Curso de series temporales multivariantes con R y Python

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 temp