SUAVIZAMIENTO EXPONENCIAL DOBLE (MÉTODO HOLT) Y TRIPLE

(MÉTODOS HOLT WINTERS)

Son técnicas de pronóstico basadas en métodos de optimización, utilizadas en el análisis
de series temporales que se fundamentan en la idea de suavizar los datos a través de la
combinación de niveles, tendencias y, en el caso del Holt-Winters, patrones
estacionales.
El suavizamiento exponencial doble se centra en modelar la tendencia lineal en los
datos, mientras que el suavizamiento exponencial triple (Holt-Winters) va un paso más
allá al incorporar componentes estacionales, haciendo que sea especialmente efectivo
para datos que exhiben patrones recurrentes a lo largo del tiempo.
Suavizado Exponencial Doble:
También conocido como método de Holt, se utiliza cuando se “Observa una tendencia
en los datos” pero no estacionalidad y es la extensión del suavizado exponencial simple
que depende de un parámetro α donde este representa el nivel de suavizado, este método
anexa un nuevo factor de suavizado β que aborda la tendencia mediante las siguientes
ecuaciones, si X t representa al valor de la serie de tiempo en el instante t se tiene:

(1) Nivel: Lt =(1−α )(L ¿ ¿ t−1+b t−1)+ α X t ¿

(2) Tendencia: b t=(1−β )b t−1 + β (Lt− Lt−1)
(3) Pronostico: ^
X t +m =Lt +b t∗m ; m = #Per

La ecuación (1) ajusta directamente la tendencia del período anterior, pues al sumar b t−1
con el último valor suavizado Lt −1 ayuda a eliminar el retraso y trae a L al nivel
aproximado del valor actual, por otro lado, la ecuación (2) actualiza la tendencia, la cual
es expresada como la diferencia entre los dos últimos valores suavizados. Esto es
apropiado ya que, si existe alguna tendencia en los datos, nuevos valores podrían ser
mayores o menores que los valores anteriores. Si existe alguna aleatoriedad remanente,
la tendencia es modificada suavizando con β la tendencia en el último período
(Lt −Lt−1 ) y sumando la tendencia del período previo multiplicada por (1−β ).
Finalmente, la ecuación (3) para el pronóstico futuro, la tendencia b t es multiplicada por
el número de períodos a futuro m y sumada al valor base Lt .

Si los datos no presentan patrones de tendencia o estacionalidad, medias móviles o

suavizamiento exponencial simple son métodos apropiados. Si los datos presentan
tendencia lineal, el método lineal de Holt es apropiado. Pero si los datos son
estacionales, estos métodos no pueden manejar adecuadamente el problema.

Suavizado Exponencial Triple:

También conocido como método Holt Winters, es el método más complejo y se utiliza
cuando se observan tendencias y estacionalidad en los datos, está basado en tres
ecuaciones de suavizamiento, una para el nivel, otra para la tendencia y otra para la
estacionalidad. Existen dos tipos de métodos de Holt – Winters diferentes, aditivo o
multiplicativo, dependiendo de la forma en como es modelada la estacionalidad.
Esto hace referencia al incremento de los datos, donde los mismos serán constantes
dando una serie con una tendencia lineal y no lineal, pero con una estacionalidad

marcada como se muestran en las siguientes imágenes:

Con esta consideración las ecuaciones básicas del método de Holt – Winters
multiplicativo son las siguientes, si X t representa al valor de la serie de tiempo en el
instante t se tiene:
Xt
(1) Nivel: Lt =α +(1−α)( Lt−1+ bt −1)
S t− s
(2) Tendencia: b t=( 1−β ) b t−1 + β ( Lt −Lt −1 )
Xt
(3) Estacionalidad: St =γ +(1−γ ) S t−s
Lt
(4) Pronostico: ^
X t +m =( L ¿ ¿ t +bt∗m) S t−s +m ¿ ; m = #Per

Dónde: “s” es la longitud de la estacionalidad entonces es mensual si s =12, trimestral si

s=3, etc.
Mediante la ecuación (1) se actualiza la estimación de la base de la serie, tomando un
promedio ponderado de las dos cantidades siguientes:

 (Lt −1 +b t−1 ): Estimación del nivel base antes de observar X t .

Xt
 La observación desestacionalizada la cual es una estimación de la base
S t− s
obtenida a partir del período actual.
La ecuación (2) es idéntica a la ecuación de tendencia del método de Holt, por otro lado,
la ecuación (3) actualiza y suaviza la estacionalidad del periodo “t”, aplicando un
promedio ponderado de las dos cantidades siguientes:
  St −s : La estimación más reciente de la estacionalidad.
Xt
 : La cual es una estimación de la estacionalidad del periodo “t”
Lt

Finalmente, la ecuación (3) para el pronóstico futuro, la tendencia b t es multiplicada por

el número de períodos a futuro m y sumada al valor base Lt todo multiplicado a
estimación más reciente del factor de estacionalidad St −s+ m.

Cabe recordar que en este método el nivel Lt es un valor suavizado que no incluye
estacionalidad (estacionalmente ajustado) ya que al dividir X para St −s se está
eliminando la estacionalidad.
La componente de estacionalidad del método de Holt – Winters puede ser tratada
aditivamente, aunque es menos común teniendo las siguientes ecuaciones:

(1) Nivel: Lt =(1−α )(L ¿ ¿ t−1+b t−1)+ α ( X t−S t−s )¿

(2) Tendencia: b t=(1−β )b t−1 + β (Lt− Lt−1)
(3) Estacionalidad: St =γ (Y t −Lt )+(1−γ ) S t −s
(4) Pronostico: ^
X t +m =(L ¿ ¿ t +bt∗m)+ S t−s +m ¿; m = #Per

La única diferencia con las ecuaciones del método de Holt – Winters multiplicativo es
que los índices de estacionalidad son ahora sumados y restados en lugar de dividir y
multiplicar.
Consideraciones
Se debe tener en cuente que los valores de los coeficientes α, β, y γ en los métodos
descritos deben estar entre 0 y 1, para conseguir el efecto del suavizado exponencial
simple donde el peso de observaciones pasadas disminuye a medida que se avanza en el
tiempo disminuyendo su influencia.
Métodos de Calculo
Existen distintos enfoques para el calculo de los valores de estos pesos los más comunes
son:

 Selección manual: Se basa en la experiencia y el conocimiento del contexto por

parte de un experto ya que los valores resultantes de las ecuaciones son vistas
como medias ponderadas.

 Validación Cruzada: Esta técnica puede tener 2 metodologías el primero en el

cual se divide los datos en un conjunto de entrenamiento y prueba onde se
ajustan “n” valores para 2 coeficientes fijando el valor de uno, otro enfoque es
crear múltiples mallas de valores para los 3 coeficientes y evaluar el rendimiento
de cada combinación, estas metodologías se emplean en conjunto con la
selección manual.
  Optimización: Por medio del uso de métodos numéricos se busca minimizar la
siguiente función de coste:

L(α , β , γ )=∑ (Y t −Y^ t )

2

Para encontrar esto los algoritmos más comunes suelen ser Newton Raphson, Gradiente
Profundo, BFGS, entre otros que buscan iterativamente los valores que minimizan la
función de perdida sin embargo para no tener problemas con la convergencia de dichos
algoritmos se deben proporcionar valores de inicio adecuados ya sea con técnicas como
la propuesta por Hyndman (valores iniciales confiables de las componentes Lt , b t , S t ) o
las programadas en los métodos, también en lugar del MSE se usa MAPE.
Ventajas
Este enfoque difiere de los modelos clásicos como ARMA o ARIMA pues no se basa en
un modelo matemático específico sino en técnicas de aplicación de promedios
ponderados y optimización de una función de costo, que tienen mayor flexibilidad y es
de aplicación directa sin la necesidad de supuestos engorrosos.
Método de Holt-Winters Amortiguado
La evidencia empírica indica que los métodos de suavizamiento exponencial tienden a
sobre pronosticar, especialmente cuando los horizontes de predicción son largos.
Motivados por esta observación Gardner y McKenzie (1985) introducen un parámetro
adicional que amortigua la tendencia a una línea plana en algún momento en el futuro.
Estos métodos que incluyen una tendencia amortiguada han sido probados con muy
buenos resultados, por esta razón se han vuelto muy populares para el pronóstico de
muchas series de tiempo.
Las ecuaciones del método de Holt - Winters Amortiguado son muy similares a las del
método de Holt – Winters sin amortiguamiento visto anteriormente, las mismas se
muestran a continuación:
Xt
(1) Nivel: Lt =α +(1−α)( Lt−1+ ∅ bt−1 )
S t− s
(2) Tendencia: b t=( 1−β ) ∅ bt −1+ β ( Lt −Lt−1 )
Xt
(3) Estacionalidad: St =γ +(1−γ )S t−s
(Lt−1 + ∅ bt −1 )
m
X t +m =(L¿¿ t +bt∗∑ ∅i ) S t−s +m ¿ ; m = #Per
(4) Pronostico: ^
i=1

Fuentes
+ https://bibdigital.epn.edu.ec/handle/15000/17016
+ https://gc.scalahed.com/recursos/files/r161r/w24932w/S4_M1CDN107_C.pdf
+ https://dialnet.unirioja.es/descarga/articulo/8552382.pdf