OPTIMAALINEN INVESTOINTIPÄÄTÖS
|
|
- Timo-Pekka Karvonen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 OPTIMAALINEN INESTOINTIPÄÄTÖS Keskiarvoon palautuvalle prosessille ja Poissonin hyppyprosessille Optimointiopin seminaari - Syksy 000 / 1
2 I. KESKIAROON PALAUTUA PROSESSI Investoinnin kohde-etuuden arvo seuraa keskiarvoon palautuvaa prosessia: d = η ( ) dt σdz Kohde-etuuden osinkofunktio : 1 d δ ( ) = µ E[ ] = µ η( ) dt,missä µ on projektin kokonaistuottovaatimus: µ = r φρ xm σ m Optimointiopin seminaari - Syksy 000 /
3 Ratkaisu johdannaisanalyysillä Muodostetaan riskitön portfolio: Pidetään optio investoida kohde-etuuteen: F() Lainataan n = F () kappaletta kohdeetuutta Portfolion arvo alkuhetkellä: F ( ) F'( ) Optimointiopin seminaari - Syksy 000 / 3
4 Ratkaisu johdannaisanalyysillä Portfolion tuotto aikavälillä dt: df F'( ) d 1 = σ F''( ) dt δ ( ) F'( ) dt = δ ( ) F'( ) dt... Portfolio riskitön, joten portfolion tuotto = riskitön korko portfolion alkuarvolle: r[ F F'( ) ] dt 1 = σ F''( ) dt δ ( ) F'( ) dt Optimointiopin seminaari - Syksy 000 / 4
5 Ratkaisu johdannaisanalyysillä Sieventämällä saadaan differentiaaliyhtälö: 1 σ F''( ) Reunaehdot: [ r µ η( )] F'( ) rf = 0 F( * ) = F(0) = 0 F'( *) = 1 * I Optimointiopin seminaari - Syksy 000 / 5
6 Optimointiopin seminaari - Syksy 000 / 6 Ratkaisu Ratkaisu johdannaisanalyysillä johdannaisanalyysillä DY:n ratkaisu muotoa: missä: ),, ( ) ( b H A F σ η =... )3! 1)( ( ) 1)( ( 1)! ( 1) ( 1 ),, ( ) ( ] 1 ) ( [ ) ( 1 3 = = = b b b x b b x x b b x H r b r r r σ η µ σ σ η µ σ η µ
7 Ratkaisuja η = 0.05 µ = 0.08 r = 0.04 σ = 0. I =1.5 =1.0 = 0. 5 Optimointiopin seminaari - Syksy 000 / 7
8 Ratkaisuja η = 0.5 µ = 0.08 r = 0.04 =1. 5 σ = 0. I =1.0 = 0.5 Optimointiopin seminaari - Syksy 000 / 8
9 Ratkaisuja µ = 0.08 r = 0.04 σ = 0. =1.5 =1.0 = 0.5 Optimointiopin seminaari - Syksy 000 / 9
10 Ratkaisuja µ = 0.04 r = 0.04 σ = 0. =1.5 =1.0 = 0.5 Optimointiopin seminaari - Syksy 000 / 10
11 Päätelmiä Muiden tekijöiden pysyessä ennallaan: Mitä suurempi projektin kohde-etuuden arvon keskiarvo, sitä suurempi investointioption arvo ja sitä suurempi investoinnin toteuttamisen kriittinen arvo. Kohde-etuuden arvon keskiarvon ylittäessä (alittaessa) alkuinvestoinnin, nopea keskiarvoon palautuminen kasvattaa (pienentää) investointioption arvoa. Optimointiopin seminaari - Syksy 000 / 11
12 Päätelmiä Investoinnin kohde-etuuden riskikorjatun tuottovaatimuksen kasvaessa kriittinen arvo projektin toteuttamiselle laskee. Mitä nopeammin kohde-etuuden arvo palautuu keskiarvoon, sitä pienempi riskikorjatun tuottovaatimuksen vaikutus. Optimointiopin seminaari - Syksy 000 / 1
13 II. POISSONIN HYPPYPROSESSI Investoinnin kohde-etuuden arvo seuraa yhdistettyä Brownin liikettä ja Poissonin hyppyprosessia: d = αdt σdz dq missä dq on Poissonin prosessi siten, että kiinteä prosentuaalinen pudotus φ tapahtuu aikavälillä dt todennäköisyydellä λ., Optimointiopin seminaari - Syksy 000 / 13
14 Prosessin ominaisuuksia Prosentuaalisen muutoksen odotusarvo: 1 dt arianssi käyttäen apuna diskreettiä prosessia: 1 d E[ d ] =α σ = σ λφ dt, tn : llä (1 λdt) 1 dt, tn : llä (1 λdt) φ, tn : llä λdt Optimointiopin seminaari - Syksy 000 / 14
15 Prosessin ominaisuuksia arianssiksi saadaan: [ d ] =σ dt λφ Odotusarvo ajalle, jolloin ensimmäinen Poisson-hyppy tapahtuu: E[ T ] = 0 λte λ T dt = 1 λ dt Optimointiopin seminaari - Syksy 000 / 15
16 Ratkaisu dynaamisella optimoinnilla Oletetaan, että yrityksen riskikorjattu tuottovaatimus ρ, jolloin Belmannin yhtälö: ρfdt = E[dF] Kirjoitetaan df käyttäen Ito n lemmaa: 1 ρfdt = αf'( ) dt σ λ{ F( ) F( φ)} dt F''( ) dt Optimointiopin seminaari - Syksy 000 / 16
17 Ratkaisu dynaamisella optimoinnilla Projektin kokonaistuottovaatimus 1 d ρ = δ E[ ] = δ α dt λφ jolloin sijoittamalla α = ρ δ λφ : 1 σ F''( ) ( ρ δ λφ ) F'( ) ( ρ λ) F( ) λf ( φ) = 0 Ratkaisu muotoa: F ( ) = A β1 Optimointiopin seminaari - Syksy 000 / 17
18 Ratkaisu dynaamisella optimoinnilla Sijoittamalla DY:öön parametrille β saadaan yhtälö: 1 β σ β( β 1) ( ρ δ λφ ) β ( ρ λ) λ(1 φ ) = Lisäksi reunaehdot: F( F'( *) = 1 Parametrit β, *, A ratkeavat numeerisesti. * ) F(0) = = 0 * I 0 Optimointiopin seminaari - Syksy 000 / 18
19 Ratkaisuja I = 1 φ = 1 ρ = δ = σ = * Lambda Optimointiopin seminaari - Syksy 000 / 19
20 Päätelmiä Muiden tekijöiden ollessa ennallaan Poisson-hypyn todennäköisyyden kasvaminen vaikuttaa kahdella tavalla: Se pienentää kohde-etuuden tuotto-odotusta Investointioption arvo laskee. Se kasvattaa kohde-etuuden varianssia => Investointioption arvo nousee. Edellisen kalvon kuvassa 1. dominoi. Optimointiopin seminaari - Syksy 000 / 0
21 KOTITEHTÄÄ Johda johdannaisanalyysin menetelmällä differentiaaliyhtälö ja reunaehdot optimaaliselle investoinnille, kun kohdeetuuden arvo seuraa edellä esitettyä yhdistettyä Brownin liikettä ja Poissonin hyppyprosessia: d = αdt σdz dq Optimointiopin seminaari - Syksy 000 / 1
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
LisätiedotLisää 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
LisätiedotJohdannaisanalyysi. 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
LisätiedotInvestointimahdollisuudet ja investoinnin ajoittaminen
Investointimahdollisuudet ja investoinnin ajoittaminen Ajoituksen ratkaisu dynaamisella optimoinnilla Optimointiopin seminaari - Syksy 000 / Esitelmän sisältö Investoinnin ajoitusongelman esittely Ongelman
LisätiedotProjektin 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
LisätiedotInvestointimahdollisuudet 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
LisätiedotEsteet, hyppyprosessit ja dynaaminen ohjelmointi
Esteet, hyppyprosessit ja dynaaminen ohjelmointi Juha Martikainen 4.10.2000 Oppikirjan sivut 83-87 ja 93-98 Optimointiopin seminaari - Syksy 2000 / 1 Esteet (määritelmät) Muistellaan menneitä: Ajelehtiva
LisätiedotProjektin 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
LisätiedotJatkuvan 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
LisätiedotInvestointimahdollisuudet ja investointien ajoittaminen
Investointimahdollisuudet ja investointien ajoittaminen Optimaalisen investointistrategian ominaispiirteitä eli parametrien vaikutus ratkaisuun Optimointiopin seminaari - Syksy 000 / Optimointiopin seminaari
LisätiedotPäätöspuut pitkän aikavälin investointilaskelmissa
Päätöspuut pitkän aikavälin investointilaskelmissa Optimointiopin seminaari, Jaakko Ollila. Parannusehdotus 4. Esimerkki : hystereesis investointipäätöksissä 1 -$ 0 Tavallinen päätöspuu Aika Laskut antavat
LisätiedotReaalioptioden käsitteen esittely yksinkertaisen esimerkin avulla
Reaalioptioden käsitteen esittely yksinkertaisen esimerkin avulla Optimointiopin seminaari - Syksy 2000 / 1 Esitelmän sisältö Investointien peruuttamattomuuden vaikutus investointipäätökseen Investointimahdollisuuksien
LisätiedotIto-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
LisätiedotInvestointistrategioista 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
LisätiedotOletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen
Yhden faktorin malli: n kpl sijoituskohteita, joiden tuotot ovat r i, i =, 2,..., n. Olkoon f satunnaismuuttuja ja oletetaan, että tuotot voidaan selittää yhtälön r i = a i + b i f + e i avulla, missä
LisätiedotWiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia
Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia { z(t k+1 ) = z(t k ) + ɛ(t k ) t t k+1 = t k + t, k = 0,..., N, missä ɛ(t i ), ɛ(t j ), i j ovat toisistaan riippumattomia siten, että
LisätiedotDiskreettiaikainen 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, 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
Lisätiedotr = r f + r M r f (Todistus kirjassa sivulla 177 tai luennon 6 kalvoissa sivulla 6.) yhtälöön saadaan ns. CAPM:n hinnoittelun peruskaava Q P
Markkinaportfolio on koostuu kaikista markkinoilla olevista riskipitoisista sijoituskohteista siten, että sijoituskohteiden osuudet (so. painot) markkinaportfoliossa vastaavat kohteiden markkina-arvojen
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 28. syyskuuta 2007 Antti Rasila () TodB 28. syyskuuta 2007 1 / 20 1 Jatkoa diskreeteille jakaumille Negatiivinen binomijakauma Poisson-jakauma Diskreettien
LisätiedotOdotusarvoparien 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
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio
Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio
LisätiedotJohdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita
LisätiedotYksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1
Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään tiedetään, että ainakin kaksi
LisätiedotYksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1
Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään, tiedetään, että ainakin
LisätiedotInsinöörimatematiikka 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
LisätiedotNumeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 12 Kirsi Valjus Jyväskylän yliopisto Luento 12 () Numeeriset menetelmät 25.4.2013 1 / 33 Luennon 2 sisältö Tavallisten differentiaaliyhtälöiden numeriikasta Rungen
LisätiedotHarha 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
Lisätiedot5 Differentiaaliyhtälöryhmät
5 Differentiaaliyhtälöryhmät 5.1 Taustaa ja teoriaa Differentiaaliyhtälöryhmiä tarvitaan useissa sovelluksissa. Toinen motivaatio yhtälöryhmien käytölle: Korkeamman asteen differentiaaliyhtälöt y (n) =
LisätiedotBlack ja Scholes ilman Gaussia
Black ja Scholes ilman Gaussia Tommi Sottinen Vaasan yliopisto SMY:n vuosikokousesitelmä 19.3.2012 1 / 21 Johdanto Tarkastelemme johdannaisten, eli kansankielellä optioiden, hinnoittelua. Kuuluisin hinnoittelumalli
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 8B Ratkaisuehdotuksia.
HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 8B Ratkaisuehdotuksia Tehtäväsarja I 1. Jatkoa Harjoitus 8A tehtävään 3. Muodosta odotusarvolle µ approksimatiivinen
Lisätiedot3. Teoriaharjoitukset
3. Teoriaharjoitukset Demotehtävät 3.1 a Olkoot u ja v satunnaumuuttujia, joilla on seuraavat ominaisuudet: E(u = E(v = 0 Var(u = Var(v = σ 2 Cov(u, v = E(uv = 0 Näytä että deterministinen prosessi. x
LisätiedotGeneroivat funktiot, Poisson- ja eksponenttijakaumat
4A Generoivat funktiot, Poisson- ja eksponenttijakaumat Tämän harjoituksen tavoitteena on edelleen tutustua generoivien funktioiden sovelluksiin ja lisäksi harjoitella ratkaisemaan Poisson- ja eksponenttijakaumiin
Lisätiedot= 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
LisätiedotOsakesalkun optimointi
Osakesalkun optimointi Anni Halkola Epäsileä optimointi Turun yliopisto Huhtikuu 2016 Sisältö 1 Johdanto 1 2 Taustatietoja 2 3 Laskumetodit 3 3.1 Optimointiongelmat........................ 4 4 Epäsileän
LisätiedotGripenberg. MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta
MS-A00 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta 7.. Gripenberg Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot ja minkä kokeen suoritat! Laskin,
Lisätiedot[xk r k ] T Q[x k r k ] + u T k Ru k. }.
Mat-2.48 Dynaaminen optimointi Mitri Kitti/Ilkka Leppänen Mallivastaukset, kierros 3. Johdetaan lineaarisen aikainvariantin seurantatehtävän yleinen ratkaisu neliöllisellä kustannuksella. Systeemi: x k+
LisätiedotELEC C4140 Kenttäteoria (syksy 2015)
ELEC C4140 Kenttäteoria (syksy 2015) Henrik Wallén Luentoviiko 8 / versio 3. marraskuuta 2015 Tasoaallot, osa 1 (Ulaby 7.1, 7.2, 7.4) Kenttäosoittimet Aikaharmoniset Maxwellin yhtälöt Tasoaaltoratkaisu
LisätiedotHarjoitus 7: NCSS - Tilastollinen analyysi
Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen
LisätiedotTilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
Lisätiedot13. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: = 1 + y x + ( y ) 2 (y )
MATEMATIIKAN JA TILASTOTIETEEN LAITOS Differentiaaliyhtälöt, kesä 00 Tehtävät 3-8 / Ratkaisuehdotuksia (RT).6.00 3. Ratkaisu. Kirjoitetaan tehtävän DY hieman eri muodossa: y = + y + y = + y + ( y ) (y
LisätiedotOsa IX. Z muunnos. Johdanto Diskreetit funktiot
Osa IX Z muunnos A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 298 / 322 A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 299 / 322 Johdanto
LisätiedotBlack Scholes-hinnoittelumallin robustisuus ja tyylitellyt tosiseikat
Black Scholes-hinnoittelumallin robustisuus ja tyylitellyt tosiseikat Tommi Sottinen, Helsingin yliopisto Yhteistyössä C. Bender, TU Braunschweig E. Valkeila, Teknillinen korkeakoulu 10. lokakuuta 2006
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 6. luento. Pertti Palo
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 6. luento Pertti Palo 1.11.2012 Käytännön asioita Harjoitustöiden palautus sittenkin sähköpostilla. PalautusDL:n jälkeen tiistaina netistä löytyy
LisätiedotSatunnaismuuttujien 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
LisätiedotHarjoitus Tarkastellaan luentojen Esimerkin mukaista työttömyysmallinnusta. Merkitään. p(t) = hintaindeksi, π(t) = odotettu inflaatio,
Differentiaaliyhtälöt, Kesä 06 Harjoitus 3 Kaikissa tehtävissä, joissa pitää tarkastella kriittisten pisteiden stabiliteettia, jos kyseessä on satulapiste, ilmoita myös satulauraratkaisun (tai kriittisessä
Lisätiedot(b) Tunnista a-kohdassa saadusta riippuvuudesta virtausmekaniikassa yleisesti käytössä olevat dimensiottomat parametrit.
Tehtävä 1 Oletetaan, että ruiskutussuuttimen nestepisaroiden halkaisija d riippuu suuttimen halkaisijasta D, suihkun nopeudesta V sekä nesteen tiheydestä ρ, viskositeetista µ ja pintajännityksestä σ. (a)
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt, osa 1 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 20 R. Kangaslampi Matriisihajotelmista
LisätiedotEpäyhtälöt ovat yksi matemaatikon voimakkaimmista
6 Epäyhtälöitä Epäyhtälöt ovat yksi matemaatikon voimakkaimmista työvälineistä. Yhtälö a = b kertoo sen, että kaksi ehkä näennäisesti erilaista asiaa ovat samoja. Epäyhtälö a b saattaa antaa keinon analysoida
LisätiedotSuhteellisuusteorian perusteet, harjoitus 6
Suhteellisuusteorian perusteet, harjoitus 6 May 5, 7 Tehtävä a) Valo kulkee nollageodeettia pitkin eli valolle pätee ds. Lisäksi oletetaan valon kulkevan radiaalisesti, jolloin dω. Näin ollen, kun K, saadaan
LisätiedotVäliestimointi (jatkoa) Heliövaara 1
Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).
LisätiedotOlkoot X ja Y riippumattomia satunnaismuuttujia, joiden odotusarvot, varianssit ja kovarianssi ovat
Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset / Rataisut Aiheet: Avainsanat: Satunnaismuuttujat ja todennäöisyysjaaumat Kertymäfuntio
Lisätiedotx 4 e 2x dx Γ(r) = x r 1 e x dx (1)
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta IIA, syksy 217 217 Harjoitus 6 Ratkaisuehdotuksia Tehtäväsarja I 1. Laske numeeriset arvot seuraaville integraaleille: x 4 e 2x dx ja 1
LisätiedotKäytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:
8.1 Satunnaismuuttuja Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella: Esim. Nopanheitossa (d6) satunnaismuuttuja X kertoo silmäluvun arvon. a) listaa kaikki satunnaismuuttujan arvot b)
LisätiedotEsimerkki 1 Ratkaise differentiaaliyhtälö
Esimerkki 1 Ratkaise differentiaaliyhtälö x 2 y xy =1/x. 1 / K. Tuominen kimmo.i.tuominen@helsinki.fi MApu II 1/20 20 Esimerkki 2 Ratkaise differentiaaliyhtälö x(ln y)y y ln x =0. 2 / K. Tuominen kimmo.i.tuominen@helsinki.fi
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia TKK (c) Ilkka Mellin (2006) 1 Jatkuvia jakaumia >> Jatkuva tasainen jakauma Eksponenttijakauma Normaalijakauma Keskeinen
LisätiedotJohdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2004) 1 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 3: Todennäköisyysjakaumia. Diskreettejä jakaumia. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Diskreettejä jakaumia TKK (c) Ilkka Mellin (2007) 1 Diskreettejä jakaumia >> Diskreetti tasainen jakauma Bernoulli-jakauma Binomijakauma
LisätiedotLisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen., jos otoskeskiarvo on suurempi kuin 13,96. Mikä on testissä käytetty α:n arvo?
MTTTP5, kevät 2016 15.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen 1. Valitaan 25 alkion satunnaisotos jakaumasta N(µ, 25). Olkoon H 0 : µ = 12. Hylätään H 0, jos otoskeskiarvo
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotValintahetket ja pysäytetyt martingaalit
4B Valintahetket ja pysäytetyt martingaalit Tämän harjoituksen tavoitteena on oppia tunnistamaan, mitkä satunnaishetket ovat valintahetkiä ja oppia laskemaan lukuarvoja ja estimaatteja satunnaisprosessien
LisätiedotYlivuoto puskurillisessa systeemissä: nestejonot
J. Virtamo 38.3141 Teleliikenneteoria / Pursketaso 1 Ylivuoto puskurillisessa systeemissä: nestejonot Jos muodostuvat jonot ovat pitkiä (paljon asiakkaita jonossa), jonon yleiskäyttäytymisen kannalta saapuvan
Lisätiedot6. Sovelluksia stokastiselle integroinnille
92 STOKASTISET DIFFERENTIAALIYHTÄLÖT 6. Sovelluksia stokastiselle integroinnille 6.1. Uusia martingaaleja. Tähän mennessä olemme löytäneet vain kourallisen martingaaleja eli tiedämme, että B t on martingaali,
Lisätiedotu = 2 u (9.1) x + 2 u
9. Poissonin integraali 9.. Poissonin integraali. Ratkaistaan Diriclet n reuna-arvotehtävä origokeskisessä, R-säteisessä ympyrässä D = {(x, y) R x +y < R }, t.s. kun f : D R on annettu jatkuva funktio,
LisätiedotMat Dynaaminen optimointi, mallivastaukset, kierros 11
Mat-.148 Dynaaminen optimointi, mallivastaukset, kierros 11 1. Olkoon tehtaan tuotanto x(t) ajan hetkellä t ja investoitava osuus tuotannosta u(t). Tehdasta kuvaa systeemiyhtälö ẋ(t) = u(t)x(t) x() = c
LisätiedotDI matematiikan opettajaksi: Täydennyskurssi, kevät 2010 Luentorunkoa ja harjoituksia viikolle 13: ti klo 13:00-15:30 ja to 1.4.
DI matematiikan opettajaksi: Täydennyskurssi, kevät Luentorunkoa ja harjoituksia viikolle 3: ti 33 klo 3:-5:3 ja to 4 klo 9:5-: Käydään läpi differentiaaliyhtälöitä Määritelmä Olkoon A R n n (MatLab:ssa
LisätiedotJohdatus todennäköisyyslaskentaan Diskreettejä jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Diskreettejä jakaumia TKK (c) Ilkka Mellin (2005) 1 Diskreettejä jakaumia Diskreetti tasainen jakauma Bernoulli-jakauma Binomijakauma Geometrinen jakauma Negatiivinen
LisätiedotMat-2.11 4 Investointiteoria. Tentti 6.9.2005. Mitd
.* Mat-2.11 4 Investointiteoria Tentti 6.9.2005 Ki{oita jokaiseen koepapcriin selveisti: o Mat-2.114 Investointiteoria o opintoki{'an numero sekii sukunimi ja viralliset etunimet tekstaten o koulutusohjelma
Lisätiedotl (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on
HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 018 Harjoitus B Ratkaisuehdotuksia Tehtäväsarja I 1 (Monisteen tehtävä 14) Olkoon f Y (y; θ) tilastollinen malli, jonka
LisätiedotMoraalinen uhkapeli: laajennuksia ja sovelluksia
Moraalinen uhkapeli: laajennuksia ja sovelluksia Sisältö Kysymysten asettelu Monen tehtävän malli Sovellusesimerkki: Vakuutus Sovellusesimerkki: Palkkion määrääminen Johtajan palkitseminen Moraalisen uhkapelin
Lisätiedot4. Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä
1 Laaja matematiikka 5 Kevät 010 4. Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä Yksi tavallisimmista luonnontieteissä ja tekniikassa esiintyvistä matemaattisista malleista on differentiaaliyhtälö.
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotDifferentiaaliyhtälöt I Ratkaisuehdotuksia, 2. harjoitus, kevät Etsi seuraavien yhtälöiden yleiset ratkaisut (Tässä = d
Differentiaaliyhtälöt I Ratkaisuehdotuksia,. harjoitus, kevät 016 1. Etsi seuraavien yhtälöiden yleiset ratkaisut (Tässä = d dx ): (a) y + xy = xe x, (b) (1 + x ) y xy = (1 + x ), (c) y sin x y = 1 cos
LisätiedotLatinalaiset neliöt. Latinalaiset neliöt. Latinalaiset neliöt. Latinalaiset neliöt: Mitä opimme? Latinalaiset neliöt
TKK (c) Ilkka Mellin (005) Koesuunnittelu TKK (c) Ilkka Mellin (005) : Mitä opimme? Tarkastelemme tässä luvussa seuraavaa kysymystä: Miten varianssianalyysissa tutkitaan yhden tekijän vaikutusta vastemuuttujaan,
LisätiedotELEC C4140 Kenttäteoria (syksy 2016)
ELEC C4140 Kenttäteoria (syksy 2016) Henrik Wallén / versio 8. marraskuuta 2016 Tasoaallot, osa 1 (Ulaby 7.1, 7.2, 7.4) Kenttäosoittimet Aikaharmoniset Maxwellin yhtälöt Tasoaaltoratkaisu Tasoaaltoyhtälöt
LisätiedotHarjoitus 2: Matlab - Statistical Toolbox
Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat
LisätiedotDynaaminen optimointi ja ehdollisten vaateiden menetelmä
Dynaaminen opimoini ja ehdollisen vaaeiden meneelmä Meneelmien keskinäinen yheys S yseemianalyysin Laboraorio Esielmä 10 - Peni Säynäjoki Opimoiniopin seminaari - Syksy 2000 / 1 Meneelmien yhäläisyyksiä
LisätiedotVärähdysliikkeet. q + f (q, q, t) = 0. q + f (q, q) = F (t) missä nopeusriippuvuus kuvaa vaimenemista ja F (t) on ulkoinen pakkovoima.
Torstai 18.9.2014 1/17 Värähdysliikkeet Värähdysliikkeet ovat tyypillisiä fysiikassa: Häiriö oskillaatio Jaksollinen liike oskillaatio Yleisesti värähdysliikettä voidaan kuvata yhtälöllä q + f (q, q, t)
LisätiedotOption deltan laskeminen diskreetin Malliavin-laskennan avulla
Option deltan laskeminen diskreetin Malliavin-laskennan avulla Timo Puustinen Matematiikan pro gradu Jyväskylän yliopisto Matematiikan ja tilastotieteen laitos Syksy 016 Tiivistelmä: Timo Puustinen, Option
LisätiedotTodennäköisyyden ominaisuuksia
Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset
LisätiedotKertausta: Vapausasteet
Maanantai 8.9.2014 1/19 Kertausta: Vapausasteet Liikkeen kuvailu: massapisteen koordinaatit (x, y, z) ja nopeudet (v x, v y, v z ). Vapaasti liikkuvalla massapisteellä on kolme vapausastetta. N:llä vapaasti
LisätiedotMat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:
Mat-.9 Sovellettu todennäköisyyslasku A Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Moniulotteiset jakaumat Diskreetti jakauma, Ehdollinen jakauma, Ehdollinen odotusarvo, Jatkuva
LisätiedotProbabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto
Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Esimerkki Tarkastelemme ilmiötä I, joka on a) tiettyyn kauppaan tulee asiakkaita
Lisätiedot4. Todennäköisyyslaskennan kertausta
luento04.ppt S-38.1145 - Liikenneteorian perusteet - Kevät 2006 1 Sisältö eruskäsitteet Diskreetit satunnaismuuttujat Diskreetit jakaumat lkm-jakaumat Jatkuvat satunnaismuuttujat Jatkuvat jakaumat aikajakaumat
LisätiedotEstimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio
17.11.2015/1 MTTTP5, luento 17.11.2015 Luku 5 Parametrien estimointi 5.1 Piste-estimointi Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 6B
Tilastollinen päättömyys, kevät 7 Harjoitus 6B Heikki Korpela 8. helmikuuta 7 Tehtävä. Monisteen teht. 6... Olkoot Y,..., Y 5 Nµ, σ, ja merkitään S 5 i Y i Y /4. Näytä, että S/σ on saranasuure eli sen
Lisätiedot031021P Tilastomatematiikka (5 op) viikko 3
031021P Tilastomatematiikka (5 op) viikko 3 Jukka Kemppainen Mathematics Division Jakauman tunnusluvut Jakauman tärkeimmät tunnusluvut ovat odotusarvo ja varianssi. Odotusarvo ilmoittaa jakauman keskikohdan
LisätiedotOsakesalkun optimointi. Anni Halkola Turun yliopisto 2016
Osakesalkun optimointi Anni Halkola Turun yliopisto 2016 Artikkeli Gleb Beliakov & Adil Bagirov (2006) Non-smooth optimization methods for computation of the Conditional Value-at-risk and portfolio optimization.
LisätiedotTalousmatematiikan perusteet, L2 Kertaus Aiheet
Talousmatematiikan perusteet, L2 Kertaus 1 Laskutoimitukset tehdään seuraavassa järjestyksessä 1. Sulkujen sisällä olevat lausekkeet (alkaen sisältä ulospäin) 2. potenssit ja juurilausekkeet 3. kerto-
Lisätiedot6.4. Feynmanin Kacin kaava. Edellisessä osassa näytimme, että tietyin oletuksin. on Dirichlet n reuna-arvotehtävän.
14 STOKASTISET DIFFERENTIAALIYHTÄLÖT 6.4. Feynmanin Kacin kaava. Edellisessä osassa näytimme, että tietyin oletuksin on Dirichlet n reuna-arvotehtävän w = u(x) =E x f(b τ ) w = f alueessa G reunalla Γ
LisätiedotTodennäköisyyslaskun kertaus. Heliövaara 1
Todennäköisyyslaskun kertaus Heliövaara 1 Satunnaismuuttujat ja todennäköisyysjakaumat Heliövaara 2 Stunnaismuuttujat ja todennäköisyysjakaumat Jos satunnaisilmiötä halutaan mallintaa matemaattisesti,
Lisätiedotη i (θ)t i (x) A(θ) + c(x),
288 Luku 10. Perusmallit ja niiden sovelluksia muotoa (10.9.1) log f θ (x) = p η i (θ)t i (x) A(θ) + c(x), i=1 missä θ = (θ 1,...,θ p ) ja A(θ), c(x), η i (θ) ja T i (x) ovat tunnettuja funktioita. Lisäksi
LisätiedotJohda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.
Mat-2.090 Sovellettu todeäköisyyslasku A Mat-2.090 Sovellettu todeäköisyyslasku A / Pistetehtävät 2, 4, 6, 8, 0 Aiheet: Avaisaat: Momettiemäfuktio Satuaismuuttujie muuokset ja iide jakaumat Kovergessikäsitteet
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 2 Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt. osa 2 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 1 R. Kangaslampi Matriisihajotelmista
Lisätiedot5. laskuharjoituskierros, vko 8, ratkaisut
Mat-.09 Sovellettu todennäköisyyslasku, kevät -05 5. laskuharjoituskierros, vko 8, ratkaisut D. Eräässä maata kiertävällä radalla olevassa satelliitissa on ilmaisin, jonka elinikä X yksikkönä vuosi noudattaa
LisätiedotTalousmatematiikan perusteet: Luento 17. Integraalin sovelluksia kassavirta-analyysissa Integraalin sovelluksia todennäköisyyslaskennassa
Talousmatematiikan perusteet: Luento 17 Integraalin sovelluksia kassavirta-analyysissa Integraalin sovelluksia todennäköisyyslaskennassa Motivointi Kahdella edellisellä luennolla olemme oppineet integrointisääntöjä
Lisätiedot