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

Koko: px
Aloita esitys sivulta:

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

Transkriptio

1 Moniperiodisten investointitehtäviä tarkasteltaessa sijoituskohteiden hintojen kehitystä mallinnetaan diskeetteinä (binomihilat) tai jatkuvina (Itô-prosessit) prosesseina. Sijoituskohteen hinta hetkellä k on S(k) Additiivinen malli: S(k + 1) = as(k) + u(k), k = 0,..., N S(k) = a k S(0) + a k 1 u(0) + a k 2 u(1) + + u(k 1) Jos u(k):t normaalijakautuneita ja odotusarvo 0, hintaprosessi on normaalijakautunut ja sen odotusarvo on E[S(k)] = a k S(0) Additiivinen malli sisältää heikkouksia kuten esim. u(k):t voivat olla negatiivisia, jolloin negatiiviset S(k):t mahdollisia, mikä on epärealistista. Multiplikatiivinen malli: S(k + 1) = u(k)s(k), k = 0,..., N 1 S(k) = u(k 1)u(k 1) u(0)s(0) u(k):t riippumattomia satunnaismuuttujia, jotka kuvaavat hinnan suhteellista muutosta. Mallia voidaan tarkastella additiivisena mallina ottamalla logaritmit: ln S(k + 1) = ln S(0) + ln u(k) Oletetaan, että w(k) = ln u(k) normaalijakautuneita, jolloin u(k):t log-normaalijakautuneita: Jos E[w(k)] = v ja V ar[w(k)] = σ 2 niin k 1 ln S(k) = ln S(0) + w(i) i=0 E[ln S(k)] = ln S(0) + vk V ar[ln S(k)] = kσ 2 Binomihilan määrittää: Kohteen hinta alussa S(0) Hilaperiodin pituus Ylös- ja alaspäin tapahtuvien suhteellisten hinnanmuutosten suuruus u ja d Todennäköisyys p, jolla hinta nousee Parametrisoidaan hintaprosessi siten, että v on hinnan suhteellisen vuosimuutoksen logaritmin odotusarvo ja σ vastaava keskihajonta: v = E[ln S(T ) S(0) ] σ2 = V ar[ln S(T ) S(0) ] Tehtävänä on määrittää binomihilan parametrit siten, että ne kuvaavat havaittua hintaprosessia odotusarvon ja varianssin suhteen

2 Voidaan skaalata S(0) = 1, jolloin hinnan S(1) logaritmin odotusarvoksi ja varianssiksi saadaan E[ln S(1)] = E[ln S(0) + w(0)] = pln u + (1 p)ln d V ar[ln S(1)] = E[(ln S(1)) 2 ] E[ln S(1)] 2 = p(ln u) 2 +(1 p)(ln d) 2 [pln u+(1 p)ln d] 2 = p(1 p)(ln u ln d) 2 Merkitsemällä U = ln u ja D = ln d saadaan yhtälöpari pu + (1 p)d = v t p(1 p)(u D) 2 = σ 2 t Määritettäviä parametreja kolme, mutta yhtälöitä vain kaksi. Asetetaan lisävaatimus u = 1 d jolloin saadaan (2p 1)U = v t 4p(1 p)u 2 = σ 2 t eli U = D, Ratkaisemalla tämä saadaan p = 1 2 (1 + 1 ) σ 2 v 2 t + 1 U = σ 2 t + (v t) 2 Kun t on pieni voidaan approksimoida p 1 2 (1 + 1 ) = 1 σ 2 2 (1 + v t) σ v 2 t U σ 2 t = σ t u = e σ t d = 1 u = e σ t Lopputilojen ( todennäköisyydet saadaan binomijakaumasta. Lopputilan S = u k d n k S(0) todennäköisyys nk ) on p k (1 p) n k.

3 1. (L11.1) Osakkeen päivän hinta pörssissä on S(0) = 100 ja osakkeen hinnan logaritmin vuotuisen kasvun v odotetaan olevan 12%. Kasvun vuotuinen volatiliteetti on σ = 20%. Määritä sellaiset parametrit binomihilaan, että ne kuvaavat osakkeen käyttäytymistä 3 kuukauden perusperiodilla. Piirrä hila ja kirjoita solmujen arvot vuodelle 1 (periodi 4). Mitkä ovat saapumistodennäköisyydet eri lopputiloihin? Ratkaisu: Hinta alussa S(0) = 100 Hinnan logaritmin vuotuinen kasvu v = 12% (v = E[ln( S(T ) S(0) )]) Hinnan kasvun vuotuinen volatiliteetti σ = 20% (σ 2 = V ar[ln( S(T ) S(0) )]) Aikaperiodi t = 3 12 = 0.25 Oletetaan, että osake kasvaa jatkossakin odotusarvoisesti v:n verran: p = ( v σ ) t = 65.0% Muodostetaan binomihila parametreilla u ja d: u = e σ t = d = e σ t = kk 3 kk 6 kk 9 kk 12 kk # u/d Todennäköisyys p p 12kk ln( S(T ) S(0) ) S(T ) p ln( S(0) ) uuuu 17.9 % uuud 38.4 % uudd 31.1 % uddd 11.1 % dddd 1.5 % Odotettu tuotto on siis 14.78%. 12% on hinnan vuotuisen kasvun logaritmin odotusarvo!

4 2. (L12.1) Sijoittaja uskoo osakkeen hinnan nousevan ja haluaa muodostaa bull spreadin tälle osakkeelle. Yksi tapa muodostaa tällainen spread on ostaa osto-optio, jonka toteutushinta on K 1, ja myydä osto-optio, jolla on sama päättymispäivä kuin edellisellä osto-optiolla mutta jonka toteutushinta on K 2 > K 1. Piirrä spreadin tuottokäyrä. Onko spreadin alkuperäinen hinta positiivinen vai negatiivinen? Ratkaisu: Perusoptioita on kahdenlaisia, osto-optioita ja myyntioptioita. Kumpikin näistä voidaan joko ostaa tai myydä. Näin muodostuu siis yhteensä 4 erilaista tuottokäyrää. Alla olevissa kuvissa x-akseli on osakkeen hinta ja y-akseli optiosta saatu tuotto. Taitekohta on option toteutushinta ja vaakasuora taso on nollataso eli tuotto on 0. Option myymisen tuottokäyrä on y-akselin suhteen peilikuva option ostamisesta. On huomattava, että option ostamisen tuottokäyrä on ei-negatiivinen ja option myymisessä ei-positiivinen. Option myynnissä voitto saadaan option myyntihinnasta. Tämä laskee option ostamisen voittokäyrän (tuotto+ostohinta) aloitustason alle nollan ja nostaa option myymisen aloitustason nollan yläpuolelle. Seuraavaksi muodostetaan kuvaaja osto-option ostosta ja osto-option myynnistä, kun myynnin toteutushinta on suurempi kuin oston. Saadaan seuraavanlainen kuva, jossa paksu viiva on summakäyrä: Osto-optio on siis sitä kalliimpi, mitä alempi toteutushinta sillä on. Myyntioptiolla tilanne on päinvastainen eli korkeampi toteutushinta tekee optiosta arvokkaamman. Olkoon toteutushinta K ja C(K) option hinta. Tällöin osto-optiolle pätee C(K 1 ) > C(K 2 ), kun K 1 < K 2. Nyt C(K 1 ) C(K 2 ) > 0 eli spreadin hinta on positiivinen.

5 3. (L12.5) Osake maksaa osinkoja D:n verran hetkellä τ, joka osuu periodien k ja k + 1 väliin. Tavoitteena on määrittää osakkeen eurooppalaisen osto-option hinta hilamenetelmällä. Option voimassaoloaika [0, T ] jaetaan N intervalliin (saadaan N + 1 ajanhetkeä). Yksi tapa ratkaista tehtävä olisi muodostaa tavalliseen tapaan hila osakkeen hinnoista, ja vähentää D periodin k jälkeisistä solmuista. Tämä johtaa kuitenkin puuhun, jonka solmut eivät enää yhdy periodin k jälkeen (ks. kuva Luenbergerin sivulta 347). Ongelma voidaan ratkaista tällä tavalla, mutta on olemassa myös toinen esitystapa, jossa solmut yhtyvät osinkojen maksun jälkeen: Koska osinkotuotto on tunnettu, sitä pidetään osakkeen hinnan deterministisenä komponenttina. Ennen osinkojen jakoa hintaan sisältyy kaksi komponenttia: 1) stokastisen komponentti S ja 2) deterministinen komponentti, joka on yhtä suuri kuin jaettavan osingon nykyarvo. Hila kuvaa alkuarvolla S(0) De rτ ja parametreillä u ja d (määräytyvät volatiliteetista σ) stokastisen komponentin S dynamiikkaa. Option hinta määräytyy hilan perusteella, mutta nyt osakkeen hinta ei ole S vaan S = S + De r(τ t) kaikille t < τ. Käytä tätä tekniikkaa ja etsi 6 kuukauden eurooppalaisen ja amerikkalaisen osto-option hinta, kun perusperiodi on kuukausi, S(0) = 50, K = 50, σ = 20%, R = 10% ja D = 3 euroa, joka maksetaan kuukauden kuluttua. Ratkaisu: Tehtävänannosta: Osakkeen hinta S(0) = 50 Toteutushinta K = 50 Volatiliteetti σ = 20% Vuosituotto r vuosi = 10% Kuukausituotto r kk = 0.83% Osinko D = 3 Perusperiodi t = 1 12 Halutaan siis muodostaa binomihila laskemalla yhteen kaksi binomihilaa, osingon nykyarvoa ja osakkeen muuta arvoa kuvaavat hilat. Osingon nykyarvoa kuvaava hila (deterministinen komponentti): Osakkeen muuta arvoa kuvaava hila on tavalliseen tapaan stokastinen ja hilan alkuarvo saadaan vähentämällä osingon nykyarvo osakkeen nykyarvosta, koska deterministinen osinko sisältyy osakkeen hintaan.

6 Parametrit u ja d määritetään (kuten aiemmin) seuraavasti: u = e σ t = d = 1 u = e σ t = Osakkeen muuta arvoa kuvaava hila (stokastinen komponentti): Lopuksi lasketaan hilat yhteen ja saadaan osakkeen alkuarvoksi 50 kuten pitääkin: Seuraavaksi lasketaan osakkeeseen kohdistuvien eurooppalaisen ja amerikkalaisen option arvot. Perusideana optiohinnoittelussa on, että binomihilan solmuissa option arvo voidaan laskea osakkeesta ja riskittömästä korosta muodostetun replikoivan portfolion avulla. Tällainen portfolio voidaan muodostaa, koska binomihilassa seuraavan periodin tiloja on vain kaksi. Sekä optio, että replikoiva portfolio tuottavat seuraavan periodin tiloissa täsmälleen samat kassavirrat, joten niiden arvojen tulee myös olla samat. Binomihilassa replikoiva portfolio voidaan laskea parametrien u ja d sekä riskittömän koron perusteella. Näiden avulla lasketaan ns. riskineutraalitodennäköisyys q, joka yhdessä seuraavien perioidien kassavirtojen kanssa määrää replikoivan portfolion. q ei kuitenkaan ole oikea todennäköisyysluku vaan apuparametri replikoivan portfolion muodostamisessa. Riskineutraalitodennäköisyydeksi saadaan (kts. luento 10 sivut 13-15) q = R d u d. Kun osakkeen hinnan käyttäytyminen on määrätty u:n ja d:n avulla, voidaan lähteä laskemaan option hintaa. Tähän käytetään osakkeen hintahilan avulla muodostettua option arvoa kuvaavaa hilaa. Hilan kukin solmu edustaa option nykyarvoa kyseisellä ajanhetkellä vallitsevassa tilassa.

7 Eurooppalaisen osto-option arvo viimeisellä periodilla (toteutushetkenä) on suoraan maksimi nollasta ja osakkeen hinnan ja toteutushinnan erotuksesta. Olkoon S osakkeen hinta ja K toteutushinta. Eurooppalaisen osto-option arvo toteutushetkellä on siis max {0, S K}. Eurooppalaisen myyntioption arvo on puolestaan max {0, K S}. Edellisten periodien nykyarvot voidaan laskea diskontattuna odotusarvona niitä seuraavien tilojen arvoista. Kun lopputilojen arvot tiedetään, voidaan edellisen periodin solmujen arvot laskea ja näistä edelleen sitä edelliset jne. Option nykyarvo kussakin solmussa lasketaan seuraavasti C = 1 R (qc u + (1 q)c d ), missä C u on binomihilassa solmua seuraavan ylemmän solmun arvo ja C d vastaava alemman solmun arvo. R = 1 + r f on 1 + yhden periodin riskitön korko. Amerikkalaisen osto-option vastaava kaava on { } 1 C = max R (qc u + (1 q)c d ), S K, missä maksimointi osoittaa valintaa odottamisen ja option heti toteuttamisen välillä. Jos amerikkalaisen osto-option tapauksessa 1 R (qc u +(1 q)c d ) < S K niin osto-optio kannattaa toteuttaa ennen toimitusaikaa. Nyt pätee R = 100% + r kk = % ja q = 55.8% Eurooppalaisen osto-option hila:

8 Amerikkalaisen osto-option hila (alleviivaus osoittaa option toteuttamista ennen toimitusaikaa):

9 4. (L12.9) Olet kasinolla, jossa on kaksi mahdollisuutta: a) Osallistut peliin, jossa heitetään kolikkoa. Jos tulos on klaava, saat 3 euroa; jos tulos on kruuna et saa mitään. Osallistuminen maksaa 1 euron. Voit osallistua peliin useamman kerran tai pelata suuremmilla panoksilla, jolloin voitto suurenee panoksen mukaisesti. b) Et osallistu peliin ja pidät rahat taskussasi, eli saat varmasti 1 eurolla 1 euron. Kasinolla pelataan myös toista peliä, jossa kolikkoa heitetään kolme kertaa. Jos vähintään kahdessa kolmesta kolikon heitosta tulos on klaava, saat 27 euroa; muutoin et saa mitään. Mikä on tämän toisen pelin hinta, jos oletetaan, että se on johdonmukainen ensimmäisen pelin hinnan (1 euro) kanssa ja että pelilipuke voidaan myydä käypään hintaan kolikonheittojen välissä? Hinnoittele siis toinen peli ensimmäisen pelin perusteella. Ratkaisu: Jälkimmäinen peli hinnoitellaan ensimmäisen perusteella, kun huomataan, että toisen pelin epävarmuus voidaan kuvata ensimmäisen avulla. Varman tulevan arvo on ulostulema itse. Jälkimmäisessä pelissä on siis 50% todennäköisyys saada vähintään 2 klaavaa. Niinpä se voidaan ajatella myös ensimmäisenä pelijä, jossa panos on 9 euroa yhden euron asemesta. Tällainen hinnoittelulogiikka johtaa kuitenkin hintaan 9 euroa, joka poikkeaa saadusta 7 eurosta. Oikea hinta on nyt 7 euroa, koska mahdollisuus myydä peli laskee pelin hintaa. Jos peliä ei voisi ostaa tai vaihtaa kolikonheittojen välissä, olisi sen hinta 9 euroa olettaen, että pelit, joilla on sama todennäköisyysjakauma ulostulemille hinnoitellaan samalla tavalla.

10 Käyttämällä riskineutraalia todennäköisyyttä 1/3 saadaan ensimmäisen pelin tuoton odotusarvoksi tasan 1 (eli ei jäädä voitolle) ja jälkimmäiselle binomitodennäköisyyksien avulla seuraavaa: Klaavoja Todennäköisyys 3 3.7% % Yhteensä 25.9% Tällöin tuoton odotusarvoksi saadaan E[tuotto] = 7.

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

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

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

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

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

12. Korkojohdannaiset

12. Korkojohdannaiset 2. Korkojohdannaiset. Lähtökohtia Korkojohdannaiset ovat arvopapereita, joiden tuotto riippuu korkojen kehityksestä. korot liittyvät lähes kaikkiin liiketoimiin korkojohdannaiset ovat tärkeitä. korkojohdannaisilla

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

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

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

Rahoitusriskit ja johdannaiset Matti Estola. luento 2 Termiini- ja futuurihintojen määräytyminen

Rahoitusriskit ja johdannaiset Matti Estola. luento 2 Termiini- ja futuurihintojen määräytyminen Rahoitusriskit ja johdannaiset Matti Estola luento 2 ermiini- ja futuurihintojen määräytyminen 1. ermiinien hinnoittelusta Esimerkki 1 Olkoon kullan spot -hinta $ 300 unssilta, riskitön korko 5 % vuodessa

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

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

Tietoja osakeoptioista

Tietoja osakeoptioista Tietoja osakeoptioista Tämä esite sisältää yleisiä tietoja osakeoptioista, joilla voidaan käydä kauppaa Danske Bankin välityksellä. AN OTC TRANSACTION WITH DANSKE BANK AS COUNTERPARTY. ESITTELY Osakeoptioilla

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

b) Arvonnan, jossa 50 % mahdollisuus saada 15 euroa ja 50 % mahdollisuus saada 5 euroa.

b) Arvonnan, jossa 50 % mahdollisuus saada 15 euroa ja 50 % mahdollisuus saada 5 euroa. 2.9. Epävarmuus ja odotetun hyödyn teoria Testi. Kumman valitset a) 10 euroa varmasti. b) Arvonnan, jossa 50 % mahdollisuus saada 15 euroa ja 50 % mahdollisuus saada 5 euroa. Odotettu arvo 0,5* 15 + 0,5*5

Lisätiedot

Optioiden hinnoittelu binomihilassa

Optioiden hinnoittelu binomihilassa Mat-2.3114 Investointiteoria Optioien hinnoittel binomihilassa 26.3.2015 Yksiperioiset optiot 1/3 Olkoon S kohe-eten arvo perioin alssa siten, että perioin päättyessä sen arvo on S toennäköisyyellä p tai

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

5/11 6/11 Vaihe 1. 6/10 4/10 6/10 4/10 Vaihe 2. 5/11 6/11 4/11 7/11 6/11 5/11 5/11 6/11 Vaihe 3

5/11 6/11 Vaihe 1. 6/10 4/10 6/10 4/10 Vaihe 2. 5/11 6/11 4/11 7/11 6/11 5/11 5/11 6/11 Vaihe 3 Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Verkot todennäköisyyslaskennassa Satunnaismuuttujat ja todennäköisyysjakaumat Jakaumien tunnusluvut Kertymäfunktio, Momentit, Odotusarvo,

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

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

, 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

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

3. laskuharjoituskierros, vko 6, ratkaisut

3. laskuharjoituskierros, vko 6, ratkaisut Mat-.9 Sovellettu todennäköisyyslasku, kevät - eliövaara, Palo, Mellin. laskuharjoituskierros, vko 6, ratkaisut D. Uurnassa A on 4 valkoista ja 6 mustaa kuulaa ja uurnassa B on 6 valkoista ja 4 mustaa

Lisätiedot

Juuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty

Juuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty Juuri 0 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 9..08 Kertaus K. a) Alapaineiden pienin arvo on ja suurin arvo 74, joten vaihteluväli on [, 74]. b) Alapaineiden keskiarvo on 6676870774

Lisätiedot

r1 2 (1 0,02) 1 0,027556 (1 0, 0125) A250A0100 Finanssi-investoinnit 6. harjoitukset 21.4.2015 Futuuri, termiinit ja swapit

r1 2 (1 0,02) 1 0,027556 (1 0, 0125) A250A0100 Finanssi-investoinnit 6. harjoitukset 21.4.2015 Futuuri, termiinit ja swapit A50A000 Finanssi-investoinnit 6. harjoitukset.4.05 Futuuri, termiinit ja swapit Tehtävä 6. Mikä on kahden vuoden bonditermiinin käypä markkinahinta, kun kohdeetuutena on viitelaina, jonka nimellisarvo

Lisätiedot

Miten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä palamisaikaa?

Miten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä palamisaikaa? 21.3.2019/1 MTTTP1, luento 21.3.2019 7 TILASTOLLISEN PÄÄTTELYN PERUSTEITA Miten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä

Lisätiedot

Luento 9. June 2, Luento 9

Luento 9. June 2, Luento 9 June 2, 2016 Otetaan lähtökohdaksi, että sopimuksilla ei voida kattaa kaikkia kontingensseja/maailmantiloja. Yksi kiinnostava tapaus on sellainen, että jotkut kontingenssit ovat havaittavissa sopimusosapuolille,

Lisätiedot

Mat Investointiteoria Laskuharjoitus 1/2008, Ratkaisu Yleistä: Laskarit tiistaisin klo luokassa U352.

Mat Investointiteoria Laskuharjoitus 1/2008, Ratkaisu Yleistä: Laskarit tiistaisin klo luokassa U352. Yleistä: Laskarit tiistaisin klo 14-16 luokassa U352. Kysyttävää laskareista yms. jussi.kangaspunta@tkk. tai huone U230. Aluksi hieman teoriaa: Kassavirran x = (x 0, x 1,..., x n ) nykyarvo P x (r), kun

Lisätiedot

Koska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾.

Koska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾. 24.11.2006 1. Oletetaan, että kaksiulotteinen satunnaismuuttuja µ noudattaa kaksiulotteista normaalijakaumaa. Oletetaan lisäksi, että satunnaismuuttujan regressiofunktio satunnaismuuttujan suhteen on ݵ

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

HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I

HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I Tehtävä 1 on klassikko. 1. Tässä tehtävässä tapahtumat A ja B eivät välttämättä

Lisätiedot

Martingaalit ja informaatioprosessit

Martingaalit ja informaatioprosessit 4A Martingaalit ja informaatioprosessit Tämän harjoituksen tavoitteena on tutustua satunnaisvektorin informaation suhteen lasketun ehdollisen odotusarvon käsitteeseen sekä oppia tunnistamaan, milloin annettu

Lisätiedot

(b) Tarkista integroimalla, että kyseessä on todella tiheysfunktio.

(b) Tarkista integroimalla, että kyseessä on todella tiheysfunktio. Todennäköisyyslaskenta I, kesä 7 Harjoitus 4 Ratkaisuehdotuksia. Satunnaismuuttujalla X on ns. kaksipuolinen eksponenttijakauma eli Laplacen jakauma: sen tiheysfunktio on fx = e x. a Piirrä tiheysfunktio.

Lisätiedot

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella: 8.1 Satunnaismuuttuja Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella: Esim. Nopanheitossa (d6) satunnaismuuttuja X kertoo silmäluvun arvon. a) listaa kaikki satunnaismuuttujan arvot b)

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5A Bayeslainen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi

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

Mat-2.11 4 Investointiteoria. Tentti 6.9.2005. Mitd

Mat-2.11 4 Investointiteoria. Tentti 6.9.2005. Mitd .* Mat-2.11 4 Investointiteoria Tentti 6.9.2005 Ki{oita jokaiseen koepapcriin selveisti: o Mat-2.114 Investointiteoria o opintoki{'an numero sekii sukunimi ja viralliset etunimet tekstaten o koulutusohjelma

Lisätiedot

Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja

Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 1 Luento 23.9.2014 KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 2 Ristiintaulukko Esim. Toyota Avensis farmariautoja, nelikenttä (2x2-taulukko) 3 Esim. 5.2.6. Markkinointisuunnitelma

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

3.7 Todennäköisyysjakaumia

3.7 Todennäköisyysjakaumia MAB5: Todennäköisyyden lähtökohdat 4 Luvussa 3 Tunnusluvut perehdyimme jo jakauman käsitteeseen yleensä ja normaalijakaumaan vähän tarkemmin. Lähdetään nyt tutustumaan binomijakaumaan ja otetaan sen jälkeen

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

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen MTTTP5, kevät 2016 4.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen 1. Laitosneuvostoon valitaan 2 professoria, 4 muuta henkilökuntaan kuuluvaa jäsentä sekä 4 opiskelijaa. Laitosneuvostoon

Lisätiedot

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

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

MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ

MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ 6.3.09 HYVÄN VASTAUKSEN PIIRTEITÄ Alla oleva vastausten piirteiden, sisältöjen ja pisteitysten luonnehdinta ei sido ylioppilastutkintolautakunnan arvostelua. Lopullisessa

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

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

laskuperustekorkoisia ja ns. riskihenkivakuutuksia), yksilöllisiä eläkevakuutuksia, kapitalisaatiosopimuksia sekä sairauskuluvakuutuksia.

laskuperustekorkoisia ja ns. riskihenkivakuutuksia), yksilöllisiä eläkevakuutuksia, kapitalisaatiosopimuksia sekä sairauskuluvakuutuksia. SHV - TUTKINTO Vakavaraisuus 30.9.2010 klo 9-15 1(5) 1. Henkivakuutusosakeyhtiö Tuoni myöntää yksilöllisiä henkivakuutuksia (sijoitussidonnaisia, laskuperustekorkoisia ja ns. riskihenkivakuutuksia), yksilöllisiä

Lisätiedot

riippumattomia ja noudattavat samaa jakaumaa.

riippumattomia ja noudattavat samaa jakaumaa. 12.11.2015/1 MTTTP5, luento 12.11.2015 Luku 4 Satunnaisotos, otossuure ja otosjakauma 4.1. Satunnaisotos X 1, X 2,, X n on satunnaisotos, jos X i :t ovat riippumattomia ja noudattavat samaa jakaumaa. Sanonta

Lisätiedot

Korko ja inflaatio. Makrotaloustiede 31C00200 Kevät 2016

Korko ja inflaatio. Makrotaloustiede 31C00200 Kevät 2016 Korko ja inflaatio Makrotaloustiede 31C00200 Kevät 2016 Sisältö Nimellis ja reaalikorot, Fisher yhtälö Lyhyt ja pitkä korko Rahapolitiikka ja korot Korko ja inflaatio Nimellinen korko i: 1 tänä vuonna

Lisätiedot

4. laskuharjoituskierros, vko 7, ratkaisut

4. laskuharjoituskierros, vko 7, ratkaisut 4. laskuharjoituskierros, vko 7, ratkaisut D1. Kone valmistaa kuulalaakerin kuulia, joiden halkaisija vaihtelee satunnaisesti. Halkaisijan on oltava tiettyjen rajojen sisällä, jotta kuula olisi käyttökelpoinen.

Lisätiedot

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi

Lisätiedot

10. Optiohinnoittelu binomihilassa

10. Optiohinnoittelu binomihilassa 10. Optiohinnoittel binomihilassa 1. Sijoitskohteien hintaprosessit Moniperioisten investointitehtävien tarkastel eellyttää sijoitskohteien hintojen kehittymisen mallintamista joko iskreetteinä tai jatkvina

Lisätiedot

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla 17.11.2016/1 MTTTP5, luento 17.11.2016 3.5.5 Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla likimain Jos X ~ Bin(n, p), niin X ~ N(np, np(1 p)), kun n suuri. 17.11.2016/2

Lisätiedot

Jos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden

Jos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden 1.12.2006 1. Satunnaisjakauman tiheysfunktio on Ü µ Üe Ü, kun Ü ja kun Ü. Määritä parametrin estimaattori momenttimenetelmällä ja suurimman uskottavuuden menetelmällä. Ratkaisu: Jotta kyseessä todella

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

Maximum likelihood-estimointi Alkeet

Maximum likelihood-estimointi Alkeet Maximum likelihood-estimointi Alkeet Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Maximum likelihood-estimointi p.1/20 Maximum Likelihood-estimointi satunnaismuuttujan X

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,

Lisätiedot

Todennäköisyyslaskenta I, kesä 2017 Helsingin yliopisto/avoin Yliopisto Harjoitus 1, ratkaisuehdotukset

Todennäköisyyslaskenta I, kesä 2017 Helsingin yliopisto/avoin Yliopisto Harjoitus 1, ratkaisuehdotukset Todennäköisyyslaskenta I, kesä 207 Helsingin yliopisto/avoin Yliopisto Harjoitus, ratkaisuehdotukset. Kokeet ja Ω:n hahmottaminen. Mitä tarkoittaa todennäköisyys on? Olkoon satunnaiskokeena yhden nopan

Lisätiedot

Tilastollinen päättömyys, kevät 2017 Harjoitus 6B

Tilastollinen päättömyys, kevät 2017 Harjoitus 6B Tilastollinen päättömyys, kevät 7 Harjoitus 6B Heikki Korpela 8. helmikuuta 7 Tehtävä. Monisteen teht. 6... Olkoot Y,..., Y 5 Nµ, σ, ja merkitään S 5 i Y i Y /4. Näytä, että S/σ on saranasuure eli sen

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 27. syyskuuta 2007 Antti Rasila () TodB 27. syyskuuta 2007 1 / 15 1 Diskreetit jakaumat Diskreetti tasainen jakauma Bernoulli-jakauma Binomijakauma Geometrinen

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

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

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A TKK / Systeemianalyysin laboratorio Nordlund Mat-.9 Sovellettu todennäköisyyslasku A Harjoitus 3 (vko 4/3) (Aihe: tasainen todennäköisyysmalli, pistetodennäköisyysfunktio, tiheysfunktio, kertymäfunktio,

Lisätiedot

Tietoja koron-ja valuutanvaihtosopimuksista

Tietoja koron-ja valuutanvaihtosopimuksista Tietoja koron-ja valuutanvaihtosopimuksista Tämä esite sisältää tietoja Danske ankin kautta tehtävistä koron- ja valuutanvaihtosopimuksista. Koron- ja valuutanvaihtosopimuksilla voidaan käydä Danske ankin

Lisätiedot

MAB3 - Harjoitustehtävien ratkaisut:

MAB3 - Harjoitustehtävien ratkaisut: MAB3 - Harjoitustehtävien ratkaisut: 1 Funktio 1.1 Piirretään koordinaatistoakselit ja sijoitetaan pisteet: 1 1. a) Funktioiden nollakohdat löydetään etsimällä kuvaajien ja - akselin leikkauspisteitä.

Lisätiedot

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.2012 klo 10 13 Ratkaisut ja pisteytysohjeet

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.2012 klo 10 13 Ratkaisut ja pisteytysohjeet Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.01 klo 10 13 t ja pisteytysohjeet 1. Ratkaise seuraavat yhtälöt ja epäyhtälöt. (a) 3 x 3 3 x 1 4, (b)

Lisätiedot

MAB3 - Harjoitustehtävien ratkaisut:

MAB3 - Harjoitustehtävien ratkaisut: MAB - Harjoitustehtävien ratkaisut: Funktio. Piirretään koordinaatistoakselit ja sijoitetaan pisteet:. a) Funktioiden nollakohdat löydetään etsimällä kuvaajien ja - akselin leikkauspisteitä. Funktiolla

Lisätiedot

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe klo 10 13

Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe klo 10 13 Helsingin, Itä-Suomen, Jyväskylän, Oulun, Tampereen ja Turun yliopisto Matematiikan valintakoe 11.6.2012 klo 10 13 1. Ratkaise seuraavat yhtälöt ja epäyhtälöt. (a) 3 2 x 2 3 2 3 x 1 4, (b) (x + 1)(x 2)

Lisätiedot

D ( ) E( ) E( ) 2.917

D ( ) E( ) E( ) 2.917 Mat-2.091 Sovellettu todennäköisyyslasku 4. harjoitukset/ratkaisut Aiheet: Diskreetit jakaumat Avainsanat: Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen jakauma, Kertymäfunktio,

Lisätiedot

Tietoja koronvaihtosopimuksista

Tietoja koronvaihtosopimuksista Tietoja koronvaihtosopimuksista Tämä esite sisältää tietoja Danske Bankin kautta tehtävistä koronvaihtosopimuksista. Koronvaihtosopimuksilla voidaan käydä kauppaa Danske Bankin kanssa pörssin ulkopuolella

Lisätiedot

4 Yleinen potenssifunktio ja polynomifunktio

4 Yleinen potenssifunktio ja polynomifunktio 4 Yleinen potenssifunktio ja polynomifunktio ENNAKKOTEHTÄVÄT 1. a) Tutkitaan yhtälöiden ratkaisuja piirtämällä funktioiden f(x) = x, f(x) = x 3, f(x) = x 4 ja f(x) = x 5 kuvaajat. Näin nähdään, monessako

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

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla 16.11.2017/1 MTTTP5, luento 16.11.2017 3.5.5 Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla ~,, ~,,. 16.11.2017/2 Esim. Tutkittiin uuden menetelmän käyttökelpoisuutta

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

Vastaus: 10. Kertausharjoituksia. 1. Lukujonot lim = lim n + = = n n. Vastaus: suppenee raja-arvona Vastaus:

Vastaus: 10. Kertausharjoituksia. 1. Lukujonot lim = lim n + = = n n. Vastaus: suppenee raja-arvona Vastaus: . Koska F( ) on jokin funktion f ( ) integraalifunktio, niin a+ a f() t dt F( a+ t) F( a) ( a+ ) b( a b) Vastaus: Kertausharjoituksia. Lukujonot 87. + n + lim lim n n n n Vastaus: suppenee raja-arvona

Lisätiedot

a) 3500000 (1, 0735) 8 6172831, 68. b) Korkojaksoa vastaava nettokorkokanta on

a) 3500000 (1, 0735) 8 6172831, 68. b) Korkojaksoa vastaava nettokorkokanta on Kotitehtävät 4 Ratkaisuehdotukset. 1. Kuinka suureksi 3500000 euroa kasvaa 8 vuodessa, kun lähdevero on 30% ja vuotuinen korkokanta on 10, 5%, kun korko lisätään a) kerran vuodessa b) kuukausittain c)

Lisätiedot

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman

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

Bayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly

Bayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly Bayesin pelit Kalle Siukola MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly 12.10.2016 Toistetun pelin esittäminen automaatin avulla Ekstensiivisen muodon puu on tehoton esitystapa, jos peliä

Lisätiedot

H0: otos peräisin normaalijakaumasta H0: otos peräisin tasajakaumasta

H0: otos peräisin normaalijakaumasta H0: otos peräisin tasajakaumasta 22.1.2019/1 MTTTA1 Tilastomenetelmien perusteet Luento 22.1.2019 Luku 3 2 -yhteensopivuus- ja riippumattomuustestit 3.1 2 -yhteensopivuustesti H0: otos peräisin tietystä jakaumasta H1: otos ei peräisin

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

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

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Bayesläinen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 6 1 Korkolaskentaa Oletetaan, että korkoaste on r Jos esimerkiksi r = 0, 02, niin korko on 2 prosenttia Tätä korkoastetta käytettään diskonttaamaan tulevia tuloja ja

Lisätiedot

Estimointi. Vilkkumaa / Kuusinen 1

Estimointi. Vilkkumaa / Kuusinen 1 Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman

Lisätiedot

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen MAT-25 Todennäköisyyslaskenta Tentti 12.4.216 / Kimmo Vattulainen Funktiolaskin sallittu. Palauta kaavakokoelma 1. a) Pelaajat A ja B heittävät noppaa vuorotellen ja pelin voittaa se, joka saa ensimmäiseksi

Lisätiedot

Martingaalit ja informaatioprosessit

Martingaalit ja informaatioprosessit 6A Martingaalit ja informaatioprosessit Tämän harjoituksen tavoitteena on oppia tunnistamaan, milloin satunnaisprosessi on martingaali annetun informaatioprosessin suhteen ja milloin satunnaishetki on

Lisätiedot

Todennäköisyyslaskenta IIa, syyslokakuu 2019 / Hytönen 2. laskuharjoitus, ratkaisuehdotukset

Todennäköisyyslaskenta IIa, syyslokakuu 2019 / Hytönen 2. laskuharjoitus, ratkaisuehdotukset Todennäköisyyslaskenta IIa, syyslokakuu 019 / Hytönen. laskuharjoitus, ratkaisuehdotukset 1. Kurssilla on 0 opiskelijaa, näiden joukossa Jutta, Jyrki, Ilkka ja Alex. Opettaja aikoo valita umpimähkään opiskelijan

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

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1 Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin

Lisätiedot

Poisson-prosessien ominaisuuksia ja esimerkkilaskuja

Poisson-prosessien ominaisuuksia ja esimerkkilaskuja 4B Poisson-prosessien ominaisuuksia ja esimerkkilaskuja Tuntitehtävät 4B1 Eksponentiaalisten odotusaikojen toistuva odottaminen. Satunnaisluvun X sanotaan noudattavan Gamma-jakaumaa parametrein k ja λ,

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

Tietoa hyödykeoptioista

Tietoa hyödykeoptioista Tietoa hyödykeoptioista Tämä esite sisältää tietoa Danske Bankin kautta tehtävistä hyödykeoptiosopimuksista. Hyödykkeet ovat jalostamattomia tuotteita tai puolijalosteita, joita tarvitaan lopputuotteiden

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

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 18. lokakuuta 2007 Antti Rasila () TodB 18. lokakuuta 2007 1 / 19 1 Tilastollinen aineisto 2 Tilastollinen malli Yksinkertainen satunnaisotos 3 Otostunnusluvut

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

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu) 21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.

Lisätiedot

l (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on

l (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 018 Harjoitus B Ratkaisuehdotuksia Tehtäväsarja I 1 (Monisteen tehtävä 14) Olkoon f Y (y; θ) tilastollinen malli, jonka

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