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 obs