1
00:00:20,890 --> 00:00:24,110
بسم الله الرحمن الرحيم اليوم إن شاء الله بنات

2
00:00:24,110 --> 00:00:28,610
هنبلش في موضوع اللي هو بدأنا فيه بالمحاضرة السابقة

3
00:00:28,610 --> 00:00:31,550
أعطينا دقيقة بداية .. نهاية المحاضرة السابقة

4
00:00:31,550 --> 00:00:36,270
البداية عنه اللي هو الـ Box-Jenkins approach للـ 

5
00:00:36,270 --> 00:00:39,570
هو الـ ARMA model كيف يعني احنا ممكن أنه لو كان

6
00:00:39,570 --> 00:00:43,270
عندنا بيانات تتعلق بالسلاسل الزمنية قررنا أنه احنا

7
00:00:43,270 --> 00:00:46,770
في النهاية نعمل تحليل لها، بصراحة دول الناس اللي

8
00:00:46,770 --> 00:00:49,590
هم الـ Box والـ Jenkins عملوا methodology طريقة ما

9
00:00:49,590 --> 00:00:54,170
عبارة عن مراحل من خلالها نقوم بتحليل البيانات

10
00:00:54,170 --> 00:00:56,830
المالية أو عفوا اللي هي الـ .. الـ .. البيانات عبر

11
00:00:56,830 --> 00:01:00,030
السلسلة الزمنية، السلاسل الزمنية أقصد يعني، عشان

12
00:01:00,030 --> 00:01:03,770
متسلسلات زمنية، فهذه المراحل الثلاث اللي اقترحوها

13
00:01:04,560 --> 00:01:08,120
اللي هي اللي أمامكم الآن، المرحلة الأولى اللي هي

14
00:01:08,120 --> 00:01:11,860
مرحلة الـ identification للـ model نحدد اللي هو من

15
00:01:11,860 --> 00:01:16,660
خلال الرسم شو ممكن يكون الـ model فطبعا المرحلة

16
00:01:16,660 --> 00:01:21,620
الأولى المتعلقة بالـ identification بتتم في خلالها،

17
00:01:21,620 --> 00:01:25,700
ها يقول الآن، اللهم صل على سيدنا محمد، احنا طبعا

18
00:01:25,700 --> 00:01:30,660
بنلصق في المرحلة هذه الأولى، السلسلة الزمنية و

19
00:01:30,660 --> 00:01:33,960
بنشوف مثلا هل في stationary، ما فيش stationary، في 

20
00:01:33,960 --> 00:01:38,940
outliers، outliers يعني منها تلاقيها مش شاذة يعني في

21
00:01:38,940 --> 00:01:44,660
مثلا trend في عندك seasonality الأخرى، ماشي؟ في

22
00:01:44,660 --> 00:01:47,120
المرحلة الأولى هي الـ high run، المرحلة الثانية

23
00:01:47,120 --> 00:01:50,200
بنعمل بعد ما نقرر الـ model اللي بدنا ن .. طبعا

24
00:01:50,200 --> 00:01:53,820
بنحل مشكلة stationary، لو مش stationary بنحلها، و

25
00:01:53,820 --> 00:01:57,220
للـ trend بنعمله estimation، عفوا بنعمله detrend و

26
00:01:57,220 --> 00:02:00,740
هكذا، ومن ثم من المرحلة الثانية بنبلش نعمل

27
00:02:00,740 --> 00:02:03,380
estimation للـ model يعني بنعمل اللي هو الـ ARMA

28
00:02:03,380 --> 00:02:06,640
model اللي احنا قررنا نروح عليه سواء moving

29
00:02:06,640 --> 00:02:09,260
average أو autoregressive أو ARMA in general

30
00:02:09,260 --> 00:02:11,860
المرحلة الأخيرة الـ model اللي احنا بنختاره طبعا

31
00:02:11,860 --> 00:02:15,060
ما يختارش غالبا model واحد نختار عدة models ليش؟

32
00:02:15,060 --> 00:02:19,320
لأنه بنكون شاكيين ما بين اثنين ثلاثة قد يكون هذا قد

33
00:02:19,320 --> 00:02:22,350
يكون هذا، بنعملهم .. بنعملهم fit وبنعملهم 

34
00:02:22,350 --> 00:02:25,530
estimation، المرحلة الأخيرة بنعملهم diagnoses،

35
00:02:25,530 --> 00:02:29,750
بنشيكهم، تشخيص، فبنشخص هل الموديلات اللي احنا

36
00:02:29,750 --> 00:02:33,730
عملناله اللي هو fitting و estimation كويسة مش كويسة

37
00:02:33,730 --> 00:02:37,210
و بنختار بطبعا بالآخر واحد منهم، من ثلاثة أربعة 

38
00:02:37,210 --> 00:02:40,990
model اخترناهم، ماشي؟ بنختار الـ criteria معينة في

39
00:02:40,990 --> 00:02:45,410
اسم الـ AIC والـ BIC ماشي؟ فبتحدد لمين أفضل model

40
00:02:45,410 --> 00:02:48,390
ممكن أن أنا اختاره طبعا هذا الـ model يعني

41
00:02:48,390 --> 00:02:52,490
بالمناسبة هو ليس آية في القرآن يعني مش مقدس، ولذلك

42
00:02:52,490 --> 00:02:55,370
الـ model اللي أنت بتجيبه كل اللي بتقول عنه أن هذا

43
00:02:55,370 --> 00:02:58,810
الـ model يعتبر جيد لمين؟ للتقدير، لأنه في النهاية

44
00:02:58,810 --> 00:03:02,650
محصلة النهائية اللي بدي إياها للتقدير، فقد يقدر

45
00:03:02,650 --> 00:03:06,230
يحتاج إنسان آخر ويقول الـ model اللي أنت جبتيه

46
00:03:06,230 --> 00:03:09,790
بصراحة أنا عندي model تاني أحسن منه، فبقوله ماشي

47
00:03:09,790 --> 00:03:12,770
وأريني الـ model الثاني اللي عندك، فأه والله مظبوط

48
00:03:12,770 --> 00:03:15,090
كلامك، الـ model تبعك أحسن من الـ model اللي أنا

49
00:03:15,090 --> 00:03:19,410
جبته، فيلا improved يعني، أنت عملت أحسن، ماشي،

50
00:03:19,410 --> 00:03:22,430
فخليني أروح مع الـ model تبعك، مش الموديل اللي أنا

51
00:03:22,430 --> 00:03:25,770
جبته، وحتى اللي تيجي يحتاج عليّ وعليّ ويعطينا

52
00:03:25,770 --> 00:03:29,730
model جديد، إذا احنا هنا مش مقدس الـ model اللي احنا

53
00:03:29,730 --> 00:03:33,470
بنجيبه، كل ما في الأمر بنجيب model، كل ما في الأمر

54
00:03:33,470 --> 00:03:37,790
نثبت أن هذا الـ model جيد، قداش نقدر نحسّن، آه بكون

55
00:03:37,790 --> 00:03:42,720
أفضل، أفهم؟ وهذا هو الإحصائي بشكل عام بالمناسبة

56
00:03:42,720 --> 00:03:45,280
طبعا الـ algorithm هذا مرسوم في الـ flowchart اللي

57
00:03:45,280 --> 00:03:49,500
أمامكم كيف اللي هم الـ Jenkins والـ Box مع بعض اقترحوا

58
00:03:49,500 --> 00:03:53,780
أول خطوة قلنا أنه نرسمين السلسلة واضحة أعتقد

59
00:03:53,780 --> 00:03:57,810
أمامكم، نرسم السلسلة الزمنية، بعد ما نرسم السلسلة

60
00:03:57,810 --> 00:04:01,510
الزمنية بنتطلع عليها طبعا تقدير الشخص لإنه بنشوف

61
00:04:01,510 --> 00:04:05,070
هل هي stationary ولا مش stationary؟ في خيارين يا

62
00:04:05,070 --> 00:04:09,010
آه يا لأ، إذا yes إذا stationary بنروح على مرحلة الـ

63
00:04:09,010 --> 00:04:13,090
estimation لمين؟ للمدن أو للجبل عفوا بنعمل عفوا

64
00:04:13,090 --> 00:04:17,310
نجيب الـ estimation نتأثر آه بنروح وبنحدد آه اللي

65
00:04:17,310 --> 00:04:21,870
هو يا ترى من خلال الـ ACF والـ PACF من خلال الـ auto

66
00:04:21,870 --> 00:04:25,530
correlation function والـ partial auto correlation

67
00:04:25,530 --> 00:04:29,710
function بنحدد اللي هم مين الـ orders تبعون الـ ARMA

68
00:04:29,710 --> 00:04:32,950
طبعا بعد ما نتأكد إنها stationary، فإذا stationary

69
00:04:32,950 --> 00:04:37,370
بنروح على إنه تحديد الـ orders الـ P والـ Q هدول

70
00:04:37,370 --> 00:04:42,690
طبعا لو مش stationary لو مش stationary فبنعمل إيه؟

71
00:04:42,690 --> 00:04:46,830
نخليها stationary، كيف نخليها stationary؟ غالبا أن

72
00:04:46,830 --> 00:04:50,850
عدم الـ stationarity بيكون من وين جاي؟ من إنه بدها

73
00:04:50,850 --> 00:04:53,950
differencing، وأحيانا الـ log أنت بتعرفه في

74
00:04:53,950 --> 00:04:57,090
الرياضيات الـ exponential function، مش exponential

75
00:04:57,090 --> 00:05:01,750
.. الـ exponential معكوسه الـ log مش بيخليه اللي هو

76
00:05:01,750 --> 00:05:05,990
constant بطريقة أو بأخرى، مش معكوسات لبعاده، فأخدك للـ

77
00:05:05,990 --> 00:05:09,630
log على افتراض أن القيم موجبة بالمناسبة يعني مش

78
00:05:09,630 --> 00:05:12,830
تروح اللي تقولي ناخد لدرجات الحرارة log، درجات

79
00:05:12,830 --> 00:05:17,760
الحرارة قد تكون بالسالب، مفهوم؟ فلما تكون قيم اللي

80
00:05:17,760 --> 00:05:22,160
عندك الآن الـ log بظبطلها وبيخليها الرسم الأول إن

81
00:05:22,160 --> 00:05:25,080
هي كانت exponential فالـ log بيخليها مالها

82
00:05:25,080 --> 00:05:29,220
stationary، أحيانا مفهوم، وأحيانا الـ differencing

83
00:05:29,220 --> 00:05:33,720
طبعا بالمناسبة الرسم لحاله مش كفاية إنك تقرر

84
00:05:33,720 --> 00:05:36,760
stationary ولا مش stationary احنا قلنا قبل هيك في

85
00:05:36,760 --> 00:05:40,260
عندنا Dick و Fuller test والآخرين وفي tests أخرى

86
00:05:40,260 --> 00:05:43,280
غير اللي هو الـ Dick والـ Fuller بس في مادتنا شرحنا

87
00:05:43,280 --> 00:05:47,520
Dick مين وFuller مظبوط يا بنات؟ ولكن غالبا في ناس

88
00:05:47,520 --> 00:05:51,700
بيقول لك أنه خلاص الرسم أنا بعرف منه، المهم بنعمل الـ

89
00:05:51,700 --> 00:05:54,240
differencing لو مش stationary بيخليها stationary

90
00:05:54,240 --> 00:05:57,800
بعدين بنرجع بنرسم كمان مرة بنرسم مين؟ بنرسم الـ

91
00:05:57,800 --> 00:06:03,160
differencing أو الـ log المفهوم هناك، وبعد ما رسمنا

92
00:06:03,160 --> 00:06:06,600
كمان مرة differencing بنشوف نفسنا بنسأل السؤال هل

93
00:06:06,600 --> 00:06:10,200
يا ترى stationary ولا مش stationary؟ آه إذا 

94
00:06:10,200 --> 00:06:12,400
stationary بنروح لهذه الخطوة، لو مش stationary

95
00:06:12,400 --> 00:06:16,400
بنعمل كمان مرة differencing المهم باختصار أو بناخد

96
00:06:16,400 --> 00:06:20,200
اللغة باختصار بدنا نخليها مين stationary كخطوة أولى

97
00:06:20,200 --> 00:06:24,200
يعني قبل ما أروح الـ ARMA model لازم أخل الـ series

98
00:06:24,200 --> 00:06:27,920
مالها stationary من الرسم ومن اختبارات تبعي اللي

99
00:06:27,920 --> 00:06:32,640
هي Dick و Fuller، ماشي؟ طبعا في غير Dick و Fuller اللي بعد ما

100
00:06:32,640 --> 00:06:36,240
عملنا identification لمين؟ للمرحلة الأولى طبعا في

101
00:06:36,240 --> 00:06:40,680
المراحل الثلاث أنا مازلت في المرحلة الأولى في

102
00:06:40,680 --> 00:06:46,120
المرحلة اللي هو مين؟ الـ identification تحديد، فبنحدد

103
00:06:46,120 --> 00:06:50,100
اللي هو الـ orders P و Q، احنا اللي بعد ما حددنا

104
00:06:50,100 --> 00:06:52,760
قررتوا تروحوا مثلا يا بنات قررتوا تروحوا مع الـ

105
00:06:52,760 --> 00:06:57,300
auto-regressive مع الـ AR شو بتعملوا لهم estimation

106
00:06:57,300 --> 00:07:01,720
للـ model احنا بنعملوا estimation للـ model طبعا

107
00:07:01,720 --> 00:07:04,840
بالمناسبة الـ auto-regressive احنا أخذنا كيف نعمل له

108
00:07:04,840 --> 00:07:08,280
estimation من خلال مين؟ الـ Yule-Walker algorithm، مصبون

109
00:07:08,280 --> 00:07:10,920
الـ Yule-Walker algorithm بيعملوا estimation للـ auto

110
00:07:10,920 --> 00:07:14,120
-regressive فقط، ولكن in general .. in general بشكل

111
00:07:14,120 --> 00:07:17,620
عام في ناس بيستخدم الـ maximum likelihood في الـ ..

112
00:07:17,620 --> 00:07:20,940
آه وفي ناس بيستخدم كلمة filters والآخرين، في طرق

113
00:07:20,940 --> 00:07:24,020
أخرى، طبعا الـ maximum likelihood estimation

114
00:07:24,020 --> 00:07:28,180
أخذتوها في الإحصائي، صح؟ بس تشترطي إنك بتعرف

115
00:07:28,180 --> 00:07:32,060
التوزيع الاحتمالي الـ distribution يعني بدون الـ

116
00:07:32,060 --> 00:07:35,700
distribution ما نعرفه شو القوة بالأساس ما نستطيع

117
00:07:35,700 --> 00:07:38,660
أنه نجيب منه الـ MLE اللي هي الـ maximum likelihood

118
00:07:38,660 --> 00:07:41,720
estimation، هتعتقد اللي درسكوا المادة أكيد كان

119
00:07:41,720 --> 00:07:46,180
يقول لكوا MLE صح؟ آه اختصارا MLE maximum likelihood

120
00:07:46,180 --> 00:07:50,960
estimation تمام؟ احنا إن شاء الله يعني هندرسها هي

121
00:07:50,960 --> 00:07:54,440
طبعا ما أعرف إذا ضال معي وقت إنه ندرس غيرها ولا لا

122
00:07:54,440 --> 00:07:57,240
بس مبدئيا الـ maximum likelihood estimation هناخدها

123
00:07:57,240 --> 00:08:00,620
إن شاء الله، المهم بنعمل estimation للـ model بعد ما

124
00:08:00,620 --> 00:08:03,920
نعمل estimation للـ model إن المرحلة الثانية خلصنا

125
00:08:03,920 --> 00:08:08,690
منها، مرحلتين خلصوا من ثلاث مراحل في الـ Box-Jenkins 

126
00:08:08,690 --> 00:08:13,990
Jenkins المرحلة الأخيرة تمت من ال diagnosis أنه

127
00:08:13,990 --> 00:08:18,910
نعمل pair for إجراء لمين لل diagnostic checks نشيك 

128
00:08:18,910 --> 00:08:22,630
.. نشيك اللي هو مين ال model اللي احنا عملناه ال

129
00:08:22,630 --> 00:08:25,790
estimation والله إذا كان ال model adequate fit

130
00:08:25,790 --> 00:08:30,670
يعني اللي هو adequate مناسب ملائم مناسب منيح جيد

131
00:08:30,670 --> 00:08:33,590
إذا كان ال model adequate متى بنكون ال model

132
00:08:33,590 --> 00:08:37,990
adequate يا بنات إذا إيش حقق الشروط أو الفرضيات

133
00:08:37,990 --> 00:08:40,250
تبعات ال assumptions فواحدة من ال assumption أن

134
00:08:40,250 --> 00:08:43,270
يكون stationary وحنش علماء نسأل عن موضوع ال

135
00:08:43,270 --> 00:08:49,270
diagnosis أه assumptions فرضيات فإذا حققوا

136
00:08:49,270 --> 00:08:52,410
الفرضيات وما فيش violation للفرضيات هنا ما فيش

137
00:08:52,410 --> 00:08:56,530
انتهاك للفرضيات ففي الحالة هذه خلاص نستخدم ال

138
00:08:56,530 --> 00:08:59,550
model هذا بنكتبه write down the final model

139
00:08:59,550 --> 00:09:05,060
ونستخدمه لمين؟ طبعًا للتّنبؤ يعني احنا ما بدأنا نجيب 

140
00:09:05,060 --> 00:09:08,400
عشان أطلع في منظر وأنا هذا ال model الهدف الأساسي

141
00:09:08,400 --> 00:09:13,440
منه وين أني أنا أعمل forecasting مفهوم؟ يعني بروح

142
00:09:13,440 --> 00:09:17,500
بكتب هالمعادلة اللي في النهاية أستخدمها في مين؟ في

143
00:09:17,500 --> 00:09:21,920
تنبؤاتي المستقبلية علم؟ لكن يا بنات لو ال model مش

144
00:09:21,920 --> 00:09:25,980
adequate ال model مش مناسب شو بدي أسويه؟ ال model

145
00:09:25,980 --> 00:09:30,810
اللي أنا عمله .. اه فبرجع بعمل model آخر تمام، فلو

146
00:09:30,810 --> 00:09:34,590
ال model مش adequate يعني ليس مناسبا فبنرجع و

147
00:09:34,590 --> 00:09:38,350
بنعمل كمان مرة لمين؟ للخطوات اللي عملناها 

148
00:09:38,350 --> 00:09:41,290
السابقة يعني بنجيب model ثاني وبروح نعمله

149
00:09:41,290 --> 00:09:45,370
estimation وبنعمله diagnosis وبعدين بنشوف هل هو

150
00:09:45,370 --> 00:09:49,550
مناسب مش مناسب وبنعمل خطوات بالخلاصة في المحصلة

151
00:09:49,550 --> 00:09:52,690
النهائية بطلع ال model ماله؟ ال model هذا هو اللي

152
00:09:52,690 --> 00:09:58,230
أنا إيش بتسويه؟ هستخدمه للتّنبؤات تمام هي؟ طيب هذا

153
00:09:58,230 --> 00:10:00,810
هو ال algorithm تبع مين؟ ال box and Jenkins

154
00:10:00,810 --> 00:10:04,090
والمحاضرة السابقة بدأنا نحديث عنه ولكن الآن 

155
00:10:04,090 --> 00:10:07,070
بالتفاصيل أكثر، هلأ الآن يا بنات بدنا نبلش في

156
00:10:07,070 --> 00:10:10,030
المرحلة الأولى محاضرة اليوم، هلأ هي مرحلة ال

157
00:10:10,030 --> 00:10:13,080
identification المرحلة الأولى اللي هي model

158
00:10:13,080 --> 00:10:16,420
identification نحدد اللي هو يا ترى ال model اللي

159
00:10:16,420 --> 00:10:21,800
احنا بدنا نروح معاه كيف هو؟ مين هو؟ هل هو ARIMA؟ هل

160
00:10:21,800 --> 00:10:24,740
هو auto-regressive لحاله؟ هل هو moving average؟

161
00:10:24,740 --> 00:10:27,040
وإذا moving average جدّيش ال order، moving average

162
00:10:27,040 --> 00:10:30,120
واحد، moving average اثنين، moving average ثلاثة

163
00:10:30,120 --> 00:10:35,500
and so on طبعًا اتفقنا أنّه الخطوات اللي بدنا نعملها

164
00:10:35,500 --> 00:10:38,380
هادي أول خطوة على الإطلاق الأولى هي خطوة الرسم،

165
00:10:38,380 --> 00:10:42,810
هي الرسم أصلاً ماشي؟ والرسم من خلاله بنحدد مين اللي

166
00:10:42,810 --> 00:10:45,870
هي ال stationary ومش ال stationary واللي هو طبعًا

167
00:10:45,870 --> 00:10:48,310
ال stationary واحدة من اللي هو عدم ال stationary و

168
00:10:48,310 --> 00:10:50,990
وجود ال stationary واحدة منهم أنّه في وجود ال

169
00:10:50,990 --> 00:10:54,010
seasonality يعني وجود ال seasonality يعني عدم ال

170
00:10:54,010 --> 00:10:58,670
stationary صح؟ ولذلك الآن أول بدنا نشوف أنّه هل يا

171
00:10:58,670 --> 00:11:02,050
طرق نعمل detecting من أزاهم أنتم شايفين أربعة أنا

172
00:11:02,050 --> 00:11:06,430
مجزّئهم هنا Okay؟ بدنا نعمل detecting .. detecting

173
00:11:06,430 --> 00:11:10,670
يعني إيه؟ استكشاف لل seasonality أو لل

174
00:11:10,670 --> 00:11:13,670
stationarity .. عفوا مش أو .. و لل stationarity

175
00:11:13,670 --> 00:11:16,010
فبدنا نعمل detecting .. نشوف يا طولة في

176
00:11:16,010 --> 00:11:20,130
stationarity أو في ال data ولا ما فيش .. في

177
00:11:20,130 --> 00:11:24,330
seasonality ولا ما فيش .. علم؟ طبعًا في الحالة هذه

178
00:11:24,330 --> 00:11:28,370
بنعملهم من خلال مين؟ ال plot نرسم .. examine the

179
00:11:28,370 --> 00:11:31,490
plot .. نعمل plot of the series وأيضًا بلعب دور

180
00:11:31,490 --> 00:11:36,170
كبير مهم اللي هو رسمة مين؟ ال ACF وال partial ACF

181
00:11:36,170 --> 00:11:41,290
طبعًا يا بنات لما ترسموا ال ACF صراحة ال ACF ستجدوا

182
00:11:41,290 --> 00:11:44,370
لو فيه البيانات seasonality مثلًا نفترض seasonality

183
00:11:44,370 --> 00:11:48,620
ال period تبعتها أربعة يعني كل أربعة فصول فصل الربيع

184
00:11:48,620 --> 00:11:53,520
خريف صيف المهم أربعة فصول فلو أنت رسمت ال ACF

185
00:11:53,520 --> 00:11:57,660
عارفين شو بتتوقع رسمة ال ACF أنّه عند اللي هو مثلًا

186
00:11:57,660 --> 00:12:03,880
الربيع المبيعات عالية مفهوم؟ رسمة ال ACF الخطين

187
00:12:03,880 --> 00:12:07,460
الزرق اللي هم ال bounds دولة تبعون ال ACF عارفين

188
00:12:07,460 --> 00:12:11,260
هم؟ limits confidence limits هدول مثلًا عند الربيع

189
00:12:11,260 --> 00:12:15,530
بيعدّيهم في فصل أو في السنة الأولى بعدين بعد أربعة

190
00:12:15,530 --> 00:12:19,970
فصول عند الربيع برضه بيعدّي الخطين الزرق بعدين برضه

191
00:12:19,970 --> 00:12:24,430
بيعدّي الخطين الزرق يعني يا بنات كل أربعة lags كل

192
00:12:24,430 --> 00:12:30,390
أربعة lag بتتوقع إيش ال lag ماله؟ عالي يعني في هنا

193
00:12:30,390 --> 00:12:35,030
correlation عالي مفهوم مثلًا وباقي ال lags خليني

194
00:12:35,030 --> 00:12:39,310
نقول شو مالهم؟ قليلة أو مثلًا نيجي نقول الربيع عالي

195
00:12:39,310 --> 00:12:45,120
قدام مفهوم كل ربيع رأى طالع هيك واضح الرسمة أعتقد و

196
00:12:45,120 --> 00:12:50,420
احنا هنشوفها إن شاء الله كمان شويّة شرحناها قبل هيك

197
00:12:50,420 --> 00:12:54,570
تمام وطبعًا بالمناسبة DQ وال filler test بلعب دور

198
00:12:54,570 --> 00:12:57,650
برضه هنا مع العلم أنّي قلت لكم قبل هيك أنّ DQ و

199
00:12:57,650 --> 00:13:01,590
filler test ما لهم هدول ما همش كتير يعني قوة و

200
00:13:01,590 --> 00:13:05,550
الأخرين لكن تابعون الرياضيات المالية خلاص متعودين

201
00:13:05,550 --> 00:13:10,650
يستخدموه وهو حقيقة يعني هو test قديم أول test طلع

202
00:13:10,650 --> 00:13:14,330
فبالتالي يعني إيه له احترامه ماشي له في تحسينات

203
00:13:14,330 --> 00:13:18,760
لا شك أحسن منه وممكن تستخدم التحسينات يعني ليس

204
00:13:18,760 --> 00:13:22,440
شرطًا أن يكون الاسم كما هو بكيف لا هناك البديل عنه

205
00:13:22,440 --> 00:13:26,220
ممكن تستخدم البديل تمام؟ بس في جميع الحوارات ال

206
00:13:26,220 --> 00:13:29,900
test هذا أنتم بتعرفوا عشان ال null hypothesis أن

207
00:13:29,900 --> 00:13:34,080
ال data ما لها مش stationary مقابل من ال

208
00:13:34,080 --> 00:13:37,100
alternative أن ال data ما لها stationary فبيختبر

209
00:13:37,100 --> 00:13:40,960
هذا الكلام زي ما تعلمنا الخلاصة في هذه الخطوة

210
00:13:40,960 --> 00:13:45,150
عرفتوها نحلّها بعد هيك نفترض يا بنات أنك أنتِ 

211
00:13:45,150 --> 00:13:48,070
احتاجتي اليمين لل differencing طبعًا متى بتحتاجي ال

212
00:13:48,070 --> 00:13:51,970
differencing؟ في حالة أنّه أثبتت أنّه الرسمة

213
00:13:51,970 --> 00:13:54,610
والاختبارات أنّه دا تكون stationary فممكن في

214
00:13:54,610 --> 00:13:57,910
الحالة هذه أنك تعملي ال differencing عشان شهو هو

215
00:13:57,910 --> 00:14:02,210
يتحقق ال stationary دي ماشي طبعًا ال differencing

216
00:14:02,210 --> 00:14:06,010
بتعرفوه أو ممكن تأخذوا ال log بالمناسبة صح أنا

217
00:14:06,010 --> 00:14:09,570
ما شرحتش ال log بتفاصيل ولكن في بعض الحالات نستخدم

218
00:14:09,570 --> 00:14:12,690
ال log بديل عن عامين ال differencing لما يكون

219
00:14:12,690 --> 00:14:14,910
البيانات رسمتها exponential function زي ال

220
00:14:14,910 --> 00:14:20,550
exponential فال log بيحل المشكلة okay هلأ ممكن

221
00:14:20,550 --> 00:14:23,590
تعملوا seasonal differencing، طبعًا بدي ألاحظي

222
00:14:23,590 --> 00:14:26,170
واحدة شغلة مهمة عند ال seasonal differencing، إيش

223
00:14:26,170 --> 00:14:29,610
الفرق بينه وبين ال difference العادي؟ هلأ لما تعمل

224
00:14:29,610 --> 00:14:32,710
ال difference العادي، هو عبارة عن مين؟ أول قيمة

225
00:14:32,710 --> 00:14:37,530
ناقص ثاني قيمة، ثالث قيمة ناقص ثالث قيمة، مفهوم؟

226
00:14:37,530 --> 00:14:42,780
سابع قيمة ناقص مين؟ ثامن أو الثامن ناقص السابع عشر

227
00:14:42,780 --> 00:14:49,240
ناقص تسعة عشرين ناقص تسعة عشر يعني كل X ناقص X

228
00:14:49,240 --> 00:14:54,640
ناقص واحد أو T عفوا XT لكن اللي هو ال seasonal

229
00:14:54,640 --> 00:14:58,800
differencing ناقص

230
00:14:58,800 --> 00:15:03,360
الفصول ال period اللي هي S مش ال S تميّز الفصل

231
00:15:03,360 --> 00:15:08,160
period فمثلًا الفصل الأول على فترة أربعة فصول الفصل

232
00:15:08,160 --> 00:15:13,520
الأول والخامس مفهوم؟ الخامس ناقص الأول، بعدين؟

233
00:15:13,520 --> 00:15:19,240
السادس ناقص الثاني، بعدين؟ السابع ناقص الثالث،

234
00:15:19,240 --> 00:15:23,720
بعدين؟ الثامن ناقص الرابع، طيب التاسع؟ ناقص

235
00:15:23,720 --> 00:15:27,400
الخامس، أيوة برافو ناقص الخامس and so on مثلًا، على

236
00:15:27,400 --> 00:15:30,700
افتراض أنّه ال season هنا ال period تبعهمين أربعة

237
00:15:30,700 --> 00:15:34,460
ماشي، لكن لو ال season مثلًا اثنا عشر فاثنا عشر ولا كده،

238
00:15:34,460 --> 00:15:39,180
أليه؟ قسم جدّاهلأ ركّزوا معايا أنتم بتعرفوا يا

239
00:15:39,180 --> 00:15:43,580
بنات أنّه ال .. القريمة .. القريمة اللي فيها ال

240
00:15:43,580 --> 00:15:47,120
differencing حرف ال I مش اسمها autoregressive

241
00:15:47,120 --> 00:15:51,160
integrated moving average فال integrated هي هذه

242
00:15:51,160 --> 00:15:54,640
الكلمة هذه الدلالة على مين؟ أنك أنتِ will take care

243
00:15:54,640 --> 00:15:58,160
القريمة لمين؟ في ال differencing فأنت لما تستخدم

244
00:15:58,160 --> 00:16:02,420
القريمة model اه أنتم عمليًا بتكونوا عايش بتعملوا

245
00:16:02,420 --> 00:16:04,860
differencing بس مش أنتم اللي بتعمله فالقريمة

246
00:16:04,860 --> 00:16:08,780
نفسها هي خلاص بتعمله خلصنا معينته؟ ولذلك القريمة

247
00:16:08,780 --> 00:16:13,080
في معظم الحالات حقيقة بيسد في معظم الحالات القريمة

248
00:16:13,080 --> 00:16:15,840
بيعمل ال differencing لحاله وبيسوي الأمور هذه

249
00:16:15,840 --> 00:16:19,570
كلها لحاله والآخرى ولا هذا ورغم عفوا ورغم ذلك رغم

250
00:16:19,570 --> 00:16:22,690
أنّ القريمة يعني لحاله بيكفي وما فيش داعي تعمل ال 

251
00:16:22,690 --> 00:16:25,990
differencing إلا أن خطوة ال-differencing قد تكون

252
00:16:25,990 --> 00:16:30,890
أحيانًا مهمة، السبب أنه أنت ركزوا معايا لما أنت تعمل 

253
00:16:30,890 --> 00:16:34,270
differencing للـseason كأنك أنت اتخلصت من الـ

254
00:16:34,270 --> 00:16:38,610
seasonality فاضل عندك البيانات المتعلقة بمين؟ بالـ

255
00:16:38,610 --> 00:16:43,450
non-seasonal components صح؟ ولذلك أنت لأن بمجرد ما

256
00:16:43,450 --> 00:16:46,190
عملت الـdifferencing ضمنتي أن البيانات اللي أمامنا 

257
00:16:46,190 --> 00:16:50,050
لأن ما فيش فيها seasonality ولذلك اللي بيضل عندي

258
00:16:50,050 --> 00:16:52,510
بدون seasonality فيه ناني أعمله estimation على

259
00:16:52,510 --> 00:16:56,610
افتراض أنه ماله اللي ضال.. اللي ضال component

260
00:16:56,610 --> 00:16:59,730
اللي ضال في أعمله estimation على افتراض أنه ماله

261
00:16:59,730 --> 00:17:04,270
مش seasonal صح؟ وبالأخير بحط الـdifferencing هذا

262
00:17:04,270 --> 00:17:07,810
اللي إجاني وصله ولذلك الـdifferencing قد يكون

263
00:17:07,810 --> 00:17:12,390
أحيانًا مهم كخطوة في إنه إيش نعمل لحالها الـ

264
00:17:12,390 --> 00:17:17,010
estimation لمين؟ للـnon-seasonal components أو اللي 

265
00:17:17,010 --> 00:17:21,960
هو الـpart تبع الـnon-seasonality واضحة يا بنات؟ مع

266
00:17:21,960 --> 00:17:25,440
الألم أن الـARIMA بتمشي لحالها وهي اللي بنفضل

267
00:17:25,440 --> 00:17:28,880
استخدامها وطبعًا الـR.. البرنامج الحصائي الـR

268
00:17:28,880 --> 00:17:32,100
جواه الـfunction اللي اسمها ARIMA.. ARIMA ذات

269
00:17:32,100 --> 00:17:35,980
نفسها.. في function اسمها ARIMA فالـARIMA بإمكانك

270
00:17:35,980 --> 00:17:39,840
تدخل فيها مين؟ اللي هو الـdifferencing وتعمل

271
00:17:39,840 --> 00:17:46,340
seasonal وnon-seasonal فمجازة.. هلا بعد هيك نحدد

272
00:17:46,340 --> 00:17:51,150
.. نحدد مين؟ الـorders تبعون الـP والـQ وعارفين

273
00:17:51,150 --> 00:17:55,210
مين الـP؟ الـP مين هما الـorder excessive الـorder

274
00:17:55,210 --> 00:17:59,330
تبع والـQ اللي مين؟ بلعب دور كبير جدًا في تحديد الـ

275
00:17:59,330 --> 00:18:07,210
orders هدول رسمة الـACF والـpartial ACF نحيا الـ

276
00:18:07,210 --> 00:18:10,930
ACF والـpartial ACF حقيقة يا بنات theoretically

277
00:18:10,930 --> 00:18:15,310
بيختلف شوية عن مين؟ عن الـsample يعني عالم الـ

278
00:18:15,310 --> 00:18:20,600
population عالم المجتمع عالم النظرية آه عالم مثالي

279
00:18:20,600 --> 00:18:24,240
فاهمين إيه؟ فاحنا بالـEnglish بنقول الـACF يجب أن

280
00:18:24,240 --> 00:18:27,060
تكون صفر لكن عند التطبيق الواقع في الحياة في

281
00:18:27,060 --> 00:18:30,460
العينات أو حتى في الـsimulation نجد أنها مش

282
00:18:30,460 --> 00:18:34,360
exactly صفر ولكن على الأقل في الـsample أن تتصرف

283
00:18:34,360 --> 00:18:39,220
كإيش؟ كتصرف الـpopulation مفهوم؟ ولذلك الآن الـ

284
00:18:39,220 --> 00:18:44,680
ACF والـpartial ACF حقيقة theory احنا فينا آه مش

285
00:18:44,680 --> 00:18:47,920
أنا أنا قدام شوية نعم وأنا كنت أتوقع الـslide

286
00:18:47,920 --> 00:18:51,660
اللي جاي طيب الـslide اللي أنا جلبت عليه هذه

287
00:18:51,660 --> 00:18:56,980
ما فيها حاجات كتيرة هي مجرد أن الـplot يبين لي الـ

288
00:18:56,980 --> 00:19:02,440
outliers الـoutliers اللي هي قيم الشاذة الشواز

289
00:19:02,440 --> 00:19:08,150
القيم المتطرفة الـmissing values الـstationary

290
00:19:08,150 --> 00:19:12,650
الرسم اللي قلته قبل شوية فهذا الـslide ما فيه

291
00:19:12,650 --> 00:19:17,850
صراحة شيء جديد ولكن أني أنا بس بدي أحدد أنه أركزكم

292
00:19:17,850 --> 00:19:22,930
على أنه في الـR عشان سلسلة زمنية فيكوا تستخدموا

293
00:19:22,930 --> 00:19:28,650
اللي هي بدل كلمة plot للرسم يعني تستخدموا كلمة من

294
00:19:28,650 --> 00:19:34,680
Ts يعني الـtime series dot plot ففي الحالة هي دي

295
00:19:34,680 --> 00:19:38,340
بيحولها إلى مين؟ الـtime series هذا الفرق بينهم

296
00:19:38,340 --> 00:19:41,400
بالمناسبة هي يعني أنا عشان أوريكوا الفرق أنا

297
00:19:41,400 --> 00:19:45,660
أعتقد عملته هذا أعتقد صح آه آه عملته أعطيتكوا

298
00:19:45,660 --> 00:19:53,120
أعتقد عملته اللي هو مثلًا لو كان مثلًا X بتساوي R

299
00:19:53,120 --> 00:19:59,540
norm مية وعملنا plot لحالها للـX

300
00:20:02,210 --> 00:20:08,370
بنيح بينما لو عملنا ts للـplot للـx بنشوف الفرق

301
00:20:08,370 --> 00:20:14,450
بيطلع الفرق بينهم فالأولاني الأولاني

302
00:20:14,450 --> 00:20:17,330
زي ما أنتم شايفينه نقاط بينما هذا هيسموها as إيه

303
00:20:17,330 --> 00:20:22,390
يا عشان؟ time series object تمام؟ زي ما أنتم

304
00:20:22,390 --> 00:20:25,190
شايفينه مع العلم أنه ما حدش أذكر أن أنا أعطيتكوا

305
00:20:25,190 --> 00:20:27,930
إياه خلاص أعطيتكوا محاضرتين على الـR وخلصناها

306
00:20:27,930 --> 00:20:32,670
ما فيش ده عني إن شاء الله بركننا يعني في آخر شهر

307
00:20:32,670 --> 00:20:37,630
أربعة عملنا أنا محاضرتين أو ثلاثة عالمين على الـR،

308
00:20:37,630 --> 00:20:40,290
كل اللي عملنا احنا تطبيقات بشكل عام إن شاء الله،

309
00:20:40,290 --> 00:20:44,200
إن شاء الله في البدء، في البدء طيب إذا هذه خليني

310
00:20:44,200 --> 00:20:47,060
أنا ما أحكيش عليها كتير لأنها هي هذه الرسم بيبين لك

311
00:20:47,060 --> 00:20:51,220
يا بنات من حاجات كتيرة فمثلًا بعض الرسومات اللي أنا

312
00:20:51,220 --> 00:20:55,300
الآن مثلًا نفترض رسمته سلسلة زمنية مثلًا رسمته

313
00:20:55,300 --> 00:20:58,600
سلسلة زمنية بتبين اللي هي الـgold هذه هذا في الـ

314
00:20:58,600 --> 00:21:02,800
package اللي اسمه forecast أخدت بيانات منه اللي

315
00:21:02,800 --> 00:21:05,380
علاقة بالـgold والله حتى ما طلعت عن شو الـgold

316
00:21:05,380 --> 00:21:10,290
بحكي بس أكيد اللي هو يعني يمكن التنقيب عن الذهب عبر

317
00:21:10,290 --> 00:21:16,070
الزمن أو مثلًا سعر الذهب نسيت بصراحة أو ما اهتمتش

318
00:21:16,070 --> 00:21:19,990
إيش البيانات بتحكي كل اللي شفتوا الـgold والـtime

319
00:21:19,990 --> 00:21:22,730
قلت هه هي outlier لجينا إننا مثل الـoutlier

320
00:21:22,730 --> 00:21:26,290
فعطيتكوا يعني بعينكوا الله بتشوفوا أنتم فطبعًا لو

321
00:21:26,290 --> 00:21:29,130
رسمتوا السلسلة زي ما أنتم شايفين فيه أنا هنا عندي

322
00:21:29,130 --> 00:21:33,830
إيش outlier قيمة شاذة صح؟ لأنه زمان.. في trend لشكل

323
00:21:33,830 --> 00:21:38,570
ولكن فجأة هنا مثلًا سعر الذهب على افتراض أن هو سعر

324
00:21:38,570 --> 00:21:43,770
الذهب فجأة سال الذهب ماله آه طلع عليه عالي جدًا فهذه

325
00:21:43,770 --> 00:21:49,070
outlier قد تكون القيمة حقيقية هذه الـoutlier مشكلة

326
00:21:49,070 --> 00:21:53,650
قد تكون قيمة مش حقيقية يعني اللي بكتب في البيانات

327
00:21:53,650 --> 00:21:58,690
وبيعمل أخطأ ولذلك الـoutlier هذه فينا لما أنا أجي

328
00:21:58,690 --> 00:22:05,270
أعمل تحليل لازم أنا أشوف لها حل لها شغلها في الحصة

329
00:22:05,920 --> 00:22:09,020
مفهوم؟ يعني يا بنات تقوعك تروح تحللوا البيانات اللي

330
00:22:09,020 --> 00:22:13,320
أمامكوا هذه مباشرة بدون ما إيش تحلوا مشكلة الـ

331
00:22:13,320 --> 00:22:17,640
outlier كيف تحلواها؟ تروح ترجعوا للبيانات الحقيقية

332
00:22:17,640 --> 00:22:20,740
تتأكدوا إيش كان في هذا العام في العام هذا اللي هنا

333
00:22:20,740 --> 00:22:25,420
مثلًا في العام 2000 شو كان؟ في أزمة فعلًا؟ ولا في

334
00:22:25,420 --> 00:22:28,940
خطأ هنا فعلًا في التعبير؟ طب اسمعوا نفترض وأنتم

335
00:22:28,940 --> 00:22:32,880
بتعملوا بتعملوا كل القيم أصلاً موجبة فجأة لجيتوا

336
00:22:32,880 --> 00:22:37,470
قيمة سالبة يعني في خطأ هنا يعني أكيد في خطأ فتروح

337
00:22:37,470 --> 00:22:41,730
تحلل البيانات بوجود الخطأ الرسم بيبين لك أنه في خطأ

338
00:22:41,730 --> 00:22:47,790
فمثلًا أنتم عارفين أنه مثلًا إيش في عندي الدخل على

339
00:22:47,790 --> 00:22:50,630
افتراض أن الدخل دائمًا موجب على فكرة الدخل ممكن

340
00:22:50,630 --> 00:22:57,590
يكون سالب إلا إذا كان اتداين إلا إذا اتداين أو إذا

341
00:22:57,590 --> 00:23:01,590
اتداين الإنسان بيكون الدخل فنفترض أنه الدخل بلاش

342
00:23:01,590 --> 00:23:06,340
الدخل الـconsumption الاستهلاك الإنسان استهلاكه

343
00:23:06,340 --> 00:23:11,540
للمال.. للطعام دائمًا موجب ولا بياكل.. آه دائمًا

344
00:23:11,540 --> 00:23:15,580
هذا موجب خلاص فاستهلاك للزمن عبر.. عفوًا للطعام

345
00:23:15,580 --> 00:23:18,700
عبر الزمن دائمًا موجب وأنت بترسم إيه في قيم

346
00:23:18,700 --> 00:23:22,340
الاستهلاك الـconsumption هنا وجدت لك أن في سنة من

347
00:23:22,340 --> 00:23:25,500
السنتين.. في سنوات.. من السنوات عفوًا أو في أكثر

348
00:23:25,500 --> 00:23:31,800
من مرة لقيت قيم سالبة شو معناه؟ هنا في خطأ فلازم

349
00:23:31,800 --> 00:23:34,900
في البداية تحليه، هذا بوريني طبعًا الـplot أكيد

350
00:23:34,900 --> 00:23:38,000
أنتم عارفينه، هذه الرسومات اللي بالمناسبة جبتها

351
00:23:38,000 --> 00:23:42,860
من أول محاضرة بدأنا فيها المادة يوم ما احنا رسمنا

352
00:23:42,860 --> 00:23:46,980
صح وجبنا يوم ما.. طبيعة البيانات المالية اللي..

353
00:23:46,980 --> 00:23:51,970
بدنا نقول مالية، طبيعة البيانات اللي هي الزمنية راو

354
00:23:51,970 --> 00:23:55,990
أرقام زمنية يعني واحدة منهم أنه رسمة زي هذه

355
00:23:55,990 --> 00:24:00,530
بتورين أنه في عند هانا مين؟ stationary ولا فيش

356
00:24:00,530 --> 00:24:02,990
stationary؟ فيش stationary.. فيش stationary أيوة

357
00:24:02,990 --> 00:24:08,750
وفي trend هانا صح؟ مظبوط ولا لأ؟ فمثلًا واضح الرسمة

358
00:24:08,750 --> 00:24:12,210
وورّت أنه هانا في trend وفيش stationary هل رسمة زي

359
00:24:12,210 --> 00:24:17,950
هذه شكلها في period؟ مظبوط؟ فلما أن أنا رسمت واضح

360
00:24:17,950 --> 00:24:20,390
من الرسمة، هلا يا بنات من هاللي يوم القيامة بدون

361
00:24:20,390 --> 00:24:25,050
مرسم بقدر أشوف هذا كلام، إذا أن الرسم بيبين، صح؟

362
00:24:25,050 --> 00:24:27,910
وكل هذه الأمثلة مارين عليها في بداية المحاضرة، هذه

363
00:24:27,910 --> 00:24:30,790
إذا بتذكر يوم ما قلت لكوا زي الأسد هو ولا زي النمر

364
00:24:30,790 --> 00:24:35,890
ولا زي القط، القط اللي عايش في شمال القطب في كندا،

365
00:24:35,890 --> 00:24:41,640
في Mackenzie River آه الـlinux هذا آه تزمع عبر

366
00:24:41,640 --> 00:24:45,960
السنوات فهذه period فيه واضح أنه كل أكثر من السنة

367
00:24:45,960 --> 00:24:49,740
كل عشر سنين الـperiod بتكرر حالها فـperiodicity

368
00:24:49,740 --> 00:24:54,920
هنا مظبوط طبعًا أنا هنا بالمناسبة لازم أحل مشكلة الـ

369
00:24:54,920 --> 00:24:58,880
periodicity لازم قبل ما أبلش أحكي عن مين؟ على

370
00:24:58,880 --> 00:25:03,400
الـARIMA وهنا لازم أحل مشكلة اللي هي اللي هي مثلًا

371
00:25:03,400 --> 00:25:06,480
هنا برضه في periodicity كمان بالمناسبة وهنا لازم

372
00:25:06,480 --> 00:25:10,670
أحل مشكلة اللي هي الـtrend وهكذا قبل ما أبلش أحكي

373
00:25:10,670 --> 00:25:14,430
طبعًا هذه واضحة أنه في trend وفي seasonality هذه

374
00:25:14,430 --> 00:25:17,990
اللي بتحكي عن عدد الركاب اللي في الطيران في الأشهر

375
00:25:17,990 --> 00:25:21,910
فمثلًا في شهر معين الـhigh season أنت حتى لما تروح

376
00:25:21,910 --> 00:25:24,190
تحجز وتذاكر الطيران كان بيقول لك high season وليه 

377
00:25:24,190 --> 00:25:27,610
تذاكر الطيران في الـ high season وليه

378
00:25:27,610 --> 00:25:29,650
ما أنتم فاهمين هذا الكلام خصوصًا اللي

379
00:25:29,650 --> 00:25:34,710
بيسافروا هذه واضحة أنه في عندي هنا outliers ده هو

380
00:25:34,710 --> 00:25:39,320
مظبوط وفي هنا volatility عالية هذه اللي هي تتعلق

381
00:25:39,320 --> 00:25:42,300
بالـ arts والـ arts فيما بعد والله ما أظن إن إحنا

382
00:25:42,300 --> 00:25:47,420
هنخلصها المحاضرات اللي في مادتنا إذا كل الرسومات

383
00:25:47,420 --> 00:25:50,080
هذه ممكن أن أنا .. أنا من خلالها .. يعني أنا هذا

384
00:25:50,080 --> 00:25:55,040
له عالم خاص هذا .. هذا مش arma بالمناسبة رسمة زي

385
00:25:55,040 --> 00:25:58,940
هذه لها عالم مختلف تمامًا عن الـ arma يعني مش الـ ..

386
00:25:58,940 --> 00:26:03,020
يعني الـ arma ما بيعملش كل شيء ماشي فهذه الـ .. الـ

387
00:26:03,020 --> 00:26:06,460
volatility العالي لزي هذه اللي هي عبارة عن ليش

388
00:26:06,460 --> 00:26:12,380
فيما بعد arts موديل اسمه Arch و Garch هو بدل ما هي

389
00:26:12,380 --> 00:26:16,900
R .. إيه R يعني؟ لجيتها Arch بتصيب اسمها،

390
00:26:16,900 --> 00:26:22,490
heterostaticity، المهم عفوا .. الآن إحنا الرسمة اللي

391
00:26:22,490 --> 00:26:27,830
أمامكم حكينا كثير و .. و .. و نبحث صوتنا وإحنا

392
00:26:27,830 --> 00:26:32,210
نقول رسمة الـ ACF ورسمة الـ partial ACF للـ auto

393
00:26:32,210 --> 00:26:34,870
regressive وللـ moving average قلت لكم في ذاك

394
00:26:34,870 --> 00:26:38,490
الوقت إنه على الرغم إنه إحنا أخذناها بسرعة إلا إنه

395
00:26:38,490 --> 00:26:42,090
إن شاء الله هنمر عليها عيش تفصيل أكثر يوم نيجي

396
00:26:42,090 --> 00:26:45,710
نشرح على مين الـ identification للـ R model مني حكى

397
00:26:45,710 --> 00:26:50,760
منها هل هي دورهادور هالـ table اللي أمامكم رسمت هذه

398
00:26:50,760 --> 00:26:55,480
الـ theory إن هي نظرية للـ table هذا فرسمة الـ ACF الـ

399
00:26:55,480 --> 00:26:59,560
auto correlation function والـ PACF الـ partial

400
00:26:59,560 --> 00:27:02,840
auto correlation function نتوقع يا بنات في حالة

401
00:27:02,840 --> 00:27:07,220
نعمل zoom out في حالة أن تكون لما تكون البيانات

402
00:27:07,220 --> 00:27:13,720
white noise إن كل أياتهم صفر مصبوط؟ يعني أنا

403
00:27:13,720 --> 00:27:19,400
صراحة لو رسمت الـ ACF وطلعت كلها أصفار white noise

404
00:27:19,400 --> 00:27:23,620
ولحالها الـ PACF لأ مش لحالها لازم تكون أيضًا من الـ

405
00:27:23,620 --> 00:27:27,180
partial فرسمة الـ autocorrelation function والـ

406
00:27:27,180 --> 00:27:30,820
partial autocorrelation function يجب أن تكون كلها

407
00:27:30,820 --> 00:27:35,280
أصفار هذا في عالم النظري في الـ theory zero ولكن في

408
00:27:35,280 --> 00:27:40,200
عالم الـ sample بيكونش zero بيكون شو عاد بين الخطين

409
00:27:40,200 --> 00:27:44,100
الزرقين إذا وجود الخطين الزرقين هدول اللي كمان مرة

410
00:27:44,100 --> 00:27:48,230
اسمهم مش خطين زرق اسمهم confidence limit الـ

411
00:27:48,230 --> 00:27:51,070
confidence limits اللي هي الـ significant limits

412
00:27:51,070 --> 00:27:57,710
تسميها كما شئتِ هدول جواهم نعتبره zero negligable

413
00:27:57,710 --> 00:28:03,550
إهمال نهمله وكأنه zero براهم عداهم يعني معناته إنه

414
00:28:03,550 --> 00:28:07,150
مش zero علم؟ معناته مش white noise يبقى أي شيء

415
00:28:07,150 --> 00:28:11,730
جواهم على افتراض أن كلهم جواهم جوا الخطين الزرق في

416
00:28:11,730 --> 00:28:15,390
الحالة دي نعتبرها white noise هذا الكلام على عالم

417
00:28:15,390 --> 00:28:19,120
الـ sample طبعًا في الـ sample بيصير الحديث عن اللي أنا

418
00:28:19,120 --> 00:28:22,980
حاولت أتكلم عنه اللي بالنسبة للـ auto correlation

419
00:28:22,980 --> 00:28:27,700
عفوا auto regressive of order being نتوقع يا بنات

420
00:28:27,700 --> 00:28:33,220
رسمة الـ ACF أن تكون tail off يعني إيش تنزل

421
00:28:33,220 --> 00:28:39,080
exponentially decay تثبيت يعني تنزل يعني تثبيت

422
00:28:39,080 --> 00:28:42,540
يعني في أي شيء بنزل فيه في القيام بشكل ما له

423
00:28:42,540 --> 00:28:49,490
exponentially فهمتوا .. أو يكون على شكل مين الـ sign

424
00:28:49,490 --> 00:28:53,990
بس بطريقة ما لها أيضًا عملناها زي السابقة هلأ أنا

425
00:28:53,990 --> 00:28:57,770
كمان شوية هاجيب على اللوحة وأعملهم كلهم بسرعة ماشي؟

426
00:28:57,770 --> 00:28:59,890
بس أنا حابب أني في البداية أشرح الـ table اللي

427
00:28:59,890 --> 00:29:04,150
أمامكم في المقابل رسمة الـ ACF عرفناها الـ auto

428
00:29:04,150 --> 00:29:07,430
regressive في رسمة الـ partial ACF تبع الـ auto

429
00:29:07,430 --> 00:29:11,930
regressive إنه يكون عند الـ lag بي موجود، بيعدي

430
00:29:11,930 --> 00:29:15,840
الخط الأزرق وكل اللي جابه طبعًا كل اللي جابه يعني

431
00:29:15,840 --> 00:29:19,560
مثلًا الـ lag B يا بنات الـ B ارضولي بالله إنها تلاتة

432
00:29:19,560 --> 00:29:23,360
يعني عند الـ lag واحد لازم أعدي الخط الأزرق وعند

433
00:29:23,360 --> 00:29:27,200
الـ lag اتنين بيعدي الخط الأزرق لازم أعديهم واللي أدي

434
00:29:27,200 --> 00:29:31,360
تلاتة بيعدي .. بيعدي الخط الأزرق بعد التلاتة cut

435
00:29:31,360 --> 00:29:36,780
يعني ما بيعديش جوات الخطين الزرق هدول okay الـ

436
00:29:36,780 --> 00:29:40,660
confidence limits ففي الحالة هذه رسمة معاهي ورسمة

437
00:29:40,660 --> 00:29:44,200
معاهي التنتين مع بعض وليس واحدة موجودهم مع بعض

438
00:29:44,200 --> 00:29:49,600
التنتين اقترح لي اقتراح إن إيش؟ autoregression هلأ

439
00:29:49,600 --> 00:29:55,160
اعكسي الآية اعكسيهم بيعطيني moving average يعني لو

440
00:29:55,160 --> 00:30:01,220
أنا رسمت الـ ACF وكان في عندي cut بعد الـ lag Q في

441
00:30:01,220 --> 00:30:06,460
المقابل رسمت الـ partial وكان في عندي tail off بشكل

442
00:30:06,460 --> 00:30:11,800
exponentially أو damped sine wave بشكل sine wave

443
00:30:11,800 --> 00:30:15,450
يعني فيه تناقص في الحالة هذه الحديثة بيكون عن مين

444
00:30:15,450 --> 00:30:20,470
يا بنات؟ عن moving average، ماشي الحال؟ إذا إحنا

445
00:30:20,470 --> 00:30:23,890
الآن عرفنا auto regressive كيف، moving average

446
00:30:23,890 --> 00:30:27,550
كيف، بقى كمان شوية أعملها، هلأ بالنسبة للـ arma،

447
00:30:27,550 --> 00:30:33,210
التنتين ما فيش cut off، لا الـ partial ولا الـ ACF،

448
00:30:33,210 --> 00:30:36,530
لا الـ ACF ولا الـ partial في cut off، في tail off

449
00:30:36,530 --> 00:30:38,290
أو في sign

450
00:30:41,110 --> 00:30:45,790
آه تناقص أو تثبيت بيكون على الشكل ما له sign with

451
00:30:45,790 --> 00:30:49,750
مفهوم يا بنات؟ أو tail of speak من Q ناقص بيه دي

452
00:30:49,750 --> 00:30:55,470
ما تحفظوهاش خلاص احفظوا إنه مين tail of وبدون حتى

453
00:30:55,470 --> 00:30:59,650
ما تهتمي بعد ما تجيش لكن هو حقيقة theoretically

454
00:30:59,650 --> 00:31:05,890
فالـ acf لازم يكون tail of after مين Q ناقص بيه

455
00:31:05,890 --> 00:31:12,130
بينما الـ partial acf هيكون tail of after P نقص Q ..

456
00:31:12,130 --> 00:31:16,130
P نقص Q .. Q نقص P ما تحفظوهاش عارفين ليش؟ لإن هذا

457
00:31:16,130 --> 00:31:21,730
نظري في عالم العمل .. في عالم الـ sample بصراحة صعب

458
00:31:21,730 --> 00:31:26,230
حتى في الـ simulation القريب حتى على عالم النظري

459
00:31:26,230 --> 00:31:30,450
سنجد إنه برضه صعب ولذلك أنتم افهموا إيش tail off

460
00:31:30,450 --> 00:31:35,790
وإيش cut off أو افهموا إنه ما فيش بالمرة cut بتلاقوا

461
00:31:35,790 --> 00:31:37,490
تناقص .. تناقص .. تناقص .. تناقص .. تناقص .. تناقص

462
00:31:37,490 --> 00:31:37,610
.. تناقص .. تناقص .. تناقص .. تناقص .. تناقص ..

463
00:31:37,610 --> 00:31:37,830
تناقص .. تناقص .. تناقص .. تناقص .. تناقص .. تناقص

464
00:31:37,830 --> 00:31:41,050
.. تناقص .. تناقص .. تناقص .. ممكن يكون التناقص

465
00:31:41,050 --> 00:31:43,790
exponential عارفين اسمها الـ exponential واحد على الـ

466
00:31:43,790 --> 00:31:50,150
X أو الـ sign مفهوم؟ اللي بالنسبة للـ random walk يا

467
00:31:50,150 --> 00:31:52,950
بناتي اللي هي أكيد not stationary random walk

468
00:31:52,950 --> 00:31:59,390
بالنسبة للـ ACF لن يكون هناك decay مفهوم؟ يعني تجدوا

469
00:31:59,390 --> 00:32:02,710
العمدان معاهم قريبين جدًا على الواحد مين ذاكر

470
00:32:02,710 --> 00:32:06,230
المحاضرة لما شرحت الـ random walk طبيعته اللي هي الـ

471
00:32:06,230 --> 00:32:10,950
final الـ ACF لما طلعت فيها formula يومها كانت H

472
00:32:10,950 --> 00:32:15,990
على T ذاكرينها؟ والله شكلكم أنتم ذاكرينها طلعت

473
00:32:15,990 --> 00:32:20,470
جزر جزر كأنها sigma تربيع أو ما أعرف إذا في sigma

474
00:32:20,470 --> 00:32:24,830
تربيع ولا لا بس في المقام في المقام واحد ناقص H

475
00:32:24,830 --> 00:32:30,150
على T والـ T هي الزمن والـ H هي الـ lag لما قلت لكم

476
00:32:30,150 --> 00:32:35,290
لما تكبر الـ T والـ H صغيرة مقابل .. مش دائمًا هذا

477
00:32:35,290 --> 00:32:39,670
المقدار بيساويها فدائمًا الـ raw اللي هي الـ S يعني

478
00:32:39,670 --> 00:32:43,890
في الـ raw قريبة للواحد .. ذاكرينه ولا نسيته؟ والله

479
00:32:43,890 --> 00:32:46,330
ما هو بعيد حكيناه إحنا من زمان يعني مش من زمان

480
00:32:46,330 --> 00:32:50,810
جديد ليه صراحة كده اسمه الماضي أعتقد صح فرسمة الـ

481
00:32:50,810 --> 00:32:57,190
random walk غالبًا نتوقع أن تكون قريبة للواحد أو أقل

482
00:32:57,190 --> 00:33:01,670
شوية من الواحد يعني هو .. فالـ .. الـ dam هنا تثبيت

483
00:33:01,670 --> 00:33:06,750
جليل جدًا وما فيش cut .. ما فيش مكان يسي cut و

484
00:33:06,750 --> 00:33:09,470
تقريبًا كلهم واحد أو أقل شوية من الواحد أقل بنزل

485
00:33:09,470 --> 00:33:14,150
نزل بس هي ما بين تمانية من عشرة للواحد مثلًا كده ..

486
00:33:14,150 --> 00:33:18,310
إحنا هشوف نشوف سماعاتنا إن شاء الله في المقابل يا

487
00:33:18,310 --> 00:33:22,460
بنات وأنا بترك الـ sixersers عليكم سهل تثبتوها في

488
00:33:22,460 --> 00:33:27,380
المقابل الـ random walk ستجدوا إنه عند الـ lag واحد

489
00:33:27,380 --> 00:33:33,740
موجود بعد الخط الأزرق بعد الـ lag واحد بيكون إيش 

490
00:33:33,740 --> 00:33:40,940
كله أصفر ماشي الـ random walk طب ليه؟ الـ partial ما

491
00:33:40,940 --> 00:33:43,440
هو تعريف الـ partial مع إنّي قلت قبل شهر ابدأ اترك

492
00:33:43,440 --> 00:33:48,560
حالكم بس على السريع الـ partial شو تعريفه؟ الـ

493
00:33:48,560 --> 00:33:53,140
partial اللي هو عبارة عن مثلًا الارتباط بين قيمة

494
00:33:53,140 --> 00:33:58,280
وقيمة أخرى بعد ما تعمل الـ remove لمين القيم اللي

495
00:33:58,280 --> 00:34:02,960
بينهم صح ولا لا فمثلًا بين القيم الأولى والسادسة

496
00:34:02,960 --> 00:34:09,400
بدك تعمل ارتباطات بس بعد ما شو بعد ما تحيضي أو

497
00:34:09,400 --> 00:34:13,980
ترفعي القيم اللي بينهم اللي هي من 2 لمين لـ 5

498
00:34:13,980 --> 00:34:18,720
عشان أنا بعمل من 1 لـ 6 فمن 2 لـ 5 بحيضهم بالنسبة للـ

499
00:34:18,720 --> 00:34:23,080
random walk هو random walk مش هو تعريفه من الأساس

500
00:34:23,080 --> 00:34:30,660
XT تساوي XT ناقص واحد زائد Y مش XT واللي جابه XT 

501
00:34:30,660 --> 00:34:34,740
ناجس واحد فلما بعمل partial بعمل بين مين ومين بين

502
00:34:34,740 --> 00:34:41,020
XT واللي بينهم ولذلك إيش بتتوقع رسمة ال partial

503
00:34:41,020 --> 00:34:46,940
لإن استعبته أنه بس بين مين ومين XT ايه؟ وXT ناقص

504
00:34:46,940 --> 00:34:49,880
واحد اللي هو بينهم الزمن واحد فعشان هيك بيعد ال

505
00:34:49,880 --> 00:34:55,260
partial عند الواحد ولكن اللي بناتهم ماله أسفار في

506
00:34:55,260 --> 00:35:00,500
شرط بطاري صح ولا هاينة قلتلكوا صح ولا .. طيب

507
00:35:00,500 --> 00:35:03,580
اعملوها يا بنات في بيعت عادة و تروحوا حالكوا بس أنا

508
00:35:03,580 --> 00:35:08,740
عمليين هاينة حكيتها في أي سؤال تقبل هذا قبل ما

509
00:35:08,740 --> 00:35:13,120
نبتدي نحكي في الرسمات ونوريها طيب أنا بدي أوري الآن

510
00:35:13,120 --> 00:35:15,760
الرسومات اللي أمامنا بس قبل ما أوريها بدي أطلع

511
00:35:15,760 --> 00:35:19,480
اللوح وأعملكوا بشكل عام ال summary للـ table هذا

512
00:35:19,480 --> 00:35:27,340
هلا احنا شو رايكوا أنا برسم ال ACF  لأن ومن ثم ال

513
00:35:27,340 --> 00:35:32,060
partial ACF خليني أنا عشان أنا متضربة رسمتين جنب

514
00:35:32,060 --> 00:35:39,360
بعض بتعملهم هي ال ACF و

515
00:35:39,360 --> 00:35:40,580
هي ال partial ACF

516
00:35:45,470 --> 00:35:49,790
نيح؟ طبعًا أنتو فاهمين أنه في عندك دائمًا هو برسم

517
00:35:49,790 --> 00:35:53,230
ال confidence limits اللي هم عبارة عن خطوط مقطعة

518
00:35:53,230 --> 00:35:56,610
خليني أعملهم هنا مثلًا هو فوق وتحت هو بتعرفين موجة

519
00:35:56,610 --> 00:36:01,150
بثالث بس أنا بدي أعملهم مثلًا وين؟ فوق؟ مع أن هو

520
00:36:01,150 --> 00:36:04,130
بالثاني اللي أعملهم تحت، بتعرفين؟ خليني أعملهم تحت

521
00:36:04,130 --> 00:36:12,010
عشان أسهل عليّ في الرسم صراحة نيح

522
00:36:12,010 --> 00:36:15,850
هذه ACF؟ الخطين المتقطعات هما اللي هو مين ال

523
00:36:15,850 --> 00:36:19,290
confidence limit وبالمناسبة تقول هذه هي عبارة عن

524
00:36:19,290 --> 00:36:25,190
1.96 على جذر الـ n أو تحديدا هي إذا بتحبي 1.96 وهذه

525
00:36:25,190 --> 00:36:31,150
إيش بالثالث طبعًا وهذه 1.96 على جذر الـ n مظبوط و

526
00:36:31,150 --> 00:36:33,270
هذه مثلًا على افتراض نزيلة عارفين أنه هذا الشغل

527
00:36:33,270 --> 00:36:38,710
المهم وهذه بالمرة اللي

528
00:36:38,710 --> 00:36:45,320
هما الخطين الزرق هيك confidence limit وهذا الآن ال

529
00:36:45,320 --> 00:36:49,400
partial case اللي يا بنات اتوقعوا أنا طبعًا هرسم و

530
00:36:49,400 --> 00:36:53,720
همحي بسرعة عشان أخلص آه اتوقعوا أنه رسمة ال white

531
00:36:53,720 --> 00:36:56,260
noise الـ white noise لو كانت ال series white noise

532
00:36:56,260 --> 00:36:58,860
اتوقعوا الرسمة تطلع كل ياتها اللي عند ال lags هدول

533
00:36:58,860 --> 00:37:02,940
ال lags هدول ال H يعني ال lags عند ال lag واحد عند

534
00:37:02,940 --> 00:37:07,000
ال lag اثنين وهكذا اتوقعوا انهم يكون مالهم صغيرة

535
00:37:07,000 --> 00:37:11,670
أصفار هي theory ولكن في حالة من العينة لما تكون عندك

536
00:37:11,670 --> 00:37:14,610
بيانات مالية مثلًا أو بيانات مش مالية بيانات عبر

537
00:37:14,610 --> 00:37:19,550
الزمن آه وطلعت عمليًا كلهم هيك قيم ما بين الخطين

538
00:37:19,550 --> 00:37:24,510
الزرق هالحالة مش كفاية وفي نفس الوقت أيضًا مين هنا

539
00:37:24,510 --> 00:37:28,110
ال H برضه اللي هو ال lag ال partial بين الخطين

540
00:37:28,110 --> 00:37:32,550
الزرق أصغر قيم فاهمينيه؟ في حالة من الحالات ممكن

541
00:37:32,550 --> 00:37:36,250
يكون هذا مثلًا قريب جداً على الخط بس المهم ما يعدوش

542
00:37:36,250 --> 00:37:40,770
وممكن يلمسه آه بنقول هنا فيه خوف أنها ما تكونش

543
00:37:40,770 --> 00:37:44,410
white noise شوية شذوذ عن ال white noise ولكن يعني

544
00:37:44,410 --> 00:37:47,590
هنا هي اللي أنا بيصير الأمور الشكوك وبيصير الخبرة

545
00:37:47,590 --> 00:37:51,630
.. خبرتك في التعليم فأنتوا معذورين أنه أنتو تشكوا

546
00:37:51,630 --> 00:37:56,370
وتلتخموا حتى الخبراء بيعملوا .. يعني بيشكوا و

547
00:37:56,370 --> 00:38:00,170
بيخافوا وبيعرفوا وبيكونوا مش متأكد .. uncertain

548
00:38:00,170 --> 00:38:04,150
.. uncertain بتكون أنت يعني .. مش .. مش .. مش ..

549
00:38:04,150 --> 00:38:08,400
شوية .. مش متأكدة المهم فاهمين هلأ شو هيدي white

550
00:38:08,400 --> 00:38:12,340
noise خلاص أمحيها هلأ بالمقصودة هيدي ال white noise

551
00:38:12,340 --> 00:38:15,260
بدي أنطق مباشرة على ال random walk بالنسبة لل

552
00:38:15,260 --> 00:38:19,960
random walk يا بنات أنا أتوقع رسمة ال ACF تكون عند

553
00:38:19,960 --> 00:38:23,820
ال lag هنا واحد طبعًا رسمة ال ACF تكون عند ال lag zero

554
00:38:23,820 --> 00:38:29,100
ال lag zero تكون exactly واحد وباقي ال lags طبعًا

555
00:38:29,100 --> 00:38:33,160
قريب جداً للواحد بس أجلس شوية من الواحد يعني مثلًا

556
00:38:33,160 --> 00:38:43,960
0.999 كلهم هيك بتوقع، كلهم قريبات جداً، فالدام

557
00:38:43,960 --> 00:38:48,780
دهانة تثبيت طبع القيم قليل جداً، يعني almost واحد،

558
00:38:48,780 --> 00:38:55,560
صح في قيم بتتنازل، بس إيه، تنازل بطيء جداً، ما فيش

559
00:38:55,560 --> 00:39:00,500
ممكن يكون cut هذه رسمة إيش لحالها مش كفاية أنها

560
00:39:00,500 --> 00:39:04,660
تكون random walk بروح على البرشة عند ال lag واحد

561
00:39:04,660 --> 00:39:08,680
يا بنات بتلاقوا معدي خانص وباقي القيم مالهم عاد

562
00:39:08,680 --> 00:39:13,460
أصفار يعني جوات الخطين الزرق رسمتين مع بعض هدول

563
00:39:13,460 --> 00:39:17,220
بقترحوا علي من random walk طبعًا ال random walk

564
00:39:17,220 --> 00:39:20,660
موضوع مهم جداً جداً في ال stock market في ال stock

565
00:39:20,660 --> 00:39:24,060
prices في سعر العملة والأسهم والبورصة والأمور

566
00:39:24,060 --> 00:39:27,020
هذه يعني يا بنا سعر العملة اليوم يعتمد اعتمادًا

567
00:39:27,020 --> 00:39:32,680
كليًا على سعر ومين بالأمس زي هي ماشي البورصة اليوم

568
00:39:32,680 --> 00:39:35,780
بتعتمد على بالأمس فال stock market دائمًا وغالبًا

569
00:39:35,780 --> 00:39:39,200
بيحب يعني حتى كل اللي بدرس رياضية مالية random

570
00:39:39,200 --> 00:39:41,720
walk يعني هو ماشي في الشارع حاطط في جيبته ال

571
00:39:41,720 --> 00:39:45,620
random walk ليش؟ لأن هو دائمًا ماله موجود في كل

572
00:39:45,620 --> 00:39:48,360
البيانات اللي بيتعامل معاها في حياته ولذلك إيه هو

573
00:39:48,360 --> 00:39:53,410
أهميته الخاص؟ طيب بالنسبة لـ .. الآن أنا بتطرق امحي

574
00:39:53,410 --> 00:39:58,130
عادة أبلش أحكي عن رسمة ال ACF وال BACF لمن؟ لل

575
00:39:58,130 --> 00:40:03,070
auto-regressive للـ AR يعني للـ AR model ولـ moving

576
00:40:03,070 --> 00:40:08,830
average بالنسبة للـ AR auto-regressive يعني .. الآن

577
00:40:08,830 --> 00:40:11,910
أنا بحكي عن ال auto-regressive فأنا بتوقع أن ال

578
00:40:11,910 --> 00:40:14,610
partial مثلًا auto-regressive يا بنات مثلًا من عندي

579
00:40:14,610 --> 00:40:19,690
auto-regressive of order مثلًا ثلاثة فبتوقع رسمة ال

580
00:40:19,690 --> 00:40:25,790
partial أنه أنه عندي lag واحد معدي عندي lag اثنين

581
00:40:25,790 --> 00:40:28,810
مثلًا ممكن معدي هان وعندي lag ثلاثة ممكن يكون سالب

582
00:40:28,810 --> 00:40:33,990
بالمناسبة بس الموامر معديات ماشي ممكن واحد منهم

583
00:40:33,990 --> 00:40:37,290
موجب والثاني سالب وهكذا المهم معديات ثم باقي ال

584
00:40:37,290 --> 00:40:41,970
lags مالهم أصفار هذه لحالها مش كفاية أنها تقترح

585
00:40:41,970 --> 00:40:47,080
لمين auto-regressive لازم أطلع عليه رسمة مين الـ

586
00:40:47,080 --> 00:40:50,240
ACF in general لازم تكون هيك شكل ال lags اللي عندي

587
00:40:50,240 --> 00:40:56,780
شايفين كمان مرة exponential decay فمثلًا عندي lag

588
00:40:56,780 --> 00:41:00,860
هنا طبعًا lag zero معروف أنه واحد عندي lag واحد هنا

589
00:41:00,860 --> 00:41:07,200
و lag اثنين هنا وهكذا بتلاقوا تناقص ماله بشكل هذا

590
00:41:07,200 --> 00:41:10,840
هذا ال theory من ناحية اللي في عالم الـ .. عالم الـ

591
00:41:10,840 --> 00:41:14,700
sample ممكن هذي تكون نازلة هيك شوية ممكن in

592
00:41:14,700 --> 00:41:19,380
general لكن ممكن تلاقي رسمة ثانية يا بنات أنه

593
00:41:19,380 --> 00:41:25,480
تلاقوها إيش على شكل ال sign هيك طالعة طبعًا أن أنتو

594
00:41:25,480 --> 00:41:29,260
عارفين هذه هي دي إيش بيكون ال lags هدول معاه

595
00:41:29,260 --> 00:41:35,580
أنتوا فرسمة زي هذه سواء كان sign wave فيه damped

596
00:41:35,580 --> 00:41:39,800
فيه تناقص بس التناقص ماله بشكل ال sign أو

597
00:41:39,800 --> 00:41:45,900
exponential زي هيك مع رسمة ال partial هو بيعطيني

598
00:41:45,900 --> 00:41:49,940
meaning autoregressive أعكس الآية حط الرسم اللي

599
00:41:49,940 --> 00:41:55,320
هنا تبعك ال partial حطيها على أنها هي ACF ورسم ال

600
00:41:55,320 --> 00:41:59,420
ACF حطيها على أنها moving average عفواً على أنها

601
00:41:59,420 --> 00:42:04,380
partial بيصير moving average تمام؟ ما فيش داعي أعمل

602
00:42:04,380 --> 00:42:10,020
وخلاص واضحة اللي هو رسمة ال رسمة التنتين زي

603
00:42:10,020 --> 00:42:16,240
رسمة ال sign أو ال decay of زي هات فلما ترسم هنا و

604
00:42:16,240 --> 00:42:20,460
ترسم الثانية التنتين لازم يكونوا شبيهات مع بعض مفهوم

605
00:42:20,460 --> 00:42:25,560
ومش شرط يكونوا التنتين زي بعض بالمناسبة ممكن تكون

606
00:42:25,560 --> 00:42:29,840
واحدة DK وواحدة sign وممكن تكون صعب عليكم

607
00:42:29,840 --> 00:42:34,620
تشوفوا اللي هو التناقص ال sign أو اللي هو مثلًا ال

608
00:42:34,620 --> 00:42:38,240
exponential DK هذا اللي هو التناقص صعب يعني

609
00:42:38,240 --> 00:42:42,150
ترسموها فعلًا بتلتخموا وهذا بيصير طبعًا عادي ما فيش

610
00:42:42,150 --> 00:42:47,450
فيها مشكلة فبتصير الملاحظة ومن هنا أنا ما عقد أعتقد

611
00:42:47,450 --> 00:42:51,690
هدول اليه ومن هنا بتيجي الخبرات ومن هنا أنت

612
00:42:51,690 --> 00:42:55,670
بتعمليش fitting لـ model واحد بتعملي أكتر من model

613
00:42:55,670 --> 00:43:00,350
إنك شاكة طيب هذا ال simulation لـ perfect يعني

614
00:43:00,350 --> 00:43:05,410
situations فمثلًا الحالة اللي عندي أنا هنا اعمل

615
00:43:05,410 --> 00:43:11,240
autoregressive order واحد والله الـ .. الوجد أدركني

616
00:43:11,240 --> 00:43:16,140
ما في وجد كثير ضايق المشكلة

617
00:43:16,140 --> 00:43:18,720
أنه رابط المحاضرة هذه مع المحاضرة الجاية بيصير

618
00:43:18,720 --> 00:43:25,660
بايخ لإنه عمليًا الموضوع شبه خلص صح؟ وهذا عمليًا إن

619
00:43:25,660 --> 00:43:29,460
إحنا عملناه ما بعرف أمر عليهم المرة الجاية بسرعة

620
00:43:29,460 --> 00:43:34,740
شديدة وخلصنا آه؟ على افتراض إنه إحنا مغطينهم طبعًا

621
00:43:34,740 --> 00:43:38,820
الرسم هذه لل season خلاص بقعدتكم يعطيكوا لها

622
00:43:38,820 --> 00:43:39,460
فاعلية اليوم