En las ultimas decadas hemos podido asistir a la aparicion de modelos y metodos estadisticos de gran importancia para el trabajo con datos de series temporales. La necesidad de disponer de predicciones lo mas precisas posibles, asi como el interes en conocer la dinamica de las distintas variables, ha originado que los metodos de analisis de series temporales hayan pasado a ocupar un lugar central en el estudio de disciplinas muy diversas.

El texto que se presenta busca dar un fundamento sobre el análisis de series de tiempo a aquellos profesionales que requieren de la aplicación de estas técnicas. Está dirigido a Ingenieros, Economistas, Actuarios, Administradores y cualquier otra profesión que requiere un conocimiento suficiente para aplicar las técnicas de pronósticos en su campo. Los modelos que se tratan en este texto introductorio son tanto univariantes como multivariantes en el dominio del tiempo, haciendo énfasis más en las aplicaciones que en el desarrollo teórico del análisis de series de tiempo, pero tratando de no descuidar este aspecto. Para la lectura del texto se requiere conocer los tópicos relacionados con cálculo matricial y diferencial, inferencia estadística y cálculo de probabilidades a un nivel básico a intermedio.El texto contiene los siguientes capítulos: Capítulo I: En este capítulo se da la introducción de los conceptos tales como: definición de una serie de tiempo univariante y los primeros ejemplos de series de tiempo multivariantes. Conceptos de estacionariedad, invertibilidad ergodicidad, teorema de Wold. Además, se repasa algunos métodos de estimación de los parámetros tales como: máxima verosimilitud, bayesianos, no paramétricos, mínimos cuadrados lineal y no lineal, métodos exactos y condicionados. Capítulo II: Trata de una introducción de procesos estocásticos lineales, funciones de autocorrelación ordinaria o simple y parcial. Ecuaciones de Yule Walker, AR(p), MA(q), y ARIMA(p, d, q). Metodología de Box-Jenkins. Capítulo III: Se estudia, estacionalidad ARIMA(p, d, q)(P, D, Q). El problema de las raíces unitarias. Contraste de Dickey-Fuller y sus aplicaciones. Contraste de Phillips-Perron. Variable de intervención y valores atípicos. Capítulo IV: Trata sobre modelos de series de tiempo no lineales, modelo bilineal. Modelos no lineales en media y varianza condicionales: Modelos ARCH y GARCH. Estimación, Contrastes de hipótesis. Modelos relacionados ARCH-M, TARCH, AR-ARCH. INGARCH, Contraste: DBS, Coeficiente de Hurt, modelo ARFIMA. Problemas. Capítulo V: Trata muy brevemente de series de tiempo multivariante, definición de series de tiempo multivariante uniecuacional: ARMAX, definición de series de tiempo vectoriales VAR(p). Cointegración, estimación, contraste y Vectores Autoregresivos VAR: selección, estimación, validación y pronósticos. VECM. En todos los capítulos se dan ejemplos reales usando SAS(c) y SPSS(c) y terminan con un conjunto de problemas y observaciones.

El autor es un matemático formado en la Universidad Lomonosov (Rusia), con una brillante trayectoria intelectual, habiendo recibido diferentes premios y diplomas académicos del más alto nivel. Dedicado a la aplicación de sus conocimientos al terreno de la Salud Pública desde el inicio de su actividad profesional ha acumulado catorce años de experiencia como investigador en centros tan prestigiosos como el Instituto de Desarrollo de la Salud Pública de Cuba y el Instituto Pedro Kouri. Su labor investigadora le ha hecho merecedor de diferentes premios otorgados por la Academia de Ciencias de Cuba. Profesor del Departamento de Administración de la Facultad de Salud Pública del Instituto Superior de Ciencias Médicas de la Universidad de la Habana, posee una extensa experiencia docente que le avala de forma destacada habiendo impartido múltiples cursos sobre análisis de sistemas sanitarios, investigación de operaciones en servicios de salud, informática aplicada a la salud, metodología de la investigación científica, tratamiento de series temporales y otros temas relacionados. Su experiencia en el tema objeto de este texto está relacionada con su labor durante siete años en el Servicio de Vigilancia Epidemiológica de Enfermedades Transmisibles. En el último año el profesor Aguirre, se ha incorporado al Departamento de Epidemiología y Bioestadística de la Escuela Nacional de Sanidad (Madrid). INDICE: ¿Qué es este libro? Antes de comenzar el trabajo. La modelación clásica. La modelación ARIMA. Otros enfoques. Comentarios para la continuación. Bibliografía. Respuestas a los ejercicios. Para cuando esté ante el ordenador. Indice de materias.

Este libro comienza con los análisis descriptivos más simples de series temporales, presenta los métodos actuales para construir modelos dinámicos y obtener predicciones y discute los problemas que constituyen las fronteras de la investigación actual en series temporales. Puede servir de texto para un curso de predicción dirigido a estudiantes de economía y administración de empresas, estadística o ingeniería y también para cursos más avanzados de doctorado en cualquier rama científica. Su enfoque es aplicado, con numerosos ejemplos que ilustran el análisis y predicción de series reales con los paquetes estadísticos más utilizados.