Esteet, hyppyprosessit ja dynaaminen ohjelmointi

Save this PDF as:
 WORD  PNG  TXT  JPG

Koko: px
Aloita esitys sivulta:

Download "Esteet, hyppyprosessit ja dynaaminen ohjelmointi"

Transkriptio

1 Esteet, hyppyprosessit ja dynaaminen ohjelmointi Juha Martikainen Oppikirjan sivut ja Optimointiopin seminaari - Syksy 2000 / 1

2 Esteet (määritelmät) Muistellaan menneitä: Ajelehtiva Wiener-prosessi dx=αdt+ρdz Alkupisteenä x 0 Hetkellä t: E(x)=x 0 +αdt, Var(x)=σ 2 t Optimointiopin seminaari - Syksy 2000 / 2

3 Esteet Lisätään rajoitteet: yläraja( ) ja alaraja ( x) Kuljetaan satunnaiskulkua (askeleen koko h) - jos ollaan x= x- h ja yritetään liikkua ylöspäin, palaudutaan takaisin x= - h Vastaava pätee alarajalla x x Optimointiopin seminaari - Syksy 2000 / 3

4 Esteet Optimointiopin seminaari - Syksy 2000 / 4

5 Esteet (pitkä aikaväli) Mitä tapahtuu, kun t on suuri? Oletus: x 0 :n vaikutus vähenee (ja katoaa kokonaan, kun törmätään rajaan). Tämä johtuu prosessin Markov -ominaisuudesta. Oletus II: Pitkällä aikavälillä prosessi on stationaarinen. Optimointiopin seminaari - Syksy 2000 / 5

6 Esteet (pitkä aikaväli) Tiheysjakaumaksi saadaan: φ( x) =, missä γ=2α/σ 2 Talousmaailmassa esteet johtuvat markkinoiden tasapainosta. γ e Jos x on tuotteen hinta, niin yläraja on piste, jolloin uudet firmat tulevat markkinoille ja alaraja on piste, jolloin firmat poistuvat markkinoilta. e γ x ( γ x) e γ x Optimointiopin seminaari - Syksy 2000 / 6

7 Hyppyprosessit Kaksi osaketta? Optimointiopin seminaari - Syksy 2000 / 7

8 Hyppyprosessit Osakekursseissa saattaa olla suuria hyppyjä (osavuosikatsaukset, pääjohtajan eroaminen, kilpailijan konkurssi, ) Wiener-malli ei täysin pysty tätä kuvaamaan Otetaan avuksi (Poissonin) hyppyprosessit Optimointiopin seminaari - Syksy 2000 / 8

9 Hyppyprosessit (määrittelyt) = hyppyjen keskimääräinen tapahtumisvauhti Tn, että hyppy tapahtuu dt Tn, että hyppy ei tapahdu 1- dt u=hypyn suuruus dq=u (tn:llä 1- dt), muuten =0 Optimointiopin seminaari - Syksy 2000 / 9

10 Hyppyprosessit Hyppyprosessi vastaa Ito-prosessia: dx=f(x,t)dt+g(x,t)dq Ito-prosessin ja hyppyprosessin yhdistelmä: dx=a(x,t)dt+b(x,t)dz+g(x,t)dq Optimointiopin seminaari - Syksy 2000 / 10

11 Hyppyprosessit Wiener+Hyppy Wiener Hyppy Optimointiopin seminaari - Syksy 2000 / 11

12 Hyppyprosessit (esimerkki) Öljyn hinta on hyvä esimerkki hypyistä Optimointiopin seminaari - Syksy 2000 / 12

13 Hyppyprosessit (esimerkki) dp = γ(m - P) dt + σp dz + P dq M pitkän ajan tasapainopiste, γ tasoittumisnopeus, P öljyn hinta Tämän mallin on osoitettu kuvaavan hyvin öljyn hinnan muutosta. Käytännössä parametrien estimoiminen on kuitenkin todella vaikeaa ja täysin riskittömän portfolion rakentaminen mahdotonta. Optimointiopin seminaari - Syksy 2000 / 13

14 Dynaaminen ohjelmointi Ensimmäisellä luennolla käytiin läpi ajatusta, että mahdollisuus sijoittaa myöhemmin on eräänlainen optio. Dynaaminen ohjelmointi tuo yleisen mallin aiemmin opitulle optioajattelulle. Käydään läpi yksinkertaisin mahdollisuus: 2- periodinen malli. Optimointiopin seminaari - Syksy 2000 / 14

15 Dynaaminen ohjelmointi Notaatiot Tuotteen hinta hetkellä t: P t Hinta vuonna t+1 tn:llä q : (1+u)P t ja tn:llä 1-q : (1-d)P t I, investointikulut V t, tuotto investoitaessa vuonna t F t, voiton NPV vuonna t Optimointiopin seminaari - Syksy 2000 / 15

16 Dynaaminen ohjelmointi Hinta muuttuu vain ensimmäisenä vuonna Lasketaan tuotto investoitaessa vuonna t=0 1 1 V 0 = P0 + [ q( 1 + u ) P0 + ( 1 q)( 1 d ) P0 ] + + L 2 Jos V 0 >I, investoidaan; jos V 0 <I, ei investoida; jos V 0 =I, ei väliä Voitto Ω 0 =max[v 0 -I,0] 1 + r ( 1 + r ) Optimointiopin seminaari - Syksy 2000 / 16

17 Dynaaminen optimointi Lasketaan tuotto investoitaessa vasta vuonna t=1 (1 + P1 = ( 1 d) P u) P, tn : llä P, tn : llä 0 0 P V1 = P L = P r ( 1+ r) r Täten F 1 =max[v 1 -I,0]. Tämä on ns. kontinuaatioarvo. q q 1+ r Optimointiopin seminaari - Syksy 2000 / 17

18 Dynaaminen ohjelmointi Lasketaan voiton odotusarvo vuonna t=0 1+ r 1+ r ε 0 ( F1 ) = max ( 1+ u) P0 I,0 q + max ( 1 d) P0 I,0 ( 1 q) r Näin meillä on kaksi vaihtoehtoa, joista valitaan kannattavampi (Huom! kontinuaatioarvo on diskontattava): F 0 =max[v 0 -I, 1/(1+r)e 0 (F 1 )] r Optimointiopin seminaari - Syksy 2000 / 18

19 Dynaaminen ohjelmointi Dynaamisessa ohjelmoinnissa päätösjono jaetaan kahteen osaan: välitön päätös ja tulevat päätökset Päättämisen siirtämisen arvo (optio) on F 0 -Ω 0 (vrt. ensimmäinen luento) Idea pätee jopa ääretön-pituiseen päätösjonoon. Optimointiopin seminaari - Syksy 2000 / 19

20 Kotitehtävä (dyn. ohj) Laske dynaamisen ohjelmoinnin menetelmällä 2- periodinen tehtävä: Kumisaapastehtaan rakentaminen maksaa 2M euroa. Tuotto on euroa vuodessa ikuisesti nykyisessä markkinatilanteessa. Vuonna 1 on kuitenkin 30% tn, markkinoilla on yksi kilpailija vähemmän, jolloin vuosituotto nousee 50% ikuisesti. Toisaalta on myös 20% tn, että kilpailijoita on yksi enemmän, jolloin vuosituotto laskee 70% ikuisesti. 50% tn:llä muutosta ei siis tapahdu. Riskitön korko on 10%. Mitä teet? Paljonko on voitto? Optimointiopin seminaari - Syksy 2000 / 20

OPTIMAALINEN INVESTOINTIPÄÄTÖS

OPTIMAALINEN INVESTOINTIPÄÄTÖS OPTIMAALINEN INESTOINTIPÄÄTÖS Keskiarvoon palautuvalle prosessille ja Poissonin hyppyprosessille Optimointiopin seminaari - Syksy 000 / 1 I. KESKIAROON PALAUTUA PROSESSI Investoinnin kohde-etuuden arvo

Lisätiedot

Investointimahdollisuudet ja niiden ajoitus

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

Lisätiedot

Johdannaisanalyysi. Contingent Claims Analysis Juha Leino S ysteemianalyysin. Laboratorio

Johdannaisanalyysi. Contingent Claims Analysis Juha Leino S ysteemianalyysin. Laboratorio Johdannaisanalyysi Contingent Claims Analysis Juha Leino 11.10.2000 Optimointiopin seminaari - Syksy 2000 / 1 Oletukset Yritys tuottaa tuotetta, jonka hinta on x x noudattaa geometrista Brownin liikettä

Lisätiedot

Jatkuvan ajan dynaaminen optimointi

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

Lisätiedot

Projektin arvon aleneminen

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

Lisätiedot

Projektin arvon määritys

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

Lisätiedot

Diskreettiaikainen dynaaminen optimointi

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

Lisätiedot

Reaalioptioden käsitteen esittely yksinkertaisen esimerkin avulla

Reaalioptioden käsitteen esittely yksinkertaisen esimerkin avulla Reaalioptioden käsitteen esittely yksinkertaisen esimerkin avulla Optimointiopin seminaari - Syksy 2000 / 1 Esitelmän sisältö Investointien peruuttamattomuuden vaikutus investointipäätökseen Investointimahdollisuuksien

Lisätiedot

Investointimahdollisuudet ja investoinnin ajoittaminen

Investointimahdollisuudet ja investoinnin ajoittaminen Investointimahdollisuudet ja investoinnin ajoittaminen Ajoituksen ratkaisu dynaamisella optimoinnilla Optimointiopin seminaari - Syksy 000 / Esitelmän sisältö Investoinnin ajoitusongelman esittely Ongelman

Lisätiedot

Lisää satunnaisuutta ja mahdollisuus keskeyttää projekti

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

Lisätiedot

Dynaaminen hintakilpailu ja sanattomat sopimukset

Dynaaminen hintakilpailu ja sanattomat sopimukset Dynaaminen hintakilpailu ja sanattomat sopimukset Pasi Virtanen 12.3.2003 Johdanto Hintakilpailu jossa pelaajat kohtaavat toisensa toistuvasti Pelaajien on otettava hintaa valittaessa huomioon hintasodan

Lisätiedot

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. 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

Lisätiedot

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Luento 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

Lisätiedot

Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia

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

Lisätiedot

Investointistrategioista kilpailluilla markkinoilla

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

Lisätiedot

Projektin keskeyttäminen, uudelleen käynnistäminen ja hylkääminen

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

Lisätiedot

Päätöspuut pitkän aikavälin investointilaskelmissa

Päätöspuut pitkän aikavälin investointilaskelmissa Päätöspuut pitkän aikavälin investointilaskelmissa Optimointiopin seminaari, Jaakko Ollila. Parannusehdotus 4. Esimerkki : hystereesis investointipäätöksissä 1 -$ 0 Tavallinen päätöspuu Aika Laskut antavat

Lisätiedot

Rahoitusriskit ja johdannaiset Matti Estola. luento 10 Binomipuut ja optioiden hinnoittelu

Rahoitusriskit 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

Lisätiedot

Uusien keksintöjen kannustimet

Uusien keksintöjen kannustimet Uusien keksintöjen kannustimet Ville Koskenvuo 9.4.2003 Optimointiopin seminaari Kevät 2003 / 1 Päivän agenda 1. luento: Uusien keksintöjen kannustimet ja patenttikisat (Koskenvuo) 2. luento: Uusien keksintöjen

Lisätiedot

Rahoitusriskit ja johdannaiset Matti Estola. luento 8 Optioiden hinnoittelusta

Rahoitusriskit ja johdannaiset Matti Estola. luento 8 Optioiden hinnoittelusta Rahoitusriskit ja johdannaiset Matti Estola luento 8 Optioiden hinnoittelusta 1. Optioiden erilaiset kohde-etuudet 1.1. Osakeoptiot Yksi optio antaa yleensä oikeuden ostaa/myydä 1 kpl kohdeetuutena olevia

Lisätiedot

Probabilistiset 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 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

Lisätiedot

Yhteistyötä sisältämätön peliteoria jatkuu

Yhteistyötä sisältämätön peliteoria jatkuu Yhteistyötä sisältämätön peliteoria jatkuu Tommi Lehtonen Optimointiopin seminaari - Syksy 2000 / 1 Bayesilainen tasapaino Täysi informaatio Vajaa informaatio Staattinen Nash Bayes Dynaaminen Täydellinen

Lisätiedot

Harjoitus 4: Matlab - Optimization Toolbox

Harjoitus 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

Lisätiedot

Harha mallin arvioinnissa

Harha mallin arvioinnissa Esitelmä 12 Antti Toppila sivu 1/18 Optimointiopin seminaari Syksy 2010 Harha mallin arvioinnissa Antti Toppila 13.10.2010 Esitelmä 12 Antti Toppila sivu 2/18 Optimointiopin seminaari Syksy 2010 Sisältö

Lisätiedot

Dynaaminen ohjelmointi ja vaikutuskaaviot

Dynaaminen ohjelmointi ja vaikutuskaaviot Dynaaminen ohjelmointi ja vaikutuskaaviot. Taustaa 2. Vaikutuskaaviot ja superarvosolmut 3. Vaikutuskaavion ratkaiseminen 4. Vaikutuskaavio ja dynaaminen ohjelmointi: 5. Yhteenveto Esitelmän sisältö Optimointiopin

Lisätiedot

Haitallinen valikoituminen: Kahden tyypin malli

Haitallinen valikoituminen: Kahden tyypin malli Haitallinen valikoituminen: Kahden tyypin malli Mat-2.4142 Optimointiopin seminaari Mikko Hyvärinen 29.1.2008 Haitallinen valikoituminen kahden tyypin malli Haitallinen valikoituminen tarkoittaa että päämies

Lisätiedot

3. Teoriaharjoitukset

3. 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

Lisätiedot

Investointimahdollisuudet ja investointien ajoittaminen

Investointimahdollisuudet ja investointien ajoittaminen Investointimahdollisuudet ja investointien ajoittaminen Optimaalisen investointistrategian ominaispiirteitä eli parametrien vaikutus ratkaisuun Optimointiopin seminaari - Syksy 000 / Optimointiopin seminaari

Lisätiedot

Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5

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

Lisätiedot

Hintakilpailu lyhyellä aikavälillä

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:

Lisätiedot

Moraalinen uhkapeli: laajennuksia ja sovelluksia

Moraalinen uhkapeli: laajennuksia ja sovelluksia Moraalinen uhkapeli: laajennuksia ja sovelluksia Sisältö Kysymysten asettelu Monen tehtävän malli Sovellusesimerkki: Vakuutus Sovellusesimerkki: Palkkion määrääminen Johtajan palkitseminen Moraalisen uhkapelin

Lisätiedot

Mat-2.3114 Investointiteoria - Kotitehtävät

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

Lisätiedot

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen

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

Lisätiedot

Dynaamiset regressiomallit

Dynaamiset regressiomallit MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen

Lisätiedot

Optioiden hinnoittelu binomihilassa

Optioiden hinnoittelu binomihilassa Mat-2.3114 Investointiteoria Optioien hinnoittel binomihilassa 26.3.2015 Yksiperioiset optiot 1/3 Olkoon S kohe-eten arvo perioin alssa siten, että perioin päättyessä sen arvo on S toennäköisyyellä p tai

Lisätiedot

Tutkimustiedonhallinnan peruskurssi

Tutkimustiedonhallinnan peruskurssi Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,

Lisätiedot

Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu

Luento 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.) vasemman puolen

Lisätiedot

Piiri K 1 K 2 K 3 K 4 R R

Piiri K 1 K 2 K 3 K 4 R R Lineaarinen optimointi vastaus, harj 1, Syksy 2016. 1. Teollisuuslaitos valmistaa piirejä R 1 ja R 2, joissa on neljää eri komponenttia seuraavat määrät: Piiri K 1 K 2 K 3 K 4 R 1 3 1 2 2 R 2 4 2 3 0 Päivittäistä

Lisätiedot

Esimerkki: Tietoliikennekytkin

Esimerkki: Tietoliikennekytkin Esimerkki: Tietoliikennekytkin Tämä Mathematica - notebook sisältää luennolla 2A (2..26) käsitellyn esimerkin laskut. Esimerkin kuvailu Tarkastellaan yksinkertaista mallia tietoliikennekytkimelle. Kytkimeen

Lisätiedot

MAT INVESTOINTITEORIA. (5 op) Kevät Ville Brummer / Pekka Mild / Ahti Salo

MAT INVESTOINTITEORIA. (5 op) Kevät Ville Brummer / Pekka Mild / Ahti Salo MAT - 2.114 INVESTOINTITEORIA (5 op) Kevät 2008 Ville Brummer / Pekka Mild / Ahti Salo 1 Opintojakson sisältö Taustaa Kattaa matemaattisen investointiteorian perusteet: Teemoja sivuttu osin muilla Mat-2

Lisätiedot

Preference Programming viitekehys: epätäydellisen preferenssi-informaation elisitointi ja mallintaminen, dominanssi

Preference Programming viitekehys: epätäydellisen preferenssi-informaation elisitointi ja mallintaminen, dominanssi Preference Programming viitekehys: epätäydellisen preferenssi-informaation elisitointi ja mallintaminen, dominanssi Mat-2.4142 Optimointiopin seminaari 9.2.2011 Lähteet: Salo, A. & Hämäläinen, R. P., 2010.

Lisätiedot

Bayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly

Bayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly Bayesin pelit Kalle Siukola MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly 12.10.2016 Toistetun pelin esittäminen automaatin avulla Ekstensiivisen muodon puu on tehoton esitystapa, jos peliä

Lisätiedot

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 10: Napa-, sylinteri- ja pallokoordinaatistot. Pintaintegraali.

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 10: Napa-, sylinteri- ja pallokoordinaatistot. Pintaintegraali. MS-A25/MS-A26 Differentiaali- ja integraalilaskenta 2 Luento 1: Napa-, sylinteri- ja pallokoordinaatistot. Pintaintegraali. Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät

Lisätiedot

Erään piirikomponentin napajännite on nolla, eikä sen läpi kulje virtaa ajanhetkellä 0 jännitteen ja virran arvot ovat. 500t.

Erään piirikomponentin napajännite on nolla, eikä sen läpi kulje virtaa ajanhetkellä 0 jännitteen ja virran arvot ovat. 500t. DEE- Piirianalyysi Harjoitus / viikko 4 Erään piirikomponentin napajännite on nolla, eikä sen läpi kulje virtaa ajanhetkellä jännitteen ja virran arvot ovat t Kun t, v te t 5t 8 V, i te t 5t 5 A, a) Määritä

Lisätiedot

Aloitamme yksinkertaisella leluesimerkillä. Tarkastelemme yhtä osaketta S. Oletamme että tänään, hetkellä t = 0, osakkeen hinta on S 0 = 100=C.

Aloitamme yksinkertaisella leluesimerkillä. Tarkastelemme yhtä osaketta S. Oletamme että tänään, hetkellä t = 0, osakkeen hinta on S 0 = 100=C. Luku 1 Johdatteleva esimerkki Herra K. tarjoaa osto-option Aloitamme yksinkertaisella leluesimerkillä. Tarkastelemme yhtä osaketta S. Oletamme että tänään, hetkellä t = 0, osakkeen hinta on S 0 = 100=C.

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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,

Lisätiedot

Black ja Scholes ilman Gaussia

Black 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

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 6 1 Korkolaskentaa Oletetaan, että korkoaste on r Jos esimerkiksi r = 0, 02, niin korko on 2 prosenttia Tätä korkoastetta käytettään diskonttaamaan tulevia tuloja ja

Lisätiedot

Lyhyen aikavälin hintakilpailu 2/2

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

Lisätiedot

Pakotettu vaimennettu harmoninen värähtelijä Resonanssi

Pakotettu vaimennettu harmoninen värähtelijä Resonanssi Pakotettu vaimennettu harmoninen värähtelijä Resonanssi Tällä luennolla tavoitteena Mikä on pakkovoiman aiheuttama vaikutus vaimennettuun harmoniseen värähtelijään? Mikä on resonanssi? Kertaus: energian

Lisätiedot

Fuusio vai konkurssi? Hintakilpailun satoa

Fuusio vai konkurssi? Hintakilpailun satoa Fuusio vai konkurssi? Hintakilpailun satoa Pia Kemppainen-Kajola 02.04.2003 Optimointiopin seminaari - Syksy 2000 / 1 Johdanto Yrityskaupat ilmoitetaan kaupparekisteriin. Kauppa kiinnostaa kilpailuviranomaisia,

Lisätiedot

Nopeus, kiihtyvyys ja liikemäärä Vektorit

Nopeus, kiihtyvyys ja liikemäärä Vektorit Nopeus, kiihtyvyys ja liikemäärä Vektorit Luento 2 https://geom.mathstat.helsinki.fi/moodle/course/view.php?id=360 Luennon tavoitteet: Vektorit tutuiksi Koordinaatiston valinta Vauhdin ja nopeuden ero

Lisätiedot

Dynaaminen allokaatio ja riskibudjetointi sijoitusstrategioissa

Dynaaminen 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

Lisätiedot

Bifurkaatiot dierentiaaliyhtälöissä. Systeemianalyysin. Antti Toppila laboratorio. Teknillinen korkeakoulu

Bifurkaatiot dierentiaaliyhtälöissä. Systeemianalyysin. Antti Toppila laboratorio. Teknillinen korkeakoulu Esitelmä 21 Antti Toppila sivu 1/18 Optimointiopin seminaari Kevät 2007 Bifurkaatiot dierentiaaliyhtälöissä Antti Toppila 18.04.2007 Esitelmä 21 Antti Toppila sivu 2/18 Optimointiopin seminaari Kevät 2007

Lisätiedot

9. Tila-avaruusmallit

9. 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

Lisätiedot

Black Scholes-hinnoittelumallin robustisuus ja tyylitellyt tosiseikat

Black 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

Lisätiedot

f(n) = Ω(g(n)) jos ja vain jos g(n) = O(f(n))

f(n) = Ω(g(n)) jos ja vain jos g(n) = O(f(n)) Määritelmä: on O(g(n)), jos on olemassa vakioarvot n 0 > 0 ja c > 0 siten, että c g(n) kun n > n 0 O eli iso-o tai ordo ilmaisee asymptoottisen ylärajan resurssivaatimusten kasvun suuruusluokalle Samankaltaisia

Lisätiedot

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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

Lisätiedot

= X s + IE[X t X s ] = 0, s ja sitä, että ehdollinen odotusarvo on tavallinen odotusarvo silloin, kun satunnaismuuttuja

= 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

Lisätiedot

Haitallinen valikoituminen: yleinen malli ja sen ratkaisu

Haitallinen valikoituminen: yleinen malli ja sen ratkaisu Haitallinen valikoituminen: yleinen malli ja sen ratkaisu Mat-2.4142 Optimointiopin seminaari Matias Leppisaari 29.1.2008 Esityksen rakenne Yleinen malli Käypyys ja rajoitusehdot Mallin ratkaisu Kotitehtävä

Lisätiedot

Rahoitusriskit ja johdannaiset Matti Estola. luento 2 Termiini- ja futuurihintojen määräytyminen

Rahoitusriskit ja johdannaiset Matti Estola. luento 2 Termiini- ja futuurihintojen määräytyminen Rahoitusriskit ja johdannaiset Matti Estola luento 2 ermiini- ja futuurihintojen määräytyminen 1. ermiinien hinnoittelusta Esimerkki 1 Olkoon kullan spot -hinta $ 300 unssilta, riskitön korko 5 % vuodessa

Lisätiedot

Mainonta ja laatu tuotteiden erilaistamisessa

Mainonta ja laatu tuotteiden erilaistamisessa Mainonta ja laatu tuotteiden erilaistamisessa Samuel Aulanko Optimointiopin seminaari Kevät 2003 / 1 Sisältö Johdanto Mainonta Tiedollinen ja ohjaileva mainonta Monopolistinen kilpailu Oligopolinen kilpailu

Lisätiedot

Luento 5: Käyräviivainen liike. Käyräviivainen liike Heittoliike Ympyräliike Kulmamuuttujat θ, ω ja α Yhdistetty liike

Luento 5: Käyräviivainen liike. Käyräviivainen liike Heittoliike Ympyräliike Kulmamuuttujat θ, ω ja α Yhdistetty liike Luento 5: Käyräviivainen liike Käyräviivainen liike Heittoliike Ympyräliike Kulmamuuttujat θ, ω ja α Yhdistetty liike 1 / 29 Luennon sisältö Käyräviivainen liike Heittoliike Ympyräliike Kulmamuuttujat

Lisätiedot

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. 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.

Lisätiedot

, tuottoprosentti r = X 1 X 0

, 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

Lisätiedot

Konsensusongelma hajautetuissa järjestelmissä. Niko Välimäki Hajautetut algoritmit -seminaari

Konsensusongelma hajautetuissa järjestelmissä. Niko Välimäki Hajautetut algoritmit -seminaari Konsensusongelma hajautetuissa järjestelmissä Niko Välimäki 30.11.2007 Hajautetut algoritmit -seminaari Konsensusongelma Päätöksen muodostaminen hajautetussa järjestelmässä Prosessien välinen viestintä

Lisätiedot

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

Tilastollinen 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

Lisätiedot

Riski ja velkaantuminen

Riski ja velkaantuminen Riski ja velkaantuminen TU-C1030 Laskelmat liiketoiminnan päätösten tukena Luento 28.1.2016 I vaiheen luentokokonaisuus INVESTOINNIN KANNATTAVUUS YRITYKSEN KANNATTAVUUS 1. Vapaa rahavirta (FCF) 2. Rahavirtojen

Lisätiedot

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 8: Divergenssi ja roottori. Gaussin divergenssilause.

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 8: Divergenssi ja roottori. Gaussin divergenssilause. MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 8: Divergenssi ja roottori. Gaussin divergenssilause. Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0305 Syksy 2015

Lisätiedot

Signalointi: autonromujen markkinat

Signalointi: autonromujen markkinat Signalointi: autonromujen markkinat Mat-.414 Optimointiopin seminaari Klaus Mattila 1.0.008 1 Esityksen rakenne Johdanto Autonromujen markkinat: Akerlofin malli Kustannuksellinen signalointi: Spencen malli

Lisätiedot

Luetteloivat ja heuristiset menetelmät. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki

Luetteloivat ja heuristiset menetelmät. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki Luetteloivat ja heuristiset menetelmät Mat-2.4191, Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki Sisältö Branch and Bound sekä sen variaatiot (Branch and Cut, Lemken menetelmä) Optimointiin

Lisätiedot

Differentiaali- ja integraalilaskenta 3 Laskuharjoitus 7 /

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

Lisätiedot

Eräs tyypillinen virhe monitavoitteisessa portfoliopäätösanalyysissa + esimerkkitapaus

Eräs tyypillinen virhe monitavoitteisessa portfoliopäätösanalyysissa + esimerkkitapaus Eräs tyypillinen virhe monitavoitteisessa portfoliopäätösanalyysissa + esimerkkitapaus Mat-2.4142 Optimointiopin seminaari 2.3.2011 Lähteet: Clemen, R. T., & Smith, J. E. (2009). On the Choice of Baselines

Lisätiedot

4.0.2 Kuinka hyvä ennuste on?

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

Lisätiedot

Luento 2. Jaksolliset signaalit

Luento 2. Jaksolliset signaalit Luento Jaksollisten signaalien Fourier-sarjat Viivaspektri S-.7. Signaalit ja järjestelmät 5 op KK ietoliikennelaboratorio Jaksollinen (periodinen) Jaksolliset signaalit Jaksonaika - / / Perusjakso Amplitudi

Lisätiedot

Pelien teoriaa: tasapainokäsitteet

Pelien teoriaa: tasapainokäsitteet Pelien teoriaa: tasapainokäsitteet Salanién (2005) ja Gibbonsin (1992) mukaan Mat-2.4142 Optimointiopin seminaari Jukka Luoma 1 Sisältö Staattinen Dynaaminen Staattinen Dynaaminen Pelityyppi Täydellinen

Lisätiedot

ln S(k) = ln S(0) + w(i) E[ln S(k)] = ln S(0) + vk V ar[ln S(k)] = kσ 2

ln 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

Lisätiedot

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

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

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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,

Lisätiedot

Sovelluksia additiivisen arvofunktion käytöstä projektiportfolion valinnassa

Sovelluksia additiivisen arvofunktion käytöstä projektiportfolion valinnassa Sovelluksia additiivisen arvofunktion käytöstä projektiportfolion valinnassa Mat-2.4142 Optimointiopin seminaari kevät 2011 Kleinmuntz ja Kleinmuntz1999 TEHTÄVÄ Sairaalan strategisen investointibudjetin

Lisätiedot

Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1

Yksisuuntainen 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

Lisätiedot

Pikalajittelu: valitaan ns. pivot-alkio esim. pivot = oikeanpuoleisin

Pikalajittelu: valitaan ns. pivot-alkio esim. pivot = oikeanpuoleisin Pikalajittelu: valitaan ns. pivot-alkio esim. pivot = oikeanpuoleisin jaetaan muut alkiot kahteen ryhmään: L: alkiot, jotka eivät suurempia kuin pivot G : alkiot, jotka suurempia kuin pivot 6 1 4 3 7 2

Lisätiedot

Luento 14: Periodinen liike, osa 2. Vaimennettu värähtely Pakkovärähtely Resonanssi F t F r

Luento 14: Periodinen liike, osa 2. Vaimennettu värähtely Pakkovärähtely Resonanssi F t F r Luento 14: Periodinen liike, osa 2 Vaimennettu värähtely Pakkovärähtely Resonanssi θ F µ F t F r m g 1 / 20 Luennon sisältö Vaimennettu värähtely Pakkovärähtely Resonanssi 2 / 20 Vaimennettu värähtely

Lisätiedot

Odotusarvoparien vertailu. Vilkkumaa / Kuusinen 1

Odotusarvoparien vertailu. Vilkkumaa / Kuusinen 1 Odotusarvoparien vertailu Vilkkumaa / Kuusinen 1 Motivointi Viime luennolta: yksisuuntaisella varianssianalyysilla testataan nollahypoteesia H 0 : μ 1 = μ 2 = = μ k = μ Jos H 0 hylätään, tiedetään, että

Lisätiedot

Lineaarialgebra MATH.1040 / Piirianalyysiä

Lineaarialgebra MATH.1040 / Piirianalyysiä Lineaarialgebra MATH.1040 / Piirianalyysiä 1 Kirchoffin ensimmäinen laki: Missä tahansa virtapiirin liitoskohdassa pisteeseen saapuvien sähkövirtojen summa on yhtä suuri kuin siitä poistuvien sähkövirtojen

Lisätiedot

Satunnaismuuttujien muunnokset ja niiden jakaumat

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

Lisätiedot

Martingaalit ja informaatioprosessit

Martingaalit ja informaatioprosessit 4A Martingaalit ja informaatioprosessit Tämän harjoituksen tavoitteena on tutustua satunnaisvektorin informaation suhteen lasketun ehdollisen odotusarvon käsitteeseen sekä oppia tunnistamaan, milloin annettu

Lisätiedot

Suojaa ja tuottoa laskevilla markkinoilla. Johannes Ankelo Arvopaperi Aamuseminaari

Suojaa ja tuottoa laskevilla markkinoilla. Johannes Ankelo Arvopaperi Aamuseminaari Suojaa ja tuottoa laskevilla markkinoilla Commerzbank AG Saksan toiseksi suurin pankki Euroopan johtavia strukturoitujen tuotteiden liikkeellelaskijoita Yli 50 erilaista tuotetyyppiä listattuna Saksan

Lisätiedot

Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1

Yksisuuntainen 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

Lisätiedot

Talousmatematiikan perusteet: Luento 17. Integraalin sovelluksia kassavirta-analyysissa Integraalin sovelluksia todennäköisyyslaskennassa

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

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka D Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot

Lisätiedot

Päätöksentekomenetelmät

Päätöksentekomenetelmät L u e n t o Hanna Virta / Liikkeenjohdon systeemit Päätöksentekomenetelmät Luennon sisältö Johdanto päätöksentekoon Päätöksenteko eri tilanteissa Päätöspuut Päätösongelmia löytyy joka paikasta Päästökauppa:

Lisätiedot

OPTIOT Vipua ja suojausta - mutta mitä se maksaa? Remburssi Investment Group 23.5.2000

OPTIOT Vipua ja suojausta - mutta mitä se maksaa? Remburssi Investment Group 23.5.2000 OPTIOT Vipua ja suojausta - mutta mitä se maksaa? Remburssi Investment Group 23.5.2000 MARKKINAKATSAUS AGENDA Lyhyt johdanto optioihin Näkemysesimerkki 1: kuinka tehdä voittoa kurssien laskiessa Näkemysesimerkki

Lisätiedot

Uusien keksintöjen hyödyntäminen

Uusien keksintöjen hyödyntäminen Uusien keksintöjen hyödyntäminen Otso Ojanen 9.4.2003 Optimointiopin seminaari - Kevät 2003 / 1 Sisältö Käyttöönoton viiveet Ulkoisvaikutukset ja standardointi Teknologiaodotusten koordinointimalli Lisensiointi

Lisätiedot

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

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

Lisätiedot

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

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

Lisätiedot

ABHELSINKI UNIVERSITY OF TECHNOLOGY

ABHELSINKI UNIVERSITY OF TECHNOLOGY Tilastollinen testaus Tilastollinen testaus Tilastollisessa testauksessa tutkitaan tutkimuskohteita koskevien oletusten tai väitteiden paikkansapitävyyttä havaintojen avulla. Testattavat oletukset tai

Lisätiedot

Informaation arvo. Ohjelmistotekniikan laitos OHJ-2550 Tekoäly, kevät

Informaation arvo. Ohjelmistotekniikan laitos OHJ-2550 Tekoäly, kevät 259 Informaation arvo Öljykenttään myydään porausoikeuksia, palstoja on n kappaletta, mutta vain yhdessä niistä on C euron edestä öljyä Yhden palstan hinta on C/n euroa Seismologi tarjoaa yritykselle tutkimustietoa

Lisätiedot

Pystysuuntainen ohjaus

Pystysuuntainen ohjaus Pystysuuntainen ohjaus Satu Vapaakallio satu.vapaakallio@hut.fi 19.2.2003 Optimointiopin seminaari - Kevät 2003 / 1 Sisällys Luku 4.1 Pystysuuntainen perusviitekehys Peruskäsitteitä Yleisimmät pystysuuntaiset

Lisätiedot

Liikenneongelmien aikaskaalahierarkia

Liikenneongelmien aikaskaalahierarkia J. Virtamo 38.3141 Teleliikenneteoria / HOL-esto 1 Liikenneongelmien aikaskaalahierarkia AIKASKAALAHIERARKIA Kiinnostavat aikaskaalat kattavat laajan alueen, yli 13 dekadia! Eri aikaskaaloissa esiintyvät

Lisätiedot