Takaperäiset stokastiset dierentiaaliyhtälöt, niiden rahoitusteoreettisia sovelluskohteita ja johdatus Itô-analyysiin

Koko: px
Aloita esitys sivulta:

Download "Takaperäiset stokastiset dierentiaaliyhtälöt, niiden rahoitusteoreettisia sovelluskohteita ja johdatus Itô-analyysiin"

Transkriptio

1 Takaperäise sokasise diereniaaliyhälö, niiden rahoiuseoreeisia sovelluskoheia ja johdaus Iô-analyysiin Topias Tolonen 13. joulukuua 217 Pro gradu -ukielma Maemaiikan ja ilasoieeen laios Ohjaaja: Dario Gasbarra Helsingin yliopiso

2 Tiedekuna Fakule Faculy Maemaais-luonnonieeellinen iedekuna Tekijä Förfaare Auhor Kouluusohjelma Ubildningsprogram Degree programme Maemaiikan kouluusohjelma Topias Tolonen Työn nimi Arbees iel Tile Takaperäise sokasise differeniaaliyhälö, niiden rahoiuseoreeisia sovelluskoheia ja johdaus Iô-analyysiin Työn laji Arbees ar Level Aika Daum Monh and year Sivumäärä Sidoanal Number of pages Pro gradu -ukielma Tiiviselmä Refera Absrac Joulukuu s. Tukielma keroo akaperäisisä sokasisisa differeniaaliyhälöisä, joiden ukimus käynnisyi laajamiaisesi vasa 199-luvulla maemaaikkojen Eienne Pardoux ja Peng Shige oimesa. Mielenkiino näiä yhälöiä kohaan on kasvanu nopeasi sen jälkeen, kun myös akaperäisillä sokasisilla differeniaaliyhälöillä nähiin rahoiuseoreeisia sovelluskoheia esimerkiksi opioiden suojaussraegioissa. Tukielman painopise on eoreeinen, ja ukielman suuressa osassa on lukijan johdaelu niin kusuun Iôanalyysin maailmaan. Todisamme läheisiin nojauuen useia uloksia, joisa keskeisimpänä on yleisen Iôn inegraalin olemassaolo, akaperäisen sokasisen differeniaaliyhälöiden rakaisujen olemassaolo- ja yksikäsieisyyslause sekä näiden yhälöiden yheys eurooppalaisen oso-opion hinnoieluun. Aloiamme ukielman Anders Haldin kirjoihin perusuen keraamalla odennäköisyyslaskennan ja ilasoieeen hisoriaa, ja nykypäivää lähenyessä moivoimme lukijan ensiksi Iô-analyysin ja sien sokasisen differeniaaliyhälöiden maailmaan. Toisessa luvussa määrielemme yleisen odennäköisyysavaruuden ja alamme rakenamaan odennäköisyyslaskennallisa maailmaa ämän pohjala. Luvun aikana luomme pala palala arpeen erilaisille odennäköisyyslaskennan käsieille, määrielemme Lebesguen inegraalin ja odousarvon ja arkaselemme saunnaismuuujajonojen raja-arvoja. Siirrymme nopeasi sokasisen prosessien käsielyssä arviaviin yökaluihin, kuen maringaaleihin ja filraaioihin. Lopuksi siirrymme käsielemään Brownin liikeä, jonka määrielemme kolmella eri avalla. Kolmannessa luvussa esielemme Iôn inegraalin ja peruselemme sen arpeen ja esielemme neliöheilahelun käsieen yhdessä Iôn lemman kanssa. Näiden jälkeen siirrymme luonevasi kohi moniuloeisa Iô-inegraalia, kunnes lopula peruselemme inegraalin määrielmän yleisille inegrandeille. Luvun lopussa alamme käsielemään sokasisia differeniaaliyhälöiä diffuusioprosessien lähökohdisa. Yhälön esielyn jälkeen pääsemme sokasisen differeniaaliyhälöiden ärkeiden uloksien olemassaolo- ja yksikäsieisyyslauseiden piiriin. Rakaisun olemassaolon odisamisen jälkeen käymme läpi ominaisuuksia näille yhälöille, ennen kuin siirrymme kohi akaperäisiä yhälöiä. Takaperäise sokasise differeniaaliyhälö (lyhenneään TSDY asuva kuvaan luvussa neljä. Tarkaselemme luvussa avanomaisa akaperäisä sokasisa differeniaaliyhälöä. Tarkaselemme ongelman mielekkyyä ja peruselemme yhälöiden arvea. Nopeasi siirrymme arkaselemaan, mien generaaorin muoo vaikuaa yhälöön ja sen rakaisuihin. Tämän jälkeen esielemme Pardoux'n ja Pengin kuuluisan uloksen näiden yhälöiden rakaisun olemassaolosa ja yksikäsieisyydesä. Olemassaolo- ja yksikäsieisyyslauseen jälkeen esielemme akaperäisen sokasisen differeniaaliyhälöiden verailulauseen, ja lopulla arkaselemme yhälöiden rakaisuja löyhemmillä oleuksilla. Viimeisessä luvussa siirrymme arkaselemaan eräsä akaperäisen sokasisen differeniaaliyhälöiden ärkeinä sovelluskohdea: rahoiuseoriaa. Esielemme klassisen rahoiuseorian Black ja Scholes -markkinamallin ja avaamme ämän maailman sokasisen differeniaaliyhälöiden silmin. Todisamme uloksen, missä yhdiseään eurooppalaisen opion arvo akaperäisen sokasisen differeniaaliyhälön rakaisuihin ja mallinnamme hinaiheysprosessin $\Gamma$. Lopuksi osoiamme, eä ällaisen eurooppalaisen opion arvo ulee akaperäisen sokasisen differeniaaliyhälöiden avulla äsmällisesi samaan hinaan kuin Black ja Scholes -arikkelissa osoieiin. Avainsana Nyckelord Keywords Sokasiikka, rahoiuseoria, akaperäise sokasise differeniaaliyhälö, Iô-inegraali, sokasinen analyysi, odennäköisyyslaskena, finanssimaemaiikka Säilyyspaikka Förvaringsälle Where deposied Kumpulan iedekirjaso, HELDA Muia ieoja Övriga uppgifer Addiional informaion

3 Sisälö 1 Johdano 3 2 Todennäköisyysavaruuden konsruoinnisa Brownin liikkeeseen Todennäköisyysavaruuden määriely Kasaus odousarvoon, Lebesgue-inegraaleihin, niiden ominaisuuksiin ja raja-arvoihin L p -avaruude Saunnaismuuujien raja-arvoisa Työkaluja sokasisen prosessien käsielyyn Filraaio Ehdollinen odousarvo ja johdano sokasisiin prosesseihin Pysäyysaika ja maringaali Brownin liike Iô-analyysin alkee ja sokasise diereniaaliyhälö Iôn perinö sokasisessa analyysissä Iôn sokasise inegraali ja Iôn lemma Neliöheilahelu ja yksiuloeinen Iô-inegraali Kovariaaio ja moniuloeinen Iôn lemma Yleinen Iô-inegraali Sokasisen diereniaaliyhälöiden perusee Olemassaolo- ja yksikäsieisyyslause sekä Markoviaaninen ominaisuus 37 4 Takaperäise sokasise diereniaaliyhälö (TSDY: Yhälön määrielmä ja mielekkyys Nollageneraaori ja lineaarinen generaaori Rakaisun olemassaolo ja yksikäsieisyys Rakaisujen verailu Generaaori ilman Lipschiz-ominaisuua

4 5 Takaperäise sokasise diereniaaliyhälö rahoiuseoriassa Rahoiuseorian peruskäsieiä ja eurooppalaisen opioiden hinnoelu TS- DY:n viiekehyksessä

5 Luku 1 Johdano Todennäköisyyslaskena on perineisesi ollu maemaaikkojen ja kuninkaiden mielissä aina siiä lähien kun noppapeleisä on lyöy veoa rahaa vasaan. Tällaisissa ilaneissa raionaalise ihmise ohjeisava maemaaikkoa laskemaan parhaan vedonlyönisraegian ieyille peleille. Aniikin ilanne noppapelien odousarvoisissa voioissa ja nykymaailman ilanne niin uhkapelien kuin rahoiuksen saralla ei ole kovin erilainen: haluamme yhä nykypäivänä mallinaa saunnaisuua pelaajien, sijoiajien ai ieeen hyödyksi. Todennäköisyyslaskena alana on verraain nuori [1][2]: 17-luvulla Bernoulli ( pysyi laskemaan saoja monimukaisia odennäköisyyksiä ja mallinamaan suuren lukujen lain. 18-luvulla aas Gauss ( ja Laplace ( edisivä ilasoiedeä valavin harppauksen: normaalijakauma mallinneiin, pienimmän neliösumman meodi löydeiin, momenigeneroiva funkio luoiin ja hypoeesien esausa aleiin arkenaa. Kuienkin vasa 19-luvulla ilasoieeen ja odennäköisyyslaskennan yheys alkoi paljasua iedemaailmalle, kun Kolmogorov ( vuonna 1933 julkaisi arikkelinsa odennäköisyyden aksioomisa. Nämä aksiooma loiva perusan maemaaisesi eheille odennäköisyysavaruuksille, ja vuosisaa oli valmis: Markovin kejujen eoria, Brownin liikkeen mallinaminen ja iedeyheisön ulinen debai bayesiläisen ja frekvenisisen odennäköisyysulkinnan välillä muui odennäköisyyslaskennan ikuisiksi ajoiksi. Tukielman kannala oleellisin hisoria päiväyyy vuodelle 195, kun nuori Alber Einsein julkaisi saunnaisuua koskevan arikkelin Annalen der Physik -leheen. Arikkelissa esiinyi aikainen vaihe sokasisen diereniaaliyhälöiden eoriaan. Vauhiin sokasisen prosessien ja sokasisen diereniaaliyhälöiden ukimus pääsi vuosina , kun Kiyosi Iô ( julkaisi kaksi seminaariyöä liiyen odennäköisyyslaskenaan ja sokasisiin prosesseihin. Työ liiyivä Karl Weiersrassin ( Weiersrassin funkioon sien, eä Weiersrassin funkioa joka oli kaikkialla jakuva mua ei missään derivoiuva pideiin 18-luvulla vain ja ainoasaan maemaaisena kuriosieeina. Kuienkin Iôn aikaan iedeyheisö alkoi ymmärää, eä ällaisilla funkioilla on sovelluk- 3

6 sia rahoiuseoriassa ja osakehinojen mallinamisessa. Näin synyi arve niin kusuulle Iô-analyysille, joka käsielee ei-derivoiuvien ja jakuvien funkioiden analyysiä. Tukielman aihe, akaperäise sokasise diereniaaliyhälö, on myös odennäköisyyslaskennan viiekehyksessä uusi ala. Vuonna 1973 Jean-Michel Bismu (1948- esieli ensimmäisenä alkuperäisen akaperäisen sokasisen diereniaaliyhälön. Tämän jälkeen vuonna 199 Eienne Pardoux (1947- ja Peng Shige (1947- odisiva yleisen akaperäisen sokasisen diereniaaliyhälön rakaisun olemassaolon. Tämän jälkeen akaperäisen sokasisen yhälöiden eoriaa on yhdisey muun muassa osiaisdiereniaaliyhälöihin ja jälleen kerran euperäisiin sokasisiin diereniaaliyhälöihin. Toisessa luvussa määrielemme yleisen odennäköisyysavaruuden (Ω, F, P, ja alamme rakenamaan odennäköisyyslaskennallisa maailmaa ämän pohjala. Luvun aikana luomme pala palala arpeen erilaisille odennäköisyyslaskennan käsieille, määrielemme Lebesguen inegraalin ja odousarvon ja arkaselemme saunnaismuuujajonojen raja-arvoja. Siirrymme nopeasi sokasisen prosessien käsielyssä arviaviin yökaluihin, kuen maringaaleihin ja lraaioihin. Lopuksi siirrymme käsielemään Brownin liikeä B, jonka määrielemme kolmella eri avalla. Kolmannessa luvussa esielemme Iôn inegraalin S fdb s, peruselemme sen arpeen ja esielemme neliöheilahelun käsieen yhdessä Iôn lemman kanssa. Näiden jälkeen siirrymme luonevasi kohi moniuloeisa Iô-inegraalia, kunnes lopula peruselemme inegraalin määrielmän yleisille inegrandeille. Luvun lopussa alamme käsielemään sokasisia diereniaaliyhälöiä diuusioprosessien lähökohdisa eli yhälösä dx = b (X d + σ (X db. Yhälön esielyn jälkeen pääsemme sokasisen diereniaaliyhälöiden ärkeiden uloksien olemassaolo- ja yksikäsieisyyslauseiden piiriin. Rakaisun olemassaolon odisamisen jälkeen käymme läpi ominaisuuksia näille yhälöille, ennen kuin siirrymme kohi akaperäisiä yhälöiä. Takaperäise sokasise diereniaaliyhälö (lyhenneään TSDY asuva kuvaan luvussa neljä. Tarkaselemme luvussa yhälöä { dy = f (Y, Z d + Z db, Y T = ξ, missä f on yhälön generaaori ja ξ niin kusuu erminaaliarvo. Tarkaselemme ongelman mielekkyyä ja peruselemme yhälöiden arvea. Nopeasi siirrymme arkaselemaan, mien generaaorin muoo vaikuaa yhälöön ja sen rakaisuihin. Tämän jälkeen 4

7 esielemme Pardoux'n ja Pengin kuuluisan uloksen näiden yhälöiden rakaisun olemassaolosa ja yksikäsieisyydesä [28]. Olemassaolo- ja yksikäsieisyyslauseen jälkeen esielemme akaperäisen sokasisen diereniaaliyhälöiden verailulauseen, ja lopulla arkaselemme yhälöiden rakaisuja löyhemmillä oleuksilla. Viimeisessä luvussa siirrymme arkaselemaan eräsä akaperäisen sokasisen diereniaaliyhälöiden ärkeinä sovelluskohdea: rahoiuseoriaa. Esielemme klassisen rahoiuseorian Black ja Scholes -markkinamallin ja avaamme ämän maailman sokasisen diereniaaliyhälöiden silmin. Todisamme uloksen, missä yhdiseään eurooppalaisen opion arvo akaperäisen sokasisen diereniaaliyhälön rakaisuihin ja mallinnamme hinaiheysprosessin Γ. Lopuksi osoiamme, eä ällaisen eurooppalaisen opion arvo ulee akaperäisen sokasisen diereniaaliyhälöiden avulla äsmällisesi samaan hinaan kuin Black ja Scholes -arikkelissa [6] osoieiin. 5

8 Luku 2 Todennäköisyysavaruuden konsruoinnisa Brownin liikkeeseen 2.1 Todennäköisyysavaruuden määriely Aloiamme odennäköisyysavaruuden käsieesä, sillä mielesämme jokainen odennäköisyyskäsieen ympärillä pyörivä kirjallinen kokonaisuus arvisee raameiksi odennäköisyysavaruuden ja johdaelun saunnaisuuden maemaaiseen mallinamiseen. Joissain läheissä rakenneaan arve neliöheilahelulle (engl. Quadraic Variaion, QV ja Iô:n kaavalle deerminisisesä näkökulmasa [31]. Näissä läheissä arve modernille sokasiselle analyysille perusellaan suoraan Brownin liikkeen (engl. Brownian Moion, BM polkuanalyysisä. Tässä analyysissä huomaaan nopeasi, eä Brownin liikkeen muodosama polku ei ole missään määrielyalueellaan inegroiuva niin sanoun klassisen analyysin mielessä [17]. Tämä synnyää arpeen neliöheilahelun käsieelle. Kuienkin ässä ukielmassa lähdemme perineisesi liikkeelle odennäköisyysavaruuden rakenamisesa ja saunnaismuuujien yleisen ominaisuuksien esielyssä. Oleamme, eä esimerkiksi Durrein kirja [1] on lukijalle uu odennäköisyyseoreeisena esiieokokoelmana, mua eheän kokonaisuuden saamiseksi muodosamme lyhyen ja kaavan esielyn saunnaisilmiöiden mallinnuksesa. Saunnaisilmiöiden mallinnuksen aloiamme ässä ukielmassa σ-algebran käsieellä, ja jakamme siiä kohi yleisiä odennäköisyysavaruuksia: Määrielmä 2.1. Olkoon Ω epäyhjä joukko. Tällöin joukon Ω sigma-algebra F on kokoelma Ω:n osajoukkoja, jolle päee 1. F 2. jos A F, niin A C = Ω\A F 6

9 3. jos A i F kaikilla i N, niin i N A i F, missä N on numeroiuva joukko. Sigma-algebran käsie vaadiaan maemaaisesi eheän odennäköisyysavaruuden luomiseksi. Paria (Ω, F kusuaan mialliseksi avaruudeksi. Määrielmä 2.2. Olkoon pari (Ω, F miallinen avaruus. Tällöin kuvaus P : F [, 1] on odennäköisyysmia, mikäli sille päee 1. P ( = 2. jos A i F, i N ova erillisiä, niin P ( i N A i = i N P (A i 3. P (Ω = 1. Tripleiä eli kolmikkoa (Ω, F, P kusuaan odennäköisyysavaruudeksi. Kusumme joukkoja F F apahumiksi [37], ja kaikki jouko F Ω ova niin kusuusi F- miallisia. Eriyisesi, odennäköisyyslaskennan viiekehyksessä (2.3 P (F = odennäköisyys sille, eä apahuma F apauu. Tässä vaiheessa ei ole olennaisa, miä äsmällisesi arkoiamme apahuman odennäköisyydellä saunnaiskokeessa 1. Eriyisesi, jos P (F = 1, sanomme eä apahuma F apahuu odennäköisyydellä 1 eli melkein varmasi (m.v, engl. almos surely (a.s. [27], ja vasaavasi jos P (F =, niin apahuma on mahdoon nollamiallisuuden mielessä. Edelleen, kusumme alkeisapauksiksi perusjoukon Ω alkioia ω Ω, ja nämä alkeisapaukse koosava apahuma F F. R n :n avoinen osajoukkojen kokoelma. Tällöin joukkoko- Määrielmä 2.4. Olkoon T koelma Borelin perheen (2.5 B = B(R n = {F 2 Rn : F on sigma-algebra, T F} alkioia kusuaan Borel-joukoiksi. B on siis pienin niisä R n :n σ-algebroisa, joka sisälävä R n :n avoime osajouko. Borel-jouko sisälävä kaikki avoime jouko, kaikki suljeu jouko, kaikki numeroiuva yhdisee suljeuisa joukoisa ja kaikki numeroiuva leikkaukse vasaavisa numeroiuvisa joukoisa R n :ssä. Palaaan ny aikaisemmin mainiun miallisuuden määrielyyn. 1 Eriyisesi ns. frekvenisinen ja bayesiläinen näkökulma saunnaiskokeen uloksen odennäköisyyksiin ova mielekkäiä käyännön arkaselussa. Tukielman eoreeisessa viiekehyksessä olemme yyyväisiä siihen, eä rakenamamme odennäköisyysmia liiää apahumiin odennäköisyyde inuiiivisessa mielessä. Todennäköisyyskäsieen ulkinnasa lisää esimerkiksi Andrei Khrennikovin kirjassa Inerpreaions of Probabiliy (de Gruyer, 2. painos, 29 [21]. 7

10 Määrielmä 2.6. Jos kolmikko (Ω, F, P on odennäköisyysavaruus, niin funkioa Y : Ω R n kusuaan F-mialliseksi, jos (2.7 Y 1 (U = {ω Ω : Y (ω U} F kaikille Borel-joukoille U R n. Tarvisemme myös keinon liiää arkaselavan saunnaisilmiön realisoiunee ulokse numeerisiin miareihin, ja ähän käyämme kirjallisuudessa yleisesi vakiinunua saunnaismuuujan käsieä. Määrielmä 2.8. Reaaliarvoisa kuvausa X kusuaan saunnaismuuujaksi, jos jokaiselle Borel-joukolle B R päee (2.9 X 1 (B = {ω : X(ω B} F. Saunnaismuuuja on siis F-miallinen funkio X(ω = Ω F. Jakossa käyämme saunnaismuuujalle lyhyä merkinää X(ω = X. Lisäksi jokainen saunnaismuuuja X viriää jakauman P X. Määrielmä 2.1. Saunnaismuuujan X viriämää odennäköisyysmiaa P X kusuaan (saunnaismuuujan X jakaumaksi, jos kaikille Borel-joukoille B päee (2.11 P X (B = P (X 1 (B. 2.2 Kasaus odousarvoon, Lebesgue-inegraaleihin, niiden ominaisuuksiin ja raja-arvoihin Oleellisena osana odennäköisyyslaskennan yökalupakkia on saunnaismuuujan X Lebesguen inegraali 2, joka voidaan määriellä kolmella askeleella saunnaismuuujan odousarvon käsieen avulla [31]. Ensiksi määrielemme odousarvon yksinkeraiselle diskreeille saunnaismuuujalle: Määrielmä Muooa X = n i=1 α i1 Ai, α i R, A i F olevan 3 saunnaismuuujan odousarvo ja vasaavasi Lebesguen inegraali on (2.13 E(X = X(ωdP (ω := α i P [A i ]. Ω i 2 Tämän ukielman viieessä arvisemme inegraalin vain saunnaismuuujan X suheen, minkä akia ämä lähesymisapa on mielekäs. 3 Muisuuksena, eä merkinnällä { 1 Ai arkoiamme saunnaismuuujaan X(ω liiyvää indikaaorifunkioa, eli arkemmin 1 Ai = 1, jos ω A i, jos ω / A i 8

11 Selkeyden vuoksi sanoakoon, eä yleensä kirjoiamme edellisen inegraalin lyhenneynä muodossa Ω XdP. Olkoon E kaikkien diskreeejen saunnaismuuujien joukko. Seuraavaksi konsruoimme inegraalin kaikille niille (jakuville saunnaismuuujille, joka ova monoonisen diskreeien saunnaismuuujien raja-arvoja eli joukolle (2.14 E := {X : u 1 u 2..., u n E, u n X}. Ny määrielemme ällaiselle raja-arvosaunnaismuuujalle X E seuraavasi: (2.15 XdP := lim u n dp. Ω n Ω Kolmanneksi eli viimeiseksi inegraalin konsruoinnissa käyämme mielivalaiselle saunnaismuuujalle X hajoelmaa X = X + X, missä X + = sup(x, ja X = sup( X,. Äskeisen peruseella X +, X E. Seuraavaksi määrielemme yleisen Lebesguen inegraalin: jos E(X + < ai E(X <, niin (2.16 XdP = X + dp X dp, Ω eli odennäköisyyslaskennan mielessä saunnaismuuujan X odousarvo on (2.17 E(X = E(X + E(X. Ω Esielen ny muuamia Lebesguen inegraalin ja samalla odousarvon ominaisuuksia lyhyesi [31], joa voimme jakossa nojauua yleisimpiin raja-arvoihin ja epäyhälöihin. Näihin raja-arvouloksiin palaamme seuraavissa kappaleissa. Lemma Lebesguen inegraaleilla on seuraava ominaisuude: (a Lineaarisuus: Joillekin vakioille a R n, b R n ja saunnaismuuujille X, Y päee (2.19 (ax + by dp = a XdP + b Y dp. Ω (b Lisäksi saunnaismuuujan X posiiivisuudesa seuraa inegraalin posiiivisuus: (2.2 X > (ai X XdP > (vasaavasi XdP, ja lisäksi (2.21 Ω Ω XdP > P (X > >. 9 Ω Ω Ω Ω

12 (c Lebesguen inegraalille päee myös ns. Beppo Levin eoreema eli monooninen suppeneminen: Olkoon {X n } n=1 kasvava jono saunnaismuuujia. Ny jonolle on olemassa raja-arvo (2.22 X = lim x X n E, ja edelleen (2.23 lim X n dp = x Ω Ω Ω lim X ndp = x Ω XdP. (d Faoun lemma. Vasaavasi kuin yllä, olkoon {X} n=1 jono saunnaismuuujia mikä on alhaala rajoieu eli X > C jollekin vakiolle C. Ny (2.24 lim inf X ndp lim inf X n dp, n n ja vasaavasi ylhäälä rajoieulle saunnaismuuujajonolle (2.25 lim sup X n dp lim sup X n dp. n n Ω (e Viimeisenä ässä lisau ominaisuus inegraalille esieään odousarvon muodossa: Jensenin epäyhälön mukaan jos X on inegroiuva saunnaismuuuja R:ssä, ja f : R R konveksi 4 funkio 5, niin (2.26 f(e(x E(f(X. Todisus. Sivuueaan, sillä nämä ominaisuude ova esiely inegraalin sovelamisarpeia ajaellen ja odisaminen laajenaisi ukielmaa arpeeomaksi. Todisukse löyyvä esimerkiksi läheesä [1]. Lebesguen inegraaleilla on monia vahvuuksia perineisiin Riemann-inegraaleihin nähden, mua eriyisesi raja-arvoeoreema saunnaismuuujille peruseleva Lebesguen inegraalin käyön sokasiikan koneksissa 6. Siirrymme seuraavaksi käsielemään niin kusuua L p -avaruua, joa voimme hyödynää rakenamaamme inegraalia esimerkiksi raja-arvokysymyksissä. 4 Sanomme, eä funkio on konveksi, jos kaikille x 1, x 2 R d ja [, 1] päeef(x 1 + (1 x 2 f(x 1 + (1 f(x 2. 5 Merkinnällä R arkoiamme ns. laajenneua reaalilukujen joukkoa R = [, ] 6 Aiheesa lisää esimerkiksi läheessä [27], mua arkaselemme saunnaismuuujien raja-arvoja myöhemmin ukielmassa. 1 Ω Ω

13 2.2.1 L p -avaruude Käsielemme lyhyesi L p -avaruuksia (1 p < ja niiden ominaisuuksia. L p -avaruuden olemassaolo ja L p -normin määriely ässä avaruudessa on ärkeää esimerkiksi neliöinegroiuvuuden käsieen vuoksi. Määrielmä Avaruudella L p (Ω arkoiamme kaikkien niiden saunnaismuuujien X kokoelmaa ripleissä (Ω, F, P, joille päee (2.28 E( X p < jollekin 1 p <. Jos X L p, niin L p -normi on (2.29 X p = (E( X p 1 p. Tällä L p -normilla on muun muassa seuraava ominaisuude: Lemma 2.3. (a Hölderin epäyhälö saunnaismuuujien L p -normeille: olkoon X L p (Ω ja Y L q (Ω, missä 1/p + 1/q = 1. Ny ( 1 ( 1 (2.31 X Y dp X p p dp Y q q dp <. Ω Ω Ω (b Jos p < q, niin L q L p. (c Avaruus L p (Ω osoiauuu normieuksi vekoriavaruudeksi, sillä X, Y L p (Ω X + Y L p (Ω ja edelleen p-normeille päee kolmioepäyhälö X + Y p X p + Y p. L p -avaruuksien ärkeä erikoisapaus odennäköisyyslaskennan mielessä on apaus p = 2. Sanomme, eä L 2 -avaruuden alkio ova neliöinegroiuvia, ja ässä avaruudessa voimme määriellä skalaariulon. Määrielmä Neliöinegroiuville saunnaismuuujille X, Y skalaariulo määriellään inegraalina (2.33 X, Y = XY dp, josa seuraa (2.34 X 2 = X, X. Edelleen, ny saamme Hölderin epäyhälölle 2.3 muodon (2.35 X, Y = XY dp X 2 Y 2. Ω 11 Ω

14 2.2.2 Saunnaismuuujien raja-arvoisa Kuen kappaleen 2.2 alussa mainisimme, Lebesguen inegraalin ärkeimmä vahvuude löyyvä saunnaismuuujien raja-arvoeoreemisa. Ny määrielemme niisä yleisimmä. Olkoon seuraavissa määrielmissä X saunnaismuuuja ja {X n } n=1 =: X n saunnaismuuujajono odennäköisyysavaruudessa (Ω, F, P. Määrielmä Sanomme, eä jono X n suppenee kohi saunnaismuuujaa X P - melkein varmasi (m.v., engl. almos surely, a.s. jos (2.37 P ({ω : X n (ω X(ω} = 1. Tällöin sanomme, eä X n X P m.v. Määrielmä Sanomme, eä jono X n suppenee odennäköisyys-mielessä kohi saunnaismuuujaa X, jos jokaiselle ε > (2.39 lim n P ( X n X > ε = ja ällöin merkisemme P lim X n = X. Määrielmä 2.4. Olkoon X n L p (Ω:ssä jollekin 1 p <. Tällöin X n suppenee kohi saunnaismuuujaa X L p :ssä, jos (2.41 lim n X n X p =. Tällöin merkisemme X n X L p :ssä. Määrielmä Jono X n suppenee jakaumamielessä ai heikosi (engl. in disribuion, weakly, jos jollakin merisellä avaruudella E jakuvalle ja rajoieulle funkiolle f : E R päee (2.43 lim f(x n dp n = lim f(xdp. n Ω n n Ω Tällöin kirjoiamme X n f X, Xn d X ai X n X heikosi. Saunnaismuuujien suppenemiseen liiyy olennaisesi ärkeä apuulos Borel-Canellin lemma.. Esielemme sen vielä ennen siirymisä sokasisiin prosesseihin. Lemma (Borel-Canell Jos jollekin apahumajonolle A n päee (2.45 P (A n <, n=1 12

15 niin 7 (2.46 P (lim sup A n =. n Todisus. Olkoon N = k 1 A k realisoiuneiden apahumien lukumäärä. Ny (2.47 E(N = k P (A k <, jolloin P -melkein varmasi N <, jolloin käsieen lim sup ulkinnan myöä ulos on odiseu. Ny kun olemme esiellee yleisiä raja-arvouloksia saunnaismuuujille, voimme aloiaa valmisauumisen sokasisen prosessien käsielyyn. Tämä on luonnollisa, sillä sokasise prosessi ova hyvin usein aikasidonnaisia ja niiden mielenkiinoisimma ominaisuude esiinyvä usein silloin, kun aika. 2.3 Työkaluja sokasisen prosessien käsielyyn Sokasise prosessi ova modernin sokasiikan olennaisimpia rakennuspalikoia. Tarvisemme niiden käsielyyn ns. prosessien hisoriaa ja havaiua informaaioa kuvaavien lraaioiden sekä niihin liiyvän ehdollisen odousarvon käsiee. Näiden jälkeen esielemme maringaalien käsieen ja pysähdysajan sokasisille prosesseille. Aloiamme arkaselun lraaioiden käsieesä ja eenemme luonevasi näiden avulla kohi sokasisen prosessien määrielyä, ja lopula voimme siiryä Brownin liikkeeseen Filraaio Todennäköisyysavaruuden hisoriaa eli aiemmin havaiua informaaioa kuvaaan usein lraaiolla: Määrielmä Sanomme, eä kasvava kokoelma F:n ali-σ-algebroja {F } on lraaio, jos 1. F on F:n ali-σ-algebra, joka sisälää kaikki P-yhjä jouko F:sä ja 2. kuvaus F on oikeala jakuva. 7 Muisuuksena lukijalle, eä lim sup n A n = lim m n=ma n. Jos apahuma A n ova perusjoukon Ω alkioia, voidaan lim sup A n ulkia niiden alkeisapauksien ω joukkona joka kuuluva ääreömän moneen apahumajonon A n alkioon. 13

16 σ-algebraa F voidaan kuvailla joukkona havaiavia 8 apahumia, ja vasaavasi F :ä ennen ajanhekeä havaiavien apahumien joukkoa. Filraaion myöä voimme oaa käsielyyn ns. hisoriaiedon omaavan eli laajenneun odennäköisyysriplein, joa kusumme sokasiseksi kannaksi. Määrielmä Sanomme nelikkoa (Ω, F, P, {F } sokasiseksi kannaksi (engl. Sochasic Basis, jos 1. (Ω, F, P on äydellinen odennäköisyysavaruus ja 2. {F } on sen lraaio. Lisäksi liiämme ällaiseen lraaioon σ-algebran P progressiivisesi miallisisa osajoukoisa Ω R + seuraavasi: Määrielmä 2.5. P = P(F on joukkojen A Ω R + σ-algebra sien, eä jokaiselle päee (2.51 A (Ω [, ] F B [,], missä laskuoimius viiaa vekoriavaruuksien F ja B [,] väliseen ensoriuloon Ehdollinen odousarvo ja johdano sokasisiin prosesseihin Ehdollinen odousarvo on ärkeä yökalu sokasisen prosessien rakenamisessa. Ehdollisella odousarvolla voimme laskea ja hahmoaa esimerkiksi saunnaismuuujan odousarvon jonkin ieyn apahuman apahumisen ehdolla 1. Tai yleisemmin voimme arkasella saunnaisprosessin kulkua jo aiemmin apahuneen apahuman luoman informaaion avulla. Tässä kappaleessa hyppäämme unemaomaan, kun määrielemme yleisen ehdollisen odousarvon orogonaalisena projekiona kuen Pardoux ja Rascanu kirjassaan [29] yhdelä odennäköisyysripleilä oiselle. Tämä vaaii kuienkin alusuksen kyseisille kolmikoille: Määrielmä Oleeaan, eä G ja H ova σ-algebran F ali-σ-algebroja odennäköisyysavaruudessa (Ω, F, P. Lisäksi yksinkeraisuuden vuoksi oleamme, eä G ja H sisälävä kokoelman kaikisa F:n P -yhjisä osajoukoisa. Tällöin saunnaismuuujan X 8 Tämä jälleen ns. saunnaisilmiöiden mielessä, eli saunnaisilmiön arpomisen jälkeen havaiavien apahumien joukkona. 9 Määriely esimerkiksi kirjan [29] sivulla Tämä voidaan esimerkiksi määriellä poseriorijakauman f X Y odousarvona E(X 14

17 ehdollinen odousarvo ehdolla G on orhogonaalinen projekio 11 avaruudesa 12 L 2 (Ω, F, P avaruudelle L 2 (Ω, G, P. Merkisemme ällaisa ehdollisa odousarvoa (2.53 E(X G. Huomion arvoisa ehdollisessa odousarvossa on, eä E(X G on saunnaismuuuja, oisin kuin aikaisemmin määriely ei-ehdollinen odousarvo E(X. Eriyisesi, E(X G on G-miallinen ja kaikille Y L 2 (Ω, G, P päee (2.54 E(Y X = E(Y E(X G, ja edelleen jos Y = 1, niin 13 (2.55 E(E(X G = E(X. Yhälöä 2.55 kusuaan ns. ieroiduksi odousarvoksi. Tukielman luoneen vuoksi jäämme ehdollisen odousarvon muu ominaisuude lukijalle uusuavaksi, eriyisesi kuen kirjassa [29] proposiio (1.28 ai laajemmin ansioiuneen kirjan [1] kappaleesa 5. Käyämme loppukappaleen sokasisen prosessien esielemiseen. Kuen ässä ukielmassa on ullu avaksi, arkoiuksenamme on esiellä sokasisen prosessien ydinkäsieisöä mielekkään kokonaisuuden luomiseksi, mua näiden arkemma jopa ärkeimmä ominaisuude ja käsiee jäämme muille läheille, eriyisesi kirjoihin [1] ja [33]. Koska emme käsiele kaikkia sokasisen prosessien ominaisuuksia ässä, lukijan ulee muihin läheisiin uusuessa eriyisesi kiinniää huomioa ydinkäsieisiin kuen Markovominaisuueen ja saionaarisuueen. Pyrimme avaamaan lisää ydinkäsieiä esimerkiksi Brownin liikkeen esielyn yheydessä. Määrielmä Olkoon X opologinen avaruus 14 ja T R d Borel-joukko. Kuvaus X : Ω T X on X-arvoinen sokasinen prosessi (engl. Sochasic Process, jos jokaiselle T X(, on X-arvoinen saunnaismuuuja. Lyhennämme jakossa merkinäapaa ja merkisemme X = X(,. Yksiäisiä saunnaisilmiön realisoiuja kuvauksia X(ω,, ω Ω, kusumme sokasisen prosessin poluiksi. Yleiseysi kusumme siis kaikkia ajasa riippuvia saunnaismuuujajonoja {X } sokasisiksi prosesseiksi. Joskus kirjallisuudessa sokasinen prosessi erminä 11 P -yhjien osajoukkojen sisälyminen ekee L 2 (Ω, G, P :sä L 2 (Ω, F, P :n ali-hilber-avaruuden [29] eli äydellisen sisäuloavaruuden [8]. 12 Lukijalle muisuuksena, eä jos X on saunnaismuuuja ja E( X 2 <, niin X L 2. Eriyisesi, L 2 -avaruude ova Hilberin avaruuksia [8]. 13 Alkiolla Y = 1 arkoiamme avaruuden yksikköalkioa, oisin sanoen kaikille avaruuden alkioille u päee 1u = u1 = u yleisen kerolaskuoimiuksen merkinnöin. 14 Kirja [3], määrielmä (2.1. Mielekäs määrielmä avoinen joukkojen avulla. 15

18 viiaa nimen omaan yksiuloieiseen prosessiin 15, mua jakossa ukielmassa viiaamme ermillä yleisesi kaikkiin sokasisiin prosesseihin, ja arkennamme käsieä arviaessa. Liiämme sokasisiin prosesseihin prosessin hisorian käsieen käeväsi lraaioiden avulla. Yhdisämme niin kusuun luonnollisen lraaion sokasiseen prosessiin X : Ω R + X, mikä on lraaio (2.57 F X = σ{x s : s } N, missä N on kokoelma P -yhjiä joukkoja algebrassa F, σ{x s : s } kuvaa joukon X s : s viriämää σ-algebraa ja edelleen relaaiosymbolilla arkoiamme pieninä sellaisa σ-algebraa, joka on muodoseu symbolia ympäröivien joukkojen yhdiseesä. Lisäksi sanomme yleisesi, eä sokasisa prosessia X : Ω R + X sanoaan P- progressiivisesi mialliseksi, jos X on (P, B X -miallinen kappaleen merkinöjen mukaisesi Pysäyysaika ja maringaali Ny esielemme lyhyesi pysäyysajan ja maringaalien käsiee ennen Brownin liikkeeseen siirymisä. Määrielmä Jos kiinniämme sokasisen kannan (Ω, F, P, {F} niin sanomme, eä saunnaismuuuja τ : Ω [, ] on pysäyysaika jos (2.59 {τ } = {ω Ω : τ(ω } F, kaikilla [, ]. Huomaamme, eä koska lraaio on oikeala jakuva funkio eli F = F +, niin määrielmä 2.58 voidaan esiää myös muodossa (2.6 τ on pysäysaika {τ < } F, kaikilla [, ]. Pysäyysaika τ ulkiaan aikana, milloin arkaselava sokasinen prosessi käyäyyy ieynlaisei, esimerkiksi saapuu ieyyn piseeseen. Maringaalien käsie on amerikkalaisen maemaaikon Joseph L. Doobin ( käsialaa. Maringaalien eoria on ärkeä yökalu analysoidessa jakuva-aikaisia saunnaismuuujien liikkeiä, sillä ne kerova olennaisa ieoa prosessien odousarvoisesa käyöksesä ulevina ajanhekinä. Esielemme myös Doobin maringaaliepäyhälön, mua maringaalien muua eoriaa vain nopeasi. Kaavamman kasauksen saamikseksi maringaalien eoriaan liiyen lukijan on syyä lähesyä esimerkiksi eoksia [13], [38] ai [27]. 15 Kaso esimerkiksi [29]. 16

19 Määrielmä Olkoon (Ω, F, P, {F } anneu sokasinen kana, ja P ähän liioksissa oleva σ-algebra kuen osiossa Ny P-miallinen d-uloeinen sokasinen prosessi M on maringaali, jos (1 E( M < kaikille ja (2 E(M F s = M s P m.v. kaikille s. Jos kohdan 2 yhälö vaihdeaan epäyhälöiksi ai, niin kusumme sokasisa prosessia vasaavasi ylimaringaaliksi ai alimaringaaliksi. Lisäksi sanomme, eä maringaali M on jakuva, mikäli sen polkufunkio M on jakuva funkio määrielyalueellaan. Jos sokasinen prosessi on maringaali, prosessi saa siis ulevaisuuden aikapiseissä odousarvoisesi samoja arvoja kuin arkaseluhekellä s. Vasaavasi, jos prosessi on ylimaringaali, saa se odousarvoisesi pienempiä arvoja kuin arkaseluhekellä ja alimaringaaleille vasaavasi suurempia arvoja. Maringaaleihin liiyy olennaisesi monia ärkeiä uloksia sokasisen diereniaaliyhälöiden eorian kannala ja esielemme niisä myöhemmin esimerkiksi keskeisen Girsanovin lauseen neliöheilahelun käsieen yheydessä, mua ny esielemme Doobin maringaaliepäyhälön myöhempää käyöä varen. Lause (Doobin maringaaliepäyhälö: Jos M on maringaali, jonka polu M ova P -melkein varmasi jakuvia, niin kaikille p 1, T > ja λ > päee (2.63 P ( sup M λ 1 T λ E( M p T p. Todisus. Sivuueaan. Esielemme lisää maringaaleihin liiyviä uloksia, kunhan saamme aluseua Brownin liikkeeseen ja Iô-analyysiin liiyvää eoriaa. Ny olemme esiellee ukielman kannala kriiisiä sokasisen prosessien ominaisuuksia ja niihin liiyviä käsieiä ja voimme siiryä erikoisumaan kohi sokasisen prosessien erikoisapausa, Brownin liikeä. 2.4 Brownin liike Brownin liike (engl. Brownian moion, BM on sokasisen prosessien erikoisapaus, jolla kuvaaan muun muassa aomi- ai molekyylivärähelyn aiheuamaa hiukkasen saunnaisliikeä neseessä ai kaasussa [12] ai rahoiusinsrumenien hinnan muuoksia ajan suheen [31]. Brownin liike liiyy olennaisesi normaalijakauuneisiin eli Gaussisiin 17

20 saunnaismuuujiin 16, sillä prosessin arvojen eri ajanhekien eroukse ova normaalisi jakauuneia [1]. Määrielmä Sanomme, eä saunnaismuuuja X noudaaa normaalijakaumaa odousarvolla µ ja varianssilla σ 2, jos sen iheysfunkio 17 on muooa (2.65 f(x = 1 (x µ2 e 2σ 2. 2πσ 2 Tällöin merkisemme X N(µ, σ 2. Lisäksi sanomme, eä d-uloeinen saunnaisvekori X = (X 1,..., X d T on normaalijakauunu 18 jos jokaiselle a R d summa (2.66 d a i X i i=1 on normaalijakauunu saunnaismuuuja. Moniuloeisella normaalijakaumalla on odousarvovekori µ = (E(X 1,..., E(X d T ja kovarianssimariisi 19 Σ = E((X E(X(X E(X T, ja merkisemme ällöin X N(µ, Σ. Seuraavaksi määrielemme yksiuloeisen Brownin liikeen. Käymme läpi sen ärkeimpiä ominaisuuksia lyhyesi, jonka jälkeen määrielemme d-uloeisen Brownin liikkeen ja kolmanneksi yhdisämme näihin määrielmiin lraaion käsieen. Brownin liikkeen lyhyen esielyn jälkeen jakamme vihdoin Iô-inegraaleihin ja siä kaua sokasisiin diereniaaliyhälöihin. Brownin liikkeen yleisyys reaalimaailman ilmiöiä mallinaessa seuraa keskeisesä rajaarvolauseesa: olkoon {X n } n=1 jono oisisaan riippumaomia ja samoin jakauuneia saunnaismuuujia 2, joille kaikille i = 1, 2,... päee E(X i = ja Var(X i = E(Xi 2 = σ 2. Merkiään näiden saunnaismuuujien summaa S n = X 1 +X 2 + +X n. Ny keskeisen 16 Gaussise saunnaismuuuja muodosava mielenkiinoisen arkaselukohdan niin luonnonieeissä kuin saunnaisooksien ulkisemisessa, sillä keskeisen raja-arvolauseen mukaan oannassa saaujen oisisaan riippumaomien saunnaisoosen keskiarvo suppeneva jakaumamielessä (kaso kappale 2.2 kohi normaalijakaumaa. 17 Lukijalle muisuuksena: funkio f(x : Ω R d on saunnaismuuujan X iheysfunkio, jos se on koko määrielyalueellaan posiiivinen ja P (X B = 1 df(x jollekin Borel-joukolle B Ω, ja lisäksi B 1 df(x = 1. Saunnaismuuujien iheysfunkioisa ja muisa ominaisuuksisa lisää kirjassa [1]. Ω 18 Normaalijakauunee saunnaisvekori unneaan kirjallisuudessa moniuloeisena normaalijakaumana, englanniksi mulinormal disribuion. 19 Joskus kirjallisuudessa kovarianssimariisi esiinyy myös nimellä varianssi-kovarianssimariisi. 2 Tällaisa saunnaismuuujajonoa kusuaan usein ns. i.i.d.-jonoksi. Lyheneen alkuperä on englanninkielisessä fraasissa independen and idenically disribued, suomeksi siis riippumaoma ja samoin jakauunee. 18

21 raja-arvolauseen mukaan 21 (2.67 S n σ n N(, 1 heikosi. Edelleen, jos määrielemme jokaiselle ja n N jonon (2.68 B n = S [n] σ n, niin huomaamme vasaavasi, eä kaikille s < päee (2.69 B n B n s N(, s heikosi. Lisäksi B n :n lisäykse ova riippumaomia ja raja-arvoprosessi on P m.v. jakuva. Näillä peruseilla voimme määriellä yksiuloeisen Brownin liikkeen. Määrielmä 2.7. Yksiuloeinen Brownin liike on jakuva 22 sokasinen prosessi B : Ω R +, jolle päee (a B =, (b B B s N(, s kaikille s <, (c Jos < 1 < < n, niin B(, B( 1 B(,, B( n B( n 1 ova riippumaomia 23. Brownin liikkeen merkinää lyhenneään jakossa yleensä jäämällä alkeisapaus ω merkisemää ja oamalla aika alaindeksiin: B(, ω = B( = B. Suoraan määrielmäsä 2.7 saamme mukavan apuuloksen koskien Brownin liikkeen odousarvoisa liikeä: Lemma Jokaiselle p > päee (2.72 E( B B s p = 1 (2 s p/2 Γ ( p + 1, π 2 missä Γ : (, (, on gammafunkio (2.73 Γ ( x = x 1 e d. 21 Emme esiele keskeisä raja-arvolausea ässä arkemmin, mua sen sisälö vasaa oleellisesi ämän esimerkin sisälöä yleiseyssä ympärisössä. Lisää esimerkiksi kirjassa [1]. 22 Sanomme, eä sokasinen prosessi B(, ω on jakuva mikäli polu B(, ω ova jakuvia P - melkein varmasi. 23 Muisuuksena, eä saunnaismuuuja X ja Y ova riippumaomia, jos kaikille Borel-joukoille A, B päee P (X AP (Y B = P (X A, Y B. 19

22 Todisus. Koska B B s N(, s, voimme merkiä sen sandardinormaalijakauuneen saunnaismuuujan Z avulla seuraavasi: B B s = sz. Ny E( B B s p = se( Z p = ( s p/2 1 2π 2 z p e z2 /2 dz = 1 (2 s p/2 z p e z2 /2 dz π = 1 (2 s p/2 Γ ( p + 1. π 2 Lemmasa 2.71 seuraa suoraan, eä inkremenaaioiden ensimmäisille keskusmomeneille päee 24 2 (2.74 E( B B s = s, π (2.75 E( B Bs 2 = s ja (2.76 E( B B s 4 = 3( s 2. Usein mielenkiinnon koheena on myös moniuloeinen Brownin liike. Määrielmä R d :ssä arvojaan saavaa sokasisa prosessia {B, } kusuaan d-uloeisesi Brownin liikkeeksi, jos sen komponeni B 1,..., B d ova oisisaan riippumaomia yksiuloeisia Brownin liikkeiä. Määrielmäsä 2.77 seuraa suoraan, eä moniuloeinen Brownin liike voiaisiin määriellä myös ilman yksiuloeisen liikkeen apua: {B, } on d-uloeinen Brownin liike, jos (i B =, (ii B B s N(, ( si d d joillekin s < ja (iii B 1 B,..., B k B (k 1 ova riippumaomia saunnaisvekoreia kaikilla k > 1 ja = < 1 < < k. 24 Lukijalle muisuuksena seuraava gammafunkion Γ ominaisuude: Γ(x + 1 = xγ(x, Γ(1 = 1 ja Γ(1/2 = π. 2

23 Brownin liikkeen luonnollinen lraaio voidaan määriellä yksinkeraisesi, ja (2.78 F B = σ({b s : s } N, missä N on kokoelma P -yhjiä joukkoja. Kuienkaan luonnollisen lraaion F B sisälämä hisoriainformaaio ei aina riiä sovellusapauksissa. Tällaisia apauksia ova esimerkiksi ne, joissa arkaselemme Brownin liikkeen ohella joain oisa saunnaismuuujaa ai - prosessia. Nämä ilanee moivoiva määrielemään Brownin liikkeen vielä kolmannella avalla, jossa hyödynnämme lraaioiden käsieä. Määrielmä Olkoon {Ω, F, P, {F} } sokasinen kana ja P siihen liiey progressiivisesi miallisen Ω R + :n osajoukkojen σ-algebra. d-uloeisa, P-progressiivisesi miallisa ja jakuvaa sokasisa prosessia B kusuaan d-uloeiseksi F -Brownin liikkeeksi, jos (i B =, (ii B B s on riippumaon F :n suheen ja (iii B B s N(, ( si d d. Vaikka määrielmä 2.79 on hyvin samankalainen määrielmien 2.77 ja 2.7 kanssa, se sisälää jakoa ajaellen paljon lraaion uomaa lisäinformaaioa. Lisäksi määrielmä on omiaan liiämään progressiivisesi miallisen ja jakuvien prosessien P käsieen Brownin liikkeeseen ja siä kaua edelleen Iô-inegraaleihin. Olemme ny määriellee ja käynee läpi paljon esiieoja, ja voimmekin siiryä arkaselemaan Iô-analyysin alkuaskelia. 21

24 Luku 3 Iô-analyysin alkee ja sokasise diereniaaliyhälö 3.1 Iôn perinö sokasisessa analyysissä Iôn sokasise inegraali ja Iôn lemma Kyoshi Iô ( oli uraauurava japanilainen maemaaikko, jonka ämän ukielman kannala olennaisimma läpimurro koskiva sokasisen inegraaion ja sokasisen diereniaaliyhälöiden eoriaa: Iô-analyysi kokonaiskäsieenä ja eriyisesi sen ulos Iôn lemma mullisi käsiyksen saunnaisliikkeiden käyöksesä. Kirjallisuudessa yleensä mainiaan Iôn olevan odennäköisyyslaskennan ja saunnaisliikkeiden mallinamisen päänimiä herrojen Kolmogorov, Levy, Wiener ja Markov ohella 1. Tässä luvussa havainnollisamme lukijalle arpeen Iô-inegraalien ja neliöheilahelun käsieelle. Iô-inegraali ja Iôn lemman esielemme niin sanousi duaalisesi, missä oinen ulos seuraa oisesa pääsäänöisesi kirjojen [1] ja [31] mukaisesi. Todisamme yksiuloeisen Iôn lemman ja esielemme ämän lisäksi d-uloeiseen Brownin liikkeeseen sidonnaisen version äsä. Tämän jälkeen esielemme vielä niin kusuun yleisen Iô-inegraalin yleiselle inegrandille. Tämän määrielmän lähesymisapa eroaa hieman aikaisemmisa, ja peruselemme yleisen inegraalin olemassaolon irrallisena Iôn lemmasa. Näiden jälkeen havainnollisamme Iô-analyysin käyännön hyöyjä siirymällä sokasisen diereniaaliyhälöiden eoriaan. 1 Lohr, Seve (November 23, 28, "Kiyosi Io, 93, Mahemaician Who Described Random Moion, Dies", NY Times. 22

25 3.1.1 Neliöheilahelu ja yksiuloeinen Iô-inegraali Iô-analyysin ero avanomaiseen analyysiin on ieyllä apaa yksinkerainen, mua siäkin ärkeämpi. Perineisessä analyysissä valisemme joksikin arkaselavaksi funkioksi funkion, joka on yleisesi ns. sileä funkio, ja lisäksi hyvin usein inegroiuva määrielyalueellaan 2. Jos esimerkiksi ukimme funkioa, joka mallinaa esimerkikski saunnaisilmiöä kuen johdannaisen hinnoielua, ei ämän funkion käyrä ole inegroiuva missään määrielyalueellaan 3. Tällöin luonnollisesi perineisen analyysin keino eivä oimi ja se arvisee laajennuksen ns. rajoiamaomasi heilaheleviin funkioihin. Tähän käyöön valjasamme neliöheilahelun käsieen. Määrielmä 3.1. Olkoon {τ n } n N jono äärellisiä osiuksia τ n = { = < 1 < < in < }, n n joille in ja τ n = sup i+1 i, ja lisäksi X olkoon reaaliarvoinen ja jakuva funkio välillä [,. Jos raja-arvo (3.2 X = lim (X i+1 X i 2 n i τ n, i < on olemassa kaikilla, kusumme funkioa X X:n neliöheilaheluksi. Funkioia, joilla ei ole posiiivisa neliöheilahelua kusuaan rajoieusi heilaheleviksi funkioiksi. Merkisemme ällöin X FV(R + 4. Seuraava lemma havainnollisaa ää yheyä: Lemma 3.3. Jos X F V (R +, niin X = kaikilla. Todisus. Kaikille päee (X i+1 X i 2 sup X i+1 X i X Xi+1 i. i τ n 2 Naura non faci salus! on kuuluisan saksalaisen ieeilijän Gofried Leibnizin oeamus, joka arkoiaa eä luonnossa esiinyviä prosesseja mallinaessa ei ule olla epäjakuvuuksia. Tämä yleisyy maemaiikan kielellä siihen, eä ällaisen funkioiden ulee olla sileiä. (New Essays on Human Undersanding, IV, 16: "la naure ne fai jamais des saus" 3 Huomiona lukijalle, eä kun funkioia, joiden massasa suurin osa on epäjakuvuuspiseiä, löydeiin ensimmäisiä keroja 18-luvulla, maemaaiko piivä ällaisia funkioia vain maemaaisina kuriosieeeinä, joilla ei ole juurikaan sovelluskoheia. 4 Lukijalle muisuuksena, eä X FV(R +, jos sup τn i τ n X i+1 X i <. Edellisä supremumia kusuaan kirjallisuudessa yleisesi kokonaisheilaheluksi (engl. Toal Variaion. 23

26 Oleuksesa X F V (R + seuraa, eä ulon jälkimmäinen osapuoli on rajoieu. Lisäksi X on jakuva, ja koska jakuva funkio ova asaisesi jakuvia kompakeissa joukoissa, niin sup X i+1 X i n, mikä odisaa lemman. Tässä vaiheessa on ärkeää huomaa, eä hieman ironisesi X FV(R + 5, misä seuraa eä inegraali (3.4 f(sd X s on hyvin määriely Lebesgue-Sieljes -inegraalina jollekin sopivasi käyäyyvälle arkemmin Borel-mialliselle funkiolle f(s. Tälle huomiolle ulee käyöä myöhemmin ässä kappaleessa. Brownin liikkeen neliöheilahelu on olennainen osa rahoiuseoreeisia sovelluksia ja kuen seuraavaksi osoiamme, sen neliöheilahelu on posiiivisa ja sien Brownin liikkeen analyysiin arvisemme Iô-analyysin yökaluja. Proposiio 3.5. (Paul Lévy Brownin liikkeen B (ω poluille B (ω päee P -melkein varmasi (3.6 B (ω = kaikilla. Todisus. Todisamme väieen kuen läheessä [1] kiinnieylle, mua arbiraarille raionaaliluvulle o Q +. Tämä riiää ilman yleisyyden meneämisä 6, sillä raionaalilukujen joukko Q + on numeroiuva. Tällöin Brownin liikkeen polkujen P -melkein varmasa jakuvuudesa seuraa odisuksen yleisyminen kaikille R +. Merkiään (3.7 X n := (B i+1 B i 2 := Yi 2, i τ n, i i misä seuraa suoraan Y i N(, i+1. Edelleen oisen momenin unnusluvu ova helposi laskeavissa: (3.8 (3.9 E(Yi 2 = Var(Y i = i+1, Var(Yi 2 = E(Yi 4 E(Yi 2 2 = 3Var(Y i 2 ( i+1 2 = 2( i Tämä on helposi odeavissa laskemalla neliöheilahelulle joko kokonaisheilahelu ai neliöheilahelu. 6 Kirjallisuudessa käyeään usein ermiä wihou loss of generaliy, w.l.o.g. 24

27 Edelleen keskeisen raja-arvolauseen mukaan (3.1 X d n N ( i, 2 i i ( i 2. Selkeäsi ämä jakauma suppenee edelleen kohi jakaumaa N(, eli kiinnieyä raionaalilukua 7, arkemmin (3.11 X n i L 2 (P -normissa, ja ämän jälkeen piää vielä osoiaa eä suppeneminen päee myös P - melkein varmasi. Merkiään A n = X n ε jollekin kiinnieylle ε >. Ny raja-arvon 3.11 peruseella (3.12 P (A n <, n=1 ja edelleen Borel-Canellin 2.44 mukaan (3.13 P (lim sup A n =, i eli oisin sanoen P -melkein varmasi (3.14 lim {τ n} n=1,2,... X n =, ja edelleen on olemasssa {τ n }:n osajono {τ n } sien, eä (3.15 B (ω = lim X n = P -melkein varmasi. Tämä odisaa väieen. Koska aika on yleisesi posiiivinen suure, proposiiosa 3.5 seuraa Brownin liikkeen luoman polun neliöheilahelu, ja äsä edelleen näiden polkujen rajaon heilahelu. Esielemme ja odisamme ny yksiuloeisen Iô:n kaavan, ja samalla määrielemme Iô-inegraalin. Kaava on odiseu ensimmäisen kerran klassikkoarikkelissa [17]. Lause (Iôn kaava ai Iôn lemma R:ssä: Olkoon X : [, R jakuva funkio jakuvalla neliöheilahelulla X, ja lisäksi F C 2 (R kahdesi derivoiuva reaaliarvoinen funkio. Ny, kaikilla päee 7 Tällaisa normaalijakauman erikoisapausa, missä varianssi on ja odousarvo äärellinen, kusuaan Dirac-massaksi [29]. 25

28 (3.17 F (X = F (X + missä eriyisesi (3.18 F (X s dx s = lim on F (X :n Iô-inegraali X :n suheen 89. F (X s dx s n i τ n, i F (X s d X s, F (X i (X i+1 X i Todisus. Kappaleen eeman mukaisesi, olkoon >, i τ n, i. Ny Taylorin sarjan 1 mukaan päee F (X i+1 F (X i = F (X i X i F (X i ( X i 2 (3.19 = F (X i X i F (X i ( X i 2 + R n ( i, missä X i = X i+1 X i, i ( i, i+1 ja ns. virheermi R n ( i = 1/2(F (X i F (X i ( X i 2. Seuraavaksi määrielemme apuermin δ n = max i τ n, i X i. Edelleen äsä seuraa (3.2 R n ( i 1 2 max F (x F (y ( X i 2 ε n ( X i 2 x y δ n;x,y X[,] jollekin posiiiviselle ε n >, sillä F on asaisesi jakuva X[, ]:ssä. Lisäksi huomaamme, eä ermi ε n ( X i 2 δn. Ny peruselemme kaavan (3.21 F (X i+1 F (X i = F (X i X i F (X i ( X i 2 + R n ( i 8 Lukijalle huomauuksena: määrielemme ämän paljon puhuun Iô-inegraalin suorana seurauksena Iôn kaavasa. Vaihoehoisesi voiaisiin ulkia, eä koska määrielemme Iô-inegraalin näin, niin lause seuraa määrielmäsä. Kaavan odisuksessa peruselemme myös inegraalin olemassaolon raja-arvona Iôn kaava esieään usein kirjallisuudessa myös muodossa df (X = F (XdX + 1/2F (Xd X. Tämä muoo on muodon 3.17 kanssa äysin yhäpiävä, merkinä esieään vain derivaaojen avulla inegraalimerkinnän sijasa. 1 Lukijalle muisuuksena, eä Taylorin sarjalla arkoieaan sarjaa jolla approksimoidaan ehokkaasi jakuvasi derivoiuvia funkioia polynomeiksi. Lisää Taylorin sarjoisa esimerkiksi läheessä [16]. 26

29 ermien paisi Iô-inegraaliksi suppenevan ermin F (X i X i Riemann-summien raja-arvojen olemassaolo ja muodo, kun n. Tällöin, kun oamme Riemann-summien raja-arvo kaavan 3.21 ermeisä, saamme kaavan 3.17 ja huomaamme, eä jäljelle jäävä ermi on Iô-inegraali Suoraan yhälälösä 3.2 näemme, eä (3.22 R n ( i εn ( X i 2 n. i τ n i τ n Seuraavaksi, koska erous F (X i+1 F (X i on vaiheleva summa 11, päee (3.23 F (X F (X. Viimeiseksi huomaamme, eä (3.24 i τ n F (X i+1 F (X i n i τ n 1 2 F (X i ( X i 2 n 1 2 F (X s d X s. Koska yhälön kaikki muu ermi suppeneva, on myös ermin i τ n F (X i X i rajaarvon olava olemassa. Tää raja-arvoa kusumme Iô-inegraaliksi, eli odisuksen viimeiselee yheys (3.25 lim n i τ n F (X i X i =: F (X s dx s Kovariaaio ja moniuloeinen Iôn lemma Joa voisimme ymmärää moniuloeiseen Iôn kaavaan liiyviä ermejä ja edelleen käsiellä heken kuluua sokasisia diereniaaliyhälöiä, arvisemme muuaman lisäkäsieen rajoiamaomasi heilahelevien funkioiden käsielyyn. Olkoon funkio X, Y C [, varuseu jakuvilla neliöheilaheluilla edellä esiellyn osiusjonon τ n suheen. Määrielmä Jos raja-arvo (3.27 X, Y = lim n i τ n, i ( X i ( Y i 11 Täsmennyksenä, vaihelevalla summalla arkoiamme summaa, jonka peräkkäise ermi kumoava oisensa. 27

30 on olemassa kaikille, niin kusumme funkioa X, Y X:n ja Y :n kovariaaioksi 12. Tuemme määrielmää ja sen mielekkyyä seuraavalla lauseella: Lause (Polarisaaiokaava Kovariaaio X, Y on olemassa jos ja vain jos X +Y on olemassa. Tällöin (3.29 X, Y = 1 2( X + Y X Y. Todisus. Seuraa väliömäsi neliöheilahelun määrielmäsä summalle X + Y. Edelleen, koska neliöheilahelu ova rajoieuja funkioia, raja-arvo summisa on olemassa summien raja-arvoina. Huomauus 3.3. Kaava 3.28 on selväsi yhäpiävä kaavan (3.31 X + Y = X + Y + 2 X, Y kanssa 13. Eriyisesi d-uloeiselle Brownin liikkeelle päee 14 P -melkein varmasi (3.32 B k, B l = δ kl, missä (3.33 δ kl = { 1, kun k = l, kun k l Yhälö 3.32 on inuiiivinen ulos, sillä muisamme eä B =. Lause (d-uloeinen Iôn kaava: Olkoon F C 2 (R d. Ny 15 (3.35 F (X = F (X + F (X s dx s d k,l=1 F xk,x l (X s d X k, X l s, 12 Engl. Covariance, esimerkiksi kirjassa [31]. Lukijan on syyä huomaa, eä merkinä eroaa skalaariulon merkinnäsä alaindeksillä. Kuienkin jakossa saaamme lyhenää kovariaaion merkinää pudoamalla alaindeksin pois: näissä apauksissa merkinnän laau selviää koneksisa. 13 Kaava 3.31 esiinyy yleisesi esimerkiksi rahoiuseoreeisilla sovellusalueilla. Jos funkio X ja Y kuvaava esimerkiksi johdannaisen hinakäyrää, on niiden yheiskovariaaio suuren mielenkiinnon koheena. Tää lähesymisapaa esiellään esimerkiksi kirjassa [13]. 14 Tässä asiayheydessä siis perusjoukko Ω = C[, d. Tässä lisäksi käyämme miana ns. Wienermiaa sien, eä P = d i=1 P i missä P i on Wiener-mia. Wiener-mian konsruoini ja esimerkin yheyden olemassaolosa lisää kirjassa [4]. 15 Muisuuksena lukijalle lauseessa esiinyviä vekorianalyysin merkinöjä: F (x on funkion F gradieni, F (x on funkion F Laplace-operaaori ja df (x on skalaariulo ( F (x, dx. Näisä operaaoreisa lisää esimerkiksi Olli Marion klassikkoeoksessa [26]. 28

31 ja raja-arvo (3.36 F (X s dx s := lim n i τ n, i ( F (Xi, (X i+1 X i on olemassa. Eriyisesi, raja-arvoa 3.36 kusuaan d-uloeiseksi Iô-inegraaliksi. Todisus. Lauseen odisus on äysin analoginen 1-uloeisen Iôn kaavan odisuksen kanssa. Ainoa ero on Taylorin kaavan d-uloeisen version käyäminen. Huomauus Lauseen 3.34 Iôn kaava voidaan esiää yhäpiävässä diereniaalimuodossa 16 (3.38 df (X = ( 1 2 F F (X, dx + (X d X k, X l. 2 x k x l Eriyisesi d-uloeiselle Brownin liikkeelle B = (B 1,..., B d päee yhälön 3.32 myöä (3.39 df (B = ( F (B, db F (B d. Kuen klassisessa analyysissä, arvisemme myös derivaaan ulosäänöä jakon diereniaaliyhälöiä varen: Lause 3.4. (Tulosäänö Iô-analyysissä: Jollekin funkioille X, Y, joilla on jakuva neliöheilahelu ja kovariaaio, päee (3.41 d(xy = XdY + Y dx + d X, Y. Todisus. Lauseen 3.34 merkinnöin ny F (X, Y = XY. Suoraan, kun d = 2, saamme df (X, Y = d(xy = XdY + Y dx + 1 (1 + 1d X, Y 2 = XdY + Y dx + d X, Y. k,l Määrielemme ny erään ärkeän kokoelman sokasisen diereniaaliyhälöiden ja Iô-inegraalien käyöön: Määrielmä Sanomme kokoelmaa H 2 kokoelmaksi progressiivisesi miallisia prosesseja φ, joille päee 17 E( φ 2 d <. Ennen kuin siirrymme arkaselemaan sokasisia diereniaaliyhälöiä, määrielemme vielä Iô-inegraalin yleiselle inegrandille f(, ω = F (, ω H Tää kusuaan kirjallisuudessa sokasisen derivaaojen kejusäännöksi esimerkiksi läheissä [1], [31] ja [27]. 17 Huomauuksena, eä voimme yleisää kokoelman H 2 kokoelmaksi H α koskemaan myös joakin inegrandin korkeampaa poenssia α > 2. 29

32 3.1.3 Yleinen Iô-inegraali Käymme ny peruseellisesi läpi yleisen Iô-inegraalin määrielyn ja olemassaolon sekä Iô-isomerian apuuloksen. Käyämme olemassaolon peruselemiseen kirjallisuudessa esimerkiksi läheissä [27], [15] ja [7] esiinyvää akiikkaa 18, jossa peruselemme inegraalin olemassaolon ja Iô-isomerian aluksi yksinkeraisille funkioille, jonka jälkeen laajennamme käsieen yleisille funkioile f H 2. Haluamme ny määriellä muooa (3.43 I(f, ω = S f(, ωdb (ω olevan Iô-inegraalin ja perusella sen olemassaolon yleiselle inegrandille f(, ω H 2. Vasaavasi kuen määrielmässä 2.12, olkoon X H 2 yksinkerainen funkio (3.44 X = i α i (ω1 [i, i+1 (. Lisäksi koska X H 2, äyyy jokaiselle α i päeä α i F. Ny voimme määriellä inegraalien 3.36 ja 3.18 hengessä Iô-inegraalin (3.45 S X(, ωdb (ω = i α i (ω(b i+1 B i (ω yksinkeraiselle inegrandille X H 2. Seuraavaksi esielemme ja odisamme ärkeän Iô-analyysin uloksen, Iô-isomerian, yksinkeraisille funkioille X: Lemma (Iô-isomeria yksinkeraisille funkioille: Jos X(, ω on rajoieu ja yksinkerainen funkio, niin (( 2 ( (3.47 E X(, ωdb (ω = E X(, ω. 2 S S Todisus. Olkoon B i = B i+1 B i. Koska α i α j B i ja B j ova riippumaomia kun i > j, niin {, kun i j, (3.48 E(α i α j B i B j =, E(αi 2 ( i+1 i, kun i = j 18 Muisuuksena lukijalle, eä käyimme samanlaisa lähesymisapaa Lebesgue-inegraalin 2.12 määrielemisessä. 3

b) Ei ole. Todistus samaan tyyliin kuin edellinen. Olkoon C > 0 ja valitaan x = 2C sekä y = 0. Tällöin pätee f(x) f(y)

b) Ei ole. Todistus samaan tyyliin kuin edellinen. Olkoon C > 0 ja valitaan x = 2C sekä y = 0. Tällöin pätee f(x) f(y) Maemaiikan ja ilasoieeen osaso/hy Differeniaaliyhälö II Laskuharjoius 1 malli Kevä 19 Tehävä 1. Ovako seuraava funkio Lipschiz-jakuvia reaaliakselilla: a) f(x) = x 1/3, b) f(x) = x, c) f(x) = x? a) Ei

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

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

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

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

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

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

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

( ) ( ) 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

HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Tiedekunta/Osasto Fakultet/Sektion Faculty

HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Tiedekunta/Osasto Fakultet/Sektion Faculty HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Tiedekuna/Osaso Fakule/Sekion Faculy Laios Insiuion Deparmen Maemaais-luonnonieeellinen Tekijä Förfaare Auhor Miriam Hägele Työn nimi

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

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

Systeemimallit: sisältö

Systeemimallit: sisältö Syseemimalli: sisälö Malliyypi ja muuuja Inpu-oupu -kuvaus ja ilayhälömalli, ila Linearisoini Jakuva-aikaisen lineaarisen järjeselmän siirofunkio, sabiilisuus Laplace-muunnos Diskreeiaikaisen lineaarisen

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

Sopimuksenteon dynamiikka: johdanto ja haitallinen valikoituminen

Sopimuksenteon dynamiikka: johdanto ja haitallinen valikoituminen Soimukseneon dynamiikka: johdano ja haiallinen valikoiuminen Ma-2.442 Oimoinioin seminaari Elise Kolola 8.4.2008 S yseemianalyysin Laboraorio Esielmä 4 Elise Kolola Oimoinioin seminaari - Kevä 2008 Esiyksen

Lisätiedot

Juuri 13 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty Kertaus. K1. A: III, B: I, C: II ja IV.

Juuri 13 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty Kertaus. K1. A: III, B: I, C: II ja IV. Juuri Tehävie rakaisu Kusausosakeyhiö Oava päiviey 9.8.8 Keraus K. A: III, B: I, C: II ja IV Kuvaaja: I II III IV Juuri Tehävie rakaisu Kusausosakeyhiö Oava päiviey 9.8.8 K. a) lim ( ) Nimiäjä ( ) o aia

Lisätiedot

Inversio-ongelmien laskennallinen peruskurssi Luento 7

Inversio-ongelmien laskennallinen peruskurssi Luento 7 Inversio-ongelmien laskennallinen peruskurssi Luento 7 Kevät 2012 1 Tilastolliset inversio-ongelmat Tilastollinen ionversio perustuu seuraaviin periaatteisiin: 1. Kaikki mallissa olevat muuttujat mallinnetaan

Lisätiedot

Jaksollisista funktioista

Jaksollisista funktioista Jaksollisisa funkioisa Jukka Liukkonen Ylioeaja Helsingin ammaikorkeakoulu Sadia Ymärillämme ja joa sisällämme on runsaasi jaksollisina oisuvia ilmiöiä: äivä seuraa yöä, kesä alvea, sydän lyö ahdissa,

Lisätiedot

Diskreetillä puolella impulssi oli yksinkertainen lukujono:

Diskreetillä puolella impulssi oli yksinkertainen lukujono: DEE-00 ineaarise järjeselmä Harjoius 5, rakaisuehdoukse [johdano impulssivaseeseen] Jakuva-aikaisen järjeselmän impulssivase on vasaavanlainen järjeselmäyökalu kuin diskreeillä puolellakin: impulssivase

Lisätiedot

1. Todista/Prove (b) Lause 2.4. käyttäen Lausetta 2.3./by using Theorem b 1 ; 1 b + 1 ; 1 b 1 1

1. Todista/Prove (b) Lause 2.4. käyttäen Lausetta 2.3./by using Theorem b 1 ; 1 b + 1 ; 1 b 1 1 KETJUMURTOLUVUT Harjoiuksia 209. Todisa/Prove Lause 2.2. käyäen Lausea 2.3./by using Theorem 2.3. Lause 2.4. käyäen Lausea 2.3./by using Theorem 2.3. 2. Määrää Canorin kehielmä luvuille 0,, 2, 3, 4, 5,

Lisätiedot

Luento 11. tietoverkkotekniikan laitos

Luento 11. tietoverkkotekniikan laitos Lueno Lueno Sokasise signaali ja prosessi II. Sokasise prosessi Pruju Saionaarisuus, ergodisuus Auo ja risikorrelaaio ehospekri.3 Kohinan suodaaminen Sokasinen raja arvo ja derivaaa Winer Khinchin eoreema.3

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

2. Systeemi- ja signaalimallit

2. Systeemi- ja signaalimallit 2. Syseemi- ja signaalimalli Malliyyppejä: maemaainen malli: muuujien välise suhee kuvau maemaaisesi yhälöin lohkokaaviomalli: syseemin oiminojen looginen jako lohkoihin, joiden välisiä vuorovaikuuksia

Lisätiedot

STOKASTISIA MALLEJA SÄHKÖN HINNOITTELUUN. Sanni Sieviläinen

STOKASTISIA MALLEJA SÄHKÖN HINNOITTELUUN. Sanni Sieviläinen HELSINGIN YLIOPISTO Maemaais-Luonnonieeellinen iedekuna Maemaiikan ja ilasoieeen laios STOKASTISIA MALLEJA SÄHKÖN HINNOITTELUUN Sanni Sieviläinen Pro Gradu-ukielma Ohjaaja: Dario Gasbarra 3. syyskuua 215

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

Tiedonhakumenetelmät Tiedonhakumenetelmät Helsingin yliopisto / TKTL. H.Laine 1. Todennäköisyyspohjainen rankkaus

Tiedonhakumenetelmät Tiedonhakumenetelmät Helsingin yliopisto / TKTL. H.Laine 1. Todennäköisyyspohjainen rankkaus Tieonhakumeneelmä Helsingin yliopiso / TKTL.4.04 Toennäköisyyeen perusuva rankkaus Tieonhakumeneelmä Toennäköisyyspohjainen rankkaus Dokumenien haussa ongelmana on löyää käyäjän kyselynä ilmaiseman ieoarpeen

Lisätiedot

Ratkaisu. Virittäviä puita on kahdeksan erilaista, kun solmut pidetään nimettyinä. Esitetään aluksi verkko kaaviona:

Ratkaisu. Virittäviä puita on kahdeksan erilaista, kun solmut pidetään nimettyinä. Esitetään aluksi verkko kaaviona: Diskreei maemaiikka, sks 00 Harjoius 0, rakaisuisa. Esi viriävä puu suunaamaomalle verkolle G = (X, E, Ψ), kun X := {,,, }, E := { {, }, {, }, {, }, {, }, {, }}, ja Ψ on ieninen kuvaus. Rakaisu. Viriäviä

Lisätiedot

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi. / Raaisu Aihee: Avaisaa: Momeiemäfuio Sauaismuuujie muuose ja iide jaauma Kovergessiäsiee ja raja-arvolausee Biomijaauma, Espoeijaauma, Geomerie jaauma, Jaaumaovergessi, Jauva asaie jaauma, Kolmiojaauma,

Lisätiedot

joka on separoituva yhtälö, jolla ei ole reaalisia triviaaliratkaisuja. Ratkaistaan: z z(x) dx =

joka on separoituva yhtälö, jolla ei ole reaalisia triviaaliratkaisuja. Ratkaistaan: z z(x) dx = HY / Maemaiikan ja ilasoieeen laios Differeniaalihälö I kevä 09 Harjois 4 Rakaisehdoksia. Rakaise differeniaalihälö = (x + + Rakais: Tehdään differeniaalihälöön lineaarinen mnnos z(x = x + (x + jolloin

Lisätiedot

Derivoimalla ensimmäinen komponentti, sijoittamalla jälkimmäisen derivaatta siihen ja eliminoimalla x. saadaan

Derivoimalla ensimmäinen komponentti, sijoittamalla jälkimmäisen derivaatta siihen ja eliminoimalla x. saadaan 87 5. Eliminoinimeneely Tarkaellaan -kokoia vakiokeroimia yeemiä + x a a x a x + a x b() x = = = +. a a x a x a x b () (3) b() x + Derivoimalla enimmäinen komponeni, ijoiamalla jälkimmäien derivaaa iihen

Lisätiedot

4.0.2 Kuinka hyvä ennuste on?

4.0.2 Kuinka hyvä ennuste on? Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki

Lisätiedot

Rakennusosien rakennusfysikaalinen toiminta Ralf Lindberg Professori, Tampereen teknillinen yliopisto ralf.lindberg@tut.fi

Rakennusosien rakennusfysikaalinen toiminta Ralf Lindberg Professori, Tampereen teknillinen yliopisto ralf.lindberg@tut.fi Rakennusosien rakennusfysikaalinen oimina Ralf Lindber Professori, Tampereen eknillinen yliopiso ralf.lindber@u.fi Rakenneosien rakennusfysikaalisen oiminnan ymmärämiseksi on välämäönä piirää kolme eri

Lisätiedot

Optioiden hinnoittelu Pohjoisella sähkömarkkinalla. Minna Kauria-Kojo Pro gradu-tutkielma Matematiikan ja tilastotieteen laitos Helsingin yliopisto

Optioiden hinnoittelu Pohjoisella sähkömarkkinalla. Minna Kauria-Kojo Pro gradu-tutkielma Matematiikan ja tilastotieteen laitos Helsingin yliopisto Opioiden hinnoielu Pohjoisella sähkömarkkinalla Minna Kauria-Kojo Pro gradu-ukielma Maemaiikan ja ilasoieeen laios Helsingin yliopiso 13.12.2016 HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF

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

MAT-02450 Fourier n menetelmät. Merja Laaksonen, TTY 2014

MAT-02450 Fourier n menetelmät. Merja Laaksonen, TTY 2014 MAT-45 Fourier n meneelmä Merja Laaksonen, TTY 4..4 Sisälö Johano 3. Peruskäsieiä................................... 4.. Parillinen ja parion funkio....................... 7.. Heavisien funkio............................

Lisätiedot

PK-YRITYKSEN ARVONMÄÄRITYS. KTT, DI TOIVO KOSKI elearning Community Ltd

PK-YRITYKSEN ARVONMÄÄRITYS. KTT, DI TOIVO KOSKI elearning Community Ltd PK-YRITYKSEN ARVONMÄÄRITYS KTT, DI TOIVO KOSKI elearning Communiy Ld Yriyksen arvonmääriys 1. Yriyksen ase- eli subsanssiarvo Arvioidaan yriyksen aseen vasaavaa puolella olevan omaisuuden käypäarvo, josa

Lisätiedot

Luento 7 Järjestelmien ylläpito

Luento 7 Järjestelmien ylläpito Luno 7 Järjslmin ylläpio Ahi Salo Tknillinn korkakoulu PL, 5 TKK Järjslmin ylläpidosa Priaallisia vaihohoja Uusiminn rplacmn Ennalahkäisvä huolo mainnanc Korjaaminn rpair ❶ Uusiminn Vioiun komponni korvaaan

Lisätiedot

ẍ(t) q(t)x(t) = f(t) 0 1 z(t) +.

ẍ(t) q(t)x(t) = f(t) 0 1 z(t) +. Diffrniaaliyhälö II, harjoius 3, 8 228, rakaisu JL, kuusi sivua a On muunnava linaarinn oisn kraluvun diffrniaaliyhälö ẍ qx f yhäpiäväksi nsimmäisn kraluvun linaarisksi kahdn skalaariyhälön sysmiksi Rak

Lisätiedot

Mallivastaukset KA5-kurssin laskareihin, kevät 2009

Mallivastaukset KA5-kurssin laskareihin, kevät 2009 Mallivasaukse KA5-kurssin laskareihin, kevä 2009 Harjoiukse 8 (viikko 14) Tehävä 1 LAD-käyrä siiryy ylöspäin. Ulkomaisen hinojen nousessa oman maan reaalinen vaihokurssi heikkenee 1 vaihoase vahvisuu IS-käyrä

Lisätiedot

MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ

MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ 4.9.4 HYVÄN VASTAUKSEN PIIRTEITÄ Alla oleva vasausen piireiden, sisälöjen ja piseiysen luonnehdina ei sido ylioppilasukinolauakunnan arvoselua. Lopullisessa arvoselussa

Lisätiedot

Luento 2. Järjestelmät aika-alueessa Konvoluutio-integraali. tietoverkkotekniikan laitos

Luento 2. Järjestelmät aika-alueessa Konvoluutio-integraali. tietoverkkotekniikan laitos Lueno 2 Järjeselmä aika-alueessa Konvoluuio-inegraali Lueno 2 Lueno 2 Järjeselmä aika alueessa; Konvoluuio inegraali 2.1 Järjeselmien perusominaisuude Oppenheim 1.5. 1.6 Muisillise ja muisioma järjeselmä

Lisätiedot

Laskelmia verotuksen painopisteen muuttamisen vaikutuksista dynaamisessa yleisen tasapainon mallissa

Laskelmia verotuksen painopisteen muuttamisen vaikutuksista dynaamisessa yleisen tasapainon mallissa Laskelmia verouksen painopiseen muuamisen vaikuuksisa dynaamisessa yleisen asapainon mallissa Juha Kilponen ja Jouko Vilmunen TTässä arikkelissa esieään laskelmia siiä, mien verouksen painopiseen siiräminen

Lisätiedot

Öljyn hinnan ja Yhdysvaltojen dollarin riippuvuussuhde

Öljyn hinnan ja Yhdysvaltojen dollarin riippuvuussuhde Öljyn hinnan ja Yhdysvalojen dollarin riippuvuussuhde Kansanalousiede Pro gradu -ukielma Talousieeiden laios Tampereen yliopiso Toukokuu 2010 Jari Hännikäinen TIIVISTLMÄ Tampereen yliopiso Talousieeiden

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

Luento 11. Stationaariset prosessit

Luento 11. Stationaariset prosessit Lueno Soasisen prosessin ehosperi Signaalin suodaus Kaisarajoieu anava 5..6 Saionaarise prosessi Auoorrelaaio φ * * (, ) ( ), { } { } jos prosessi on saionaarinen auoorrelaaio ei riipu ajasa vaan ainoasaan

Lisätiedot

Lineaaristen järjestelmien teoriaa II

Lineaaristen järjestelmien teoriaa II Lieaarise järjeselmie eoriaa II Ohjaavuus Tarkkailavuus havaiavuus Lisää sabiilisuudesa Tilaesimoii, Kalma-suodi TKK/Syseemiaalyysi laboraorio Mielekiioisia kysymyksiä Oko syseemi rakeeelaa sellaie, eä

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

Lyhyiden ja pitkien korkojen tilastollinen vaihtelu

Lyhyiden ja pitkien korkojen tilastollinen vaihtelu Lyhyiden ja pikien korkojen ilasollinen vaihelu Tomi Pekka Juhani Marikainen Joensuun Yliopiso Maemaais-luonnonieeellinen iedekuna / Tieojenkäsielyieeen ja ilasoieeen laios / Tilasoiede Pro Gradu -ukielma

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

2. Suoraviivainen liike

2. Suoraviivainen liike . Suoraviivainen liike . Siirymä, keskinopeus ja keskivauhi Aika: unnus, yksikkö: sekuni s Suoraviivaisessa liikkeessä kappaleen asema (paikka) ilmoieaan suoralla olevan piseen paikkakoordinaain (unnus

Lisätiedot

A-osio. Ei laskinta! Valitse seuraavista kolmesta tehtävästä vain kaksi joihin vastaat!

A-osio. Ei laskinta! Valitse seuraavista kolmesta tehtävästä vain kaksi joihin vastaat! MAA Koe 7..03 A-osio. Ei laskina! Valise seuraavisa kolmesa ehäväsä vain kaksi joihin vasaa! A. a) Mikä on funkion f(x) määrieljoukko, jos f( x) x b) Muua ulomuooon: 4a 8a 4 A. a) Rakaise hälö: x 4x b)

Lisätiedot

Asuntojen huomiointi varallisuusportfolion valinnassa ja hinnoittelussa

Asuntojen huomiointi varallisuusportfolion valinnassa ja hinnoittelussa TAMPEREEN YLIOPISTO Johamiskorkeakoulu Asunojen huomioini varallisuusporfolion valinnassa ja hinnoielussa Kansanalousiede Pro gradu -ukielma Elokuu 2012 Ohjaaja: Hannu Laurila Tuomo Sola TIIVISTELMÄ Tampereen

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 21. syyskuuta 2007 Antti Rasila () TodB 21. syyskuuta 2007 1 / 19 1 Satunnaismuuttujien riippumattomuus 2 Jakauman tunnusluvut Odotusarvo Odotusarvon ominaisuuksia

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

DEE Lineaariset järjestelmät Harjoitus 3, harjoitustenpitäjille tarkoitetut ratkaisuehdotukset

DEE Lineaariset järjestelmät Harjoitus 3, harjoitustenpitäjille tarkoitetut ratkaisuehdotukset DEE- ineaarise järjeselmä Harjoius 3, harjoiusenpiäjille arkoieu rakaisuehdoukse Ennen kuin mennään ämän harjoiuksen aihepiireihin, käydään läpi yksi huomionarvoinen juu Piirianalyysin juuri suorianee

Lisätiedot

4. Martingaalit ja lokaalit martingaalit

4. Martingaalit ja lokaalit martingaalit STOKASTISET DIFFERENTIAALIYHTÄLÖT 45 4. Martingaalit ja lokaalit martingaalit Lähestymme nyt jo kovaa vauhtia hetkeä, jolloin voimme aloittaa stokastisen integroinnin. Ennen sitä käymme vielä läpi yhtä

Lisätiedot

Kokonaishedelmällisyyden sekä hedelmällisyyden keski-iän vaihtelu Suomessa vuosina 1776 2005

Kokonaishedelmällisyyden sekä hedelmällisyyden keski-iän vaihtelu Suomessa vuosina 1776 2005 Kokonaishedelmällisyyden sekä hedelmällisyyden keski-iän vaihelu Suomessa vuosina 1776 2005 Heli Elina Haapalainen (157 095) 26.11.2007 Joensuun Yliopiso Maemaais- luonnonieeiden iedekuna Tieojenkäsielyieeen

Lisätiedot

IV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n

IV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n IV. TASAINEN SUPPENEMINEN IV.. Funktiojonon tasainen suppeneminen Olkoon A R joukko ja f n : A R funktio, n =, 2, 3,..., jolloin jokaisella x A muodostuu lukujono f x, f 2 x,.... Jos tämä jono suppenee

Lisätiedot

a) Esitä piirtämällä oheisen kaksoissymmetrisen ulokepalkkina toimivan kotelopalkin kaksi täysin erityyppistä plastista rajatilamekanismia (2p).

a) Esitä piirtämällä oheisen kaksoissymmetrisen ulokepalkkina toimivan kotelopalkin kaksi täysin erityyppistä plastista rajatilamekanismia (2p). LUT / Teräsrakenee/Timo Björk BK80A30: Teräsrakenee II: 9.9.016 Oheismaeriaalin käyö EI salliua, laskimen käyö on salliua, lausekkeia ehäväosion lopussa Vasaukse laadiaan ehäväpaperille, joka palaueava,

Lisätiedot

VÄRÄHTELYMEKANIIKKA SESSIO 18: Yhden vapausasteen pakkovärähtely, transienttikuormituksia

VÄRÄHTELYMEKANIIKKA SESSIO 18: Yhden vapausasteen pakkovärähtely, transienttikuormituksia 8/ VÄRÄHTELYMEKANIIKKA SESSIO 8: Yhen vapausaseen paovärähely, ransieniuormiusia JOHDANTO c m x () Kuva. Syseemi. Transieniuormiusella aroieaan uormiusheräeä, joa aiheuaa syseemiin lyhyaiaisen liieilan.

Lisätiedot

Luento 4. Fourier-muunnos

Luento 4. Fourier-muunnos Lueno 4 Erikoissignaalien Fourier-muunnokse Näyeenoo 4..6 Fourier-muunnos Fourier-muunnos Kääneismuunnos Diricle n edo Fourier muunuvalle energiasignaalille I: Signaali on iseisesi inegroiuva v ( d< II:

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

Konvoluution laskeminen vaihe vaiheelta Sivu 1/5

Konvoluution laskeminen vaihe vaiheelta Sivu 1/5 S-72. Signaali ja järjeselmä Laskuharjoiukse, syksy 28 Konvoluuion laskeminen vaihe vaiheela Sivu /5 Konvoluuion laskeminen vaihe vaiheela Konvoluuion avulla saadaan laskeua aika-alueessa järjeselmän lähösignaali,

Lisätiedot

Termiinikurssi tulevan spot-kurssin ennusteena

Termiinikurssi tulevan spot-kurssin ennusteena TAMPEREEN YLIOPISTO Talousieeiden laios Termiinikurssi ulevan spo-kurssin ennuseena Kansanalousiede Pro gradu-ukielma Talousieeiden laios Tampereen yliopiso 28.2.2006 Ville Kivelä 1 TIIVISTELMÄ Tampereen

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

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

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

MATEMATIIKAN JA TILASTOTIETEEN LAITOS

MATEMATIIKAN JA TILASTOTIETEEN LAITOS f ( n JYVÄSKYLÄN YLIOPISTO MATEMATIIKAN JA TILASTOTIETEEN LAITOS n Harjoitusten 8 ratkaisut Topologiset vektoriavaruudet 2010 8.1. Olkoon P n = {f : K K p on enintään asteen n 1 polynomi} varustettuna

Lisätiedot

Matematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus Malliratkaisut (Sauli Lindberg)

Matematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus Malliratkaisut (Sauli Lindberg) Matematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus 4 9.4.-23.4.200 Malliratkaisut (Sauli Lindberg). Näytä, että Lusinin lauseessa voidaan luopua oletuksesta m(a)

Lisätiedot

Ilmavirransäädin. Mitat

Ilmavirransäädin. Mitat Ilmairransäädin Mia (MF, MP, ON, MOD, KNX) Ød nom (MF-D, MP-D, ON-D, MOD-D, KNX-D) Tuoekuaus on ilmairasäädin pyöreälle kanaalle. Se koosuu sääöpellisä ja miaaasa oimilaieesa ja siä oidaan ohjaa huonesääimen

Lisätiedot

Tiedekunta/Osasto Fakultet/Sektion Faculty. Laitos/Institution Department. Matemaattis-luonnontieteellinen tiedekunta Tekijä/Författare Author

Tiedekunta/Osasto Fakultet/Sektion Faculty. Laitos/Institution Department. Matemaattis-luonnontieteellinen tiedekunta Tekijä/Författare Author Tiedekuna/Osaso Fakule/Sekion Faculy Maemaais-luonnonieeellinen iedekuna Tekijä/Förfaare Auhor Laios/Insiuion Deparmen Maemaiikan ja ilasoieeen laios Tommi Hyvärinen Työn nimi / Arbees iel Tile Burgersin

Lisätiedot

Lorentz-muunnos L(v) on operaatio, joka voidaan esittää myös matriisina

Lorentz-muunnos L(v) on operaatio, joka voidaan esittää myös matriisina Lorenz-muunnos L on operaaio, joka oidaan esiää myös mariisina L / / mariisi L muodosaa ryhmän: kaksi peräkkäisä Lorenz-muunnosa on myös Lorenz-muunnos, ja on olemassa myös kääneinen Lorenz- muunnos 3

Lisätiedot

Tekes tänään (ja huomenna?) Pekka Kahri Palvelujohtaja, Tekes Fortune seminaari 21.8.2013

Tekes tänään (ja huomenna?) Pekka Kahri Palvelujohtaja, Tekes Fortune seminaari 21.8.2013 Tekes änään (ja huomenna?) Pekka Kahri Palvelujohaja, Tekes Forune seminaari 21.8.2013 Rahoiamme sellaisen innovaaioiden kehiämisä, joka ähäävä kasvun ja uuden liikeoiminnan luomiseen Yriysen kehiysprojeki

Lisätiedot

Mittaustekniikan perusteet, piirianalyysin kertausta

Mittaustekniikan perusteet, piirianalyysin kertausta Miausekniikan perusee, piirianalyysin kerausa. Ohmin laki: =, ai = Z ( = ännie, = resisanssi, Z = impedanssi, = vira). Kompleksiluvu Kompleksilukua arviaan elekroniikassa analysoiaessa piireä, oka sisälävä

Lisätiedot

Määritelmä 2.5. Lause 2.6.

Määritelmä 2.5. Lause 2.6. Määritelmä 2.5. Olkoon X joukko ja F joukko funktioita f : X R. Joukkoa F sanotaan pisteittäin rajoitetuksi, jos jokaiselle x X on olemassa sellainen C x R, että f x C x jokaiselle f F. Joukkoa F sanotaan

Lisätiedot

6 Integraali ja derivaatta

6 Integraali ja derivaatta ANALYYSI B, HARJOITUSTEHTÄVIÄ, KEVÄT 9 6 Inegrli j deriv 6. Inegrli ylärjns funkion. Olkoon Määriä kun () [, ], (b) ], 3]., kun [, ],, kun ], 3]. f() d, [, 3],. Osoi, eä jos funkio f on Riemnn-inegroiuv

Lisätiedot

Reaalianalyysin perusteita

Reaalianalyysin perusteita Reaalianalyysin perusteita Heikki Orelma 16. marraskuuta 2008 Sisältö 1 Johdanto 3 2 Mitallisuus 3 3 Yksinkertaiset funktiot 6 4 Mitat ja integrointi 7 5 Kompleksisten funktioiden integrointi 10 6 Nolla-mittaisten

Lisätiedot

Suomen kalamarkkinoiden analyysi yhteisintegraatiomenetelmällä

Suomen kalamarkkinoiden analyysi yhteisintegraatiomenetelmällä KALA- JA RIISTARAPORTTEJA nro 374 Jukka Laiinen Jari Seälä Kaija Saarni Suomen kalamarkkinoiden analyysi yheisinegraaiomeneelmällä Helsinki 006 Julkaisija Riisa- ja kalaalouden ukimuslaios KUVAILULEHTI

Lisätiedot

Mat Johdatus stokastiikkaan: Todistuksia

Mat Johdatus stokastiikkaan: Todistuksia Mat-.36 Johdatus stokastiikkaan: Todistuksia Monotonista luokkaa koskeva lause Oletetaan, että Ω on ei-tyhjä joukko; G H 2 Ω ; jos A ja B G niin A B G; Ω H; jos A ja B H ja A B niin B \ A H; ja joko, että

Lisätiedot

FUNKTIONAALIANALYYSIN PERUSKURSSI 1. 0. Johdanto

FUNKTIONAALIANALYYSIN PERUSKURSSI 1. 0. Johdanto FUNKTIONAALIANALYYSIN PERUSKURSSI 1. Johdanto Funktionaalianalyysissa tutkitaan muun muassa ääretönulotteisten vektoriavaruuksien, ja erityisesti täydellisten normiavaruuksien eli Banach avaruuksien ominaisuuksia.

Lisätiedot

Luento 11. Stationaariset prosessit

Luento 11. Stationaariset prosessit Lueno Soasisen prosessin ehosperi Saunnaissignaalin suodaus 5..7 Saionaarise prosessi Auoorrelaaio φ * * (, ) ( ) ( ) ( ) ( ), { } { } jos prosessi on saionaarinen auoorrelaaio ei riipu ajasa vaan ainoasaan

Lisätiedot

KÄYTTÖOPAS. -järjestelmän sisäyksikkö HXHD125A8V1B

KÄYTTÖOPAS. -järjestelmän sisäyksikkö HXHD125A8V1B KÄYÖOPAS -järjeselmän sisäyksikkö SISÄLÖ 1. Määrielmä... 1 1.1. Merkkien ja varoiusen arkoiukse... 1 1.2. Käyeyjen ermien merkiys... 1 2. Yleise varooime... 2 3. Johdano... 2 3.1. Yleisä... 2 3.2. ämän

Lisätiedot

KÄYTTÖOPAS. Ilma vesilämpöpumppujärjestelmän sisäyksikkö ja lisävarusteet RECAIR OY EKHBRD011ADV1 EKHBRD014ADV1 EKHBRD016ADV1

KÄYTTÖOPAS. Ilma vesilämpöpumppujärjestelmän sisäyksikkö ja lisävarusteet RECAIR OY EKHBRD011ADV1 EKHBRD014ADV1 EKHBRD016ADV1 EKHBRD011ADV1 EKHBRD014ADV1 EKHBRD016ADV1 EKHBRD011ADY1 EKHBRD014ADY1 EKHBRD016ADY1 KÄYÖOPAS Ilma vesilämpöpumppujärjeselmän sisäyksikkö ja lisävarusee EKHBRD011ADV1+Y1 EKHBRD014ADV1+Y1 EKHBRD016ADV1+Y1

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

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

= X s + IE[X t X s ] = 0, s ja sitä, että ehdollinen odotusarvo on tavallinen odotusarvo silloin, kun satunnaismuuttuja 44 E. VALKEILA 6. Geometrinen Brownin liike 6.1. Brownin liike ja Iton kaava. Tavoitteena on mallintaa osakkeen tuottoa jatkuvassa ajassa. Jos (S t ) t T on osakkeen hintaprosessi, niin tuotolla tarkoitetaan

Lisätiedot

Silloin voidaan suoraan kirjoittaa spektrin yhtälö käyttämällä hyväksi suorakulmaisen pulssin Fouriermuunnosta sekä viiveen vaikutusta: ( ) (

Silloin voidaan suoraan kirjoittaa spektrin yhtälö käyttämällä hyväksi suorakulmaisen pulssin Fouriermuunnosta sekä viiveen vaikutusta: ( ) ( TT/TV Inegraalimuunnokse Fourier-muunnos, ehäviä : Vasauksia Meropolia/. Koivumäki v(. Määriä oheisen signaalin Fourier-muunnos. Vinkki: Superposiio, viive. Voidaan sovelaa superposiioperiaaea, koska signaalin

Lisätiedot

VATT-KESKUSTELUALOITTEITA VATT DISCUSSION PAPERS. JULKISEN TALOUDEN PITKÄN AIKAVÄLIN LASKENTAMALLIT Katsaus kirjallisuuteen

VATT-KESKUSTELUALOITTEITA VATT DISCUSSION PAPERS. JULKISEN TALOUDEN PITKÄN AIKAVÄLIN LASKENTAMALLIT Katsaus kirjallisuuteen VATT-KESKUSTELUALOITTEITA VATT DISCUSSION PAPERS 445 JULKISEN TALOUDEN PITKÄN AIKAVÄLIN LASKENTAMALLIT Kasaus kirjallisuueen Juho Kosiainen Valion aloudellinen ukimuskeskus Governmen Insiue for Economic

Lisätiedot

Tuotannon suhdannekuvaajan menetelmäkuvaus

Tuotannon suhdannekuvaajan menetelmäkuvaus 1(15) Tuoannon suhdannekuvaajan meneelmäkuvaus Luku 1 Luku 2 Luku 3 Luku 4 Tuoannon suhdannekuvaajan yleiskuvaus Tuoannon suhdannekuvaajan julkaisuaikaaulu, revisoinikäyännö ja jakelu Tuoannon suhdannekuvaajan

Lisätiedot

Kojemeteorologia. Sami Haapanala syksy Fysiikan laitos, Ilmakehätieteiden osasto

Kojemeteorologia. Sami Haapanala syksy Fysiikan laitos, Ilmakehätieteiden osasto Kojemeeorologia Sami Haapaala syksy 03 Fysiika laios, Ilmakehäieeide osaso Mialaieide dyaamise omiaisuude Dyaamise uusluvu määriävä mie mialaie käyäyyy syöeide muuuessa Apua käyeää differeiaaliyhälöiä,

Lisätiedot

Täydellisyysaksiooman kertaus

Täydellisyysaksiooman kertaus Täydellisyysaksiooman kertaus Luku M R on joukon A R yläraja, jos a M kaikille a A. Luku M R on joukon A R alaraja, jos a M kaikille a A. A on ylhäältä (vast. alhaalta) rajoitettu, jos sillä on jokin yläraja

Lisätiedot

Robusti tilastollinen päättely ensimmäisen ja toisen ehdollisen momentin mallintamisessa

Robusti tilastollinen päättely ensimmäisen ja toisen ehdollisen momentin mallintamisessa Robusi ilasollinen pääely ensimmäisen ja oisen ehdollisen momenin mallinamisessa ilasoieeen pro gradu ukielma Jarmo Mika Rafael Mikkola Marraskuu SISÄLLYS JOHDANO EORIAA. Robusi kvasiuskoavuusesimoinimeneelmä.

Lisätiedot

MÄNTTÄ-VILPPULAN KAUPUNKI. Mustalahden asemakaava Liikenneselvitys. Työ: E23641. Tampere 18.5.2010

MÄNTTÄ-VILPPULAN KAUPUNKI. Mustalahden asemakaava Liikenneselvitys. Työ: E23641. Tampere 18.5.2010 MÄNÄ-VLPPULAN KAUPUNK Musalahden asemakaava Liikenneselviys yö: E ampere 8..00 ARX Ympärisö Oy PL 0 ampere Puhelin 00 000 elefax 00 00 www.airix.fi oimiso: urku, ampere, Espoo ja Oulu Mänä-Vilppulan kaupunki,

Lisätiedot

Tilastomatematiikka Kevät 2008

Tilastomatematiikka Kevät 2008 Tilastomatematiikka Kevät 2008 Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastomatematiikka p.1/19 4.3 Varianssi Satunnaismuuttuja on neliöintegroituva, jos odotusarvo

Lisätiedot

b) Esitä kilpaileva myötöviivamekanismi a-kohdassa esittämällesi mekanismille ja vertaile näillä mekanismeilla määritettyjä kuormitettavuuksia (2p)

b) Esitä kilpaileva myötöviivamekanismi a-kohdassa esittämällesi mekanismille ja vertaile näillä mekanismeilla määritettyjä kuormitettavuuksia (2p) LUT / Teräsrakenee/Timo Björk BK80A30: Teräsrakenee II:.5.016 Oheismaeriaalin käyö EI salliua, laskimen käyö on salliua, lausekkeia ehäväosion lopussa Vasaukse laadiaan ehäväpaperille, joka palaueava,

Lisätiedot

Kuntaeläkkeiden rahoitus ja kunnalliset palvelut

Kuntaeläkkeiden rahoitus ja kunnalliset palvelut Kunaeläkkeiden rahoius ja kunnallise palvelu I LA Rapori LA Repors 30.1.2013 No 4 Kunaeläkkeiden rahoius ja kunnallise palvelu Jukka Lassila * Niku Määänen ** armo Valkonen *** * LA linkeinoelämän ukimuslaios,

Lisätiedot

a) Ortogonaalinen, koska kantafunktioiden energia 1

a) Ortogonaalinen, koska kantafunktioiden energia 1 S-7.060 Signaali ja järjeselmä Teni 14.5.001 1. Vasaa lyhyesi seuraaviin saehäviin, käyä arviaessa kuvaa. a) Mikä minaisuuksisa rgnaalinen ja rnrmaalinen kuvaa paremmin Furier-sarjaa ja miksi? b) Esiä

Lisätiedot

Analyysi III. Jari Taskinen. 28. syyskuuta Luku 1

Analyysi III. Jari Taskinen. 28. syyskuuta Luku 1 Analyysi III Jari Taskinen 28. syyskuuta 2002 Luku Sisältö Sarjat 2. Lukujonoista........................... 2.2 Rekursiivisesti määritellyt lukujonot.............. 8.3 Sarja ja sen suppenminen....................

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

=p(x) + p(y), joten ehto (N1) on voimassa. Jos lisäksi λ on skalaari, niin

=p(x) + p(y), joten ehto (N1) on voimassa. Jos lisäksi λ on skalaari, niin FUNKTIONAALIANALYYSI, RATKAISUT 1 KEVÄT 211, (AP) 1. Ovatko seuraavat reaaliarvoiset funktiot p : R 3 R normeja? Ovatko ne seminormeja? ( x = (x 1, x 2, x 3 ) R 3 ) a) p(x) := x 2 1 + x 2 2 + x 2 3, b)

Lisätiedot

11 Raja-arvolauseita ja approksimaatioita

11 Raja-arvolauseita ja approksimaatioita 11 Raja-arvolauseita ja approksimaatioita Tässä luvussa esitellään sellaisia kuuluisia todennäköisyysteorian raja-arvolauseita, joita sovelletaan usein tilastollisessa päättelyssä. Näiden raja-arvolauseiden

Lisätiedot