Incluye referencias, índice alfabético

El primer capítulo está dedicado a presentar los principales resultados sobre procesos estacionarios, los que constituyen la base para una comprensión precisa de la formulación de los modelos para series de tiempo. En el segundo capítulo se presentan los modelos lineales y, como casos particulares de ellos, los modelos autoregresivos-media móvil (ARMA en la terminología anglosajona); también se introducen los modelos no estacionarios llamados ARIMA, los que se pueden transformar mediante ´diferenciación´ aproximadamente en modelos ARMA. El tercer capítulo está dedicado a la estimación, verificación y predicción de series temporales, aplicando la muy conocida metodología de Box y Jenkins; adicionalmente, se muestra el tratamiento de datos transformados y las pruebas de raíces unitarias, muy importantes para dilucidar técnicamente cuándo una serie debería diferenciarse para volverse estacionaria. En el cuarto capítulo se han incluido modelos no lineales, de gran aplicación práctica en los últimos años, especialmente en el ámbito financiero, como son los modelos autoregresivos con heteroscedasticidad condicional generalizada (GARCH) y sus extensiones asimétricas (TARCH, EGARCH, PARCH).En el quinto capítulo se presentan los modelos de series temporales multivariantes, específicamente los modelos autoregresivos vectoriales (VAR en la terminología anglosajona.se dan algunas definiciones y aplicaciones de la causalidad, así como del análisis de choques y la descomposición de la varianza. En el último capítulo se realiza una presentación de los conceptos de cointegración cuando los procesos multivariantes ya no son estacionarios. Finalmente, se aborda el modelo más conocido en presencia de cointegración de las variables, denominado modelo de correción del error (MEC en la terminología anglosajona).