El mundo del análisis de Series Temporales o Series de Tiempo cada vez va tomando más y más fuerza. Y es que muchas veces nos encontramos con aplicaciones prácticas que dependen del tiempo de alguna manera, por ejemplo, cuando estamos analizando los datos del reciente virus COVID19 que está afectando a todo el planeta, tendremos datos diarios de casos activos, casos nuevos detectados, o incluso muertes en cada uno de esos días. Estos datos son importantísimos a la hora de pronosticar de cara al futuro qué va a pasar, si van a subir o van a bajar esos casos.
Pero, ¿para qué nos sirve esto? Pues para mucho más de lo que te imaginas. Porque saber aproximadamente lo que va a pasar en el futuro nos puede dar una idea de si esto significará que el sistema sanitario va a colapsarse pronto, y esto nos permite tomar medidas urgentes antes de que realmente pase esa situación de colapso que puede ser una emergencia realmente desastrosa para la sociedad. Por otro lado, puede significar que se ha logrado controlar la situación lo suficiente como para comenzar la desescalada del confinamiento. En fin, como ves, tener una idea cercana del futuro más próximo nos permite actuar con antelación, y tomar medidas de emergencia para evitar desastres mayores.
El análisis de series temporales también es muy utilizado en Finanzas y Economía, usualmente para analizar datos del mercado financiero. En este curso vamos a tratar con muchos dataset de datos reales de precios o variables macroeconómicas de diferentes mercados: USA, Filipinas, Sudáfrica, etc, y lo veremos paso a paso tanto con R como con Python.
¿Qué diferencia hay entre este curso y un curso regular de series de tiempo univariantes?
¡EL ASPECTO MULTIVARIANTE!
Así es, como bien sabes nuestro mundo no es univariante, es multivariante, muchas veces tendremos a nuestra disposición múltiples datos, en nuestro caso múltiples series temporales que se co-relacionan entre sí y proporcionan información valiosa unas a otras. Por ejemplo, para un vendedor de cócteles que está estudiando las ventas diarias de su chiringuito de la playa, será interesante estudiar la serie temporal de la temperatura del ambiente, la serie de cócteles diarios vendidos, la serie temporal de los precios, la de las ganancias, la serie de cantidad de cócteles ofertados, la serie de la cantidad de sillas dispuestas en la arena, etc. Todas estas series son información relevante y muchas de ellas se relacionan entre sí, por eso, para estudiarlas, debemos hacer uso de las técnicas para el análisis de series temporales multivariantes.
En este curso cubriremos desde los conceptos más básicos del campo de las series de tiempo univariantes (para que lo tengas todo a mano en un solo curso), hasta el concepto de serie de tiempo multivariante, sus propiedades, su modelización, tanto en R como en Python, y más de 10 casos prácticos diferentes de series temporales multivariantes para que puedas poner en práctica todos estos conocimientos.
Además, tendrás todo el código fuente desde el minuto cero, plantillas de código para utilizar en tus propios análisis, acceso a una comunidad exclusiva de estudiantes, que como tú, buscan aprender acerca del análisis de series temporales, y más de 15 horas de vídeo de alta calidad con todas las explicaciones necesarias para aplicar por ti mismo estos conocimientos.
Nos vemos en clase y espero que disfrutes del Curso de series temporales multivariantes con R y Python.