Matemaattisia malleja kuolevuusriskin hallintaan
|
|
- Kirsti Uotila
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Helena Aro* Teemu Pennanen *Matematiikan ja systeemianalyysin laitos, Aalto-yliopisto Department of Mathematics, King s College London, UK Suomen Aktuaariyhdistyksen kuolevuusseminaari, MandatumLife
2 Johdantoa Kuolevuusriski: toteutuneen kuolevuuden poikkeamat odotetusta kuolevuudesta Yksilön eliniän satunnaisuudesta aiheutuva kuolevuusriski (ei-systemaattinen riski) Populaation yleisen kuolevuuden poikkeaminen odotetusta kuolevuudesta (systemaattinen riski) Yllättävien tapahtumien aiheuttamat tilapäiset poikkeamat kuolevuudessa (katastrofiriski) Pitkäikäisyysriski: kuolevuus laskee odotettua nopeammin Kuolevuusriski vaikuttaa niin julkiseen sektoriin kuin yksityisiin eläkevakuuttajiinkin Lääketieteen kehityksen, ympäristötekijöiden ja elintapavalintojen vaikutuksia tulevaan kuolevuuteen ei tiedetä Tarve kuolevuusriskin hallinnan kvantitatiivisille menetelmille Talouskriisin ja Solvency II:n vaikutukset
3 Johdantoa Kuolevuusriskin hallintaan on ehdotettu kuolevuusinstrumentteja, joiden kassavirrat on sidottu tietyn populaation kuolevuuden kehitykseen Kuolevuusjohdannaisille olisi kysyntää, mutta tarjonta on edelleen vähäistä Tarjonta saattaisi kasvaa, jos kuolevuudesta riippuvia kassavirtoja olisi mahdollista suojata käymällä kauppaa likvideillä sijoituskohteilla (vrt. optiomarkkinat ja Black Scholes Merton)
4 Johdantoa Kuolevuusinstrumenttien kassavirroilla ei kuitenkaan ole samanlaista yhteyttä olemassaoleville finanssimarkkinoille kuin yksinkertaisilla osakeoptioilla, joten niiden täydellinen suojaus ei ole mahdollista Kuolevuusjohdannaisten markkinat ovat epätäydelliset, ja myyjä ottaa väistämättä jonkinasteisen riskin Yhteyden löytäminen kuolevuuden ja finanssimarkkinoiden välille voisi auttaa kuolevuusjohdannaisen myyjää suojautumaan kuolevuusriskiltä Tutkimuksen tavoitteena on kehittää kvantitatiivisia menetelmiä kuolevuudesta riippuvien kassavirtojen suojaukseen
5 Tutkimuksen julkaisut H. Aro and T. Pennanen, A user-friendly approach to stochastic mortality modelling. European Actuarial Journal, H. Aro and T. Pennanen, Stochastic modelling of mortality and financial markets. Scandinavian Actuarial Journal, to appear. H. Aro and T. Pennanen, Systematic and non-systematic mortality risk in pension portfolios. North American Actuarial Journal, to appear. H. Aro and T. Pennanen, Liability-driven investment in longevity risk management. Submitted.
6 Tiivistelmä 1. Kuolevuuden ja sijoitustuottojen stokastinen mallinnus, missä erityistä huomiota on kiinnitetty Kuolevuuden kehitykseen pitkällä aikavälillä eri ikäryhmissä Kuolevuuden ja sijoitustuottojen yhteyksiin 2. Näiden yhteyksien hyödyntäminen kuolevuusinstrumenteille sopivien suojausstrategioiden suunnittelussa, numeeristen menetelmien avulla
7 Stokastinen kuolevuusmalli Olkoon E x,t niiden populaation jäsenten määrä (kohortti), jotka ovat iältään [x, x + 1) vuoden t alussa Tavoitteena mallintaa E x,t :n arvoja vuosina t = 0, 1, 2,... annetuille ikäryhmille X N Oletetaan, että ehdollinen odotusarvo E x+1,t+1 annetulla E x,t noudattaa binomijakaumaa: E x+1,t+1 Bin(E x,t, p x,t ), missä p x,t kuvaa todennäkösyyttä, että yksilö, joka on iältään x ja elossa vuoden t alussa, on edelleen hengissä vuoden lopussa
8 Stokastinen kuolevuusmalli Stokastinen kuolevuusmalli saadaan mallintamalla eloonjäämistodennäköisyyksien logit-muunnoksia seuraavasti: ( px,t ) logit p x,t := ln = 1 p x,t n vt i φ i (x), Edellä φ i (x) ovat käyttäjän määrittelemät kantafunktiot kohorttien yli, ja v i t stokastisia riskitekijöitä, joiden arvot muuttuvat ajan funktiona Logit-muunnoksen käyttö takaa sen, että p x,t (0, 1), kun riskitekijät v i t mallinnetaan R n -arvoisena stokastisena prosessina, E x+1,t+1 saadaan arpomalla binomijakaumasta Bin(E(x, t), p(x, t)), suuria populaatioita kuvaa riittävän tarkasti approksimaatio E x+1,t+1 = E(x, t)p(x, t) (systemaattinen vs. ei-systemaattinen kuolevuusriski) i=1
9 Stokastinen kuolevuusmalli Kantafunktioiden valinta määrää riskitekijöiden tulkinnan Konkreettiset tulkinnat helpottavat riskitekijöiden mallinnusta, mistä on apua etsittäessä yhteyksiä kuolevuuden ja muiden tekijöiden välillä Kun kantafunktiot on valittu, riskitekijät mallinnetaan usean muuttujan stokastisena prosessina, jonka muoto ja parametrit voidaan perustaa historiadataan, käyttäjän näkemykseen tulevaisuuden kehityksestä tai molempiin Riskiteköijöiden menneet arvot saadaan historiadatasta suurimman uskottavuuden (maximum likelihood) menetelmän avulla Likelihood-funktio on konkaavi hyvin yleisin oletuksin kantafunktioista
10 Stokastinen kuolevuusmalli Aikuisiän ( v) kuolevuutta mallinnetaan seuraavasti: logit p x,t = v 1 t φ 1 (x) + v 2 t φ 2 (x) + v 3 t φ 3 (x), Kantafunktiot ovat paloittain lineaarisia: { 1 x 18, x 50 φ 1(x) 32 = φ 2(x) = 0, x > 50, φ 3(x) = { 0, x 50 x 50 1, x > { 1 (x 18), x x, x > 50, Φ 1 x Φ 2 x Φ 3 x iv iφ i x Tulkinta: v i t :den arvot pisteitä sovitetulla käyrällä logit p x,t
11 Tilastollista analyysiä Kuolevuus- ja talousdataa vuosille kuudesta korkean eliniänodotteen OECD-maasta: Australia, Kanada, Ranska, Japani, UK, USA Data käsittää aikuisten kohorttien koot E x,t sekä kunkin kohortin kuolleiden määrät D x,t (Lähde: Human mortality database) Lisäksi vuotuinen GDP per capita Korkodataa USA:sta: eri maturiteettien (5v ja 1v) valtion bondit sekä eri luottoluokitusten yrityslainoja
12 Tilastollista analyysiä: v 1 v 1 AU v 1 CAN v 1 FR v 1 JP v 1 UK v 1 US Figure: Riskitekijän v 1 historia-arvoja, naiset. Huomaa eri skaalat.
13 Tilastollista analyysiä: v 1 Riskitekijä v 1 vastaa nuorten kuolevuutta (eloonjäämistodennäköisyyksiä) Kuinka pitkään kuolevuuden lasku jatkuu? Usein kuolevuuden riskifaktoreita mallinnetaan siten, että kuolevuuden lasku on pysyvä ilmiö Osa asiantuntijoista ennustaa laskun jatkuvan toistaiseksi, osan mukaan yleinen länsimainen eliniänodote voi jopa alkaa laskea (mm. elämäntapojen vaikutukset) Eräissä tarkasteltavissa maissa vt 1 :n historiallisissa arvoissa havaittavissa stabiloitumista
14 Tilastollista analyysiä: v 2 v 2 AU v 2 CAN v 2 FR v 2 JP v 2 UK v 2 US Figure: Riskitekijän v 2 historia-arvoja, naiset. Huomaa eri skaalat.
15 Tilastollista analyysiä: v 2 Riskitekijä v 2 vastaa keski-ikäisten kuolevuutta Sydän- ja verisuonitautien nopea lasku näkyy v 2 :n nopeassa kasvussa viimeisten 30 vuoden aikana Kompensoiko lääketieteen ja hoitomuotojen kehitys sekä mahdollinen tupakoinnin väheneminen ylipainon ja muiden elintasosairauksien negatiiviset vaikutukset kuolevuuteen? Voisiko v 2 tulevaisuudessa stabiloitua v 1 :n tapaan?
16 Tilastollista analyysiä: v 3 ja BKT v 3 AU v 3 CAN v 3 FR v 3 JP v 3 UK v 3 US Figure: Riskitekijän v 3 historia-arvoja, naiset. Huomaa eri skaalat.
17 Tilastollista analyysiä: v 3 ja BKT log gdp AU log gdp CAN log gdp FR log gdp JP log gdp UK log gdp US Figure: Per capita GDP:n logaritmisia historia-arvoja. Huomaa eri skaalat.
18 Tilastollista analyysiä: v 3 ja BKT Riskitekijä v 3 kuvaa vanhojen kuolevuutta, mikä usein määrää kuolevuudesta riippuvien instrumenttien kassavirrat Kuolevuuden ja GDP:n välillä on aiemmissakin tutkimuksissa havaittu pitkän aikavälin yhteyksiä Riskitekijän v 3 ja log-gdp:n samanmalliset kuvaajat tukevat hypoteesia siitä, että niiden pitkän aikavälin kehitykset saattaisivat olla toisistaan riippuvia
19 Tilastollista analyysiä: BKT ja finanssimarkkinat 6 Term spread log gdp Credit spread Figure: USA:n korkospread (term -), log-gdp:n erotus sekä luottospread (credit -).
20 Riskitekijöiden mallinnusta Tilastollisen analyysin pohjalta kehitettiin malli, jossa on mm. seuraavat ominaisuudet: Nuorten kuolevuuden stabiloituminen pitkällä aikavälillä Vanhojen kuolevuuden yhteys BKT:hen Lyhyen aikavälin yhteys kuolevuuden ja BKT:n välillä BKT:n yhteys korkoihin Malli on muotoa x t = Ax t 1 + b + ε t, missä A R 6 6, b R 6 ja x = [v 1 t, v 2 t, v 3 t, g t, s T t, s C t ] sisältäen kuolevuuden riskitekijät, log-per capita BKT:n g t, korkospreadin s T t sekä luottospreadin s C t. Stokastinen vektori ε t R 6 kuvaa riskitekijöiden satunnaista vaihtelua
21 Riskitekijöiden mallinnusta 8.4 v 1 v v GDP (log) Term Spread (of log rates) Credit Spread (of log rates) Figure: Simulaatioesimerkki. Mediaanit ja 95% luottamusvälit riskitekijöille. (N=10000), USA naiset
22 Riskitekijöiden mallinnusta v f,3 T g T Figure: Simulaatioesimerkki. Riskitekijän v ja g 2056:n yhdistetyn tiheysfunktion ydinestimaatti (kernel density plot).
23 Suojaustehtävä Tarkastellaan tilannetta, jossa alkupääoma on w 0, ja maksettavana on annuiteetit c t hetkillä t = 1, 2,..., T Kun c t on maksettu hetkellä t, jäljelläoleva varallisuus sijoitetaan rahamarkkinoille Joukko J likvidejä sijoituskohteita, joilla voidaan käydä kauppaa hetkillä t = 0,..., T Sijoituskohteen j tuotto periodilta (t 1, t] olkoon R t,j, ja siihen sijoitettu rahamäärä h t,j Tavoite: etsi sellaisia sijoitusstrategioita, joiden tuotot vastaavat vaateen kassavirtoja mahdollisimman hyvin, annetun riskimitan ρ mielessä loppuhetken T varallisuuden suhteen
24 Suojaustehtävä Tällöin suojaustehtävä voidaan kirjoittaa min ρ( j J h T,j ) over h N s.e. h 0,j w 0 j J h t,j R t,j h t 1,j c t j J j J h t D t, t = 1,..., T t = 1,..., T (ALM) N kuvaa ns. adaptoituneita sijoitusstrategioita (hetkellä t valittu portfolio riippuu ajanhetkeen t mennessä saadusta informaatiosta) D t R J on mahdollisten strategioiden joukko hetkellä t ρ on riskiä/menetystä kuvaava entropinen riskimitta ρ(x ) = 1 γ log E[e γx ]
25 Suojaustehtävä Yleisesti suojaustehtävä ei ole ratkaistavissa analyyttisesti Seuraavassa esimerkissä sovelletaan laskennallista menetelmää, joka hakee optimaalista hajautusta yksinkertaisten kantastrategioiden yli Riskitekijöiden todennäköisyysjakaumaa approksimoidaan skenaario-otoksella
26 Suojaustehtävä Seuraavissa laskelmissa sovellettavat kantastrategiat voidaan jakaa kahteen ryhmään: vastuista riippuviin (liability-driven) ja vastuista riippumattomiin Vastuista riippuvissa kantastrategioissa eri sijoituskohteisiin sijoitettavat osuudet varallisuudesta ovat sidoksissa kuolevuudesta riippuviin vastuisiin Ei-vastuista riippuvat strategiat: Buy and Hold, Fixed Proportions, ja Target Date Fund Vastuista riippuvat strategiat: Constant Proportion Portfolio Insurance, sekä korko- ja luottospreadeista, survival indexistä ja varallisuudesta riippuvia strategioita Osa vastuista riippuvista strategioista hyödyntävää edellä todettuja yhteyksiä sijoitustuottojen ja kuolevuuden välillä
27 Suojaustehtävä Tavoitteena on näyttää, kuinka vastuiden huomioiminen sijoituspäätöksissä parantaa kuolevuudesta riippuvan kassavirran suojausta Kaksi kantastrategiajoukkoa: Ei-vastuista riippuvat strategiat Vastuista riippuvat ja ei-vastuista riippuvat strategiat Kummallekin joukolle laskettiin optimaalinen sijoitusstrategia, ja vastaava kohdefunktion ρ (riskimitta) arvo, ja vertailtiin kohdefunktioiden arvoja Vertailun vuoksi tarkasteltiin porfolio-optimointitehtävää ilman vastuita, jotta havaittaisiin, mikä osa mahdollisesta riskin vähenemisestä todella johtuu vastuiden huomioimisesta (vs. suurempi kantastrategioiden joukko)
28 Suojaustehtävä Seuraavassa numeerisessa esimerkissä T = 30, ja annuiteetit c t riippuvat aloitushetkellä t = 0 65-vuotiaiden USA:laisten naisten kuolevuudesta Optimiallokaatio laskettiin eri riskiaversioparametrin arvoille γ Mitä suurempi riskiaversio, sitä merkittävämmin vastuista riippuvien strategioiden lisääminen pienentää suojaustehtävän riskiä Portfolio-optimointitehtävän riskiin kuolevuudesta riippuvien strategioiden lisäämisen vaikutus oli lähes olematon γ = 0.05 γ = 0.1 γ = 0.3 γ = 0.5 c t = S t c t = 0 c t = S t c t = 0 c t = S t c t = 0 c t = S t c t = 0 Kantastrategiat Ei-VR Kaikki Vähennys (%)
29 Yhteenveto Työssä esiteltiin yksinkertainen stokastinen malli kuolevuuden ja finanssimarkkinoiden pitkän aikavälin kehitykselle ja yhteyksille Mallia ja numeerisia menetelmiä hyödyntäen kuolevuudesta riippuvalle kassavirralle konstruoitiin suojausstrategioita Osoitettiin, että kuolevuudesta riippuvien vaateiden huomioiminen sijoitusstrategioiden valinnassa auttaa pienentämään suojaustehtävään liittyvää riskiä
30 Lähteet H. Aro and T. Pennanen, A user-friendly approach to stochastic mortality modelling. European Actuarial Journal, H. Aro and T. Pennanen, Stochastic modelling of mortality and financial markets. Scandinavian Actuarial Journal, to appear. H. Aro and T. Pennanen, Liability-driven investment in longevity risk management. Submitted. D. Duffie and K. Singleton, Credit Risk: Pricing, Measurement and Management. Princeton University Press, Princeton, N.J., P. Hilli, M. Koivu and T. Pennanen, Cash-flow based valuation of pension liabilities. European Actuarial Journal, P. Hilli, M. Koivu and T. Pennanen, Optimal construction of a fund of funds. European Actuarial Journal, S. H. Preston, The changing relation between mortality and level of economic development. Population Studies, 29(2), D. Wheelock and M. Wohar, Can the term spread predict output growth and recessions? Federal Reserve Bank of St. Louis Review: , 2009
Finanssisitoumusten suojaamisesta
Finanssisitoumusten suojaamisesta Harri Nyrhinen Matematiikan ja tilastotieteen laitos Helsingin yliopisto Vakuutusmatematiikan seminaari 4.5.2017 Esitelmän sisältö Teoreettisluonteisia poimintoja kirjallisuudesta
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi
LisätiedotKorko ja inflaatio. Makrotaloustiede 31C00200 Kevät 2016
Korko ja inflaatio Makrotaloustiede 31C00200 Kevät 2016 Sisältö Nimellis ja reaalikorot, Fisher yhtälö Lyhyt ja pitkä korko Rahapolitiikka ja korot Korko ja inflaatio Nimellinen korko i: 1 tänä vuonna
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Frekventistiset vs. bayeslaiset menetelmät Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotArvo (engl. value) = varmaan attribuutin tulemaan liittyvä arvo. Päätöksentekijä on riskipakoinen, jos hyötyfunktio on konkaavi. a(x) = U (x) U (x)
Arvo (engl. value) = varmaan attribuutin tulemaan liittyvä arvo. Hyöty (engl. utility) = arvo, jonka koemme riskitilanteessa eli, kun teemme päätöksiä epävarmuuden (todennäköisyyksien) vallitessa. Vrt.
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Bayesläiset piste- ja väliestimaatit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotKuolevuusseminaari 9.4.2013
Kuolevuusseminaari 9.4.2013 Jari Niittuinperä Kuolevuuseminaari 19.3. Vakuutusalan viimeaikaiset kuolevuustutkimukset Prosessi ja siihen liittyvät haasteet (data, mallintaminen, laskenta, tulosten verifiointi)
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 6A Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
Lisätiedot8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH
8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH Osa aikasarjoista kehittyy hyvin erityyppisesti erilaisissa tilanteissa. Esimerkiksi pörssikurssien epävakaus keskittyy usein lyhyisiin
LisätiedotBayesiläisiä menetelmiä vakuutusyhtiöiden riskienhallinnassa
Bayesiläisiä menetelmiä vakuutusyhtiöiden riskienhallinnassa Kuolevuusseminaari 9.4.2013 Anne Puustelli 2 Väitöskirja-artikkelit I. Puustelli, A., Koskinen, L., Luoma, A., 2008. Bayesian modelling of financial
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015 Viikko 6: 1 Kalmanin suodatin Aiemmin käsitellyt
LisätiedotEläkkeiden rahoituksen uudistamistarpeet
Eläkkeiden rahoituksen uudistamistarpeet Petri Hilli CEO, QSA Teemu Pennanen Rahoitusmatematiikan professori King s College London Eläkkeiden rahoituksen uudistamistarpeet p. 1 Eläkkeiden rahastoinnin
Lisätiedotmin x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-39 Optimointioppi Kimmo Berg 6 harjoitus - ratkaisut min x + x x + x = () x f = 4x, h = x 4x + v = { { x + v = 4x + v = x = v/ x = v/4 () v/ v/4
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
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
LisätiedotKorkojen aikarakenne
Korkojen aikarakenne opetusnäyte: osa kuvitteellista Raha- ja pankkiteorian aineopintojen kurssia Antti Ripatti Taloustiede 4.11.2011 Antti Ripatti (Taloustiede) Korkojen aikarakenne 4.11.2011 1 / 30 2003),
LisätiedotIlkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2006) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotOsakesalkun optimointi
Osakesalkun optimointi Anni Halkola Epäsileä optimointi Turun yliopisto Huhtikuu 2016 Sisältö 1 Johdanto 1 2 Taustatietoja 2 3 Laskumetodit 3 3.1 Optimointiongelmat........................ 4 4 Epäsileän
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
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 18. lokakuuta 2007 Antti Rasila () TodB 18. lokakuuta 2007 1 / 19 1 Tilastollinen aineisto 2 Tilastollinen malli Yksinkertainen satunnaisotos 3 Otostunnusluvut
Lisätiedot031021P Tilastomatematiikka (5 op) kertausta 2. vk:een
031021P Tilastomatematiikka (5 op) kertausta 2. vk:een Jukka Kemppainen Mathematics Division 2. välikokeeseen Toinen välikoe on la 5.4.2014 klo. 9.00-12.00 saleissa L1,L3 Koealue: luentojen luvut 7-11
LisätiedotJohdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:
LisätiedotAllokaatiomuutos 3.2.2014. Alexandria
Allokaatiomuutos 3.2.2014 Alexandria Alexandria Cautious Manager Fund Alexandria Cautious 31.1.2014 OSAKKEET Salkunhoitaja 20,00 Suomi 5,60 Finlandia 4,01 Finland Small Cap 1,59 Eurooppa 7,49 BGF European
LisätiedotEstimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?
TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman
LisätiedotKuolevuusseminaari
Kuolevuusseminaari 19.03.2013 K2012: Henkivakuutuksen kuolevuustutkimus Henkivakuutettujen pitkän ajan kuolevuusennuste 1 Aihealueet Taustaa Kuolevuusennuste: menetelmän valinta Kuolevuusennuste: lähtöaineiston
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016
LisätiedotMaximum likelihood-estimointi Alkeet
Maximum likelihood-estimointi Alkeet Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Maximum likelihood-estimointi p.1/20 Maximum Likelihood-estimointi satunnaismuuttujan X
LisätiedotTalousmatematiikan perusteet: Luento 17. Integraalin sovelluksia kassavirta-analyysissa Integraalin sovelluksia todennäköisyyslaskennassa
Talousmatematiikan perusteet: Luento 17 Integraalin sovelluksia kassavirta-analyysissa Integraalin sovelluksia todennäköisyyslaskennassa Motivointi Kahdella edellisellä luennolla olemme oppineet integrointisääntöjä
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 7 Ti 27.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 7 Ti 27.9.2011 p. 1/39 p. 1/39 Interpolointi Ei tunneta funktion f : R R lauseketta, mutta tiedetään funktion
Lisätiedotl (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on
HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 018 Harjoitus B Ratkaisuehdotuksia Tehtäväsarja I 1 (Monisteen tehtävä 14) Olkoon f Y (y; θ) tilastollinen malli, jonka
LisätiedotMarkkinakatsaus. Maaliskuu 2018
Markkinakatsaus Maaliskuu 2018 Talouskasvuennusteet - Talouskasvu piristyy maltillisesti 2018 Talousindikaattorit (Economic Surprise Index) - Kehitys vuodesta 2012 Teollisuuden ostopäällikköindeksit -
LisätiedotTyöeläkkeiden rahoituksesta ja sen riskien hallinnasta p.1/20
Työeläkkeiden rahoituksesta ja sen riskien hallinnasta Teemu Pennanen Liikkeenjohdon systeemit, HKKK ja Matematiikka, TKK Työeläkkeiden rahoituksesta ja sen riskien hallinnasta p.1/20 Sisältö 1. Vanhuuseläkeongelma
Lisätiedot9. Tila-avaruusmallit
9. Tila-avaruusmallit Aikasarjan stokastinen malli ja aikasarjasta tehdyt havainnot voidaan esittää joustavassa ja monipuolisessa muodossa ns. tila-avaruusmallina. Useat aikasarjat edustavat dynaamisia
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
LisätiedotAllokaatiomuutos 22.10.2014. Alexandria
Allokaatiomuutos 22.10.2014 Alexandria Alexandria Cautious Manager Fund Alexandria Cautious 20.10.2014 OSAKKEET Salkunhoitaja 20,00 Suomi 4,90 SEB Finlandia SEB 4,90 Eurooppa 5,48 BGF European Fund Blackrock
LisätiedotOsakesalkun optimointi. Anni Halkola Turun yliopisto 2016
Osakesalkun optimointi Anni Halkola Turun yliopisto 2016 Artikkeli Gleb Beliakov & Adil Bagirov (2006) Non-smooth optimization methods for computation of the Conditional Value-at-risk and portfolio optimization.
LisätiedotJos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden
1.12.2006 1. Satunnaisjakauman tiheysfunktio on Ü µ Üe Ü, kun Ü ja kun Ü. Määritä parametrin estimaattori momenttimenetelmällä ja suurimman uskottavuuden menetelmällä. Ratkaisu: Jotta kyseessä todella
LisätiedotDynaaminen allokaatio ja riskibudjetointi sijoitusstrategioissa
Aalto yliopisto Mat 2.4177 Operaatiotutkimuksen projektityöseminaari Dynaaminen allokaatio ja riskibudjetointi sijoitusstrategioissa Väliraportti 5.4.2013 Vesa Husgafvel (projektipäällikkö) Tomi Jussila
LisätiedotMS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 4: Ketjusäännöt ja lineaarinen approksimointi
MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 4: Ketjusäännöt ja lineaarinen approksimointi Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 2016 1 Perustuu
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotPeto- ja saaliskanta
Peto- ja saaliskanta Peto- ja saaliskantojen keskinäistä vuorovaikutusta voiaan mallintaa toisistaan riippuvien ifferentiaaliyhtälöien avulla. Tässä tarkastellaan yksinkertaista mallia, joka perustuu ns.
LisätiedotBlack ja Scholes ilman Gaussia
Black ja Scholes ilman Gaussia Tommi Sottinen Vaasan yliopisto SMY:n vuosikokousesitelmä 19.3.2012 1 / 21 Johdanto Tarkastelemme johdannaisten, eli kansankielellä optioiden, hinnoittelua. Kuuluisin hinnoittelumalli
LisätiedotAllokaatiomuutos 11.8.2014. Alexandria
Allokaatiomuutos 11.8.2014 Alexandria Alexandria Cautious Manager Fund Alexandria Cautious 8.8.2014 OSAKKEET Salkunhoitaja 20,00 Suomi 5,03 SEB Finlandia SEB 4,17 SEB Finland Small Cap SEB 0,86 Eurooppa
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
LisätiedotAllokaatiomuutos 29.9.2014. Alexandria
Allokaatiomuutos 29.9.2014 Alexandria Alexandria Cautious Manager Fund Alexandria Cautious 26.9.2014 OSAKKEET Salkunhoitaja 20,00 Suomi 4,83 SEB Finlandia SEB 4,00 SEB Finland Small Cap SEB 0,83 Eurooppa
LisätiedotNyt ensimmäisenä periodina (ei makseta kuponkia) odotettu arvo on: 1 (qv (1, 1) + (1 q)v (0, 1)) V (s, T ) = C + F
Mat-2.34 Investointiteoria Laskuharjoitus 2/2008, Ratkaisut 29.04.2008 Binomihilan avulla voidaan laskea T vuoden ja tietyn kupongin sisältävän joukkovelkakirjan arvo eli hinta rekursiivisesti vaihtelevan
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotYksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1
Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään tiedetään, että ainakin kaksi
LisätiedotTilastotieteen kertaus. Vilkkumaa / Kuusinen 1
Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin
LisätiedotOsakkeiden tuottojakaumia koskevien markkinaja asiantuntijanäkemysten yhdistely copulafunktioilla
Osakkeiden tuottojakaumia koskevien markkinaja asiantuntijanäkemysten yhdistely copulafunktioilla (valmiin työn esittely) Henri Tuovila 13.01.2014 Ohjaaja: VTM Ville Hemmilä Valvoja: Prof. Ahti Salo Sisältö
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
LisätiedotTalousmatematiikan perusteet: Luento 7. Derivointisääntöjä Yhdistetyn funktion, tulon ja osamäärän derivointi Suhteellinen muutosnopeus ja jousto
Talousmatematiikan perusteet: Luento 7 Derivointisääntöjä Yhdistetyn funktion, tulon ja osamäärän derivointi Suhteellinen muutosnopeus ja jousto Viime luennolla Funktion Derivaatta f (x) kuvaa funktion
Lisätiedotx 4 e 2x dx Γ(r) = x r 1 e x dx (1)
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta IIA, syksy 217 217 Harjoitus 6 Ratkaisuehdotuksia Tehtäväsarja I 1. Laske numeeriset arvot seuraaville integraaleille: x 4 e 2x dx ja 1
Lisätiedot30A02000 Tilastotieteen perusteet
30A02000 Tilastotieteen perusteet Kertaus 1. välikokeeseen Lauri Viitasaari Tieto- ja palvelujohtamisen laitos Kauppatieteiden korkeakoulu Aalto-yliopisto Syksy 2019 Periodi I-II Sisältö Välikokeesta Joukko-oppi
LisätiedotYksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1
Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään, tiedetään, että ainakin
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon ongelma p. 1/18 Puuttuvan tiedon ongelma pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto mtl.uta.fi/tilasto/sekamallit/puupitkit.pdf
Lisätiedotln S(k) = ln S(0) + w(i) E[ln S(k)] = ln S(0) + vk V ar[ln S(k)] = kσ 2
Moniperiodisten investointitehtäviä tarkasteltaessa sijoituskohteiden hintojen kehitystä mallinnetaan diskeetteinä (binomihilat) tai jatkuvina (Itô-prosessit) prosesseina. Sijoituskohteen hinta hetkellä
LisätiedotAllokaatiomuutos Alexandria
Allokaatiomuutos 3.6.2014 Alexandria Alexandria Cautious Manager Fund Alexandria Cautious 28.5.2014 OSAKKEET Salkunhoitaja 24,12 Suomi 5,87 SEB Finlandia SEB 4,39 SEB Finland Small Cap SEB 1,48 Eurooppa
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
LisätiedotTyEL-kuolevuusperusteesta
TyEL-kuolevuusperusteesta 26.5.2015 29.5.2015 Kuolevuusperusteesta Tuomas Hakkarainen 1 Tarve kuolevuusperusteelle TyEL-vakuutuksessa Työnantajan eläkevakuutuksen vanhuuseläkevastuut ovat pitkäikäisiä,
Lisätiedot4. Funktion arvioimisesta eli approksimoimisesta
4. Funktion arvioimisesta eli approksimoimisesta Vaikka nykyaikaiset laskimet osaavatkin melkein kaiken muun välttämättömän paitsi kahvinkeiton, niin joskus, milloin mistäkin syystä, löytää itsensä tilanteessa,
LisätiedotAllokaatiomuutos 24.11.2014. Alexandria
Allokaatiomuutos 24.11.2014 Alexandria Alexandria Cautious Manager Fund Alexandria Cautious 21.11.2014 OSAKKEET Salkunhoitaja 23,53 Suomi 5,02 SEB Finlandia SEB 5,02 Eurooppa 8,06 BGF European Fund Blackrock
LisätiedotLokaali bilineaarinen (lokaali Lee-Carter) kuolevuusmalli
Lokaali bilineaarinen (lokaali Lee-Carter) kuolevuusmalli Aktuaariyhdistyksen kuolevuusseminaari 9.4.2013 Vesa Ronkainen 9.4.2013 Vesa Ronkainen Stochastic modeling of financing longevity risk in pension
LisätiedotEpäyhtälöt ovat yksi matemaatikon voimakkaimmista
6 Epäyhtälöitä Epäyhtälöt ovat yksi matemaatikon voimakkaimmista työvälineistä. Yhtälö a = b kertoo sen, että kaksi ehkä näennäisesti erilaista asiaa ovat samoja. Epäyhtälö a b saattaa antaa keinon analysoida
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
LisätiedotAllokaatiomuutos 10.3.2014. Alexandria
Allokaatiomuutos 10.3.2014 Alexandria Alexandria Cautious Manager Fund Osakemarkkinat ylipainossa Alexandria Cautious 10.3.2014 OSAKKEET Salkunhoitaja 24,11 Suomi 7,01 Finlandia 5,40 Finland Small Cap
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Bayesläinen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy
LisätiedotAllokaatiomuutos 16.6.2014. Alexandria
Allokaatiomuutos 16.6.2014 Alexandria Alexandria Cautious Manager Fund Alexandria Cautious 12.6.2014 OSAKKEET Salkunhoitaja 23,02 Suomi 6,08 SEB Finlandia SEB 4,62 SEB Finland Small Cap SEB 1,46 Eurooppa
LisätiedotHarjoitus 4: Matlab - Optimization Toolbox
Harjoitus 4: Matlab - Optimization Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Optimointimallin muodostaminen
LisätiedotMS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi
MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0202 Syksy 2015 1
LisätiedotProbabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto
Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Esimerkki Tarkastelemme ilmiötä I, joka on a) tiettyyn kauppaan tulee asiakkaita
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi
LisätiedotHarjoitus 2: Matlab - Statistical Toolbox
Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 6 To 22.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 6 To 22.9.2011 p. 1/38 p. 1/38 Ominaisarvotehtävät Monet sovellukset johtavat ominaisarvotehtäviin Yksi
LisätiedotLuento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu
Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Merkintöjä := vasen puoli määritellään oikean puolen lausekkeella s.e. ehdolla; siten että (engl. subject to, s.t.) on voimassa
LisätiedotTilastollisen analyysin perusteet Luento 6: Korrelaatio ja riippuvuus tilastotieteessä
Tilastollisen analyysin perusteet Luento 6: Korrelaatio ja riippuvuus tilastotieteessä Sisältö Riippumattomuus Jos P(A B) = P(A)P(B), niin tapahtumat A ja B ovat toisistaan riippumattomia. (Keskustelimme
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Tilastollisen merkitsevyyden testaus Osa II Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.2104 Tilastollisen analyysin perusteet, kevät 2007 2. luento: Tilastolliset testit Kai Virtanen 1 Tilastollinen testaus Tutkimuksen kohteena olevasta perusjoukosta esitetään väitteitä oletuksia joita
LisätiedotALLOKAATIO MALTTI Salkkukatsaus
11/2017 12/2017 1/2018 2/2018 3/2018 4/2018 5/2018 6/2018 7/2018 8/2018 9/2018 10/2018 11/2018 12/2018 ALLOKAATIO MALTTI OMAISUUSLAJIJAKAUMA Peruspaino Osakesijoitukset 26,7 % 25 % Korkosijoitukset 73,3
Lisätiedothttps://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014
1 MTTTP3 Tilastollisen päättelyn perusteet 2 Luennot 8.1.2015 ja 13.1.2015 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014
LisätiedotTehtävät. 1. Ratkaistava epäyhtälöt. a) 2(4 x) < 12, b) 5(x 2 4x + 3) < 0, c) 3 2x 4 > 6. 1/10. Sukunimi (painokirjaimin)
1/10 Tehtävä 1 2 3 4 5 6 7 8 9 10 Yhteensä Pisteet (tarkastaja merkitsee) Kokeessa on kymmenen tehtävää, joista jokainen on erillisellä paperilla. Jokaisen tehtävän maksimipistemäärä on 6 pistettä. Ratkaise
LisätiedotMat Investointiteoria Laskuharjoitus 4/2008, Ratkaisut
Projektien valintapäätöksiä voidaan pyrkiä tekemään esimerkiksi hyöty-kustannus-suhteen (so. tuottojen nykyarvo per kustannusten nykyarvo) tai nettonykyarvon (so. tuottojen nykyarvo - kustannusten nykyarvo)
Lisätiedot3 = Lisäksi z(4, 9) = = 21, joten kysytty lineaarinen approksimaatio on. L(x,y) =
BM20A5810 Differentiaalilaskenta ja sovellukset Harjoitus 6, Syksy 2016 1. (a) Olkoon z = z(x,y) = yx 1/2 + y 1/2. Muodosta z:lle lineaarinen approksimaatio L(x,y) siten että approksimaation ja z:n arvot
LisätiedotVäliestimointi (jatkoa) Heliövaara 1
Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).
LisätiedotTilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
Lisätiedot3. Teoriaharjoitukset
3. Teoriaharjoitukset Demotehtävät 3.1 a Olkoot u ja v satunnaumuuttujia, joilla on seuraavat ominaisuudet: E(u = E(v = 0 Var(u = Var(v = σ 2 Cov(u, v = E(uv = 0 Näytä että deterministinen prosessi. x
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 22. marraskuuta 2007 Antti Rasila () TodB 22. marraskuuta 2007 1 / 17 1 Epäparametrisia testejä (jatkoa) χ 2 -riippumattomuustesti 2 Johdatus regressioanalyysiin
Lisätiedot. Kun p = 1, jono suppenee raja-arvoon 1. Jos p = 2, jono hajaantuu. Jono suppenee siis lineaarisesti. Vastaavasti jonolle r k+1 = r k, suhde on r k+1
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-.39 Optimointioppi Kimmo Berg 8. harjoitus - ratkaisut. a)huomataan ensinnäkin että kummankin jonon raja-arvo r on nolla. Oletetaan lisäksi että
LisätiedotMat-2.3114 Investointiteoria - Kotitehtävät
Mat-2.3114 Investointiteoria - Kotitehtävät Kotitehtäviä on yhteensä kahdeksan ja ne ratkeavat tavallisilla taulukkolaskentaohjelmistoilla. Jokaisesta kotitehtävistä saa maksimissaan 5 pistettä: 4p/oikea
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon
Lisätiedot4.2.2 Uskottavuusfunktio f Y (y 0 X = x)
Kuva 4.6: Elektroniikassa esiintyvän lämpökohinan periaate. Lämpökohinaa ε mallinnetaan additiivisella häiriöllä y = Mx + ε. 4.2.2 Uskottavuusfunktio f Y (y 0 X = x) Tarkastellaan tilastollista inversio-ongelmaa,
Lisätiedotẋ(t) = s x (t) + f x y(t) u x x(t) ẏ(t) = s y (t) + f y x(t) u y y(t),
Aalto-yliopiston Perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Mat-2.4129 Systeemien Identifiointi 1. harjoituksen ratkaisut 1. Tarkastellaan maita X ja Y. Olkoon näiden varustelutaso
LisätiedotRAHAPÄIVÄ 20.9.2011 Megatrendien hyödyntäminen. Matti Alahuhta Toimitusjohtaja, KONE Oyj
RAHAPÄIVÄ 20.9.2011 Megatrendien hyödyntäminen Matti Alahuhta Toimitusjohtaja, KONE Oyj Agenda Taloudellinen kehitys Johtaminen megatrendejä hyödyntäen Johtaminen tämän päivän epävarmassa ympäristössä
LisätiedotBlack Scholes-hinnoittelumallin robustisuus ja tyylitellyt tosiseikat
Black Scholes-hinnoittelumallin robustisuus ja tyylitellyt tosiseikat Tommi Sottinen, Helsingin yliopisto Yhteistyössä C. Bender, TU Braunschweig E. Valkeila, Teknillinen korkeakoulu 10. lokakuuta 2006
LisätiedotRAHASTO MALTILLINEN Salkkukatsaus
7/2010 1/2011 7/2011 1/2012 7/2012 1/2013 7/2013 1/2014 7/2014 1/2015 7/2015 1/2016 7/2016 1/2017 7/2017 RAHASTO MALTILLINEN OMAISUUSLAJIJAKAUMA Peruspaino Osakesijoitukset 29,2 % 25 % Korkosijoitukset
LisätiedotLisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen
MTTTP5, kevät 2016 4.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen 1. Laitosneuvostoon valitaan 2 professoria, 4 muuta henkilökuntaan kuuluvaa jäsentä sekä 4 opiskelijaa. Laitosneuvostoon
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
Lisätiedot