Este estudio se centra en la modelación de series temporales para variables meteorológicas, con un enfoque en la predicción del comportamiento del viento utilizando los modelos estadísticos ARIMA y ARIMAX. La investigación tiene como objetivo evaluar si estos métodos pueden proporcionar predicciones robustas y fiables que complementen los enfoques tradicionales basados en mediciones físicas, como las obtenidas a través de anemómetros y veletas. El estudio comienza con el desarrollo de un conjunto de datos exhaustivo utilizando técnicas de web scraping para recopilar un año de datos meteorológicos de la región del aeropuerto de Barcelona. Esta base de datos consta de variables como la velocidad del viento, la humedad, la temperatura y la presión. Se llevó a cabo una exhaustiva fase de preprocesamiento, que incluyó limpieza de datos, transformaciones de unidades y análisis exploratorio. Se prestó especial atención a la comprensión de la dinámica de estas variables y su relevancia para las aplicaciones del mundo real, como la alineación de las pistas de los aeropuertos y la seguridad de los deportes acuáticos. Se emplearon modelos ARIMA univariantes para identificar y predecir patrones en el comportamiento del viento. Si bien estos modelos capturaron con éxito las tendencias clave, su rendimiento se vio limitado por la alta volatilidad inherente a los datos. Para abordar esta limitación, se implementaron modelos ARIMAX, incorporando variables exógenas como la humedad y la presión. Estos modelos demostraron una mayor precisión predictiva y una mejor alineación con los datos observados. Sin embargo, cierta variabilidad seguía sin explicarse, lo que ponía de relieve los desafíos de modelar fenómenos meteorológicos complejos. Esta investigación subraya la utilidad de la modelización estadística en meteorología, particularmente para aplicaciones en la seguridad de la aviación y los deportes acuáticos. El trabajo futuro debe centrarse en la integración de métodos más avanzados, como los modelos GARCH para tener en cuenta la volatilidad, o enfoques de aprendizaje automático como las redes neuronales recurrentes (RNN) para capturar relaciones no lineales y mejorar la precisión de las predicciones. Estos avances podrían allanar el camino para herramientas de pronóstico más confiables y adaptables.