Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)2022-03-142022-03-14https://noesis.uis.edu.co/handle/20.500.14071/8213Artificial neural networks are an important technique in nonlinear time series forecasting. However, training ofneural networks is a difficult task, because of the presence of many local optimal points and the irregularity ofthe error surface. In this context, it is very easy to obtain under-fitted or over-fitted forecasting models withoutforecasting power. Thus, researchers and practitioner need to have criteria for detecting this class of problems. Inthis paper, we demonstrate that the use of well known methodologies in linear time series forecasting, such as theBox-Jenkins methodology or exponential smoothing models, are valuable tools for detecting bad specified neuralnetwork models.Las redes neuronales artificiales son una importante técnica en el pronóstico de series de tiempo no lineales. Sin embargo,el entrenamiento de las redes neuronales es una tarea difícil, a causa de la presencia de muchos puntos óptimos localesy a la irregularidad de la superficie de error. En este contexto, es muy fácil obtener modelos sub-entrenados o sobreentrenadossin poder de pronóstico. Así, los investigadores y los profesionales necesitan contar con criterios para detectaresta clase de problemas. En este artículo, se demuestra que el uso de metodologías bien conocidas en el pronóstico deseries de tiempo lineales, tales como la metodología de Box-Jenkins o los modelos de suavizado exponencial, son valiosasherramientas para detectar modelos de redes neuronales mal especificados. application/pdfnonlinear modelsmultilayer perceptronsARIMA modelsexponential smoothingforecastingpronósticosuavizado exponencialmodelos ARIMAperceptrones multicapamodelos nolinealesinfo:eu-repo/semantics/articlehttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)