Los mŽtodos autom‡ticos de identiÞcaci—n de series temporales son deseables por varios motivos. En primer lugar, tienden a introducir cierta objetividad en el proceso. En segundo lugar, liberan al experto en series temporales de trabajos rutinarios. Finalmente, permiten abordar tareas como la predicci—n masiva de series temporales o realizar aplicaciones al control de calidad, por ejemplo, que no ser’an posibles con los mŽtodos tradicionales. Este libro muestra como el software R permite realizar predicciones autom‡ticas para series temporales utilizando la metodolog’a de Box y Jenkins, las redes neuronales y el espacio de los estados. Las redes neuronales son un instrumento avanzado y preciso de predicci—n. Entre sus aplicaciones se encuentra la predicci—n de series temporales. Dentro de las tipolog’as de redes neuronales, las redes din‡micas son las m‡s adecuadas para la pedicci—n de series temporales. La red autorregresiva no lineal con entradas ex—genas (NARX) es una red din‡mica recurrente, con conexiones de retroalimentaci—n que encierran varias capas de la red. El modelo NARX se basa en el modelo autorregresivo ARX lineal, que se usa comœnmente en el modelado de series de tiempo. Por otra parte, el filtro de Kalman permite calcular recursivamente las innovaciones de un proceso vectorial que se pueda poner en forma de espacio de estados. Las predicciones de un per’odo por delante las da el filtro de Kalman.