Muchos procesos dinámicos de la naturaleza no son lineales y deben ser analizados con modelos que expliquen esa característica. En la literatura estadística, se dispone de abundantes resultados sobre este tema y, entre otros, se conocen los métodos de Tong (1990), Tsay (1989, 1998), Terasvirta (1994, 1998) y Nieto (2003). En general, los procedimientos consisten de las etapas de (1) examen de no linealidad del proceso, (2) especificación del modelo, (3) estimación de parámetros, y (4) pronosticación de valores futuros del proceso. Nieto (2003) ha desarrollado una metodología para analizar procesos estocásticos bivariados , no lineales, que obedecen modelos autoregresivos de umbrales (TAR, por sus siglas en inglés Threshold Autoregressive), en presencia de datos faltantes. En ese trabajo se supone a priori que el proceso no es lineal y que esta característica puede ser explicada por el modelo TAR. Su modelo tiene relación con los modelos TARSO (Open-Loop Threshold Autoregresive System) de Tong (1990), SETAR (Self-Exciting Threshold Autoregresive) de Tsay (1989, 1994), ARCH, GARCH y de cambio de regímenes de Hamilton (1994). El aporte de Nieto (2003) a la literatura de procesos no lineales es triple: (1) diseño de una metodología para identificar y estimar el modelo en presencia de observaciones faltantes en la serie temporal bivariada. (2) Su modelo permite especificar cierto tipo de heteroscedasticidad, análogo al que cubren los modelos ARCH o GARCH, lo cual es potencialmente útil para el análisis de series temporales financieras, y (3) extiende el modelo de Hamilton al caso de más de 2 regímenes en la cadena de Markov subyacente y que su espacio de estados, inclusive, sea general. En este último escenario, hay potencial aplicabilidad en el análisis de cambios estructurales en las series temporales económicas. A pesar de las bondades del trabajo de Nieto (2003), al menos dos problemas permanecen aún abiertos en la literatura: (1) la fase de pronosticación del proceso y (2) el examen, previo al análisis del modelo, de la no linealidad del proceso bivariado. En este último caso, la hipótesis nula está definida por la linealidad del proceso y la alternativa por la especificación del modelo TAR. Estos son los objetivos de la investigación. Al igual que Nieto (2003), se usará como herramienta inferencial el enfoque Bayesiano y, en particular, el método de simulación Markov Chain Monte Carlo (MCMC). Los resultados de la investigación (método de pronóstico y prueba de no linealidad, en presencia de datos faltantes) constituirán un aporte al conocimiento de este tipo de procesos, lo que redundará en una metodología más apropiada para el análisis de series de tiempo climatológicas, financieras y económicas, al menos.