Projektin arvon aleneminen

Koko: px
Aloita esitys sivulta:

Download "Projektin arvon aleneminen"

Transkriptio

1 Projektin arvon aleneminen sivut Optimointiopin seminaari - Syksy 000 /

2 Arvon aleneminen Jatketaan projektin arvon tutkimista. Nyt huomioidaan arvon aleneminen. Syitä esimerkiksi: kaluston vanheneminen ja kuluminen käytössä kilpailevien tekniikoiden kehitys Tarkastellaan arvon alenemisen vaikutusta reaalioption arvoon. Optimointiopin seminaari - Syksy 000 /

3 . Malli arvon alenemiselle: Eksponentiaalinen heikkeneminen Elinikä Poisson-prosessi Projekti loppuu ajanjaksolla dt tdn:llä λdt. Lopetus ennen hetkeä T tdn:llä -e -lt T:n tiheysfunktio f(t) = λe -lt Kohde-etuuden hinta alkuhetkellä P P t seuraa geometrista Brownin liikettä. Optimointiopin seminaari - Syksy 000 / 3

4 Projektin arvon odotusarvo () Jos projekti kestää T vuotta, tuottovirran nykyarvon odotusarvo on Ε missä δ= µ-α. ( δ T e ), T T µ t αt µ t P e Pt dt = Pe e dt = δ 0 0 Optimointiopin seminaari - Syksy 000 / 4

5 Projektin arvon odotusarvo () Projektin tuoton odotusarvo V ( P) = λe 0 λt P e δ δ T dt = P λ + δ Tulkintoja: Elinikä ääretön, mutta toimivuus huononee ja ulostulo pienenee kertoimella e -lt tai huoltokulujen takia tuotto = Pe -lt Optimointiopin seminaari - Syksy 000 / 5

6 Option arvon tarkastelu (). tapaus: investointia ei voi uudistaa Tehdään tuttu portfolio F(P) - F (P)P. F(P) = A P β ehdot F(P * ) = V(P * ) - I ja F (P * ) = V (P * ) * β P = ( δ + λ )I β Arvon aleneminen ei vaikuta kertoimeen β eikä vähennä option arvon merkitystä. Optimointiopin seminaari - Syksy 000 / 6

7 Option arvon tarkastelu (). tapaus: investointi voidaan uudistaa Käytetään dynaamista ohjelmointia. diskonttauskerroin ρ Kun optiota ei käytetä: F(P) = A P β α α β = + + σ σ ρ σ Optimointiopin seminaari - Syksy 000 / 7

8 Option arvon tarkastelu (3) Merk. J(P) = käynnistetyn projektin ja myöhempien optioiden arvo Alueella P < P * J Tdn:llä λdt projekti loppuu, jolloin option arvo palautuu F(P):hen. ( ) ( ) ρ dt P = Pdt + λdt e Ε[ J ( P + dp )] + λdte ρ dt Ε [ F ( P + dp )] Optimointiopin seminaari - Syksy 000 / 8

9 Option arvon tarkastelu (4) Ratkaisu missä β = β J ( P = B P + + ) α σ + α σ ρ + P λ + α A P β ( ρ + λ) σ Optimointiopin seminaari - Syksy 000 / 9

10 Option arvon tarkastelu (5) Alueella P > P * J Jos projekti päättyy, aloitetaan heti uusi. ρ dt P = Pdt + λdt e Ε J P + ( ) ( ) [ ( dp )] + λdte ρ dt Ratkaisu missä Ε [ J ( P + dp ) I ] J β ( P) = B P + P ρ α α α β = + σ σ λi ρ ρ σ Optimointiopin seminaari - Syksy 000 / 0,

11 Option arvon tarkastelu (6) Ehdot: J (P * ) = J (P * ) J (P * ) = J (P * ) F(P * ) = J(P * ) - I F (P * ) = J (P * ) Ratkaisu: missä δ= ρ - α * β P = λ I β ( δ + ), Nyt arvon aleneminen pienentää option arvon kerrointa. Optimointiopin seminaari - Syksy 000 /

12 Parametrien vaikutus Kertoimen β /(β - ) arvoja, kun ρ = 0.04 ja α = 0 l s Optimointiopin seminaari - Syksy 000 /

13 . Malli arvon alenemiselle: Äkkikuolema Projekti loppuu T:n vuoden kuluttua. Projektin arvo V T = ( ) µ t P Ε e P dt = P, missä δ= µ - α Option arvon tarkastelu voidaan tehdä kuten edellä. t δ 0 e δ T Optimointiopin seminaari - Syksy 000 / 3

14 Yleinen malli Tuottovirta π(p,t) Projektin arvo V(P,t) Tehdään portfolio: projekti + n kpl lyhyeksi π P, t dt nδ Pdt ajanjaksolla dt tuotto missä δ= µ - α portfolion pääoman kasvu dv ndp = ( ), ( ) V n dp+ P V + V dt P σ PP Optimointiopin seminaari - Syksy 000 / 4 t

15 Yleinen malli () Tehdään portfoliosta riskitön valitsemalla n = V P (P,t) ja merkitään odotettu kokonaistuotto yhtäsuureksi riskittömän tuoton kanssa, jolloin saadaan osittaisdifferentiaaliyhtälö ( ) = 0, δ P VPP + r δ PVP + Vt rv + π joka voidaan ratkaista numeerisesti. Optimointiopin seminaari - Syksy 000 / 5

16 Yleinen malli (3) Jos tiedetään suurin mahdollinen loppuaika T, saadaan ehto V(P,T) = 0 ja voidaan ratkaista lopusta alkuun päin. Termi V t (P,t) kuvaa arvon alenemista ajan myötä. Optimointiopin seminaari - Syksy 000 / 6

17 Kotitehtävä Johda kaava optimaaliselle investointirajalle P * äkkikuolemamallissa tapauksessa, jossa investointia ei voi uudistaa. Ratkaise sitten tehtävä: Projektin hinta noudattaa Brownin liikettä parametrein α = 0.05, σ = Projektin investointikustannus on 00 miljoonaa euroa ja diskonttokorko 0 %. Paljonko P * muuttuu, jos äkkikuolemamallissa elinikä T muuttuu 5 vuodesta 6 vuoteen, eikä investointia voi uudistaa? Optimointiopin seminaari - Syksy 000 / 7

OPTIMAALINEN INVESTOINTIPÄÄTÖS

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

Lisätiedot

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

Investointimahdollisuudet ja investoinnin ajoittaminen

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

Lisätiedot

Johdannaisanalyysi. Contingent Claims Analysis Juha Leino S ysteemianalyysin. Laboratorio

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

Lisätiedot

Investointimahdollisuudet ja investointien ajoittaminen

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

Lisätiedot

Diskreettiaikainen dynaaminen optimointi

Diskreettiaikainen dynaaminen optimointi Diskreettiaikainen dynaaminen optimointi Usean kauden tapaus 2 kauden yleistys Ääretön loppuaika Optimaalinen pysäytys Optimointiopin seminaari - Syksy 2000 / Ongelma t 0 x 0 t- t T x t- + x t + x T u

Lisätiedot

Lisää satunnaisuutta ja mahdollisuus keskeyttää projekti

Lisää satunnaisuutta ja mahdollisuus keskeyttää projekti isää satunnaisuutta ja mahdollisuus keskeyttää projekti Esitelmä 7 - Mika lmoniemi Optimointiopin seminaari - Syksy isää satunnaisuutta Tähän mennessä on käytetty vain yhtä satunnaismuuttujaa tuotteen

Lisätiedot

Projektin keskeyttäminen, uudelleen käynnistäminen ja hylkääminen

Projektin keskeyttäminen, uudelleen käynnistäminen ja hylkääminen Projektin keskeyttäminen, uudelleen käynnistäminen ja hylkääminen Optimointiopin seminaari - Syksy 000 / 1 Mallin laajennus Toiminta voidaan väliaikaisesti keskeyttää ja käynnistää uudelleen Keskeyttämisestä

Lisätiedot

Investointistrategioista kilpailluilla markkinoilla

Investointistrategioista kilpailluilla markkinoilla Investointistrategioista kilpailluilla markkinoilla Tuomas Pyykkönen 29.11.2000 (esitys kirjasta: Investment under Uncertainty; Dixit, Pindyck (1994); ss. 247-260) Optimointiopin seminaari - Syksy 2000

Lisätiedot

Esteet, hyppyprosessit ja dynaaminen ohjelmointi

Esteet, hyppyprosessit ja dynaaminen ohjelmointi Esteet, hyppyprosessit ja dynaaminen ohjelmointi Juha Martikainen 4.10.2000 Oppikirjan sivut 83-87 ja 93-98 Optimointiopin seminaari - Syksy 2000 / 1 Esteet (määritelmät) Muistellaan menneitä: Ajelehtiva

Lisätiedot

Investointimahdollisuudet ja niiden ajoitus

Investointimahdollisuudet ja niiden ajoitus Investointimahdollisuudet ja niiden ajoitus Ratkaisu optiohinnoitteluteorian avulla Esitelmä - Eeva Nyberg Optimointiopin seminaari - Syksy 000 / Tähän asti opittua NP:n rajoitteet vaikka NP negatiivinen

Lisätiedot

Jatkuvan ajan dynaaminen optimointi

Jatkuvan ajan dynaaminen optimointi Jatkuvan ajan dynaaminen optimointi Diskreetistä ajasta jatkuvaan Ito prosessit Optimaalinen pysäytys Poisson prosessit Optimointiopin seminaari - Syksy 2000 / 1 Jatkuvan ajan dynaaminen π(x,u,t) tuottovirta

Lisätiedot

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

Ito-prosessit. Määritelmä Geometrinen Brownin liike Keskiarvoon palautuvat prosessit Iton lemma. S ysteemianalyysin. Laboratorio

Ito-prosessit. Määritelmä Geometrinen Brownin liike Keskiarvoon palautuvat prosessit Iton lemma. S ysteemianalyysin. Laboratorio Ito-prosessit Määritelmä Geometrinen Brownin liike Keskiarvoon palautuvat prosessit Iton lemma Optimointiopin seminaari - Syksy 2000 / 1 Ito-prosessit Brownin liikkeen yleistys (Ito prosessi) x(t) : dx

Lisätiedot

, 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

Kohdassa on käytetty eksponentiaalijakauman kertymäfunktiota (P(t > T τ ) = 1 P(t T τ ). λe λτ e λ(t τ) e 3λT dτ.

Kohdassa on käytetty eksponentiaalijakauman kertymäfunktiota (P(t > T τ ) = 1 P(t T τ ). λe λτ e λ(t τ) e 3λT dτ. 25.2.215 1. Autossa on 4 rengasta ja 1 vararengas (T i Exp(λ), [λ] = 1/km, i=1,...,5). Kulkeakseen auto tarvitsee 4 ehjää rengasta. Aluksi auto käyttää neljää alkuperäistä rengasta. Kun yksi näistä vikaantuu,

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

Reaalioptioden käsitteen esittely yksinkertaisen esimerkin avulla

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

Lisätiedot

Päätöspuut pitkän aikavälin investointilaskelmissa

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

Lisätiedot

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

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

5. laskuharjoituskierros, vko 8, ratkaisut

5. laskuharjoituskierros, vko 8, ratkaisut Mat-.09 Sovellettu todennäköisyyslasku, kevät -05 5. laskuharjoituskierros, vko 8, ratkaisut D. Eräässä maata kiertävällä radalla olevassa satelliitissa on ilmaisin, jonka elinikä X yksikkönä vuosi noudattaa

Lisätiedot

Todennäköisyyden ominaisuuksia

Todennäköisyyden ominaisuuksia Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset

Lisätiedot

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi. Mat-2.090 Sovellettu todeäköisyyslasku A Mat-2.090 Sovellettu todeäköisyyslasku A / Pistetehtävät 2, 4, 6, 8, 0 Aiheet: Avaisaat: Momettiemäfuktio Satuaismuuttujie muuokset ja iide jakaumat Kovergessikäsitteet

Lisätiedot

[xk r k ] T Q[x k r k ] + u T k Ru k. }.

[xk r k ] T Q[x k r k ] + u T k Ru k. }. Mat-2.48 Dynaaminen optimointi Mitri Kitti/Ilkka Leppänen Mallivastaukset, kierros 3. Johdetaan lineaarisen aikainvariantin seurantatehtävän yleinen ratkaisu neliöllisellä kustannuksella. Systeemi: x k+

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio

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

Harha mallin arvioinnissa

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

Lisätiedot

Dynaaminen 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

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

Lisätiedot

Insinöörimatematiikka D

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

Lisätiedot

MS-A0107 Differentiaali- ja integraalilaskenta 1 (CHEM)

MS-A0107 Differentiaali- ja integraalilaskenta 1 (CHEM) MS-A17 Differentiaali- ja integraalilaskenta 1 CHEM) Laskuharjoitus 4lv, kevät 16 1. Tehtävä: Laske cos x dx a) osittaisintegroinnilla, b) soveltamalla sopivaa trigonometrian kaavaa. Ratkaisu: a) Osittaisintegroinnin

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Satunnaismuuttujien summa ja keskihajonta Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

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

Generoivat funktiot, Poisson- ja eksponenttijakaumat

Generoivat funktiot, Poisson- ja eksponenttijakaumat 4A Generoivat funktiot, Poisson- ja eksponenttijakaumat Tämän harjoituksen tavoitteena on edelleen tutustua generoivien funktioiden sovelluksiin ja lisäksi harjoitella ratkaisemaan Poisson- ja eksponenttijakaumiin

Lisätiedot

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

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

(0 desimaalia, 2 merkitsevää numeroa).

(0 desimaalia, 2 merkitsevää numeroa). NUMEERISET MENETELMÄT DEMOVASTAUKSET SYKSY 20.. (a) Absoluuttinen virhe: ε x x ˆx /7 0.4 /7 4/00 /700 0.004286. Suhteellinen virhe: ρ x x ˆx x /700 /7 /00 0.00 0.%. (b) Kahden desimaalin tarkkuus x ˆx

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

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Normaaliapproksimaatio Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016

Lisätiedot

4. Todennäköisyyslaskennan kertausta

4. Todennäköisyyslaskennan kertausta luento04.ppt S-38.1145 - Liikenneteorian perusteet - Kevät 2006 1 Sisältö eruskäsitteet Diskreetit satunnaismuuttujat Diskreetit jakaumat lkm-jakaumat Jatkuvat satunnaismuuttujat Jatkuvat jakaumat aikajakaumat

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 28. syyskuuta 2007 Antti Rasila () TodB 28. syyskuuta 2007 1 / 20 1 Jatkoa diskreeteille jakaumille Negatiivinen binomijakauma Poisson-jakauma Diskreettien

Lisätiedot

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016

Lisätiedot

Lineaariset luokittelumallit: regressio ja erotteluanalyysi

Lineaariset luokittelumallit: regressio ja erotteluanalyysi Lineaariset luokittelumallit: regressio ja erotteluanalyysi Aira Hast Johdanto Tarkastellaan menetelmiä, joissa luokittelu tehdään lineaaristen menetelmien avulla. Avaruus jaetaan päätösrajojen avulla

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 2 Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden

Lisätiedot

JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos)

JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos) J. Virtamo 38.3143 Jonoteoria / Jatkuvat jakaumat 1 JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos) Määritelmä Ei-negatiivisen satunnaismuuttujan X 0, jonka tiheysfunktio on f(x), Laplace-muunnos

Lisätiedot

Odotusarvoparien vertailu. Vilkkumaa / Kuusinen 1

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

Lisätiedot

ELEC C4140 Kenttäteoria (syksy 2015)

ELEC C4140 Kenttäteoria (syksy 2015) ELEC C4140 Kenttäteoria (syksy 2015) Henrik Wallén Luentoviiko 8 / versio 3. marraskuuta 2015 Tasoaallot, osa 1 (Ulaby 7.1, 7.2, 7.4) Kenttäosoittimet Aikaharmoniset Maxwellin yhtälöt Tasoaaltoratkaisu

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

Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1

Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1 Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään tiedetään, että ainakin kaksi

Lisätiedot

(a) Järjestellään yhtälöitä siten, että vasemmalle puolelle jää vain y i ja oikealle puolelle muut

(a) Järjestellään yhtälöitä siten, että vasemmalle puolelle jää vain y i ja oikealle puolelle muut BM0A5830 Differentiaalihtälöiden peruskurssi Harjoitus 7, Kevät 07 Päivitksiä: Tehtävän b tehtävänantoa korjattu, tehtävän 5 vastaus korjattu. b tehtävänantoa sujuvoitettu. Vastauksia lisätt.. Monasti

Lisätiedot

Todennäköisyyslaskun kertaus. Heliövaara 1

Todennäköisyyslaskun kertaus. Heliövaara 1 Todennäköisyyslaskun kertaus Heliövaara 1 Satunnaismuuttujat ja todennäköisyysjakaumat Heliövaara 2 Stunnaismuuttujat ja todennäköisyysjakaumat Jos satunnaisilmiötä halutaan mallintaa matemaattisesti,

Lisätiedot

Moniulotteisia todennäköisyysjakaumia

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

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

Dynaamiset regressiomallit

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

Lisätiedot

Mat Dynaaminen optimointi, mallivastaukset, kierros 11

Mat Dynaaminen optimointi, mallivastaukset, kierros 11 Mat-.148 Dynaaminen optimointi, mallivastaukset, kierros 11 1. Olkoon tehtaan tuotanto x(t) ajan hetkellä t ja investoitava osuus tuotannosta u(t). Tehdasta kuvaa systeemiyhtälö ẋ(t) = u(t)x(t) x() = c

Lisätiedot

4. Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä

4. Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä 1 Laaja matematiikka 5 Kevät 010 4. Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä Yksi tavallisimmista luonnontieteissä ja tekniikassa esiintyvistä matemaattisista malleista on differentiaaliyhtälö.

Lisätiedot

Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1

Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1 Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään, tiedetään, että ainakin

Lisätiedot

Moraalinen uhkapeli: laajennuksia ja sovelluksia

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

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

Lisätiedot

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

Talousmatematiikan perusteet: Luento 17. Integraalin sovelluksia kassavirta-analyysissa Integraalin sovelluksia todennäköisyyslaskennassa Talousmatematiikan perusteet: Luento 17 Integraalin sovelluksia kassavirta-analyysissa Integraalin sovelluksia todennäköisyyslaskennassa Motivointi Kahdella edellisellä luennolla olemme oppineet integrointisääntöjä

Lisätiedot

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

Harjoitus Etsi seuraavien autonomisten yhtälöiden kriittiset pisteet ja tutki niiden stabiliteettia:

Harjoitus Etsi seuraavien autonomisten yhtälöiden kriittiset pisteet ja tutki niiden stabiliteettia: Differentiaaliyhtälöt, Kesä 216 Harjoitus 2 1. Etsi seuraavien autonomisten yhtälöiden kriittiset pisteet ja tutki niiden stabiliteettia: (a) y = (2 y) 3, (b) y = (y 1) 2, (c) y = 2y y 2. 2. Etsi seuraavien

Lisätiedot

ELEC C4140 Kenttäteoria (syksy 2016)

ELEC C4140 Kenttäteoria (syksy 2016) ELEC C4140 Kenttäteoria (syksy 2016) Henrik Wallén / versio 8. marraskuuta 2016 Tasoaallot, osa 1 (Ulaby 7.1, 7.2, 7.4) Kenttäosoittimet Aikaharmoniset Maxwellin yhtälöt Tasoaaltoratkaisu Tasoaaltoyhtälöt

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

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (005) 1 Moniulotteisia todennäköisyysjakaumia Multinomijakauma Kaksiulotteinen normaalijakauma TKK (c) Ilkka

Lisätiedot

Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio.

Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio. Määritelmä 4.3. Estimaattoria X(Y ) nimitetään lineaariseksi projektioksi, jos X on lineaarinen kuvaus ja E[(X X(Y )) Y] 0 }{{} virhetermi Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi

Lisätiedot

5 Differentiaaliyhtälöryhmät

5 Differentiaaliyhtälöryhmät 5 Differentiaaliyhtälöryhmät 5.1 Taustaa ja teoriaa Differentiaaliyhtälöryhmiä tarvitaan useissa sovelluksissa. Toinen motivaatio yhtälöryhmien käytölle: Korkeamman asteen differentiaaliyhtälöt y (n) =

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia TKK (c) Ilkka Mellin (2006) 1 Jatkuvia jakaumia >> Jatkuva tasainen jakauma Eksponenttijakauma Normaalijakauma Keskeinen

Lisätiedot

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

Rahoitusriskit ja johdannaiset Matti Estola. luento 10 Binomipuut ja optioiden hinnoittelu Rahoitsriskit ja johdannaiset Matti Estola lento 1 Binomipt ja optioiden hinnoittel 1. Optiohintojen mallintaminen Esimerkki. Oletetaan, että osakkeen spot -krssi on $ ja spot -krssilla 3 kk:n kltta on

Lisätiedot

Ratkaisu: a) Koroton takaisinmaksuaika on 9000 = 7,5 vuotta. 1200 b) Kun vuosituotot pysyvät vakiona, korollinen takaisinmaksuaika määräytyy

Ratkaisu: a) Koroton takaisinmaksuaika on 9000 = 7,5 vuotta. 1200 b) Kun vuosituotot pysyvät vakiona, korollinen takaisinmaksuaika määräytyy Kotitehtävät 7. Aihepiirinä Investointi Ratkaisuehdotuksia 1. Investoinnin hankintameno on 9000 euroa ja siitä saadaan seuraavina vuosina vuosittain 1200 euron tulot. Määritä a) koroton takaisinmaksuaika

Lisätiedot

Lyhyen aikavälin hintakilpailu 2/2

Lyhyen aikavälin hintakilpailu 2/2 Lyhyen aikavälin hintakilpailu 2/2 Ilkka Männistö Esitelmä 10 - Ilkka Männistö Optimointiopin seminaari - Kevät 2003 / 1 Kilpailun aste Markkinahinta ei kerro mitään kilpailun asteesta jos kustannusrakennetta

Lisätiedot

Talousmatematiikan perusteet, L2 Kertaus Aiheet

Talousmatematiikan perusteet, L2 Kertaus Aiheet Talousmatematiikan perusteet, L2 Kertaus 1 Laskutoimitukset tehdään seuraavassa järjestyksessä 1. Sulkujen sisällä olevat lausekkeet (alkaen sisältä ulospäin) 2. potenssit ja juurilausekkeet 3. kerto-

Lisätiedot

min x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2

min x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2 TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-39 Optimointioppi Kimmo Berg 6 harjoitus - ratkaisut min x + x x + x = () x f = 4x, h = x 4x + v = { { x + v = 4x + v = x = v/ x = v/4 () v/ v/4

Lisätiedot

Olkoot X ja Y riippumattomia satunnaismuuttujia, joiden odotusarvot, varianssit ja kovarianssi ovat

Olkoot X ja Y riippumattomia satunnaismuuttujia, joiden odotusarvot, varianssit ja kovarianssi ovat Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset / Rataisut Aiheet: Avainsanat: Satunnaismuuttujat ja todennäöisyysjaaumat Kertymäfuntio

Lisätiedot

lnx x 1 = = lim x = = lim lim 10 = x x0

lnx x 1 = = lim x = = lim lim 10 = x x0 BM0A580 - Differentiaalilaskenta ja sovellukset Harjoitus 5, Syksy 05. (a) (b) ln = sin(t π ) t π t π = = 0 = = cos(t π = ) = 0 t π (c) e [ = ] = = e e 3 = e = 0 = 0 (d) (e) 3 3 + 6 + 8 + 6 5 + 4 4 + 4

Lisätiedot

Luento 8 Vikaantumisprosessit ja käytettävyys

Luento 8 Vikaantumisprosessit ja käytettävyys Luento 8 Vikaantumisprosessit ja käytettävyys Jan-Erik Holmberg Systeemianalyysin laboratorio Aalto-yliopiston perustieteiden korkeakoulu PL 11100, 00076 Aalto jan-erik.holmberg@riskpilot.fi 1 Komponenttien

Lisätiedot

10. Toisen kertaluvun lineaariset differentiaaliyhtälöt

10. Toisen kertaluvun lineaariset differentiaaliyhtälöt 37. Toisen kertaluvun lineaariset differentiaalihtälöt Tarkastelemme muotoa () ( x) + a( x) ( x) + a( x) ( x) = b( x) olevia htälöitä, missä kerroinfunktiot ja oikea puoli ovat välillä I jatkuvia. Edellisen

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3

Lisätiedot

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1 Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 18 1 Kertausta: momenttimenetelmä ja suurimman uskottavuuden menetelmä 2 Tilastollinen

Lisätiedot

Esimerkki 19. Esimerkissä 16 miniminormiratkaisu on (ˆx 1, ˆx 2 ) = (1, 0).

Esimerkki 19. Esimerkissä 16 miniminormiratkaisu on (ˆx 1, ˆx 2 ) = (1, 0). Esimerkki 9 Esimerkissä 6 miniminormiratkaisu on (ˆx, ˆx (, 0 Seuraavaksi näytetään, että miniminormiratkaisuun siirtyminen poistaa likimääräisongelman epäyksikäsitteisyyden (mutta lisääntyvän ratkaisun

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

Insinöörimatematiikka D

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

Lisätiedot

Mat Investointiteoria Laskuharjoitus 4/2008, Ratkaisut

Mat Investointiteoria Laskuharjoitus 4/2008, Ratkaisut Projektien valintapäätöksiä voidaan pyrkiä tekemään esimerkiksi hyöty-kustannus-suhteen (so. tuottojen nykyarvo per kustannusten nykyarvo) tai nettonykyarvon (so. tuottojen nykyarvo - kustannusten nykyarvo)

Lisätiedot

ELEC C4140 Kenttäteoria (syksy 2015)

ELEC C4140 Kenttäteoria (syksy 2015) ELEC C4140 Kenttäteoria (syksy 2015) Henrik Wallén Luentoviiko 1 / versio 8. syyskuuta 2015 Johdanto (ti) Merkinnät ja yksiköt Kenttä- ja lähdesuureet Maxwellin yhtälöt ja väliaineyhtälöt Aallot ja osoittimet

Lisätiedot

Insinöörimatematiikka D

Insinöörimatematiikka D Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö

Lisätiedot

806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0.

806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0. 806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy 2012 1. Olkoon (X 1,X 2,...,X 25 ) satunnaisotos normaalijakaumasta N(µ,3 2 ) eli µ

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

Harjoitus 7: vastausvihjeet

Harjoitus 7: vastausvihjeet Taloustieteen matemaattiset menetelmät 31C01100 Kevät 2017 Topi Hokkanen topi.hokkanen@aalto.fi Harjoitus 7: vastausvihjeet 1. (Epäyhtälörajoitteet) Olkoon f (x, y) = 6x + 4y ja g (x, y) = x 2 + y 2 2.

Lisätiedot

Talousmatematiikan perusteet, L2 Kertaus Aiheet

Talousmatematiikan perusteet, L2 Kertaus Aiheet Talousmatematiikan perusteet, L2 Kertaus 1 Laskutoimitukset tehdään seuraavassa järjestyksessä 1. Sulkujen sisällä olevat lausekkeet (alkaen sisältä ulospäin) 2. potenssit ja juurilausekkeet 3. kerto-

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

MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ

MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ 1 YLIOPPILASTUTKINTO- LAUTAKUNTA 25.9.2017 MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ A-osa Ratkaise kaikki tämän osan tehtävät 1 4. Tehtävät arvostellaan pistein 0 6. Kunkin tehtävän ratkaisu kirjoitetaan tehtävän

Lisätiedot

763306A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 1 Kevät y' P. α φ

763306A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 1 Kevät y' P. α φ 76336A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 1 Kevät 217 1. Koordinaatiston muunnosmatriisi (a) y' P r α φ ' Tarkastellaan, mitä annettu muunnos = cos φ + y sin φ, y = sin φ + y cos φ, (1a) (1b) tekee

Lisätiedot

Harjoitus Tarkastellaan luentojen Esimerkin mukaista työttömyysmallinnusta. Merkitään. p(t) = hintaindeksi, π(t) = odotettu inflaatio,

Harjoitus Tarkastellaan luentojen Esimerkin mukaista työttömyysmallinnusta. Merkitään. p(t) = hintaindeksi, π(t) = odotettu inflaatio, Differentiaaliyhtälöt, Kesä 06 Harjoitus 3 Kaikissa tehtävissä, joissa pitää tarkastella kriittisten pisteiden stabiliteettia, jos kyseessä on satulapiste, ilmoita myös satulauraratkaisun (tai kriittisessä

Lisätiedot

Esimerkki 1 Ratkaise differentiaaliyhtälö

Esimerkki 1 Ratkaise differentiaaliyhtälö Esimerkki 1 Ratkaise differentiaaliyhtälö x 2 y xy =1/x. 1 / K. Tuominen kimmo.i.tuominen@helsinki.fi MApu II 1/20 20 Esimerkki 2 Ratkaise differentiaaliyhtälö x(ln y)y y ln x =0. 2 / K. Tuominen kimmo.i.tuominen@helsinki.fi

Lisätiedot

Insinöörimatematiikka D

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

Lisätiedot

Suhteellisuusteorian perusteet, harjoitus 6

Suhteellisuusteorian perusteet, harjoitus 6 Suhteellisuusteorian perusteet, harjoitus 6 May 5, 7 Tehtävä a) Valo kulkee nollageodeettia pitkin eli valolle pätee ds. Lisäksi oletetaan valon kulkevan radiaalisesti, jolloin dω. Näin ollen, kun K, saadaan

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

4. Lasketaan transienttivirrat ja -jännitteet kuvan piiristä. Piirielimien arvot ovat C =

4. Lasketaan transienttivirrat ja -jännitteet kuvan piiristä. Piirielimien arvot ovat C = BMA58 Funktiot, lineaarialgebra ja vektorit Harjoitus 6, Syksy 5. Olkoon [ 6 6 A =, B = 4 [ 3 4, C = 4 3 [ 5 Määritä matriisien A ja C ominaisarvot ja ominaisvektorit. Näytä lisäksi että matriisilla B

Lisätiedot