Johdannaisanalyysi. Contingent Claims Analysis Juha Leino S ysteemianalyysin. Laboratorio
|
|
- Lasse Kinnunen
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 Johdannaisanalyysi Contingent Claims Analysis Juha Leino Optimointiopin seminaari - Syksy 2000 / 1
2 Oletukset Yritys tuottaa tuotetta, jonka hinta on x x noudattaa geometrista Brownin liikettä dx = αxdt + σxdz Tuotteella x on olemassa markkinat Mahdollisuus sijoittaa riskittömästi korolla r Optimointiopin seminaari - Syksy 2000 / 2
3 Mikä on yrityksen arvo? Tarkastellaan lyhyttä ajanjaksoa dt Luodaan kaksi portfoliota Ostetaan yritys summalla F(x,t) Sijoitetaan 1 dollari riskittömällä korolla ja ostetaan n yksikköä tuotetta x Optimointiopin seminaari - Syksy 2000 / 3
4 Portfolio 1 Ostohinta F(x,t) Saadaan kassavirta π(x,t)dt F(x,t):n muutos saadaan laskettua käyttäen Iton lemmaa df = [F t + αxf x + ½σ 2 x 2 F xx ]dt + σxf x dz Tuotto π + F t + αxfx + F ½σ 2 x 2 F xx dt + σxf F x dz Optimointiopin seminaari - Syksy 2000 / 4
5 Portfolio 2 Sijoitetaan dollari riskittömällä korolla r Saadaan riskitön tuotto rdt Ostetaan n yksikköä tuotetta x Osinko nδxdt Arvon muutos ndx = nαxdt + nσxdz Tuotto r + n( α + δ ) x σnx dt + 1+ nx 1+ nx dz Optimointiopin seminaari - Syksy 2000 / 5
6 Portfolioiden vertailu Valitaan n siten, että portfolioilla sama riski σ nx σ xf x ( x, t ) = 1 + nx F ( x, t ) Sama riskikäyttäytyminen Sama tuotto π + Ft + αxfx + F Sievennetään ½σ 2 x 2 F xx = r + n( α + δ ) x 1+ nx Optimointiopin seminaari - Syksy 2000 / 6
7 Yrityksen arvo ½σ 2 x 2 F xx + (r δ)xf x + F t rf + π = 0 Yrityksen arvo saadaan ratkaisemalla F Optimointiopin seminaari - Syksy 2000 / 7
8 Yleistetään tarkastelua x noudattaa Ito-prosessia dx = a(x,t)dt + b(x,t)dz Ei käytetä tuotetta x portfoliossa Optimointiopin seminaari - Syksy 2000 / 8
9 Seuraava kohde Käytetään apuna seuraavaa kohdetta X, joka korreloi täydellisesti x:n kanssa Futuuri Dynaaminen portfolio Kohteen X tuotto ajassa dt Osinko D(x,t)Xdt Kohteen arvon muutos dx = A(x,t)Xdt + B(x,t)Xdz Merkitään µ X (x,t) = A(x,t) + D(x,t) Optimointiopin seminaari - Syksy 2000 / 9
10 Portfolio Yritys ja n yksikön lyhyt positio kohdetta X Lyhyt positio Ostohinta nx Arvon muutos naxdt nbxdz Osinko nd(x,t)xdt maksetaan toiselle osapuolelle Optimointiopin seminaari - Syksy 2000 / 10
11 Portfolio Ostohinta F(x,t) nx Tuotto ( 2 π ndx + F af b F nax) t + x + ½ xx ( bfx nbx) dz F nx Valitaan n = bf x /BX dt + Riskitön portfolio Tuoton oltava sama kuin riskittömällä korolla F nx Optimointiopin seminaari - Syksy 2000 / 11
12 Yrityksen arvo Sieventämällä saadaan ½ 2 b b Fxx + a µ r F x rf + Ft + π = B Yhtälön kaikki kertoimet saadaan joko käytettävistä malleista (a(x,t)) tai havainnoimalla markkinoita (µ(x,t)) ( ) 0 F ratkaisemalla saadaan yrityksen arvo Optimointiopin seminaari - Syksy 2000 / 12
13 Reunaehdot Aiemmat tulokset saatiin tarkastelemalla ajanjaksoa dt Yhtälöiden ratkaisu vaatii reunaehtoja Lopputuotto Ω(x,t) tunnetaan Loppuaika T F(x,T) = Ω(x,T) x Rajahinta x * (t) F(x * (t),t) = Ω(x * (t),t) t Optimaalinen pysäytys F(x * (t),t) = Ω(x * (t),t) t Smooth-pasting-ominaisuus F x (x * (t),t) = Ω x (x * (t),t) t Optimointiopin seminaari - Syksy 2000 / 13
14 Poisson-prosessit Oletetaan, että x noudattaa hyppyprosessia dx = f(x,t)dt + g(x,t)dq Joskus kohde X löydettävissä Lyhytkestoiset futuurit Yleisessä tapauksessa käytettävä dynaamista portfoliota Poisson-prosessi epäjatkuva Ei voida käyttää Optimointiopin seminaari - Syksy 2000 / 14
15 Poisson-prosessit Ratkaisu Dynaaminen ohjelmointi CAPM Merkittiin odotettua tuottoa µ X (x,t) =A(x,t) + D(x,t) µ X (x,t) = r + φρ xm B(x,t) Oletetaan, että hyppy ei korreloi markkinaportfolion kanssa eli ρ xm = 0 µ X (x,t) = r ½b 2 F xx + af x rf + F t + π = 0 Molemmat ratkaisut johtavat samaan yhtälöön Optimointiopin seminaari - Syksy 2000 / 15
16 Kotitehtävä Yritys F(x,t) Kassavirta π(x,t)dt Kohde X Korreloi täydellisesti x:n kanssa Osinko D(x,t)Xdt Prosessi dx = A(x,t)Xdt + B(x,t)Xdz Johda kahden portfolion menetelmällä yhtälö yrityksen hinnalle Optimointiopin seminaari - Syksy 2000 / 16
Jatkuvan ajan dynaaminen optimointi
Jatkuvan ajan dynaaminen optimointi Diskreetistä ajasta jatkuvaan Ito prosessit Optimaalinen pysäytys Poisson prosessit Optimointiopin seminaari - Syksy 2000 / 1 Jatkuvan ajan dynaaminen π(x,u,t) tuottovirta
OPTIMAALINEN INVESTOINTIPÄÄTÖS
OPTIMAALINEN INESTOINTIPÄÄTÖS Keskiarvoon palautuvalle prosessille ja Poissonin hyppyprosessille Optimointiopin seminaari - Syksy 000 / 1 I. KESKIAROON PALAUTUA PROSESSI Investoinnin kohde-etuuden arvo
Projektin arvon aleneminen
Projektin arvon aleneminen sivut 99-07 Optimointiopin seminaari - Syksy 000 / Arvon aleneminen Jatketaan projektin arvon tutkimista. Nyt huomioidaan arvon aleneminen. Syitä esimerkiksi: kaluston vanheneminen
Lisää satunnaisuutta ja mahdollisuus keskeyttää projekti
isää satunnaisuutta ja mahdollisuus keskeyttää projekti Esitelmä 7 - Mika lmoniemi Optimointiopin seminaari - Syksy isää satunnaisuutta Tähän mennessä on käytetty vain yhtä satunnaismuuttujaa tuotteen
Investointimahdollisuudet ja niiden ajoitus
Investointimahdollisuudet ja niiden ajoitus Ratkaisu optiohinnoitteluteorian avulla Esitelmä - Eeva Nyberg Optimointiopin seminaari - Syksy 000 / Tähän asti opittua NP:n rajoitteet vaikka NP negatiivinen
Diskreettiaikainen dynaaminen optimointi
Diskreettiaikainen dynaaminen optimointi Usean kauden tapaus 2 kauden yleistys Ääretön loppuaika Optimaalinen pysäytys Optimointiopin seminaari - Syksy 2000 / Ongelma t 0 x 0 t- t T x t- + x t + x T u
Ito-prosessit. Määritelmä Geometrinen Brownin liike Keskiarvoon palautuvat prosessit Iton lemma. S ysteemianalyysin. Laboratorio
Ito-prosessit Määritelmä Geometrinen Brownin liike Keskiarvoon palautuvat prosessit Iton lemma Optimointiopin seminaari - Syksy 2000 / 1 Ito-prosessit Brownin liikkeen yleistys (Ito prosessi) x(t) : dx
Investointimahdollisuudet ja investoinnin ajoittaminen
Investointimahdollisuudet ja investoinnin ajoittaminen Ajoituksen ratkaisu dynaamisella optimoinnilla Optimointiopin seminaari - Syksy 000 / Esitelmän sisältö Investoinnin ajoitusongelman esittely Ongelman
Projektin keskeyttäminen, uudelleen käynnistäminen ja hylkääminen
Projektin keskeyttäminen, uudelleen käynnistäminen ja hylkääminen Optimointiopin seminaari - Syksy 000 / 1 Mallin laajennus Toiminta voidaan väliaikaisesti keskeyttää ja käynnistää uudelleen Keskeyttämisestä
Projektin arvon määritys
Projektin arvon määritys Luku 6, s. 175-186 Optimointiopin seminaari - Syksy 2000 / 1 Tehtävä Johdetaan menetelmä projektiin oikeuttavan option määrittämiseksi kohde-etuuden hinnan P perusteella projektin
Päätöspuut pitkän aikavälin investointilaskelmissa
Päätöspuut pitkän aikavälin investointilaskelmissa Optimointiopin seminaari, Jaakko Ollila. Parannusehdotus 4. Esimerkki : hystereesis investointipäätöksissä 1 -$ 0 Tavallinen päätöspuu Aika Laskut antavat
Esteet, hyppyprosessit ja dynaaminen ohjelmointi
Esteet, hyppyprosessit ja dynaaminen ohjelmointi Juha Martikainen 4.10.2000 Oppikirjan sivut 83-87 ja 93-98 Optimointiopin seminaari - Syksy 2000 / 1 Esteet (määritelmät) Muistellaan menneitä: Ajelehtiva
Oletetaan, 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
Wiener-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
Investointimahdollisuudet ja investointien ajoittaminen
Investointimahdollisuudet ja investointien ajoittaminen Optimaalisen investointistrategian ominaispiirteitä eli parametrien vaikutus ratkaisuun Optimointiopin seminaari - Syksy 000 / Optimointiopin seminaari
[xk r k ] T Q[x k r k ] + u T k Ru k. }.
Mat-2.48 Dynaaminen optimointi Mitri Kitti/Ilkka Leppänen Mallivastaukset, kierros 3. Johdetaan lineaarisen aikainvariantin seurantatehtävän yleinen ratkaisu neliöllisellä kustannuksella. Systeemi: x k+
r = 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
MS-A0107 Differentiaali- ja integraalilaskenta 1 (CHEM)
MS-A17 Differentiaali- ja integraalilaskenta 1 CHEM) Laskuharjoitus 4lv, kevät 16 1. Tehtävä: Laske cos x dx a) osittaisintegroinnilla, b) soveltamalla sopivaa trigonometrian kaavaa. Ratkaisu: a) Osittaisintegroinnin
= X s + IE[X t X s ] = 0, s ja sitä, että ehdollinen odotusarvo on tavallinen odotusarvo silloin, kun satunnaismuuttuja
44 E. VALKEILA 6. Geometrinen Brownin liike 6.1. Brownin liike ja Iton kaava. Tavoitteena on mallintaa osakkeen tuottoa jatkuvassa ajassa. Jos (S t ) t T on osakkeen hintaprosessi, niin tuotolla tarkoitetaan
Mat-2.3114 Investointiteoria Laskuharjoitus 3/2008, Ratkaisut 05.02.2008
Korko riippuu usein laina-ajan pituudesta ja pitkille talletuksille maksetaan korkeampaa korkoa. Spot-korko s t on se korko, joka kertyy lainatulle pääomalle hetkeen t (=kokonaisluku) mennessä. Spot-korot
Investointistrategioista kilpailluilla markkinoilla
Investointistrategioista kilpailluilla markkinoilla Tuomas Pyykkönen 29.11.2000 (esitys kirjasta: Investment under Uncertainty; Dixit, Pindyck (1994); ss. 247-260) Optimointiopin seminaari - Syksy 2000
Mat-2.11 4 Investointiteoria. Tentti 6.9.2005. Mitd
.* Mat-2.11 4 Investointiteoria Tentti 6.9.2005 Ki{oita jokaiseen koepapcriin selveisti: o Mat-2.114 Investointiteoria o opintoki{'an numero sekii sukunimi ja viralliset etunimet tekstaten o koulutusohjelma
, tuottoprosentti r = X 1 X 0
Ostat osakkeen hintaan ja myyt sen vuoden myöhemmin hintaan X 1. Kokonaistuotto on tällöin R = X 1, tuottoprosentti r = X 1 ja pätee R = 1 + r. Lyhyeksimyymisellä tarkoitetaan, että voit myydä osakkeen
Dynaaminen 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
Satunnaismuuttujien muunnokset ja niiden jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja
Matematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus Malliratkaisut (Sauli Lindberg)
Matematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus 4 9.4.-23.4.200 Malliratkaisut (Sauli Lindberg). Näytä, että Lusinin lauseessa voidaan luopua oletuksesta m(a)
x 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
Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2004) 1 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat
Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5
Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5 1. Kotitehtävä. 2. Lasketaan aluksi korkoa korolle. Jos korkoprosentti on r, ja korko maksetaan n kertaa vuodessa t vuoden ajan, niin kokonaisvuosikorko
k = 1,...,r. L(x 1 (t), x
Mat-2.148 Dynaaminen optimointi Mitri Kitti/Ilkka Leppänen Mallivastaukset, kierros 6 1. Johdetaan välttämättömät ehdot funktionaalin J(y) = t g(y(t), ẏ(t),..., dr y(t), t) dt dt r ekstremaalille, kun
y x1 σ t 1 = c y x 1 σ t 1 = y x 2 σ t 2 y x 2 x 1 y = σ(t 2 t 1 ) x 2 x 1 y t 2 t 1
1. Tarkastellaan funktiota missä σ C ja y (y 1,..., y n ) R n. u : R n R C, u(x, t) e i(y x σt), (a) Miksi funktiota u(x, t) voidaan kutsua tasoaalloksi, jonka aaltorintama on kohtisuorassa vektorin y
min 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
Mat Dynaaminen optimointi, mallivastaukset, kierros 3
Mat-2.48 Dynaaminen optimointi, mallivastaukset, kierros 3. Johdetaan lineaarisen aikainvariantin seurantatehtävän yleinen ratkaisu neliöllisellä kustannuksella. Systeemi: Kustannusfunktio: J = 2 xt NHx
Mat Dynaaminen optimointi, mallivastaukset, kierros Johdetaan välttämättömät ehdot funktionaalin. g(y(t), ẏ(t),...
Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 6 1. Johdetaan välttämättömät ehdot funktionaalin J(y) = g(y(t), ẏ(t),..., dr y(t), t) dt dt r ekstremaalille, kun ja t f ovat kiinteitä ja tiedetään
MS-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
Differentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /
MS-A8 Differentiaali- ja integraalilaskenta, V/7 Differentiaali- ja integraalilaskenta Ratkaisut 5. viikolle / 9..5. Integroimismenetelmät Tehtävä : Laske osittaisintegroinnin avulla a) π x sin(x) dx,
JAKSO 2 KANTA JA KOORDINAATIT
JAKSO 2 KANTA JA KOORDINAATIT Kanta ja dimensio Tehtävä Esittele vektoriavaruuden kannan määritelmä vapauden ja virittämisen käsitteiden avulla ja anna vektoriavaruuden dimension määritelmä Esittele Lause
2. kl:n DY:t. Lause. Yleisesti yhtälöllä ẍ = f(ẋ, x, t) on (sopivin oletuksin) aina olemassa 1-käs. ratkaisu. (ẋ dx/dt, ẍ d 2 x/dt 2.
2. kl:n DY:t Yleisesti yhtälöllä ẍ = f(ẋ, x, t) on (sopivin oletuksin) aina olemassa 1-käs. ratkaisu. (ẋ dx/dt, ẍ d 2 x/dt 2.) Lause Olkoon f(x 2, x 1, t) funktio, ja oletetaan, että f, f/ x 1 ja f/ x
x n e x dx = n( e x ) nx n 1 ( e x ) = x n e x + ni n 1 x 4 e x dx = x 4 e x +4( x 3 e x +3( x 2 e x +2( xe x e x ))) = e x
Osittaisintegrointia käyttäen osoita integraalille I n x n e x dx oikeaksi reduktiokaava I n x n e x + ni n ja laske sen avulla mitä on I 4 kun x. x n e x dx n( e x ) nx n ( e x ) x n e x + ni n x 4 e
Esimerkki 1 Ratkaise differentiaaliyhtälö
Esimerkki 1 Ratkaise differentiaaliyhtälö x 2 y xy =1/x. 1 / K. Tuominen kimmo.i.tuominen@helsinki.fi MApu II 1/20 20 Esimerkki 2 Ratkaise differentiaaliyhtälö x(ln y)y y ln x =0. 2 / K. Tuominen kimmo.i.tuominen@helsinki.fi
Numeerinen analyysi Harjoitus 1 / Kevät 2017
Numeerinen analyysi Harjoitus 1 / Kevät 2017 Palautus viimeistään perjantaina 3.3. Tehtävä 1: Oheinen MATLAB-funktio toteuttaa eksponenttifunktion evaluoinnin. 1 function y = seriesexp ( x ) 2 oldsum =
IV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n
IV. TASAINEN SUPPENEMINEN IV.. Funktiojonon tasainen suppeneminen Olkoon A R joukko ja f n : A R funktio, n =, 2, 3,..., jolloin jokaisella x A muodostuu lukujono f x, f 2 x,.... Jos tämä jono suppenee
Funktioiden approksimointi ja interpolointi
Funktioiden approksimointi ja interpolointi Keijo Ruotsalainen Division of Mathematics interpolaatio-ongelma 8 Eksponenttifunktion exp(x) interpolointi 3.5 Funktion e^{0.25x} \sin(x) interpolointi 7 3
4 Matemaattinen induktio
4 Matemaattinen induktio Joidenkin väitteiden todistamiseksi pitää näyttää, että kaikilla luonnollisilla luvuilla on jokin ominaisuus P. Esimerkkejä tällaisista väitteistä ovat vaikkapa seuraavat: kaikilla
e int) dt = 1 ( 2π 1 ) (0 ein0 ein2π
Matematiikan ja tilastotieteen laitos Funktionaalianalyysin peruskurssi Kevät 9) Harjoitus 7 Ratkaisuja Jussi Martin). E Hilbert avaruus L [, π]) ja gt) := t, t [, π]. Määrää funktion g Fourier kertoimet
Malliratkaisut Demot
Malliratkaisut Demot 1 23.1.2017 1. Päätösmuuttujiksi voidaan valita x 1 : tehtyjen peruspöytin lukumäärä x 2 : tehtyjen luxuspöytien lukumäärä. Optimointitehtäväksi tulee max 200x 1 + 350x 2 s. t. 5x
Mat-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
Osittaisdifferentiaaliyhtälöt
Osittaisdifferentiaaliyhtälöt Harjoituskokoelmat 4 ja 5, kevät 2011 Palautus Eemeli Blåstenille to 23.6. klo 16.00 mennessä 1. Ratkaise Dirichlet ongelma u(x, y) = 0, x 2 + y 2 < 1, u(x, y) = y + x 2,
Topologia I Harjoitus 6, kevät 2010 Ratkaisuehdotus
Topologia I Harjoitus 6, kevät 2010 Ratkaisuehdotus 1. (5:7) Olkoon E normiavaruus, I = [0, 1] ja f, g : I E jatkuvia. Osoita, että yhtälön h(s, t) = (1 t)f(s) + tg(s) määrittelemä kuvaus h : I 2 E on
Differentiaaliyhtälöt I, kevät 2017 Harjoitus 3
Differentiaaliyhtälöt I, kevät 07 Harjoitus 3 Heikki Korpela. helmikuuta 07 Tehtävä. Ratkaise alkuarvo-ongelmat a) y + 4y e x = 0, y0) = 4 3 b) Vastaus: xy + y = x 3, y) =.. a) Valitaan integroivaksi tekijäksi
Malliratkaisut Demo 1
Malliratkaisut Demo 1 1. Merkitään x = kuinka monta viikkoa odotetaan ennen kuin perunat nostetaan. Nyt maksimoitavaksi kohdefunktioksi tulee f(x) = (60 5x)(300 + 50x). Funktio f on alaspäin aukeava paraaeli,
STOKASTISET DIFFERENTIAALIYHTÄLÖT 115
STOKASTISET DIFFERENTIAALIYHTÄLÖT 115 7. Stokastiset differentiaaliyhtälöt Kävimme läpi edellisessä kappaleessa kaksi reuna-arvotehtävää, jotka voidaan ratkaista stokastisen integroinnin avulla käyttäen
Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio
Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio
y + 4y = 0 (1) λ = 0
Matematiikan ja tilastotieteen osasto/hy Differentiaaliyhtälöt I Laskuharjoitus 6 mallit Kevät 2019 Tehtävä 1. Ratkaise yhtälöt a) y + 4y = x 2, b) y + 4y = 3e x. Ratkaisu: a) Differentiaaliyhtälön yleinen
LUKU 3. Ulkoinen derivaatta. dx i 1. dx i 2. ω i1,i 2,...,i k
LUKU 3 Ulkoinen derivaatta Olkoot A R n alue k n ja ω jatkuvasti derivoituva k-muoto alueessa A Muoto ω voidaan esittää summana ω = ω i1 i 2 i k dx i 1 dx i 2 1 i 1
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Esimerkkejä ym., osa I
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Esimerkkejä ym., osa I G. Gripenberg Aalto-yliopisto 21. tammikuuta 2016 G. Gripenberg (Aalto-yliopisto) MS-A0207 Differentiaali- ja integraalilaskenta
Ratkaisuehdotukset LH 8 / vko 47
Ratkaisuehdotukset LH 8 / vko 47 Tehtävä 1: Olkoot A R n n matriisi, jonka singulaariarvohajotelma on A [ ] [ ] Σ U 1 U r 0 [V1 ] T 2 V 0 0 2 Jossa Σ r on kääntyvä matriisi, [ U 1 U 2 ] ja [ V1 V 2 ] ovat
Mat Matematiikan peruskurssi C2
Mat-1.110 Matematiikan peruskurssi C Petri Latvala 18. helmikuuta 007 Sisältö 1 Useamman muuttujan funktiot ja niiden differentiaalilasku 1.1 Useamman muuttujan funktion jatkuvuus ja derivoituvuus... 1.
Kurssikoe on maanantaina Muista ilmoittautua kokeeseen viimeistään 10 päivää ennen koetta! Ilmoittautumisohjeet löytyvät kurssin kotisivuilla.
HY / Avoin ylioisto Johdatus yliopistomatematiikkaan, kesä 05 Harjoitus 6 Ratkaisut palautettava viimeistään tiistaina.6.05 klo 6.5. Huom! Luennot ovat salissa CK maanantaista 5.6. lähtien. Kurssikoe on
Arvo (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.
Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita
Matriisilaskenta, LH4, 2004, ratkaisut 1. Hae seuraavien R 4 :n aliavaruuksien dimensiot, jotka sisältävät vain
Matriisilaskenta LH4 24 ratkaisut 1 Hae seuraavien R 4 :n aliavaruuksien dimensiot jotka sisältävät vain a) Kaikki muotoa (a b c d) olevat vektorit joilla d a + b b) Kaikki muotoa (a b c d) olevat vektorit
Matematiikan peruskurssi 2
Matematiikan peruskurssi Tentti, 9..06 Tentin kesto: h. Sallitut apuvälineet: kaavakokoelma ja laskin, joka ei kykene graaseen/symboliseen laskentaan Vastaa seuraavista viidestä tehtävästä neljään. Saat
MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ
MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ 4.9.09 HYVÄN VASTAUKSEN PIIRTEITÄ Alustavat hyvän vastauksen piirteet on suuntaa-antava kuvaus kokeen tehtäviin odotetuista vastauksista ja tarkoitettu ensisijaisesti
9. Riskeiltä suojautuminen
9. Riskeiltä suojautuminen. utuurit orward-sopimuksia on tety jo yvin kauan organisoitu pörsseiin osapuolten ei tarvitse itse etsiä vastapuolta sopimuksen tekemiseksi toimituspäivämäärät, erät ja paikat
Mat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 5 (vko 4/003) (Aihe: jatkuvia satunnaismuuttujia ja jakaumia, sekamalli, Laininen luvut 5.1 5.7, 6.1 6.3)
ELEC C4140 Kenttäteoria (syksy 2016)
ELEC C4140 Kenttäteoria (syksy 2016) Henrik Wallén / versio 8. marraskuuta 2016 Tasoaallot, osa 1 (Ulaby 7.1, 7.2, 7.4) Kenttäosoittimet Aikaharmoniset Maxwellin yhtälöt Tasoaaltoratkaisu Tasoaaltoyhtälöt
Lyhyen aikavälin hintakilpailu 2/2
Lyhyen aikavälin hintakilpailu 2/2 Ilkka Männistö Esitelmä 10 - Ilkka Männistö Optimointiopin seminaari - Kevät 2003 / 1 Kilpailun aste Markkinahinta ei kerro mitään kilpailun asteesta jos kustannusrakennetta
8. Avoimen kuvauksen lause
116 FUNKTIONAALIANALYYSIN PERUSKURSSI 8. Avoimen kuvauksen lause Palautamme aluksi mieleen Topologian kursseilta ehkä tutut perusasiat yleisestä avoimen kuvauksen käsitteestä. Määrittelemme ensin avoimen
8 Potenssisarjoista. 8.1 Määritelmä. Olkoot a 0, a 1, a 2,... reaalisia vakioita ja c R. Määritelmä 8.1. Muotoa
8 Potenssisarjoista 8. Määritelmä Olkoot a 0, a, a 2,... reaalisia vakioita ja c R. Määritelmä 8.. Muotoa a 0 + a (x c) + a 2 (x c) 2 + olevaa sarjaa sanotaan c-keskiseksi potenssisarjaksi. Selvästi jokainen
Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot! Laskin (yo-kirjoituksissa hyväksytty) on sallittu apuväline tässä kokeessa!
Aalto yliopiston teknillinen korkeakoulu Mat-1.1040 L4 Tentti ja välikokeiden uusinta 21.5.2010 Gripenberg, Arponen, Siljander Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot! Laskin
ELEC C4140 Kenttäteoria (syksy 2015)
ELEC C4140 Kenttäteoria (syksy 2015) Henrik Wallén Luentoviiko 8 / versio 3. marraskuuta 2015 Tasoaallot, osa 1 (Ulaby 7.1, 7.2, 7.4) Kenttäosoittimet Aikaharmoniset Maxwellin yhtälöt Tasoaaltoratkaisu
Hintakilpailu lyhyellä aikavälillä
Hintakilpailu lyhyellä aikavälillä Virpi Turkulainen 5.3.2003 Optimointiopin seminaari - Kevät 2003 / 1 Sisältö Johdanto Bertrandin ristiriita ja sen lähestyminen Bertrandin ristiriita Lähestymistavat:
Differentiaali- ja integraalilaskenta 3 Laskuharjoitus 7 /
M-A3x Differentiaali- ja integraalilaskenta 3, IV/216 Differentiaali- ja integraalilaskenta 3 Laskuharjoitus 7 / 14.-16.3. Harjoitustehtävät 37-4 lasketaan alkuviikon harjoituksissa. Kotitehtävät 41-43
MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ
1 YLIOPPILASTUTKINTO- LAUTAKUNTA 25.9.2017 MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ A-osa Ratkaise kaikki tämän osan tehtävät 1 4. Tehtävät arvostellaan pistein 0 6. Kunkin tehtävän ratkaisu kirjoitetaan tehtävän
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Normaaliapproksimaatio Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016
MS-C1350 Osittaisdifferentiaaliyhtälöt Harjoitukset 5, syksy Mallivastaukset
MS-C350 Osittaisdifferentiaaliyhtälöt Haroitukset 5, syksy 207. Oletetaan, että a > 0 a funktio u on yhtälön u a u = 0 ratkaisu. a Osoita, että funktio vx, t = u x, t toteuttaa yhtälön a v = 0. b Osoita,
4.0.2 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
Generoivat funktiot, Poisson- ja eksponenttijakaumat
4A Generoivat funktiot, Poisson- ja eksponenttijakaumat Tämän harjoituksen tavoitteena on edelleen tutustua generoivien funktioiden sovelluksiin ja lisäksi harjoitella ratkaisemaan Poisson- ja eksponenttijakaumiin
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto ja esimerkkejä ym., osa I
MS-A007 Differentiaali- ja integraalilaskenta (Chem) Yhteenveto ja esimerkkejä ym., osa G. Gripenberg Aalto-yliopisto 1. tammikuuta 016 G. Gripenberg (Aalto-yliopisto) MS-A007 Differentiaali- ja integraalilaskenta
1 Rajoittamaton optimointi
Taloustieteen matemaattiset menetelmät 7 materiaali 5 Rajoittamaton optimointi Yhden muuttujan tapaus f R! R Muistutetaan mieleen maksimin määritelmä. Funktiolla f on maksimi pisteessä x jos kaikille y
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto ja esimerkkejä ym., osa I
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto ja esimerkkejä ym., osa I G. Gripenberg Aalto-yliopisto 21. tammikuuta 2016 G. Gripenberg (Aalto-yliopisto) MS-A0207 Differentiaali- ja
9 Maxwellin yhtälöt. 9.5 Aaltoyhtälö ja kenttien lähteet Aaltoyhtälö tyhjössä Potentiaaliesitys Viivästyneet potentiaalit
9 Maxwellin yhtälöt 9.5 Aaltoyhtälö ja kenttien lähteet 9.5.1 Aaltoyhtälö tyhjössä 9.5.2 Potentiaaliesitys 9.5.3 Viivästyneet potentiaalit 9.5.4 Aaltoyhtälön Greenin funktio 9.6 Mittainvarianssi Typeset
Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos
Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Malinen/Ojalammi MS-A0203 Differentiaali- ja integraalilaskenta 2, kevät 2016 Laskuharjoitus 4A (Vastaukset) alkuviikolla
MATEMATIIKAN JA TILASTOTIETEEN LAITOS
f ( n) JYVÄSKYLÄN YLIOPISTO MATEMATIIKAN JA TILASTOTIETEEN LAITOS n Funktionaalianalyysi Ei harjoituksia 1.4.2015 Funktionaalista viihdettä pääsiäistauolle: viikolla 14 (ma 30.3., ti 31.3. ja ke 1.4.)
u(0, t) = 0 kaikille t > 0: lämpötila pidetään vakiona pisteessä x = 0;
3. Lämmönjohtumisyhtälö I Yksiulotteisessa lämmönjohtumisyhtälössä u t = u γ x tuntematon funktio u = u(x, t) kuvaa lämpötilaa yksiulotteisen kappaleen (ohut sauva; x-akseli) kohdassa x hetkellä t. Kun
Rahoitusriskit ja johdannaiset Matti Estola Luento 5. Termiinihinnan määräytyminen
Rahoitusriskit ja johdannaist Matti Estola Lunto 5 rmiinihinnan määräytyminn 1. rmiinin ylinn hinnoittlukaava Mrkitään trmiinisopimuksn kohd-tuudn spot hintaa sopimuksn tkopäivänä S :lla, kohd-tuudn trmiinihintaa
( ds ) A (2) ψ ξ dv + ψ 2 ξ dv = ψ 2 ξ ξ 2 ψ ) V
Kenttäteorian matemaattisia apuneuvoja 4..7. Gaussin ja Stokesin lauseet V S ds A = dl A = V S A dv, =, tai ) ds ) A ). Greenin kaavat I : II : 3. Diracin deltafunktio 4. Vektorilaskentaa V V ψ ξ dv +
5 Differentiaaliyhtälöryhmät
5 Differentiaaliyhtälöryhmät 5.1 Taustaa ja teoriaa Differentiaaliyhtälöryhmiä tarvitaan useissa sovelluksissa. Toinen motivaatio yhtälöryhmien käytölle: Korkeamman asteen differentiaaliyhtälöt y (n) =
w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1.
Kotitehtävät, tammikuu 2011 Vaikeampi sarja 1. Ratkaise yhtälöryhmä w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1. Ratkaisu. Yhtälöryhmän ratkaisut (w, x, y, z)
Mat Dynaaminen optimointi, mallivastaukset, kierros 11
Mat-.148 Dynaaminen optimointi, mallivastaukset, kierros 11 1. Olkoon tehtaan tuotanto x(t) ajan hetkellä t ja investoitava osuus tuotannosta u(t). Tehdasta kuvaa systeemiyhtälö ẋ(t) = u(t)x(t) x() = c
1. (a) (2p.) Systeemin infinitesimaalista siirtoa matkan ɛ verran esittää operaattori
FYSA5 Kvanttimekaniikka I, Osa B 7.. tentti: 4 tehtävää, 4 tuntia. a) p.) Systeemin infinitesimaalista siirtoa matkan ɛ verran esittää operaattori T ɛ) = iɛ h P. Osoita tämän avulla, että äärellistä siirtoa
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Esimerkkejä ym., osa I
Usean muuttujan funktiot MS-A7 Differentiaali- ja integraalilaskenta (Chem) Esimerkkejä ym., osa I G. Gripenberg Aalto-yliopisto Raja-arvot 3 Jatkuvat funktiot 4 Osittaisderivaatat 5 Derivaatta eli gradientti.
7. Tasaisen rajoituksen periaate
18 FUNKTIONAALIANALYYSIN PERUSKURSSI 7. Tasaisen rajoituksen periaate Täydellisyydestä puristetaan maksimaalinen hyöty seuraavan Bairen lauseen avulla. Bairen lause on keskeinen todistettaessa kahta funktionaalianalyysin
Mat Dynaaminen optimointi, mallivastaukset, kierros Johdetaan ensiksi välttämättömät ehdot diskreettiaikaiselle optimisäätötehtävälle.
Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 9 1. Johdetaan ensiksi välttämättömät ehdot diskreettiaikaiselle optimisäätötehtävälle. Tilayhtälö on x k+1 = f k (x k, u k ), k = 1,..., N 1 alkuehdolla
Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos
Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Malinen/Vesanen MS-A0205/6 Differentiaali- ja integraalilaskenta 2, kevät 2017 Laskuharjoitus 4A (Vastaukset) alkuviikolla
Talousmatematiikan 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
Reaalioptioden käsitteen esittely yksinkertaisen esimerkin avulla
Reaalioptioden käsitteen esittely yksinkertaisen esimerkin avulla Optimointiopin seminaari - Syksy 2000 / 1 Esitelmän sisältö Investointien peruuttamattomuuden vaikutus investointipäätökseen Investointimahdollisuuksien
4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen
Jakso 1: Pyörimisliikkeen kinematiikkaa, hitausmomentti
Jakso 1: Pyörimisliikkeen kinematiikkaa, hitausmomentti Kertausta Ympyrärataa kiertävälle kappaleelle on määritelty käsitteet kulmanopeus ja kulmakiihtyvyys seuraavasti: ω = dθ dt dω ja α = dt Eli esimerkiksi