UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO

Facultad de Ciencias

Plan de estudios de la Licenciatura en Actuaría

Series de Tiempo
Clave Semestre Créditos Área
0025 7u8 10
Campo de
Probabilidad y Estadística
conocimiento
Etapa
Profundización
Curso ( X ) Taller ( ) Lab ( ) Sem ( )
Modalidad Tipo T(X) P( ) T/P ( )

Obligatorio ( ) Optativo ( X )
Carácter Horas
Obligatorio E ( ) Optativo E ( )
Semana Semestre
Teóricas 5 Teóricas 80
Prácticas 0 Prácticas 0
Total 5 Total 80

Seriación

Ninguna ( )
Obligatoria ( )
Asignatura antecedente

Asignatura subsecuente

Indicativa ( X )
Asignatura antecedente Modelos de Supervivencia y de Series de Tiempo

Asignatura subsecuente Optativas del campo de probabilidad y estadística

Objetivo general:

 Poder hacer inferencia sobre un modelo estadístico que relaciona una variable, usualmente tiempo,
con una variable de respuesta. La cualidad esencial de las series es el orden de las observaciones
de acuerdo a la variable tiempo.
 Conocer los modelos de series de tiempo, sus alcances, limitaciones, sus fundamentos
matemáticos y aplicaciones usando paquetes de cómputo estadístico.

Objetivos específicos:

 Comprender la naturaleza de las series de tiempo y sus aplicaciones.

 Explicar los principales supuestos y aplicaciones de los modelos ARMA
 Comprender cómo detectar la tendencia y estacionalidad en una serie de tiempo
 Explicar los principales supuestos y aplicaciones de los modelos con heteroscedasticidad condicional
 Estudiar algunas aplicaciones de los modelos MGARCH.

Índice temático
Horas
Tema semestre
Teóricas Prácticas
1 Introducción 15 0
2 Análisis espectral y filtros 15 0
3 Modelos con Heteroscedasticidad condicional 25 0
4 Modelos MGARCH 25 0
Total 80

Contenido Temático
Tema y subtemas
1 Introducción.

15 horas

1.1 Procesos estacionarios.

1.2 Media, autocovarianza y Autocorrelación muestrales.
1.3 Estimación, ejemplos y aplicaciones.
1.4 Procesos ARIMA.
1.5 Series no estacionarias.
2 Análisis espectral y
filtros.

15 horas

2.1 Densidad espectral.

2.2 Periodograma y transformada de Fourier discreta.
2.3 Filtros lineales.
3 Modelos con Heteroscedasticidad
condicional.

25 horas

3.1 Propiedades de la volatilidad.

3.2 Especificación del modelo de volatilidad.
3.3 Modelos ARCH.
 3.4 Modelos GARCH.
3.5 ACF y PACF para procesos GARCH.
3.6 Estimación de los modelos GARCH.
3.7 Ejemplos y aplicaciones.
3.8 Criterios de información.
3.9 ARCH-M.
3.10 GARCH integrado (IGARCH).
3.11 GARCH Exponencial (EGARCH).
3.12 EGARCH (1,0).
4 Modelos
MGARCH.

15 horas

Estrategias didácticas Evaluación del aprendizaje

Exposición (X) Exámenes parciales (X)
Trabajo en equipo ( ) Examen final (X)
Lecturas ( ) Trabajos y tareas (X)
Trabajo de investigación (X) Presentación de tema (X)
Prácticas (taller o laboratorio) (X) Participación en clase (X)
Prácticas de campo ( ) Asistencia ( )
Aprendizaje por proyectos (X) Rúbricas ( )
Aprendizaje basado en problemas ( ) Portafolios ( )
Casos de enseñanza ( ) Listas de cotejo ( )
Otras (especificar) Otras (especificar)
Se recomienda el uso de paquetes estadísticos como Se recomiendan de 3 a 4 exámenes parciales y un
R, SPSS, Statistica o SPlus para el análisis y examen final, así como la realización de tareas sobre
modelación de los datos. los temas vistos en clase para reforzar los
Es recomendable que se impartan clases en el conocimientos teóricos adquiridos.
laboratorio de cómputo para que el alumno aprenda
a usar al menos uno de estos paquetes.
Asimismo se sugiere que, al final del curso, el
alumno haga un análisis completo de un conjunto de
datos y presente los resultados de manera oral y
escrita.

Perfil profesiográfico
Título o grado Es deseable que el profesor cuente con un posgrado en Estadística o experiencia
en el manejo de este tipo de datos.
Experiencia docente Con experiencia docente.
Otra característica

Bibliografía básica:

 Brockwell, P.J. and Davis, R.A. (1996). Introduction to Time Series and Forecasting. New York:
Springer-Verlag.
 Robert H. Shumway and David S. Stoffer (2013). Time Series Analysis and Its Applications (4a ed.).
Springer.
 Tsay, R. S. (2002). Analysis of Financial Time Series. John Wiley & Sons.
 Cryer, D. and Chan, K. (2010) Time Series Analysis: With Applications in R. Springer Texts in
Statistics.
 Cowpertwait, P. and Metcalfe A. (2009). Introductory Time Series with R. Springer.
 Wei, W. (2005). Time Series Analysis: Univariate and Multivariate Methods (2a. Ed.). Pearson.

Bibliografía complementaria:

 Alexander, C. (2001). Market models (A guide to financial data analysis). John Wiley & Sons, LTD.
 Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer.
 Guerrero (2003). Análisis Estadístico de Series de Tiempo Económicas. Cengage Learning Editores.