1
00:00:20,770 --> 00:00:24,330
بسم الله الرحمن الرحيم طيب احنا يا بنات بعد ما

2
00:00:24,330 --> 00:00:29,570
شرحنا اللي هو stationary و حكينا عن ال white noise

3
00:00:29,570 --> 00:00:33,270
خلينا نيجي نشوف كيف ممكن لو ال data ما كانتش

4
00:00:33,270 --> 00:00:38,930
stationary فطبعا من الطرق الشائعة انه نخلي ال data

5
00:00:38,930 --> 00:00:41,190
stationary و اتفقنا ان هو اللي بيحب ال stationary

6
00:00:41,190 --> 00:00:44,820
الاحنا بدنا ياها تكون stationary الدنيا فمن الطرق

7
00:00:44,820 --> 00:00:48,760
الشائعة لإنه نحولها إلى stationary هو اللي شرحناها

8
00:00:48,760 --> 00:00:52,880
زمان مثلا نعمل De-trend بتعرفوا يوم عملنا decompose

9
00:00:52,880 --> 00:00:55,660
لل series و واحدة من ال components كان يومها لل

10
00:00:55,660 --> 00:00:57,680
trend اللي هو اللي بيخلي اللي هو ال series مش ال

11
00:00:57,680 --> 00:01:02,310
stationary فمثلا ممكن نعمل detrend يعني remove ال

12
00:01:02,310 --> 00:01:06,170
trend بعد ما نعمل estimation بال regression ماشي

13
00:01:06,170 --> 00:01:10,930
مركبة اتجاه العام هذه مصبوغ ال trend او ممكن نعمل

14
00:01:10,930 --> 00:01:13,970
differencing و حكينا الطريقتين يومها و كذا بتذكروا

15
00:01:13,970 --> 00:01:16,490
و قلتلكوا هنيجي نحكي عن ال differencing فيما بعد

16
00:01:16,490 --> 00:01:20,090
كذا ذا ذكرينه ع السريع حكيته في ذاك الوقت اللي

17
00:01:20,090 --> 00:01:22,530
هالهان يا بنات في فرق بين detrend و بين main

18
00:01:22,530 --> 00:01:26,350
differencing و هذا المثال اللي أمامي بيبين أنه فعلا

19
00:01:26,350 --> 00:01:29,070
فيه فرق و كلا هما بالمناسبة بيخلوا ال series

20
00:01:29,070 --> 00:01:32,810
stationary بس في واحد بيخلها أكثر من التاني أو بت

21
00:01:32,810 --> 00:01:37,470
.. بيعمل يعني .. إيش بدحكيها .. كيف بدح .. يعني

22
00:01:37,470 --> 00:01:40,430
بيعمل اللي هو ال trend بي .. بيشيله بشكل أوضح من

23
00:01:40,430 --> 00:01:43,150
الآخر فمثلا المثال اللي أمامي هذا بيحكي عن ال

24
00:01:43,150 --> 00:01:49,760
global temperature للسنوات من ال 1880 ل 2009 مثلا

25
00:01:49,760 --> 00:01:53,200
على افتراض ان ال model افترضناها هنا ان XT بتساوي

26
00:01:53,200 --> 00:01:58,320
Beta Zero زائد Beta واحد في T زائد Epsilon T تمام هيك

27
00:01:58,880 --> 00:02:01,420
فلو بدي اعمل De-trend طبعا انتوا عارفين اللي لو

28
00:02:01,420 --> 00:02:03,740
ما قدش اقولكوا احكي في التفاصيل اللي حكيناها السابق

29
00:02:03,740 --> 00:02:06,440
عن كيف نعمل estimation لل trend فال trend إذا

30
00:02:06,440 --> 00:02:09,220
بتذكر هو عبارة عن ال linear model linear

31
00:02:09,220 --> 00:02:12,380
regression simple linear regression اللي بربط

32
00:02:12,380 --> 00:02:16,580
العلاقة ال T مع مين مع ال XT و بعمل estimator لمين

33
00:02:16,580 --> 00:02:22,700
ل beta not hat و beta one hat مصبوغ عملنا المهم فلو

34
00:02:22,700 --> 00:02:26,080
بدي اعمل De-trend يعني remove لل trend فكيف بتصير

35
00:02:26,080 --> 00:02:31,820
بطرح اللي هو مين Xt ناقص X hat تمام فهذا اللي

36
00:02:31,820 --> 00:02:35,660
بيطلع ال residual زي ما شايفين ال E hat هي عبارة

37
00:02:35,660 --> 00:02:41,400
عن Xt ناقص مين اللي هي طبعا Xt بالمناسبة ما هي Xt

38
00:02:41,400 --> 00:02:45,020
هي ها اللي هي ها كلها اللي هي Beta Zero زائد Beta

39
00:02:45,020 --> 00:02:51,420
واحد في T زائد مين بتطرحها من مين؟ من X hat التي هي

40
00:02:51,420 --> 00:02:56,160
مين؟ Beta Zero hat زائد Beta طبعا فيه زائد

41
00:02:56,160 --> 00:03:00,380
فبتصير ناقص فناقص Beta واحد hat T تمام يعني؟ هذا

42
00:03:00,380 --> 00:03:04,420
اسم ال trend فطبعا الآن بالنسبة لل differencing

43
00:03:04,420 --> 00:03:10,300
اللي هو عبارة عن الفرق بين مين؟ XT و XT ناقص T

44
00:03:10,300 --> 00:03:14,160
واحد صح طيب هلأ الرسمة اللي أمامنا من الفوق خالص

45
00:03:14,160 --> 00:03:16,820
هي رسمة ال series الأصلية مع اللي هو ال regression

46
00:03:16,820 --> 00:03:20,780
line اللي أنتوا شايفينه ال trend line هذا طبعا ال

47
00:03:20,780 --> 00:03:23,980
series الأصلية واضح أنه أصلا مش stationary و لا شو

48
00:03:23,980 --> 00:03:28,240
رأيكم مش stationary لأنها بتزداد مع تزايدها ففي

49
00:03:28,240 --> 00:03:33,540
trend واضح لما نعملنا De-trend هي الرسمة الوسطانية

50
00:03:33,540 --> 00:03:39,290
هذه عارفين الرسمة هذه كيف حصلتوا عليها فرق بين مين

51
00:03:39,290 --> 00:03:43,450
و مين اللي هو هاي بين ال XT و بين مين X hat X hat

52
00:03:43,450 --> 00:03:48,070
ايه نعم هلأ واضح انه فيه stationary بس واضح انه

53
00:03:48,070 --> 00:03:52,290
فيه شوية فيه trend هي لو طلعته لو كبرت رسمه كمان و

54
00:03:52,290 --> 00:03:57,210
كمان ما بعرف بتلاقيه بطريقة يعني ال trend موجود بس

55
00:03:57,210 --> 00:04:02,990
إيش ضعيفة اه لكن لما نعملنا ال differencing

56
00:04:02,990 --> 00:04:08,660
فبنلاقي الرسم الأخير ال differencing اه إذا انتوا

57
00:04:08,660 --> 00:04:11,640
حطوا في بالكم ال differencing ما بيعملش نفس اللي

58
00:04:11,640 --> 00:04:14,820
بيعملوا مين ال De-trend او ال De-trend ما بيعملش

59
00:04:14,820 --> 00:04:18,020
نفس اللي بيعملوا مين ال differencing ولذلك انتوا

60
00:04:18,020 --> 00:04:21,200
لو انتوا خيرتوا بين اللي هو الرسمة الوسطانية و بين

61
00:04:21,200 --> 00:04:24,260
الأخرية مين بتختاروا فكركم؟ اه okay يعني ال

62
00:04:24,260 --> 00:04:27,180
differencing يبقى الشائع في الحياة انه بيعملوا مين

63
00:04:27,180 --> 00:04:31,360
هم اي نعم صحيح طب إيش اللي بيصير؟ بصراحة ال

64
00:04:31,360 --> 00:04:34,600
differencing بضيع ال trend كله بضيع ال T حرف ال T

65
00:04:34,600 --> 00:04:39,530
هذا ال time بضيعه لكن ال De-trend هذا لو طلعته عليه

66
00:04:39,530 --> 00:04:45,650
عشان هنا estimator ال beta واحد hat estimator وهذه

67
00:04:45,650 --> 00:04:50,250
ال beta الأصلية واحد فلما تطرحهم من بعض بيطلعوا زي

68
00:04:50,250 --> 00:04:54,890
بعض بالظبط يعني مش zero مش zero ففين لما يكون ال T

69
00:04:54,890 --> 00:04:58,710
موجودة هتطلع Beta واحد ناقص Beta واحد hat فاهمين شو بحكيها؟ فطرحهم لما انطرحتوا انتوا XT

70
00:05:04,470 --> 00:05:12,750
لما انطرحتوا من X hat اللي هي فهذه XT فيها جواها

71
00:05:12,750 --> 00:05:18,110
ال beta 1 hat طبعا فيها Beta 0 فيها Beta 1 مضروبة

72
00:05:18,110 --> 00:05:22,510
في T فال Beta 1 اللي مضروبة في T مع ال Beta 1 hat

73
00:05:22,510 --> 00:05:26,570
هدول لما نطرحهم مع بعض للأسف إلا ما يبقى جزئية في

74
00:05:26,570 --> 00:05:30,410
من؟ في ال T مصبوغ؟ يعني ال time ايه اللي ما ت لجوه

75
00:05:30,410 --> 00:05:33,890
وإن كان خفيف جدا جدا يعني يكاد يكون zero بس مش

76
00:05:33,890 --> 00:05:37,490
zero بالظبط هذا ال De-trend ولذلك ال De-trend

77
00:05:37,490 --> 00:05:41,030
بيضيعش ال trend مائة بالمائة ليش؟ لأن هو من الأساس

78
00:05:41,030 --> 00:05:44,990
يا شيفنا فيه دلوقت ال differencing بيضيع ال

79
00:05:44,990 --> 00:05:49,490
trend ماشي؟ ولذلك في الحياة بيعملوا هم مين ال

80
00:05:49,490 --> 00:05:51,930
differencing خلاص بيضيع اللي هو هيو حتى الرسم

81
00:05:51,930 --> 00:05:55,110
الأخير هو بينت هذا الكلام ولو شفته بالمناسبة ال

82
00:05:55,110 --> 00:06:00,450
ACF لو شفت رسمة ال ACF لتلت رسمات اللي هتكونوا

83
00:06:00,450 --> 00:06:05,630
موجودين أمامي ألوهم الرسمة الأولى لل data الأصلية

84
00:06:05,630 --> 00:06:11,930
ستجدوا أنه واضح ال ACF هذا أنه في عندي correlation

85
00:06:11,930 --> 00:06:17,810
هذا و بالمناسبة هذا فيما بعد نسميه long memory لما

86
00:06:17,810 --> 00:06:20,690
يكون عندي رسمة ال ACF بالشكل هذا بيسموها long

87
00:06:20,690 --> 00:06:25,970
memory اللي هي ال random walk المهم احنا هنجي ان

88
00:06:25,970 --> 00:06:31,670
شاء الله و قربنا جدا ليله فواضح انه في هنا trend

89
00:06:31,670 --> 00:06:35,370
واضح او خلينا نقول في correlation واضح لما نعمل

90
00:06:35,370 --> 00:06:39,510
طوله De-trend واضح انه De-trend مضيعش ال

91
00:06:39,510 --> 00:06:44,410
correlation لإن هم في خطوط الخزرق هدول في لسه في

92
00:06:44,410 --> 00:06:49,410
مع فوجه مع ال deal مازال في correlation صح؟ يعني

93
00:06:49,410 --> 00:06:53,390
مخليهاش white noise ما خلّهاش white noise ما خلّهاش

94
00:06:53,390 --> 00:06:57,330
مئة بالمئة stationary لكن لو طلعته على مثلا ال

95
00:06:57,330 --> 00:07:02,270
first differences الفرقات اللي .. فتجدوا أنه إلى

96
00:07:02,270 --> 00:07:05,890
حد ما .. هي مش white noise هذه بصراحة هذه مش white

97
00:07:05,890 --> 00:07:09,450
noise طالما أن هذا علاج هذا الأولاني عدى الخط

98
00:07:09,450 --> 00:07:13,430
الأزرق فهي مش white noise هذه هنشوف أنها moving

99
00:07:13,430 --> 00:07:18,520
average ماشي هذه مش white noise شكلها moving

100
00:07:18,520 --> 00:07:22,100
average المهم احنا مش مشكلتنا بس هي قريبة ان تكون

101
00:07:22,100 --> 00:07:25,460
مالها white noise او خلينا نقول التعامل معها بيكون

102
00:07:25,460 --> 00:07:29,820
ألطف من التعامل مع المين مع اللي فوق منها ماشي طيب

103
00:07:29,820 --> 00:07:36,330
نأتي الآن ل اللي هو مفاهيم جديدة وهي لب الإحصال ل

104
00:07:36,330 --> 00:07:39,670
ال time series أنا وهي ال ARMA model و الحلقة

105
00:07:39,670 --> 00:07:43,170
الخاصة منها اللي هي ال auto-regressive model AR

106
00:07:43,170 --> 00:07:47,790
model و ال moving average model MA model تمام و من

107
00:07:47,790 --> 00:07:51,900
ثم نحكي عن ال ARIMA model و طبعا ال ARIMA و ال ARIMA

108
00:07:51,900 --> 00:07:54,920
seasonal و نشوف كيف ان شاء الله فيما بعد نستخدمهم في

109
00:07:54,920 --> 00:07:58,440
ال forecasting طبعا هذه المحاضرة ستكون هي سلسلة من

110
00:07:58,440 --> 00:08:01,960
محاضرات حتى نغطي هذه المواضيع كلها اللي هي ال

111
00:08:01,960 --> 00:08:05,880
linear process معاها ماشي لحد ما نخرجها في عند

112
00:08:05,880 --> 00:08:12,520
اللي هو ال ARIMA و بنبدأ بعديها في سلسلة أخرى خلينا

113
00:08:12,520 --> 00:08:15,360
نركز مثلا في البداية نحكي على ال autoregressive ثم

114
00:08:15,360 --> 00:08:20,570
ال moving average ثم ال ARMA و ننتقل بعد ذلك خطوة

115
00:08:20,570 --> 00:08:24,610
إلى بعد ذلك لل ARIMA و ال ARIMA و نشوف إيش

116
00:08:24,610 --> 00:08:28,910
بنلسوا فهذه هي المحاضرة الأولى في السلسلة هذه

117
00:08:28,910 --> 00:08:32,270
المحاضرات يمكن تلت أربع محاضرات يمكن أجل الله علم

118
00:08:32,270 --> 00:08:35,470
فال linear model اللي بنحكي عنه for stationary

119
00:08:35,470 --> 00:08:38,530
time series without a trend or seasonal effect

120
00:08:38,530 --> 00:08:42,630
that is if necessary any trend or seasonal or

121
00:08:42,630 --> 00:08:45,170
cyclic effect have been removed واضح الكلام

122
00:08:45,170 --> 00:08:50,240
المكتوب؟ يعني احنا عملنا decompose و عملنا remove و 

123
00:08:50,240 --> 00:08:54,040
خلينا ال series خالية من أي مين أي components

124
00:08:54,040 --> 00:08:56,780
بيعملوها ال series مش stationary زي مين زي ال 

126
00:08:56,780 --> 00:09:00,260
trend و زي ال season و زي ال cycle فال most

127
00:09:00,260 --> 00:09:03,580
important special case for linear process هم عبارة

128
00:09:03,580 --> 00:09:07,220
عن ال auto regressive model ال moving average

129
00:09:07,220 --> 00:09:10,580
modelو ال auto-regressive moving average model

130
00:09:10,580 --> 00:09:15,040
اللي هو ARMA و من ثم يعني هذه فيما بعد حلم شوية

131
00:09:15,040 --> 00:09:18,260
لقدام اللي هو auto-regressive integrated moving

132
00:09:18,260 --> 00:09:21,840
average model اللي هي ال ARIMA و حقيقة فيه السريمة

133
00:09:21,840 --> 00:09:25,260
بس السريمة لها علاقة بال seasonal بال seasonal

134
00:09:25,260 --> 00:09:28,900
فعشان هيك أنا محطتهاش هان طبعا هدولة ال models

135
00:09:28,900 --> 00:09:33,120
ممكن فيما بعد نعملهم modeling هالجهة و من ثم

136
00:09:33,120 --> 00:09:37,810
نستخدمهم في ال forecasting ماشي؟ نبلش نحكي على أول

137
00:09:37,810 --> 00:09:43,030
واحد منهم اللي هو مين ال auto-regressive model في

138
00:09:43,030 --> 00:09:46,390
ناس بتسميه auto-regression model هلأ هذه الحالة ال

139
00:09:46,390 --> 00:09:49,070
slide اللي أمامكوا هي الحالة العامة أنا الصراحة

140
00:09:49,070 --> 00:09:51,630
قبل ما ابلش في الحالة العامة أيه لخاطر اني أنا اجا

141
00:09:51,630 --> 00:09:56,110
فلون عشان نصل للحالة العامة اللي أمامكوا هاي نشوف

142
00:09:56,110 --> 00:10:00,810
كيف حالة حالة خاصة فنبلش نحكي ب auto-regressive of

143
00:10:00,810 --> 00:10:07,030
order واحد طبعا هذا بالمناسبة اسمه autoregression

144
00:10:07,030 --> 00:10:11,750
أو autoregressive و هنشوف ليش الاسم أيه هي model

145
00:10:11,750 --> 00:10:21,350
of order واحد تمام؟ فكرته هذا بإنه بيعمل regression

146
00:10:21,350 --> 00:10:26,070
بيعمل معادلة تربط اللي هي السلسلة في الوقت الزمن

147
00:10:26,070 --> 00:10:30,490
الحالي يعني مربوطا في الزمن السابق منه ماشي

148
00:10:30,490 --> 00:10:33,430
بتعرفوا معادلة انحضار انتوا اللي بيربط X و Y مع

149
00:10:33,430 --> 00:10:37,990
بعض متغيرين واحد اسمه X واحد اسمه Y هجيت هدول

150
00:10:37,990 --> 00:10:41,410
المتغيرين عادة الآن في ال auto regressive هم نفسهم

151
00:10:41,410 --> 00:10:46,710
نفس المتغير ولكن عند الزمن T وعند الزمن اللي بسبقه

152
00:10:46,710 --> 00:10:51,930
ولذلك جاءت الكلمة auto regression هو regression بس

153
00:10:51,930 --> 00:10:56,370
على نفسه فالمعادلة تبعة الانحضار هنا هي Xt عند

154
00:10:56,370 --> 00:11:02,810
الزمن T هو عبارة عن في أو في في Xt ناقص واحد زائد

155
00:11:02,810 --> 00:11:08,410
epsilon T طبعا epsilon T هي ال white noise process

156
00:11:08,410 --> 00:11:12,590
اللي ال mean لها مثلا zero و ال variance لها sigma

157
00:11:12,590 --> 00:11:18,870
تربيع تمام؟ يا فبدل ما يكون x و y بيكون هنا x عند

158
00:11:18,870 --> 00:11:23,590
الزمن t ناقص واحد و x عند الزمن t نحيا طبعا هذا لو

159
00:11:23,590 --> 00:11:27,430
أنا سألت واحدة منكم كيف ممكن تكتبوه بال backshift

160
00:11:27,430 --> 00:11:33,190
operator هتكتبوه بال backshift operator كيف واحد

161
00:11:33,190 --> 00:11:40,180
minus مش تعلمنا المحاضرة السابقة في ال b نفتح قوس XT

162
00:11:40,180 --> 00:11:45,360
شو بيساوي Epsilon T مش هذا هو هذا الآن؟ بالأمس

163
00:11:45,360 --> 00:11:49,960
اتعلمنا هيك فلو انت وزعت ال XT مش هو بيصير هي و

164
00:11:49,960 --> 00:11:54,080
السالب بتروح الطرف الأيسر على اليمين عفوا بيصير هي

165
00:11:54,080 --> 00:12:00,610
طيب أو فينا نكتبه بالطريقة هاي بنعمل هو polynomial

166
00:12:00,610 --> 00:12:07,710
شكلها هيك في أو big في ال order إلها واحد of B XT

167
00:12:07,710 --> 00:12:15,110
تساوي YT حيث أن حيث أن نكتب where ال في هذه ال big

168
00:12:15,110 --> 00:12:21,490
في أو في سميها كما شئتي هم بيسموها في بصراحة واحد

169
00:12:21,490 --> 00:12:28,360
ناقص في ال B تمام هي؟ يعني هي عبارة عن first order

170
00:12:28,360 --> 00:12:32,780
of polynomial of first order ده كثيرة حدود من

171
00:12:32,780 --> 00:12:36,840
الدرجة الأولى، معادلة خطية، مصبوح؟ يا بنات فاهمين

172
00:12:36,840 --> 00:12:42,780
بحكيها؟ يعني أنا الآن، هذا الآن فيه هو أكتبه هيك،

173
00:12:42,780 --> 00:12:48,340
فيه أكتبه هيك أو فوق، تمام هيك؟ فإذا انتوا الآن،

174
00:12:48,340 --> 00:12:51,930
هذا أصبح الآن ال auto-regressive of وش؟ طب لو بدي

175
00:12:51,930 --> 00:12:57,250
أعمل order one طب لو بدي أعمل order one طب لو بدي

176
00:12:57,250 --> 00:13:06,430
أعمل order one طب 

177
00:13:06,430 --> 00:13:06,710
لو بدي أعمل order one طب لو بدي أعمل order one طب

178
00:13:06,710 --> 00:13:08,050
لو بدي أعمل order one طب لو بدي أعمل order one طب

179
00:13:08,050 --> 00:13:11,150
لو بدي أعمل order one طب لو بدي أعمل order one طب

180
00:13:11,150 --> 00:13:13,570
لو بدي أعمل order one طب لو بدي أعمل order one طب

181
00:13:13,570 --> 00:13:15,330
لو بدي أعمل order one طب لو بدي أعمل order one طب

182
00:13:15,330 --> 00:13:17,070
لو بدي أعمل order one طب لو بهي ال white noise

183
00:13:17,070 --> 00:13:22,410
process أو error term هي zero و sigma تربيع ال mean

184
00:13:22,410 --> 00:13:26,010
و ال variance، تمام؟ شوية دي يعني معناها؟ معناها

185
00:13:26,010 --> 00:13:30,730
أنه احنا رابطنا اللي هي ال series عند الزمن T ب

186
00:13:30,730 --> 00:13:34,810
mean بزمانين اللي جاب المنهى، مظبوط؟ linear

187
00:13:34,810 --> 00:13:39,050
combination، بربط مين؟ الزمانين السابقين مع بعضهم

188
00:13:39,050 --> 00:13:43,210
البعض ليعطيه نية تنبؤان لمين؟ للزمن اللي هو في

189
00:13:43,210 --> 00:13:47,030
الوقت الحالي أو الزمن المستقبلي، مش هيك؟ فعشان هيك

190
00:13:47,030 --> 00:13:50,370
اسمه auto regression، regression هو، بس auto مع

191
00:13:50,370 --> 00:13:55,100
نفسه، head of order مين؟ تنين طب فيكي تكتبوه بال

192
00:13:55,100 --> 00:14:02,300
back word في operator كيف شو هو واحد معاقز في واحد

193
00:14:02,300 --> 00:14:07,780
بي minus في تنين ب تربيع مش هيك فمين اكس تين

194
00:14:07,780 --> 00:14:12,960
بيساوي أبسلون تين على هذا فينا نكتبه زي الآن هيك

195
00:14:12,960 --> 00:14:16,440
باللي هو ال polynomial بس polynomial of أي degree

196
00:14:16,440 --> 00:14:20,900
ديجريت تانية مصبوط شو يعني يعني ممكن اكتب هيك في

197
00:14:20,900 --> 00:14:22,500
اتنين

198
00:14:24,240 --> 00:14:27,420
أتمنى أن يكون واضح على الكتابة أو على اللوح يكون

199
00:14:27,420 --> 00:14:31,680
واضح في تنين ال بي شو بيساوي of XT طبعا شو بيساوي

200
00:14:31,680 --> 00:14:38,340
epsilon T وحيث أن ال في تنين هذه ال polynomial of

201
00:14:38,340 --> 00:14:43,360
the degree أيه؟ polynomial كثيرة حدود من درجة مين

202
00:14:43,360 --> 00:14:49,900
شو يعني؟ واحد ناقص في بي طبعا في واحد minus five

203
00:14:49,900 --> 00:14:54,980
تنين بي تربيع ماشي الحال طبعا هذه درجة كثيرة حدود

204
00:14:54,980 --> 00:14:58,920
بس بدلالة ال X ال X ولا ال B ال B اه ال B اللي هو

205
00:14:58,920 --> 00:15:05,060
ال backward ماشي الحال in general شو in general

206
00:15:05,060 --> 00:15:09,800
هلقيت in general هو اللي على ال computer أمامكم

207
00:15:09,800 --> 00:15:13,140
يلا يقف أقول على ال computer in general

208
00:15:16,310 --> 00:15:22,250
الـ time series with zero mean satisfy أن XT تساوي

209
00:15:22,250 --> 00:15:28,770
شو فاي واحد XT ناقص واحد، فاي تنين XT ناقص تنين

210
00:15:28,770 --> 00:15:34,730
and so on إلى في بي XT-P زائد Epsilon T مظبوط هيك حيث

211
00:15:34,730 --> 00:15:38,110
أن ال Epsilon T is what White noise طبعا معروف

212
00:15:38,110 --> 00:15:41,210
white noise يعني ال mean إلها شوية zero و ال

213
00:15:41,210 --> 00:15:45,430
variance إلها Sigma تربيع و ال Phi هدولة بنسميهم

214
00:15:45,430 --> 00:15:48,110
parameters طب هو ال regression ال parameters ال

215
00:15:48,110 --> 00:15:53,490
parameters تمام هيك و ال I هنا من واحد إلى P بنقول

216
00:15:53,490 --> 00:15:57,310
عنه هذا شبنات Autoregressive شوية process of order

217
00:15:57,310 --> 00:16:03,430
what P و اللي بنرمزله بالرمز أيه عشان ARP إذا ما هو

218
00:16:03,430 --> 00:16:08,650
ال auto-regressive هو regression شوف ميزته بربط

219
00:16:08,650 --> 00:16:15,350
مين المشاهدات عند أسمنا السامر يعني لما بده يحكي

220
00:16:15,350 --> 00:16:18,770
أنا الآن لما أعمل auto-regressive of order تلاتة

221
00:16:18,770 --> 00:16:24,850
شو يعني أيه؟ أنا أقول لك شغلة واحدة، درجات الحرارة في

222
00:16:24,850 --> 00:16:27,730
… مثلا في الوطن العربي طلعت auto-regressive

223
00:16:27,730 --> 00:16:34,670
تلاتة، شو يعني؟ يعني أنا الآن لو عرفت تلت أزمنة

224
00:16:34,670 --> 00:16:39,450
ورا بعض، تلت أيام هي اللي … سبت، أحد، اثنين مثلا،

225
00:16:39,450 --> 00:16:44,690
تلت أيام، سبت، أحد، اثنين، تلت أيام هدولة، بربطهم

226
00:16:44,690 --> 00:16:49,030
مع بعض، ب linear combination معين، مصبوح؟ ففي عندي

227
00:16:49,030 --> 00:16:52,110
ثوابت مربطين في بعض مضروبين عفوا في يوم السبت

228
00:16:52,110 --> 00:16:55,450
مضروب … مضروب في اليوم الأحد و … عشان اتنبأ مين؟

229
00:16:55,450 --> 00:17:00,210
يوم اللي هو مين بيجيومه؟ تلات … يوم الثلاثاء عشان

230
00:17:00,210 --> 00:17:03,090
اتنبأ درجة الحرارة لليوم الثلاثاء، مصبوح؟ إذا

231
00:17:03,090 --> 00:17:07,170
بيكفيني أقرأ في تلات أيام سابقة حتى اتنبأ إيش

232
00:17:07,170 --> 00:17:11,970
اليوم الرابع and so on إذا هي هي فكرة ال auto

233
00:17:11,970 --> 00:17:15,050
-regressive هلأ الآن بال backshift operator كيف

234
00:17:15,050 --> 00:17:18,650
بتكتبوه؟ بتكتبوه حتى و احنا عملنا الحالات الخاصة

235
00:17:18,650 --> 00:17:24,490
صح؟ الحالة العامة يلا كيف؟ هاذي إيش؟ polynomial of

236
00:17:24,490 --> 00:17:31,030
degree what؟ P فبنقول P اه ال P sub P يعني of P بي

237
00:17:31,030 --> 00:17:35,530
هذا P ما احنا للأسف العرب نحكي P و B زي بعض هي sub

238
00:17:35,530 --> 00:17:45,190
ال P of B اه ففي أو فاي sub P of B XT تساوي مين

239
00:17:45,190 --> 00:17:50,990
Epsilon T حيث أن الفاى sub P هي عبارة عن مين

240
00:17:50,990 --> 00:17:56,430
بولنوميل التي هي واحد ناقص فاي واحد ال بى minus

241
00:17:56,430 --> 00:18:01,790
فاي تنين ال بى تربيه and so on حتى فاي sub ال P في

242
00:18:01,790 --> 00:18:05,230
B to the power P مظبوط و هي بولنوميل في degree

243
00:18:05,230 --> 00:18:10,500
واضح هلأ في حاجة أنا الآن بدي أجيب لها محاضرتين أو

244
00:18:10,500 --> 00:18:15,280
تلاتة حتى نيجي نحكي عنها بتفاصيل أكثر هلأ و هي أن

245
00:18:15,280 --> 00:18:18,720
ال auto-regressive هذا ال model لما بدنا يا

246
00:18:18,720 --> 00:18:23,080
stationary يجب أن يحقق هي اللي هي الخاصية بأن

247
00:18:23,080 --> 00:18:28,320
جميع ال roots يعني جميع اللي هو الجذور الحلول

248
00:18:28,320 --> 00:18:32,240
المعادلة اللي هي مين بتابعة الـ Phi هذه اللي هي

249
00:18:32,240 --> 00:18:37,020
واحد minus A Phi واحد of B minus Phi تنين تربيع B

250
00:18:37,020 --> 00:18:41,760
تربيع أفضل إلى حدية Phi P of B تربيع اللي بتساوي

251
00:18:41,760 --> 00:18:47,360
سفر جميع حلولها جميع الجذور يجب أن تكون ما له أكبر

252
00:18:47,360 --> 00:18:52,860
من واحد حتى تكون stationary وفي .. في مبادر اللي

253
00:18:52,860 --> 00:18:57,000
هو الناس بيسموها ال casualty property casual أنا

254
00:18:57,000 --> 00:19:00,100
يعني أنا خاطر أجلها لأنه احنا هناخدها بتفاصيل

255
00:19:00,100 --> 00:19:03,240
نعطيكي شوية models ونقولكي يلا شوفي إن هل هاي ال

256
00:19:03,240 --> 00:19:08,280
series بتطلع auto regressive casual ولا stationary

257
00:19:08,280 --> 00:19:12,180
ولا لأ تمام فوقتها الفرش بس احنا خلينا ناخد

258
00:19:12,180 --> 00:19:15,160
التفاصيل الأساسية و ثم نخش في التفاصيل الدقيقة

259
00:19:15,160 --> 00:19:20,490
فيها سؤال ال auto regressive هذا واضح طيب هلأ الآن

260
00:19:20,490 --> 00:19:23,010
يا بنات فينا الآن ال auto-regressive اللي احنا

261
00:19:23,010 --> 00:19:26,210
كتبناه سواء الحالة الخاصة اللي على اللوح أو اللي

262
00:19:26,210 --> 00:19:29,990
شفتها قبل شوية كان حالة خاصة أن الوسط الحسابي لل

263
00:19:29,990 --> 00:19:33,750
series ذات نفسها سفر فينا نعممها ونقول ال series

264
00:19:33,750 --> 00:19:39,590
ما للوسطها μ in general تمام ها ل μ فكيف

265
00:19:39,590 --> 00:19:44,250
الحالة هي ب that scene طبعا أنا خليني أقرأ اللي

266
00:19:44,250 --> 00:19:47,610
موجود with backshift operator the process اللي هي

267
00:19:47,610 --> 00:19:52,300
هاي واللي هي الـ φ بي هي عبارة عن واحد minus هدى

268
00:19:52,300 --> 00:19:56,440
طبعا ما أنتو فاهمينها هدى احنا حكيتها بصراحة مش 

269
00:19:56,440 --> 00:19:59,340
عارف ليش كمان مرة مكررها هان بس إنما هي شكلها

270
00:19:59,340 --> 00:20:04,180
مكررة خلاص مش مشكلة كده كإني أنا مكررها هلأ حتى

271
00:20:04,180 --> 00:20:08,880
نبلش نحكي عن ال mean إذا ال mean اللي هو ال μ تبع

272
00:20:08,880 --> 00:20:13,340
ال XT يبقى نت مش zero ففي الحالة هدى we replace ال

273
00:20:13,340 --> 00:20:20,160
XT بإيشوفي الحالة هاي we get إيش بدل ما هي XT تساوي

274
00:20:20,160 --> 00:20:25,980
φ واحد XT ناقص واحد، يعني كل XT بدك ترفعيها وتحط 

275
00:20:25,980 --> 00:20:30,580
بدلها 100هو بيعطيكي هذه المعادلة واضحة

276
00:20:30,580 --> 00:20:37,260
هتنقراها XT-μ تساوي مين φ واحد افتح قوس XT

277
00:20:37,260 --> 00:20:42,860
ناقص واحد ناقص μ زائد φ تانين افتح قوس XT

278
00:20:42,860 --> 00:20:49,780
تانين ناقص تانين ناقص μ و هكذا طيب ممكن هذا

279
00:20:49,780 --> 00:20:55,600
نكتبه اللي أنتو شايفينه في دلالة أن الـ α XT

280
00:20:55,600 --> 00:21:00,720
تساوي α زائد φ واحد XT ناقص واحد زائد φ

281
00:21:00,720 --> 00:21:04,980
تنين XT ناقص اتنين و هكذا حيث أن ال α في

282
00:21:04,980 --> 00:21:11,440
الحالة هذه ستكون مين هي ل μ مضروبا في واحد ناقص

283
00:21:11,440 --> 00:21:15,980
يعني أنتو شايفين أنه كأنه بده يقولك هذه ال series

284
00:21:15,980 --> 00:21:20,810
الآن اللي كأنه بتشبه ال series اللي قبل شوية في ال

285
00:21:20,810 --> 00:21:25,350
slide السابقة بس أن ال α المتعلق بمين

286
00:21:25,350 --> 00:21:29,130
بالأوساط الحسابية و لذلك مش big deal هال α هذه

287
00:21:29,130 --> 00:21:33,150
أنه نعتبر أن الوسط الحسابي zero و مش حالنا في

288
00:21:33,150 --> 00:21:36,410
الحياة العملية بنات حتى إذا كانت ال series وسطها

289
00:21:36,410 --> 00:21:41,350
الحسابي لا يساوي سفر ففي مجرد عملية بسيطة رياضية زي

290
00:21:41,350 --> 00:21:44,710
ما أنتو شايفين الآن نقدر نعملها بيخل الوسط

291
00:21:44,710 --> 00:21:50,390
الحسابي ماله سفر مفهوم شوية وبنتعامل مع مين؟ مع ال

292
00:21:50,390 --> 00:21:54,710
series مع وسط صفر فمش قصة كبيرة أن ال μ مش صفر

293
00:21:54,710 --> 00:22:00,010
مجرد مثال بسيط هذا طبعا ال slide هذه التوضيح وهيكم

294
00:22:00,010 --> 00:22:04,030
شايفينها حتى نشوف المثال اللي أمامي هذا شو رأيكم

295
00:22:04,030 --> 00:22:10,560
بال auto-regressive of order 2؟هو ها model اللي

296
00:22:10,560 --> 00:22:16,080
بالشكل هذا Xt بتساوي واحد و نص زائد واحد و اتنين من

297
00:22:16,080 --> 00:22:22,000
عشرة Xt ناقص واحد ناقص نص اسمها يا بنات في ال ..

298
00:22:22,000 --> 00:22:26,260
في التلخيص اللي بين إيديكوا بختلف خفيف أنا زدته

299
00:22:26,260 --> 00:22:29,860
اللي مبارح وأنا بحضرلكوا غيرت رقم مين الرقم اللي

300
00:22:29,860 --> 00:22:33,360
غيرته اه أنتو هذا عندكوا واحد و اتنين أنا عندي

301
00:22:33,360 --> 00:22:37,420
مين؟ واحد و نص عارفين ليش عملتوا؟ وما بفرجش التانية

302
00:22:37,420 --> 00:22:40,500
الصح بس عشان أنتو ما تلتخموش بين الواحد و اتنية

303
00:22:40,500 --> 00:22:42,200
من العشرة اللي هان وبين الواحد و اتنية من العشرة

304
00:22:42,200 --> 00:22:46,660
اللي هان ماشي الهان؟ فأنوا الواحد و اتنية من

305
00:22:46,660 --> 00:22:51,140
العشرة اللي عندكوا تلتخم معايا الواحد و اتنية من

306
00:22:51,140 --> 00:22:53,440
العشرة هذه فهذه واحد و اتنية من العشرة هذه .. لأ

307
00:22:53,440 --> 00:22:57,540
أنا الأها عدلتها خلتها مين؟ واحد و نص وهذه مين؟

308
00:22:57,540 --> 00:23:01,160
عشان ما تلتخموش بس مش أكتر فكلها هو ما صح مش قصة

309
00:23:01,160 --> 00:23:03,840
كبيرة المهم حتى نشوف المثال اللي على اللوح الآن

310
00:23:03,840 --> 00:23:08,360
أمامي اللي على الكمبيوتر الأمين شاف أمين ال α

311
00:23:08,360 --> 00:23:15,420
حسب اللي ما .. يعني الآن لو أنا عمل zoom out صحيح

312
00:23:15,420 --> 00:23:18,800
هي هذه واحد و نص طب حسب التعريف لل α شو ال

313
00:23:18,800 --> 00:23:21,980
α بتقول ال α وينها ال α ال α هي

314
00:23:21,980 --> 00:23:27,440
عبارة عن مين ال μ مضروبا فيه واحد ناقص φ واحد من

315
00:23:27,440 --> 00:23:34,630
هي φ واحد واحد و اتنين ناقص φ اتنين صح؟ يعني

316
00:23:34,630 --> 00:23:38,970
أكتب الآن أرفع اللتي هي مين يا بنات واحد و نص

317
00:23:38,970 --> 00:23:46,910
تساوي μ المجهولة مضروبا في واحد ناقص واحد و

318
00:23:46,910 --> 00:23:54,650
اتنين ناقص ناقص ناقص ناقص ناقص اه النص فجدش بيطلع

319
00:23:54,650 --> 00:23:59,930
هدول واحد ناقص واحد و اتنين من عشرة زائد نص جدش

320
00:23:59,930 --> 00:24:06,020
بيطلعوا كلهم تلاتة من عشرة مصبوط فإذا α التي هي

321
00:24:06,020 --> 00:24:13,400
واحد و نص تساوي μ ضد مين تلاتة من عشرة يبقى ما هي

322
00:24:13,400 --> 00:24:18,820
ال μ واحد و نص على تلاتة من عشرة بيطلع خمسة يبقى

323
00:24:18,820 --> 00:24:22,060
الآن ال series هذه اللي هي هي هيك شايفينها هي ال

324
00:24:22,060 --> 00:24:30,100
mouse أصبحت الآن كيف بتنكتب بتنكتب هيك ألا وهي XT

325
00:24:30,100 --> 00:24:36,640
ناقص خمسة بتساوي واحد و اتنين من عشرة في Xt ناقص

326
00:24:36,640 --> 00:24:44,540
واحد ناقص خمسة ناقص نص افتح قوس Xt ناقص اتنين ناقص

327
00:24:44,540 --> 00:24:50,360
خمسة زائد مين ε تين عارفين من الخمسة هذا الوسط

328
00:24:50,360 --> 00:24:54,420
فإذا أصبحت ال series بدلالة الوسط الحسابي هي من

329
00:24:54,420 --> 00:24:56,760
يحيط في مشكلة

330
00:25:01,170 --> 00:25:06,350
خلاص خلصنا نأتي الآن إلى يا ترى كيف ممكن يكون شكل

331
00:25:06,350 --> 00:25:09,810
ال auto-regressive ها of order واحد لو عملنا له

332
00:25:09,810 --> 00:25:13,730
simulation طبعا هذا ال code بيعمل simulation ال

333
00:25:13,730 --> 00:25:16,590
function في ال R اللي بتعمل simulation من ال auto

334
00:25:16,590 --> 00:25:21,030
-regressive model هي اسمها arima.sim في function

335
00:25:21,030 --> 00:25:25,510
build in R اسمها arima.sim طبعا ال seed احنا حكينا

336
00:25:25,510 --> 00:25:29,550
عنه المحاضرة السابقة صح فقلنا لو أنتو حاطيت نفس

337
00:25:29,550 --> 00:25:34,370
ال seed هذا اللي هو واحد اتنين تلت بيطلعلك نفس مين

338
00:25:34,370 --> 00:25:38,470
اللي بيطلع معاكي هذه الكاروسومات هلأ الآن ال

339
00:25:38,470 --> 00:25:43,450
function اسمها arima.sim في ال R عدد المشاهدات

340
00:25:43,450 --> 00:25:47,810
اللي بديهم اللي هو طول السلسلة Length of the series

341
00:25:47,810 --> 00:25:54,630
كم قيمة 100 هنا الآن ال order اللي أنا بعمله

342
00:25:54,630 --> 00:26:00,990
simulation واحد تدل على مين ال auto-regressive هذا

343
00:26:00,990 --> 00:26:03,950
الأولاني ال order يا بنات في اللي هو ال function

344
00:26:03,950 --> 00:26:08,470
اسمها arima.sim أول

345
00:26:08,470 --> 00:26:12,690
واحد له علاقة بال auto-regressive الأخراني له

346
00:26:12,690 --> 00:26:17,000
علاقة بال moving average اللي هناخده كمان شوية

347
00:26:17,000 --> 00:26:21,840
الوسطاني أنه علاقة بالاريمة وليس الارمة بال I حرف

348
00:26:21,840 --> 00:26:25,640
الـ I هذا تبع الاريمة لما نصير اريمة يعني ال

349
00:26:25,640 --> 00:26:31,560
differences اه فاحنا إلى الآن ما بنحكي اللي عن

350
00:26:31,560 --> 00:26:35,300
auto-regressive ايش ال order؟ جدش؟ واحد إذا هاي

351
00:26:35,300 --> 00:26:41,580
واحد مين هو اللي هو ال parameter اللي بدي 8 من 10

352
00:26:41,580 --> 00:26:45,630
هيها ال series يا بنات هيها مكتوبة فوق XT شو بتساوي

353
00:26:45,630 --> 00:26:51,750
ثمانية من عشرة XT ماجس واحد زائد Epsilon T هذا ال

354
00:26:51,750 --> 00:26:55,130
code بيعمل simulation من series بالشكل هذا ماشي

355
00:26:55,130 --> 00:27:01,690
الحال شو يعني بولد مشاهدات يعني يعني قيم ماشي من

356
00:27:01,690 --> 00:27:07,470
هذه السلسلة ورسماتهم أمامكم أول رسمة رسمة ال series

357
00:27:07,470 --> 00:27:10,730
ذات نفسها اللي عملنا لها simulation الرسمة التانية

358
00:27:10,730 --> 00:27:13,330
هي رسمة ال auto correlation الرسمة الأخيرة هي ال

359
00:27:13,330 --> 00:27:15,170
partial auto correlation ال partial لحد اللي

360
00:27:15,170 --> 00:27:18,690
ما حكيناش عنه بالتفصيل ولكن أنا خليني أنا على

361
00:27:18,690 --> 00:27:21,810
السريع أحكي عن رسومتي التلاتة أكبر اعمل ابدأ في

362
00:27:21,810 --> 00:27:26,630
الرسمة الأولى أنا 

363
00:27:26,630 --> 00:27:31,190
أقولك شو اللي بيصير هو قداش ال series كانت

364
00:27:33,870 --> 00:27:39,930
أيوه 8 من 10 يعني يا بنات لو ال XT هذه كانت أول

365
00:27:39,930 --> 00:27:44,670
قيمة واحد تساوي شو بيعمل ال series؟ يعني أتاني

366
00:27:44,670 --> 00:27:51,410
قيمة كيف بده تكون؟ واحد ضرب يعني ثمانية من عشرة

367
00:27:51,410 --> 00:27:57,390
زائد من ال epsilon الذي هو error اللي هو خطأ فمثلا

368
00:27:57,390 --> 00:28:01,170
يعني ال error حد بتروح حوالين ال zero مصبوب؟ بس

369
00:28:01,170 --> 00:28:05,660
ما بعرفوش قداش هو error فمثلا ثمانية من عشرة زائد

370
00:28:05,660 --> 00:28:11,540
عشرة كده هتطلع تسعة من عشرة فاهمين ايه يلا مين

371
00:28:11,540 --> 00:28:15,960
القيمة اللي بعد هيك ثمانية من عشرة ضرب تسعة من

372
00:28:15,960 --> 00:28:19,360
عشرة كده هتطلع تسعة من عشرة كده هتطلع تسعة من عشرة

373
00:28:19,360 --> 00:28:20,760
كده هتطلع تسعة من عشرة كده هتطلع تسعة من عشرة كده

374
00:28:20,760 --> 00:28:21,580
هتطلع تسعة من عشرة كده هتطلع تسعة من عشرة كده

375
00:28:21,580 --> 00:28:24,240
هتطلع تسعة من عشرة كده هتطلع تسعة من عشرة كده 

376
00:28:24,240 --> 00:28:29,580
هتطلع تسعة من عشرة كده هتطلع تسعة من عشرة كده

377
00:28:29,580 --> 00:28:33,900
هتطلع مثلا بيطلع سبعة من عشرة مثلا مثلا ما تشيليها

378
00:28:33,900 --> 00:28:37,920
سبعة من عشرة يلا اللي بيقعد هيك مين هتكون أربعة من

379
00:28:37,920 --> 00:28:44,820
عشرة ضرب سبعة من عشرة 56 زائد مثلا ال

380
00:28:44,820 --> 00:28:48,940
epsilon هذه التي مثلا من عشرة قد ايش بيطلع يعني

381
00:28:48,940 --> 00:28:52,700
المهم هو كذا يبقى لو طلعتوا أنتم على الرسم اللي

382
00:28:52,700 --> 00:28:57,320
طلعها هان ستجدون

383
00:28:57,320 --> 00:29:01,910
أنه هو شو بيسوي بيبدأ من قيمة هانمصبوب؟ بضرب أبو

384
00:29:01,910 --> 00:29:05,050
ثمانية من عشرة بضيف لها error فبيطلع القيمة الجديدة

385
00:29:05,050 --> 00:29:10,610
.. بنحكي؟ بتلاقوه إلى حد ما ماشي بال trend يعني ..

386
00:29:10,610 --> 00:29:14,050
آه .. إلى حد ما ماشي بال trend ماله أو ثمانية من

387
00:29:14,050 --> 00:29:17,610
عشرة مع شوية إيش .. error .. فاهمين شو بحكي؟ يعني

388
00:29:17,610 --> 00:29:19,810
بضرب القيمة اللي .. زي ما بنعمل .. بضرب القيمة اللي

389
00:29:19,810 --> 00:29:22,710
جابت لي ثمانية من عشرة بجمع لها error فبتلاقوه هذا

390
00:29:22,710 --> 00:29:24,630
ال error ما هو .. أنا .. أنا .. ما بقدرش أعمله

391
00:29:24,630 --> 00:29:28,230
control لل error .. ما بقدر .. error ..ما بقدر أعرف

392
00:29:28,230 --> 00:29:31,370
لكن ال error ممكن يطلع فوق ممكن يكون تحت .. بس ال

393
00:29:31,370 --> 00:29:36,470
series بتكون شكلها إلى حد ما يعني ماشية بنمط واحد

394
00:29:36,470 --> 00:29:40,570
.. ماشية بنمط واحد كيف يعني نمط واحد؟ يعني

395
00:29:40,570 --> 00:29:47,550
ما بتلاقوش تذبذبات شديدة واضح؟ طيب اسمه يا بنات ال

396
00:29:47,550 --> 00:29:51,610
auto-regressive model اللي بيحدد لي ال order مش

397
00:29:51,610 --> 00:29:56,910
رسمة ال ACF اللي بيحددها و هناخده إن شاء الله فيه

398
00:29:56,910 --> 00:30:02,690
ما بعد البارشا البارشا البارشا ال auto-regressive

399
00:30:02,690 --> 00:30:07,530
أو ال arch عفوا أنا إيش اسمها البارشا ال ACF رسم

400
00:30:07,530 --> 00:30:12,290
التالت يعني اللي لحد إن أنا ما شرحتوش بتطلعوا عليه

401
00:30:12,290 --> 00:30:18,650
أول واحد بيعدي الخط الأزرق بيحدد ال order تبع ال

402
00:30:18,650 --> 00:30:22,210
auto-regressive متى معدي الخط الأزرق يعني

403
00:30:27,190 --> 00:30:31,410
واحد هي عند الواحد طلعوا أنتم كل الخطوط الزرق هاي

404
00:30:31,410 --> 00:30:34,890
.. الخطين الزرق كلهم مالهم؟ بينهم .. مين أول

405
00:30:34,890 --> 00:30:37,990
واحدة؟ واحدة .. واحدة .. واحدة .. واحدة .. واحدة

406
00:30:37,990 --> 00:30:38,670
.. واحدة .. واحدة .. واحدة .. واحدة .. واحدة ..

407
00:30:38,670 --> 00:30:38,750
واحدة .. واحدة .. واحدة .. واحدة .. واحدة .. واحدة

408
00:30:38,750 --> 00:30:41,090
.. واحدة .. واحدة .. واحدة .. واحدة .. واحدة ..

409
00:30:41,090 --> 00:30:42,630
.. واحدة .. واحدة .. واحدة .. واحدة .. واحدة ..

410
00:30:42,630 --> 00:30:45,230
واحدة .. واحدة .. واحدة .. واحدة .. واحدة .. واحدة

411
00:30:45,230 --> 00:30:50,750
.. واحدة .. واحدة .. واحدة .. واحدة .. واحدة ..

412
00:30:50,750 --> 00:30:56,850
واحدة

413
00:30:57,630 --> 00:31:00,930
أن ال partial auto correlation هو اللي بيحدد ال

414
00:31:00,930 --> 00:31:04,750
order تبع ال auto regressive قد ايش أول واحد هنا

415
00:31:04,750 --> 00:31:09,030
معدي الخط الأزرق عند مين؟ عند الواحد فهذا اللي

416
00:31:09,030 --> 00:31:13,470
بيقترح عليا أن ال model هذا ال model مين هو AR1

417
00:31:13,470 --> 00:31:17,710
auto regressive واحد تمام هنا؟ طيب نشوف رسمة ثانية

418
00:31:17,710 --> 00:31:23,670
يا بنات رسمة auto

419
00:31:23,670 --> 00:31:25,990
regressive of order اثنين وهي ال model تحت

420
00:31:29,880 --> 00:31:35,280
يعني هذا ال code بيعمل إيش ال simulation ال series

421
00:31:35,280 --> 00:31:41,520
آه اوتو ريجرسيف ال model ماله اوتو ريجرسيف و في

422
00:31:41,520 --> 00:31:46,500
order 2 فاهمين ما بحكي هاي ال series طبعا كمان مرة

423
00:31:46,500 --> 00:31:51,580
هنستخدم ال function اسمها مين arima.sim و مثلا 200

424
00:31:51,580 --> 00:31:56,590
مشاهدة عندي و ال order هنا هيكون مين فكركم؟ بنيان

425
00:31:56,590 --> 00:32:01,610
و فيش هنا لا moving average ولا غيره و مين هم ال

426
00:32:01,610 --> 00:32:04,170
parameters تبعات ال auto-regressive؟ هاي هم مين

427
00:32:04,170 --> 00:32:10,110
هم؟ واحد و واحد و مين هي؟ و سالب ثلاثة من عشر صح؟

428
00:32:10,110 --> 00:32:17,270
فبيعمل series لأن طولها قد ايش؟ متين؟ من وين؟ من

429
00:32:17,270 --> 00:32:21,830
auto regressor اللي هيك بالشكل نحيه و هي برسمها

430
00:32:21,830 --> 00:32:25,910
الآن إحنا الرسمة زي ما أنتم شايفين يعني مش هنحكي

431
00:32:25,910 --> 00:32:30,790
فيها كتير لإنه صراحة الفكرة كيف بيسوي هو بيروح بيحط

432
00:32:30,790 --> 00:32:36,510
واحد واحد من عشرة بضربها في قيمة مين ال XT و بضرب

433
00:32:36,510 --> 00:32:40,470
مين ال XT السابقة اثنين القيمة اللي سابقة منها

434
00:32:40,470 --> 00:32:45,970
بضربها بمين سالب ثلاثة و بجمعهم لمين للقرار عشان يطلع لي

435
00:32:45,970 --> 00:32:50,270
مين ال XT و من ثم بيعمل نفس الكلام و بيكرر فبيطلع

436
00:32:50,270 --> 00:32:54,750
له شكل ال series زي هي و أحكي لكم شغل واحدة أنا

437
00:32:54,750 --> 00:32:58,350
لحد دلوقت مش هحكي عن ال ACF هحكي عن مين لحد دلوقت

438
00:32:58,350 --> 00:33:02,210
ال partial وإن كان هحكي عنه فيما بعد بس خليني نطلع

439
00:33:02,210 --> 00:33:04,610
على ال partial اللي هي الرسمة الأخيرة طلعوا على ال

440
00:33:04,610 --> 00:33:07,850
partial يلا شو بتقترح عليكم الآن أما وإن فهمناه

441
00:33:07,850 --> 00:33:08,350
قبل شوية

442
00:33:12,750 --> 00:33:14,150
هلقلقلقلقلقلقلقلقلقلقلقلقلقلقلقلق

443
00:33:18,940 --> 00:33:23,000
ال order أنا اثنين لما نكون ال partial رسمته

444
00:33:23,000 --> 00:33:28,480
فاهمين رسمة ال partial بتطلع عليها و رسمة الخطوط

445
00:33:28,480 --> 00:33:31,860
عندي معدية الزرق بعيد قد ايش الخطوط اللي معدية الزرق

446
00:33:31,860 --> 00:33:36,120
هو كام واحد هنا معدي واحد و اثنين إذا هنا تقترح

447
00:33:36,120 --> 00:33:40,300
علي إن أنا عندي إيش auto regression of model of

448
00:33:40,300 --> 00:33:42,680
order مين اثنين تمام هي

449
00:33:45,540 --> 00:33:48,500
طبعا إحنا هنجي بعد إن شاء الله نشرح ال

450
00:33:48,500 --> 00:33:51,380
autoregulation و حتى هنتطلع عليها و نقول كيف

451
00:33:51,380 --> 00:33:54,800
رسمتها إن هي tail off و ما بعرف منها الكلام بس الآن

452
00:33:54,800 --> 00:33:59,000
أنا مش حابب أحكي فيه التفاصيل على أساس بدي أجله

453
00:33:59,000 --> 00:34:03,240
حتى نبلش نحكي الآن عالميا moving average خلصنا من

454
00:34:03,240 --> 00:34:07,970
ال autoregulation بنبلش نحكي عن مين moving average

455
00:34:07,970 --> 00:34:11,310
model هلا ال moving average model اللي عملناه قبل

456
00:34:11,310 --> 00:34:14,390
شوية على اللوح بيعمل له في مين قبل ما نصل للحالة

457
00:34:14,390 --> 00:34:17,290
العامة اللي عندنا ال computer هتنبلش نحكي على

458
00:34:17,290 --> 00:34:26,710
الحالات الخاصة منه عشان نفهمه كحالة عامة الحالة

459
00:34:26,710 --> 00:34:30,830
الخاصة منه ال moving average في order واحد طبعا

460
00:34:30,830 --> 00:34:32,170
كمان مرة اسمه هذا moving

461
00:34:35,610 --> 00:34:44,650
Average of order طبعا واحد مثلا في الحلقة هذه نكتب

462
00:34:44,650 --> 00:34:50,370
كتابة التالية Xt هي عبارة عن epsilon T زائد في أو في

463
00:34:50,370 --> 00:34:55,210
أو ثيتا عفوا خلينا نسمي رمز جديد ثيتا epsilon T

464
00:34:55,210 --> 00:34:58,530
ناقص واحد حيث أن ال epsilon نفس الشيء اللي بتعرفه

465
00:34:58,530 --> 00:35:04,850
ألاوة هي white noise zero sigma تربيع مين فهمه؟

466
00:35:06,540 --> 00:35:10,560
يعني هذه ال series XT هي ال series بس فين نكتب

467
00:35:10,560 --> 00:35:17,060
بمين؟ linear معادلة خطية بمين؟ بدلالة ال X اللي

468
00:35:17,060 --> 00:35:21,580
قبلها و لا بدلالة الأخطاء ال errors على فكرة

469
00:35:21,580 --> 00:35:25,020
الأخطاء بالمناسبة خليني أنا الآن وإن كان يمكن

470
00:35:25,020 --> 00:35:28,140
بيتهيأ لي حكيته قبل هيك في ناس بيسموها noise أنا

471
00:35:28,140 --> 00:35:34,240
حكيته صح؟ ما حكيت إن اسمه noise؟ يمكن عند

472
00:35:34,240 --> 00:35:38,440
الطلاب أو يمكن إن ما بعرف إن المهم innovation لأ

473
00:35:38,440 --> 00:35:44,000
حكيته بقى في ناس بيسميه innovation في ناس بيسميه

474
00:35:44,000 --> 00:35:49,880
error طبعا تابعون ال econometric الاقتصاد بيسموه

475
00:35:49,880 --> 00:35:57,840
innovation تابعون الفيزيا بيسموه مثلا noise و

476
00:35:57,840 --> 00:36:01,900
تابعون الإحصاء بشكل عام بيسموه error term أو غيره

477
00:36:01,900 --> 00:36:06,680
منيح فنفس الاسم كله المهم زي ما قلت زمانكم هذا

478
00:36:06,680 --> 00:36:11,540
بنكتب بدلالة مين الأخطاء السابقة أو بس كلها ولا

479
00:36:11,540 --> 00:36:16,760
واحد عند أي زمان الزمان السابق و الزمان الحالي

480
00:36:16,760 --> 00:36:20,680
مظبوط هي طبعا هذه لازم ال epsilon T ولكن مين هو

481
00:36:20,680 --> 00:36:23,820
اللي بدل لإنه من أين جاء ال model واحد ال order

482
00:36:23,820 --> 00:36:28,640
عفوا order واحد من وين من الزمان السابق من هاي T

483
00:36:28,640 --> 00:36:32,640
ناقص واحد ماشي الحال طيب بال back shift operator

484
00:36:32,640 --> 00:36:36,360
مين نكتب له بال backshift operator كيف بنكتب هذا

485
00:36:36,360 --> 00:36:44,360
يلا XT شو بتساوي؟ واحد minus شو؟ ثيتا ولا زائد؟

486
00:36:44,360 --> 00:36:52,780
زائد أيوة ثيتا of B في مين؟ epsilon T صح؟ هذا في

487
00:36:52,780 --> 00:36:56,220
ال backshift operator شو رأيكم ممكن نكتبه الآن زي

488
00:36:56,220 --> 00:36:58,940
ما عملنا بال بلنومي يعني مش نكتبه بال بلنومي يلا

489
00:36:58,940 --> 00:37:03,930
يلا XT شو بتساوي؟ ثيتا big theta هذه آه؟ خليني

490
00:37:03,930 --> 00:37:08,990
أعمل big theta of order واحد epsilon t مين تقولي

491
00:37:08,990 --> 00:37:14,550
من هي ال big theta هذي؟ هي عبارة عن polynomial ب

492
00:37:14,550 --> 00:37:18,290
degree واحد، صح؟ يعني linear، التي هي أو line

493
00:37:18,290 --> 00:37:25,750
واحد minus ولا زائد؟ هذا زائد عاد، theta of b هذه

494
00:37:25,750 --> 00:37:28,690
كانت واحد minus، صح؟ هذه واحد زائد

495
00:37:31,650 --> 00:37:35,650
طيب فهمنا مين تقولي الآن moving average of order 2

496
00:37:35,650 --> 00:37:40,030
عشان أوصل للحلقة العامة كمان شوية شو بتساوي Xt

497
00:37:40,030 --> 00:37:46,690
بتساوي epsilon T زي θ واحد الآن عشان فيه اثنتين آه

498
00:37:46,690 --> 00:37:52,910
epsilon T ناقص واحد زي θ اثنين epsilon T ناقص

499
00:37:52,910 --> 00:38:00,030
اثنين و قد ايش epsilon T white noise zero sigma تربيع

500
00:38:01,300 --> 00:38:05,460
طبعا إذا بتحب في ال backshift operator هذا XT

501
00:38:05,460 --> 00:38:12,920
تساوي شو؟ واحد زائد ثيتا واحد of P زائد ثيتا اثنين 

502
00:38:12,920 --> 00:38:20,720
P تربيع مضروبا في epsilon T أو ايش ممكن تكتبيه XT

503
00:38:20,720 --> 00:38:28,720
شو بتساوي؟ big theta of order اثنين epsilon T طبعا

504
00:38:28,720 --> 00:38:34,860
حيث أن الـ big theta هذه of order 2 مين هي بتساوي؟

505
00:38:34,860 --> 00:38:41,100
1 زائد theta 1 of b زائد theta 2 of b تربيع تمام

506
00:38:41,100 --> 00:38:45,300
هي؟ in general الحالة العامة اللي هي ال moving

507
00:38:45,300 --> 00:38:52,080
average of order q هذك of order b هده of order q

508
00:38:52,080 --> 00:38:54,680
ممكن يكون ال b زي ال q طبعا هي اللي موجودة على

509
00:38:54,680 --> 00:38:56,920
الكمبيوتر أمامنا

510
00:39:02,870 --> 00:39:07,930
اللي هي ال time series Xt اللي ال mean إلها ال

511
00:39:07,930 --> 00:39:12,990
zero بتحقق شوية منها اللي بتحقق Xt تساوي epsilon T

512
00:39:12,990 --> 00:39:18,610
زائد ثيتا واحد epsilon T ناقص واحد حتى اوبس المفروض

513
00:39:18,610 --> 00:39:23,590
دي في ... أنا ناسية أكتبهم هنا في هنا ال

514
00:39:23,590 --> 00:39:30,110
... لإنه زائد ثيتا اثنين epsilon T ناقص

515
00:39:30,110 --> 00:39:35,170
اثنين بعدين زائد شوية نقطة ... نقطة ... نقطة ... نقطة

516
00:39:35,170 --> 00:39:35,470
... نقطة ... نقطة ... نقطة ... نقطة ... نقطة ... نقطة ...

517
00:39:35,470 --> 00:39:39,390
نقطة ... نقطة ... نقطة ... نقطة ... نقطة ... نقطة ...

518
00:39:39,390 --> 00:39:42,710
نقطة ...

519
00:39:42,710 --> 00:39:45,530
نقطة ... نقطة ... نقطة ... نقطة ... نقطة ... نقطة ...

520
00:39:45,530 --> 00:39:49,010
نقطة ... نقطة ... نقطة ... نقطة ... نقطة ... نقطة ...

521
00:39:49,010 --> 00:39:51,270
نقطة ... نقطة ... نقطة ... نقطة ... نقطة ... نقطة ...

522
00:39:51,270 --> 00:39:57,290
نقطة ... نقطة ... نقطة ... نقطة ... نقطة ... نقطة ...

523
00:39:57,290 --> 00:40:05,160
نقطة ... نقطة ... نقطة ...الخطأ ال noise يعني اللي هم

524
00:40:05,160 --> 00:40:10,680
ال innovation سميناه ال errors على مين؟ أو العكس

525
00:40:10,680 --> 00:40:15,420
عفوا ال XT على مين؟ على الخطأ هيك بنقول إنه يظهر Y

526
00:40:15,420 --> 00:40:19,040
على X احنا ما بنحكيش X على Y بحكي Y على X المهم

527
00:40:19,040 --> 00:40:23,020
هدول بنقول عنهم moving average of order مين؟ Q

528
00:40:23,020 --> 00:40:29,810
بنرمز لها بالرمز MA وفي Q بالـ Backshift Operator

529
00:40:29,810 --> 00:40:34,630
هذا هي الـ Big Theta of B تساوي A of مضروبة في

530
00:40:34,630 --> 00:40:37,410
Epsilon T حيث أن الـ Big Theta هي عبارة عن مين؟

531
00:40:37,410 --> 00:40:44,750
الـ polynomial of degree what؟ Q مضبوط هنا؟ الو

532
00:40:44,750 --> 00:40:49,350
اسم هو لازم تلاحظوا بأنه دائما و أبدا ال moving

533
00:40:49,350 --> 00:40:52,670
average stationary بغض النظر عن قيمة الـ Theta

534
00:40:52,670 --> 00:40:58,250
ليش؟ دائما stationary في الوقت اللي ال auto

535
00:40:58,250 --> 00:41:01,290
-regressive stationary في حالة واحدة إذا بتذكروا و

536
00:41:01,290 --> 00:41:04,870
قلتلكوا لما ال roots الجذور هذه أكبر من الواحدة اه

537
00:41:04,870 --> 00:41:08,370
لما يكون الجذور مش دائما stationary لكن ال moving

538
00:41:08,370 --> 00:41:14,830
average دائما stationary ليش؟

539
00:41:14,830 --> 00:41:21,490
والله واضحة ما هي ال stationary معناها؟ ما فيش

540
00:41:21,490 --> 00:41:26,190
اتجاه يعني ليه لا؟ ايش مالكوا؟ من هو اللي بيعتمدش

541
00:41:26,190 --> 00:41:32,210
على التاني؟ من هو اللي

542
00:41:32,210 --> 00:41:35,370
... ال stationary في حاجتين بيتحقق و من هما ال mean

543
00:41:35,370 --> 00:41:39,990
و ال variance و ال covariance ... ال C تلوس المحاضر

544
00:41:39,990 --> 00:41:44,270
السابع ... ال mean و ال covariance ... شو ال mean؟

545
00:41:45,890 --> 00:41:51,050
هنا ال mean هيطلع كام؟ Zero ليش؟ لأنه linear

546
00:41:51,050 --> 00:41:54,170
combination زي ما أنتم شايفينه بدلالة ميه؟ ال

547
00:41:54,170 --> 00:41:58,370
epsilon و ال epsilon مال هي؟ white noise فلو جبتي

548
00:41:58,370 --> 00:42:02,250
ال expectation ل x دي هيطلع ماله؟ Zero expectation

549
00:42:02,250 --> 00:42:05,930
ل epsilon هذي معايا ... اه Zero هيطلع خلصنا هو ثابت

550
00:42:06,660 --> 00:42:12,040
طب ال covariance ل XT مع XT زائد H مين هيطلع؟ ال

551
00:42:12,040 --> 00:42:16,720
covariance ل هدول عند الزمن T مع مين؟ مع هم نفسهم

552
00:42:16,720 --> 00:42:20,500
و هم هم عند الزمن T زائد H بس هم white noise شو

553
00:42:20,500 --> 00:42:25,620
يعني white noise؟ يعني هم نفسهم هدول white noise

554
00:42:25,620 --> 00:42:29,640
ال epsilon يعني ال covariance ل T تبعتها و T

555
00:42:29,640 --> 00:42:34,120
تبعتها زائد H مالها؟ Zero ولذلك هدول ال covariance

556
00:42:34,120 --> 00:42:40,920
ليلهامش هيك هيطلع بالآخر zero فعند أي زمن تي مش

557
00:42:40,920 --> 00:42:45,420
هم white noise طب شغلونا هلنا طيب اسمها يا بنامي

558
00:42:45,420 --> 00:42:49,200
في الوقت اللي كان يومها إذا بتذكروا قبل أربع خمس

559
00:42:49,200 --> 00:42:53,240
slides اللي أنا رجعتلها قبل قليل stationary اللي

560
00:42:53,240 --> 00:42:57,900
هي مينالهوتو ريغرسيف اه ال moving average مالها

561
00:42:57,900 --> 00:43:02,280
دائما stationary ولكن هنا بدنا في ال moving

562
00:43:02,280 --> 00:43:05,560
average يحقق شرس اسمه ال invertibility

563
00:43:05,560 --> 00:43:10,500
invertibility أو ال invertible اللي هي الانعكاس في

564
00:43:10,500 --> 00:43:15,000
الزمن invertible الانعكاس في الزمن فيجب أن تحقق ال

565
00:43:15,000 --> 00:43:18,240
moving average خاصية الانعكاس في الزمن والانشاء

566
00:43:18,240 --> 00:43:23,040
المولاهية مع القصية اللي قبل قليل حكيناها اه ال

567
00:43:23,040 --> 00:43:27,320
stationary هناك هنحكيهم بتفاصيل قمع محاضرتين تلاتة

568
00:43:27,320 --> 00:43:31,280
اللعنة فطبعا في الحالة هذه إذا ال roots تبعات هذه

569
00:43:31,280 --> 00:43:35,260
ال ... اللي هي ال big phi اللي بتساوي zero أكبر من

570
00:43:35,260 --> 00:43:39,860
واحد و كانت بتشبه مين نفس اللي هو الشرط تبع مين

571
00:43:39,860 --> 00:43:48,190
اللي هو ال autoregressive صح نفس الشيء إذا ال roots

572
00:43:48,190 --> 00:43:54,270
تبعون المعادلة 1 زي فاية واحد بي زي فاية ثانية بي

573
00:43:54,270 --> 00:43:58,290
تربية لعدد زي فاية كيو بي تربية بي قوة كيو بيساوي

574
00:43:58,290 --> 00:44:01,310
زيرو أكبر من واحد ففي الحالة هذي ال moving average

575
00:44:01,310 --> 00:44:06,510
بنقول عنه مين invertable من عكاس في الزمن ويجب أن

576
00:44:06,510 --> 00:44:09,470
تحقق خاصية من العكاس في الزمن اللي هنشوفها فيما

577
00:44:09,470 --> 00:44:13,510
بعد ولا واحدة منكم قالتلي هذا ال moving average

578
00:44:13,510 --> 00:44:17,740
اللي هنا هو نفس ال moving average اللي ... مشيتوها

579
00:44:17,740 --> 00:44:23,660
انتوا يلا هيك؟ طب اسألوا ليش خايفة يعني؟ هو مش

580
00:44:23,660 --> 00:44:29,020
احنا شرحنا ال moving average قبل مدة و كنا ن

581
00:44:29,020 --> 00:44:33,140
decompose لما نعملنا ال series و ... و عملنا ال

582
00:44:33,140 --> 00:44:37,240
exponential smoothing و ما ... ال smooth هذا هو هذا

583
00:44:37,240 --> 00:44:42,840
ال moving average هو نفس هذا هو؟ لا طب معناه مش هو

584
00:44:42,840 --> 00:44:49,020
و أقولكوا شغل واحدة في جدل على إنه هل هذا اللي احنا

585
00:44:49,020 --> 00:44:51,460
بنعمله الآن اللي أمامك و اللي على اللوح، هل هذا

586
00:44:51,460 --> 00:44:55,020
moving average؟ هل هذا ايه علاقة بال average أصلا؟

587
00:44:55,020 --> 00:45:01,380
ما معناه ال average؟ هل هذا المتوسط للقيم هيجمع

588
00:45:01,380 --> 00:45:04,380
لواحد مثلا؟ يعني ال average لو جمعناهم ضربناهم في

589
00:45:04,380 --> 00:45:08,160
أعداد القيم بيطلع يعني ال average اللي بيعرفه؟ no

590
00:45:08,160 --> 00:45:14,220
أكيد no، لا أقولكوا صراحة أنا عملت search على هذا

591
00:45:14,220 --> 00:45:23,060
الموضوع ووصلت لقناعة حسب الرأي الغالبية بإنه هو

592
00:45:23,060 --> 00:45:28,080
بالغلط حكى كلمة moving average و خلاص أصبح الدارش و

593
00:45:28,080 --> 00:45:32,420
متعرف عليه أنه هذا هو moving average فكلمة ال

594
00:45:32,420 --> 00:45:36,580
average يعني كلمة خليني نقول مش دقيقة مئة بالمئة

595
00:45:36,580 --> 00:45:40,040
ولكن صار متعرف عليها أنه هذا هو اسمه moving

596
00:45:40,040 --> 00:45:43,220
average يقول إن واحد اسمه سلسكي، طب عروف سلسكي في

597
00:45:43,220 --> 00:45:47,760
الإحصاء عالم رياضيات هو أول ما أطلق هذا المصطلح بس

598
00:45:47,760 --> 00:45:51,400
مش متأكد طبعا يا بناتي بناء عليه مشيت الأمور و

599
00:45:51,400 --> 00:45:54,420
خلاص و صاروا زبعون إحصاويين، Slutsky هذا معروف

600
00:45:54,420 --> 00:45:57,660
يعني، فطالما حكى هذا الكلام يبقى احنا وراه، يعني

601
00:45:57,660 --> 00:46:01,320
أقل المعروف له كلمته، فأصبح الكل يقول moving

602
00:46:01,320 --> 00:46:04,300
average، moving average، ومشيت، لكن هو حقيقة ما

603
00:46:04,300 --> 00:46:07,980
اتخربطوا بينه بين مين، moving average اللي اخذناها

604
00:46:07,980 --> 00:46:12,720
زمان لسموذي، ماشي؟ طيب هل هو نفس اللي احنا عملناه

605
00:46:12,720 --> 00:46:16,580
قبل قليل نعمله لان بس لمين simulation نقصه ل

606
00:46:16,580 --> 00:46:20,740
moving average of order واحد شو رايكوا السيريز هاي

607
00:46:20,740 --> 00:46:28,600
Xt تساوي epsilon T زائد من 8 من 10 epsilon T ناقص

608
00:46:28,600 --> 00:46:34,380
واحد نحن الآن السيريز نعمله ال simulation مين

609
00:46:34,380 --> 00:46:40,100
بيعمل ال simulation arima.sim عدد المشاهدات 200 ال

610
00:46:40,100 --> 00:46:45,160
order مين هيكون اخر واحد هو اللي هيكون واحد طلع ها

611
00:46:45,160 --> 00:46:50,340
وذا كان هدك اسمه ar هذا شو هيصير اسمه ma ثمانية من

612
00:46:50,340 --> 00:46:55,820
عشرة منيح ورسماتهم التلاتة هاي واحدة اثنتين تلاتة

613
00:46:55,820 --> 00:47:00,580
نفس الرسمات التلاتة هله هو ال series الأصلية ال

614
00:47:00,580 --> 00:47:05,900
acf و ال partial شوفوا مين ال partial بيحدد ال

615
00:47:05,900 --> 00:47:12,500
order تبع مين؟ احنا قبل شوية شرحنا شرحنا ال

616
00:47:12,500 --> 00:47:16,520
partial شرحنا و خلصنا و نرجع للي شرحنا يوم ما

617
00:47:16,520 --> 00:47:19,420
شرحنا ال partial و قلنا هنشرحه في التفاصيل أكثر ان

618
00:47:19,420 --> 00:47:25,460
شاء الله بيحدد أي order ال auto-regressive هذا مين

619
00:47:25,460 --> 00:47:29,620
ال partial؟ لل auto-regressive خلصته؟ طب ال ACF

620
00:47:29,620 --> 00:47:32,640
هذا الوسطاني هو اللي بيحدد اللي هو ال order تبع ال

621
00:47:32,640 --> 00:47:32,940
moving

622
00:47:35,970 --> 00:47:40,790
يعني ال partial لمن؟ لل auto-regressive و ال ACF

623
00:47:40,790 --> 00:47:43,910
اللي هي ال auto-correlation لل moving average يعني

624
00:47:43,910 --> 00:47:48,330
الوسطاني هذا حتى نشوفه الوسطاني اللي هو ال auto

625
00:47:48,330 --> 00:47:53,610
-correlation function هذا قد ايش order كان هنا؟ واحد، 

626
00:47:53,610 --> 00:47:58,230
واحد، هاي واحد، مين أول واحد معدى؟ عند الـ واحد،

627
00:47:58,230 --> 00:48:01,610
عند الـ واحد، اه اسمه يا بنات، هذا عند الـ like zero

628
00:48:01,610 --> 00:48:05,610
أول واحدة، و أنا كنت خربطها الـ auto correlation برسم

629
00:48:05,610 --> 00:48:11,790
مين؟ ابتدا من أي lag؟ من عند الـ lag zero عند الـ

630
00:48:11,790 --> 00:48:15,690
lag zero قداش الـ raw هذا الـ raw الـ raw الـ auto

631
00:48:15,690 --> 00:48:19,110
correlation قداش الـ auto correlation بيكون بيساوي 1

632
00:48:19,110 --> 00:48:25,310
يعني هقولكوا شغلة واحدة الـ R برسم عند الـ raw 0 الـ

633
00:48:25,310 --> 00:48:28,890
software التانية زي الـ MATLAB و الـ SAS و غيره

634
00:48:28,890 --> 00:48:34,230
برسمش لإنه بعترف ما لها معروف إنه عند الـ raw عند الـ

635
00:48:34,230 --> 00:48:41,330
0 قداش الـ raw 1 ولكن هي شيء جمالي الـ R البرنامج

636
00:48:41,330 --> 00:48:49,270
الإحصائي الـ R شيء جمالي مكمل بيضيف لكم عند الـ

637
00:48:49,270 --> 00:48:53,830
raw zero فاهمنا عشان تكون الأمور ماشية ايه هيك ده

638
00:48:53,830 --> 00:48:56,890
أحلى زي ما بيحكوا okay هي خلاص مين أول order عدى

639
00:48:56,890 --> 00:49:00,590
إذا هذا بيقترح عليا إنه moving average من مين

640
00:49:00,590 --> 00:49:04,550
order واحد طيب الرسمة اللي بعيد منها يلا تطلع

641
00:49:04,550 --> 00:49:07,070
عليها عشان هي moving average اتنين وهي الـ code

642
00:49:07,070 --> 00:49:13,230
اللي بيعمل simulation أو ps مش

643
00:49:13,230 --> 00:49:17,750
عارف ليش الـ zoom out okay هذا يصل نختم عند هذا الـ

644
00:49:17,750 --> 00:49:23,440
slide moving average of order اتنين طبعا الـ .. اه

645
00:49:23,440 --> 00:49:25,380
الـ .. الـ .. الـ .. الـ .. الـ function اللي بتعمل الـ

646
00:49:25,380 --> 00:49:29,960
simulation هي اسمها arima.sim و الـ order هنا مين

647
00:49:29,960 --> 00:49:33,720
هو اتنين و الـ moving average هو عبارة عن الـ

648
00:49:33,720 --> 00:49:36,780
coefficients دول الـ parameters اللي هم هنا بدوا

649
00:49:36,780 --> 00:49:41,260
ياهم هو مين هو ثمانية من عشرة و مين ستة من عشرة

650
00:49:41,260 --> 00:49:46,070
الـ mouse واضح اهو هنا رسمناهم زي ما بتعرفوا بروح

651
00:49:46,070 --> 00:49:49,370
بتطلع بتطلع على الرسمة الثالثة الـ partial ولا الـ

652
00:49:49,370 --> 00:49:53,130
ACF الـ auto كله الـ ACF الرسمة هذه اللى هي الـ

653
00:49:53,130 --> 00:49:55,990
moving ما أنتم عارفين كيف تيجي ما فيش دلوقتي حاجة

654
00:49:55,990 --> 00:49:59,990
فيها هتنطلع على الـ ACF اللي هي الوسطانية هذه يلا

655
00:49:59,990 --> 00:50:03,570
أول واحدة ما بنحكيش فيها لأنها عند order مية zero

656
00:50:03,570 --> 00:50:08,170
معروف إنها واحد متى عدى الخط الأزرق؟ الـ واحد

657
00:50:08,170 --> 00:50:11,890
و الاتنين يعني تقترح عليا هذه إنه أنا moving

658
00:50:11,890 --> 00:50:15,570
average of order اتنين ذاكر هذا الكلام لما نيجي

659
00:50:15,570 --> 00:50:19,430
نحكيه على الـ box and Jenkins algorithm إن شاء الله

660
00:50:19,430 --> 00:50:24,150
المحاضرة القادمة بنبلش نحكي على الـ author .. على

661
00:50:24,150 --> 00:50:27,590
الآرما يعني طبعا احنا اتفقنا إن هذه سلسلة محاضرات

662
00:50:27,590 --> 00:50:29,270
يلا يعطيكم العافية