1066
7, DECEMBER 2011
Predicting Electricity Consumption Using
Neural Networks
F. T. Romero, Member, IEEE, J. C. J. Hernández and W. G. López
Abstract— Prediction of some events affects both (1) decisions
of a company and (2) the planning of resources for a greater and
more efficient production. Moreover, knowledge of the future
events allows taking preventive measures. Therefore in this work
the primary goal is to realize prediction for a set of data, which
correspond to the monthly maximum demand for electricity in
distribution substation supplied by the Mexican Federal
Commission of Electricity (Comisión Federal de Electricidad).
This prediction is performed by artificial neural networks using
backpropagation as learning algorithm, further compared these
predictions with those obtained by time series methodology of
Box and Jenkins.
Keywords— Prediction methods, Time series, Neural
networks, Backpropagation, Electricity consumption.
I. INTRODUCCIÓN
L A ELETRICIDAD constituye una de las principales
fuentes energéticas con las que cuenta la humanidad. Su
empleo abarca un amplio abanico de actividades que se
extiende desde los usos exclusivamente industriales, hasta el
consumo doméstico de las familias.
En el mercado eléctrico se ha tenido la preocupación de
conocer con exactitud el consumo previsible en un tiempo
relativamente corto, esto con el fin de ofertar precios que se
adapten en lo posible a éstas demandas y poder planificar las
producciones de los centros de distribución. Por tanto, el
objetivo principal de los mercados es mejorar la calidad de los
servicios y esto depende de la capacidad que tiene la empresa
de proveer y distribuir este servicio.
Durante las décadas de los 50’s y 60’s las técnicas más
usadas para realizar predicción eran las técnicas de predicción
simples tales como la extrapolación. Esto debido a la
estabilidad de los precios y de que la tendencia demográfica
era predecible en muchas áreas geográficas. Sin embargo,
dicha predicción no ha sido lo suficientemente buena en la
actualidad y se han realizado investigaciones para poder
realizar predicciones aceptables. Tal es el caso de los métodos
estadísticos y el enfoque de las redes neuronales artificiales,
de los cuales se va a hablar en los párrafos siguientes.
F. T. Romero, Universidad Tecnológica de la Mixteca, Huajuapan
de León, Oaxaca, ftrujillo@mixteco.utm.mx
J. C. J. Hernández, Universidad Tecnológica de la Mixteca,
Huajuapan de León, Oaxaca, jcjim@mixteco.utm.mx
W. G. López, Universidad Tecnológica de la Mixteca, Huajuapan de León,
Oaxaca, wiliams.g.lopez@gmail.com
IEEE LATIN AMERICA TRANSACTIONS, VOL. 9, NO.
A. Introducción a la predicción
La acción de predecir hechos o condiciones futuras se le
denomina pronosticar, en otras palabras, realizar un
pronóstico es obtener noción acerca de hechos futuros. Por
ejemplo:
En la producción de una empresa es necesario conocer la
demanda de un artículo en el siguiente periodo. Esta
predicción se realiza en periodos específicos y permiten a la
empresa realizar la planificación de la producción, el
mantenimiento del inventario y además de conocer la cantidad
de materia prima que será necesaria para poder cubrir la
demanda del artículo en el siguiente periodo.
En el control de procesos de una industria es importante el
pronosticar el comportamiento que va a tener el proceso. Por
ejemplo, un proceso industrial podría comenzar a producir
cantidades de productos defectuosos cuando el proceso opera
en tiempo extra. Si fuese posible predecir este
comportamiento, entonces se podría realizar una inspección y
el mantenimiento preventivo necesario de modo que el
número de productos defectuosos sean mínimos.
Existen una gran gama de métodos para realizar
pronósticos, los cuales podemos dividirlos en dos tipos
básicos: los métodos cuantitativos y los métodos cualitativos
[2].
Los métodos cualitativos requieren la opinión de expertos
para realizar una predicción de forma subjetiva y obtener así
hechos futuros. Este tipo de método se utiliza cuando los datos
históricos no están disponibles o no son lo suficiente para
realizar el modelo de predicción.
Por otra parte las técnicas cuantitativas de predicción
consisten en encontrar algún patrón en los datos disponibles
para poder proyectarlo al futuro, es decir estos métodos
requieren de un análisis de la información para poder efectuar
la predicción de la variable que sea de interés. Estos métodos
son muy utilizados y se clasifican en dos tipos de modelos,
modelos univariados y modelos causales.
Pero antes de elegir una técnica de pronóstico, es necesario
considerar los siguientes factores [2]:
1. Periodo.
2. Patrón de los datos.
3. Costo del pronóstico.
4. Exactitud deseada.
5. Disponibilidad de información.
6. Facilidad de operar y entender.
El tomar en consideración estos factores es de vital
importancia, por ejemplo la exactitud que necesitamos de
TRUJILLO ROMERO et al.: PREDICTING ELECTRICITY 1067

tal pronóstico. En algunos casos es necesario solo tener una permita determinar si puede realizarse un pronóstico exacto.
exactitud relativa (p.e. un error del 20%) para tener una idea Para esto existen diversas maneras de realizarla, como por
del comportamiento del evento que estamos estudiando. En ejemplo, la desviación absoluta media (DAM) y el error
otras es necesario que el valor esperado sea lo más cercano cuadrático medio (ECM).
al valor pronosticado (p.e. un error del 1%).
Por otra parte distintas técnicas de pronósticos requieren C. Pronostico y redes neuronales
diferentes cantidades de datos, con ello no solo la
La teoría de las Redes Neuronales Artificiales (RNA), ha
disponibilidad de los datos es importante si no que también
brindado una alternativa a la computación clásica para
la exactitud y la puntualidad de los datos con que se
aquellos problemas, en los cuales los métodos tradicionales no
cuentan, puesto que si los datos son obsoletos o inexactos
han entregado resultados muy convincentes además de que
originaran predicciones inexactas además de esto se
estos modelos están inspirados en tratar de emular el
necesita algún procedimiento para poder recabar los datos
comportamiento inteligente de sistemas biológicos. Las
eficazmente.
aplicaciones más exitosas de las RNA son [5]:
B. Pronóstico y series de tiempo
1. Procesamiento de imágenes y de voz.
El análisis de una serie de tiempo se realiza con el objetivo
2. Reconocimiento de patrones.
de emplear modelos ya establecidos que faciliten la
3. Planeamiento.
descripción de los datos proporcionados previamente. La serie
4. Interfaces adaptativas para sistemas Hombre-Máquina.
está compuesta de varias componentes las cuales se enuncian
5. Predicción.
a continuación [2], [3]:
6. Control y optimización.
1. Tendencia: Es el componente de largo plazo que
7. Filtrado de señales.
representa el crecimiento o declinación de la serie.
El desarrollo de una red neuronal se puede realizar en
2. Ciclo: Es la fluctuación en forma de onda alrededor de la
periodos de tiempos razonables y realizar tareas concretas
tendencia.
mucho mejor que otros enfoques. Existen diversos tipos de
3. Variación Estacional: Son patrones periódicos que se
redes neuronales cada uno con una aplicación particular más
repiten año tras año.
apropiada. Uno de los modelos más utilizados es el modelo
4. Fluctuaciones irregulares o irregularidad: Son
del perceptrón, el cual proporciona buenos resultados al
movimientos erráticos que siguen un patrón indefinido o
resolver problemas en el ámbito financiero, tal es el caso de la
irregular.
predicción de eventos.
No todas las componentes de una serie de tiempo se
La neurona artificial como unidad independiente no es muy
presentan solas, sino que podrá ser la combinación de dos o
eficaz para el tratamiento de la información, de aquí que es
más componentes mencionados anteriormente. Por ejemplo,
importante la implementación de redes multicapa. Cada
un modelo de pronóstico que pueda ser utilizado para predecir
neurona está caracterizada por un valor numérico denominado
una serie de tiempo que sea caracterizada por la tendencia no
estado de activación y asociada a cada unidad, existe una
será apropiado para predecir series caracterizadas por una
función de transmisión que transforma el estado actual de
combinación de tendencia y variación estacional. De ahí la
activación en una señal de salida. Esta señal es enviada a
necesidad de obtener un modelo de predicción apropiado para
través de los canales de comunicación a otras unidades de la
el patrón de los datos disponibles.
red; en estos canales la señal es modificada según sea el peso
Una vez que se haya obtenido un modelo adecuado,
o sinapsis el cual está asociado a cada uno de estos según una
entonces se estiman las componentes de la serie de tiempo, los
determinada regla [9], [10].
cuales serán los parámetros del modelo para después ocupar
La forma en que las neuronas se distribuyen dentro de la
las estimaciones y así realizar un pronóstico.
red neuronal multicapa es mediante niveles o capas las cuales
De los modelos para series de tiempo univariables se
están determinadas por un número determinado de neuronas
pueden mencionar [6]:
las cuales se clasifican en tres tipos:
1. Regresión de serie de tiempo.
1. Entrada: Recibe la información de fuentes externas de la
2. Métodos de descomposición.
red.
3. Suavizado exponencial.
2. Oculta: Procesa la información de la capa exterior para
4. Metodología de Box-Jenkins.
que posteriormente sea enviada a la capa de salida.
Una de las preocupaciones al realizar un pronóstico, es el
3. Salida: Transfiere la información hacia el “exterior”.
medir el error que se comete al tratar de predecir una variable.
Las RNA se han empleado en la resolución de diversos
Supóngase que se denota el valor real de la variable de interés
problemas en donde destaca los problemas financieros cuya
en el tiempo t mediante yt y el valor que se predijo con el
aplicación principal es la predicción [7]. Aunque los datos a
modelo por yt, entonces el error de pronóstico (denotado por
analizar estén incompletos o los datos presenten cierta
et) para un valor particular yt será, et = yt − yt.
dependencia de otras variables para su obtención, los
Si los errores de pronóstico en el tiempo indican que la
resultados obtenidos al usar RNA son satisfactorios.
metodología usada para el pronóstico es la adecuada, entonces
La aplicación de las RNA se divide en dos categorías:
sería importante medir la magnitud de los errores de modo que
clasificación y modelado. En la primera se discrimina las
1068 IEEE LATIN AMERICA TRANSACTIONS, VOL. 9, NO. 7, DECEMBER 2011

observaciones por características comunes en diferentes que resulto de aplicar la primera diferencia y como se observa
grupos, como por ejemplo, predicción de fallas corporativas, tiene una tendencia constante. En la Fig. 4 se muestra los
la clasificación de bonos, entre otros, mientras que el segundo correlogramas de ésta, con lo que se concluye la
consiste en simular el comportamiento de una entidad o estacionalidad de la serie.
variable basado en observaciones previas de los datos, por
ejemplo, predicción de las fluctuaciones de los precios de las
acciones o del tipo de cambio [14].
Si bien la utilización de las redes neuronales en un proceso
de predicción es muy útil también es cierto que encontrar un
modelo que se adapte a una serie de datos particulares no es
algo trivial.
II. DESARROLLO
Para realizar este trabajo se tuvo acceso a un conjunto de
datos que corresponden al registro de demanda máxima
mensual de energía eléctrica en una subestación de un sistema
de distribución de la Comisión Federal de Electricidad, cuyos
valores están expresados en megawatts (MW). Estos registros Figura 2. Correlogramas de la serie.
corresponden al periodo de enero de 1994 a diciembre de
2006. El análisis se realizó eligiendo uno de los dos Una vez que se obtuvo la serie estacionaria se propusieron
transformadores que componen la subestación, con el objetivo algunos modelos que ajusten a la serie, observando los
de realizar la comparación de la predicción (proceso de correlogramas de la serie resultante (Vease Fig. 4). Dichos
simulación) se tomaron los datos hasta junio de 2006 dejando modelos se muestran en la Tabla I, en la cual se presenta la
los últimos seis meses (julio a diciembre de 2006) para tal fin. varianza estimada, la logverosimilitud y el valor del
Resultados previos fueron expuestos en [12]. En la Fig. 1 se estadístico AICC, usado para elegir el modelo. Se elige aquel
ilustra la serie de estos datos. cuyo valor sea mínimo [16]. De aquí que el modelo que mejor
A. Pronóstico con series de tiempo se ajusto a los datos es el ARIMA(1, 1, 1).
Para poder realizar pronósticos utilizando este tipo de
metodología comúnmente se realizan los siguientes pasos Los valores estimados para los parámetros de éste modelo
[15]. son:
1. Ajuste de modelo. φ φˆ = 0.5415 θ θˆ = −0.8387
2. Validación del modelo.
3. Pronóstico.
Para el ajuste del modelo, primero se tiene que tener una
serie estacionaria, y como se observa en la Fig. 1 la tendencia
es no constante por lo que se tiene una serie no estacionaria.
Esto se corrobora en los correlogramas de la serie presentados
en la Fig. 2 en donde los valores de la ACF decrecen y decaen
muy lentamente.

Figura 3. Serie resultante de aplicar una diferencia.

así, el modelo ARIMA(1, 1, 1) estimado puede ser reescrito

como:

Xt = 1.5415Xt−1 − 0.5415Xt−2 + Zt + 0.8387Zt−1

donde Zt ~WN(0, 1.48).

Figura 1. Demanda máxima mensual. Enero 1994 - junio 2006.

Una de las técnicas para obtener una serie estacionaria es

aplicar sucesivamente diferencias, cuyo resultado será una
serie con componentes de tendencia y estacionalidad ausentes
siendo además estacionaria. En la Fig. 3 se muestra la serie
TRUJILLO ROMERO et al.: PREDICTING ELECTRICITY 1069

Figura 4. Correlogramas de la serie diferenciada. Figura 6. Serie original y modelo ajustado.

Tabla I. Modelos propuestos B. Pronóstico con redes neuronales

Varianza Estimada Log-Verosimilitud Criterio
Modelo
AICC
Para tener una red neuronal la cual se ajustará de manera
ARIMA(3,1,1) 1.48 -221.221 452.88 adecuada a los datos, se tuvieron que realizar varias
ARIMA(3,1,3) 1.38 -218.52 451..91 configuraciones que van desde el número de capas ocultas, el
ARIMA(3,1,2) 1.46 -220.71 454.07
número de neuronas por cada capa y las funciones de
ARIMA(2,1,2) 1.48 -221.21 452.87
ARIMA(0,1,2) 1.52 -223.24 452.65 transferencias que fueron utilizadas.
ARIMA(0,1,1) 1.58 -225.69 455.46 El algoritmo de aprendizaje que se utilizó fue la variación
ARIMA(2,1,1) 1.48 -221.44 451.19 de backpropagation llamada Levenberg-Marquardt[1] por
ARIMA(1,1,1) 1.48 -221.48 449.13
ARIMA(1,1,2) 1.48 -221.45 451.20 adaptarse mejor a los datos con los se iban a utilizar para
ARIMA(1,1,0) 1.61 -226.83 457.76 realizar la predicción, como se puede apreciar en otros
trabajos [8], [11], [13]
Para la validación de este modelo se realizó un análisis de Una de las características que compartieron todos los
los residuales utilizando la función de autocorrelación (ACF) modelos desarrollados fue el diseño del conjunto de
muestral de éste. Se rechaza el modelo siempre y cuando más entrenamiento. El patrón de entrada consistía en un vector de
de dos o tres de cada 40 quedan fuera de los límites de la dos componentes, en la primera correspondía al año (número
banda de confianza o si por lo menos uno está muy por fuera entero que va desde 1994 al año 2006) y como segunda
de éstos límites. En la Fig. 5 se ilustra la ACF muestral de los componente el mes (valor entero que va desde 1, el cual
residuales, y como se observa, los 40 valores caen dentro de la representa al mes de enero, al 12 que representa al mes de
banda de confianza. diciembre).
Los valores esperados de cada uno de los patrones de
entrada fueron normalizado puesto que los valores de las
salidas que se generaban en las redes estaban en el intervalo
[−1, 1].
Dicha normalización se llevó acabo de la siguiente manera:
Valor de la demanda
Demanda =
Demanda Máxima

La primera red que se analizó fue la red 2:2:1:1, cuyas

características se muestran en la Tabla II.

Tabla II. Configuración de la red 2:2:1:1

Inicialización Funciones de Performance Número de Factor de
Figura 5. Función de autocorrelación muestral de los residuales. de los pesos transferencia iteraciones aprendizaje
Tangente
Con el análisis anterior se concluye que el modelo Aleatorio Sigmoideal 0.003 500 0.2
Lineal
ARIMA(1, 1, 1) que se ilustra en la Tabla I proporciona un
buen ajuste a los datos. En la Fig. 6 se ilustra el modelo
El ajuste de la curva obtenida con esta primera red neuronal
ajustado a la serie.
no fue satisfactorio. La Fig. 7 muestra el ajuste obtenido dicha
red neuronal.
1070 IEEE LATIN AMERICA TRANSACTIONS, VOL. 9, NO. 7, DECEMBER 2011

Figura 7. Ajuste de la red 2:2:1:1. Figura 8. Comparativa del ajuste con los datos observados.

Aunque los valores proporcionados por la red no estaban Tabla IV. Pronósticos usando el modelo ARIMA(1, 1, 1).
muy próximos a los datos, se podría realizar modificaciones a Periodo Valor real Pronóstico
Error
absoluto
la estructura de ésta para que se tuviera un buen ajuste a
2006.7 20.40 20.68 0.28
dichos datos. Por lo anterior se eligió otra red cuya 2006.8 21.48 20.89 0.59
estructura fue 1:2:16:12:1 con los valores iníciales de las 2006.9 22.32 21.01 1.31
2006.10 23.04 21.07 1.97
matrices de pesos inicializados con valores producto de otras
2006.11 22.56 21.11 1.45
simulaciones redes. 2006.12 23.16 21.13 2.03
Estos pesos fueron resultados de la implementación de
otras redes de la misma arquitectura salvo que sus pesos En la Fig. 9 se muestra esta predicción junto con una banda
iníciales, para estas implementaciones, fueron aleatorios. de confianza del 95%, y en la Fig. 10 se ilustra la comparativa
de la predicción del modelo utilizado junto con los valores
Tabla III. Configuración de la red neuronal 1:2:16:12:1. reales.
Inicialización Funciones de Número de Factor de
Performance
de los pesos transferencia iteraciones aprendizaje
Tangente
Configuració
Sigmoideal 9.91x10-5 1 0.2
n dada
Lineal

La configuración de la red anterior se ilustra en la Tabla III.

En esta implementación el ajuste a los datos es mejor al
mostrado en la Fig. 7, como se exhibe en la Fig. 8.

III. RESULTADOS
En esta sección se va a mostrar los resultados de las
predicciones realizadas con los modelos planteados en las
secciones II.A y II.B. Además de realizar la comparativa de
Figura 9. Pronóstico del modelo.
los resultados obtenidos al pronosticar con series de tiempo y
con redes neuronales. B. Redes neuronales
Para obtener los resultados se utilizo el modelo de red
A. Series de tiempo neuronal presentado en la sección II.B. Este modelo consta de
Al tener el modelo de series de tiempo presentado en la las capas siguientes 1:2:16:12:1. Por lo que ya se comentó en
sección II.A se llevó a cabo el pronóstico para los últimos seis la sección II.B esta estructura fue la que dio los mejores
meses del año 2006. En la Tabla IV se muestra el valor real, el resultados tanto en ajuste a los datos reales como en la
pronóstico y el error absoluto de cada periodo. Como se predicción.
observa estos aumentan conforme se predice un número de
periodo mayor, pero aún así para estos 6 periodos el error es
pequeño.
TRUJILLO ROMERO et al.: PREDICTING ELECTRICITY 1071

pasos proporciona un modelo en específico, en las redes

neuronales no se tiene esto, puesto que en primer lugar no se
conoce de alguna manera que topología es la adecuada para la
resolución del problema. Se tuvieron de realizar diversos
modelos y cada uno de ellos entrenarlos y observar si la red
proporcionaba datos que se ajustase a la serie o no.

Tabla VI. Comparativa de resultados obtenidos por los dos modelos usados
Error
Error
Pronóstico absoluto
Dato Pronóstico absoluto
Periodo Series de Red
real Red neuronal Serie de
tiempo neurona
tiempo
l
2006.7 20.40 20.21 20.68 0.28 0.19
Figura 10. Comparativa de los valores reales y el pronóstico del modelo. 2006.8 21.48 21.62 20.89 0.59 0.14
2006.9 22.32 22.26 21.01 1.31 0.06
En la Fig. 11 se ilustra el pronóstico de los últimos 6 meses 2006.1
23.04 22.22 21.07 1.97 0.82
0
del año 2006 y en la Tabla V los correspondientes valores de 2006.1
pronóstico y los errores absolutos de cada uno de los valores 22.56 21.60 21.11 1.45 0.96
1
predichos. 2006.1
23.16 20.81 21.13 2.03 2.35
2

Tabla V. Resultados obtenidos de la red 1:2:16:12:1.

Error Aunque el desarrollo del modelo de la red neuronal fue a
Periodo Dato real Pronóstico
absoluto prueba y error, los resultados de predicción que se obtuvieron
2006.7 20.40 20.21 0.19 fueron mucho mejor que los proporcionados por el modelo de
2006.8 21.48 21.62 0.14
2006.9 22.32 22.26 0.06
serie de tiempo. En la Fig. 12 se muestra la comparativa
2006.10 23.04 22.22 0.82 gráfica y se observa que la curva dada por la red neuronal esta
2006.11 22.56 21.60 0.96 por arriba de la curva del modelo ARIMA(1, 1, 1), al menos
2006.12 23.16 20.81 2.35
en los primeros cinco periodos. Así mismo la comparativa de
las predicciones de los dos modelos se muestran en la Tabla
VI.

Figura 11. Comparación entre el pronóstico de la red contra los datos reales.

C. Comparativa de predicción
Figura 12. Comparación gráfica de los modelos de predicción.
Una vez que se han obtenido la predicción de éstos
periodos mediante los dos modelos, se realiza un pequeño
análisis comparativo acerca de cada uno de éstos.
Para el modelo de serie de tiempo, se observó que para
realizar inferencia en el conjunto de datos, la serie debería de
ser estacionaria y con la aplicación de una sola diferencia
basto para que la serie resultante fuera estacionaria. Una vez
que se obtuvo ésta serie, se siguió un conjunto de pasos los
cuales proporcionaba, en primer lugar, modelos que se
ajustaran al modelo, en seguida la selección de uno de ellos
mediante un criterio y finalmente se prosiguió la elaboración
del pronóstico.
Por otra parte, la metodología usada para la elaboración de
la red neuronal fue muy distinta. Mientras que en la
metodología de series de tiempo en el seguimiento de los
REFERENCIAS
[1]. M. K. S. Alsmadi, K. B. Omar, and S. A. Noah. Back propagation
algorithm: The best algorithm among the multi-layer perceptron
algorithm. International Journal of Computer Science and Network
Security, 9(4):378–383, Abril 2009.
[2]. B. L. Bowerman, R. T. O’Connell, and A. B. Koehler. Pronósticos,
Series de Tiempo y Regresión, Un Enfoque Aplicado, Cengage
Learning, 2009.
[3]. P. J. Brockwell and R. A. Davis. Introduction to Series and
Forecasting. Springer, 2002.
[4]. P. J. Brockwell and R. A. Davis. Time Series: Theory and Methods.
Statistics. Springer, second edition, 2006
[5]. M. I. Acosta Buitrago and C. A. Zuluaga Muñoz, Tutorial Sobre
Redes Neuronales Aplicada en Ingeniería Eléctrica y su
implementación en un sitio Web. Universidad Tecnológica de
Pereira. Facultad de Ingeniería Eléctrica, 2000.
1072 IEEE LATIN AMERICA TRANSACTIONS, VOL. 9, NO. 7, DECEMBER 2011

[6]. V. M. Guerrero G. Modelos Estadísticos para Series de Tiempo

Univariadas. Departamento de Matemáticas, Centro de Investigación
y de Estudios Avanzados del IPN, 1987.
[7]. M. T. Hagan, H. B. Demuth, and M. Beale. Neural Network Design.
PWS Publishing Company, 1996.
[8]. A. Haydar, Z. Agdelen, and P. Özbeseker. The use of
backpropagation algorithm in the estimation of the firm performance,
Istanbul Ticaret Universititesi Fen Bilimleri Dergisi Yil, pags 51–64,
2006.
[9]. S. Haykin. Neural Networks: A Comprehensive Foundation. Pearson
Prentice Hall, segunda edition, 1999.
[10]. J. R. Hilera and V. J. Martinez. Redes Neuronales Artificiales.
Fundamentos, Modelos y Aplicaciones. Alfaomega, 2000.
[11]. T. Jayalakshmi and Dr. A. Santhakumaran. Improved gradient
descent backpropagation neural networks for diagnoses of type II
diabetes mellitus. Global Journal of Computer Science and
Technology, 9(5):94–97, Enero 2010.
[12]. M. A. González S. W. Gómez López y J. del C. Jiménez H. Demanda
de energía eléctrica: Un análisis usando series de tiempo. In
Memorias de la Tercera Semana Internacional de Estadística y
Probabilidad, 2010.
[13]. F. E. Hernandez Montero and W. Falcón Urquiaga. Cancelación de
ruido a través de técnicas neuronales. In IV Congresso Brasileiro de
Redes Neurais, pages 1–6, Sao José dos Campos, Brazil, Julio 1999.
IV Brazilian Conference on neural networks.
[14]. I. Cruz Torres. Pronóstico en el Mercado de Derivados utilizando
Redes Neuronales y Modelos ARIMA: una aplicación al Cete de 91
días en el MexDer. PhD thesis, Facultad de Contaduría y
Administración. Universidad Nacional Autónoma de México, 2007.
[15]. R. H. Shumway and D. S. Stoffer, Time Series Analysis and Its
Applications Whit R Examples, Springer, 2006.
[16]. Jonathan D. Cryer and Kung-Sik Chan. Time Series Analysis and
whit Applications in R, Springer, 2008.

Dr. Felipe de Jesús Trujillo Romero. Nació en

Guanajuato, México el 23 de enero de 1974. Obtuvo su
grado de Ingeniero en Comunicaciones y Electrónica,
su grado de Maestro en Ingeniería Eléctrica (Opción:
Instrumentación y Sistemas Digitales) de la
Universidad de Guanajuato, México y su grado de
Doctor por el Instituto Nacional Politécnico de
Toulouse, Francia, en el 2000, 2002 y 2008 respectivamente.
Actualmente, él está trabajando en la División de Estudios de Posgrado
de la Universidad Tecnológica de la Mixteca (UTM), Huajuapan de
León Oaxaca, México como Profesor Investigador. El Dr. Trujillo-
Romero ha publicado una decena de artículos dentro del área de la
inteligencia artificial y pertenece al grupo de Robótica Inteligente de la
UTM.

José del Carmen Jiménez Hernández nació en

México D. F., en 1979. Licenciado en Matemáticas por
la Universidad Juárez Autónoma de Tabasco y la M. C.
con especialidad en Probabilidad y Estadística por el
Centro de Investigación en Matemáticas A. C.
Actualmente, él es Profesor Investigador en el Instituto
de Física y Matemáticas de la Universidad Tecnológica
de la Mixteca. El M.C. Jiménez-Hernández tiene entre sus principales
áreas de interés los tópicos referentes a Procesos Estocásticos y Series
de Tiempo.

Williams Gómez López nació en Salina Cruz,

Oaxaca en 1986. Egresado de la Universidad
Tecnológica de la Mixteca con el título de Licenciado
en Matemáticas Aplicadas, Huajuapan de León,
Oaxaca, 2010. Actualmente, él está por ingresar a la
Maestría en Computación Matemática en la
Benemérita Universidad Autónoma de Puebla,
Puebla. Las principales áreas de interés del Licenciado Gómez
López son series de tiempo y teoría de grafos.