TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat Sovelletun matematiikan erikoistyö. Ei-normaalisten tuottojakaumien mallintaminen

Samankaltaiset tiedostot
Uuden eläkelaitoslain vaikutus allokaatiovalintaan

Kokonaislukuoptimointi

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä

3.5 Generoivat funktiot ja momentit

Mat Lineaarinen ohjelmointi

Jaksolliset ja toistuvat suoritukset

Luento 6 Luotettavuus Koherentit järjestelmät

6. Stokastiset prosessit (2)

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

ABTEKNILLINEN KORKEAKOULU

3 Tilayhtälöiden numeerinen integrointi

4. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt

5. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

Tarkastellaan kuvan 8.1 (a) lineaarista nelitahoista elementtiä, jonka solmut sijaitsevat elementin kärkipisteissä ja niiden koordinaatit ovat ( xi

3. Datan käsittely lyhyt katsaus

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä.

Mat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut

AB TEKNILLINEN KORKEAKOULU

Mat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat:

SU/Vakuutusmatemaattinen yksikkö (5)

Puupintaisen sandwichkattoelementin. lujuuslaskelmat. Sisältö:

Hallin ilmiö. Laatija - Pasi Vähämartti. Vuosikurssi - IST4SE. Tekopäivä Palautuspäivä

FYSA220/2 (FYS222/2) VALON POLARISAATIO

r i m i v i = L i = vakio, (2)

Tchebycheff-menetelmä ja STEM

Mittausvirhe. Mittaustekniikan perusteet / luento 6. Mittausvirhe. Mittausepävarmuus ja siihen liittyvää terminologiaa

Tietojen laskentahetki λ α per ,15 0,18 per ,15 0,18 per tai myöhempi 0,20 0,18

Ilmari Juva. Jalkapallo-ottelun lopputuloksen stokastinen mallintaminen

Epätäydelliset sopimukset

Mittausepävarmuus. Mittaustekniikan perusteet / luento 7. Mittausepävarmuus. Mittausepävarmuuden laskeminen. Epävarmuuslaskelma vai virhearvio?

Monte Carlo -menetelmä

Rahastoonsiirtovelvoitteeseen ja perustekorkoon liittyvät laskentakaavat. Soveltaminen

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt

Mat Tilastollisen analyysin perusteet, kevät 2007

4. A priori menetelmät

Sähköstaattinen energia

Yrityksen teoria ja sopimukset

SU/Vakuutusmatemaattinen yksikkö (6)

Lohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4

Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä

Timo Tarvainen PUROSEDIMENTIIANALYYSIEN HAVAINNOLLISTAMINEN GEOSTATISTIIKAN KEINOIN. Outokumpu Oy Atk-osasto

b g / / / / H G I K J =. S Fysiikka (ES) Tentti

Kynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto

Painotetun metriikan ja NBI menetelmä

7. Modulit Modulit ja lineaarikuvaukset.

Galerkin in menetelmä

COULOMBIN VOIMA JA SÄHKÖKENTTÄ, PISTEVARAUKSET, JATKUVAT VARAUSJAKAUMAT

Pyörimisliike. Haarto & Karhunen.

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN

S , FYSIIKKA III (ES), Syksy 2002, LH 4, Loppuviikko 39. Partitiofunktiota käyttäen keskiarvo voidaan kirjoittaa muotoon

Kollektiivinen korvausvastuu

1, x < 0 tai x > 2a.

on määritelty tarkemmin kohdassa 2.3 ja pi kohdassa 2.2.

Johdatus tekoälyn taustalla olevaan matematiikkaan

Paperikoneiden tuotannonohjauksen optimointi ja tuotefokusointi

Venymälle isotermisessä tilanmuutoksessa saadaan dl = α LdT + df = df AE AE Ulkoisen voiman tekemä työ saadaan integroimalla δ W = FdL :

Kuluttajahintojen muutokset

Moderni portfolioteoria

Yksikköoperaatiot ja teolliset prosessit

1 0 2 x 1 a. x 1 2x c b 2a c a. Alimmalta riviltä nähdään että yhtälöyhmällä on ratkaisu jos ja vain jos b 3a + c = 0.

Jaetut resurssit. Tosiaikajärjestelmät Luento 5: Resurssien hallinta ja prioriteetit. Mitä voi mennä pieleen? Resurssikilpailu ja estyminen

10 y 2 3 x D 100; D D a: Vastaavasti sadalla kilometrillä kulutettavan polttoaineen E10 energiasisältö on x a C 10

T p = 0. λ n i T i B = Käytetään kohdan (i) identiteetin todistamiseen induktiotodistusta. : Oletetaan, että väite on totta, kun n = k.

d L q i = V = mc 2 q i 1 γ = = p i. = V = γm q i + QA i. ṗ i + Q A i + Q da i t + j + V + Q φ

Ilkka Mellin (2008) 1/24

Rahastoonsiirtovelvoitteeseen, perustekorkoon ja vakuutusmaksukorkoon liittyvät laskentakaavat ja periaatteet

Taustaa. Sekventiaalinen vaikutuskaavio. Päätöspuista ja vaikutuskaavioista. Esimerkki: Reaktoriongelma. Johdantoa sekventiaalikaavioon

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit

ER-kaaviot. Ohjelmien analysointi. Tilakaaviot. UML-kaaviot (luokkakaavio) Tietohakemisto. UML-kaaviot (sekvenssikaavio) Kirjasto

Painokerroin-, epsilon-rajoitusehtoja hybridimenetelmät

Mat Sovellettu todennäköisyyslasku A

3D-mallintaminen konvergenttikuvilta

Kuorielementti hum

Ilmanvaihdon lämmöntalteenotto lämpöhäviöiden tasauslaskennassa

Sähkön- ja lämmöntuotannon kustannussimulointi ja herkkyysanalyysi

Mekaniikan jatkokurssi Fys102

6. Stokastiset prosessit

Tuotteiden erilaistuminen: hintakilpailu

Esitä koherentin QAM-ilmaisimen lohkokaavio, ja osoita matemaattisesti, että ilmaisimen lähdöstä saadaan kantataajuiset I- ja Q-signaalit ulos.

FDS-OHJELMAN UUSIA OMINAISUUKSIA

Mat Tilastollinen päättely 7. harjoitukset / Tehtävät. Hypoteesien testaus. Avainsanat:

= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2

. g = 0,42g. Moolimassat ovat vastaavasti N 2 :lle 28, 02g/ mol ja typpiatomille puolet tästä 14, 01g/ mol.

Mat Tilastollisen analyysin perusteet, kevät 2007

PPSS. Roolikäyttäytymisanalyysi Tämän raportin on tuottanut: MLP Modular Learning Processes Oy Äyritie 8 A FIN Vantaa info@mlp.

1. PARAMETRIEN ESTIMOINTI

Leikkijunan kunto toimiva ei-toimiva Työvuoro aamuvuoro päivävuoro iltavuoro

Aamukatsaus

Paikkatietotyökalut Suomenlahden merenkulun riskiarvioinnissa

POISTUMISAIKALASKELMAT PALOTILANTEISSA

VERKKOJEN MITOITUKSESTA

Venymälle isotermisessä tilanmuutoksessa saadaan AE AE

5. Datan käsittely lyhyt katsaus

A250A0100 Finanssi-investoinnit Harjoitukset

HASSEN-WEILIN LAUSE. Kertausta

SMG-1100: PIIRIANALYYSI I

KUVIEN LAADUN ANALYSOINTI

Suoran sovittaminen pistejoukkoon

Usean muuttujan funktioiden integraalilaskentaa

Transkriptio:

TKNLLNN KOKKOULU Systeemanalyysn laboratoro Mat-.18 Sovelletun matematkan erkostyö -normaalsten tuottoakaumen mallntamnen Tmo Salmnen 581V soo, 1. Toukokuuta 7 1

Ssällysluettelo Ssällysluettelo... Johdanto... 3 roksmont kahdella normaalakaumalla... 3 Van huukkuuden älttely... Huukkuuden a vnouden älttely... 5 Jakauman muuntamnen vastaamaan ennustetta... 6 Korrelaatot... 8 Smulont... 1 Numeersa tuloksa... 1 Hgh Yeld lanat... 1 Jaann osakendeks... 11 Valtolanat... 1 Johtoäätökset... 13 Krallsuusvtteet... 15

Johdanto Modernssa ortfoloteorassa sotuskohteden logartmtuottoen odotetaan noudattavan normaalakaumaa. Hstora on kutenkn osottanut, että oletus e ole täysn akkansa tävä kaklla sotusluoklla. Tämän työn tarkotus on tutka hstoratuottoen kuvaamsta kahden normaalakauman yhdstelmällä, mkä mahdollstaa hstorallsen keskarvon a keskhaonnan lsäks hstorallsen huukkuuden a vnouden mallntamsen. Työssä tutktaan myös, mten kahden normaalakauman taaukseen vodaan sovttaa oma tuotto-odotus. Lsäks tutktaan mten sotuskohteden korrelaatot muuttuvat käytettäessä kahden normaalakauman yhdstelmää. Louks tehdään numeersa testeä er markknandeksehn menetelmän testaamseks. roksmont kahdella normaalakaumalla Käyttämällä kahta normaalakaumaa logartmtuottoen akauman aroksmontn vodaan alkueräsen akauman odotusarvon a keskhaonnan lsäks ältellä oko alkueräsen akauman huukkuutta (kurtoss ta sekä huukkuutta että vnoutta (skewness (Delaneds et al.. Huukkuus K a vnous S määrtellään satunnasmuuttuan X momentten avulla seuraavast: ( X K ( X 3 ( X S ( X 3 / Olkoon Z a Z normaalst akautuneta satunnasmuuttua odotusarvolla a a keskhaonnolla a. Satunnasmuuttua X, olla on halutut omnasuudet, määrtellään kahden akaumen a sekotuksena nn, että X:n arvo otetaan - akaumasta todennäkösyydellä a -akaumasta todennäkösyydellä 1-: X Z Z (,1, 3

mssä on tasaakautunut vällle [, 1] a ndkaattorfunkto määrtellään seuraavast: 1, C, kun C on tos muullon Van huukkuuden älttely Van huukkuutta (K älteltäessä akaumlla a on sama odotusarvo mutta erävät keskhaonnat. Satunnasmuuttuan X akauman momentt saadaan seuraavast (olettamalla, että akauman odotusarvo on : ( X ( X ( X ( X 3 3 (1 3(1 Keskhaonnat vodaan määrätä ykskästtesest ollan knntetyllä sekotussuhteella ( vaatmalla, että akauman huukkuus K X a keskhaonta X täsmäävät havantoanestosta laskettuhn lukuhn (K a. Seuraavassa on kutenkn yksnkertastamsen vuoks oletettu, että 1. K X X ( X ( X ( X 3 3(1 (1 (1 1 K atkasemalla yhtälöar saadaan: (1 K 1 (1 1 1 1 / 3 Jotta vodaan varmstaa, että a, on sekotussuhteelta vaadttava 1 3/ K < < 1

hdon täyttyessä ätee myös ehdottavat, että valtaan mnmomalla suhdetta 1. Delaneds, Lagnado, a Tkhonov ( keskhaonnat saadaan lähelle yhtä. Mnmonnsta seuraava :n arvo on c, 1 c mssä /. Tällön akaumen c K 1 K 3 3 Tonen lähestymstaa etsä aremaa sekotussuhdetta on hakea se, olla havantoaneston a estmodun theysakauman välnen vrhenelösumma mnmotuu. Mnmont vodaan suorttaa käyttäen otan numeersta otmontmenetelmää. Huukkuuden a vnouden älttely Sekä huukkuutta (K että vnoutta (S älteltäessä akaumlla a on lsäks erävät odotusarvot ( a. Tällön X:n nelä ensmmästä momentta ovat: ( X (1 ( X ( X ( X 3 3 3 (1 3(1 (1 3(1 (1 6 3 3 6(1 (1 Jakaumen keskhaonnat a odotusarvot vodaan määrätä ollan knntetyllä sekotussuhteella ( vaatmalla, että akauman huukkuuden a keskhaonnan lsäks myös odotusarvo a vnous täsmäävät alkueräsen akauman kanssa. Saadaan eälneaarnen yhtälöryhmä, onka ratkasua e voda esttää suletussa muodossa, oten ratkasu oudutaan etsmään numeersest. Parhaan sekotussuhteen hakemnen on toteutettu kultasen lekkauksen otmontmenetelmällä, mkä vaat oletuksen, että nelösumman ruu sekotussuhteesta lkman konveksst. mrsten testen erusteella tämä oletus tää akkansa. Kultasen lekkauksen menetelmää varten etstään ensn hakuväl laskemalla 5

nelösumma sekotussuhteen arvolla.5 ykskön välen välltä [.55,.95]. tsntävälks valtaan enn arvo ±.5. Jossan taauksssa havataan, että vrhenelösumma alkueräseen akaumaan verrattuna on suurem, kun myös alkueräsen akauman vnoutta ältellään. Koska äämääränä vodaan tää vrhenelösumman mnmonta, on syytä etsä okaselle akaumalle aras sovtus sekä huukkuutta että vnoutta a anoastaan huukkuutta älttelemällä. Nästä valtaan louks arem sen mukaan kum seuraa alkuerästä akaumaa tarkemmn vrhenelösummalla mtattuna. Jakauman muuntamnen vastaamaan ennustetta Smulonta varten on tosnaan tarkotuksenmukasta saada estmotu akauman odotusarvo vastaamaan ollan muulla tavalla hankttua ennustetta. Haluttu odotusarvo annetaan yleensä vuotusen artmeettsen tuoton odotusarvona, oten stä e voda srtää suoraan logartmsen tuoton akaumaan. Tavallsessa (yhden normaalakauman taauksessa sotuskohteen hnta (P noudattaa rosessa: d ln [ S( t ] υ dt d, (1 olle ätee (Luenberger 1998: ln[ S( t / S( ] υt ln[ S( t / S( ] t std ( a lognormaaln akauman eäsymmetrsyydestä ohtuen ( t / S( 1 ( υ e t S (3 Jos lähtöarvoks on annettu haluttu vuotunen tuoton odotusarvo r, saadaan vastaava logartmsen tuoton odotusarvo laskettua seuraavast: S(1 / S( υ ln 1 1 r e 1 [ r] 1 υ ( 6

Kahden akauman taauksessa akauman estmonnn älkeen mellä on akaumat a a nden odotusarvot, keskhaonnat a sekotussuhde. Näden yhtesakaumalla on tässä vaheessa o okea keskhaonta, oka ruu akaumen a keskhaontoen lsäks nden odotusarvoen erosta. Nän ollen muuttaessa akauma vastaamaan haluttua odotusarvoa, akaumen a odotusarvoen ero on dettävä vakona. Tosn sanoen on löydettävä sova lsäys, oka lsätään molemen akaumen odotusarvoon. Nän vodaan muuttaa yhtesakauman odotusarvoa täen sen keskhaonta vakona. Kahden akauman taauksessa sotuskohteen hnta noudattaa rosessa: [ S( t ] ( d t d ( d t d d ln (5 Logartmsen tuoton odotusarvo hetkellä t on akaumen a odotusarvoen sekotussuhteella anotettu odotusarvo: ln[ S( t / S( ] (1 Vastaavast tuoton odotusarvo on: S( t / S( (6 1 1 t( t ( e (1 e (7 Jos haluamme asettaa onkun vuotusen tuoton odotusarvon (r, akaumen a odotusarvohn on lsättävä okn luku : (1 / S( 1 ( 1 ( S 1 r e (1 e (8 Molemmsta eksonenttfunktosta vodaan erottaa termt e : e e 1 ( (1 e 1 ( 1 r (9 Nyt vodaan ratkasta halutun tuoton, sekotussuhteen sekä akaumen a odotusarvoen a keskhaontoen funktona: 1 r ln (1 1 1 ( ( e (1 e 7

Lsäämällä ss akaumen a odotusarvohn, saadaan yhtesakauma vastaamaan haluttua tuotto-odotusta r. Korrelaatot Monen sotuskohteen yhtesakaumaa estmotaessa on otettava huomoon myös sotuskohteden välset korrelaatot. Jos okaselle akaumalle arvotaan erkseen luku, onka mukaan satunnasluku otetaan oko akaumasta ta, kohteden välset korrelaatot enenevät huomattavast. Tällön yhtesakaumaa on mahdotonta saada noudattamaan suura alkueräsä korrelaatota. Jakaumen välstä korrelaatota vodaan kasvattaa kenotekosest käyttämällä samaa satunnaslukua kullekn sotuskohteelle. Tällön kahden sotuskohteen välnen kovaranss määräytyy seuraavast ( ( ( [ ( ] ( ( ( Z Z Z Z r r Merktään sotuskohteen akauman odotusarvon eroa sotuskohteen odotusarvoon a lasketaan kertolasku auk: Satunnasmuuttuat ovat rumattoma loulausekkeesta, oten ndkaattorfunkton odotusarvot vodaan erottaa muusta lausekkeesta: 8

( ( ( ( nsmmästen odotusarvoen ssällä oleva tulo on ta 1 ruen satunnasluvusta. Nän ollen nden odotusarvot ovat todennäkösyyksä, että edellä manttu tulo on 1. Valtaan ndekst a nn, että. ( (1 ( ( ( ( Satunnasmuuttuat ovat (,1 normaalst akautuneta, oten nden odotusarvot ovat nolla muuten ats tlantessa, ossa a kerrotaan keskenään. Kysesen tulon odotusarvo on satunnasmuuttuen a välnen korrelaatokerron (merk. ρ. ( ( ( ρ ρ ρ (1 ( Vaatmalla että saatu lauseke on yhtä suur kun haluttu kovaranss vodaan korrelaatokerron ratkasta yhtälöstä: ρ (1 ( (1 ( Yllä saatn ratkastua yhtälö, onka avulla vodaan ratkasta satunnaslukuen generonnssa käytettävä korrelaato hstorallsen korrelaaton akaansaamseks. mrset testt kutenkn osottavat, että vakka menetelmä usemmssa taauksssa tom hyvn, saattaa se ossan taauksssa ohtaa yhtä suuremn korrelaatohn a/ta e-ostvsest defnttsn korrelaatomatrsehn. 9

Smulont Koska olemme aroksmoneet akauma normaalakauman yhdstelmllä, smulontn vodaan käyttää lkman samaa menetelmää kun tavallsesta normaalakaumasta smulotaessa (kts. esm. Law (. nsmmäseks tulee valta askeltuus t a haluttu smulontaskelten määrä sekä laskea muunnetun korrelaatomatrsn Choleskyn haotelma. Yks smulontaskel toteutetaan seuraavast: 1. Otetaan n satunnaslukua 1 n (,1 normaalakaumasta a yks satunnasluku (,1 tasaakaumasta. Muunnetaan :t noudattamaan laskettua korrelaatota: c 1 3. Lasketaan logartmset tuotot:, ln[ r ], os os Numeersa tuloksa Tässä kaaleessa tutktaan kahden normaalakauman sovttamsen tuomaa lsähyötyä er ndeksen kuukaustuottohn akana 1/1998-6/6. Tutkttavks ndekseks valtaan korkean luottorskn (hgh yeld lanat, aann osakendeks a valtonlanandeks. Hgh Yeld lanat Hgh yeld lanat ovat hyvä esmerkk taauksesta, ossa hstoratuottoen logartmt evät noudata normaalakaumaa. lla ylemmässä kuvassa on estetty kahden normaalakauman avulla estmotu akauma, todellnen akauma sekä normaalakauma. Kuvasta nähdään, että hstoraakauma e noudata normaalakaumaa, mutta kahden normaalakauman yhdstelmä seuraa hstoraakaumaa o erttän hyvn. lemassa kuvassa on estetty normaalakaumat a, osta yhtesakauma koostuu. Hstoraakauman huukkuus on saavutettu sekottamalla sovassa suhteessa levää a kaeaa normaalakaumaa. Kuten ylemmästä kuvasta nähdään, hstoraakauman vasen 1

häntä on selväst aksum kun okea häntä, mkä tekee akaumasta vnon. Haluttu vnous on saavutettu srtämällä leveän akauman ( odotusarvo vasemmalle än. Tässä taauksessa yhtesakaumassa on 57.5 % akaumaa a.5 % akaumaa el.575. 1 8 6 stmotu akauma Todellnen akauma Normaalakauma -.3 -. -.1.1..3. 15 1 stmotu akauma Normaalakauma Normaalakauma 5 -.3 -. -.1.1..3. kuva 1 - Hgh Yeld lanoen kk-tuotot 1/1998-6/6 Jaann osakendeks Hyvä esmerkk taauksesta, ossa kahta normaalakaumaa käyttämällä e saavuteta uurkaan lsäarvoa, on Jaann osakendeks. lla olevasta kuvasta nähdään, että logartmtuottoen hstoraakauma on lkman normaalnen a nän ollen myös estmotu yhtesakauma on lkman normaalnen. 11

1.5 1 stmotu akauma Todellnen akauma Normaalakauma.5-1 -.8 -.6 -. -....6.8 1.5 1.5 stmotu akauma Normaalakauma Normaalakauma 1.5-1 -.8 -.6 -. -....6.8 1 kuva - Jaann osakendeksn kk-tuotot 1/1998-6/6 Valtolanat Kolmantena esmerkknä ovat valtonlanat, oden logartmtuottoen hstoraakauma on selväst vno. Kuvasta 3 nähdään, että kahden normaalakauman yhtesakauma mukautuu selväst tavallsta normaalakaumaa aremmn vnoon hstoraakaumaan. 1

15 1 stmotu akauma Todellnen akauma Normaalakauma 5 -.15 -.1 -.5.5.1.15. 15 1 stmotu akauma Normaalakauma Normaalakauma 5 -.15 -.1 -.5.5.1.15. kuva 3 - Valtonlanandeksn kk-tuotot 1/1998-6/6 Johtoäätökset Työssä tutkttn logartmtuottoakauman kuvaamsta kahdella normaalakaumalla. Näytettn, kunka kahdella normaalakaumalla vodaan ältellä oko alkueräsen akauman huukkuutta ta huukkuutta a vnoutta. Krallsuudessa on estetty myös muta menetelmä e-normaalsten akaumen kuvalemseen. smerkks Caro a Nelson (1997 esttelevät NOT (normal to anythng menetelmän, ossa sotuskohteen akaumaa kuvataan eksaktst sen hstoraakaumalla. Työssä näytettn myös taa, mten hstoraakaumaan sovtetulle kahden normaalakauman yhdstelmälle vodaan asettaa haluttu tuotto-odotus. Kahden akauman välsen korrelaaton sälyttämseks ohdettn kaava, olla ratkastaan satunnaslukuen generonnssa käytettävät korrelaatot. Todettn kutenkn, ette menetelmä on 13

sellasenaan vrheherkkä ollekn erkostaaukslle. Tarkem selvttämnen ätetään lsätutkmukslle. Louks tutkttn kahden akauman tomvuutta er ndeksen kuukaustuotolle. Todettn, että ossan taauksssa hstorallnen tuottoakauma noudattaa normaalakaumaa lähes täydellsest, kun taas ossan taauksssa huukkuuden a vnouden mallntamnen tuo selvän arannuksen hstoraakauman sovttamseen. 1

Krallsuusvtteet Delaneds,G., Lagnado,. a Tkhonov S. (: Monte Carlo Smulaton of Non- Normal Processes, dscusson aer, MKsk Caro, M.C. a Nelson L. (1997: Modelng and Generatng andom Vectors wth rbtrary Margnal Dstrbutons and Correlaton Matrx, workng aer Law,.M. a Kelton, W.D. ( Smulaton Modelng and nalyss, thrd edton, McGW-HLL, Sngaore Luenberger, D.G. (1998. nvestment Scence, Oxford unversty ress, New York 15