En la actualidad, la amplia disponibilidad de datos hace que sea posible contar con series de tiempo de mayor frecuencia que en el pasado, por ejemplo, en la forma de datos semanales. Las series de tiempo semanales aportan información a un grado de desagregación mayor que las series anuales o mensuales, pero presentan un conjunto de dificultades a la hora de ser modeladas. Estas residen principalmente en la modelación de la estacionalidad, debido a que su periodo estacional anual no es entero, a que cuentan con un gran número de observaciones en el periodo, lo que dificulta la estimación de parámetros y además pueden presentar múltiples estacionalidades anidadas. En este trabajo se presentan y aplican un conjunto de metodologías del marco de los modelos de espacio-estado como una posibilidad para enfrentar las peculiaridades de las series semanales, en particular en un contexto de predicción. La principal conclusión es que los modelos de espacio son una solución viable para modelizar series semanales de distintas características, destacándose la modelación de la estacionalidad mediante componentes de Fourier y el modelo TBATS, aunque cabe destacar que en ciertas series de tiempo presentan problemas para la predicción (como es el caso de series con un alto grado de variabilidad).