X).
2. La constante de esta regresión es la estimación inicial del componente de
nivel, el coeficiente de la pendiente es la estimación inicial del
componente de tendencia.

Cuando usted especifica ponderaciones que corresponden a un modelo ARIMA

(0, 2, 2) con raíz igual, el método de Holt se especializa en el método de Brown1.

Pronósticos

La suavización exponencial doble utiliza los componentes de nivel y de

tendencia para generar pronósticos. El pronóstico para m períodos adelante
desde un punto en el tiempo t es el siguiente:

Fórmula
Lt  + mTt

Los datos hasta el tiempo de origen del pronóstico se utilizan para la

suavización.

Notación

Término Description
 Lt el nivel en el tiempo t

Tt la tendencia en el tiempo t

Límites de predicción

Fórmula
Según la desviación absoluta media (MAD). Las fórmulas de los límites
superior e inferior son las siguientes:

 Límite superior = Pronóstico + 1.96 × dt × MAD

 Límite inferior = Pronóstico – 1.96 × dt × MAD

Notación

Término Description

β máx{α, γ)

δ 1 – β

α constante de suavización de nivel

γ constante de suavización de tendencia

τ
b 0(T)

b 1(T)

MAPE

El error porcentual absoluto medio (EPAM) mide la exactitud de los valores

ajustados de las series de tiempo. EPAM expresa la exactitud como un
porcentaje.

Fórmula

Notación

Término Description

yt valor real en el tiempo t

valor ajustado

n número de observaciones

MAD

La desviación media absoluta (MAD) mide la exactitud de los valores ajustados

de las series de tiempo. La MAD expresa exactitud en las mismas unidades que
los datos, lo cual ayuda a conceptualizar la cantidad de error.

Fórmula
Notación

Término Description

yt valor real en el tiempo t

valor ajustado

n número de observaciones

DCM

La desviación cuadrática media (DCM) siempre se calcula utilizando el mismo

denominador, n, independientemente del modelo. La DCM es más sensible que
DAM para medir un error de pronóstico inusualmente grande.

Fórmula

Notación

Término Description

yt valor real en el tiempo t

valor ajustado

n número de observaciones

 N.R. Farnum and L.W. Stanton (1989). Quantitative Forecasting Methods. PWS-

1

Kent.