5. Stokastinen integrointi
|
|
- Jarkko Kouki
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 STOKASTISET DIFFERENTIAALIYHTÄLÖT Stokastinen integrointi Olemme lopulta käyneet läpi tarvittavat tiedot peruskäsitteistä ja voimme aloittaa stokastisen integroinnin (ja siten stokastisen derivoinnin määrittelemisen. Aloitamme helpoimmista tapauksista ensin ja laajennamme käsitettä, kunnes se on tarpeisiimme riittävä Stokastinen integrointi Brownin liikkeen suhteen. Ihan aluksi käymme käsiksi integrointiin yksiulotteisen Brownin liikkeen suhteen. Reuna-arvotehtävän diskreetistä versiosta havaitsemme, että tarvittavan yleistyksen tulisi toteuttaa ehto: E τ H(tdB(t = pysähdyshetkillä τ. Toisaalta, jos stokastinen integraali on ainakin càdlàg prosessi, niin tiedämme, että tämä on yhtäpitävää martingaalioletuksen nojalla. Haluamme siis, että stokastinen integraali on martingaali. Olemme aiemmin todenneet, että stokastinen integraali ei voi olla täysin perinteistä integraalia vastaava ja Kiyoshi Itōn kaunis ajatus olikin, että integroitavien prosessien luokkaa on hieman rajoitettava, jotta kunnollinen integroinnin teoria on muotoiltavissa. Seuraava esimerkki selventänee siten jatkossa tehtäviä rajoituksia Esimerkki. Palaamme kysymykseen, mitä on t B s db s? Jos diskretoimme ajan tasavälein h = t/n ja merkitsemme t k := kh, niin perinteisen Riemannin Stieltjesin integraalin määritelmän nojalla vastaus saadaan raja-arvona summista B(s k (B(t k+1 B(t k, k kun t k s k t k+1 on vapaasti valittu piste. Koska integroitava on jatkuva, niin Lebesguen Stieltjesin integraali antaisi kuitenkin saman vastauksen. Funktionaalianalyysin perustuloksen (eli ns. tasaisen rajoituksen periaatteen mukaan tämä ei voi onnistua, joten jotain muuta on tehtävä. Yksinkertainen ratkaisu on: ei sallita pisteen s k vapaata valintaa, vaan valitaan se joka kerta tarkalleen saman säännön mukaan. Eräs sääntö olisi: s k = t k jokaisella k. Muita helppoja sääntöjä olisi s k = t k+1 tai s k = 1 2 (t k+t k+1. Katsotaan, mitä tapahtuu, jos valitsemme säännön s k = t k+1.tällöin tarkastelemme siis summien X n (t := B(t k+1 (B(t k+1 B(t k = B(t k+1 B(t k+1
2 56 STOKASTISET DIFFERENTIAALIYHTÄLÖT rajakäytöstä. Ensimmäinen mitä voimme laskea, on rajan odotusarvo. Koska E X n (t = ( E ( + B(t k 2 + E B tk + B(t k k niin E ( + B(t k 2 = h ja E B tk + B(t k =, joten E X n (t = h = nh = t eli ainakaan tällöin raja ei voi olla martingaali. Toisaalta käytimme hyväksi sitä, että valinta s k = t k johtaa siihen, että W n (t := B(t k (B(t k+1 B(t k = B(t k + B(t k käyttäytyy ainakin odotusarvon suhteen oikealla tavalla, sillä E W n (t = jokaisella n. Voimme itse asiassa laskea tarkasti nämä summat. Käytämme hyväksi Abelin summausta eli summaamme osittain, jonka mukaan a k + b k = a n 1 b n a b b k a k jos a k = B(t k =b k, niin vasen puoli on W n (t. Oikealla puolella oleva summa taas on missä n 2 B(t k B(t k = B(t k+1 B(t k+1 =X n (t B(t n B(t n joten saamme yhtälön = W n (t+y n (t B(t n B(t n Y n (t := ( + B(t k 2 W n (t =B(t n 1 B(t n +B(t n (B(t n B(t n 1 W n (t Y n (t, joten voimme ratkaista yhtälöstä termin W n ja saamme W n (t = 1 2 B(t2 1 2 Y n(t. Jälkimmäinen termi on riippumattomattomien ja samoin jakautuneiden satunnaismuuttujien summa ja jos katsomme tarkemmin, niin + B(t n hb(1, joten jos ξ n =( + B(t n / h 2, niin (ξ n on riippumattomia ja samoin jakautuneita, ja niiden odotusarvo E ξ 1 = 1 ja ( 1 Y n (t =h ξ k = t ξ k t n k
3 STOKASTISET DIFFERENTIAALIYHTÄLÖT 57 melkein varmasti suurten lukujen lain nojalla. Siispä myös W n (t W (t := 1 2 B(t2 1t melkein varmasti. Tämän avulla voimme myös päätellä, että X 2 n(t 1 2 B(t t melkein varmasti. Aikaisemman esimerkin nojalla tiedämme, että W (t on martingaali Brownin liikkeen historian suhteen, joten valinta s k = t k valinta vaikuttaa sopivalta strategialta. Jatkossa (F t on Brownin liikkeen (täydennetty historia. Tämän esimerkin motivoimana määrittelemme (mukaellen Durretin merkintojä 5.2. Määritelmä. Sanomme, että prosessi H s on elementaarinen optionaalinen prosessi, jos H(s, ω =C(ω[ s [a, b] kun a<bja C on F a -mitallinen. Merkitsemme tällöin, että H Λ. Jos hetken mietimme, mitä integroinnin tulisi tarkoittaa, niin varmastikin seuraavan tulisi toteutua Alustava määritelmä. Kun H(s, ω =C(ω[ s [a, b] Λ, niin määrittelemme, että (H B := H s db(s := C(B(b B(a ja edelleen, (H B t := Tärkeä tulos on t H s db(s := H s [ s [,t ] db(s 5.4. Lemma. Jos H bλ = { H Λ : sup H(s, ω < }, niin prosessi (H B t on (F t -martingaali. Todistus. Harjoitustehtävä (HT. Seuraavan lemman avulla elementaarit optionaaliset prosessit on mahdollista yleistää suuremmiksi luokiksi Lemma. Jos H, K bλ, niin E (H B (K B = E H s K s ds. Jos edellä olevassa lemmassa valitsemme käytämme prosesseja H s [ s<t] ja K s [ s<t], niin t E (H B t (K B t = E H s K s [ s<t]ds = E H s K s ds
4 58 STOKASTISET DIFFERENTIAALIYHTÄLÖT Lemman 5.5 todistus. Oletetaan aluksi, että H s = C[ s [a, b ] ja K s = D[ s [a, b ]. Tällöin H s K s = CD[ s [a, b ] ja siis H s K s ds = CD(b a Toisaalta (H B (K B = CD(B(b B(a 2, joten E ((H B (K B H a =CDE B(b a 2 = CD(b a Ottamalla odotusarvot lemman väite pitää paikkaansa tässä tapauksessa. Oletetaan sitten, ettävälit [a, b < [c, d ja H = C[ s [a, b ] ja K = D[ s [c, d ]. Tällöin H s K s = ja jos vasemman puolen termi ehdollistetaan hetken b suhteen, havaitsemme E ((H B (K B H b = (H B E ((K B H b =(H B (K B b =, joten väite on osoitettu ottamalla odotusarvot myös tässä tilanteessa. Yleinen tilanne seuraa näistä lineaarisuuden avulla (HT. Edellisen lemman seurauksena, kun K = H saamme seuraavan kaavan E (H B 2 t = E t H(s 2 ds. Tämä on esiversio ns. Itōn lemmasta, joka on keskeinen työkalu tämän stokastisen integraalin yleistämiseksi yleisemmille prosesseille. Määrittelemme seuraavaksi seuraavan integroitavien prosessien luokan ja yleistämme kaikki edelliset tälle luokalle Määritelmä. Sanomme, että prosessi H s on yksinkertainen optionaalinen prosessi, jos m H(s, ω = H k (s, ω ja H k Λ. Merkitsemme tällöin, että H Λ 1. Jos lisäksi sup H(s, ω <, niin merkitsemme H bλ 1. Koska voimme aina esittää yksinkertaisen optionaalisen prosessin yksikäsitteisesti kanonisessa muodossa, eli H = H k ja H j H k =, kun j k, on seuraava määritelmä integraalille hyvin asetettu Alustava määritelmä. Kun H(s =H 1 (s+... H m (s Λ 1 ja H j H k =, kun k j niin määrittelemme, että m t (H B t := H k (sdb(s.
5 STOKASTISET DIFFERENTIAALIYHTÄLÖT Lemma. Lemmat 5.27 sekä 5.5 yleistyvät tilanteeseen, kun H, K bλ 1. Seuraavaksi haluaisimme yleistää integroituvat prosessit jonkin rajankäynnin kautta, mutta mitä tulemme vaatimaan prosesseilta. Tämä kysymys liittyy johdattelevaan esimerkkiin, jolla aloitimme. Havaitsemme, että voimme esittää esimerkin prosessin W n (t stokastisena integraalina W n (t := k B(t k (B(t k+1 B(t k = (H n B t kun H n (s, ω = k B(t k,ω[ s [t k,t k+1 ]. Toisaalta, mikään ei tähän mennessä ole selittänyt, miksi määrittelimme yksinkertaiset prosessit càdlàg-prosesseina. Miksi emme määritelleet niitä vaikka càglàd-prosesseina, jolloin H n (s, ω = k B(t k,ω[ s (t k,t k+1 ]]. Näillä vasemmalta jatkuvilla yksinkertaisilla prosesseilla on nimi Määritelmä. Sanomme, että prosessi H s on elementaarinen ennustettava prosessi, jos H(s, ω =C(ω[ s (a, b]] kun a<bja C on F a -mitallinen. Merkitsemme tällöin, että H Π. Vastaavasti elementaaristen ennustettavien prosessien summat ansaitsevat nimen Määritelmä. Sanomme, että prosessi H s on yksinkertainen ennustettava prosessi, jos m H(s, ω = H k (s, ω ja H k Π 1. Merkitsemme tällöin, että H Π 1. Jos lisäksi sup H(s, ω <, niin merkitsemme H bπ 1. Voimme nyt selittää sanat optionaalinen ja ennustettava, jotka määritelmissä kummittelevat Määritelmä. Sanomme, että σ-algebra Λ := σ{ H :Ω T R : H on adaptoitu càdlàg-prosessi } F t B(T on optionaalinen ja σ-algebra Π := σ{ H :Ω T R : H on adaptoitu càglàd-prosessi } F t B(T.
6 6 STOKASTISET DIFFERENTIAALIYHTÄLÖT on ennustettava. Jos H on Λ-mitallinen prosessi, niin sanomme että H on optionaalinen prosessi ja jos H on Π-mitallinen, niin sanomme sitä ennustettavaksi prosessiksi. Ero tuntuu intuitiivisesti mitättömältä. Tiedämme ainakin, että Λ Λ 1 Λ ja Π Π 1 Π. Mutta ennustettavat prosessit ovat tietyllä tapaa helpompia, sillä Lemma. Ennustettava σ-algebra voidaan esittää muodossa Π= σ({ A (a, b] : A F a } =: G. Todistus. Koska prosessi H(s = A[ s (a, b] ] on càglàd-prosessi ja adaptoitu, niin G Π. Toisaalta, jos H on adaptoitu càglàd-prosessi, niin H ε (s, ω := H(ŝ ε,ω[ s (ŝ ε, ŝ ε + ε]] on adaptoitu, càglàd-prosessi, joka on G -mitallinen. Koska H on vasemmalta jatkuva, niin H 2 n H, joten myös H on G -mitallinen. Seurauksena tästä on Lemma. Aina on voimassa Π Λ. Todistus. Jos H(s =A[ s (a, b] ], niin H n (s =A[ s [a +1/n, b +1/n ] on adaptoitu càdlàg-prosessi ja H n H. Voimme siis päätellä, että A (a, b] Λ- mitallinen ja siten edellisen lemman perusteella Π Λ. Herää kysymys, onko Π = Λ? Voimme vastaavasti helposti osoittaa, että Λ σ({ A [a, b : A F a }. Toinen suunta ei onnistukaan, sillä ainoa järkevä adaptoitu, càdlàg-approksimaatio H ε (s, ω := H(ŝ ε,ω[ s [ŝ ε, ŝ ε + ε] ei välttämättä lähesty vaadittua prosessia H, sillä tarvitsisimme tähän vasemmalta jatkuvuutta! Itse asiassa, yleisesti Π Λ. Toteamme seuraavan tuloksen (ilman todistusta Lause. Jos (F t on oikealta jatkuva ja täydennetty filtraatio, niin Π=Λ, jos jokainen (F t -martingaali on jatkuva. Todistus. Katso Revuz Yor. Jatkon kannalta mukava tietää, että tällaisia filtraatioita löytyy Lause. Jokainen (Ĥt-martingaali on jatkuva.
7 STOKASTISET DIFFERENTIAALIYHTÄLÖT 61 Jos siis tarkastelemme vain martingaaleja Brownin liikkeen täydennetyn historian suhteen, kaikki on jatkuvaa, kaunista ja mukavaa. Brownin liikkeen suhteen laskettaessa ennustettavuus ja optionaalisuus ovat sama asia, vaikka yleensä ne eivät sitä ole. Määrittelemmekin jatkossa integraalit pelkästään ennustettaville prosesseilla ja käytämme tätä yhteyttä Stokastinen integrointi jatkuvan lokaalin martingaalin suhteen. Olemme nyt pohtineet jo varsin paljon, mikä olisi sopiva integroitavien prosessien luokka. Osoitamme seuraavaksi Lemmojen 5.27 ja 5.5 vastineet ennustettaville prosesseille, mutta nyt jatkuvien lokaalien martingaalien suhteen. Miksi tarvitsemme tätä yleisyyttä, eikö pelkkä Brownin liike riitäkkään? Vastaus on helppo. Jopa malliesimerkissämme tarkastelimme Brownin liikettä satunnaisella välillä [,τ]. Emme kykene edes määrittelemään martingaaleja satunnaiselle välille, mutta lokaali martingaali on helppo määrittää. Seuraavassa (F t on filtraatio ja X on jatkuva lokaali martingaali sen suhteen. Ensimmäinen määritelmä on selviö Alustava määritelmä. Kun H(s, ω = C(ω[ s (a, b]] Π, niin määrittelemme, että (H X := H s dx(s := C(X(b X(a ja edelleen, (H X t := t H s dx(s := H s [ s [,t ] dx(s Jos τ on pysähdyshetki ja H = C[ s (a, b] ], niin (H X t τ =(H X τ t, siispä jos X osoitamme (H X t on martingaali, jos X on martingaali, niin edellisestä seuraa, että (H X t on lokaali martingaali, jos X on lokaali martingaali Lemma. Jos H bπ ja X on martingaali, niin prosessi (H X t on (F t -martingaali. Todistus. HT. Seuraavaksi haluaisimme yleistää Lemman 5.5. Jos tarkastelemme Lemman 5.5 todistusta, niin havaitsemme, että jos H = C[ s (a, b] ] ja K = D[ s (a, b] ], niin E ((H X (K X H a =CDE ( (X(b X(a 2 H a
8 62 STOKASTISET DIFFERENTIAALIYHTÄLÖT Jotta saisimme Lemman 5.5 yleistyksen, haluaisimme toisaalta, että oikealla puolella olisi ( b E CDdA(s H a = CDE (A(b A(a H t a] a missä A on jokin rajoitetusti heilahteleva funktio. Koska martingaaliominaisuuden avulla E ( (X(b X(a 2 H a = E ( (X(b 2 H a X(a 2, joten yleistys olisi mielekäs jos E (Z(b Z(a H t a] = kun Z(t := X(t 2 A(t. Jos A on adaptoitu, niin myös Z olisi adaptoitu, joten edellä mainittu yleistys olisi voimassa, jos Z on martingaali. Tätä varten tarvitsemme seuraavan tiedon, jonka mukaan tämä on todellakin mahdollista Lause. Jos X on jatkuva lokaali martingaali, niin löytyy sellainen yksikäsitteinen ennustettava kasvava prosessi X, että X =ja X(t 2 X t on lokaali martingaali. Sanomme lauseen prosessia X prosessin X varianssiprosessiksi. Jos X ja Y ovat kaksi lokaalia martingaalia, niin määrittelemme tämän avulla niiden kovarianssiprosessin Tällä on seuraava tärkeä ominaisuus: X, Y t := 1 4( X + Y t X Y t Lemma. Jos X ja Y ovat jatkuvia lokaaleja martingaaleja, niin X, Y on se yksikäsitteinen lokaalisti rajoitetusti heilahteleva ennustettava prosessi, että X, Y =ja on jatkuva lokaali martingaali. XY t X, Y t Todistus. Jälleen väite riittää osoittaa rajoitetuille martingaaleille. Tällöin koska E ( (X ± Y 2 t X ± Y t F s =(X ± Y 2 s X ± Y x ja (X ± Y 2 t = Xt 2 ± 2X t Y t + Yt 2, joten (X + Y 2 t (X Y 2 t =4X t Y t. Koska vastaavasti X + Y t X Y t =4 X, Y t, niin väite seuraa vähennyslaskulla. Ennenkuin osoitamme tämän lauseen, näytämme sen avulla Lemman 5.5 yleistyksen.
4. Martingaalit ja lokaalit martingaalit
STOKASTISET DIFFERENTIAALIYHTÄLÖT 45 4. Martingaalit ja lokaalit martingaalit Lähestymme nyt jo kovaa vauhtia hetkeä, jolloin voimme aloittaa stokastisen integroinnin. Ennen sitä käymme vielä läpi yhtä
LisätiedotM 2 M = sup E M 2 t. E X t = lim. niin martingaalikonvergenssilauseen oletukset ovat voimassa, eli löydämme satunnaismuuttujan M, joka toteuttaa ehdon
Matematiian ja tilastotieteen laitos Stoastiset differentiaaliyhtälöt Rataisuehdotelma Harjoituseen 7 1. Näytä, että uvaus M M M 2, un M 2 M = sup E M 2 t 2 t 0 on normi jouossa M 2 = { M : M on martingaali
LisätiedotMatematiikan ja tilastotieteen laitos Stokastiset differentiaaliyhtälöt Ratkaisuehdotelma Harjoitukseen 5
Matematiikan ja tilastotieteen laitos Stokastiset differentiaaliyhtälöt Ratkaisuehdotelma Harjoitukseen 5 1. Näytä, että X t := Bt 3 3tB t on martingaali Brownin liikkeen B historian suhteen. Ratkaisuehdotus:
LisätiedotX k+1 X k X k+1 X k 1 1
Matematiikan ja tilastotieteen laitos Stokastiset differentiaaliyhtälöt Ratkaisuehdotelma Harjoitukseen 4 1. Oletetaan, että X n toteuttaa toisen kertaluvun differenssiyhtälön X k+2 2X k+1 + 2X k = ξ k,
Lisätiedot= X s + IE[X t X s ] = 0, s ja sitä, että ehdollinen odotusarvo on tavallinen odotusarvo silloin, kun satunnaismuuttuja
44 E. VALKEILA 6. Geometrinen Brownin liike 6.1. Brownin liike ja Iton kaava. Tavoitteena on mallintaa osakkeen tuottoa jatkuvassa ajassa. Jos (S t ) t T on osakkeen hintaprosessi, niin tuotolla tarkoitetaan
LisätiedotSTOKASTISET DIFFERENTIAALIYHTÄLÖT 115
STOKASTISET DIFFERENTIAALIYHTÄLÖT 115 7. Stokastiset differentiaaliyhtälöt Kävimme läpi edellisessä kappaleessa kaksi reuna-arvotehtävää, jotka voidaan ratkaista stokastisen integroinnin avulla käyttäen
Lisätiedot6. Sovelluksia stokastiselle integroinnille
92 STOKASTISET DIFFERENTIAALIYHTÄLÖT 6. Sovelluksia stokastiselle integroinnille 6.1. Uusia martingaaleja. Tähän mennessä olemme löytäneet vain kourallisen martingaaleja eli tiedämme, että B t on martingaali,
Lisätiedot7. Tasaisen rajoituksen periaate
18 FUNKTIONAALIANALYYSIN PERUSKURSSI 7. Tasaisen rajoituksen periaate Täydellisyydestä puristetaan maksimaalinen hyöty seuraavan Bairen lauseen avulla. Bairen lause on keskeinen todistettaessa kahta funktionaalianalyysin
Lisätiedot3 = Lisäksi z(4, 9) = = 21, joten kysytty lineaarinen approksimaatio on. L(x,y) =
BM20A5810 Differentiaalilaskenta ja sovellukset Harjoitus 6, Syksy 2016 1. (a) Olkoon z = z(x,y) = yx 1/2 + y 1/2. Muodosta z:lle lineaarinen approksimaatio L(x,y) siten että approksimaation ja z:n arvot
LisätiedotV 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
Lisätiedot8. Avoimen kuvauksen lause
116 FUNKTIONAALIANALYYSIN PERUSKURSSI 8. Avoimen kuvauksen lause Palautamme aluksi mieleen Topologian kursseilta ehkä tutut perusasiat yleisestä avoimen kuvauksen käsitteestä. Määrittelemme ensin avoimen
LisätiedotKonvergenssilauseita
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
Lisätiedot6.4. Feynmanin Kacin kaava. Edellisessä osassa näytimme, että tietyin oletuksin. on Dirichlet n reuna-arvotehtävän.
14 STOKASTISET DIFFERENTIAALIYHTÄLÖT 6.4. Feynmanin Kacin kaava. Edellisessä osassa näytimme, että tietyin oletuksin on Dirichlet n reuna-arvotehtävän w = u(x) =E x f(b τ ) w = f alueessa G reunalla Γ
LisätiedotBlack Scholes-hinnoittelumallin robustisuus ja tyylitellyt tosiseikat
Black Scholes-hinnoittelumallin robustisuus ja tyylitellyt tosiseikat Tommi Sottinen, Helsingin yliopisto Yhteistyössä C. Bender, TU Braunschweig E. Valkeila, Teknillinen korkeakoulu 10. lokakuuta 2006
LisätiedotIV. 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
Lisätiedot4.3 Moniulotteinen Riemannin integraali
4.3 Moniulotteinen Riemannin integraali Tässä luvussa opitaan miten integroidaan usean muuttujan reaaliarvoista tai vektoriarvoista funktiota, millaisten joukkojen yli jatkuvaa funktiota voi integroida,
Lisätiedot1 sup- ja inf-esimerkkejä
Alla olevat kohdat (erityisesti todistukset) ovat lähinnä oheislukemista reaaliluvuista, mutta joihinkin niistä palataan myöhemmin kurssilla. 1 sup- ja inf-esimerkkejä Kaarenpituus. Olkoon r: [a, b] R
Lisätiedotsaadaan 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
Lisätiedotsaadaan 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
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio
Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio
LisätiedotWiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia
Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia { z(t k+1 ) = z(t k ) + ɛ(t k ) t t k+1 = t k + t, k = 0,..., N, missä ɛ(t i ), ɛ(t j ), i j ovat toisistaan riippumattomia siten, että
LisätiedotFunktiot. 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 ],
Lisätiedoty x1 σ t 1 = c y x 1 σ t 1 = y x 2 σ t 2 y x 2 x 1 y = σ(t 2 t 1 ) x 2 x 1 y t 2 t 1
1. Tarkastellaan funktiota missä σ C ja y (y 1,..., y n ) R n. u : R n R C, u(x, t) e i(y x σt), (a) Miksi funktiota u(x, t) voidaan kutsua tasoaalloksi, jonka aaltorintama on kohtisuorassa vektorin y
LisätiedotVasen johto S AB ab ab esittää jäsennyspuun kasvattamista vasemmalta alkaen:
Vasen johto S AB ab ab esittää jäsennyspuun kasvattamista vasemmalta alkaen: S A S B Samaan jäsennyspuuhun päästään myös johdolla S AB Ab ab: S A S B Yhteen jäsennyspuuhun liittyy aina tasan yksi vasen
LisätiedotMS-C1350 Osittaisdifferentiaaliyhtälöt Harjoitukset 5, syksy Mallivastaukset
MS-C350 Osittaisdifferentiaaliyhtälöt Haroitukset 5, syksy 207. Oletetaan, että a > 0 a funktio u on yhtälön u a u = 0 ratkaisu. a Osoita, että funktio vx, t = u x, t toteuttaa yhtälön a v = 0. b Osoita,
Lisätiedot1 sup- ja inf-esimerkkejä
Alla olevat kohdat (erityisesti todistukset) ovat lähinnä oheislukemista reaaliluvuista, mutta joihinkin niistä palataan myöhemmin kurssilla. 1 sup- ja inf-esimerkkejä Nollakohdan olemassaolo. Kaikki tuntevat
LisätiedotHarjoitus 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
LisätiedotSekalaiset 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
Lisätiedot3 Yleistä estimointiteoriaa. Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin
3 Yleistä estimointiteoriaa Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin 3.1 Johdanto Tähän mennessä olemme tarkastelleet estimointia
Lisätiedot6.2.3 Spektrikertymäfunktio
ja prosessin (I + θl + + θl q )ε t spektritiheysfunktio on Lemman 6. ja Esimerkin 6.4 nojalla σ π 1 + θ 1e iω + + θ q e iqω. Koska viivepolynomien avulla määritellyt prosessit yhtyvät, niin myös niiden
LisätiedotSeuraava topologisluonteinen lause on nk. Bairen lause tai Bairen kategorialause, n=1
FUNKTIONAALIANALYYSIN PERUSKURSSI 115 7. Tasaisen rajoituksen periaate Täydellisyydestä puristetaan maksimaalinen hyöty seuraavan Bairen lauseen avulla. Bairen lause on keskeinen todistettaessa kahta funktionaalianalyysin
Lisätiedot5 Funktion jatkuvuus ANALYYSI A, HARJOITUSTEHTÄVIÄ, KEVÄT Määritelmä ja perustuloksia
ANALYYSI A, HARJOITUSTEHTÄVIÄ, KEVÄT 2018 5 Funktion jatkuvuus 5.1 Määritelmä ja perustuloksia 1. Tarkastellaan väitettä a > 0: b > 0: c > 0: d U c (a): f(d) / U b (f(a)), missä a, b, c, d R. Mitä funktion
Lisätiedot2 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.
LisätiedotPolkuintegraali yleistyy helposti paloitain C 1 -poluille. Määritelmä Olkoot γ : [a, b] R m paloittain C 1 -polku välin [a, b] jaon
Polkuintegraali yleistyy helposti paloitain C 1 -poluille. Määritelmä 4.1.3. Olkoot : [a, b] R m paloittain C 1 -polku välin [a, b] jaon P = {a = t 1 < < t k = b} ja joukko D R m sellainen, että ([a, b])
Lisätiedot6. Toisen ja korkeamman kertaluvun lineaariset
SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 51 6. Toisen ja korkeamman kertaluvun lineaariset differentiaaliyhtälöt Määritelmä 6.1. Olkoon I R avoin väli. Olkoot p i : I R, i = 0, 1, 2,..., n, ja q : I R jatkuvia
LisätiedotJohdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita
LisätiedotTehtäväsarja 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..
LisätiedotE-MARTINGAALIT JA NIIDEN SOVELLUKSIA
E-MARTINGAALIT JA NIIDEN SOVELLUKSIA Pro Gradu -tutkielma MIKA SIRVIÖ hyväksytty 2. helmikuuta 24 Matematiikan ja tilastotieteen laitos Helsingin yliopisto SISÄLTÖ I. Johdanto..............................
LisätiedotMS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 3: Jatkuvuus
MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 3: Jatkuvuus Pekka Alestalo, Jarmo Malinen Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos 19.9.2016 Pekka Alestalo, Jarmo
LisätiedotCantorin 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
LisätiedotMatematiikan tukikurssi: kurssikerta 12
Matematiikan tukikurssi: kurssikerta 2 Tenttiin valmentavia harjoituksia Huomio. Tähän tulee lisää ratkaisuja sitä mukaan kun ehin niitä kirjoittaa. Kurssilla käyään läpi tehtävistä niin monta kuin mahollista.
Lisätiedot3 Yleistä estimointiteoriaa. Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin
3 Yleistä estimointiteoriaa Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin 3.1 Johdanto Tähän mennessä olemme tarkastelleet estimointia
Lisätiedot3.6 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=p(x) + p(y), joten ehto (N1) on voimassa. Jos lisäksi λ on skalaari, niin
FUNKTIONAALIANALYYSI, RATKAISUT 1 KEVÄT 211, (AP) 1. Ovatko seuraavat reaaliarvoiset funktiot p : R 3 R normeja? Ovatko ne seminormeja? ( x = (x 1, x 2, x 3 ) R 3 ) a) p(x) := x 2 1 + x 2 2 + x 2 3, b)
LisätiedotAnalyysi 1. Harjoituksia lukuihin 4 7 / Syksy Tutki funktion f(x) = x 2 + x 2 jatkuvuutta pisteissä x = 0 ja x = 1.
Analyysi 1 Harjoituksia lukuihin 4 7 / Syksy 014 1. Tutki funktion x + x jatkuvuutta pisteissä x = 0 ja x = 1.. Määritä vakiot a ja b siten, että funktio a x cos x + b x + b sin x, kun x 0, x 4, kun x
Lisätiedot1 Määrittelyjä ja aputuloksia
1 Määrittelyjä ja aputuloksia 1.1 Supremum ja infimum Aluksi kerrataan pienimmän ylärajan (supremum) ja suurimman alarajan (infimum) perusominaisuuksia ja esitetään muutamia myöhemmissä todistuksissa tarvittavia
LisätiedotU missä U A := {U R n : U avoin ja U A}; intuitiivisesti suurin avoin joukko, joka sisältyy A:han. Määritellään A:n sulkeuma A := F F A
Mitta a integraali Kesä 2 4. tehtävät Malliratkaisut (LS). Olkoon a i R i =, 2,... ono. Sanotaan, että i a i = os kaikille M R on olemassa i, olle kaikille i i pätee a i M. Sanotaan, että i a i = os i
LisätiedotMatriisiteoria Harjoitus 1, kevät Olkoon. cos α sin α A(α) = . sin α cos α. Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?
Harjoitus 1, kevät 007 1. Olkoon [ ] cos α sin α A(α) =. sin α cos α Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?. Olkoon a x y A = 0 b z, 0 0 c missä a, b, c 0. Määrää käänteismatriisi
LisätiedotTransversaalit ja hajoamisaliryhmät
Transversaalit ja hajoamisaliryhmät Graduseminaariesitelmä Miikka Rytty Matemaattisten tieteiden laitos Oulun yliopisto 2006 Motivointi Esimerkki 1 (Ryhmäteorian kurssin harjoitustehtävä). Jos G on ryhmä,
LisätiedotJATKUVAT SEMIMARTINGAALIT JA FILTRAATION ALKULAAJENNUS. Mikko Pakkanen. Pro gradu-tutkielma
JATKUVAT SEMIMARTINGAALIT JA FILTRAATION ALKULAAJENNUS Pro gradu-tutkielma Mikko Pakkanen Ohjaaja ja tarkastaja: dos. Tommi Sottinen Toinen tarkastaja: dos. Harri Nyrhinen MATEMAATTIS-LUONNONTIETEELLINEN
LisätiedotTäydellisyysaksiooman kertaus
Täydellisyysaksiooman kertaus Luku M R on joukon A R yläraja, jos a M kaikille a A. Luku M R on joukon A R alaraja, jos a M kaikille a A. A on ylhäältä (vast. alhaalta) rajoitettu, jos sillä on jokin yläraja
Lisätiedota ord 13 (a)
JOHDATUS LUKUTEORIAAN (syksy 2017) HARJOITUS 4, MALLIRATKAISUT Tehtävä 1. Etsi asteet ord p (a) luvuille a 1, 2,..., p 1 kun p = 13 ja kun p = 17. (ii) Mitkä jäännösluokat ovat primitiivisiä juuria (mod
LisätiedotOletetaan sitten, että γ(i) = η(j). Koska γ ja η ovat Jordan-polku, ne ovat jatkuvia injektiivisiä kuvauksia kompaktilta joukolta, ja määrittävät
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi II, syksy 18 Harjoitus 6 Ratkaisuehdotukset Tehtävä 1. Osoita, että sileille Jordan-poluille on voimassa : I R n ja : J R n (I) = (J) jos ja vain
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt, osa 1 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 20 R. Kangaslampi Matriisihajotelmista
LisätiedotSallitut apuvälineet: kirjoitusvälineet, laskin sekä käsinkirjoitettu, A4-kokoinen lunttilappu ja MAOL taulukkokirjaa
Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II. kurssikoe 18.1.15 Sallitut apuvälineet: kirjoitusvälineet, laskin sekä käsinkirjoitettu, A4-kokoinen lunttilappu ja MAOL taulukkokirjaa
Lisätiedotu = 2 u (9.1) x + 2 u
9. Poissonin integraali 9.. Poissonin integraali. Ratkaistaan Diriclet n reuna-arvotehtävä origokeskisessä, R-säteisessä ympyrässä D = {(x, y) R x +y < R }, t.s. kun f : D R on annettu jatkuva funktio,
LisätiedotKOMPLEKSIANALYYSI I KURSSI SYKSY 2012
KOMPLEKSIANALYYSI I KURSSI SYKSY 212 RITVA HURRI-SYRJÄNEN 6.1. Poluista. 6. Kompleksinen integrointi Olkoon [α, β] suljettu reaaliakselin väli, α < β, ja olkoon A kompleksitason avoin joukko. Polku on
Lisätiedot(1) refleksiivinen, (2) symmetrinen ja (3) transitiivinen.
Matematiikassa ja muuallakin joudutaan usein tekemisiin sellaisten relaatioiden kanssa, joiden lakina on tietyn ominaisuuden samuus. Tietyn ominaisuuden samuus -relaatio on ekvivalenssi; se on (1) refleksiivinen,
LisätiedotLUKU 6. Mitalliset funktiot
LUKU 6 Mitalliset funktiot Määritelmistä 3. ja 3.0 seuraa, että jokainen Lebesgue-integroituva funktio on porrasfunktiojonon raja-arvo melkein kaikkialla. Kuitenkin moni tuttu funktio ei ole Lebesgue-integroituva.
LisätiedotTässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä:
4. Tyhjentyvyys Tässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä: Voidaanko päätelmät perustaa johonkin tunnuslukuun t = t(y) koko aineiston y sijasta? Mitä
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 4 Supremum ja inmum Tarkastellaan aluksi avointa väliä, Tämä on joukko, johon kuuluvat kaikki reaaliluvut miinus yhdestä yhteen Kuitenkaan päätepisteet eli luvut ja
LisätiedotMatematiikan tukikurssi, kurssikerta 3
Matematiikan tukikurssi, kurssikerta 3 1 Epäyhtälöitä Aivan aluksi lienee syytä esittää luvun itseisarvon määritelmä: { x kun x 0 x = x kun x < 0 Siispä esimerkiksi 10 = 10 ja 10 = 10. Seuraavaksi listaus
LisätiedotFourier-analyysi, I/19-20, Mallivastaukset, Laskuharjoitus 7
MS-C14, Fourier-analyysi, I/19- Fourier-analyysi, I/19-, Mallivastaukset, Laskuharjoitus 7 Harjoitustehtävä 7.1. Hetkellä t R olkoon s(t) 1 + cos(4πt) + sin(6πt). Laske tämän 1-periodisen signaalin s Fourier-kertoimet
LisätiedotNumeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 12 Kirsi Valjus Jyväskylän yliopisto Luento 12 () Numeeriset menetelmät 25.4.2013 1 / 33 Luennon 2 sisältö Tavallisten differentiaaliyhtälöiden numeriikasta Rungen
LisätiedotTopologia I Harjoitus 6, kevät 2010 Ratkaisuehdotus
Topologia I Harjoitus 6, kevät 2010 Ratkaisuehdotus 1. (5:7) Olkoon E normiavaruus, I = [0, 1] ja f, g : I E jatkuvia. Osoita, että yhtälön h(s, t) = (1 t)f(s) + tg(s) määrittelemä kuvaus h : I 2 E on
LisätiedotMatematiikassa ja muuallakin joudutaan usein tekemisiin sellaisten relaatioiden kanssa, joiden lakina on tietyn ominaisuuden samuus.
Matematiikassa ja muuallakin joudutaan usein tekemisiin sellaisten relaatioiden kanssa, joiden lakina on tietyn ominaisuuden samuus. Matematiikassa ja muuallakin joudutaan usein tekemisiin sellaisten relaatioiden
LisätiedotKuvauksista ja relaatioista. Jonna Makkonen Ilari Vallivaara
Kuvauksista ja relaatioista Jonna Makkonen Ilari Vallivaara 20. lokakuuta 2004 Sisältö 1 Esipuhe 2 2 Kuvauksista 3 3 Relaatioista 8 Lähdeluettelo 12 1 1 Esipuhe Joukot ja relaatiot ovat periaatteessa äärimmäisen
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 2 Lisää osamurtoja Tutkitaan jälleen rationaalifunktion P(x)/Q(x) integrointia. Aiemmin käsittelimme tapauksen, jossa nimittäjä voidaan esittää muodossa Q(x) = a(x x
Lisätiedot3. Teoriaharjoitukset
3. Teoriaharjoitukset Demotehtävät 3.1 a Olkoot u ja v satunnaumuuttujia, joilla on seuraavat ominaisuudet: E(u = E(v = 0 Var(u = Var(v = σ 2 Cov(u, v = E(uv = 0 Näytä että deterministinen prosessi. x
LisätiedotFraktionaalisen volatiliteettimallin arbitraasivapaus ja täydellisyys
HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Tiedekunta/Osasto Fakultet/Sektion Faculty Laitos Institution Department Matemaattis-luonnontieteellinen Tekijä Författare Author Antti
Lisätiedot13. Taylorin polynomi; funktioiden approksimoinnista. Muodosta viidennen asteen Taylorin polynomi kehityskeskuksena origo funktiolle
13. Taylorin polynomi; funktioiden approksimoinnista 13.1. Taylorin polynomi 552. Muodosta funktion f (x) = x 4 + 3x 3 + x 2 + 2x + 8 kaikki Taylorin polynomit T k (x, 2), k = 0,1,2,... (jolloin siis potenssien
LisätiedotLuku 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
LisätiedotMATEMATIIKAN JA TILASTOTIETEEN LAITOS
f ( n JYVÄSKYLÄN YLIOPISTO MATEMATIIKAN JA TILASTOTIETEEN LAITOS n Harjoitusten 8 ratkaisut Topologiset vektoriavaruudet 2010 8.1. Olkoon P n = {f : K K p on enintään asteen n 1 polynomi} varustettuna
LisätiedotAnalyysi 1. Harjoituksia lukuihin 1 3 / Syksy Osoita täsmällisesti perustellen, että joukko A = x 4 ei ole ylhäältä rajoitettu.
Analyysi Harjoituksia lukuihin 3 / Syksy 204. Osoita täsmällisesti perustellen, että joukko { 2x A = x ]4, [. x 4 ei ole ylhäältä rajoitettu. 2. Anna jokin ylä- ja alaraja joukoille { x( x) A = x ], [,
LisätiedotMatematiikan 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
Lisätiedot5 Funktion jatkuvuus ANALYYSI A, HARJOITUSTEHTÄVIÄ, KEVÄT Määritelmä ja perustuloksia. 1. Tarkastellaan väitettä
ANALYYSI A, HARJOITUSTEHTÄVIÄ, KEVÄT 2019 5 Funktion jatkuvuus 5.1 Määritelmä ja perustuloksia 1. Tarkastellaan väitettä a > 0: b > 0: c > 0: d U c (a): f(d) / U b (f(a)), missä a, b, c, d R. Mitä funktion
Lisätiedot2v 1 = v 2, 2v 1 + 3v 2 = 4v 2.. Vastaavasti ominaisarvoa λ 2 = 4 vastaavat ominaisvektorit toteuttavat. v 2 =
TKK, Matematiikan laitos Pikkarainen/Tikanmäki Mat-1.1320 Matematiikan peruskurssi K2 Harjoitus 12, A=alku-, L=loppuviikko, T= taulutehtävä, P= palautettava tehtävä, W= verkkotehtävä 21. 25.4.2008, viikko
LisätiedotTarkastelemme ensin konkreettista esimerkkiä ja johdamme sitten yleisen säännön, joilla voidaan tietyissä tapauksissa todeta kielen ei-säännöllisyys.
Ei-säännöllisiä kieliä [Sipser luku 1.4] Osoitamme, että joitain kieliä ei voi tunnistaa äärellisellä automaatilla. Tulos ei sinänsä ole erityisen yllättävä, koska äärellinen automaatti on äärimmäisen
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 1 Määrittelyjoukoista Tarkastellaan funktiota, jonka määrittelevä yhtälö on f(x) = x. Jos funktion lähtöjoukoksi määrittelee vaikkapa suljetun välin [0, 1], on funktio
LisätiedotEpäyhtälöt ovat yksi matemaatikon voimakkaimmista
6 Epäyhtälöitä Epäyhtälöt ovat yksi matemaatikon voimakkaimmista työvälineistä. Yhtälö a = b kertoo sen, että kaksi ehkä näennäisesti erilaista asiaa ovat samoja. Epäyhtälö a b saattaa antaa keinon analysoida
Lisätiedot3. Markovin prosessit ja vahva Markovin ominaisuus
30 STOKASTISET DIFFERENTIAALIYHTÄLÖT 3. Marovin prosessit ja vahva Marovin ominaisuus Aloitamme nyt edellisen appaleen päättäneen esimerin yleistämisen Brownin liieelle. Käymme ysitellen läpi esimerin
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kertausluento 2. välikokeeseen Toisessa välikokeessa on syytä osata ainakin seuraavat asiat:. Potenssisarjojen suppenemissäde, suppenemisväli ja suppenemisjoukko. 2. Derivaatan
LisätiedotMS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 9: Greenin lause
MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 9: Greenin lause Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0305 Syksy 2015 1 / 19 Esimerkki Olkoon F : R 3 R 3 vakiofunktio
Lisätiedot3 Lukujonon raja-arvo
ANALYYSI A, HARJOITUSTEHTÄVIÄ, KEVÄT 209 3 Lukujonon raja-arvo 3 Määritelmä Osoita, että 6n + 2n + 3 3 < 4 n ja määritä jokin sellainen n 0 Z +, että 6n + 2n + 3 3 < 0 87 aina, kun n > n 0 2 Olkoon x n
LisätiedotMatematiikan tukikurssi, kurssikerta 2
Matematiikan tukikurssi kurssikerta 1 Relaatioista Oletetaan kaksi alkiota a ja b. Näistä kumpikin kuuluu johonkin tiettyyn joukkoon mahdollisesti ne kuuluvat eri joukkoihin; merkitään a A ja b B. Voidaan
LisätiedotInjektio (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
LisätiedotMatematiikan peruskurssi 2
Matematiikan peruskurssi Demonstraatiot III, 4.5..06. Mikä on funktion f suurin mahdollinen määrittelyjoukko, kun f(x) x? Mikä on silloin f:n arvojoukko? Etsi f:n käänteisfunktio f ja tarkista, että löytämäsi
LisätiedotToispuoleiset 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
Lisätiedot4.0.2 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
LisätiedotNumeeriset menetelmät TIEA381. Luento 11. Kirsi Valjus. Jyväskylän yliopisto. Luento 11 () Numeeriset menetelmät / 37
Numeeriset menetelmät TIEA381 Luento 11 Kirsi Valjus Jyväskylän yliopisto Luento 11 () Numeeriset menetelmät 24.4.2013 1 / 37 Luennon 11 sisältö Numeerisesta integroinnista ja derivoinnista Adaptiiviset
LisätiedotSovellettu 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
LisätiedotLukujonot Z-muunnos Z-muunnoksen ominaisuuksia Z-käänteismuunnos Differenssiyhtälöt. Z-muunnos. 5. joulukuuta Z-muunnos
Lukujonot Z-muunnoksen ominaisuuksia Z-käänteismuunnos Differenssiyhtälöt 5. joulukuuta 2016 Lukujonot Z-muunnoksen ominaisuuksia Z-käänteismuunnos Differenssiyhtälöt Lukujonot Lukujonot Z-muunnoksen ominaisuuksia
LisätiedotTenttiin valmentavia harjoituksia
Tenttiin valmentavia harjoituksia Alla olevissa harjoituksissa suluissa oleva sivunumero viittaa Juha Partasen kurssimonisteen siihen sivuun, jolta löytyy apua tehtävän ratkaisuun. Funktiot Harjoitus.
LisätiedotEnnakkotehtävän ratkaisu
Ennakkotehtävän ratkaisu Ratkaisu [ ] [ ] 1 3 4 3 A = ja B =. 1 4 1 1 [ ] [ ] 4 3 12 12 1 0 a) BA = =. 1 + 1 3 + 4 0 1 [ ] [ ] [ ] 1 0 x1 x1 b) (BA)x = =. 0 1 x 2 x [ ] [ ] [ 2 ] [ ] 4 3 1 4 9 5 c) Bb
Lisätiedota) Sievennä lauseke 1+x , kun x 0jax 1. b) Aseta luvut 2, 5 suuruusjärjestykseen ja perustele vastauksesi. 3 3 ja
1 YLIOPPILASTUTKINTO- LAUTAKUNTA 1.10.2018 MATEMATIIKAN KOE PITKÄ OPPIMÄÄRÄ A-osa Ratkaise kaikki tämän osan tehtävät 1 4. Tehtävät arvostellaan pistein 0 6. Kunkin tehtävän ratkaisu kirjoitetaan tehtävän
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 7
Inversio-ongelmien laskennallinen peruskurssi Luento 7 Kevät 2012 1 Tilastolliset inversio-ongelmat Tilastollinen ionversio perustuu seuraaviin periaatteisiin: 1. Kaikki mallissa olevat muuttujat mallinnetaan
LisätiedotDerivaattaluvut ja Dini derivaatat
Derivaattaluvut Dini derivaatat LuK-tutkielma Helmi Glumo 2434483 Matemaattisten tieteiden laitos Oulun yliopisto Syksy 2016 Sisältö Johdanto 2 1 Taustaa 2 2 Määritelmät 4 3 Esimerkkejä lauseita 7 Lähdeluettelo
LisätiedotLUKU 3. Ulkoinen derivaatta. dx i 1. dx i 2. ω i1,i 2,...,i k
LUKU 3 Ulkoinen derivaatta Olkoot A R n alue k n ja ω jatkuvasti derivoituva k-muoto alueessa A Muoto ω voidaan esittää summana ω = ω i1 i 2 i k dx i 1 dx i 2 1 i 1
LisätiedotEsitetään tehtävälle kaksi hieman erilaista ratkaisua. Ratkaisutapa 1. Lähdetään sieventämään epäyhtälön vasenta puolta:
MATP00 Johdatus matematiikkaan Ylimääräisten tehtävien ratkaisuehdotuksia. Osoita, että 00 002 < 000 000. Esitetään tehtävälle kaksi hieman erilaista ratkaisua. Ratkaisutapa. Lähdetään sieventämään epäyhtälön
LisätiedotLuento 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