05 Econometria

Econometría
Capitulo 5
Modelos Pronósticos
Ingenuos y Adaptivos
Departamento de Informática
Universidad Técnica Federico Santa María
Métodos Ingenuos
Definición y Notación
Una serie cronólogica o serie de tiempo es una colección de
observaciones de un cierto fenómeno hechas secuencialmente
en el tiempo (altura; espacio; etc).
Denotaremos una serie de tiempo mediante por la siguiente

secuencia: x(t1) , x(t2) , ... , x(tn)
donde x(ti) es el valor tomado por el proceso estocástico en el

instante ti .
Habitualmente supondremos  que la serie es equiespaciada,

h  IR
es decir, que existe tal que
( i : i  N ) se verifica ti 1  ti  h
Héctor Allende O. 2
Métodos Ingenuos
Entonces S.p.d.g. podemos considerar la serie

x(1), x(2) ,  ...., x(n)
la cual también se puede denotar

x1 , x2 , ....., xn 1, xn
Ejemplos de S.T.
1. Series Físicas
Meteorología: agua caída, temperatura máxima, velocidad del
viento.
Geofísica: series sismológica, series de temp.volcánica
Medicina: electrocardiogramas, electroencefalogramas.
Química: viscosidad de un proceso, temperatura de un proceso
Telecomunicaciones: series de señales.
Astronomía: brillo de una estrella, actividad solar.
Métodos Ingenuos
2. Series Económicas
Precios de acciones, precio del cobre en Londres, índice de
cesantía, IPC; ADR; PIB;
3. Series de Marketing
Series de ventas, gastos, utilidades, demanda, oferta.
4. Series Demográficas
Tasa de natalidad, tasa de mortalidad, censos poblacionales.
5. Series de Energia
Demanda de energia; Actividad de Energia Solar; etc.
Métodos Ingenuos
Objetivos del Estudio de Series Cronológicas
1. Modelación: Encontrar un modelo estadístico que explique el

comportamiento de la serie (y que explique en lo posible el
fenómeno que originó la serie).
2. Predicción: Predicción de valores futuros de la serie dando, en

lo posible, límites de confianza.
Metodología
Etapa 1: análisis exploratorio de datos
Se grafica la serie: t en la abscisa, x(t) en la ordenada.
Esto debe hacerse siempre, independiente del nivel de
simplecidad de los datos o de los modelos que se emplean
posteriormente.
Métodos Ingenuos
a) Permite detectar posibles “outliers”
Los outliers son observaciones que se alejan fuertemente del

modelo estocástico subyacente ; ya sea por errores de medición o
porque en el fenómeno en estudio presentó un comportamiento
absolutamente inusual.
Métodos Ingenuos
Observaciones:
1) Si se sospecha que una observación es un outlier, se debe reunir
información adicional desde fuera del observador, sobre posibles
factores que afectaron el proceso. De verificarse que se trata de
una observación aberrante y mostrar la serie un comportamiento
similar antes y después del outlier conviene pre-procesar la seríe
usando por ejemplo un filtro de medias, obteniendosé un nueva
seríe.
2) En caso contrario ( huelgas; actos de terrorismo; terremotos etc)
es necesario usar métodos o tecnicas especiales tales como el
análisis de intervenciones.
1) Otra alternativa es utilizar procedimientos robustos en el

modelado de la serie cronológica.
Métodos Ingenuos
b) Permite determinar tendencias
Métodos Ingenuos
c) Permite determinar variaciones cíclicas o estacionales.
Métodos Ingenuos
Modelos Ingenuos
Antes de recurrir a los métodos más sofisticados uno debe

preguntarse si el problema en cuestión realmente lo justifica o
bien si bastaria con usar técnicas baratas.
Esto dependerá esencialmente de la importancia de las decisiones

que se tomarán en base al modelo y sus predicciones ( Corto
largo; o mediano plazo).
Modelos
a) x(t) = T(t)+E(t)+A(t) aditivo
b) x(t) = T(t) E(t) A(t) multiplicativo
c) x(t) = T(t) E(t) + A(t) mixto
Métodos Ingenuos
T: Tendencia de la serie
Representa la dirección predominante de la serie, es decir
su comportamiento promedio.
E: Variación estacional
Se caracteriza por períodos o ciclos de la serie.
A: variaciones accidentales.
Se caracteriza cambios irregulares ya sean de tendencia
variancia o ciclos de la serie).
Modelos
x(t) = T(t)*E(t)*A(t)
lnx(t) = lnT(t)+lnE(t)+lnA(t)
Métodos Ingenuos
Estimación de la Tendencia
a) Regresión
Mediante inspección gráfica se decide cual curva ajustar.
i) T(t) = a + bt (recta)
ii) T(t) = a ebt (exponencial)
iii) T(t) = a + bt + ct2 (parábola)
etc.
b) Medias Móviles
La idea es remover el efecto estacional antes de estimar la
tendencia.
1 1
x(t  6)  x(t  5)    x(t  4)  x(t  5)  x(t  6)
Z (t )  2 2 (anual)
12
La estimación de T(t) se anotará Tˆ(t )
Métodos Ingenuos
Estimación de la Variación Estacional

Si se utilizo regresión a x(t) para estimar tendencia se calcula la
serie residual W(t)
Wˆ (t )  x(t )  Tˆ (t ) ( Caso Aditivo)
x(t )
Wˆ (t )  ( Caso Mixto)
Tˆ (t )
W(t) Es una serie en que sólo deberían manifestarse los efectos

estacionales y accidentales.
Si se aplicó medias móviles se tendrá que, además de la serie
W(t) se puede estimar mediante
~ ~ x(t )
W (t )  x(t )  z (t ) ( Aditivo) ; W(t)  ( Mixto)
z (t )
~
W (t ) : también será una serie en que sólo se encontrará
presente efectos estacionales y accidentales.
Métodos Ingenuos
En cualquiera de estos casos denotaremos mediante w(t) la

serie residual en que se han removido los efectos de la
tendencia.
Caso aditivo Caso mixto
Métodos Ingenuos
Para estimar E(t) comenzaremos podemos considerar

e(h) = promedio de los valores de w en el mes h.
1 12
e   e(h) suponiendo serie mensual
12 h 1
Como es razonable esperamos que el promedio de las
estimaciones sea 0 en el caso aditivo y 1 en el mixto,
estimamos E(h) mediante
Eˆ (h)  e(h)  e ; Caso Aditivo

Eˆ (h)  e(h)  (e  1) ; Caso mixto
Para elegir entre ambos modelos se suele utilizar el gráfico de

la serie residual.
En caso de series de Índices se sugiere usar modelos mixtos.
Métodos Ingenuos
Formulacion General del Problema de Predicción

La predicción correspondiente, que dependerá del
modelo elegido y, en general, de n y k, se anotará
xˆn ( k )  Tˆ ( n  k )  Eˆ ( n  k ) Caso Aditivo

xˆn ( k )  Tˆ ( n  k ) Eˆ (n  k ) Caso Mixto
k es el horizonte de predicción o número de pasos adelante

que se está prediciendo y n el origen de la predicción.
Una vez conocido x(n+k) podemos calcular el error de

predicción correspondiente:
e n (k )  x (n  k )  xˆn (k )
Métodos Ingenuos
Ejemplo Numérico
Indíces Trimestrales de Precios al Por Mayor de un País
1977 1978 1979 1980 1981
1er Trimestre 120 130 140 150 180
2do Trimestre 90 110 120 140 180
3er Trimestre 90 110 110 140 170
4to Trimestre 100 130 150 170 190
Se toma t = 1 : 1er Trimestre 1977. Se grafica la serie:
Métodos Ingenuos
Se suaviza la serie obteniéndose

1977 1978 1979 1980 1981
1er Trimestre 110 125 141,25 171,25
2do Trimestre 116,25 127,5 147,5 177,5
3er Trimestre 101,25 121,25 131,25 153,75
4to Trimestre 105 123,75 135 162,5
Se grafica la serie suavizada:
Métodos Ingenuos
Se efectúa una regresión lineal con esta serie:
Tˆ(t )  84.65  4.71t (r2 = 0.96)
Como se trata de un índice usamos el modelo mixto.
x (t )
Calculamos la serie residual usando w (t ) 
z (t )
1977 1978 1979 1980 1981

1er Trimestre 1,18 1,12 1,06 1,05
2do Trimestre 0,95 0,94 0,95 1,01
3er Trimestre 0,89 0,91 0,84 0,91
4to Trimestre 0,95 1,05 1,11 1,05
de donde Eˆ(1)  1.11 ; Eˆ(2)  0.96 ; Eˆ(3)  0.89 ; Eˆ(4)  1.04

Métodos Ingenuos
Las predicciones para 1982 serán :
1er Trimestre : xˆ20 (1)  Tˆ(21)Eˆ(1)  203.75

2do Trimestre : xˆ20 (2)  Tˆ(22)Eˆ(2)  180.74
3er Trimestre : xˆ20 (3)  Tˆ(23)Eˆ(3)  171.75
4to Trimestre : xˆ20 (4)  Tˆ(24)Eˆ(4)  205.60
Modelos de Suavizamiento
Exponencial
Introducción
Una de las críticas que se les hace a los métodos ingenuos es que
no se adaptan a lo largo del tiempo en forma natural : tanto la
tendencia como la estacionalidad, se estiman una sóla vez y las
estimaciones deben ser actualizadas si se obtienen nuevas
observaciones.
Una familia de modelos que aparece hacia fines de la década de

los años 60, intenta solucionar este problema. Se les conoce
técnicas de suavizamiento exponencial, y se constituyó en un
avance en el modelado de series cronológicas.
Una de las principales características de estas técnicas es que son

“baratas”. Debido a esto, aún siguen siendo utilizadas en ciertas
actividades de pronóstico donde es necesario efectuar
predicciones rutinarias (en el corto plazo) de ventas, control de
inventario o planificación de la producción. Aplicar técnicas más
sofisticadas en este caso no se justifica.
Exponencial
Suavizamiento Exponencial Simple
En este caso se supone que la serie está compuesta por un nivel

(constante) y una componente residual (impredecible)
Es decir, la serie se supone localmente constante la mejor
predicción de X(n+h) será la estimación que tengamos del nivel en
el instante h.
Luego parece razonable estimar el nivel como promedio
ponderado de las observaciones dando un peso mayor a las
últimas observaciones.
x (n)   x(n)  (1   ) x (n  1) 0  1
 : constante de suavizamiento
Exponencial
Observaciones:
1) Las fórmulas de actualización anteriores modifican las

estimaciones al considerar nuevos datos.
2) Como elegir la constante de suavizamiento volveremos más

adelante.
3) Predicciones: xˆ(n , h )  x (n )
4) A partir de la ecuación 3) vemos que al obtener nuevos datos

de la serie las predicciones se actualizan mediante:
xˆ(n  k , h )    x (n  k )  (1   )  xˆ(n  k  1)
5) Se puede comprobar que xˆ(n ,1) es el valor real z que minimiza
la función

f (z )   [
j 0
x (n  j )  z ] 2
(1   ) j
Exponencial
Método de Holt - Winters
La versión anterior es la más simple de los llamados modelos de

suavizamiento exponencial. Se han desarrollado una serie de
variantes, las cuales consideran la serie constituida localmente a
partir de un nivel de tendencia y (eventualmente) por un factor de
estacionalidad, además de un residuo impredecible aditivo.
Posiblemente la extensión más natural del suavizamiento
exponencial simple sean los modelos de Brown – AEG, los el
modelos de Holt y Winters entre otros que veremos a
continuación.
Exponencial
Caso no estacional
Supogamos que la serie se comporta localmente como la suma de

un nivel y una tendencia lineal, más de un residuo impredecible.
Anotando x (t ) y m (t ) como las estimaciones del nivel y de la

pendiente de la recta (de la tendencia lineal) en el instante t, una
propuesta razonable es tomar.
x (t )  A x(t )  (1  A)  x (t  1)  m(t  1) 0  A 1

m(t )  C  x (t )  x (t  1)  (1  C ) m(t  1) 0  C 1
Exponencial
Observaciones: (Caso no estacional)
1) Las fórmulas de actualización anteriores modifican las

estimaciones al considerar nuevos datos.
2) Las estimaciones del nivel y de la pendiente en el instante “t”
se estiman como un promedio ponderado de la estimación
anterior y la estimación sugerida apartir del nuevo dato.
3) Para iniciar el algoritmo recursivo se propone tomar.

x (2)  x(2)
m(2)  x(2)  x(1)
4) Predicciones: Siendo consecuentes con el modelo se propone
xˆ(n , h )  x (n )  m (n )  h
Exponencial
Modelo de Holt - Winters (Multiplicativo)
A las suposiciones del modelo anterior le agregamos un factor

estacional de período s, multiplicativo (respecto de la tendencia)
x (t ) se interpreta como un nivel desestacionalizado.
Anotando Eˆ(t ) a la estimacióm de la componente estacional en el
instante t parece razonable tomar:
x(t )
x (t )  A  (1  A)  x (t  1)  m(t  1) 0  A  1
Eˆ (t  s )
m(t )  C  x (t )  x (t  1)  (1  C ) m(t  1) 0  C  1
ˆ x(t )
E (t )  D  (1  D) Eˆ (t  s ) 0  D 1
x (t )
Exponencial
Modelo de Holt – Winters (Aditivo)
El metodo anterior se adapta trivialmente al caso en que la

estacionalidad es aditiva con respecto de la tendencia, en lugar de
ser multiplicativa
x (t )  A [ x(t )  Eˆ (t  s )]  (1  A)[ x (t  1)  m(t  1)] 0  A  1

m(t )  C  x (t )  x (t  1)  (1  C ) m(t  1) 0  C  1
Eˆ (t )  D [ x(t )  x (t )]  (1  D) Eˆ (t  s ) 0  D 1
Exponencial
Observaciones: (Caso Estacional)

1) Las formulas modifican las estimaciones considerando
nuevos datos.
La estimación del nivel (t-1): x (t  1) junto a la estimación de
la pendiente m (t  1) sugerirán un nivel x (t  1)  m (t  1) en el
instante t. Esta estimación se ve modificada al considerar la
nueva observación.
La estimación en el instante (t-1) de la pendiente m (t  1) .
Una nueva estimación de la pendiente sería x (t )  x (t  1) en
el anterior y la estimación sugerida por el valor tomado por la
serie en t.
La estimación en el instante (t-s) de la estacionalidad es
Eˆ(t  s ) Dadox (t  1) una nueva estimación de la
estacionalidad sería x (t ) / x (t ) . La estacionalidad en t se
estima como promedio ponderado de estimación anterior y la
sugerida por el valor tomado por la serie en el instante t.
Exponencial
2) Inicialización: Una manera de resolver el problema de

inicialización en el modelo de H-W multiplicativo es tomando
ˆ x( j )
E( j)  s j  1,2,  s
 x(k )
k 1
1 s
x ( s )   x(k ) y con m( s )  0
s k 1
Para el caso aditivo la estimación de la componte estacional se
modifica por
s
Eˆ( j )  x ( j )  
k
x (k )
1
Exponencial
3) Predicciones: Siendo consecuentes con las suposiciones

hechas para el modelo multiplicativo se toma
xˆ(n , h )  [x (n )  m (n )  h ]  Eˆ(n  h  s ) , h  1,2,  , s

xˆ(n , h )  [x (n )  m (n )  h ]  Eˆ(n  h  2s ) , h  s  1, s  2,  ,2s

Análogamente para el modelo aditivo se toma
xˆ(n , h )  x (n )  m (n )  h  Eˆ(n  h  s ) , h  1,2,  , s

xˆ(n , h )  x (n )  m (n )  h  Eˆ(n  h  2s ) , h  s  1, s  2,  ,2s

Exponencial
Determinación de las constantes de suavizamiento

Una alternativa es elegir  , A , C , D de acuerdo a las
características particulares que se atribuye a las componentes
de la serie.
Si  , A , C , D  0 , las predicciones dan más importancia a

observaciones pasadas que a las presentes.
Inversamente, si  , A , C , D  1 , las prediccionesdan menor
importancia al pasado y más importancia al presente de la
serie.
En el caso de suavizamiento exponencial simple:

Si la serie varía lentamente   0 (valor típico 0.3)
En cambio si la serie varía bruscamente   1 (valor típico
0.7)
Exponencial
Otro método más objetivo es elegir A , C y D que mejor

habrían predicho los valores conocidos de la serie.
n 2
Min 3 
A ,C ,D  0 ,1 t k 1
x (t )  xˆ(t  1,1) 
donde k se elige lo suficientemente grande como para que el
efecto de inicialización del proceso sea despreciable.
Al estimar A , C y D numéricamente se pierde la simplicidad

de los métodos de suavizamiento exponencial.
Como esta es su carácteristica más importante, si se está
dispuesto ha resolver el problema de minimización
correspondiente entonces más vale usar métodos más
sofisticados como por ejemplo: Box y Jenkins o ANN
Exponencial
Ejemplo No1.
Indíces Trimestrales de Precios al Por Mayor de un País

Usando el método de Holtz y Winter prediga los valores de los
índices trimestrales para 2002.
Considere A=0,30 B=0,50 y D=0,30
1997 1998 1999 2000 2001

1er Trimestre 120 130 140 150 180
2do Trimestre 90 110 120 140 180
3er Trimestre 90 110 110 140 170
4to Trimestre 100 130 150 170 190
Exponencial
Debido a que es una serie de índices el modelo a ocupar debe ser

el modelo multiplicativo.
Inicialización del método
m (4)  0
4
1
x (4)  
4 k 1
x (k )
x (j )
Eˆ( j )   Eˆ(1)  1,2 Eˆ(2)  Eˆ(3)  0,9 Eˆ(4)  1,0
100
Exponencial
Formulas de actualización (1/3)

x (5)  130 
x (5)  0,3  0,7[x (4)  m (4)]  0,3   0,7[100  0]  102,5
ˆ
E (1)  1,2 
m (5)  0,5[x (5)  x (4)]  0,5m (4)  0,5[102,5  100]  0,5  0  1,25
x (5) 130
Eˆ(5)  0,3  0,7Eˆ(1)  0,30  0,7  1,2  1,22
x (k ) 102,5
 110 
x (6)  0,3   0,7[102,5  1,25]  109,29
 0 ,9 
m (6)  0,5[109,29  102,5]  0,5  1,25  4 ,02
110
Eˆ(6)  0,30  0,7  0,9  0,932
109,29
 110 
x (7)  0,3   0,7[109,29  4 ,02]  115,98
 0 ,9 
m (7)  0,5[115,98  108,29]  0,5  4 ,02  5,36
110
Eˆ(7)  0,30  0,7  0,9  0,915
115,98
Exponencial

 130 
x (8)  0,3   0,7[115,98  5,36]  123,94
 1 ,0 
m (8)  0,5[123,94  115,98]  0,5  5,36  6,66
130
Eˆ(8)  0,30  0,7  1,0  1,015
123,94
 140 
x (9)  0,3   0,7[123,94  6,66]  125,85
 1,22 
m (9)  0,5[125,85  123,94]  0,5  6,66  4 ,28
140
Eˆ(9)  0,30  0,7  1,22  1,19
125,85
 120 
x (10)  0,3   0,7[125,85  4 ,28]  129,72
 0 ,932 
m (10)  0,5[129,72  125,85]  0,5  4 ,28  4 ,07,36
120
Eˆ(10)  0,30  0,7  0,932  0,932
129,72
Exponencial

x (11)  129,72 ; m (11)  2,04 ; Eˆ(11)  0,895
x (12)  136.57 ; m (12)  4 ,44 ; Eˆ(12)  1,04
x (13)  136,52 ; m (13)  2,19 ; Eˆ(13)  1,16
x (14)  142,26 ; m (14)  3,96 ; Eˆ(14)  0,946
x (15)  149,28 ; m (15)  5,96 ; Eˆ(15)  0,876
x (16)  157,38 ; m (16)  6,79 ; Eˆ(16)  1,05
x (17)  161,47 ; m (17)  5,44 ; Eˆ(17)  1,14
x (18)  173,92 ; m (18)  8,94 ; Eˆ(18)  0,97
x (19)  186,22 ; m (19)  10,62 ; Eˆ(19)  0,89
x (20)  192,07 ; m (20)  8,24 ; Eˆ(20)  1,03
Exponencial
Predicciones
Las predicciones para 2002 son las siguientes:
xˆ(20,1)  [x (20)  m (20)  1]  Eˆ(17)  (192,07  8,24)  1,14  228,35

xˆ(20 ,2)  [x (20)  m (20)  2]  Eˆ(18)  (192 ,07  8,24  2)  0,97  202 ,29
xˆ(20,3)  [x (20)  m (20)  3]  Eˆ(19)  (192,07  8,24  3)  0,89  192,94
xˆ(20 ,4)  [x (20)  m (20)  4]  Eˆ(20)  (192,07  8,24  4)  1,03  231,78
Predicciones Método Ingenuo Método de Holtz-Winter

xˆ(20,1) 203,75 228,35
xˆ(20,2) 180,74 202,29
xˆ(20,3) 171,75 192,94
xˆ(20,4) 205,6 231,78
Exponencial
Es posible mejorar los valores iniciales tomando:
4
1
x (1)  
4 k 1
x (k )
1
m (1)  [y 2  y 1 ]
4
ˆ 1  x ( j ) x ( j  4)  j  1,2,3,4
E (j )    
2  y1 y2 
donde y 1 : promedio del 1er año

y 2 : promedio del 2do año

05 Econometria

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

05 Econometria

Cargado por

Copyright:

Formatos disponibles

Econometría

Denotaremos una serie de tiempo mediante por la siguiente

donde x(ti) es el valor tomado por el proceso estocástico en el

Habitualmente supondremos  que la serie es equiespaciada,

Entonces S.p.d.g. podemos considerar la serie

la cual también se puede denotar

Objetivos del Estudio de Series Cronológicas

1. Modelación: Encontrar un modelo estadístico que explique el

2. Predicción: Predicción de valores futuros de la serie dando, en

a) Permite detectar posibles “outliers”

Los outliers son observaciones que se alejan fuertemente del

1) Otra alternativa es utilizar procedimientos robustos en el

b) Permite determinar tendencias

c) Permite determinar variaciones cíclicas o estacionales.

Antes de recurrir a los métodos más sofisticados uno debe

Esto dependerá esencialmente de la importancia de las decisiones

b) x(t) = T(t) E(t) A(t) multiplicativo

c) x(t) = T(t) E(t) + A(t) mixto

La estimación de T(t) se anotará Tˆ(t )

Estimación de la Variación Estacional

W(t) Es una serie en que sólo deberían manifestarse los efectos

En cualquiera de estos casos denotaremos mediante w(t) la

Caso aditivo Caso mixto

Para estimar E(t) comenzaremos podemos considerar

Eˆ (h)  e(h)  e ; Caso Aditivo

Para elegir entre ambos modelos se suele utilizar el gráfico de

Formulacion General del Problema de Predicción

xˆn ( k )  Tˆ ( n  k )  Eˆ ( n  k ) Caso Aditivo

k es el horizonte de predicción o número de pasos adelante

Una vez conocido x(n+k) podemos calcular el error de

Se toma t = 1 : 1er Trimestre 1977. Se grafica la serie:

Se suaviza la serie obteniéndose

Se grafica la serie suavizada:

Se efectúa una regresión lineal con esta serie:

Tˆ(t )  84.65  4.71t (r2 = 0.96)

Como se trata de un índice usamos el modelo mixto.

1977 1978 1979 1980 1981

de donde Eˆ(1)  1.11 ; Eˆ(2)  0.96 ; Eˆ(3)  0.89 ; Eˆ(4)  1.04

Las predicciones para 1982 serán :

1er Trimestre : xˆ20 (1)  Tˆ(21)Eˆ(1)  203.75

3er Trimestre : xˆ20 (3)  Tˆ(23)Eˆ(3)  171.75

4to Trimestre : xˆ20 (4)  Tˆ(24)Eˆ(4)  205.60

Una familia de modelos que aparece hacia fines de la década de

Una de las principales características de estas técnicas es que son

Suavizamiento Exponencial Simple

En este caso se supone que la serie está compuesta por un nivel

1) Las fórmulas de actualización anteriores modifican las

2) Como elegir la constante de suavizamiento volveremos más

4) A partir de la ecuación 3) vemos que al obtener nuevos datos

Método de Holt - Winters

La versión anterior es la más simple de los llamados modelos de

Supogamos que la serie se comporta localmente como la suma de

Anotando x (t ) y m (t ) como las estimaciones del nivel y de la

x (t )  A x(t )  (1  A)  x (t  1)  m(t  1) 0  A 1

Observaciones: (Caso no estacional)

1) Las fórmulas de actualización anteriores modifican las

3) Para iniciar el algoritmo recursivo se propone tomar.

Modelo de Holt - Winters (Multiplicativo)

A las suposiciones del modelo anterior le agregamos un factor

Modelo de Holt – Winters (Aditivo)

El metodo anterior se adapta trivialmente al caso en que la

x (t )  A [ x(t )  Eˆ (t  s )]  (1  A)[ x (t  1)  m(t  1)] 0  A  1

Observaciones: (Caso Estacional)