) + T (r + ) + T (r. ) Ke rt Φ( log( s σ2. (1.1) sφ( log( s σ2 2 E. VALKEILA 2 )

Koko: px
Aloita esitys sivulta:

Download ") + T (r + ) + T (r. ) Ke rt Φ( log( s σ2. (1.1) sφ( log( s σ2 2 E. VALKEILA 2 )"

Transkriptio

1 2 E. VALKEILA 1. Johdanto 1.1. Käytännöt. Kurssin kotisivu löytyy osoitteesta Kurssi suoritetaan kahdella välikokeella; luennot ja seuraavan viikon harjoitustehtävät ovat kurssin kotisivulla yleensä torstaisin. Välikokeisiin ilmoittaudutaan topin avulla. Kurssiin liittyvää tiedotusta varten perustetaan sähköpostilista. Kurssin loputtua pyritään järjestämään ekskursio Rahoitusteorian synty. Rahoitusteorian tavoitteena on selvittää, kuinka rahoitusmarkkinat toimivat, kuinka ne saadaan tehokkaammiksi ja kuinka niitä pitää valvoa. Kansainväliset rahoitusmarkkinat vaikuttavat jokaisen ihmisen elämään: lainoista maksettavan koron suuruus määrätään markkinoilla, valuuttakurssit määräytyvät markkinoilla... Selvää on, että markkinataloutta myös kritisoidaan 1. Nykyään rahoitusteoria on hyvin pitkälle matematisoitunut teoria ja keskeiset matemaattiset menetelmät perustuvat stokastiikkaan: todennäköisyysteroiaan, stokastisiin prosesseihin ja tilastotieteeseen. Rahoitusteorian katsotaan alkaneen Markowitzin vuonna 1952 ilmestyneestä väitöskirjasta Portfolio Selection; hän analysoi sijoitussalkkua laskemalla sen keskimääräisen tuoton ja varianssin. Keskeisiä tuloksia oli se, että salkuista, joiden keskimääräinen tuotto on vakio tulisi valita se salkku, millä on pienin varianssi. Vuonna 1969 Merton ryhtyi soveltamaan stokastista analyysiä rahoitusteoriassa. Mertonin tavoitteena oli ymmärtää sitä, kuinka hinnat määräytyvät rahoitusmarkkinoilla. Samaan aikaan Black ja Scholes kehittivät, osittain Mertonin avustuksella, tunnetun hinnoittelukaavan optioille. Kun tähän asti oli päästy, havaittiin, että jo Bachelier käytti Brownin liikettä mallintaessaan Pariisin pörssin osakkeiden hintoja vuona 1900 ilmestyneessä väitöskirjassaan. Vuosina Harrison, Kreps ja Pliska käyttivät stokastisen prosessien yleistä teoriaa ja perustelivat Black&Scholes- hinnoittelukaavan täsmällisesti. Samalla he kehittivät menetelmiä, joiden avulla voidaan, ainakin periaatteessa, hinnoitella mutkikkaitakin optiosopimuksia. Eurooppalaisen option hinnoittelukaava. Oletetaan, että optiosopimuksen eräpäivään on aikaa T päivää, option toimitushinta on K, option hinta tällä hetkellä on s. Option tuotto eräpäivänä on S T K, jos osakkeen arvo S T eräpäivänä on suurempi kuin option tomitushinta K, muutoin option on arvoton. Talletuskorko on r; tällöin siis yhden euron talletuksen arvo eräpäivänä on e rt. Osakkeen volatiliteetti on σ; tämä tarkoittaa sitä, että osakkeen arvon logaritmin varianssi Var(log S T ) = σ 2 T. Black & Scholes hinnoittelukaavaa laskettaessa oletetaan vielä, että satunnaismuuttuja log(s T ) on normaalisti jakautunut odotusarvona µ ja varianssina σ 2. Option hinta lasketaan kaavalla (1.1) sφ( log( s σ2 K ) + T (r + σ T 2 ) ) Ke rt Φ( log( s σ2 K ) + T (r σ T 1 D. Henwood Wall st,verso 1997 on yksi kritiikki, uudempiakin varmaan löytyy. 2 ) );

2 kaavassa Φ on normaalijakauman kertymäfunktio: x 1 Φ(x) = e 1 2 y2 dy. 2π RAHOITUSTEORIA 3 Kaavassa kiinnittyy huomio siihen, että hinta ei riipu lainkaan parametrista µ! Kaava (1.1) johdetaan kurssin lopussa Esitiedot. Kuten stokastiikassa on tapana ajatella, niin meillä on todennäköisyysavaruus (Ω, F, IP) ja sillä määriteltyjä satunnaismuuttujia X. Satunnaismuuttujan X odotusarvoa merkitään merkinällä IEX ja varianssia merkinnällä Var(X). Kurssin alussa tarvitaan seuraavia tietoja: Olkoot X k riippumattomia ja samoin jakautuneita satunnaismuuttujia, k = 1,..., N, IP(X k = 1) = p = 1 IP(X k = 0) ja n (1.2) Y n = X k. k=1 Tällöin Y n Bin(n, p) kaikilla n = 1,..., N. IE[Y n+1 Y 1,..., Y n ] = Y n + p. Havaitaan, että IE[Y n+1 Y 1,..., Y n ] = IE[Y n+1 X 1,..., X n ] =: IE[Y n+1 F n ]; tässä F n on satunnaismuuttujien X 1,..., X n (tai satunnaismuuttujien Y 1,..., Y n ) virittämä historia 2. Selvästi F n F n+1 : tämä seuraa siitä, että mikä tahansa satunnaismuuttujia (X 1,..., X n ) koskeva tapahtuma voidaan tulkita sellaiseksi satunnaismuuttujia (X 1,..., X n, X n+1 ) koskevaksi tapahtumaksi, missä satunnaismuuttujalle X n+1 ei anneta mitään lisäehtoja. Joskus on mukavampaa tarkastella prosessin Y n asemasta prosessia Ỹn := 2Y n n; havaitaan, että prosessi Ỹn voidaan kirjoittaa satunnaismuuttujien X k, IP( X k = 1) = p = 1 IP( X k = 1) summana Ỹn = n X k=1 k. Prosessia Ỹ = (Ỹk) k=1,...,n sanotaan satunnaiskuluksi; jos p = 1 2, niin satunnaiskulkua sanotaan symmetriseksi. Seuraava päättely on tyypillinen jatkossa. Lause 1.1. Olkoon Y = (Y k ) 1 k N kuten yhtälössä (1.2) ja olkoon f jokin funktio. Tällöin ( ) k (1.3) IE[f(Y n+k ) F n ] = f(y n + l) p l (1 p) k l l Todistus Otetaan käyttöön merkintä Y n,k := Y n+k Y n. Tiedetään, että f(y n+k ) = f(y n + l)i { Yn,k =l}. Käyttämällä tietoa, että tapahtuma { Y n,k = l} on riippumaton historiasta F n (toisin sanoen kaikista mahdollisista tapahtumista A F n ), Y n,k 2 Kirjallisuudessa merkitään usein Fn = σ(x 1,..., X n) ja sanotaan, että F n on satunnaismuuttujien X 1,..., X n virittämä σ- algebra.

3 4 E. VALKEILA Bin(k, p), ja sitä, että funktion f arvo pisteessä f(y n + l) tunnetaan, kun Y n tunnetaan, saadaan E[f(Y n+k ) F n ] = = = = IE[f(Y n + l)i { Yn,k =l} F n ] f(y n + l)ie[i { Yn,k =l} F n ] n k f(y n + l)ip( Y n,k = l) ( ) k f(y n + l) p l (1 p) k l. l Otetaan käyttöön merkintä g(x, k) := IEf(x+ Y n,k ). Havaitaan, että lauseen 1.1 tulos voidaan kirjoittaa muodossa (1.4) IE[f(Y n+k ) F n ] = g(y n, k); lause 1.1 on siis eräänlainen Feyman-Kac- lauseen muunnelma tässä yksinkertaisessa tilanteessa. 2. Hinnoittelumalli 2.1. Osake ja obligaatio. Rahoitusteorian hinnoittelumallissa ajatellaan olevan kahdenlaista varallisuutta: riskitöntä ja riskillistä. Riskitöntä varallisuutta sanotaan obligaatioksi (toinen mahdollinen termi tässä yhteydesä on talletus tai pankkitalletus). Jatkossa obligaatiota merkitään merkinnällä B. Sovitaan, että obligaation arvo hetkellä t = 0 on B 0 = 1. Obligaation arvo hetkellä t on B t (sovitaan, että arvo ilmoitetaan euroissa). Riskillistä varallisuutta sanotaan osakkeeksi; osakkeita on yleensä useita. Osakkeelle käytetään merkintää S; osakkeen arvo hetkellä t = 0 on S 0 euroa ja hetkellä t se on S t euroa. Mikäli osakkeita on useita, niin kyseessä on vektori S = (S 1,..., S d ). Jatkossa käsitellään pääasiassa yhtä osaketta ja obligaatiota. Obligaation arvo tulevaisuudessa on tunnettu, osakkeen arvo puolestaan ei ole. Tämän vuoksi osakkeen arvon S ajatellaan olevan satunnaismuuttuja, joka on määritelty todennäköisyysavaruudella (Ω, F, IP) Hinnoittelumallin säännöt. Hinnoittelumallissa on voimassa seuraavat säännöt. Kaikilla toimijoilla 3 on sama tieto osakkeen hinnasta. Obligaation talletuskorko on sama kuin lainauskorko. Osakkeen osto- ja myyntihinta on sama. Osakeita voi ostaa paloissa [tai ostaa velaksi = myydä lyhyeksi]. 3 agent

4 RAHOITUSTEORIA 5 Muutama kommentti oletuksista lienee paikallaan. Se, että kaikilla toimijoilla on sama informaatio markkinoilla on ainakin usein tavoitteena 4. Se että pankista saa velaksi rahaa samalla korolla kuin talletuksesta maksetaan koskee lähinnä suuria toimijoita. Osakkeen ostohinta on usein suurempi kuin myyntihinta, joten tämä oletus on epärealistinen. Rahaa voi panna pankkiin paloissa (ainakin yhden sentin kokoisissa paloissa), osakkeita ei kuitenkaan voi ostaa paloissa. Tätä sääntöä ei kuitenkaan pidetä yhtä epärealistsena kuin edellistä, pääasiassa siksi, että osakkeita ostetaan usein suuria määriä Salkku ja arbitraasi Yhden askeleen malli. Oletetaan että aika on diskreetti: hetki t = 0 on alkutilanne ja toimijat voivat ostaa ja myydä osakkeita sekä tehdä talletuksia tai ottaa velkaa hetkillä t = 0, missä k = 0, 1,..., T ; ajankohta T = N on erikoisasemassa, sitä sanotaan eräpäiväksi. Oletetaan seuraavassa, että T = 1. Tämä on yhden askeleen hinnoittelumalli. Jokainen toimija voi halutessaan sijoittaa varallisuutensa osakkeeseen tai obligaatioon. Merkitään toimijan varallisuutta merkinnällä V. Oletetaan, että toimijan alkupääoma on V 0 = v. Hetkellä t = 0 hän voi joko tehdä talletuksen tai ostaa (murto-osissa) osakkeen. Olkoon hetkellä t = 0 ostettujen osakkeiden määrä γ 1 ja talletuksen määrä β 1. Tehdään seuraavat oletukset: obligaation arvo hetkellä t = T = 1 on (1 + r)b 0 = 1 + r ja että osakkeen arvo hetkellä t = T = 1 on S 1. Vakio r on korko. Edelleen, hetkellä t = 0, toimija K. sijoittaa alkupääomansa obligaatioon ja osakkeeseen. Symbolisesti, alkupääoma V 0 = v sijoitetaan seuraavasti: v = β 1 + γ 1 S 0. Paria Γ = (β, γ) sanotaan sijoitusstrategiaksi ja paria (Γ, v) salkuksi. Jos β 1 > 0, niin rahaa talletetaan pankkiin, jos β 1 < 0, niin rahaa otetaan velaksi. Jos γ 1 > 0, niin ostetaan osakkeita kertoimen γ 1 verran, jos γ 1 < 0, niin osaketta myydään lyhyeksi kertoimen γ 1 verran. Hetkellä t = T = 1 salkun (Γ, v) arvo V1 Γ on V Γ 1 = β 1 (1 + r) + γ 1 S 1. Koska S 1 on satunnaismuuttuja, niin myös V Γ 1 on sitä. Esimerkki 2.1 (Lyhyeksimyynti). Herra K. on saanut tädiltään euroa. Herra K. myy lyhyeksi Nokian osaketta 400 kappaletta. Osakkeen hinta S 0 on 100 euroa. Saamansa rahat herra K. panee pankkin. Salkku Γ on siis β 1 = = ja γ 1 = 400. Laskujen helpottamiseksi oletetaan, että r = 0. Nokian osakkeen hinta on satunnaismuuttuja S 1. Jos S 1 = 80, niin salkun arvo on = euroa. Herra K. voittaa siis tässä tapauksessa euroa. Jos osakkeen hinta nousee, esimerkiksi arvoon S 1 = 120, niin saman salkun arvo hetkellä t = 1 = 2.000, joten tappio on euroa. V Γ 1 4 Mikäli ehditään, niin tarkoitus on lyhyesti esitellä mitä tapahtuu, kun tästä oletuksesta luovutaan.

5 6 E. VALKEILA Määritelmä 2.1. Yhden askeleen hinnoittelumalli mahdollistaa arbitraasin, jos alkupääomalla v = 0 on olemassa salkku (Γ, 0) siten, että V1 Γ 0 ja IP(V1 Γ > 0) > 0. Sanotaan, että salkku (Γ, v) on arbitraasisalkku. Määritelmä 2.2. Yhden askeleen hinnoittelumalli (B, S) on arbitraasivapaa, jos siinä ei ole arbitraasisalkkuja. Hinnoittelumallin arbitraasivapaus on rahoitusteoriassa lähes aksiomaattinen käsite. Taustalla on se ajatus, että mikäli jossain tilanteessa markkinoilla olisi mahdollista tehdä arbitraasia, niin kaikki ryhtyisivät sitä tekemään, josta puolestaan seuraisi hintojen muutos siten, että arbitraasin tekeminen ei enää olisi mahdollista Omavaraisuus ja arbitraasivapaus. Tarkastellaan seuraavaksi diskreettiaikaista mallia. Oletetaan, että B t = (1 + r) t, kun t = 0, 1,..., N. Merkitään S t := S t S t 1, kun t = 1,..., N (vastaavasti B t ja Vt Γ ). Tarkastellaan seuraavaksi sijoittamisen sääntöjä diskreettiaikaisessa mallissa. Hetkellä t = 0 on käytössä alkupääoma v, joka voidaan sijoittaa joko obligaatioon tai osakkeeseen. Kertoimet β 1 ja γ 1 valitaan, ainoana rajoituksena ehto v = β 1 + γ 1 S 0 ; hetkellä t = 1 tiedetään osakkeen hinta S 1. Salkun V Γ arvo on nyt V Γ 1 = β 1(1 + r) + γ 1 S 1. Nyt on sallittua vaihtaa strategiaa ja valita β 2 ja γ 2 siten, että V Γ 1 = β 2 (1 + r) + γ 2 S 2. Jatketaan samalla tavalla: Oletetaan, että hetkellä t 1 on valittu strategia (β t, γ t ) ja kun osakkeen hinta S t on havaittu, niin strategia voidaan vaihtaa toiseksi seuraavan omavaraisuusehdon puitteissa: (2.1) Vt Γ = β t (1 + r) t + γ t S t = β t+1 (1 + r) t + γ t+1 S t. Harjoitustehtäväksi jää osoittaa, että omavaraisuusehto (2.1) on yhtäpitävä ehdon (2.2) V Γ t = v + t β k B k + k=1 t γ k S k kanssa. Muutama huomautus on nyt paikallaan. Strategia Γ on nyt stokastinen prosessi, Γ = (β t, γ t ) 1 t N. Omavaraisuusehdosta (2.1) seuraa, että kertoimet β t, γ t valitaan ennen kuin tiedetään osakkeen arvo hetkellä t! Toisaalta kertoimet β t ja γ t voidaan valita käyttäen kaikkia havaittuja osakkeen hintoja S 0, S 1,..., S t 1. Merkitään nyt osakkeen historiaa merkinnällä F t : F t = σ(s 1,..., S t ). Se, että kertoimet β t ja γ t voidaan valita käyttäen hintoja S 1,..., S t 1 tarkoitaa täsmällisemmin sitä, että β t ja γ t ovat mitallisia historian F t 1 suhteen. Tällaista mitallisuutta sanotaan yleisesti ennustettavuudeksi historian IF = (F t ) 0 t N suhteen. Määritelmä 2.3. Tarkastellaan diskreettiaikaista hinnoittelumallia (B, S) = (B t, S t ) 0 t N. Omavarainen strategia Γ alkupääomalla v = 0 on arbitraasistrategia, jos VN Γ 0 ja IP(V N Γ > 0) > 0. k=1

6 RAHOITUSTEORIA 7 Määritelmä 2.4. Diskreettiaikainen hinnoitelumalli on arbitraasivapaa, jos siinä ei ole arbitraasisalkkuja (Γ, 0). Luvussa 4 palataan arbitraasivapaiden hinnoitttelumallien karakterisointiin. 3. Binomipuu ja eurooppalaiset vaateet 3.1. Hinnoittelu ja suojaus yhden askeleen mallissa. Hinnoittelumalli. Tarkastellaan yhden askeleen mallia. Hetkellä N = 1 osakkeen hinta S 1 voi olla joko laskenut, S 1 = (1 + a)s 0, tai noussut S 1 = (1 + y)s 0. Tuntematonta on siis huominen arvo, tunnettua puolestaan on se, että osakkeen arvo on joko (1 + a)s 0 tai (1 + y)s 0. Talletuksen arvo taas kasvaa kiinteätä korkoa ja sen arvo huomenna on B 1 = (1 + r)b 0 = 1 + r. Kun korko r tunnetaan, tiedetään myös talletuksen arvo huomenna. Hinnoittelumallissa tehdään sopimuksia osakkeeseen liittyen. Esimerkkinä tarkastellaan eurooppalaista osto-optiota, missä sopimuksen ostajalla on oikeus ostaa osake huomenna tiettyyn kiinteään hintaan K. Sopimuksen myyjä/kirjoittaja puolestaan on velvollinen myymään osakkeen hintaan K. Myyjän kannalta tilanne on seuraava: a: Jos S 1 < K, niin sopimus on sen haltijalle arvoton, koska osakkeen hinta on sovittua hintaa K pienempi. Myyjän tappio hetkellä T = N = 1 on siis = 0. y: Jos S 1 > K, niin sopimuksen arvo on S 1 K, ja haltijan kannattaa ostaa osake hinnalla K ja myydä se välittömästi hinnalla S 1. Taskuun jää rahaa S 1 K markkaa, joka on myös myyjän tappio. Kaavana myyjän tappio tai vaade on f(s 1 ) =. max(s 1 K, 0). Mikä on option arvo? Tunnettuja ovat osakken hinta S 0, (lyhyt) korko r ja osakkeen mahdolliset arvot huomenna. Osakkeen arvon kasvusta, lyhyestä korosta r ja toimeenpanohinnasta K oletetaan (3.1) a < r < y ja (1 + a)s 0 < K < (1 + y)s 0. Vakio a on yleensä negatiivinen: a < 0. Ehdot (3.1) liittyvät siihen, että hinnoittelumalli (B, S) on arbitraasivapaa (tästä lisää harjoituksissa). Suojaushinta. Eurooppalaisen osto-option arvo määrätään hakemalla ns. suojaus. Haetaan strategia (β 1, γ 1 ) siten, että varallisuus hetkellä t = 1 on yhtä suuri kuin mahdollinen tappio: V 1 = β 1 B 1 + γ 1 S 1 = max(s 1 K, 0). Kun muistetaan, että B 0 = 1, saadaan yhtälöryhmä (3.2) β 1 (1 + r) + γ 1 S 0 (1 + a) = 0 β 1 (1 + r) + γ 1 S 0 (1 + y) = (1 + y)s 0 K. Yhtälöryhmässä (3.2) on kaksi tuntematonta β 1 ja γ 1 ja kaksi yhtälöä. Oletuksesta (3.1) seuraa, että ratkaisuksi saadaan β 1 = (1 + a) ((1 + y) S 0 K) (y a) (1 + r) ja γ 1 = (1 + y) S 0 K (y a) S 0.

7 8 E. VALKEILA Se alkupääoma v, millä suojaus on mahdollista, saadaan kaavasta v = β 1 B 0 + γ 1 S 0 : (3.3) v = ((1 + y) S 0 K) (r a). (y a) (1 + r) Jos option myyjä asettaa hinnaksi alkupääoman v yhtälöstä (3.3), niin hän ei kärsi tappiota hetkellä t = N = 1. Toisaalta ostaja tietää, että myyjä ei myöskään saa ylimääräistä voittoa tällä hinnalla! Näin määriteltyä hintaa sanotaankin tasapuoliseksi hinnaksi tai suojaushinnaksi.. Oletus siitä, että osakkeen hinta voi hetkellä t = 1 saada kaksi eri arvoa on puolestaan aivan oleellinen yllä esitetylle suojauksen konstruoinnille. Siitä seuraa, että kaikki sopimukset ovat suojattavissa tällöin sanotaan että markkinamalli on täydellinen. Mikäli hinta voisi muuttua kolmeen (tai useampaan ) eri arvoon, niin yhtälöryhmällä (3.2) ei enää ole yksikäsitteistä ratkaisua ja suojausta ei enää voi konstruoida. Saadaan esimerkki epätäydellisestä markkinamallista, missä tasapuolista hintaa ei yleensä ole. Esimerkki 3.1 (Valuuttasuojaus). Telakka solmii sopimuksen, jonka mukaan laivasta maksetaan vuoden 2007 alussa miljoona dollaria. Oletetaan, että dollarin kurssi vuoden 2005 alussa on yksi euro. Oletetaan, että dollarin kurssi voi vuoden 2007 alussa voi olla joko 0.80 euroa tai 1.20 euroa ja että korko kahden vuoden aikana on kaksi prosenttia. Telakka haluaa tehdä sopimuksen, jonka perusteella se saa ostaa miljoonalla dollarilla euroja hintaan yksi dollari eurosta. Tavoitteena on suojautua dollarin hinnan putoamista vastaan. Lasketaan kaavan (3.3) perusteella suojaussopimuksen hinta yhdelle dollarille. Ratkaistaan ensin vakiot y ja a: (1+y)1 = 1.20 mistä vakion y arvoksi saadaan 0.20 ja vakion a arvoksi vastaavsti Korko r on = Tarkastelujakso on siis kaksi vuotta. Kaavasta (3.3) saadaan nyt sopimuksen hinnaksi (1.2 1)( ) = Miljoonan dollarin suojaaminen maksaa siis noin euroa. Verrataan tilannetta siihen, että suojausta ei tehdä: jos dollarin hinta nousee, saadaan voittoa euroa, jos putoaa, niin tappiota tulee saman verran. Jos suojaus tehdään, niin voittoa tulee noin euroa ja tappiota tulee sopmuksen hinnan verran eli noin euroa. Etuna on tietenkin se, että kahden vuoden kuluttua ei enää ole mitään riskiä ja telakka voi suunnitella toimintaansa varmana siitä, että dollarin kurssin heilahtelu ei aiheuta uusia lisäkuluja. Todennäköisyystulkinta. Olkoon ρ satunnaismuuttuja, joka saa arvon y todennäköisyydellä p, ja arvon a todennäköisyydellä 1 p ja X satunnaismuuttuja, joka saa arvon 1, jos ρ = y ja arvon 0, jos ρ = a. Tällöin (3.4) S 1 = (1 + ρ)s 0 = (1 + y) X (1 + a) 1 X S 0 ; satunnaismuuttuja ρ on siis satunnainen korko. Vaihdetaan nyt todennäköisyys p todennäköisyydeksi q siten, että (3.5) E Q S 1 = S 0 (1 + r),

8 RAHOITUSTEORIA 9 missä Q on todennäköisyysmitta, jolle Q(ρ = y) = Q(X = 1) = q. Yhtälön (3.5) avulla saadaan yhtälö S 0 (1 + y)q + S 0 (1 + a)(1 q) = S 0 (1 + r) jonka ratkaisu on q = r a y a. Saatua todennäköisyyttä q sanotaan riskineutraaliksi todennäköisyydeksi. Todennäköisyyden q suhteen laskettu osakkeen keskimääräinen tuotto on sama kuin talletuksen. Osoitetaan lopuksi, että option myyjän diskontattu tappio on sama kuin käsiteltävän option tasapuolinen hinta: (1 + r) 1 E Q (max(s 1 K, 0)) = ((1 + y) S 0 K) (r a). (y a) (1 + r) Tämä seuraa siitä, että E Q (max(s 1 K, 0)) = q((1 + y)s 0 K) = r a y a ((1 + y)s 0 K) Binomipuu Diskreetti stokastinen analyysi. Merkintöjä, osittaisintegrointi. Olkoon a = (a k ) n k=0 lukujono ja olkoon a k = a k a k 1, missä 1 k n. Seuraava lause on diskreetin ajan vastine stokastisen analyysin osittaisintegroitikaavalle. Tulos perustuu Abelin summakaavaan. Lause 3.1. Olkoot a ja b lukujonoja, a = (a k ) n k=0 ja b = (b k) n k=0. Jos k n, niin (3.6) a k b k = a 0 b 0 + l k a l 1 b l + l k b l 1 a l + l k a l b l. Todistus Koska jokainen lukujonon termi voidaan kirjoittaa teleskooppisummana aikaisemmista termeistä: a k = a 0 + l k a k, niin riittää osoittaa, että missä. ( (ab)) k = ak b k a k 1 b k 1 = u k, u k = a 0 b 0 + a l 1 b l + b l 1 a l + a l b l. l k l k l k Nyt u k = a k 1 b k + b k 1 a k + a k b k = a k b k a k 1 b k 1, mistä väite seuraa. Merkintä: [a, b] k = l k a l b l. Seuraus 3.1. Osittaisintegrointikaava (3.6) voidaan kirjoittaa myös muodossa (3.7) a n b n = a 0 b 0 + l n a l b l + l n b l 1 a l.

9 10 E. VALKEILA Stokastinen eksponentti. Olkoon a lukujono, jolle a 0 = 0. tarkastellaan lineaarista differenssiyhtälöä (3.8) x k = x k 1 a k, x 0 = 1. Lause 3.2. Yhtälön (3.8) yksikäsitteinen ratkaisu on (3.9) E(a) k = l k(1 + a l ). Todistus Induktiolla: kun k = 0 niin väite on selvä. Oletetaan, että lauseke (3.9) on yhtälön (3.8) yksikäsitteinen ratkaisu, kun l k. Riittää näyttää, että E(a) k+1 = E(a) k a k+1. Nyt E(a) k+1 = l k+1(1 + a l ) (1 + a l ) l k = l k(1 + a l ) a k+1. Siis lauseke E(a) on yhtälön (3.8) yksikäsitteinen ratkaisu kun l = 0,..., k+1 ja väite on todistettu. Seuraava on nyt ilmeinen: Huomautus 3.1. Olkoon a 0 = 0 ja tarkastellaan jonon a ajamaa differenssiyhtälöä: y k = y k 1 a k alkuarvona y 0 = y. Tämän yhtälön yksikäsitteinen ratkaisu on y k = ye(a) k. Lause 3.3 (Yor). Kahdelle lukujonolle a, b, a 0 = b 0 = 0 pätee (3.10) E(a)E(b) = E(a + b + [a, b]). Todistus Olkoon u =. E(a) ja w =. E(b). Osittaisintegrointikaavalla (3.6) saadaan (uw) k = u k 1 w k + w k 1 u k + u k w k. Mutta u k = u k 1 a k ja w k = w k 1 b k ; käyttämällä näitä havaintoja saadaan (uw) k = u k 1 w k 1 ( a k + b k + a k b k ). Lauseen 3.2 nojalla kaava (3.10) pätee. Esimerkki 3.2 (Vaihtuvakorkoinen pankkitalletus). Oletetaan, että korko r i on vakio aikavälillä [i 1, i), missä i = 1,..., n. Talletetaan 1 EUR pankkiin. Pankissa on rahaa hetkellä n lausekkeen i n (1 + r i) verran. Lauseen 3.2 avulla voidaan nyt päätellä seuraavaa. Olkoon R k = l k r i ja tarkastellaan yhtälöä B k = B k 1 R k, B 0 = 1. Tiedetään, että tämän yhtälön ratkaisu on nyt B k = E(R) k = l k (1 + R l ) = l k(1 + r l ). Erityisesti, B n = l n (1 + r l) on rahan määrä pankissa hetkellä t = n, jos sinne pantiin 1 EUR hetkellä t =

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

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

Lisätiedot

Black ja Scholes ilman Gaussia

Black ja Scholes ilman Gaussia Black ja Scholes ilman Gaussia Tommi Sottinen Vaasan yliopisto SMY:n vuosikokousesitelmä 19.3.2012 1 / 21 Johdanto Tarkastelemme johdannaisten, eli kansankielellä optioiden, hinnoittelua. Kuuluisin hinnoittelumalli

Lisätiedot

= 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

Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia

Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia { z(t k+1 ) = z(t k ) + ɛ(t k ) t t k+1 = t k + t, k = 0,..., N, missä ɛ(t i ), ɛ(t j ), i j ovat toisistaan riippumattomia siten, että

Lisätiedot

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

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

Lisätiedot

Black Scholes-hinnoittelumallin robustisuus ja tyylitellyt tosiseikat

Black Scholes-hinnoittelumallin robustisuus ja tyylitellyt tosiseikat Black Scholes-hinnoittelumallin robustisuus ja tyylitellyt tosiseikat Tommi Sottinen, Helsingin yliopisto Yhteistyössä C. Bender, TU Braunschweig E. Valkeila, Teknillinen korkeakoulu 10. lokakuuta 2006

Lisätiedot

Johdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö

Johdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö Johdatus diskreettiin matematiikkaan Harjoitus 5, 14.10.2015 1. Ratkaise rekursioyhtälö x n+4 2x n+2 + x n 16( 1) n, n N, alkuarvoilla x 1 2, x 2 14, x 3 18 ja x 4 42. Ratkaisu. Vastaavan homogeenisen

Lisätiedot

3.6 Su-estimaattorien asymptotiikka

3.6 Su-estimaattorien asymptotiikka 3.6 Su-estimaattorien asymptotiikka su-estimaattorit ovat usein olleet puutteellisia : ne ovat usein harhaisia ja eikä ne välttämättä ole täystehokkaita asymptoottisilta ominaisuuksiltaan ne ovat yleensä

Lisätiedot

Luento 9: Yhtälörajoitukset optimoinnissa

Luento 9: Yhtälörajoitukset optimoinnissa Luento 9: Yhtälörajoitukset optimoinnissa Lagrangen kerroin Oletetaan aluksi, että f, g : R R. Merkitään (x 1, x ) := (x, y) ja johdetaan Lagrangen kerroin λ tehtävälle min f(x, y) s.t. g(x, y) = 0 Olkoon

Lisätiedot

Konvergenssilauseita

Konvergenssilauseita LUKU 4 Konvergenssilauseita Lause 4.1 (Monotonisen konvergenssin lause). Olkoon (f n ) kasvava jono Lebesgueintegroituvia funktioita. Asetetaan f(x) := f n (x). Jos f n

Lisätiedot

802118P Lineaarialgebra I (4 op)

802118P Lineaarialgebra I (4 op) 802118P Lineaarialgebra I (4 op) Tero Vedenjuoksu Oulun yliopisto Matemaattisten tieteiden laitos 2012 Lineaarialgebra I Yhteystiedot: Tero Vedenjuoksu tero.vedenjuoksu@oulu.fi Työhuone M206 Kurssin kotisivu

Lisätiedot

Tehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.

Tehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8. HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Tehtävät -5 perustuvat monisteen kappaleisiin..7 ja tehtävä 6 kappaleeseen.8..

Lisätiedot

Mat-2.3114 Investointiteoria Laskuharjoitus 3/2008, Ratkaisut 05.02.2008

Mat-2.3114 Investointiteoria Laskuharjoitus 3/2008, Ratkaisut 05.02.2008 Korko riippuu usein laina-ajan pituudesta ja pitkille talletuksille maksetaan korkeampaa korkoa. Spot-korko s t on se korko, joka kertyy lainatulle pääomalle hetkeen t (=kokonaisluku) mennessä. Spot-korot

Lisätiedot

, tuottoprosentti r = X 1 X 0

, tuottoprosentti r = X 1 X 0 Ostat osakkeen hintaan ja myyt sen vuoden myöhemmin hintaan X 1. Kokonaistuotto on tällöin R = X 1, tuottoprosentti r = X 1 ja pätee R = 1 + r. Lyhyeksimyymisellä tarkoitetaan, että voit myydä osakkeen

Lisätiedot

Nyt ensimmäisenä periodina (ei makseta kuponkia) odotettu arvo on: 1 (qv (1, 1) + (1 q)v (0, 1)) V (s, T ) = C + F

Nyt ensimmäisenä periodina (ei makseta kuponkia) odotettu arvo on: 1 (qv (1, 1) + (1 q)v (0, 1)) V (s, T ) = C + F Mat-2.34 Investointiteoria Laskuharjoitus 2/2008, Ratkaisut 29.04.2008 Binomihilan avulla voidaan laskea T vuoden ja tietyn kupongin sisältävän joukkovelkakirjan arvo eli hinta rekursiivisesti vaihtelevan

Lisätiedot

V ar(m n ) = V ar(x i ).

V ar(m n ) = V ar(x i ). Mat-.3 Stokastiset prosessit Syksy 007 Laskuharjoitustehtävät 6 Poropudas/Kokkala. Olkoon M n = X +... + X n martingaali ja M 0 = 0. Osoita, että V ar(m n ) = n V ar(x i ). i= Huomattavaa on, että muuttujia

Lisätiedot

1. Osoita, että joukon X osajoukoille A ja B on voimassa toinen ns. de Morganin laki (A B) = A B.

1. Osoita, että joukon X osajoukoille A ja B on voimassa toinen ns. de Morganin laki (A B) = A B. HY / Avoin yliopisto Johdatus yliopistomatematiikkaan, kesä 2015 Harjoitus 3 Ratkaisuehdotuksia Tehtäväsarja I Seuraavissa tehtävissä harjoitellaan muun muassa kahden joukon osoittamista samaksi sekä joukon

Lisätiedot

1. Esitä rekursiivinen määritelmä lukujonolle

1. Esitä rekursiivinen määritelmä lukujonolle Matematiikan laitos Johdatus Diskrettiin Matematiikkaan Harjoitus 4 24.11.2011 Ratkaisuehdotuksia Aleksandr Pasharin 1. Esitä rekursiivinen määritelmä lukujonolle (a) f(n) = (2 0, 2 1, 2 2, 2 3, 2 4,...)

Lisätiedot

Toispuoleiset raja-arvot

Toispuoleiset raja-arvot Toispuoleiset raja-arvot Määritelmä Funktiolla f on oikeanpuoleinen raja-arvo a R pisteessä x 0 mikäli kaikilla ɛ > 0 löytyy sellainen δ > 0 että f (x) a < ɛ aina kun x 0 < x < x 0 + δ; ja vasemmanpuoleinen

Lisätiedot

1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi.

1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi. Algoritmien DP ja MF vertaileminen tapahtuu suoraviivaisesti kirjoittamalla kummankin leskimääräinen kustannus eksplisiittisesti todennäköisyyksien avulla. Lause T MF ave = 1 + 2 1 i

Lisätiedot

Johdatus tn-laskentaan torstai 16.2.2012

Johdatus tn-laskentaan torstai 16.2.2012 Johdatus tn-laskentaan torstai 16.2.2012 Muunnoksen jakauma (ei pelkkä odotusarvo ja hajonta) Satunnaismuuttujien summa; Tas ja N Vakiokerroin (ax) ja vakiolisäys (X+b) Yleinen muunnos: neulanheittoesimerkki

Lisätiedot

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos: 8 Kanta Tässä luvussa tarkastellaan aliavaruuden virittäjävektoreita, jotka muodostavat lineaarisesti riippumattoman jonon. Merkintöjen helpottamiseksi oletetaan luvussa koko ajan, että W on vektoreiden

Lisätiedot

1 Sovelluksia. Sovelluksia 1

1 Sovelluksia. Sovelluksia 1 Sovelluksia 1 1 Sovelluksia 1.1 Tausta ja tärkeimpiä määritelmiä Kalvo 1 Aloitetaan tutustumaan luennolla tarkasteltaviin prosesseihin. Tarkempia selityksiä, esimerkiksi Brownin liikkestä, löytyy kertauksesta,

Lisätiedot

Finanssisitoumusten suojaamisesta

Finanssisitoumusten suojaamisesta Finanssisitoumusten suojaamisesta Harri Nyrhinen Matematiikan ja tilastotieteen laitos Helsingin yliopisto Vakuutusmatematiikan seminaari 4.5.2017 Esitelmän sisältö Teoreettisluonteisia poimintoja kirjallisuudesta

Lisätiedot

Rahoitusriskit ja johdannaiset Luentokurssi kevät 2011 Lehtori Matti Estola

Rahoitusriskit ja johdannaiset Luentokurssi kevät 2011 Lehtori Matti Estola Rahoitusriskit ja johdannaiset Luentokurssi kevät 2011 Lehtori Matti Estola Itä-Suomen yliopisto, Yhteiskunta- ja Kauppatieteiden tiedekunta, Oikeustieteiden laitos, kansantaloustiede Luennot 22 t, harjoitukset

Lisätiedot

Rahoitusriskit ja johdannaiset Matti Estola Luento 5. Termiinihinnan määräytyminen

Rahoitusriskit ja johdannaiset Matti Estola Luento 5. Termiinihinnan määräytyminen Rahoitusriskit ja johdannaist Matti Estola Lunto 5 rmiinihinnan määräytyminn 1. rmiinin ylinn hinnoittlukaava Mrkitään trmiinisopimuksn kohd-tuudn spot hintaa sopimuksn tkopäivänä S :lla, kohd-tuudn trmiinihintaa

Lisätiedot

2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2

2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2 HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 208 Harjoitus 4 Ratkaisuehdotuksia Tehtäväsarja I. Satunnaismuuttuja U Exp(2) ja V = U/(3 + U). Laske f V käyttämällä muuttujanvaihtotekniikkaa.

Lisätiedot

r = r f + r M r f (Todistus kirjassa sivulla 177 tai luennon 6 kalvoissa sivulla 6.) yhtälöön saadaan ns. CAPM:n hinnoittelun peruskaava Q P

r = r f + r M r f (Todistus kirjassa sivulla 177 tai luennon 6 kalvoissa sivulla 6.) yhtälöön saadaan ns. CAPM:n hinnoittelun peruskaava Q P Markkinaportfolio on koostuu kaikista markkinoilla olevista riskipitoisista sijoituskohteista siten, että sijoituskohteiden osuudet (so. painot) markkinaportfoliossa vastaavat kohteiden markkina-arvojen

Lisätiedot

1 Lineaariavaruus eli Vektoriavaruus

1 Lineaariavaruus eli Vektoriavaruus 1 Lineaariavaruus eli Vektoriavaruus 1.1 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä V epätyhjä joukko. Oletetaan, että joukossa V on määritelty laskutoimitus

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

Rahoitusriskit ja johdannaiset Matti Estola. luento 8 Optioiden hinnoittelusta

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

Lisätiedot

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen

Lisätiedot

MAY1 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 12.4.2016 Julkaiseminen sallittu vain koulun suljetussa verkossa.

MAY1 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 12.4.2016 Julkaiseminen sallittu vain koulun suljetussa verkossa. KERTAUS Lukujono KERTAUSTEHTÄVIÄ K1. Ratkaisussa annetaan esimerkit mahdollisista säännöistä. a) Jatketaan lukujonoa: 2, 4, 6, 8, 10, 12, 14, 16, Rekursiivinen sääntö on, että lukujonon ensimmäinen jäsen

Lisätiedot

Avaruuden R n aliavaruus

Avaruuden R n aliavaruus Avaruuden R n aliavaruus 1 / 41 Aliavaruus Esimerkki 1 Kuva: Suora on suljettu yhteenlaskun ja skalaarilla kertomisen suhteen. 2 / 41 Esimerkki 2 Kuva: Suora ei ole suljettu yhteenlaskun ja skalaarilla

Lisätiedot

Sekalaiset tehtävät, 11. syyskuuta 2005, sivu 1 / 13. Tehtäviä

Sekalaiset tehtävät, 11. syyskuuta 2005, sivu 1 / 13. Tehtäviä Sekalaiset tehtävät, 11. syyskuuta 005, sivu 1 / 13 Tehtäviä Tehtävä 1. Johda toiseen asteen yhtälön ax + bx + c = 0, a 0 ratkaisukaava. Tehtävä. Määrittele joukon A R pienin yläraja sup A ja suurin alaraja

Lisätiedot

Valintahetket ja pysäytetyt martingaalit

Valintahetket 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

Lisätiedot

802320A LINEAARIALGEBRA OSA I

802320A LINEAARIALGEBRA OSA I 802320A LINEAARIALGEBRA OSA I Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 72 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä

Lisätiedot

Positiivitermisten sarjojen suppeneminen

Positiivitermisten sarjojen suppeneminen Positiivitermisten sarjojen suppeneminen Jono (b n ) n= on kasvava, jos b n+ b n kaikilla n =, 2,... Lemma Jokainen ylhäältä rajoitettu kasvava jono (b n ) n= raja-arvo on lim n b n = sup n Z+ b n. suppenee

Lisätiedot

Diskreetin matematiikan perusteet Laskuharjoitus 2 / vko 9

Diskreetin matematiikan perusteet Laskuharjoitus 2 / vko 9 Diskreetin matematiikan perusteet Laskuharjoitus 2 / vko 9 Tuntitehtävät 9-10 lasketaan alkuviikon harjoituksissa ja tuntitehtävät 13-14 loppuviikon harjoituksissa. Kotitehtävät 11-12 tarkastetaan loppuviikon

Lisätiedot

30A02000 Tilastotieteen perusteet

30A02000 Tilastotieteen perusteet 30A02000 Tilastotieteen perusteet Kertaus 1. välikokeeseen Lauri Viitasaari Tieto- ja palvelujohtamisen laitos Kauppatieteiden korkeakoulu Aalto-yliopisto Syksy 2019 Periodi I-II Sisältö Välikokeesta Joukko-oppi

Lisätiedot

(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?

(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla? 6.10.2006 1. Keppi, jonka pituus on m, taitetaan kahtia täysin satunnaisesti valitusta kohdasta ja muodostetaan kolmio, jonka kateetteina ovat syntyneet palaset. Kolmion pinta-ala on satunnaismuuttuja.

Lisätiedot

Numeeriset 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 / 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

Lisätiedot

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

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen Yhden faktorin malli: n kpl sijoituskohteita, joiden tuotot ovat r i, i =, 2,..., n. Olkoon f satunnaismuuttuja ja oletetaan, että tuotot voidaan selittää yhtälön r i = a i + b i f + e i avulla, missä

Lisätiedot

Projektin arvon määritys

Projektin arvon määritys Projektin arvon määritys Luku 6, s. 175-186 Optimointiopin seminaari - Syksy 2000 / 1 Tehtävä Johdetaan menetelmä projektiin oikeuttavan option määrittämiseksi kohde-etuuden hinnan P perusteella projektin

Lisätiedot

Vapaus. Määritelmä. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee:

Vapaus. Määritelmä. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +

Lisätiedot

Tilastollinen päättely II, kevät 2017 Harjoitus 2A

Tilastollinen päättely II, kevät 2017 Harjoitus 2A Tilastollinen päättely II, kevät 07 Harjoitus A Heikki Korpela 3. tammikuuta 07 Tehtävä. (Monisteen tehtävä.3 Olkoot Y,..., Y n Exp(λ. Kirjoita vastaava tilastollisen mallin lauseke (ytf. Muodosta sitten

Lisätiedot

Mat-2.3114 Investointiteoria - Kotitehtävät

Mat-2.3114 Investointiteoria - Kotitehtävät Mat-2.3114 Investointiteoria - Kotitehtävät Kotitehtäviä on yhteensä kahdeksan ja ne ratkeavat tavallisilla taulukkolaskentaohjelmistoilla. Jokaisesta kotitehtävistä saa maksimissaan 5 pistettä: 4p/oikea

Lisätiedot

Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,

Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1, Todennäköisyyslaskenta, 2. kurssikoe 7.2.22 Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu.. Satunnaismuuttujien X ja Y yhteistiheysfunktio on

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

Salausmenetelmät LUKUTEORIAA JA ALGORITMEJA. Veikko Keränen, Jouko Teeriaho (RAMK, 2006) 3. Kongruenssit. à 3.4 Kongruenssien laskusääntöjä

Salausmenetelmät LUKUTEORIAA JA ALGORITMEJA. Veikko Keränen, Jouko Teeriaho (RAMK, 2006) 3. Kongruenssit. à 3.4 Kongruenssien laskusääntöjä Salausmenetelmät Veikko Keränen, Jouko Teeriaho (RAMK, 2006) LUKUTEORIAA JA ALGORITMEJA 3. Kongruenssit à 3.4 Kongruenssien laskusääntöjä Seuraavassa lauseessa saamme kongruensseille mukavia laskusääntöjä.

Lisätiedot

Ratkaisu: a) Aritmeettisen jonon mielivaltainen jäsen a j saadaan kaavalla. n = a 1 n + (n 1)n d = 5 500 + 4 = 501500. 2 500 = 5 + 2001 2

Ratkaisu: a) Aritmeettisen jonon mielivaltainen jäsen a j saadaan kaavalla. n = a 1 n + (n 1)n d = 5 500 + 4 = 501500. 2 500 = 5 + 2001 2 Kotitehtäviä 5. Ratkaisuehdotuksia. a) Jono a,..., a 500 on aritmeettinen, a = 5 ja erotusvakio d = 4. Laske jäsenet a, a 8 ja a 00 sekä koko jonon summa. b) Jono b,..., b 0 on geometrinen, b = ja suhdeluku

Lisätiedot

Satunnaismuuttujien muunnokset ja niiden jakaumat

Satunnaismuuttujien muunnokset ja niiden jakaumat Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja

Lisätiedot

Funktiot. funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina.

Funktiot. funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina. Funktiot Tässä luvussa käsitellään reaaliakselin osajoukoissa määriteltyjä funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina. Avoin väli: ]a, b[ tai ]a, [ tai ],

Lisätiedot

Matematiikan tukikurssi, kurssikerta 5

Matematiikan tukikurssi, kurssikerta 5 Matematiikan tukikurssi, kurssikerta 5 1 Jonoista Matematiikassa jono (x n ) on yksinkertaisesti järjestetty, päättymätön sarja numeroita Esimerkiksi (1,, 3, 4, 5 ) on jono Jonon i:ttä jäsentä merkitään

Lisätiedot

Vaihtoehtoinen tapa määritellä funktioita f : N R on

Vaihtoehtoinen tapa määritellä funktioita f : N R on Rekursio Funktio f : N R määritellään yleensä antamalla lauseke funktion arvolle f (n). Vaihtoehtoinen tapa määritellä funktioita f : N R on käyttää rekursiota: 1 (Alkuarvot) Ilmoitetaan funktion arvot

Lisätiedot

eli optioiden hinnoittelun ja toistamisen taito tai oppi optioiden oikeasta hinnasta Tommi Sottinen

eli optioiden hinnoittelun ja toistamisen taito tai oppi optioiden oikeasta hinnasta Tommi Sottinen Rahoitust=Coria eli optioiden hinnoittelun ja toistamisen taito tai oppi optioiden oikeasta hinnasta Tommi Sottinen tommi.sottinen@helsinki.fi mathstat.helsinki.fi/ tsottine 18. huhtikuuta 26 Sisältö I

Lisätiedot

7 Vapaus. 7.1 Vapauden määritelmä

7 Vapaus. 7.1 Vapauden määritelmä 7 Vapaus Kuten edellisen luvun lopussa mainittiin, seuraavaksi pyritään ratkaisemaan, onko annetussa aliavaruuden virittäjäjoukossa tarpeettomia vektoreita Jos tällaisia ei ole, virittäjäjoukkoa kutsutaan

Lisätiedot

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0. Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +

Lisätiedot

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0. Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +

Lisätiedot

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus 1 / 51 Lineaarikombinaatio Johdattelua seuraavaan asiaan (ei tarkkoja määritelmiä): Millaisen kuvan muodostaa joukko {λv λ R, v R 3 }? Millaisen

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi

Lisätiedot

Moniulotteisia todennäköisyysjakaumia

Moniulotteisia todennäköisyysjakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen

Lisätiedot

Vastausehdotukset analyysin sivuainekurssin syksyn välikokeeseen

Vastausehdotukset analyysin sivuainekurssin syksyn välikokeeseen Vastausehdotukset analyysin sivuainekurssin syksyn 015 1. välikokeeseen Heikki Korpela November 1, 015 1. Tehtävä: funktio f : R R toteuttaa ehdot ax, kun x 1 f(x) x + 1, kun x < 1 Tutki, millä vakion

Lisätiedot

Matematiikan johdantokurssi, syksy 2016 Harjoitus 11, ratkaisuista

Matematiikan johdantokurssi, syksy 2016 Harjoitus 11, ratkaisuista Matematiikan johdantokurssi, syksy 06 Harjoitus, ratkaisuista. Valitse seuraaville säännöille mahdollisimman laajat lähtöjoukot ja sopivat maalijoukot niin, että syntyy kahden muuttujan funktiot (ks. monisteen

Lisätiedot

Rekursio. Funktio f : N R määritellään yleensä antamalla lauseke funktion arvolle f (n). Vaihtoehtoinen tapa määritellä funktioita f : N R on

Rekursio. Funktio f : N R määritellään yleensä antamalla lauseke funktion arvolle f (n). Vaihtoehtoinen tapa määritellä funktioita f : N R on Rekursio Funktio f : N R määritellään yleensä antamalla lauseke funktion arvolle f (n). Vaihtoehtoinen tapa määritellä funktioita f : N R on käyttää rekursiota: Rekursio Funktio f : N R määritellään yleensä

Lisätiedot

Markov-kustannusmallit ja kulkuajat

Markov-kustannusmallit ja kulkuajat 2B Markov-kustannusmallit ja kulkuajat Tämän harjoituksen tavoitteena on oppia laskemaan Markov-kustannusmallien kustannuskertymiä ja -vauhteja, ketjujen odotettuja kulkuaikoja sekä todennäköisyyksiä osua

Lisätiedot

w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1.

w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1. Kotitehtävät, tammikuu 2011 Vaikeampi sarja 1. Ratkaise yhtälöryhmä w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1. Ratkaisu. Yhtälöryhmän ratkaisut (w, x, y, z)

Lisätiedot

Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1

Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1 Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2004) 1 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat

Lisätiedot

25.9.2008 klo 9-15. 1. Selvitä vakuutustekniseen vastuuvelkaan liittyvät riskit ja niiltä suojautuminen.

25.9.2008 klo 9-15. 1. Selvitä vakuutustekniseen vastuuvelkaan liittyvät riskit ja niiltä suojautuminen. SHV-tutkinto Vakavaraisuus 25.9.28 klo 9-15 1(5) 1. Selvitä vakuutustekniseen vastuuvelkaan liittyvät riskit ja niiltä suojautuminen. (1p) 2. Henkivakuutusyhtiö Huolekas harjoittaa vapaaehtoista henkivakuutustoimintaa

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

Matematiikan peruskurssi 2

Matematiikan peruskurssi 2 Matematiikan peruskurssi Tentti, 9..06 Tentin kesto: h. Sallitut apuvälineet: kaavakokoelma ja laskin, joka ei kykene graaseen/symboliseen laskentaan Vastaa seuraavista viidestä tehtävästä neljään. Saat

Lisätiedot

3.11.2006. ,ܾ jaü on annettu niin voidaan hakea funktion 0.1 0.2 0.3 0.4

3.11.2006. ,ܾ jaü on annettu niin voidaan hakea funktion 0.1 0.2 0.3 0.4 Ü µ ½ ¾Ü¾µ Ü¾Ê 3.11.2006 1. Satunnaismuuttujan tiheysfunktio on ¼ ļ ܽ ܾ ÜÒµ Ä Ü½ ÜÒµ Ò Ä Ü½ ܾ ÜÒµ ܽ µ ܾ µ ÜÒ µ Ò missä tietenkin vaaditaan, että ¼. Muodosta :n ¾Ä ܽ ÜÒµ Ò ½¾ ܾ Ò ½ ¾Ü¾½µ ½ ¾Ü¾Òµ

Lisätiedot

Suojaa ja tuottoa laskevilla markkinoilla. Johannes Ankelo Arvopaperi Aamuseminaari

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

Lisätiedot

Epäyhtälöt ovat yksi matemaatikon voimakkaimmista

Epäyhtälöt 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

Lisätiedot

8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH

8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH 8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH Osa aikasarjoista kehittyy hyvin erityyppisesti erilaisissa tilanteissa. Esimerkiksi pörssikurssien epävakaus keskittyy usein lyhyisiin

Lisätiedot

saadaan kvanttorien järjestystä vaihtamalla ehto Tarkoittaako tämä ehto mitään järkevää ja jos, niin mitä?

saadaan kvanttorien järjestystä vaihtamalla ehto Tarkoittaako tämä ehto mitään järkevää ja jos, niin mitä? ANALYYSI A, HARJOITUSTEHTÄVIÄ, KEVÄT 209 4 Funktion raja-arvo 4. Määritelmä. Funktion raja-arvon määritelmän ehdosta ε > 0: δ > 0: f) A < ε aina, kun 0 < a < δ, saadaan kvanttorien järjestystä vaihtamalla

Lisätiedot

Pyramidi 9 Trigonometriset funktiot ja lukujonot 15.4.2011 HK1-1. Dsin3 x. 3cos3x. Dsinx. u( x) sinx ja u ( x) cosx. Dsin. Dsin

Pyramidi 9 Trigonometriset funktiot ja lukujonot 15.4.2011 HK1-1. Dsin3 x. 3cos3x. Dsinx. u( x) sinx ja u ( x) cosx. Dsin. Dsin Pyramidi 9 Trigonometriset funktiot ja lukujonot 5.4.0 HK- a) Dsin3 us ( ) cos3 3 us( ) s( ) 3cos3 s( ) 3 ja s( ) 3 u( ) sin ja u( ) cos b) Dsin 3 3 Dsin us ( ) s( ) sin ja s( ) cos 3 u( ) ja u( ) 3 3sin

Lisätiedot

Malliratkaisut Demo 1

Malliratkaisut Demo 1 Malliratkaisut Demo 1 1. Merkitään x = kuinka monta viikkoa odotetaan ennen kuin perunat nostetaan. Nyt maksimoitavaksi kohdefunktioksi tulee f(x) = (60 5x)(300 + 50x). Funktio f on alaspäin aukeava paraaeli,

Lisätiedot

Odotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61

Odotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61 3.3. Satunnaismuuttujien ominaisuuksia 61 Odotusarvo Määritelmä 3.5 (Odotusarvo) Olkoon X diskreetti satunnaismuuttuja, jonka arvojoukko on S ja todennäköisyysfunktio f X (x). Silloin X:n odotusarvo on

Lisätiedot

2.1. Tehtävänä on osoittaa induktiolla, että kaikille n N pätee n = 1 n(n + 1). (1)

2.1. Tehtävänä on osoittaa induktiolla, että kaikille n N pätee n = 1 n(n + 1). (1) Approbatur 3, demo, ratkaisut Sovitaan, että 0 ei ole luonnollinen luku. Tällöin oletusta n 0 ei tarvitse toistaa alla olevissa ratkaisuissa. Se, pidetäänkö nollaa luonnollisena lukuna vai ei, vaihtelee

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

Ilkka 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

Lisätiedot

Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5

Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5 Mat-2.148 Dynaaminen optimointi, mallivastaukset, kierros 5 1. Kotitehtävä. 2. Lasketaan aluksi korkoa korolle. Jos korkoprosentti on r, ja korko maksetaan n kertaa vuodessa t vuoden ajan, niin kokonaisvuosikorko

Lisätiedot

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme? TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä

Lisätiedot

2 Funktion derivaatta

2 Funktion derivaatta ANALYYSI B, HARJOITUSTEHTÄVIÄ, KEVÄT 2018 2 Funktion derivaatta 1. Määritä derivaatan määritelmää käyttäen f (), kun (a), (b) 1 ( > 0). 2. Tutki, onko funktio sin(2) sin 1, kun 0, 2 0, kun = 0, derivoituva

Lisätiedot

Differentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /

Differentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle / MS-A8 Differentiaali- ja integraalilaskenta, V/7 Differentiaali- ja integraalilaskenta Ratkaisut 5. viikolle / 9..5. Integroimismenetelmät Tehtävä : Laske osittaisintegroinnin avulla a) π x sin(x) dx,

Lisätiedot

Valuuttariskit ja johdannaiset

Valuuttariskit ja johdannaiset Valuuttariskit ja johdannaiset Matti Estola Itä-Suomen yliopisto, Yhteiskunta- ja Kauppatieteiden tiedekunta, Sosiaali- ja terveysjohtamisen laitos, kansantaloustiede Lähde: Hull, Options, Futures, & Other

Lisätiedot

Arvo (engl. value) = varmaan attribuutin tulemaan liittyvä arvo. Päätöksentekijä on riskipakoinen, jos hyötyfunktio on konkaavi. a(x) = U (x) U (x)

Arvo (engl. value) = varmaan attribuutin tulemaan liittyvä arvo. Päätöksentekijä on riskipakoinen, jos hyötyfunktio on konkaavi. a(x) = U (x) U (x) Arvo (engl. value) = varmaan attribuutin tulemaan liittyvä arvo. Hyöty (engl. utility) = arvo, jonka koemme riskitilanteessa eli, kun teemme päätöksiä epävarmuuden (todennäköisyyksien) vallitessa. Vrt.

Lisätiedot

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

ln S(k) = ln S(0) + w(i) E[ln S(k)] = ln S(0) + vk V ar[ln S(k)] = kσ 2 Moniperiodisten investointitehtäviä tarkasteltaessa sijoituskohteiden hintojen kehitystä mallinnetaan diskeetteinä (binomihilat) tai jatkuvina (Itô-prosessit) prosesseina. Sijoituskohteen hinta hetkellä

Lisätiedot

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

Injektio (1/3) Funktio f on injektio, joss. f (x 1 ) = f (x 2 ) x 1 = x 2 x 1, x 2 D(f )

Injektio (1/3) Funktio f on injektio, joss. f (x 1 ) = f (x 2 ) x 1 = x 2 x 1, x 2 D(f ) Injektio (1/3) Määritelmä Funktio f on injektio, joss f (x 1 ) = f (x 2 ) x 1 = x 2 x 1, x 2 D(f ) Seurauksia: Jatkuva injektio on siis aina joko aidosti kasvava tai aidosti vähenevä Injektiolla on enintään

Lisätiedot

Pääsykoe 2001/Ratkaisut Hallinto

Pääsykoe 2001/Ratkaisut Hallinto Pääsykoe 2001/Ratkaisut Hallinto 1. Osio 3/Tosi; Organisaatiokenttää ei mainita (s.35). 2. Osiot 1 ja 2/Epätosia; Puppua. Osio 3/Lähellä oikeata kuvion 2.1 mukaan (s.30). Osio 4/Tosi (sivun 30 tekstin

Lisätiedot

Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2005) 1 Normaalijakaumasta johdettuja jakaumia Johdanto χ 2 -jakauma F-jakauma t-jakauma TKK (c) Ilkka Mellin

Lisätiedot

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita

Lisätiedot

Kuvaus. Määritelmä. LM2, Kesä /160

Kuvaus. Määritelmä. LM2, Kesä /160 Kuvaus Määritelmä Oletetaan, että X ja Y ovat joukkoja. Kuvaus eli funktio joukosta X joukkoon Y on sääntö, joka liittää jokaiseen joukon X alkioon täsmälleen yhden alkion, joka kuuluu joukkoon Y. Merkintä

Lisätiedot

x 4 e 2x dx Γ(r) = x r 1 e x dx (1)

x 4 e 2x dx Γ(r) = x r 1 e x dx (1) HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta IIA, syksy 217 217 Harjoitus 6 Ratkaisuehdotuksia Tehtäväsarja I 1. Laske numeeriset arvot seuraaville integraaleille: x 4 e 2x dx ja 1

Lisätiedot

Luku 4. Derivoituvien funktioiden ominaisuuksia.

Luku 4. Derivoituvien funktioiden ominaisuuksia. 1 MAT-1343 Laaja matematiikka 3 TTY 1 Risto Silvennoinen Luku 4 Derivoituvien funktioiden ominaisuuksia Derivaatan olemassaolosta seuraa funktioille eräitä säännöllisyyksiä Näistä on jo edellisessä luvussa

Lisätiedot

3. Teoriaharjoitukset

3. Teoriaharjoitukset 3. Teoriaharjoitukset Demotehtävät 3.1 a Olkoot u ja v satunnaumuuttujia, joilla on seuraavat ominaisuudet: E(u = E(v = 0 Var(u = Var(v = σ 2 Cov(u, v = E(uv = 0 Näytä että deterministinen prosessi. x

Lisätiedot

saadaan kvanttorien järjestystä vaihtamalla ehto Tarkoittaako tämä ehto mitään järkevää ja jos, niin mitä?

saadaan kvanttorien järjestystä vaihtamalla ehto Tarkoittaako tämä ehto mitään järkevää ja jos, niin mitä? ANALYYSI A, HARJOITUSTEHTÄVIÄ, KEVÄT 208 4 Funktion raja-arvo 4 Määritelmä Funktion raja-arvon määritelmän ehdosta ε > 0: δ > 0: fx) A < ε aina, kun 0 < x a < δ, saadaan kvanttorien järjestystä vaihtamalla

Lisätiedot

Cantorin joukon suoristuvuus tasossa

Cantorin joukon suoristuvuus tasossa Cantorin joukon suoristuvuus tasossa LuK-tutkielma Miika Savolainen 2380207 Matemaattisten tieteiden laitos Oulun yliopisto Syksy 2016 Sisältö Johdanto 2 1 Cantorin joukon esittely 2 2 Suoristuvuus ja

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