Mat Sovelletun matematiikan erikoistyö. ARCH -mallit Atso Suopajärvi 57512W

Koko: px
Aloita esitys sivulta:

Download "Mat Sovelletun matematiikan erikoistyö. ARCH -mallit Atso Suopajärvi 57512W"

Transkriptio

1 Ma-.8 Sovelleun maemakan erkosyö ARCH -mall Aso Suopajärv 575W

2 Ssällyslueelo OSA I : Teora OSA II: Smulon. Johdano.... Mall.. Paramer.. Parameren esmon.... Kaavan (9) joho 5. Keromsa Heeroskedassuuden esaamnen Omnasuuksa.7 7. Heeroskedassuudesa 7. Ylesä..8. Akasarja.8. Havanojen generon.9. Akasarjojen analyson.. 5. Parameren esmonnsa Tulokse Akasarja a (ARCH()) Akasarja b (ARCH()) Akasarja c (ARCH()) Akasarja a (ARCH()) Akasarja b (ARCH()) Akasarja (ARCH(5)) Akasarja a ja b (avanomasa heeroskedassuua ssälävä akasarja) Akasarja yyppä 5 (ARMA -akasarja).9 6. Tulokse aulukouna Malln aseen määrämnen Yheenveo ja johopääökse...5 Lähee.7

3 OSA I: ARCH- mallen eora. Johdano Tavanomanen regressomall on y + β ' x + ε () mssä y on seleävä muuuja ja x on seläven (ulkosen) muuujen muodosama p- vekor. Keroma β kusuaan regressokeromks. Alandeks vaa ajanhekeen. Jäännösermllä haluaan selää lmenevää vahelua; y e ss määräydy deermnsses seläjsä x. AR(q)-mall on y q + y + ε el havanoja seleään edellsllä havannolla. Jos havanno keskseään el nsä vähenneään odousarvo, nn mall ulee muooon x q β x + ε () (b) Sekä avanomasessa eä AR(q)-mallssa ehdään jäännösermsä rajoava oleuksa; oleeaan, eä ε : ova rppumaoma ja denses jakauunea saunnasmuuuja, joka noudaava N(, σ ) -jakaumaa jollan äärellsellä vakoparamerlla. Regressokerome on apana esmoda havanoanesosa penmmän nelösumman meneelmällä. Regressomalla pdeään hyvänä, jos se 'selää paljon' havanojen ja seläjen mahdollsesa yheydesä. Tämä hyvyysanalyys ehdään veralemalla resduaaleja y ˆ' β, ˆ x β kerronesmaavekor. Jos resduaal ova penä el malln selysase suur ja jäännösermä koskeva oleukse vomassa, kasoaan regressomall räväks selämään lmöä, el odeaan 'nän luono om'. Reaalmaalman lmö ja nä kuvaava hmsen kehämä mall ova kaks er asaa. Men luono om ja mä saunnasuus pohjmmlaan on (onko sä edes) ova kysymyksä, john en oa kanaa, mua arkouksen on arkasella eräsä erkosapausa. Enä jos luono om muuen kuen mall (), mua e olekaan homoskedasnen (varanss vako)? Vakka seläjks oeasn 'okea' muuuja x, vo sl käydä nn, eä jouduaan hylkäämään mall, koska jäännöserm e ole deaalnen. E mkään välämää pakoa jäännösermä deaalseks, ja nn 'okea' selys jäs löyämää. Rakasun ähän ongelmaan (a okeasaan sen erääseen erkosapaukseen) arjoaa ARCH-mall.

4 . Mall ARCH(p)-mall on y h Ψ ~ N(, h ) + y + y y Ψ on hekellä - unneu nformaaojoukko, joka ssälää edellse havanno, ulkose seläjä ja muun olennasen nformaaon. Seleävä muuuja y on ss ehdollses normaaljakauunu odousarvolla ja varansslla h, joka puolesaan on funko edellssä havannosa. Se e ss ole vako. Tässä yheydessä ulee huomaa, eä ny y vasaa malln () jäännösermä. Tämän vuoks y:n ehdollnen odousarvo on nolla. Malla () vasaavan ARCH-malln eksplsnen muoolu on y Ψ ~ N( x β,' h ) (5) h h( e, e,..., e p e y x β ' (7) el regressoyhälömuodossa y x β ' +ε, mssä ε ~ N(, h ) (8) Anoa ero malln () on ss jäännösermn varanss, joka e ole ARCH-malln apauksessa vako. Kuen kaavasa (6) huomaaan, peraaeessa h:n rppuvuus resduaalesa (7) vos olla muunknlasa kun kaavan () määrelemä. Kaava () on kuenkn 'mukavamp'eoreesla omnasuukslaan ja se on kasou räväks kuvaamaan odellsuua usemmssa apauksssa, joen rajoan arkaselun shen.. Paramer. Parameren esmon ARCH-malln paramer vodaan esmoda penmmän nelösumman meneelmällä, mua mkäl x ssälää vväseyjä rppuva muuuja, esmaaen luoamusrajosa ulee arpeeoman suura. Kerome ulee sen sjaan esmoda suurmman uskoavuuden meneelmällä. Logarmnen uskoavuusfunko vodaan krjoaa muooon (joho luvussa.) T y L( ) ( ½ lnh ) (9) h mssä T ooskoko. Kerome on mplsses haudau kaavan () osoamalla avalla. Esmaa :lle saadaan L():n maksmkohdasa (gradenn nollakohdasa). Merkään z [, y, y,..., y p ]' () h Z f [ z, z,..., z ] y h h T y,..., T ) h h T T (6) p () () p () ()

5 5 jollon Newonn eraao ARCH(p)-malln kerronesmaaelle on a+ a + ( ZZ )' Zf () mssä a :n esmaa :nnellä eraaokerroksella. Algorm arvsee myös jonkn alkuarvauksen. Luonnollses vaadaan, eä oos josa esmodaan, on suuremp kun esmoaven parameren lukumäärä (T > p).. Kaavan 9 joho Kaava (9) johdeaan maksmomalla uskoavuusfunkoa p y, y,...,,,..., ) ( y T p Lähen lkkeelle havannosa : y ~ N(, ) ja edelleen havanojen ja yhesjakauma p y, y ) p( y y ) p( y ) N(, h ) N(, ) () ( h Vasaavas jakaen p ( y,..., y T ) saadaan normaaljakaumen ulona N(, h ). Tunneus normaaljakauman heysfunko on x µ ϕ( x ) exp ½( ) σ π (5) σ Ny µ, σ h, joen heysfunko ulee muooon ½ ϕ ( x) h exp( x ) (6) π h josa logarm on x lnϕ ln ln h (7) π h Tulon logarm on logarmen summa. Ny x y, ja koska vako (. erm) e vakua maksmonn, se vodaan unohaa summasa, ja uloksena on kaava 9. Paramer (gradenn nollakohdan) vo ok rakasa muuenkn kun Newonn eraaolla, joka on van eräs meneelmä maksmn löyämseks; opmonopp unee muakn meneelmä. Syy, mks meneelmä esen, on se, eä yhälön l ( ) rakasemnen analyyses :n suheen on yleses oaen vakeaa elle mahdoona, joen jouduaan urvauumaan numeersn meneelmn. T

6 6. Keromsa Kerome,..., p evä vo olla mä ahansa reaallukuja, vaan nden ulee äyää ey ehdo, joa ARCH(p)-prosess ols hyvn määrely ja melekäs. Ensnnäkn, koska varanss e vo olla negavnen, äyyy olla {,,,.., p}. Tosaala e ole melekäsä, eä varanss ols nolla; e ols saunnasuua, joa ollaan selämässä. Sks vaadaan >. Prosess e myöskään saa "räjähää" el varanssn ulee pysyä äärellsenä (rajoeuna). Ääreön a hyvn suur varanss aheuas sen, ee lmösä kyeäs sanomaan yhään mään ennususmelessä, ja mallsa uls merkykseön lmön kuvaajana. Eho, joka akaa kovaransssaonaarsuuden, on ns. vvepolynomn p juuren olemnen ykskköympyrän kehän ulkopuolella, el juur nn kun L AR(p)-prosessn apauksessa. Esmerkks ARCH()-mallssa ämä arkoaa, eä <. 5. Heeroskedassuuden esaamnen Yksnkeranen selys asalle on paremp kun monmukanen. Regressoanalyysssä 'yksnkerasemp'arkoaa vähäparamersempaa malla. Selväskn avanomanen regressomall () on yksnkerasemp kun ARCH-mall (8). ARCH-malla käyeään sllon, kun avanomanen regressomall e rä (resduaal ova heeroskedassa). Homo-/heeroskedassuua vodaan esaa lasollses Lagrangen keroja (LM) - esllä. Nollahypoees on, eä resduaal ova homoskedassa (... ). Jos nollahypoees näyää esn valossa epäodennäköselä, p pääellään, eä anakn jokn keromsa pokkeaa nollasa. Tes suoreaan seuraavas: muodoseaan apuregresso ε a + a ε + a ε a ε + e el p p seleään resduaalen nelöä sen p:llä vveellä (ja vakolla). ε on ny resduaal mallsa (). Tämän regresson selysase olkoon R. LM-essuure on ällön TR (T havanojen lkm). Tessuure noudaaa asympooses χ ( p) -jakaumaa. Nän ollen suure essuureen arvo (joden p-arvo on pen) johava nollahypoeesn hylkäämseen rppuen myös luoamusason valnnasa. Tulee kuenkn huomaa, eä LM-es reago myös väärään spesfkaaoon; resduaalen nelö saaava olla auokorrelounea, mkäl mallsa () puuuu jokn lasollses merksevä seläjä. Sks LM-essä e vo suoraan pääellä heeroskedassuuden olemassaoloa. Tulee myös huomaa, eä malln aseen p valna vo vakuaa loppuulokseen. Tulee esaa rävän suurella aseluvulla, mua e osaala sas vala lan soa aselukua, sllä selysase R vo van kasvaa, vakka lsääsn merkykseömä seläjä. Lsää johopääöksä malln okeellsuudesa vo ehdä arkaselemalla ε sandardouja resduaaleja z el malln () resduaal jaeaan h ( ˆ ML ) varanssesmaan nelöjuurella el keskhajonnalla. Oken spesfodussa mallssa akasarja z on valkosa kohnaa, mkä vodaan esaa avanomasn kenon. Jos z:n odeaan olevan valkosa kohnaa, vodaan ARCH(p)-mall hyväksyä kuvaamaan lmöä.

7 7 6. Omnasuuksa ARCH-malln resduaal ova auokorrelomaoma, mua evä sunkaan rppumaoma. Kaavasa () nähdään, mnkälasa rppuvuus on; sesarvolaan suure resduaal aheuava suuren varanssn h seuraavan havannon jäännösermn jakaumaan. Seuraus on odennäköses suur pokkeama odousarvosa. Suure pokkeama ss apaava ryhmyä ällä avalla, ja vasaavas pene pokkeama generova odennäköses penä pokkeama. Taloueen lyvssä akasarjossa on apana puhua volaleen kluseroumsesa ässä yheydessä. Kerome ja malln ase p vakuava shen, kunka usen 'rymhäröä'apahuu, kauanko ne kesävä ja kunka suur on vaheluden amplud, mua luonnollses sauma määrää akasarjan lopullsen muodon. Sauma on myös se ekjä, joka laukasee syseemn muuoksen. Yks a useamp samalla avalla epäyypllnen havano saa akaan varanssn h merkävän kasvun a vähenemsen. 7. Heeroskedassuudesa Tavanomasen regressomalln yheydessä oleeaan, eä jäännösermn ε varanss on vako kaklla ajanhekllä. Tällön prosessn sanoaan olevan homoskedasnen. Jos varanss rppuu ajasa, jäännösermä sanoaan heeroskedasseks. ARCH-malln yheydessä heeroskedassuus on ehdollsa; yksäsen havanojen jakaumen varanss pokkeava ossaan ehdolla prosessn mennesyys (pas jos saadaan kaks samanlasa havanoa, mkä on äärmmäsen epäodennäkösä). Varanss h e ole eksplsses ajan vaan edellsen havanojen funko. Sen sjaan koko keskseyn ARCH-prosessn ehdoon varanss on Var( y ) E( y ) ( E( y )) el vako. Tässä yössä arkoeaan ARCH-malln heeroskedassuudella nmenomaan ehdollsa heeroskedassuua. p p (8) σ

8 8 OSA II: Smulon. Ylesä Tässä osossa smulon ARCH - omnasuua ssälävä ja ssälämäömä akasarjoja. Akasarjojen heeroskedassuus esan Lagrangen kerojaesllä (rskaso 5 %) ja paramer esmon suurmman uskoavuuden meneelmällä. Smulon akasarjoja kakkaan kpl; () kpl ARCH() - akasarjoja; () kpl ARCH() - akasarjoja; () ARCH(5) - akasarja; () kpl avanomasa heeroskedassuua ssälävä akasarjoja; (5a) ARMA(,) - akasarja; (5b) ARMA(,) + rend; (5c) ARMA (,)(,) akasarja; (5d) ARMA (,)(,) + rend - akasarja. Kusakn edellä lueellusa akasarjasa smulon sekä lyhy ( havanoa) eä pkä ( 5 havanoa) verso. Usemmssa apauksssa lyhy akasarja on pkän akasarjan alkupää.. Akasarja () ARCH() - akasarja ( h ( a) ( b) ( c),,5, + y,8,5 () ARCH() - akasarja ( h ( a) ( b), ): + + y y ):,6 8 () ARCH(5) - akasarja ( h ) : + y + y + y + y + 5 y 5,,5,, 5, () Tavanomasa heeroskedassuua ssälävä akasarja ( h, S ): S lyhy: S (a) pkä: {,,,} {,,,} C C S S

9 9 S (b) {,,,}, {97,98,,6},5 {,,,} {,,,} 5 {5,5,,6} 5 (5) ARMA - akasarja: a) ARMA(,) parameren (.5,.5) b) ARMA(,) + rend parameren (.6,.), nc. c) ARMA(,)(,) parameren (.7,.)(.5,.6), kaus d) ARMA(,)(,) + rend parameren (.8,.)(.7,.5) nc., kaus. Havanojen generon Generonn käyen NCSS- ja Excel-ohjelma. NCSS:sä saan valmlla komennolla (,) - normaaljakauunea pseudosaunnaslukuja ( ε ), joka srren Exceln. Kohdan () mukasen akasarjojen ( y ) saamseks ehn seuraavanlanen suodaus:. Aseen y ε. Lasken h + y. Aseen y ε h (*). Tosen vahea ja kaavojen h + y ja y ε h, {,,...,5} osoamalla avalla, kunnes saan 5 havanoa (*) Ehdollnen varanss (ks eoraosan kappale ) on ) Var( h ) h Var( ε Var ( y Ψ ε ) h h el juur nn kun pääkn. Vahe suoreaan, joa saaasn jollan lalla generoua sarjan alkupää. Lähdeään ss lkkeelle laneesa, jossa edelävä havano ols nolla. Nän saadaan edes jollan lalla yypllnen havano sarjan alkuun. Kohdassa () ulee aseaa y ε, y ε ja varanss laskeaan kaavalla + h y y. + Kohdan () mukasen akasarjojen saamseks aseeaan y, {,,,,5 } ε + y + y + y + y + 5 y 5 ja varanss saadaan kaavasa h. Muuon akasarjayyppen () ja () generon sujuu samalla yllä kuvaulla avalla kun yyplle (). Komeno arvsee käyäjälään semenluvun. Semenluvu aulukouna: akasarja a b c a b a b semenluku

10 Kohdan () mukase akasarja saadaan aseamalla y ε h, mssä h, S. Kohdan (5) akasarja saadaan NCSS:n valmlla komennolla. Akasarjoja kuvssa -. Akasarjosa käyän lyheneä, esm. bp arkoaa kohdan (b) pkää akasarjaa. Vasaavas L arkoaa lyhyä.. Akasarjojen analyson Akasarjolle ehn eoraosan kappaleessa 5 esely LM es heeroskedassuudelle, jossa apuregresson ase on 5. Tällön nollahypoeesn ( a a a a a ) päessä essuure 5 TR noudaaa asympooses Χ (5) - jakaumaa. Pken akasarjojen apauksessa T 5 ja lyhyden T. Huolmaa heeroskedassuusesn uloksesa kohen,,5 akasarjolle esmon ja. Tapauksessa esmon, ja, ja ukn myös, men ja muuuva, jos akasarja oleeaan kohdan mukaseks. Tapaukselle esmon kakk 6 paramerä. Jodenkn akasarjojen yheydessä ukn myös, men yksänen havano vakuaa parameresmaaehn; esan, kunka paljon esmaaen arvo muuuva, kun yhä havanoa 'peukalodaan', ja osaala kunka paljon esmaa eroava, kun akasarjan puus muuuu yhden havannon verran. 5. Parameren esmonnsa On oleellsa osaa vala okea aseluku p ARCH(p) - malln. Aseluku kuvaa sä, kunka kaukanen mennesyys vakuaa nykysyyeen. Parameren numeerse arvo kuvaava mennesyyden vakuusa kvanavses. Väärä aseluku anaa pas vääränlasen kuvan lmösä, vakuaa myös parameresmaaen lukuarvohn. Lan pen aseluku on avallaan 'vaarallsempaa', sllä se anaa vallnasen kuvan lmösä ja vakuaa enemmän parameresmaaehn. Lan suuren aseluvun valnaa kompenso se, eä paramer, > p esmouva lähelle nollaa rppuen eys havannosa ja nden määräsä. Tosaala pyrään mahdollsmman yksnkeraseen selykseen, joen aseluku on syyä määrää oken. Esmodessan paramerejä olen nden lukumäärän unneuks kunkn akasarjan yheydessä, joskn esasn jossakn apauksssa myös men lan suur/pen aseluku vakuaa. Esmaaen määrämseks Exceln solverlla asen jonkn alkuarvauksen (esm. ˆ, ˆ ), mnkä jälkeen laskn kullekn havannolle varanssesmaan aempen havanojen avulla: h ˆ ˆ + y (9) Kaavaa käyen akasarjayyppen, ja 5 yheydessä. Akasarjayypelle ja käyen vasaava kaavoja: h ˆ + ˆ y + y () h ˆ ˆ ˆ ˆ ˆ ˆ ˆ + y + y + y + y + 5 y 5 () (Tyyplle kaavaa (), yyplle kaavaa ().) Kunkn havannon logarmnen uskoavuus (eoraosan kappaleesa ) on y s lnh h ()

11 T s p+ Annon solvern ehäväks maksmoda summan, mssä p akasarjan oleeu aseluku, muuelemalla paramerejä, jollon san suurmman uskoavuuden esmaa paramerelle. Huomaavaa on, eä rppuen alkuarvauksesa parameresmaaen. desmaal (ja desmaal sä eeenpän) vahel, joen ulokse päenevä ennään kolmen desmaaln arkkuudella. 6. Tulokse Tulokse on koou aulukkomuooon kappaleessa 6.. Alla on erely ulokse sanallses akasarjoan. 6.. Akasarja a (ARCH()) Akasarjan a generonn käyen parameren arvoja.,. 8, el on suur suheessa :aan. Akasarja al kuvassa. Realsaao edusaa perusapausa, jossa varanss sälyää suuruusluokkansa pkään. Havanojen -5 hajona näyäs kuvan peruseella olevan suurempaa kun muden havanojen, el ne muodosasva klusern. Heeroskedassuuses e kuenkaan havase akasarjaa heeroskedasseks. Tessuure saa arvon 9,5, jonka p-arvo on,9. Paramer kuenkn esmouva kohuullsen lähelle generonnssa käyeyjä. Esmaa ova ˆ.77, ˆ. 8. Pkän akasarjan ap apauksessa heeroskedassuus on ksaona. Tessuureen p- arvo on, el nolla kahdeksan desmaaln arkkuudella, joka on käyeyn ohjelman (NCSS) laskenaarkkuus. Parameresmaa laskeuna 5:sa havannosa ova ˆ.79, ˆ.785. Heman yllääen ne evä ole manavas arkemma kun lyhyesä akasarjasa laskeu esmaa. Yksäsen havannon vakuusa esmaaehn kokeln laskemalla esmaa myös 9:n ja 99:n havannon peruseella. Tulokse ova ällön ˆ.75, ˆ. 86 (9 havanoa) ja ˆ.78, ˆ.78 (99 havanoa). Yksäsen havannon vakuus rppuu kahdesa asasa: akasarjan puudesa ja havannon pokkeavuudesa. Lyhyen akasarjan lyhenämnen yhdellä, vakkakn kuvan peruseella 'normaallla'havannolla muuaa esmaan ˆ arvoa, yksköllä, mkä on suheellsen paljon. Pkän akasarjan esmaaehn vmesen havannon posamnen e vakua sanoavas. Akasarjohn al ja ap soven myös ARCH() - mall. Lyhyen akasarjan ARCH() - esmaa ova ˆ., ˆ. 59, ˆ. 7 el ne ova harhaanjohava. ˆ ˆ, jäävä kauaks okesa ja ARCH() - malln peruseella esmodusa. Lsäks ˆ esmouu suureks, mkä anaa lluuson sä, eä varanss rppus myös havannosa, jonka vve on. Sen sjaan pkän akasarjan ap parameresmaa ˆ ˆ, ova juur kuen ARCH() - malln vasaava, ja ˆ esmouu nollaks.

12 ,5,5 -,5 Seres - -,5 - -, Kuva. Akasarja al. 6.. Akasarja b (ARCH()) Akasarja generon käyäen paramerejä.5,. 5. Lyhyen akasarjan bl peruseella laskeu esmaa ova ˆ.77, ˆ. 69. Pkäsä akasarjasa esmodu paramer ova ˆ.567, ˆ.7. Kummassakn apauksessa ˆ jää aka kauaks arvosa.5. Heeroskedassuusesn p-arvo lyhyen akasarjan apauksessa on,7 ja pkän,. Tes ss havasee pkän, mua e lyhyen akasarjan heeroskedassuuden. Yksäsen havannon vakuusa esan manpulomalla akasarjaa sen, eä snänsä yypllsä havanoa muuen ensn sesarvolaan suuremmaks ja sen penemmäks. Ny uhrks valkou havano nro 6, jonka lukuarvo on,7765. Havano vahden lukuarvoon, jollon lyhyen akasarjan parameresmaa muuuva dramaases: ˆ., ˆ,. Myös pkään akasarjaan ällä muuoksella on vakuusa kohuupaljon: ˆ.6, ˆ. 7. Muuosen suuruude selyvä sllä, eä havannon 6 muuamnen arvoon saa sen pokkeamaan ympärsösään. Se muodosaa yksnäsen pkn, joka on epäodennäkönen realsaao alkuperäsen parameren generomassa akasarjassa. Havannon 6 muuamnen arvoon. e aheua läheskään yhä suura muuoksa. Lyhyen akasarjan esmaa ova ˆ., ˆ. 7 ja pkän ˆ.565, ˆ. 7. Akasarjaan b soven myös ARCH() - mall. Tulokse ova ällön lyhyelle akasarjalle ˆ.5, ˆ. 56, ˆ,, ˆ. ja pkälle akasarjalle ˆ.5, ˆ.7, ˆ., ˆ. 66. Pkän akasarjan apauksessa lan suur aseluku e juur haaa ( ˆ ˆ, lähellä nollaa ja ˆ ˆ, samaa luokkaa kun malln aseen ollessa ), mua lyhyen akasarjan esmaa ˆ ˆ, ova kaukana odellssa arvosaan.

13 6.. Akasarja c (ARCH()) Kuva. Ensmmäse havanoa akasarjasa cp. Kuvaan on prrey akasarja cp, jonka ensmmäsä havanoa muodosava akasarjan cl. Havanno 5- näyävä heelehvän enemmän kun muu, mua se e rä kumoamaan heeroskedassuusesn nollahypoeesä. Lyhyä akasarjaa cl e vo heeroskedassuusesn peruseella (p-arvo,) pää heeroskedassena. Pkä akasarja puolesaan havaaan heeroskedasseks (p-arvo.5). Akasarjan generomseen käyen parameren lukuarvoja,.. ARCH - omnasuus on ss 'levää'( pen). Parameresmaaeks saadaan lyhyesä akasarjasa ˆ.9, ˆ. ja pkäsä ˆ.96, ˆ. 7. Parameresmaa akasarjasa, jonka puus on, ova ˆ.8, ˆ. 9. Esmaa ss muuuva melkoses. Syy on se, eä havano pokkeaa edeläjäsään; edellnen havano on sesarvolaan 'kaukana'nollasa ja havano nro 'lähellä'nollaa (ks. kuva ). Huomaavaa on, eä muuos apahuu koh generonnssa käyeyjä arvoja. Pkän akasarjan ypsämnen 99:ään havanoon muuaa esmaa arvohn ˆ.99, ˆ. 65 el vakuus on odoeus vähänen. Akasarjaan c soven ARCH() - mall. Tällön lyhyesä akasarjasa saadaan esmaa ˆ.8, ˆ., ˆ., ˆ,, ˆ. 8 ja pkäsä ˆ.8, ˆ.6, ˆ., ˆ.6, ˆ.5, joka evä ole nnkään harhaanjohava lukema, joskn ˆ on aka suur lyhyesä akasarjasa esmouna. Varanssn rppuvuus havannosa, jonka vve on, on kuveellsa, mua sl sä näyäs olevan, jos anesoon soveaan ARCH()-mall.

14 6.. Akasarja a (ARCH()) Kuva. Ensmmäse havanoa akasarjasa ap Lyhyä akasarjaa al e havaa heeroskedasseks (p-arvo,9), mkä e ole ylläys, kun kasoo kuvaa. Ensmmäsen :n havannon joukossa on van yks pokkeava havano, jonka selämseen e arva ARCH - malla. Tes havasee pkän akasarjan heeroskedasseks (p-arvo,). Akasarjan ARCH - omnasuus lmenee kuvassa havanojen 5-6 keppellä selväs. Akasarja generon paramerellä,.,. 6. Lyhyesä akasarjasa laskeu esmaa ova ˆ.6, ˆ.67, ˆ.. Eroa on ss hyvn paljon. Näden esmaaen peruseella akasarjassa al e ARCH - omnasuua juurkaan ols. Saman johopääöksen vos ehdä myös kuvasa. (Akasarjan alkupää näyää asapaksula.) Hyvn pokkeava havano (nro 9) 'väärsää'esmaaa ˆ paljon ykkösä suuremmaks. Pkäsä akasarjasa esmodu arvo ova ˆ.87, ˆ., ˆ. 78. Vrheä nässä on non. ykskköä kussakn, mkä on suheellsen paljon akasarjan puus huomoden. Akasarjaa peukalon vahamalla havano nro (lukuarvo,595) ensks lukuarvoon ja sen lukuarvoon,. Pkäsä akasarjasa laskeuhn esmaaehn kummallakaan muuoksella e ole manavaa vakuusa. Myöskään lyhyeen akasarjaan e havannon vahamsella penemmäks ole oleellsa vakuusa. Sen sjaan havannon korvaamnen suurella arvolla aheuaa muuoksa lyhyen akasarjan esmaaehn: ˆ., ˆ., ˆ.. Akasarja vakuaa ällön olevan kokonaan lman ARCH - omnasuua. Sovamalla daaan ARCH() - mall saadaan lyhyesä esmaa ˆ.568, ˆ.7 ja pkäsä ˆ.69, ˆ. 87. Vakka ˆ. esmoaessa lyhyen akasarjan ARCH() - paramer, evä ˆ ja ˆ ole yhenevä, koska ny esmoaessa käyeään myös havanoa nro ; aseluvun ollessa meneeään ensmmäsä havanoa, kun aas aseluvun ollessa van havano. Arvaenkn pkän akasarjan esmaa ˆ ja ˆ pokkeava paljon generonnssa käyeysä, sllä paramer on hallseva ARCH - omnasuuden uoaja, jonka vakuus upoeaan ny muhn paramerehn ( ˆ ja ˆ suura).

15 Akasarja b (ARCH()) Akasarja b generon käyäen paramerejä.5,.5,. 5. Parameresmaa ova lyhyesä akasarjasa ˆ.69, ˆ.76, ˆ. ja pkäsä ˆ.59, ˆ.77, ˆ.65. Lyhyen esmaa lähnnä suunaa-anava, mua pkäsä saadaan kelpo esmaa. Touuun apaan lyhyä e havaa heeroskedasseks (p-arvo,76), mua pkä havaaan (p-arvo,). ARCH() - malln uoama esmaa lyhyelle akasarjalle ova ˆ.59, ˆ.8 ja pkälle ˆ.55, ˆ. 7. Ne ova melko lähellä ARCH() - malln uoama esmaaeja, pänvason kun akasarjan a apauksessa. Selys löyyy parameren kesknässä suhesa. Ny on selväs penn, jollon sen huomoa jäämsesä (oleamalla ARCH() - mall) e seuraa yhä suura vrheä kun apauksessa a Akasarja (ARCH(5)) Kuva. Akasarjan ensmmäse 5 havanoa. Akasarja on ARCH(5) - prosess. Akasarja generon paramerellä,.,.5,.,., 5.. Akasarja kuvassa. Heeroskedassuuses e huomaa lyhyä akasarjaa heeroskedasseks (p-arvo,97). Tesn mukaan pkä akasarja on heeroskedasnen (p-arvo ). Lyhyesä akasarjasa L parameresmaa ova ˆ., ˆ., ˆ., ˆ.957, ˆ.56, ˆ 5.. Johuen akasarjan lyhyydesä ( havanoa, josa 5 velä meneeään) esmaa ova kaukana okesa. Eryses huomoa heräää ˆ., koska ARCH - mallla edellyeään >. Pkän akasarjan esmaa ova ˆ.68, ˆ.6, ˆ.7, ˆ.5, ˆ.7, ˆ 5. el ne sauva jo huomaavas lähemmäks odellsa arvoja. havanoa on avan lan vähän, joa ARCH(5) - mall saaasn esmoua luoeavas.

16 6 Tässä yheydessä esan lan penen aseluvun vakuus oleamalla ARCH() - prosess. Tällön saadaan parameresmaa ˆ.9, ˆ.5.76, ˆ. lyhyesä ja pkäsä ˆ.67, ˆ.8, ˆ. 9. Puuuven parameren,, 5 vakuus keräänyy ylsuureks parameresmaaks ˆ Akasarja a ja b (avanomasa heeroskedassuua ssälävä akasarja) Kuva 5. Akasarja ap graafses. Tyyppä oleva akasarja ova avanomasa heeroskedassuua ssälävä akasarjoja. Akasarjoja kuvssa 5-8. Kuvan 5 peruseella näyää odellakn slä, eä akasarjan ap havanojen - hajona on suuremp kun muden havanojen. Lyhy akasarja al on kuvassa 6, josa havanno - evä erou mllään lmesellä avalla. (Havanno - generon jakaumasa, jonka varanss on kaksnkeranen.) Ny ulee huomaa, eä al e ole akasarjan ap alkupää. Heeroskedassuusesn ulos on odoeunlanen: akasarja ap on heeroskedasnen (p-arvo,) ja lyhy akasarja homoskedasnen (p-arvo,6). Lyhyen akasarjan al ARCH() - malln parameresmaa ova melenknosa:.6, ˆ. el vakka ehdään 'väärn' ˆ sovamalla ARCH - mall, vrhe saadaan aneeks ( ˆ. ). Pkän akasarjan esmaa ova.6, ˆ.5. Veralun vuoks lasken oosvaranss ˆ σ : lyhyelle ˆ σ.55 ja ˆ pkälle ˆ σ.. Lyhyen akasarjan parameresmaa ˆ e ole kaukana oosvaransssa. Vakka lyhyen akasarjan parameresmaa ˆ olkn nolla, suurmman uskoavuuden meneelmä e uoa ˆ :lle äsmälleen oosvaranssn suurusa arvoa ässä apauksessa. ˆ. arkoaa ARCH omnasuuden ypsymsä pos mallsa, el havanoja mallnneaan valkosella kohnalla. Tällön on kohnan varanss, jolle oosvaranss ols paremp esmaaor.

17 7 Akasarja al,5,5 y -, Seres - -,5 - -,5 - Kuva 6. Akasarja al. Pkä akasarja bp e näyä erysen heeroskedassela kuvan 7 peruseella. Akasarja näyää aka lalla homoskedassela. Lähemp arkaselu (kuva 8) anaa paremman kuvan, sllä generodessa akasarjaa varanssa kasvaen van kymmenelle havannolle kerrallaan. Kuvassa 7 nämä kymmenen havanno jakso hukkuva. Havanno - generon käyäen varanssa,, joka on van vähän suuremp kun perusvaranss. Tällasa levää, lähes olemaona lyhyen akasarjan heeroskedassuua e havaa slmällä ekä esllä (p-arvo,5). Pkä akasarja puolesaan paljasuu heeroskedasseks (p-arvo,76), joskaan e nn selvällä erolla kun edellse pkä akasarja, kun verallaan p-arvoja. ARCH() - malln parameresmaa ova lyhyesä ˆ.66, ˆ. ja pkäsä ˆ.9, ˆ. 86 el ne ova samanapase kun akasarjojen al ja ap esmaa. Pkän akasarjan oosvaranss on,99 ja lyhyen akasarjan oosvaranss on,67. ˆ esmouu ss lähelle oosvaranssa, jos ˆ on nolla a hyvn pen.

18 Kuva 7. Tavanomasa heeroskedassuua omaava akasarja bp Kuva 8. Akasarjan bp 8 vmesä havanoa.

19 Akasarja yyppä 5 (ARMA akasarja) Tyypn 5 akasarja ova ARMA - yyppsä akasarjoja, ekä nssä ole ARCH - omnasuua. Idea on uka, men heeroskedassuuses reago ällasn akasarjohn, ja mnkälasa parameresmaaeja saadaan sovamalla ARCH() - mall. Akasarja 5a (lyhy verso kuvassa 9) on ARMA(,) - prosess. Heeroskedassuuses oeaa sekä pkän eä lyhyen verson homoskedasseks (p-arvo, ja,8). ARCH() - malln parameresmaa ova ˆ.8, ˆ. lyhyelle ja., ˆ.8 pkälle. ARMA(,) - prosess e ss johda harhaan ˆ heeroskedassuusesä ja parameresmaaeja ( ). ˆ Akasarja 5aL y Seres Kuva 9. ARMA(,) akasarja parameren (.5,.5). Trend vakeuaa akasarjan analysomsa. Akasarja 5b ( y ) saan generomalla ARMA(,) - prosess x ja lsäämällä shen lneaarnen rend: y x +,(-). Kappaleessa kohdassa 5 arkoeaan paramerllä nc eo. yhälön lsäysä akaykskössä [(-):n kerrona]. Akasarjan 5b rend on varsn vomakas; apuregresson selysase on äsä johuen korkea (,6 lyhyelle ja,99 pkälle akasarjalle). Nämä lukema johava nollahypoeesn hylkäämseen molemmssa apauksssa.

20 Akasarja 5bL 5 y Seres Kuva. 'Trendkäs'ARMA(,) - prosess. Akasarja 5c on kausvahelua omaava SARMA(,)(,) - akasarja jaksonpuudella. Akasarja 5cP kuvassa, josa sen yyppä on paljaalla slmällä vakea nähdä. Heeroskedassuusesn ulos on, eä lyhy on homoskedasnen (p-arvo,87) ja pkä heeroskedasnen (p-arvo,68). Sovamalla ARCH() - mall saadaan ˆ.6, ˆ. 7 lyhyesä ja ˆ.99, ˆ. pkäsä. Lyhyen akasarjan esmaa ˆ on huomaavan suur, mua kuen on jo aemmn huomau, lyhyden akasarjojen uoama parameresmaa ova melkosen epäluoeava ja nhn ulee suhauua krses, vakka mall olskn oken spesfou, mä se e ässä apauksessa edes ole. Edellä ARMA(,) - prosessn e odeu aheuavan heeroskedassuusesn nollahypoeesn hylkäämsä. SARMA:n apauksessa es kuenkn hälyää, mkä johunee suuresa AR-paramersä (,7). Resduaal ova vomakkaas korrelounea lyhyllä vvellä. Pelkkä kausvahelun aheuama korrelaao uskn näkys esssä, sllä kaudenpuus on ja ny esaaan ennään vveellä 5 oleva resduaaleja.

21 Akasarja 5cP y Seres Kuva. SARMA(,)(,) - prosess, kauden puus. (5 ensmmäsä havanoa) Akasarjassa 5d (kuvassa ) on rend, jonka suuruus on nc,. Akasarjan ausalla on SARMA - prosess kaudenpuudella, johon on lsäy rend akasarjan 5b apaan. Trend ja AR - paramer evä ole arpeeks suura aheuamaan nollahypoeesn hylkäämsä lyhyen akasarjan apauksessa (p-arvo,), mua pkän akasarjan apauksessa es hälyää (parvo ). Lyhyesä esmouva paramer ˆ., ˆ. 789 ja pkäsä ˆ.69, ˆ.79. ˆ on varsn suur molemmssa apauksssa. Trend näkyy suurena esmaana ˆ : alussa havanno ova lähellä nollaa, ja lopussa ne ova järjeselmällses suura. Penä havanoa seuraa ss keskmäärn pen havano, ja suura suur, msä seurauksena on suur ˆ. Samankalasen havanojen kluseroumnen johuu rendsä, ekä ARCH - omnasuudesa, mua sähän suurmman uskoavuuden esmonmeneelmä e edä!

22 Akasarja 5dP 8 6 y Seres Kuva. SARMA, jossa rend.

23 6. Tulokse aulukouna PARAMETRIT 5 ˆ ESTIMAATIT ˆ ˆ ˆ 5 AS al,,8,78,8 E ap,79,785 K a,75,86 9 a,78,78 99 al,,59,7 ARCH() ap,79,785, ARCH() bl,5,5,77,69 E bp,567,7 K bl,, Y bp,66,7 Y bl,,7 A bp,565,7 A bl,5,56,, ARCH() bp,5,7,,66 ARCH() cl,,9, E cp,96,7 K c,8,9 c,99,65 99 cl,8,,,,8 ARCH() cp,8,6,,6,5 ARCH() al,,6,6,67, E ap,87,,78 K al,,, Y ap,87,96,7 Y al,6,69, A ap,88,,78 A al,568,7 ARCH() ap,69,87 ARCH() bl,5,5,,69,76, E bp,59,77,65 K bl,59,8 ARCH() bp,55,7 ARCH() L,,5,,,,,,,957,6, E P,68,6,7,5,7, K L,9,5, ARCH() P,67,8,9 ARCH() al,6, E ap,6,5 K bl,66, E bp,9,86 K 5aL,8, E 5aP,,8 E 5bL,5,57 K 5bP,66,8 K 5cL,6,7 E 5cP,99, K 5dL,,789 E 5dP,65,79 K ˆ ˆ Huom HS

24 Selyksä edellsen svun aulukkoon: AS Akasarja, HS heeroskedassuus, K heeroskedassuusesn p-arvo <,5, E aneso esn mukaan homoskedasnen (p-arvo >,5), Y havanoa muueu sommaks, A havanoa muueu penemmäks, huom - sarakkeessa numero x akasarjan puus on x. 7. Malln aseen määrämnen Soveaessa ARCH(p) - malleja akasarjohn aseluku p ol unneu generonnn peruseella. Tukn myös, men väärä aseluku vakuaa. Reaalmaalman akasarjojen synnyävä mekansmeja e ana varmuudella unnea. Jos akasarjaa epällään ARCH - prosessks, sen aseluku ulee selvää aneson peruseella. Yks apa on uka apuregresson regressokeromen a merksevyyä. Lkkeelle lähdeään regressosa a + a ε + e a pokkeaa ε. Mkäl kerron lasollses merkseväs nollasa, jakeaan kasvaamalla regressoasea, kunnes löyyy regresso, jonka jokn regressokerron (e kuenkaan vakoseläjä) e pokkea merkseväs nollasa. ARCH - malln aseluvuks valaan ällön seläjen lukumäärä vmesesä regressosa, jonka kakk aojen seläjen regressokerome ova merksevä. Tällasen regresson löyymsen vakeus (arvaan paljon seläjä) vaa shen, ee ARCH mall ole kovn hyvä selämään arkaselavaa lmöä/akasarjaa. Tonen apa vala malln ase on esmoda aluks ARCH() - malln paramer, ja muodosaa nden avulla varanssennusee kaavalla (9). Tämän jälkeen muodoseaan akasarja x kaavalla x y h. Jos x on valkosa kohnaa, valaan aseluvuks p. Mkäl e, esmodaan ARCH() - paramer ja jaeaan havanno hajonaennuseella, jonka jälkeen ukaan, onko x valkosa kohnaa. Nän jakeaan, kunnes saavueaan aseluku p, jolle x on valkosa kohnaa. Käyännön ARCH - prosessessa aseluku on kuenkn suheellsen pen, joen jos aselukua jouduaan kasvaamaan kohuuoman soks, on syyä meä malln rakennea uudesaan. Kuen on nähy, heeroskedassuuses, jolla ARCH - omnasuuden olemassaoloa esaaan, reago myös paljon muuhunkn kun ARCH - omnasuueen: avanomaseen heeroskedassuueen, rendn, rakenneosan väärään spesfkaaoon, auokorrelaaoon ja malln puuuvn seläjn.

25 5 8. Yheenveo ja johopääökse ARCH - omnasuus akasarjassa vaa usea kymmenä elle saoja havanoja lmenyäkseen kunnolla. havanoa on avan lan vähän, jos aoaan uka luoeavas akasarjan mahdollsa ARCH - omnasuua. Ensnnäkään heeroskedassuuses e hälyäny lyhyden ARCH - akasarjojen yheydessä keraakaan, jollon ARCH - omnasuua e huomau. Toseks esmaaoren hajona on suura, kun havanoja on van. Kolmanneks lyhye akasarja ova epäsableja, mllä arkoan, eä esmaa muuuva herkäs hyvnkn paljon akasarjassa apahuven muuosen suheen. Lyhyen akasarjan puuden muuumnen yhdellä yksköllä, yks vrheellnen havano esm. mausvrheen seurauksena a väärä (lan suur) aseluku aheuava poenaalses rajuja muuoksa esmaaehn. Pkllä akasarjolla vakavaa epäsablsuusongelmaa e ole. Lan suur aseluku e aheua soja ongelma parameresmonn pksä akasarjosa. Lan penellä aseluvulla puolesaan on apumusa kasvaaa parameresmaaa ˆ lan suureks. Heeroskedassuusesn käyöön ARCH - omnasuuden paljasajana lyy monenlasa ongelma. Pken akasarjojen yheydessä es reago muhnkn lmöhn kun ARCH - omnasuueen, ekä hälyyksen syyä välämää kyeä varmuudella eroamaan. Sen äyyy olla varovanen pääelmssään esn peruseella. ARCH - omnasuuden pääelemseks ols hyvä olla muuakn evdenssä. Ennen kun anesolle esmodaan ARCH - paramer, ulee varmsaa muuama asoa. Heeroskedassuusesn ulee hälyää, ekä hälyyksen syynä saa olla mään lmesä kuen rendä. Malln aseluku ulee määrää oken, anakaan se e saa jäädä lan peneks. Ooksen ulee olla rävän suur, joa esmaa olsva arkkoja. Akasarjan puus myös kompenso mahdollsa penä vrheä. Esmonnn uloksena ulee synyä järkevä lukema el nden ulee oeuaa eoraosassa manu ehdo. Kuva ja lmenävä hyvn ARCH - prosessn perusomnasuua, varanssn vahelua. Isesarvolaan suur havano mplko seuraavan havannon suuren hajonnan, joka odennäköses mplko sesarvolaan suuren havannon ja vasaavas penlle havannolle. Kuva lmenää onnsunua esmona. Kuvassa näkyy vrheellsen parameresmaaen vakuus. Akasarjan al paramer ja esmon penks, jollon varanss on lkman vako koko ajan.

26 6 Akasarjan al varanss,5,5 var es,5, Kuva. Akasarjan al 'odellnen'el generonnssa käyey varanss h (var) ja sen esmaa h (es). Akasarja kulkeva lähes päällekkän. Akasarjan al varanss var es havano Kuva. Esmonnn ulos, kun esmaa pokkeava paljon generonnssa käyeysä. Koko ajan varanssesmaa on kaukana odellsesa varansssa (huomaa pysyakseln skaala).

27 7 Lähee Engle, R: Auoregressve condonal heeroscedascy wh esmaes of he varance of Uned Kngdom. Economerca 5. Menen, J: ARCH -mall ja heysfunkoennusamnen. Pro gradu -ukelma, Helsngn ylopso. hp:// Pajunen, P: TKK:n T-6.8 Sgnaalen lasollnen mallnnus -kurssn luenomaeraal

Riskienhallinnan peruskäsitteitä

Riskienhallinnan peruskäsitteitä Rskenhallnnan peruskäseä Juss Kangaspuna 7. Syyskuua 2011 Työn saa allenaa ja julksaa Aalo-ylopson avomlla verkkosvulla. Mula osn kakk okeude pdäeään. Esyksen ssälö Todennäkösyyspohjanen vekehys aloudellsen

Lisätiedot

MUODONMUUTOKSET. Lähtöotaksumat:

MUODONMUUTOKSET. Lähtöotaksumat: MUODONMUUTOKSET Lähöoaksuma:. Maeraal on sorooppsa ja homogeensa. Hooken lak on vomassa (fyskaalnen lneaarsuus) 3. Bernoulln hypoees on vomassa (eknnen avuuseora) 4. Muodonmuuokse ova nn penä rakeneen

Lisätiedot

Taustaa KOMPLEKSILUVUT, VÄRÄHTELIJÄT JA RADIOSIGNAALIT. Jukka Talvitie, Toni Levanen & Mikko Valkama TTY / Tietoliikennetekniikka

Taustaa KOMPLEKSILUVUT, VÄRÄHTELIJÄT JA RADIOSIGNAALIT. Jukka Talvitie, Toni Levanen & Mikko Valkama TTY / Tietoliikennetekniikka IMA- Exurso: Kompleksluvu ja radosgnaal / KOMPLEKSILUVUT, VÄRÄHTELIJÄT JA RADIOSIGNAALIT Tausaa IMA- Exurso: Kompleksluvu ja radosgnaal / Kakk langaon vesnä ja radoeolkenne (makapuhelme, WLAN, ylesrado

Lisätiedot

01/2013. Köyhyyden dynamiikka Suomessa 1995 2008. Eläketurvakeskus. Ilpo Suoniemi

01/2013. Köyhyyden dynamiikka Suomessa 1995 2008. Eläketurvakeskus. Ilpo Suoniemi 0/203 ELÄKETURVAKESKUKSEN TUTKIMUKSIA PALKANSAAJIEN TUTKIMUSLAITOKSEN TUTKIMUKSIA 4 Köhden dnamkka Suomessa 995 2008 Ilpo Suonem Eläkeurvakeskus PENSIONSSKYDDSCENTRALEN 0/203 ELÄKETURVAKESKUKSEN TUTKIMUKSIA

Lisätiedot

KVANTISOINTIKOHINA JA KANAVAN AWGN- KOHINA PULSSIKOODIMODULAATIOSSA

KVANTISOINTIKOHINA JA KANAVAN AWGN- KOHINA PULSSIKOODIMODULAATIOSSA KVANTIOINTIKOHINA JA KANAVAN AWGN- KOHINA PULIKOODIMODULAATIOA Teolkenneeknkka I 5359A Kar Kärkkänen Osa 6 5 Kvansonkohna PCM-järjeselmässä PCM:ssa on kaks vrhelähdeä:. kvansonkohna,. kanavan kohnan aheuama

Lisätiedot

INTERFERENSSIN VAIKUTUS LINEAARISISSA MODULAATIOISSA

INTERFERENSSIN VAIKUTUS LINEAARISISSA MODULAATIOISSA 1 INTERFERENSSIN VIKUTUS LINERISISS MOULTIOISS Men yksaajunen häökanoaalo haaa lasua? 521357 Teolkenneeknkka I Osa 18 Ka Käkkänen Kevä 2015 KERTUST 2 Kanoaaloodulaaolle: os[2πf φ] Lneaanen odulaao Vahee

Lisätiedot

Valmistaminen tai ostaminen varastoon tasainen kysyntä

Valmistaminen tai ostaminen varastoon tasainen kysyntä Valmsamnen varasoon Make-o-sock (MTS) -uoanoapaa käyävä yrykse, joka valmsava loppuuoea a osa erssä ja valmsuksen jälkeen varasova uoee varasoon odoamaan kysynää MTS-uoanomalln euna ova lyhye omusaja asakkaalle,

Lisätiedot

Dynaaminen optimointi ja ehdollisten vaateiden menetelmä

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

Lisätiedot

8 USEAN VAPAUSASTEEN SYSTEEMIN VAIMENEMATON PAKKOVÄRÄHTELY

8 USEAN VAPAUSASTEEN SYSTEEMIN VAIMENEMATON PAKKOVÄRÄHTELY Värähelymeaa 8. 8 USEAN VAPAUSASEEN SYSEEMIN VAIMENEMAON PAKKOVÄRÄHELY 8. Normaalmuoomeeelmä Usea vapausasee syseem leyhälöde (7.) raaseme vaa aava (7.7) a (7.8) homogeese yhälö ylese raasu { } lsäs paovomaveora

Lisätiedot

Käyttövarmuuden ja kunnossapidon perusteet, KSU-4310: Tentti ma

Käyttövarmuuden ja kunnossapidon perusteet, KSU-4310: Tentti ma KSU-430/Ten 4..2008/Prof. Seppo Vranen /3 Käyövarmuuden ja kunnossapdon perusee, KSU-430: Ten ma 4..2008 Huom. Vasaus van veen kysymykseen. Funko- ja/a ohjelmoavan laskmen, musnpanojen, luenomonseden ja

Lisätiedot

Flow shop, työnvaiheketju, joustava linja, läpivirtauspaja. Kahden koneen flow shop Johnsonin algoritmi

Flow shop, työnvaiheketju, joustava linja, läpivirtauspaja. Kahden koneen flow shop Johnsonin algoritmi Flow shop önvaheeju jousava lnja läpvrauspaja Flow shopssa önvaheden järjess on sama alla uoella Kosa vahea vo edelää jono vova ö olla vaheleva ja ö vova ohaa osensa äl ö evä oha osaan puhuaan permuaaoaaaulusa

Lisätiedot

INTERFERENSSIN VAIKUTUS LINEAARISESSA MODULAATIOSSA

INTERFERENSSIN VAIKUTUS LINEAARISESSA MODULAATIOSSA INTERFERENSSIN VIUTUS LINERISESS MOULTIOSS Teolkenneeknkka I 521359 a äkkänen Osa 15 1 19 Inefeenssn vakuus lneaasessa odulaaossa Radoaausa nefeenssä RFI sn usa äeselsä, kun oa kanoaaloaauus on lähellä

Lisätiedot

Täydennetään teoriaa seuraavilla tuloksilla tapauksista, joissa moninkertaisen ominaisarvon geometrinen kertaluku on yksi:

Täydennetään teoriaa seuraavilla tuloksilla tapauksista, joissa moninkertaisen ominaisarvon geometrinen kertaluku on yksi: 77 Aemmn oleen, eä mars A on dagonalsouva. Tällanen on lanne äsmälleen sllon, un joasen omnasarvon geomernen eraluu on sama un algebrallnen. Täydenneään eoraa seuraavlla uloslla apaussa, jossa monnerasen

Lisätiedot

Soorrea. OUTC'KUMPU Oy.' Malminetsintä. O. POhjamies/pAL ,4 1 (3) VLF -MI'ITAUS. Periaate. Lähetysase.mat

Soorrea. OUTC'KUMPU Oy.' Malminetsintä. O. POhjamies/pAL ,4 1 (3) VLF -MI'ITAUS. Periaate. Lähetysase.mat - OUTCKUMPU Oy Malmnesnä O POhames/pAL 94 (3) VLF -MTAUS Peraae Läheysasema VU (= Very M Frequency) -ruauks$sa käyeään apuna 5-0 khz aauusaueea omva asea Näden asemen anenrrl ova pysyä a nssä kulkeva vra

Lisätiedot

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä.

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä. MS-A0205/MS-A0206 Dfferentaal- ja ntegraallaskenta 2 Luento 7: Lagrangen kertojat. Penmmän nelösumman menetelmä. Jarmo Malnen Matematkan ja systeemanalyysn latos 1 Aalto-ylopsto Kevät 2016 1 Perustuu Antt

Lisätiedot

YRITYSKOHTAISEN TEHOSTAMISTAVOITTEEN MÄÄRITTELY 1 YRITYSKOHTAISEN TEHOSTAMISPOTENTIAALIN MITTAAMINEN

YRITYSKOHTAISEN TEHOSTAMISTAVOITTEEN MÄÄRITTELY 1 YRITYSKOHTAISEN TEHOSTAMISPOTENTIAALIN MITTAAMINEN ENERGIAMARKKINAVIRASTO 1 Le 2 Säkön jakeluverkkoomnnan yryskoasen eosamsavoeen määrely YRITYSKOHTAISEN TEHOSTAMISTAVOITTEEN MÄÄRITTELY Asanosanen: Vaasan Säköverkko Oy Lyy pääökseen dnro 491/424/2007 Energamarkknavraso

Lisätiedot

3.5 Generoivat funktiot ja momentit

3.5 Generoivat funktiot ja momentit 3.5. Generovat funktot ja momentt 83 3.5 Generovat funktot ja momentt 3.5.1 Momentt Eräs tapa luonnehta satunnasmuuttujan jakaumaa, on laskea jakauman momentt. Ne määrtellään odotusarvon avulla. Määrtelmä

Lisätiedot

MUUTTOLIIKKEEN ENNUSTAMISESTA

MUUTTOLIIKKEEN ENNUSTAMISESTA Pellervon aloudellsen ukmuslaoksen yöpaperea Pellervo Economc Research Insue Workng Papers N:o 19 (oukokuu 1999) MUUTTOLIIKKEEN ENNUSTAMISESTA An Moso* Helsnk, oukokuu 1999 ISBN 951-8950-97-0 ISSN-1455-4623

Lisätiedot

Ohjelmiston testaus ja laatu. Ohjelmistotekniikka dokumentointi

Ohjelmiston testaus ja laatu. Ohjelmistotekniikka dokumentointi Ohjelmson esaus ja laau Ohjelmsoeknkka dokumenon Ohjelmsoyöhön kuuluu oleellsena osana dokumenen krjoamnen laadukkaden dokumenen uoamnen vakeaa akaaulujen panaessa päälle, dokumenonnsa on helppo npsää

Lisätiedot

Jaksolliset ja toistuvat suoritukset

Jaksolliset ja toistuvat suoritukset Jaksollset ja tostuvat suortukset Korkojakson välen tostuva suortuksa kutsutaan jaksollsks suortuksks. Tarkastelemme tässä myös ylesempä tlanteta jossa samansuurunen talletus tehdään tasavälen mutta e

Lisätiedot

Cointegration between Fama-French Factors

Cointegration between Fama-French Factors 1 Conegraon beween Fama-French Facors Absrac Yhesnegrounesuudella on mona sovelluksa rahouksessa ja mulla eeen alolla, jossa ukaan akasarjoja ja nden välsä rppuvuua. Analyys on arkoeu epäsaonaarsen akasarjojen

Lisätiedot

Vaihtovirta ja vaihtojännite. Vaihtovirta ja vaihtojännite. Vaihtovirta ja vaihtojännite. Vaihtovirta ja vaihtojännite. Vaihtovirta ja vaihtojännite

Vaihtovirta ja vaihtojännite. Vaihtovirta ja vaihtojännite. Vaihtovirta ja vaihtojännite. Vaihtovirta ja vaihtojännite. Vaihtovirta ja vaihtojännite S-66. Elekronkan perskrss Leno III: vass Päöeho en perskykennä kondensaaor Vahovrran lyhenney merknäapa Vakea vahovra-analyys? analyys? Kompleksarmekka odellnen vahovra-analyys analyys alkaa asavrralla

Lisätiedot

W dt dt t J.

W dt dt t J. DEE-11 Piirianalyysi Harjoius 1 / viikko 3.1 RC-auon akku (8.4 V, 17 mah) on ladau äyeen. Kuinka suuri osa akun energiasa kuluu ensimmäisen 5 min aikana, kun oleeaan mooorin kuluavan vakiovirran 5 A? Oleeaan

Lisätiedot

DEE-53000 Sähkömagneettisten järjestelmien lämmönsiirto

DEE-53000 Sähkömagneettisten järjestelmien lämmönsiirto DEE-53000 Sähkömageese järjeselme lämmösro Lueo 8 1 Sähkömageese järjeselme lämmösro Rso Mkkoe Dfferessmeeelmä Numeersa rakasua haeaa aluee dskreeesä psesä. Muodoseaa verkko ja eseää dervaaa erousosamäärä.

Lisätiedot

Luento 6 Luotettavuus ja vikaantumisprosessit

Luento 6 Luotettavuus ja vikaantumisprosessit Tkll korkakoulu ysmaalyys laboraoro Luo 6 Luoavuus a vkaaumsrosss Ah alo ysmaalyys laboraoro Tkll korkakoulu PL 00, 005 TKK Tkll korkakoulu ysmaalyys laboraoro Määrlmä Tarkaslava ykskö luoavuus o s odäkösyys,

Lisätiedot

Monte Carlo -menetelmä

Monte Carlo -menetelmä Monte Carlo -menetelmä Helumn perustlan elektron-elektron vuorovakutuksen laskemnen parametrsodulla yrteaaltofunktolla. Menetelmän käyttökohde Monen elektronn systeemen elektronkorrelaato oteuttamnen mulla

Lisätiedot

Mat Lineaarinen ohjelmointi

Mat Lineaarinen ohjelmointi Mat-.4 Lneaarnen ohelmont 8..7 Luento 6 Duaaltehtävä (kra 4.-4.4) S ysteemanalyysn Lneaarnen ohelmont - Syksy 7 / Luentorunko Motvont Duaaltehtävä Duaalteoreemat Hekko duaalsuus Vahva duaalsuus Täydentyvyysehdot

Lisätiedot

Tchebycheff-menetelmä ja STEM

Tchebycheff-menetelmä ja STEM Tchebycheff-menetelmä ja STEM Optmontopn semnaar - Kevät 2000 / 1 1. Johdanto Tchebycheff- ja STEM-menetelmät ovat vuorovakuttesa menetelmä evät perustu arvofunkton käyttämseen pyrkvät shen, että vahtoehdot

Lisätiedot

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä Johdatus dskreettn matematkkaan Harjotus 3, 30.9.2015 1. Luvut 1, 10 on latettu ympyrän kehälle. Osota, että löytyy kolme verekkästä lukua, joden summa on vähntään 17. Ratkasu. Tällasa kolmkkoja on 10

Lisätiedot

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt FYSP103 / 1 KAASUTUTKIMUS Työn tavotteta havannollstaa deaalkaasun tlanyhtälöä oppa, mten lman kosteus vakuttaa havattavn lmöhn ja mttaustuloksn kerrata mttauspöytäkrjan ja työselostuksen laatmsta Luento-

Lisätiedot

VATT-KESKUSTELUALOITTEITA VATT DISCUSSION PAPERS YRITYSVEROTUKSEN KOORDINOINTI JA VEROKILPAILU EUROOPAN UNIONISSA

VATT-KESKUSTELUALOITTEITA VATT DISCUSSION PAPERS YRITYSVEROTUKSEN KOORDINOINTI JA VEROKILPAILU EUROOPAN UNIONISSA VTT-ESUSTELULOITTEIT VTT DISCUSSION PPERS 434 YRITYSVEROTUSEN OORDINOINTI J VEROILPILU EUROOPN UNIONISS nss ohonen Valon aloudellnen ukmuskeskus Governmen Insue for Economc Research Helsnk 2007 ISN 978-951-561-749-1

Lisätiedot

Tässä harjoituksessa käsitellään Laplace-muunnosta ja sen hyödyntämistä differentiaaliyhtälöiden ratkaisemisessa.

Tässä harjoituksessa käsitellään Laplace-muunnosta ja sen hyödyntämistä differentiaaliyhtälöiden ratkaisemisessa. DEE-00 Lneaare järjeelmä Harjou 0, rakauehdouke Tää harjoukea käellään Laplace-muunnoa ja en hyödynämä dfferenaalyhälöden rakaemea Tehävä Laplace-muunno on käevä yökalu dfferenaalyhälöryhmen rakaemea,

Lisätiedot

Puupintaisen sandwichkattoelementin. lujuuslaskelmat. Sisältö:

Puupintaisen sandwichkattoelementin. lujuuslaskelmat. Sisältö: Puupntasen sandwchkattoelementn lujuuslaskelmat. Ssältö: Sandwch kattoelementn rakenne ja omnasuudet Laatan laskennan kulku Tulosten vertalua FEM-malln ja analyyttsen malln välllä. Elementn rakenne Puupntasa

Lisätiedot

Palkanlaskennan vuodenvaihdemuistio 2014

Palkanlaskennan vuodenvaihdemuistio 2014 Palkanlaskennan vuodenvahdemusto 2014 Pkaohje: Tarkstettavat asat ennen vuoden ensmmästä palkanmaksua Kopo uudet verokortt. Samat arvot kun joulukuussa käytetyssä, lman kumulatvsa tetoja. Mahdollsest muuttuneet

Lisätiedot

KYNNYSILMIÖ JA SILTÄ VÄLTTYMINEN KYNNYKSEN SIIRTOA (LAAJENNUSTA) HYVÄKSI KÄYTTÄEN

KYNNYSILMIÖ JA SILTÄ VÄLTTYMINEN KYNNYKSEN SIIRTOA (LAAJENNUSTA) HYVÄKSI KÄYTTÄEN YYSILMIÖ J SILÄ VÄLYMIE YYSE SIIRO LJEUS HYVÄSI ÄYÄE ieoliikenneekniikka I 559 ari ärkkäinen Osa 5 4 MILLOI? Milloin ja missä kynnysilmiö esiinyy? un vasaanoimen ulon SR siis esi-ilmaisusuodaimen lähdössä

Lisätiedot

Rahoitusriskit ja johdannaiset Matti Estola. luento 13 Black-Scholes malli optioiden hinnoille

Rahoitusriskit ja johdannaiset Matti Estola. luento 13 Black-Scholes malli optioiden hinnoille Rahoiusriski ja johannaise Mai Esola lueno 3 Black-choles malli opioien hinnoille . Ion lemma Japanilainen maemaaikko Kiyoshi Iō oisi seuraavana esieävän lemman vuonna 95 arikkelissaan: On sochasic ifferenial

Lisätiedot

XII RADIOAKTIIVISUUSMITTAUSTEN TILASTOMATEMATIIKKAA

XII RADIOAKTIIVISUUSMITTAUSTEN TILASTOMATEMATIIKKAA II ADIOAKTIIVISUUSMITTAUSTEN TILASTOMATEMATIIKKAA Laskenaaajuus akiivisuus Määrieäessä radioakiivisen näyeen akiivisuua (A) uloksena saadaan käyeyn miausyseemin anama laskenaaajuus (). = [II.I] jossa =

Lisätiedot

( ) 5 t. ( ) 20 dt ( ) ( ) ( ) ( + ) ( ) ( ) ( + ) / ( ) du ( t ) dt

( ) 5 t. ( ) 20 dt ( ) ( ) ( ) ( + ) ( ) ( ) ( + ) / ( ) du ( t ) dt SMG-500 Verolasennan numeerise meneelmä Ehdouse harjoiusen 4 raaisuisi Haeaan ensin ehävän analyyinen raaisu: dx 0 0 0 0 dx 00e = 0 = 00e 00 x = e + = 5e + alueho: x(0 = 0 0 x 0 = 5e + = 0 = 5 0 0 0 5

Lisätiedot

Työssä tutustutaan harmonisen mekaanisen värähdysliikkeen ominaisuuksiin seuraavissa

Työssä tutustutaan harmonisen mekaanisen värähdysliikkeen ominaisuuksiin seuraavissa URUN AMMAIKORKEAKOULU YÖOHJE (7) FYSIIKAN LABORAORIO V.2 2.2 38E. MEKAANISEN VÄRÄHELYN UKIMINEN. yön tavote 2. eoraa yössä tutustutaan harmonsen mekaansen värähdyslkkeen omnasuuksn seuraavssa tapauksssa:

Lisätiedot

( ) ( ) x t. 2. Esitä kuvassa annetun signaalin x(t) yhtälö aikaalueessa. Laske signaalin Fourier-muunnos ja hahmottele amplitudispektri.

( ) ( ) x t. 2. Esitä kuvassa annetun signaalin x(t) yhtälö aikaalueessa. Laske signaalin Fourier-muunnos ja hahmottele amplitudispektri. ELEC-A7 Signaali ja järjeselmä Laskuharjoiukse LASKUHARJOIUS Sivu 1/11 1. Johda anneun pulssin Fourier-muunnos ja hahmoele ampliudispekri. Käyä esim. derivoinieoreemaa, ja älä unohda 1. derivaaan epäjakuvuuskohia!

Lisätiedot

on määritelty tarkemmin kohdassa 2.3 ja pi kohdassa 2.2.

on määritelty tarkemmin kohdassa 2.3 ja pi kohdassa 2.2. SU/Vakuutusmatemaattnen ykskkö 7.8.08 (7) Rahastoonsrtovelvotteeseen ja perustekorkoon lttyvät laskentakaavat Soveltamnen. Rahastosrtovelvote RSV. Täydennyskerron b 6 Nätä laskentakaavoja sovelletaan täydennyskertomen,

Lisätiedot

( ) ( ) 2. Esitä oheisen RC-ylipäästösuotimesta, RC-alipäästösuotimesta ja erotuspiiristä koostuvan lineaarisen järjestelmän:

( ) ( ) 2. Esitä oheisen RC-ylipäästösuotimesta, RC-alipäästösuotimesta ja erotuspiiristä koostuvan lineaarisen järjestelmän: ELEC-A700 Signaali ja järjeselmä Laskuharjoiukse LASKUHARJOIUS 3 Sivu /8. arkasellaan oheisa järjeselmää bg x Yksikköviive + zbg z bg z d a) Määriä järjeselmän siirofunkio H Y = X b) Määriä järjeselmän

Lisätiedot

Valmistuksen hieno-ohjaus

Valmistuksen hieno-ohjaus Valmsuksen heno-ohaus Yksäskonemall Prorson Opmonmall Opmaalse algorm Heurska Aseukse huomoon oava mall Rnnakkase konee Valmsuslna Sekauoano FM-äreselmä Lean-uoanoflosofa CONWIP Kanban Pullonkaula m. Yksäsen

Lisätiedot

Mat Tilastollinen päättely 7. harjoitukset / Tehtävät. Hypoteesien testaus. Avainsanat:

Mat Tilastollinen päättely 7. harjoitukset / Tehtävät. Hypoteesien testaus. Avainsanat: Mat-.36 Tlastollnen päättely 7. harjotukset Mat-.36 Tlastollnen päättely 7. harjotukset / Tehtävät Aheet: Avansanat: ypoteesen testaus. lajn vrhe,. lajn vrhe, arhaton test, ylkäysalue, ylkäysvrhe, ypotees,

Lisätiedot

Muutama uusi näkökulma hinta-aggregoinnista ja hedonisista indeksimenetelmistä:

Muutama uusi näkökulma hinta-aggregoinnista ja hedonisista indeksimenetelmistä: Muuama uus näöulma hna-aggregonnsa ja hedonssa ndesmeneelmsä: Emprnen sovellus omso- ja lelojen vuorn An Suoperä Tlasoesus Hnna ja Pala 2006 1 1 JOHDANTO Laadunmuuosen onrollon ndeslasennassa vodaan jaaa

Lisätiedot

Mittausepävarmuus. Mittaustekniikan perusteet / luento 7. Mittausepävarmuus. Mittausepävarmuuden laskeminen. Epävarmuuslaskelma vai virhearvio?

Mittausepävarmuus. Mittaustekniikan perusteet / luento 7. Mittausepävarmuus. Mittausepävarmuuden laskeminen. Epävarmuuslaskelma vai virhearvio? Mttausteknkan perusteet / luento 7 Mttausepävarmuus Mttausepävarmuus Mttaustulos e ole koskaan täysn oken Mttaustulos on arvo mtattavasta arvosta Mttaustuloksen ja mtattavan arvon ero on mttausvrhe Mkäl

Lisätiedot

Uuden eläkelaitoslain vaikutus allokaatiovalintaan

Uuden eläkelaitoslain vaikutus allokaatiovalintaan TEKNILLINEN KORKEAKOULU Systeemanalyysn laboratoro Mat-2.108 Sovelletun matematkan erkostyö Uuden eläkelatoslan vakutus allokaatovalntaan Tmo Salmnen 58100V Espoo, 14. Toukokuuta 2007 Ssällysluettelo Johdanto...

Lisätiedot

5. Vakiokertoiminen lineaarinen normaaliryhmä

5. Vakiokertoiminen lineaarinen normaaliryhmä 1 MAT-145 LAAJA MATEMATIIKKA 5 Tampereen eknillinen yliopiso Riso Silvennoinen Kevä 21 5. Vakiokeroiminen lineaarinen normaaliryhmä Todeaan ensin ilman odisuksia (ulos on syvällinen) rakaisujen olemassaoloa

Lisätiedot

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt FYSP103 / 1 KAASUTUTKIUS Työn tavotteta havannollstaa deaalkaasun tlanyhtälöä oa, mten lman kosteus vakuttaa havattavn lmöhn ja mttaustuloksn kerrata mttausöytäkrjan ja työselostuksen laatmsta Luento-

Lisätiedot

Rahoitusriskit ja johdannaiset Matti Estola. luento 12 Stokastisista prosesseista

Rahoitusriskit ja johdannaiset Matti Estola. luento 12 Stokastisista prosesseista Rahoiusriski ja johdannaise Mai Esola lueno Sokasisisa prosesseisa . Markov ominaisuus Markov -prosessi on sokasinen prosessi, missä ainoasaan muuujan viimeinen havaino on relevani muuujan seuraavaa arvoa

Lisätiedot

OPECIN VAIKUTUS ÖLJYN HINTAAN

OPECIN VAIKUTUS ÖLJYN HINTAAN TAMPEREEN YLIOPISTO Johamskorkeakoulu OPECIN VAIKUTUS ÖLJYN HINTAAN Kansanalousede Pro gradu -ukelma Marraskuu 0 Ohjaaja: Jukka Prlä Maranne Sukka TIIVISTELMÄ Tampereen ylopso Johamskorkeakoulu SUIKKA,

Lisätiedot

Luento 6 Luotettavuus Koherentit järjestelmät

Luento 6 Luotettavuus Koherentit järjestelmät Aalto-ylosto erustetede korkeakoulu Matematka a systeemaalyys latos Lueto 6 Luotettavuus Koherett ärestelmät Aht Salo Systeemaalyys laboratoro Matematka a systeemaalyys latos Aalto-ylosto erustetede korkeakoulu

Lisätiedot

x v1 y v2, missä x ja y ovat kokonaislukuja.

x v1 y v2, missä x ja y ovat kokonaislukuja. Digiaalinen videonkäsiel Harjoius, vasaukse ehäviin 4-0 Tehävä 4. Emämariisi a: V A 0 V B 0 Hila saadaan kanavekorien (=emämariisin sarakkee) avulla. Kunkin piseen paikka hilassa on kokonaisluvulla kerroujen

Lisätiedot

HASSEN-WEILIN LAUSE. Kertausta

HASSEN-WEILIN LAUSE. Kertausta HASSEN-WEILIN LAUSE Kertausta Käytetään seuraava merkntjä F = F/F q on sukua g oleva funktokunta Z F (t = L F (t (1 t(1 qt on funktokunnan F/F q Z-funkto. α 1, α 2,..., α 2g ovat polynomn L F (t nollakohten

Lisätiedot

12. ARKISIA SOVELLUKSIA

12. ARKISIA SOVELLUKSIA MAA. Arkiia ovellukia. ARKISIA SOVELLUKSIA Oleeaan, eä kappale liikkuu ykiuloeia raaa, eimerkiki -akelia pikin. Kappaleen nopeuden vekoriluonne riiää oaa vauhdin eumerkin avulla huomioon, ja on ehkä arkoiukenmukaiina

Lisätiedot

1 Excel-sovelluksen ohje

1 Excel-sovelluksen ohje 1 (11) 1 Excel-sovelluksen ohje Seuraavassa kuvaaan jakeluverkonhalijan kohuullisen konrolloiavien operaiivisen kusannusen (SKOPEX 1 ) arvioimiseen arkoieun Excel-sovelluksen oimina, mukaan lukien sovelluksen

Lisätiedot

4. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

4. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman 4. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento 7..008 Thomas Hackman 4. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus Akasarja-anals 4. Tähtteteellsten

Lisätiedot

Rahastoonsiirtovelvoitteeseen, perustekorkoon ja vakuutusmaksukorkoon liittyvät laskentakaavat ja periaatteet

Rahastoonsiirtovelvoitteeseen, perustekorkoon ja vakuutusmaksukorkoon liittyvät laskentakaavat ja periaatteet SU/Vakuutusmatemaattnen ykskkö 3..209 (7) Rahastoonsrtovelvotteeseen, perustekorkoon ja vakuutusmaksukorkoon lttyvät laskentakaavat ja peraatteet Soveltamnen. Rahastosrtovelvote RSV 2. Täydennyskerron

Lisätiedot

Aamukatsaus 13.02.2002

Aamukatsaus 13.02.2002 Indekst & korot New Yorkn päätöskursst, euroa Muutos-% Päätös Muutos-% Helsnk New York (NY/Hel) Dow Jones 9863.7-0.21% Noka 26.21 26.05-0.6% S&P 500 1107.5-0.40% Sonera 5.05 4.99-1.1% Nasdaq 1834.2-0.67%

Lisätiedot

Menetelmäseloste 15.11.2013 MAATALOUDEN TUOTANTOVÄLINEIDEN OSTOHINTAINDEKSI 2010=100

Menetelmäseloste 15.11.2013 MAATALOUDEN TUOTANTOVÄLINEIDEN OSTOHINTAINDEKSI 2010=100 Meneelmäselose 15.11.213 MAATALOUDEN TUOTANTOVÄLINEIDEN OSTOHINTAINDEKSI 21=1 2 Ssällyslueelo 1 TAUSTAA... 3 2 MÄÄRITELMÄ JA KÄYTTÖ... 5 3 RAKENNE JA HINTASEURANTA... 6 MAATALOUDEN TUOTANTOTARVIKKEET JA

Lisätiedot

3. Datan käsittely lyhyt katsaus

3. Datan käsittely lyhyt katsaus 3. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento..0 Thomas Hackman HTTPK I, kevät 0, luento 3 3. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus

Lisätiedot

Jaetut resurssit. Tosiaikajärjestelmät Luento 5: Resurssien hallinta ja prioriteetit. Mitä voi mennä pieleen? Resurssikilpailu ja estyminen

Jaetut resurssit. Tosiaikajärjestelmät Luento 5: Resurssien hallinta ja prioriteetit. Mitä voi mennä pieleen? Resurssikilpailu ja estyminen Tosakajärjestelmät Luento : Resurssen hallnta ja prorteett Tna Nklander Jaetut resursst Useat tapahtumat jakavat ohjelma-/lattesto-olota, jossa kesknänen possulkemnen on välttämätöntä. Ratkasuja: Ajonakanen

Lisätiedot

ETERAN TyEL:n MUKAISEN VAKUUTUKSEN ERITYISPERUSTEET

ETERAN TyEL:n MUKAISEN VAKUUTUKSEN ERITYISPERUSTEET TRAN TyL:n MUKASN AKUUTUKSN RTYSPRUSTT Tässä peruseessa kaikki suuree koskea eraa, ellei oisin ole määriely. Tässä peruseessa käyey lyhenee: LL Lyhyaikaisissa yösuheissa oleien yönekijäin eläkelaki TaL

Lisätiedot

5. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

5. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman 5. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento 7.4.006 Thomas Hackman 5. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus Akasarja-anals 5. Tähtteteellsten

Lisätiedot

Atomistiset simulaatiot

Atomistiset simulaatiot Aomsse smulaao An Kuronen Teknllnen korkeakoulu Laskennallsen eknkan laboraoro an.kuronen@hu.f hp://www.lce.hu.f hp://www.lce.hu.f/research/aomc Tfy-44.195 Tukjan eoeknse yökalu ja nden käyö 1 Ylesä syseem:

Lisätiedot

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut) J. Vrtamo Lkenneteora a lkenteenhallnta / Markov-prosesst 1 Markov-prosesst (Jatkuva-akaset Markov-ketut) Tarkastellaan (statonaarsa) Markov-prosessea, oden parametravaruus on atkuva (yleensä aka). Srtymät

Lisätiedot

FYSA220/2 (FYS222/2) VALON POLARISAATIO

FYSA220/2 (FYS222/2) VALON POLARISAATIO FYSA220/2 (FYS222/2) VALON POLARSAATO Työssä tutktaan valoaallon tulotason suuntasen ja stä vastaan kohtsuoran komponentn hejastumsta lasn pnnasta. Havannosta lasketaan Brewstern lan perusteella lasn tatekerron

Lisätiedot

6. Stokastiset prosessit (2)

6. Stokastiset prosessit (2) Ssältö Markov-prosesst Syntymä-kuolema-prosesst luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät 6 Markov-prosess Esmerkk Tark. atkuva-akasta a dskreetttlasta stokaststa prosessa X(t) oko tla-avaruudella

Lisätiedot

d L q i = V = mc 2 q i 1 γ = = p i. = V = γm q i + QA i. ṗ i + Q A i + Q da i t + j + V + Q φ

d L q i = V = mc 2 q i 1 γ = = p i. = V = γm q i + QA i. ṗ i + Q A i + Q da i t + j + V + Q φ TTKK/Fyskan latos FYS-1640 Klassnen mekankka syksy 2009 Laskuharjotus 5, 16102009 1 Ertysessä suhteellsuusteorassa Lagrangen funkto vodaan krjottaa muodossa v L = m 2 u t 1! ṙ 2 V (r) Osota, että tämä

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-2.204 Tlastollsen analyysn perusteet, kevät 2007 5. luento: Tlastollnen rppuvuus ja korrelaato Ka Vrtanen Muuttujen välsten rppuvuuksen analysont Tlastollsssa analyysessä tutktaan usen muuttujen välsä

Lisätiedot

6.4 Variaatiolaskennan oletusten rajoitukset. 6.5 Eulerin yhtälön ratkaisuiden erikoistapauksia

6.4 Variaatiolaskennan oletusten rajoitukset. 6.5 Eulerin yhtälön ratkaisuiden erikoistapauksia 6.4 Variaaiolaskennan oleusen rajoiukse Sivu ss. 27 31 läheien Kirk, ss. 13 143] ja KS, Ch. 5] pohjala Lähökoha oli: jos J:llä on eksremaali (), niin J:n variaaio δj( (), δ()) ():ä pikin on nolla. 1. Välämäön

Lisätiedot

Johdatus tekoälyn taustalla olevaan matematiikkaan

Johdatus tekoälyn taustalla olevaan matematiikkaan Johdatus tekoälyn taustalla olevaan matematkkaan Informaatoteknologan tedekunta Jyväskylän ylopsto 4. luento 24.11.2017 Neuroverkon opettamnen - gradenttmenetelmä Neuroverkkoa opetetaan syöte-tavote-parella

Lisätiedot

Liikenne- ja viestintävaliokunta Lainsäädäntöjohtaja Hanna Nordström

Liikenne- ja viestintävaliokunta Lainsäädäntöjohtaja Hanna Nordström Halluksen esys HE 203/2017 vp laks solaseduselusa ja eräks shen lyvks laeks Lkenne- ja vesnävalokuna 20.2.2018 Lansäädänöjohaja Hanna Nordsröm Solaseduselun kohee Teduselumeneelmällä saadaan hankka eoa

Lisätiedot

ELÄKEKASSAN LASKUPERUSTEET TYÖNTEKIJÄN ELÄKELAIN MUKAISTA ELÄKETURVAA VARTEN

ELÄKEKASSAN LASKUPERUSTEET TYÖNTEKIJÄN ELÄKELAIN MUKAISTA ELÄKETURVAA VARTEN ELÄKEKAAN LAKUPERUEE YÖNEKJÄN ELÄKELAN UKAA ELÄKEURAA AREN Kokooma 4.2.204. mesn kokoomaan ssällyey perusemuuos on ahseu 8..204. Eläkekassa oa erkseen hakea sosaal- ja ereysmnserön ahsusa laskuperuselleen.

Lisätiedot

= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2

= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2 HY / Matematka ja tlastotetee latos Tlastolle päättely II, kevät 28 Harjotus 3A Ratkasuehdotuksa Tehtäväsarja I Olkoot Y,, Y ja Nθ, ) Osota, että T T Y) Y 2 o parametr gθ) θ 2 harhato estmaattor Laske

Lisätiedot

Mat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut

Mat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut Harjotus, esmerkkratkasut K 1. Olkoon f : C C, f(z) z z. Tutk, mssä pstessä f on dervotuva. Ratkasu 1. Jotta funkto on dervotuva, on sen erotusosamäärän f(z + ) f(z) raja-arvon 0 oltava olemassa ja ss

Lisätiedot

Huomaa, että aika tulee ilmoittaa SI-yksikössä, eli sekunteina (1 h = 3600 s).

Huomaa, että aika tulee ilmoittaa SI-yksikössä, eli sekunteina (1 h = 3600 s). DEE- Piirianalyysi Ykkösharkan ehävien rakaisuehdoukse. askeaan ensin, kuinka paljon äyeen ladaussa akussa on energiaa. Tämä saadaan laskeua ehäväpaperissa anneujen akun ieojen 8.4 V ja 7 mah avulla. 8.4

Lisätiedot

f x dx y dy t dt f x y t dx dy dt O , (4b) . (4c) f f x = ja x (4d)

f x dx y dy t dt f x y t dx dy dt O , (4b) . (4c) f f x = ja x (4d) Tehävä 1. Oleeaan, eä on käössä jakuva kuva, jossa (,, ) keroo harmaasävn arvon paikassa (, ) ajanhekenä. Dnaaminen kuva voidaan esiää Talor sarjana: d d d d d d O ( +, +, + ) = (,, ) + + + + ( ). (4a)

Lisätiedot

Tietojen laskentahetki λ α per ,15 0,18 per ,15 0,18 per tai myöhempi 0,20 0,18

Tietojen laskentahetki λ α per ,15 0,18 per ,15 0,18 per tai myöhempi 0,20 0,18 SU/Vakuutusmatemaattnen ykskkö 6.3.07 (6) Rahastoonsrtovelvotteeseen ja perustekorkoon lttyvät laskentakaavat Soveltamnen. Rahastosrtovelvote RSV. Täydennyskerron b 6 Nätä laskentakaavoja sovelletaan täydennyskertomen,

Lisätiedot

2. Taloudessa käytettyjä yksinkertaisia ennustemalleja. ja tarkasteltavaa muuttujan arvoa hetkellä t kirjaimella y t

2. Taloudessa käytettyjä yksinkertaisia ennustemalleja. ja tarkasteltavaa muuttujan arvoa hetkellä t kirjaimella y t Tilasollinen ennusaminen Seppo Pynnönen Tilasoieeen professori, Meneelmäieeiden laios, Vaasan yliopiso. Tausaa Tulevaisuuden ennusaminen on ehkä yksi luoneenomaisimpia piireiä ihmiselle. On ilmeisesi aina

Lisätiedot

Painotetun metriikan ja NBI menetelmä

Painotetun metriikan ja NBI menetelmä Panotetun metrkan ja NBI menetelmä Optmontopn semnaar - Kevät / 1 Estelmän ssältö Paretopsteden generont panotetussa metrkossa Panotettu L p -metrkka Panotettu L -metrkka el panotettu Tchebycheff -metrkka

Lisätiedot

Kuluttajahintojen muutokset

Kuluttajahintojen muutokset Kuluttajahntojen muutokset Samu Kurr, ekonomst, rahapoltkka- ja tutkmusosasto Tutkmuksen tausta ja tavotteet Tavaroden ja palveluden hnnat evät muutu jatkuvast, vaan ovat ana jossan määrn jäykkä lyhyellä

Lisätiedot

S , FYSIIKKA III (ES), Syksy 2002, LH 4, Loppuviikko 39. Partitiofunktiota käyttäen keskiarvo voidaan kirjoittaa muotoon

S , FYSIIKKA III (ES), Syksy 2002, LH 4, Loppuviikko 39. Partitiofunktiota käyttäen keskiarvo voidaan kirjoittaa muotoon S-11435, FYSIIKKA III (ES), Syksy 00, LH 4, Loppuvkko 39 LH4-1* Käyttän Maxwll-Boltzmann-jakauman parttofunktota määrtä a) nrgan nlön kskarvo (E ) skä b) nrgan nlöllnn kskpokkama kskarvosta l nrgan varanss,

Lisätiedot

Palkanlaskennan vuodenvaihdemuistio 2017

Palkanlaskennan vuodenvaihdemuistio 2017 Palkanlaskennan vuodenvahdemusto 2017 Tarkstuslsta Tarkstettavat asat ennen vuoden ensmmästä palkanmaksua Kopo uudet verokortt. Samat arvot kun joulukuussa käytetyssä, lman kumulatvsa tetoja. Mahdollsest

Lisätiedot

Sekatuotantoverstas Job shop. Flow shop vs. Job shop Esko Niemi

Sekatuotantoverstas Job shop. Flow shop vs. Job shop Esko Niemi Seauoanoversas Job shop Seauoanoversaassa öden reysä e ole rajoeu mllään avalla vaan ne vova ulea oman prosessnsa muases mnä ahansa oneden aua Tyypllsä omnasuusa: Tuoee ova vaheleva Työnvahee ja -vaheaja

Lisätiedot

9. Epäoleelliset integraalit; integraalin derivointi parametrin suhteen. (x + y)e x y dxdy. e (ax+by)2 da. xy 2 r 4 da; r = x 2 + y 2. b) A.

9. Epäoleelliset integraalit; integraalin derivointi parametrin suhteen. (x + y)e x y dxdy. e (ax+by)2 da. xy 2 r 4 da; r = x 2 + y 2. b) A. 9. Epäoleellise inegraali; inegraalin derivoini paramerin suheen 9.. Epäoleellise aso- ja avaruusinegraali 27. Olkoon = {(x, y) x, y }. Osoia hajaanuminen ai laske arvo epäoleelliselle asoinegraalille

Lisätiedot

Lassi Warsta METSÄTEOLLISUUDEN ENERGIATUOTANNOSSA SYNTYVÄN TUHKAN HYÖTYKÄYTTÖ: HAITALLISTEN AINEIDEN KULKEUTUMINEN

Lassi Warsta METSÄTEOLLISUUDEN ENERGIATUOTANNOSSA SYNTYVÄN TUHKAN HYÖTYKÄYTTÖ: HAITALLISTEN AINEIDEN KULKEUTUMINEN TENILLINEN OREAOULU Rakennus- a ympärsöeknkan osaso Lass Warsa METSÄTEOLLISUUEN ENERGIATUOTANNOSSA SYNTYVÄN TUAN YÖTYÄYTTÖ: AITALLISTEN AINEIEN ULEUTUMINEN plomyö oka on äey arkaseavaks opnnäyeenä dplom-nsnöörnuknoa

Lisätiedot

muiden ollessa ART-2 ja ART Arkkitehtuuri ja toiminta

muiden ollessa ART-2 ja ART Arkkitehtuuri ja toiminta 26 7. Adapvnen resonansseora 7.. Johdano Sephen Grossberg on monpuolses vakuanu neuroverkkoukmuksessa. Hänen ukmusalansa on ulounu neurobologasa ja psykologasa verkkojen maemaasn perusesn. Yks Grossbergn

Lisätiedot

DEE Lineaariset järjestelmät Harjoitus 4, ratkaisuehdotukset

DEE Lineaariset järjestelmät Harjoitus 4, ratkaisuehdotukset D-00 ineaarise järjeselmä Harjoius 4, rakaisuehdoukse nnen kuin mennään ämän harjoiuksen aihepiireihin, käydään läpi yksi huomionarvoinen juu. Piirianalyysin juuri suorianee opiskelija saaava ihmeellä,

Lisätiedot

1. välikoe

1. välikoe Jan Loto TA7 Ekonometan johdantok Nm: Opkeljanmeo: välkoe 77 Vataa alla olevn kyymykn ympäömällä okea vahtoehto Kakn tehtävää on neljä vahtoehtoa, jota yk on oken Okeata vataketa aa pteen ja vääätä vataketa

Lisätiedot

ABTEKNILLINEN KORKEAKOULU

ABTEKNILLINEN KORKEAKOULU ABTEKNILLINEN KORKEAKOULU Tetoverkkolaboratoro 6. Stokastset prosesst () Luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät 5 6. Stokastset prosesst () Ssältö Markov-prosesst Syntymä-kuolema-prosesst

Lisätiedot

LIGNIININ RAKENNE JA OMINAISUUDET

LIGNIININ RAKENNE JA OMINAISUUDET 16006 LIGNIININ RAKENNE JA INAISUUDET Hlatomen nmeämnen γ 16006 6 α 1 β 5 3 4 e Lgnnn prekursort (monomeert) Lgnnn bosyntees e e e Peroksdaasn ja vetyperoksdn läsnäollessa prekursorsta muodostuu resonanssstablotu

Lisätiedot

Tasaantumisilmiöt eli transientit

Tasaantumisilmiöt eli transientit uku 12 Tasaanumisilmiö eli ransieni 12.1 Kelan kykeminen asajännieeseen Kappaleessa 11.2 kykeiin reaalinen kela asajännieeseen ja ukiiin energian varasoiumisa kelan magneeikenään. Tilanne on esiey uudelleen

Lisätiedot

Tarkastellaan kuvan 8.1 (a) lineaarista nelitahoista elementtiä, jonka solmut sijaitsevat elementin kärkipisteissä ja niiden koordinaatit ovat ( xi

Tarkastellaan kuvan 8.1 (a) lineaarista nelitahoista elementtiä, jonka solmut sijaitsevat elementin kärkipisteissä ja niiden koordinaatit ovat ( xi Elementtmenetelmän erusteet 8. 8 D-SOLIDIRKEEE 8. ohdanto Kolmulottesa soldelementtejä tartaan kolmulottesten kaaleden mallntamseen. ällön tarkasteltaan kaaleen geometralla e ole ertsrtetä jotka teksät

Lisätiedot

7. Modulit Modulit ja lineaarikuvaukset.

7. Modulit Modulit ja lineaarikuvaukset. 7. Modult Vektoravaruudet ovat vahdannasa ryhmä, jossa on määrtelty jonkn kunnan skalaartomnta. Hyväksymällä kerronrakenteeks kunnan sjaan rengas saadaan rakenne nmeltä modul. Moduln käste on ss vektoravaruuden

Lisätiedot

Mallivastaukset KA5-kurssin laskareihin, kevät 2009

Mallivastaukset KA5-kurssin laskareihin, kevät 2009 Mallivasaukse KA5-kurssin laskareihin, kevä 2009 Harjoiukse 2 (viikko 6) Tehävä 1 Sovelleaan luenokalvojen sivulla 46 anneua kaavaa: A A Y Y K α ( 1 α ) 0,025 0,5 0,03 0,5 0,01 0,005 K Siis kysyy Solowin

Lisätiedot

TKK Tietoliikennelaboratorio Seppo Saastamoinen Sivu 1/5 Konvoluution laskeminen vaihe vaiheelta

TKK Tietoliikennelaboratorio Seppo Saastamoinen Sivu 1/5 Konvoluution laskeminen vaihe vaiheelta KK ieoliikennelaboraorio 7.2.27 Seppo Saasamoinen Sivu /5 Konvoluuion laskeminen vaihe vaiheela Konvoluuion avulla saadaan laskeua aika-alueessa järjeselmän lähösignaali, kun ulosignaali ja järjeselmän

Lisätiedot

Mekaniikan jatkokurssi Fys102

Mekaniikan jatkokurssi Fys102 Mekankan jatkokurss Fys102 Syksy 2009 Jukka Maalamp LUENTO 2 Alkuverryttelyä Vääntömomentt Oletus: Vomat tasossa, joka on kohtsuorassa pyörmsaksela vastaan. Oven kääntämseen tarvtaan er suurunen voma

Lisätiedot

Tietoliikennesignaalit

Tietoliikennesignaalit ieoliikennesignaali 1 ieoliikenne inormaaion siiroa sähköisiä signaaleja käyäen. Signaali vaiheleva jännie ms., jonka vaiheluun on sisällyey inormaaioa. Signaalin ominaisuuksia voi ukia a aikaasossa ime

Lisätiedot

Lohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4

Lohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4 TKK (c) lkka Melln (005) Koesuunnttelu TKK (c) lkka Melln (005) : Mtä opmme? Tarkastelemme tässä luvussa seuraavaa kysymystä: Mten varanssanalyysssa tutktaan yhden tekän vakutusta vastemuuttujaan, kun

Lisätiedot