Rahoitusriskit ja johdannaiset Matti Estola. luento 12 Stokastisista prosesseista
|
|
- Anneli Turunen
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 Rahoiusriski ja johdannaise Mai Esola lueno Sokasisisa prosesseisa
2 . Markov ominaisuus Markov -prosessi on sokasinen prosessi, missä ainoasaan muuujan viimeinen havaino on relevani muuujan seuraavaa arvoa ennuseaessa. Muuujan aiemmalla hisorialla ei sien ole ennusekykyä ulevien arvojen suheen. Esim. osakekurssi noudaava yleensä Markov -prosessia, sillä sijoiajien suuri määrä ja heidän käyämänsä ennusemalli yhjenävä kaiken informaaion sien, eä jos aiemmalla hisorialla olisi ennusevoimaa, joku käyäisi sen ja osaisi/myisi osakkeia sen peruseella. Tämän jälkeen kurssi muuuisi sien, eä kyseisellä informaaiolla ei enää olisi ennusevoimaa kurssin suheen. Osakekurssien Markov -ominaisuus on sopusoinnussa markkinoiden heikon ehokkuuden (weak efficiency) kanssa, jonka mukaan valliseva osakekurssi sisälävä kaiken relevanin informaaion kurssien hisoriasa.
3 Oleeaan muuuja joka noudaaa Markov prosessia. Muuujan nykyinen arvo on 0 ja sen muuos vuoden aikana noudaaa normaalijakaumaa N(0, ), missä 0 on odousarvo ja keskihajona. Mikä on muuujan odennäköisyysjakauma kahden vuoden aikana? Muuujan muuos kahden vuoden aikana on kahden normaalisi jakauuneen saunnaismuuujan summa, joisa molemmilla on odousarvo 0 ja keskihajona. Koska muuuja noudaaa Markov prosessia, muuokse ova riippumaomia. Kahden riippumaoman normaalisi jakauuneen saunnaismuuujan summalle päee:, var( sillä N(0,), ) cov(, var( ) var( ) 0. Siis ) var( cov( 0,, ). ) var( ) var( ),
4 Toisin sanoen : N (0, ). Vasaavasi muuujan jakauma puolen vuoden aikana on normaalisi jakauunu saunnaismuuuja odousarvolla 0 ja varianssilla ½, eli: N(0, 0,5). Yleisemmin voidaan sanoa, eä muuuja noudaaa normaalijakaumaa: N( 0, ). Muuujan lisäysen odousarvo ja varianssi ova sien yheenlaskeavia, mua eivä keskihajonna. Muuujan varianssin miayksikkö on vuosi, ja keskihajonnan miayksikkö on neliöjuuri vuodesa.
5 Wiener -prosessi on ieynlainen Markov prosessi, jonka odousarvo on nolla ja varianssi per vuosi. Fysiikassa ko. prosessia käyeään yleisesi, ja siä kusuaan Brownin liikkeeksi (Brownian moion). Brownin liike on neseessä ai kaasussa olevia hyvin pieniä hiukkasia mikroskoopilla arkaselaessa havaiava saunnainen ja isenäinen siksak-liike. Ilmiön havaisi kasviieeilijä Roer Brown vuonna 87 ukiessaan mikroskoopin avulla vedessä kelluvaa kasvien siiepölyä. [
6 . Diskreeiaikainen Wiener -prosessi Muuuja noudaaa -uloeisa Wiener -prosessia, jos: Tällöin ) ) i) ii) i, j N(0, E{[ E{, ova ),. N(0,), riippuma omia. sillä 0, E{[ E{ Wiener -prosessia noudaavan saunnaismuuujan odousarvo on siis 0 ja varianssi on T ajanjakson T aikana; E on odousarvooperaaori.
7 3. Jakuva-aikainen Wiener -prosessi Saunnaismuuuja noudaaa jakuva-aikaisa Wiener -prosessia, jos muuujan differeniaalille (muuokselle) d päee: d d, d d 0, var( d) E{[ d d E{[ d d E{ d. 3.. Yleisey Wiener -prosessi Muuuja x noudaaa jakuva-aikaisa yleiseyä Wiener prosessia, jos: dx ad d, missä a on drif (viraus) -parameri ja varianssi -parameri.
8 Diskreeiaikaisena yleisey Wiener -prosessi on muooa: x a a. Tällä prosessilla on seuraava ominaisuude: ) x a, sillä 0, ) E{[ x x E{ ( ). x Ny jos = 0, niin a, Joen a on x:n kasvunopeus ilaneessa, eä x:n saunnaiskomponenin muuos = 0. Wiener -prosessia kusuaan usein myös Random walk (saunnaiskulku) -prosessiksi.
9 4. Osakekurssi sokasisena prosessina On luonnollisa ajaella, eä osakekurssi noudaava yleiseyä Wiener prosessia, jossa on kiineä drif -parameri (kasvuase) ja sen lisäksi sokasinen komponeni, jolla on kiineä varianssi. Osakekursseilla on kuienkin ominaisuus, eä niiden kasvuasee ova karkeasi oaen vakioia eikä kasvunopeude, sillä kasvunopeus riippuu kurssin asoluuisesa arvosa. Tällöin siis päee: S /, vakio, S missä S on osakekurssi, ilmaisee muuosa, aikaa ja :llä merkiään S:n kasvuasea. Tämän raja-arvona -> 0 saadaan seuraava jakuva-aikainen malli: ds / S d S( ) S(0) e,
10 missä S(0), S() ova osakekurssin arvo hekillä 0 ja. Eo. Kaava osoiaa, eä jos osakekurssissa ei ole saunnaisuua, se kasvaa vakioisella kasvuaseella. Osakekurssien kasvuasee vaiheleva kuienkin päiviäin, joen realisisempi malli on seuraava: ds S d d ds Sd Sd. Tämä, ns. Geomerinen Brownin liike, on yleisimmin käyey malli osakekurssien mallinamisessa. Siinä parameri vasaa muuujan ds/s odousarvoa ja σ keskihajonaa, molemma vakioia.
6.4 Variaatiolaskennan oletusten rajoitukset. 6.5 Eulerin yhtälön ratkaisuiden erikoistapauksia
6.4 Variaaiolaskennan oleusen rajoiukse Sivu ss. 27 31 läheien Kirk, ss. 13 143] ja KS, Ch. 5] pohjala Lähökoha oli: jos J:llä on eksremaali (), niin J:n variaaio δj( (), δ()) ():ä pikin on nolla. 1. Välämäön
LisätiedotRahoitusriskit ja johdannaiset Matti Estola. luento 13 Black-Scholes malli optioiden hinnoille
Rahoiusriski ja johannaise Mai Esola lueno 3 Black-choles malli opioien hinnoille . Ion lemma Japanilainen maemaaikko Kiyoshi Iō oisi seuraavana esieävän lemman vuonna 95 arikkelissaan: On sochasic ifferenial
LisätiedotTuotannon suhdannekuvaajan menetelmäkuvaus
1(15) Tuoannon suhdannekuvaajan meneelmäkuvaus Luku 1 Luku 2 Luku 3 Luku 4 Tuoannon suhdannekuvaajan yleiskuvaus Tuoannon suhdannekuvaajan julkaisuaikaaulu, revisoinikäyännö ja jakelu Tuoannon suhdannekuvaajan
LisätiedotKokonaishedelmällisyyden sekä hedelmällisyyden keski-iän vaihtelu Suomessa vuosina 1776 2005
Kokonaishedelmällisyyden sekä hedelmällisyyden keski-iän vaihelu Suomessa vuosina 1776 2005 Heli Elina Haapalainen (157 095) 26.11.2007 Joensuun Yliopiso Maemaais- luonnonieeiden iedekuna Tieojenkäsielyieeen
LisätiedotLuento 4. Fourier-muunnos
Lueno 4 Erikoissignaalien Fourier-muunnokse Näyeenoo 4..6 Fourier-muunnos Fourier-muunnos Kääneismuunnos Diricle n edo Fourier muunuvalle energiasignaalille I: Signaali on iseisesi inegroiuva v ( d< II:
Lisätiedot2. Taloudessa käytettyjä yksinkertaisia ennustemalleja. ja tarkasteltavaa muuttujan arvoa hetkellä t kirjaimella y t
Tilasollinen ennusaminen Seppo Pynnönen Tilasoieeen professori, Meneelmäieeiden laios, Vaasan yliopiso. Tausaa Tulevaisuuden ennusaminen on ehkä yksi luoneenomaisimpia piireiä ihmiselle. On ilmeisesi aina
LisätiedotTaustaa KOMPLEKSILUVUT, VÄRÄHTELIJÄT JA RADIOSIGNAALIT. Jukka Talvitie, Toni Levanen & Mikko Valkama TTY / Tietoliikennetekniikka
IMA- Exurso: Kompleksluvu ja radosgnaal / KOMPLEKSILUVUT, VÄRÄHTELIJÄT JA RADIOSIGNAALIT Tausaa IMA- Exurso: Kompleksluvu ja radosgnaal / Kakk langaon vesnä ja radoeolkenne (makapuhelme, WLAN, ylesrado
LisätiedotHoivapalvelut ja eläkemenot vuoteen 2050
VATT-TUTKIMUKSIA 94 VATT-RESEARCH REPORTS Pekka Parkkinen Hoivapalvelu ja eläkemeno vuoeen 25 Valion aloudellinen ukimuskeskus Governmen Insiue for Economic Research Helsinki 22 ISBN 951-561-425-2 ISSN
Lisätiedot1 Excel-sovelluksen ohje
1 (11) 1 Excel-sovelluksen ohje Seuraavassa kuvaaan jakeluverkonhalijan kohuullisen konrolloiavien operaiivisen kusannusen (SKOPEX 1 ) arvioimiseen arkoieun Excel-sovelluksen oimina, mukaan lukien sovelluksen
Lisätiedotb) Ei ole. Todistus samaan tyyliin kuin edellinen. Olkoon C > 0 ja valitaan x = 2C sekä y = 0. Tällöin pätee f(x) f(y)
Maemaiikan ja ilasoieeen osaso/hy Differeniaaliyhälö II Laskuharjoius 1 malli Kevä 19 Tehävä 1. Ovako seuraava funkio Lipschiz-jakuvia reaaliakselilla: a) f(x) = x 1/3, b) f(x) = x, c) f(x) = x? a) Ei
LisätiedotRakennusosien rakennusfysikaalinen toiminta Ralf Lindberg Professori, Tampereen teknillinen yliopisto ralf.lindberg@tut.fi
Rakennusosien rakennusfysikaalinen oimina Ralf Lindber Professori, Tampereen eknillinen yliopiso ralf.lindber@u.fi Rakenneosien rakennusfysikaalisen oiminnan ymmärämiseksi on välämäönä piirää kolme eri
LisätiedotVÄRÄHTELYMEKANIIKKA SESSIO 18: Yhden vapausasteen pakkovärähtely, transienttikuormituksia
8/ VÄRÄHTELYMEKANIIKKA SESSIO 8: Yhen vapausaseen paovärähely, ransieniuormiusia JOHDANTO c m x () Kuva. Syseemi. Transieniuormiusella aroieaan uormiusheräeä, joa aiheuaa syseemiin lyhyaiaisen liieilan.
LisätiedotDynaaminen optimointi ja ehdollisten vaateiden menetelmä
Dynaaminen opimoini ja ehdollisen vaaeiden meneelmä Meneelmien keskinäinen yheys S yseemianalyysin Laboraorio Esielmä 10 - Peni Säynäjoki Opimoiniopin seminaari - Syksy 2000 / 1 Meneelmien yhäläisyyksiä
LisätiedotLuento 9. Epälineaarisuus
Lueno 9 Epälineaarisuus 9..7 Epälineaarisuus Tarkasellaan passiivisa epälineaarisa komponenia u() y() f( ) Taylor-sarjakehielmä 3 y f( x) + f '( x) ( x x) + f ''( x) ( x x) + f ''( x) ( x x) +...! 3! 4!
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 21. syyskuuta 2007 Antti Rasila () TodB 21. syyskuuta 2007 1 / 19 1 Satunnaismuuttujien riippumattomuus 2 Jakauman tunnusluvut Odotusarvo Odotusarvon ominaisuuksia
Lisätiedotf x dx y dy t dt f x y t dx dy dt O , (4b) . (4c) f f x = ja x (4d)
Tehävä 1. Oleeaan, eä on käössä jakuva kuva, jossa (,, ) keroo harmaasävn arvon paikassa (, ) ajanhekenä. Dnaaminen kuva voidaan esiää Talor sarjana: d d d d d d O ( +, +, + ) = (,, ) + + + + ( ). (4a)
LisätiedotEne-59.4130, Kuivatus- ja haihdutusprosessit teollisuudessa, Laskuharjoitus 5, syksy 2015
Ene-59.4130, Kuivaus- ja haihduusprosessi eollisuudessa, asuharjoius 5, sysy 2015 Tehävä 4 on ähiehävä Tehävä 1. eijuerrosilassa poleaan rinnain uora ja urvea. Kuoren oseus on 54% ja uiva-aineen ehollinen
LisätiedotTietoliikennesignaalit
ieoliikennesignaali 1 ieoliikenne inormaaion siiroa sähköisiä signaaleja käyäen. Signaali vaiheleva jännie ms., jonka vaiheluun on sisällyey inormaaioa. Signaalin ominaisuuksia voi ukia a aikaasossa ime
Lisätiedot9. Epäoleelliset integraalit; integraalin derivointi parametrin suhteen. (x + y)e x y dxdy. e (ax+by)2 da. xy 2 r 4 da; r = x 2 + y 2. b) A.
9. Epäoleellise inegraali; inegraalin derivoini paramerin suheen 9.. Epäoleellise aso- ja avaruusinegraali 27. Olkoon = {(x, y) x, y }. Osoia hajaanuminen ai laske arvo epäoleelliselle asoinegraalille
Lisätiedotx v1 y v2, missä x ja y ovat kokonaislukuja.
Digiaalinen videonkäsiel Harjoius, vasaukse ehäviin 4-0 Tehävä 4. Emämariisi a: V A 0 V B 0 Hila saadaan kanavekorien (=emämariisin sarakkee) avulla. Kunkin piseen paikka hilassa on kokonaisluvulla kerroujen
Lisätiedot2. Suoraviivainen liike
. Suoraviivainen liike . Siirymä, keskinopeus ja keskivauhi Aika: unnus, yksikkö: sekuni s Suoraviivaisessa liikkeessä kappaleen asema (paikka) ilmoieaan suoralla olevan piseen paikkakoordinaain (unnus
LisätiedotSuomen kalamarkkinoiden analyysi yhteisintegraatiomenetelmällä
KALA- JA RIISTARAPORTTEJA nro 374 Jukka Laiinen Jari Seälä Kaija Saarni Suomen kalamarkkinoiden analyysi yheisinegraaiomeneelmällä Helsinki 006 Julkaisija Riisa- ja kalaalouden ukimuslaios KUVAILULEHTI
LisätiedotSopimuksenteon dynamiikka: johdanto ja haitallinen valikoituminen
Soimukseneon dynamiikka: johdano ja haiallinen valikoiuminen Ma-2.442 Oimoinioin seminaari Elise Kolola 8.4.2008 S yseemianalyysin Laboraorio Esielmä 4 Elise Kolola Oimoinioin seminaari - Kevä 2008 Esiyksen
LisätiedotRatkaisu. Virittäviä puita on kahdeksan erilaista, kun solmut pidetään nimettyinä. Esitetään aluksi verkko kaaviona:
Diskreei maemaiikka, sks 00 Harjoius 0, rakaisuisa. Esi viriävä puu suunaamaomalle verkolle G = (X, E, Ψ), kun X := {,,, }, E := { {, }, {, }, {, }, {, }, {, }}, ja Ψ on ieninen kuvaus. Rakaisu. Viriäviä
Lisätiedot3 SIGNAALIN SUODATUS 3.1 SYSTEEMIN VASTE AIKATASOSSA
S I G N A A L I T E O R I A, O S A I I I TL98Z SIGNAALITEORIA, OSA III 44 3 Signaalin suodaus...44 3. Sysmin vas aikaasossa... 44 3. Kausaalisuus a sabiilisuus... 46 3.3 Vas aauusasossa... 46 3.4 Ampliudivas
LisätiedotKOMISSION KERTOMUS. Suomi. Perussopimuksen 126 artiklan 3 kohdan nojalla laadittu kertomus
EUROOPAN KOMISSIO Bryssel 27.2.205 COM(205) 4 final KOMISSION KERTOMUS Suomi Perussopimuksen 26 ariklan 3 kohdan nojalla laadiu keromus FI FI KOMISSION KERTOMUS Suomi Perussopimuksen 26 ariklan 3 kohdan
LisätiedotPK-YRITYKSEN ARVONMÄÄRITYS. KTT, DI TOIVO KOSKI elearning Community Ltd
PK-YRITYKSEN ARVONMÄÄRITYS KTT, DI TOIVO KOSKI elearning Communiy Ld Yriyksen arvonmääriys 1. Yriyksen ase- eli subsanssiarvo Arvioidaan yriyksen aseen vasaavaa puolella olevan omaisuuden käypäarvo, josa
LisätiedotTestejä suhdeasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman
LisätiedotI L M A I L U L A I T O S
I L M A I L U L A I T O S 2005 Ympärisökasaus Lenoasemien ympärisölupahankkee sekä ympärisövaikuusen ja -vahinkoriskien selviäminen hallisiva Ilmailulaioksen ympärisöyöä koimaassa. Kansainvälisillä foorumeilla
LisätiedotLuento 7 Järjestelmien ylläpito
Luno 7 Järjslmin ylläpio Ahi Salo Tknillinn korkakoulu PL, 5 TKK Järjslmin ylläpidosa Priaallisia vaihohoja Uusiminn rplacmn Ennalahkäisvä huolo mainnanc Korjaaminn rpair ❶ Uusiminn Vioiun komponni korvaaan
LisätiedotMonisilmukkainen vaihtovirtapiiri
Monisilmukkainen vaihovirapiiri Oeaan arkaselun koheeksi RLC-vaihovirapiiri jossa on käämejä, vasuksia ja kondensaaoreia. Kykenä Tarkasellaan virapiiriä, jossa yksinkeraiseen RLC-piiriin on kodensaaorin
LisätiedotFinanssipolitiikan tehokkuudesta Yleisen tasapainon tarkasteluja Aino-mallilla
BoF Online 3 29 Finanssipoliiikan ehokkuudesa Yleisen asapainon arkaseluja Aino-mallilla Juha Kilponen Tässä julkaisussa esiey mielipiee ova kirjoiajan omia eiväkä välämää edusa Suomen Pankin kanaa. Suomen
LisätiedotLuento 11. Stationaariset prosessit
Lueno Soasisen prosessin ehosperi Signaalin suodaus Kaisarajoieu anava 5..6 Saionaarise prosessi Auoorrelaaio φ * * (, ) ( ), { } { } jos prosessi on saionaarinen auoorrelaaio ei riipu ajasa vaan ainoasaan
LisätiedotOdotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61
3.3. Satunnaismuuttujien ominaisuuksia 61 Odotusarvo Määritelmä 3.5 (Odotusarvo) Olkoon X diskreetti satunnaismuuttuja, jonka arvojoukko on S ja todennäköisyysfunktio f X (x). Silloin X:n odotusarvo on
LisätiedotSisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4
Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4 1. METODOLOGIAN PERUSTEIDEN KERTAUSTA... 6 1.1 KESKEISTEN KÄSITTEIDEN KERTAUSTA... 7 1.2 AIHEESEEN PEREHTYMINEN...
LisätiedotMS-C2111 Stokastiset prosessit
Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos toimisto: Y241, vastaanotto: pe 13:30-14:30 2017, periodi I KURSSIN JÄRJESTELYT Kurssin järjestelyt Luennot ja harjoitusryhmät Luennot tiistaisin
LisätiedotYO Fysiikka. Heikki Lehto Raimo Havukainen Jukka Maalampi Janna Leskinen. Sanoma Pro Oy Helsinki
YO Fysiikka Heikki Leho Raimo Havukainen Jukka Maalampi Janna Leskinen Sanoma Pro Oy Helsinki Sisällys Opeajalle ja opiskelijalle 4 1 Kohi fysiikan ylioppilaskoea 5 Yleisä fysiikan ylioppilaskokeesa 6
LisätiedotETERAN TyEL:n MUKAISEN VAKUUTUKSEN ERITYISPERUSTEET
TRAN TyL:n MUKASN AKUUTUKSN RTYSPRUSTT Tässä peruseessa kaikki suuree koskea eraa, ellei oisin ole määriely. Tässä peruseessa käyey lyhenee: LL Lyhyaikaisissa yösuheissa oleien yönekijäin eläkelaki TaL
LisätiedotAikasarja-analyysi I Syksy 2005 Tampereen yliopisto Arto Luoma
Aikasara-aalyysi I Syksy 5 Tamperee yliopiso Aro Luoma Pääasiallise lähee: Brockwell, Davis: Iroducio o Time Series ad Forecasig Brockwell, Davis: Time Series: Theory ad Mehods (lyh. TSTM).. Johdao. Yleisä
Lisätiedot2:154. lak.yht. lak.yht. lak.yht. 2:156 2:156 6-9901-0 2:156. lak.yht. 2:155. 35 dba. sr-1. No330. YY/s-1. Työväentalo 8-9903-0. No30. sr-2.
00 lak.yh. lak.yh. lak.yh. lak.yh. lak.yh. ras.m ras.m lak.yh. lak.yh. lak.yh. lak.yh. lak.yh. 0 0 No No No0 No0 0:::M0 0:::M0 0:::M0 0:::M0 0:::M0 0::0:M0 0:::M0 0:::M0 0:::M 0 0 0 0 0 0 0 0 0 0 0 0 0
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotW dt dt t J.
DEE-11 Piirianalyysi Harjoius 1 / viikko 3.1 RC-auon akku (8.4 V, 17 mah) on ladau äyeen. Kuinka suuri osa akun energiasa kuluu ensimmäisen 5 min aikana, kun oleeaan mooorin kuluavan vakiovirran 5 A? Oleeaan
Lisätiedot12. ARKISIA SOVELLUKSIA
MAA. Arkiia ovellukia. ARKISIA SOVELLUKSIA Oleeaan, eä kappale liikkuu ykiuloeia raaa, eimerkiki -akelia pikin. Kappaleen nopeuden vekoriluonne riiää oaa vauhdin eumerkin avulla huomioon, ja on ehkä arkoiukenmukaiina
Lisätiedot( ) 5 t. ( ) 20 dt ( ) ( ) ( ) ( + ) ( ) ( ) ( + ) / ( ) du ( t ) dt
SMG-500 Verolasennan numeerise meneelmä Ehdouse harjoiusen 4 raaisuisi Haeaan ensin ehävän analyyinen raaisu: dx 0 0 0 0 dx 00e = 0 = 00e 00 x = e + = 5e + alueho: x(0 = 0 0 x 0 = 5e + = 0 = 5 0 0 0 5
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo
LisätiedotHuomaa, että aika tulee ilmoittaa SI-yksikössä, eli sekunteina (1 h = 3600 s).
DEE- Piirianalyysi Ykkösharkan ehävien rakaisuehdoukse. askeaan ensin, kuinka paljon äyeen ladaussa akussa on energiaa. Tämä saadaan laskeua ehäväpaperissa anneujen akun ieojen 8.4 V ja 7 mah avulla. 8.4
LisätiedotS-55.1100 SÄHKÖTEKNIIKKA JA ELEKTRONIIKKA
S-55.1100 SÄHKÖTKNIIKKA JA KTONIIKKA 2. välikoe 5.5.2008. Saa vasaa vain neljään ehävään! Kimmo Silven 1. aske vira. = 1 kω, = 2 kω, 3 = 4 kω, = 10 V. Diodin ominaiskayra, aseikko 0... 4 ma + 3 Teh. 2.
LisätiedotVuoden 2004 alkoholiverotuksen muutoksen kulutusvaikutuksen ennustaminen. Linden, Mikael. ISBN 952-458-441-7 ISSN 1458-686X no 13
Vuoden 004 alkoholiverouksen muuoksen kuluusvaikuuksen ennusaminen Linden, Mikael ISBN 95-458-441-7 ISSN 1458-686X no 13 VUODEN 004 ALKOHOLIVEROTUKSEN MUUTOKSEN KULUTUSVAIKUTUKSEN ENNUSTAMINEN Mika Linden
LisätiedotWiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia
Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia { z(t k+1 ) = z(t k ) + ɛ(t k ) t t k+1 = t k + t, k = 0,..., N, missä ɛ(t i ), ɛ(t j ), i j ovat toisistaan riippumattomia siten, että
LisätiedotSallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,
Todennäköisyyslaskenta, 2. kurssikoe 7.2.22 Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu.. Satunnaismuuttujien X ja Y yhteistiheysfunktio on
LisätiedotOtoskoko 107 kpl. a) 27 b) 2654
1. Tietyllä koneella valmistettavien tiivisterenkaiden halkaisijan keskihajonnan tiedetään olevan 0.04 tuumaa. Kyseisellä koneella valmistettujen 100 renkaan halkaisijoiden keskiarvo oli 0.60 tuumaa. Määrää
Lisätiedot( ) ( ) x t. 2. Esitä kuvassa annetun signaalin x(t) yhtälö aikaalueessa. Laske signaalin Fourier-muunnos ja hahmottele amplitudispektri.
ELEC-A7 Signaali ja järjeselmä Laskuharjoiukse LASKUHARJOIUS Sivu 1/11 1. Johda anneun pulssin Fourier-muunnos ja hahmoele ampliudispekri. Käyä esim. derivoinieoreemaa, ja älä unohda 1. derivaaan epäjakuvuuskohia!
LisätiedotSELOSTUS K muutos 1
SELOSTUS K. 0 muuos L:\KAAVA\TEXT\KAAVASEL\0\K_0_m.doc\TH LETO LTTONEN LTTOSTEN KORTTELN 0 ASEMAKAAVAN MUUTOS KAAVAN LAATJA: LEDON KUNNAN KAAVOTUS JA TEKNSET PALVELUT: Kaavoiusinsinööri Juha Mäki p. 00
LisätiedotRIL 256-2010 Suomen Rakennusinsinöörien Liitto RIL ry
Suomen Rakennusinsinöörien Liio RIL ry Julkisen hankinojen kehiämismalli Tuoavuuden paranaminen TUKEFIN-meneelmällä 2 RIL 256-2010 RILin julkaisuilla on oma koisivu, joka löyyy osoieesa www.ril.fi Kirjakauppa
LisätiedotMUODONMUUTOKSET. Lähtöotaksumat:
MUODONMUUTOKSET Lähöoaksuma:. Maeraal on sorooppsa ja homogeensa. Hooken lak on vomassa (fyskaalnen lneaarsuus) 3. Bernoulln hypoees on vomassa (eknnen avuuseora) 4. Muodonmuuokse ova nn penä rakeneen
LisätiedotMallivastaukset KA5-kurssin laskareihin, kevät 2009
Mallivasaukse KA5-kurssin laskareihin, kevä 2009 Harjoiukse 2 (viikko 6) Tehävä 1 Sovelleaan luenokalvojen sivulla 46 anneua kaavaa: A A Y Y K α ( 1 α ) 0,025 0,5 0,03 0,5 0,01 0,005 K Siis kysyy Solowin
Lisätiedotẍ(t) q(t)x(t) = f(t) 0 1 z(t) +.
Diffrniaaliyhälö II, harjoius 3, 8 228, rakaisu JL, kuusi sivua a On muunnava linaarinn oisn kraluvun diffrniaaliyhälö ẍ qx f yhäpiäväksi nsimmäisn kraluvun linaarisksi kahdn skalaariyhälön sysmiksi Rak
LisätiedotTopologia Syksy 2010 Harjoitus 9
Topologia Syksy 2010 Harjoitus 9 (1) Avaruuden X osajoukko A on G δ -joukko, jos se on numeroituva leikkaus avoimista joukoista ja F σ -joukko, jos se on numeroituva yhdiste suljetuista joukoista. Osoita,
LisätiedotTyö 2: 1) Sähkönkulutuksen ennustaminen SARIMAX-mallin avulla 2) Sähkön hankinnan optimointi
Ma-2.3132 Syseemianalyysilaboraorio I Työ 2: 1) Sähkönkuluuksen ennusaminen SARIMAX-mallin avulla 2) Sähkön hankinnan opimoini 1 yö 2 Aikasarjamalli erään yriyksen sähkönkuluukselle SARIMAX-malli: kausivaihelu,
LisätiedotLuento 11: Potentiaalienergia. Potentiaalienergia Konservatiiviset voimat Voima potentiaalienergiasta gradientti Esimerkkejä ja harjoituksia
Luento 11: Potentiaalienergia Potentiaalienergia Konservatiiviset voimat Voima potentiaalienergiasta gradientti Esimerkkejä ja harjoituksia 1 / 22 Luennon sisältö Potentiaalienergia Konservatiiviset voimat
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Kertymäfunktio. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio TKK (c) Ilkka Mellin (2007) 1 Kertymäfunktio >> Kertymäfunktio: Määritelmä Diskreettien jakaumien
LisätiedotKojemeteorologia. Sami Haapanala syksy 2013. Fysiikan laitos, Ilmakehätieteiden osasto
Kojemeteorologia Sami Haapanala syksy 2013 Fysiikan laitos, Ilmakehätieteiden osasto Mittalaitteiden staattiset ominaisuudet Mittalaitteita kuvaavat tunnusluvut voidaan jakaa kahteen luokkaan Staattisiin
LisätiedotSähköstatiikka ja magnetismi Kondensaattorit ja kapasitanssi
Sähköstatiikka ja magnetismi Konensaattorit ja kapasitanssi ntti Haarto 1.5.13 Yleistä Konensaattori toimii virtapiirissä sähköisen potentiaalin varastona Kapasitanssi on konensaattorin varauksen Q ja
LisätiedotKuukausi- ja kuunvaihdeanomalia Suomen osakemarkkinoilla vuosina 2005-2013
Kauppaieeellinen iedekuna Talousjohaminen Kandidaainukielma Kuukausi- ja kuunvaihdeanomalia Suomen osakemarkkinoilla vuosina 2005-2013 Monhly and Turn-of-he-Monh anomaly in he Finnish sock marke during
LisätiedotFlow shop, työnvaiheketju, joustava linja, läpivirtauspaja. Kahden koneen flow shop Johnsonin algoritmi
Flow shop önvaheeju jousava lnja läpvrauspaja Flow shopssa önvaheden järjess on sama alla uoella Kosa vahea vo edelää jono vova ö olla vaheleva ja ö vova ohaa osensa äl ö evä oha osaan puhuaan permuaaoaaaulusa
Lisätiedot6. laskuharjoitusten vastaukset (viikot 10 11)
6. laskuharjoitusten vastaukset (viikot 10 11) 1. a) Sivun 102 hypergeometrisen jakauman määritelmästä saadaan µ µ 13 39 13! 13 12 11 10 9 µ 0! 8! 1! 2 2! 2 1 0 49 48! 47!! 14440 120 31187200 120 1287
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Satunnaismuuttujien summa ja keskihajonta Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotLuento 11. tietoverkkotekniikan laitos
Lueno Lueno Sokasise signaali ja prosessi II. Sokasise prosessi Pruju Saionaarisuus, ergodisuus Auo ja risikorrelaaio ehospekri.3 Kohinan suodaaminen Sokasinen raja arvo ja derivaaa Winer Khinchin eoreema.3
Lisätiedot2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet
Tilastotieteen jatkokurssi Sosiaalitieteiden laitos Harjoitus 5 (viikko 9) Ratkaisuehdotuksia (Laura Tuohilampi). Jatkoa HT 4.5:teen. Määrää E(X) ja D (X). E(X) = 5X p i x i =0.8 0+0.39 +0.4 +0.4 3+0.04
LisätiedotOletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen
Yhden faktorin malli: n kpl sijoituskohteita, joiden tuotot ovat r i, i =, 2,..., n. Olkoon f satunnaismuuttuja ja oletetaan, että tuotot voidaan selittää yhtälön r i = a i + b i f + e i avulla, missä
LisätiedotDEE-53000 Sähkömagneettisten järjestelmien lämmönsiirto
DEE-53000 Sähkömageese järjeselme lämmösro Lueo 8 1 Sähkömageese järjeselme lämmösro Rso Mkkoe Dfferessmeeelmä Numeersa rakasua haeaa aluee dskreeesä psesä. Muodoseaa verkko ja eseää dervaaa erousosamäärä.
LisätiedotSATE1050 Piirianalyysi II syksy 2016 kevät / 6 Laskuharjoitus 10 / Kaksiporttien ABCD-parametrit ja siirtojohdot aikatasossa
SATE050 Piirianalyysi II syksy 06 kevä 07 / 6 Tehävä. Määriä alla olevassa kuvassa esieylle piirille kejumariisi sekä sen avulla syööpiseimpedanssi Z(s), un kuormana on resisanssi k. i () L i () u () C
Lisätiedot7. laskuharjoituskierros, vko 10, ratkaisut
7. laskuharjoituskierros, vko 10, ratkaisut D1. a) Oletetaan, että satunnaismuuttujat X ja Y noudattavat kaksiulotteista normaalijakaumaa parametrein E(X) = 0, E(Y ) = 1, Var(X) = 1, Var(Y ) = 4 ja Cov(X,
LisätiedotSMG KENTTÄ JA LIIKKUVA KOORDINAATISTO
SMG KENTTÄ JA LIIKKUVA KOORDINAATISTO LiikeJla vaiku5aa siihen, miten kentät syntyvät ja miten hiukkaset kokevat kenben väli5ämät vuorovaikutukset ja miltä kentät näy5ävät. Vara5u hiukkanen kokee sähkömagneebsen
LisätiedotSTOKASTISIA MALLEJA SÄHKÖN HINNOITTELUUN. Sanni Sieviläinen
HELSINGIN YLIOPISTO Maemaais-Luonnonieeellinen iedekuna Maemaiikan ja ilasoieeen laios STOKASTISIA MALLEJA SÄHKÖN HINNOITTELUUN Sanni Sieviläinen Pro Gradu-ukielma Ohjaaja: Dario Gasbarra 3. syyskuua 215
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotTestit järjestysasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit järjestysasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit järjestysasteikollisille muuttujille >> Järjestysasteikollisten
LisätiedotTilastomatematiikka Kevät 2008
Tilastomatematiikka Kevät 2008 Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastomatematiikka p.1/19 4.3 Varianssi Satunnaismuuttuja on neliöintegroituva, jos odotusarvo
LisätiedotTasaantumisilmiöt eli transientit
uku 12 Tasaanumisilmiö eli ransieni 12.1 Kelan kykeminen asajännieeseen Kappaleessa 11.2 kykeiin reaalinen kela asajännieeseen ja ukiiin energian varasoiumisa kelan magneeikenään. Tilanne on esiey uudelleen
LisätiedotKOMISSION VALMISTELUASIAKIRJA
EUROOPAN UNIONIN NEUVOSTO Bryssel, 23. oukokuua 2007 (24.05) (OR. en) Toimielinen välinen asia: 2006/0039 (CNS) 9851/07 ADD 2 N 239 RESPR 5 CADREN 32 LISÄYS 2 I/A KOHTAA KOSKEVAAN ILMOITUKSEEN Läheäjä:
LisätiedotIlmavirransäädin. Mitat
Ilmairransäädin Mia (MF, MP, ON, MOD, KNX) Ød nom (MF-D, MP-D, ON-D, MOD-D, KNX-D) Tuoekuaus on ilmairasäädin pyöreälle kanaalle. Se koosuu sääöpellisä ja miaaasa oimilaieesa ja siä oidaan ohjaa huonesääimen
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3
Lisätiedot2.4.2012. Ennen opiskelua OHJAUSTOIMINTA TALOTEKNIIKAN KOULUTUSOHJELMASSA
OHJAUSTOIMINTA TALOTEKNIIKAN KOULUTUSOHJELMASSA Mikkelin ammaikorkeakoulun pedagogisen sraegian mukaan ohuksen avoieena on edisää opiskelijoiden siouumisa opiskeluunsa, ukea heidän yksilöllisiä uravalinoan
Lisätiedot6. Yhteenvetoa kurssista
Statistinen fysiikka, osa A (FYSA241) Vesa Apaja vesa.apaja@jyu.fi Huone: YN212. Ei kiinteitä vastaanottoaikoja. kl 2016 6. Yhteenvetoa kurssista 1 Keskeisiä käsitteitä I Energia TD1, siirtyminen lämpönä
LisätiedotLuento 2. Järjestelmät aika-alueessa Konvoluutio-integraali. tietoverkkotekniikan laitos
Lueno 2 Järjeselmä aika-alueessa Konvoluuio-inegraali Lueno 2 Lueno 2 Järjeselmä aika alueessa; Konvoluuio inegraali 2.1 Järjeselmien perusominaisuude Oppenheim 1.5. 1.6 Muisillise ja muisioma järjeselmä
LisätiedotRahoitusriskit ja johdannaiset Matti Estola. luento 10 Binomipuut ja optioiden hinnoittelu
Rahoitsriskit ja johdannaiset Matti Estola lento 1 Binomipt ja optioiden hinnoittel 1. Optiohintojen mallintaminen Esimerkki. Oletetaan, että osakkeen spot -krssi on $ ja spot -krssilla 3 kk:n kltta on
Lisätiedotr = r f + r M r f (Todistus kirjassa sivulla 177 tai luennon 6 kalvoissa sivulla 6.) yhtälöön saadaan ns. CAPM:n hinnoittelun peruskaava Q P
Markkinaportfolio on koostuu kaikista markkinoilla olevista riskipitoisista sijoituskohteista siten, että sijoituskohteiden osuudet (so. painot) markkinaportfoliossa vastaavat kohteiden markkina-arvojen
LisätiedotJohdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Kertymäfunktio TKK (c) Ilkka Mellin (2005) 1 Kertymäfunktio Kertymäfunktio: Määritelmä Diskreettien jakaumien kertymäfunktiot Jatkuvien jakaumien kertymäfunktiot TKK (c)
LisätiedotPainevalukappaleen valettavuus
Painevalukappaleen valeavuus Miskolc Universiy Sefan Fredriksson Swecas AB Muokau ja lisäy käännös: Tuula Höök, Pekka Savolainen Tampereen eknillinen yliopiso Painevalukappale äyyy suunniella sien, eä
LisätiedotLuento 10: Työ, energia ja teho. Johdanto Työ ja kineettinen energia Teho
Luento 10: Työ, energia ja teho Johdanto Työ ja kineettinen energia Teho 1 / 23 Luennon sisältö Johdanto Työ ja kineettinen energia Teho 2 / 23 Johdanto Energia suure, joka voidaan muuttaa muodosta toiseen,
LisätiedotTilausohjatun tuotannon karkeasuunnittelu. Tilausohjatun tuotannon karkeasuunnittelu
Tilausohjaun uoannon areasuunnielu Tilausohjaussa uoannossa sarjojen muodosaminen ei yleensä ole relevani ongelma, osa uoevaihelu on suura, mä juuri onin peruse MTO-uoannolle Tuoe- ja valmisusraenee ova
LisätiedotJukka Tulkki 8. Laskuharjoitus (ratkaisut) Palautus torstaihin 3.4 klo 12:00 mennessä. x 2
S 437 Fysiikka III Kevät 8 Jukka Tulkki 8 askuharjoitus (ratkaisut) Palautus torstaihin 34 klo : mennessä Assistentit: Jaakko Timonen Ville Pale Pyry Kivisaari auri Salmia (jaakkotimonen@tkkfi) (villepale@tkkfi)
LisätiedotKäytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:
8.1 Satunnaismuuttuja Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella: Esim. Nopanheitossa (d6) satunnaismuuttuja X kertoo silmäluvun arvon. a) listaa kaikki satunnaismuuttujan arvot b)
LisätiedotVÄRÄHTELYMEKANIIKKA SESSIO 17: Yhden vapausasteen pakkovärähtely, impulssikuormitus ja Duhamelin integraali
7/ VÄRÄHTELYMEKANIIKKA SESSIO 7: Yhn vapausasn paovärähly, impulssiuormius ja Duhamlin ingraali IMPULSSIKUORMITUS Maanisn sysmiin ohisuva jasoon hrä on usin ajasa riippuva lyhyaiainn uormius. Ysinraisin
LisätiedotDiskreetit todennäköisyysjakaumat. Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma
Diskreetit todennäköisyysjakaumat Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma Satunnaismuuttuja Satunnaisilmiö on ilmiö, jonka lopputulokseen sattuma vaikuttaa Satunnaismuuttuja on muuttuja,
LisätiedotJos nollahypoteesi pitää paikkansa on F-testisuuren jakautunut Fisherin F-jakauman mukaan
17.11.2006 1. Kahdesta kohteesta (A ja K) kerättiin maanäytteitä ja näistä mitattiin SiO -pitoisuus. Tulokset (otoskoot ja otosten tunnusluvut): A K 10 16 Ü 64.94 57.06 9.0 7.29 Oletetaan mittaustulosten
LisätiedotMaahanmuuttajan työpolkuhanke Väliraportti 31.8.2003-31.12.2004
Maahanmuuajan yöplkuhanke Välirapri 31.8.2003-31.12.2004 Prjekin aviee hankepääöksessä Määrällise aviee Prjekin avieena n edesauaa maahanmuuajien yöllisymisä. Tämä apahuu maahanmuuajien ammaillisen valmiuksien
LisätiedotÖljyn hinnan ja Yhdysvaltojen dollarin riippuvuussuhde
Öljyn hinnan ja Yhdysvalojen dollarin riippuvuussuhde Kansanalousiede Pro gradu -ukielma Talousieeiden laios Tampereen yliopiso Toukokuu 2010 Jari Hännikäinen TIIVISTLMÄ Tampereen yliopiso Talousieeiden
LisätiedotTodennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3
Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Aiheet: Satunnaisvektorit ja moniulotteiset jakaumat Tilastollinen riippuvuus ja lineaarinen korrelaatio Satunnaisvektorit ja moniulotteiset
LisätiedotRegressioanalyysi. Kuusinen/Heliövaara 1
Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin
Lisätiedot