Stokastiske prosesser i kontinuerlig tid
|
|
- Gunhild Ulriksen
- 7 år siden
- Visninger:
Transkript
1 Stokastiske prosesser i kontinuerlig tid Kjell Arne Brekke October 29, Brownsk bevegelse Vi starter med å definere en Brownsk bevegelse. Denne prosessen bruker vi så senere til å definere en større klasse av prosesser. Vi starter som i de binomiske modellene vi har studert, på tidspunkt t har prosessen verdi W t (Da vi har brukt B t som betegnelse på en obligasjonsfond, bruker jeg her betegnelsen W t for wienerprosess som betegnelse på denne prosessen. B t for Brownsk Bevegelse.) I hver periode øker eller avtar prosessen, begge deler med lik sannsynlighet. Tidspunkt t svarer til periode n der t = n t, og t er periodelengden. Verdien i perioden etter er da W t + t) Med sannsynlighet 1/2 W t+ t = W t t) Med sannsynlighet 1/2 Det følger nå at W s W t = X n t (n Xn ) t) r s t = 2 n (X n n/2) 1
2 der n nå er slik at s t = n t, ogx n er antall ganger prosessen har gått opp idisseden. X n er da en stokastisk variabel, X n = P n i=1 Z i. Z i er 0 eller 1 med lik sannsynlighet, og som i det binomiske treet antar vi at tilvekstene er uavhengige, og E(Z i )=1/2, ogvar(z i )=1/4. Ved sentralgrenseteoremet følger det da at X n n/2 n konvergerer mot en normalfordeling N(0, 1/4), og dermed følger det også at W s W t N(0,s t) Da tilvekstene er uavhengige følger det også at om s>t s 0 >t,såer W s W t uavhengig av W s W t Brownsk Bevegelse med drift La oss nå se på en prosess Z t gitt som µ t + σ t) Med sannsynlighet 1/2 Z t+ t Z t = µ t σ t) Med sannsynlighet 1/2 Merk at denne prosessen kan skrives som Z t+ t Z t = Z t = µ t + σ W t da + t) Med sannsynlighet 1/2 W t = W t+ t W t = t) Med sannsynlighet 1/2 og når periodelengden går mot null, skriver vi det som dz t = µdt + σdw t. 2
3 Vi finner nå at Z s Z t = µ(s t)+x n σ t (n X n )σ t) r s t = µ(s t)+2 n σ(x n n/2) som gir, på samme måte som ovenfor at Z s Z t N(µ(s t), σ 2 (s t)) Mer generelt kan en tenke seg at µ og σ ikke er konstant, men gitt som f.eks. dz t = µ(t, Z t )dt + σ(t, Z t )dw t. Å karakterisere en slik prosess er langt fra like enkelt. Tilvekstene i prosessen trenger ikke lenger å være normalfordelt. Men løsningen av slike ligninger faller utenfor rammen av dette kurset. 1.2 Ito s regel Vi kan nå bruke en slik prosess til å definere en ny prosess, Da gjelder det at X t f f t + t Z Z t = f f t + = X t = f(t, Z t ) 2 f Z ( Z t) 2 2 Z (µ t + σ W t)+ 1 2 f 2 Z (µ t + σ W t) 2 2 t + f Z σ W t + R t f t + f Z µ σ2 2 f Z 2 der R er ledd av formen t W og ( t) 2. Begge to leddene vil gå mot null mye raskere enn t, slik at disse leddene kan ignoreres for t liten nok. Vi 3
4 har også brukt at enten prosessen går opp eller ned, så er ( W ) 2 = t. Når vi lar periodelengden gå mot null så får vi Theorem 1 (Itos formel) Dersom dz t = µdt + σdw t. og X t = f(t, Z t ),sågjelder f dx t = t + f Z µ f 2 σ2 dt + f Z 2 Z σdw t 1.3 Geometrisk Brownsk Bevegelse Vi husker at i Black og Scholes modellen der prisen ble definert ved ligningen s t exp(µ t + σ t) om kursen går opp, sh 1/2 s t+ t = s t exp(µ t σ. t) om kursen går ned, sh 1/2 Vi ser da at om Z t =ln(s t ) så vil Z være gitt ved ligningen dz t = µdt + σdw t. Hva slags ligning gjelder så ligningen for prosessen selv? Merk da at S t = f(z t )=exp(z t ) og vi kan bruke Itos formel. Merk da at f Z = 2 f = S Z 2 t ds t = Sµ + 12 σ2 S t dt + S t σdw t µ = S t µ σ2 dt + σdw t 4
5 eller ds t S t = µµ + 12 σ2 dt + σdw t = ˆµdt + σdw t. der ˆµ = µ σ2. Denne prosessen kalles en geometrisk browns bevegelse, da den relative tilveksten er som en brownsk bevegelse med drift. Det er interessant å merke seg at sett fra tidspunkt 0, så er ES t = S 0 exp (ˆµt) forventet avkastningsrate er altså ˆµ. Vi husker fra Black og Scholes modellen at prosessen Z t = S t /B t skal være en Q martingal. Det viser seg at prosessen også under det alternative målet blir en geometrisk browns bevegelse med samme risiko, Det følger da direkte at med Q målet må prosessen bli ds t = rs t dt + σs t dw t. Når vi sammenligner med den opprinnelig prosessen ds t = µµ + 12 σ2 S t dt + σs t dw t så ser vi at også her har µ blitt byttet med r 1 2 σ F t Tilpassede prosesser Vi husker at vi tidligere definerte en prosess som en serie av stokastiske variable. En stokastisk variabel er en avbildning S t : Ω 7 <. 5
6 FordediskreteprosesseneerΩ typisk mengden av alle mulige baner, og verdien av prosessen på tidspunkt t avhenger av hvilken bane vi følger. Vi måtte videre kreve at prosessen på tidspunkt t bare var avhengig av historien inntil da h t, det vil si at prossessen skulle være tilpasset tilgjengelig informasjon. Dette gjelder akkurat på samme måte i kontinuerlig tids prosesser, men det blir litt mer teknisk. Jeg skal ikke gå inn i alle detaljene, men først skal vi se på en annen måte å formulere det diskrete tilfellet. Vi husker at vi krevde at S t (ω 0 )=S t (ω) dersom h t (ω 0 )=h t (ω) Altså, om vi ser på to baner som ikke har skilt lag på tidspunkt t, såskal prosessen ha samme verdi på tidspunkt t langs begge banene. La nå F t være en famile av delmengder av Ω, med følgende egenskap. For alle mengder av formen A = {ω Ω h t (ω 0 )=h t (ω)}, så er A F t. Videre gjelder at F t ikke har noen ekte delmengder av A, og at om A, B F t,såera B F t. En annen måte å si at prossessen er tilpasset historien er nå at for alle tall a er {ω Ω S t (ω) a} F t. En sier nå at S t er F t målbar. Dette lar seg generalisere til kontinuerlig tid, når vi skal betinge på tilgjengelig informasjon skriver vi da f.eks. E [S τ F t ]. På samme måten som i diskret tid, kan vi, i stedet for å snakke om sannsynligheten for at prosessen går opp eller ned, kan vi angi sannsyn- 6
7 lighetene direkte over Ω. På samme måten som tidligere kan vi skifte sannsynlighetsfordeling over Ω fra P til Q slik at prosessen Z t = S t /B t blir en margingal, dvs at E Q [Z τ F t ]=Z t for τ >t. Vi har også et margingalrepresentasjonsteorem, som sier at dersom M t og N t er to Q martingaler, så finnes en predikerbar prosess φ t slik at N t = N 0 + Z t 0 φ t dm t og dette kan igjen brukes til å konstruere replikerende porteføjer, akkurat som i det diskrete tilfellet. 2 Realopsjoner Diskusjonen av realopsjoner i diskret tid ble begreset til noen enkle eksempler. La oss nå se litt nærmere på et tilfelle, en utbygging av et oljefelt. Feltet har en produksjon på Q s t. Vi antar at vi kan justere sannsynlighetsmål slik at vi kan glemme riskojustering av avkastnngskravet, og at etter en slik justereing er oljeprisen gitt ved ligningen ds t = S t µdt + σs t dw t. der µ<r. Vi skal komme litt tilbake til denne betingelsen. 7
8 Verdien av feltet, neddiskontert til tidspunktet der utbygging blir besluttet blir P t = Z t Q s t S s e r(s t) ds Z = S t Q s e (r µ)s ds = S t V 0 der V er en konstant. Det er lett å sjekke fra Itos formel at dette medfører at dp t = P t µdt + σp t dw t. på tidspunkt s dersom investeringsbeslutningen fattes ved tidspunkt t. Dersom nåverdien av investeringskostnadene og andre kostnader blir C, så gjelder det å velge en strategi for utbygging, der vi bygger på et tidspunkt τ, der vi velger den strategi som maksimerer E [(P τ C)e rτ F 0 ]. Vi skal avgrense oss til en bestemt type strategier, nemmelig de som går ut på å vente til første gang verdien når et terskelnivå, p. Dvs τ er første tidspunkt der P τ = p. Uttrykketviskalmaksimereblirda E [(P τ C)e rτ F 0 ] = (p C)E [e rτ F 0 ] = (p C)D(p,P 0 ). Her er D(p,P 0 )=E [e rτ F 0 ] 8
9 forventet verdi av diskonteringsfaktoren, gitt at vi skal vente til P t når verdien p og at verdien nå er P 0. Det kan vises at D(p,P 0 )= µ γ P0 der γ er roten av ligningen µµ 12 σ2 γ σ2 γ 2 = r. p Merk at det finnes to løsninger av denne andregradslignigen, og vi skal bruke den positive roten dersom P 0 <p, men den negative dersom P 0 >p. I vårt tilfelle ser vi på at vi skal vente på en høy verdi, mens vi investerer straks P t >p. Det interessante tilfellet er derfor når P 0 er mindre enn teskelverdien og vi fortsatt ønsker å vente. Dersom vi setter terskelverdien tol p, blir verdien av investeringsopsjonen da µ γ P0 (p C)D(P 0,p)=(p C). p Vi velger så p for å maksimere denne, det gir 1. ordens betingelse γ(p C)p γ 1 = p γ γ(p C) = p p = γ γ 1 C>C Legg merke til at løsningen blir uavhengig av P 0. 9
Modellrisiko i porteføljeforvaltning
Modellrisiko i porteføljeforvaltning Hans Gunnar Vøien 12. mai 2011 1/25 Innhold Problem og introduksjon Problem og introduksjon Lévyprosesser Sammenlikning GBM og eksponentiell NIG Oppsummering 2/25 Problem
DetaljerFORMELSAMLING TIL STK1100 OG STK1110
FORMELSAMLING TIL STK1100 OG STK1110 (Versjon av 16. november 2009) 1. Sannsynlighet La A, B, A 1, A 2,...,B 1, B 2,... være begivenheter, dvs. delmengder av et utfallsrom Ω. a) Aksiomene: Et sannsynlighetsmål
DetaljerSTK Oppsummering
STK1100 - Oppsummering Geir Storvik 6. Mai 2014 STK1100 Tre temaer Deskriptiv/beskrivende statistikk Sannsynlighetsteori Statistisk inferens Sannsynlighetsregning Hva Matematisk verktøy for å studere tilfeldigheter
DetaljerFORMELSAMLING TIL STK1100 OG STK1110
FORMELSAMLING TIL STK1100 OG STK1110 (Versjon av 11. november 2017) 1. Sannsynlighet La A, B, A 1, A 2,..., B 1, B 2,... være begivenheter, dvs. delmengder av et utfallsrom Ω. a) Aksiomene: Et sannsynlighetsmål
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Fra første forelesning: Populasjon Den mengden av individer/objekter som vi ønsker å analysere. Utvalg En delmengde av
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag Situasjonen er som i quiz-eksempelet: n = 4, p = 1/3 ( suksess betyr å gjette riktig alternativ), q = 2/3. Oppgave: Finn
DetaljerFra første forelesning:
2 Fra første forelesning: ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag opulasjon Den mengden av individer/objekter som vi ønsker å analysere. Utvalg En delmengde av populasjonen
DetaljerBinomisk sannsynlighetsfunksjon
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Binomisk sannsynlighetsfunksjon La det være n forsøk, sannsynlighet p for suksess og sannsynlighet q for fiasko. Den tilfeldige
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Kapittel 7: Utvalgsfordeling Bo Lindqvist Institutt for matematiske fag 2 Fra kapittel 1: Populasjon Den mengden av individer/objekter som vi ønsker å analysere. Utvalg
DetaljerUtvalgsfordelinger (Kapittel 5)
Utvalgsfordelinger (Kapittel 5) Observator En observator er en funksjon av data for mange individer, for eksempel Gjennomsnitt Andel Stigningstall i regresjonslinje En observator er en tilfeldig variabel
Detaljer1.1.1 Rekke med konstante ledd. En rekke med konstante ledd er gitt som. a n (1) n=m
Formelsamling og tabeller FO020E Matte 2000 for elektroprogrammet 1 Matematikk 1.1 Denisjoner av ulike typer polynomer og rekker 1.1.1 Rekke med konstante ledd En rekke med konstante ledd er gitt som a
DetaljerTMA4240 Statistikk H2010
TMA4240 Statistikk H2010 Statistisk inferens: 8.1: Tilfeldig utvalg 9.1-9.3: Estimering Mette Langaas Foreleses uke 40, 2010 2 Utfordring Ved en bedrift produseres en elektrisk komponent. Komponenten må
DetaljerUtfordring. TMA4240 Statistikk H2010. Mette Langaas. Foreleses uke 40, 2010
TMA4240 Statistikk H2010 Statistisk inferens: 8.1: Tilfeldig utvalg 9.1-9.3: Estimering Mette Langaas Foreleses uke 40, 2010 2 Utfordring Ved en bedrift produseres en elektrisk komponent. Komponenten må
DetaljerTMA4240 Statistikk H2010
TMA4240 Statistikk H2010 Statistisk inferens: 9.14: Sannsynlighetsmaksimeringsestimatoren 8.5: Fordeling til gjennomsnittet 9.4: Konfidensintervall for µ (σ kjent) Mette Langaas Foreleses mandag 11.oktober,
DetaljerForelesning 7: Store talls lov, sentralgrenseteoremet. Jo Thori Lind
Forelesning 7: Store talls lov, sentralgrenseteoremet Jo Thori Lind j.t.lind@econ.uio.no Oversikt 1. Estimering av variansen 2. Asymptotisk teori 3. Store talls lov 4. Sentralgrenseteoremet 1.Estimering
DetaljerLøsningsforslag Eksamen S2, våren 2017 Laget av Tommy O. Sist oppdatert: 25. mai 2017
Løsningsforslag Eksamen S, våren 17 Laget av Tommy O. Sist oppdatert: 5. mai 17 Del 1 - uten hjelpemidler Oppgave 1 a) Vi skal derivere f(x) = x /x = x x 1. Den eneste regelen vi trenger her er (kx n )
DetaljerLøsning på Dårlige egg med bruk av Tabell 2 i Appendix B
Situasjonen er som i quiz-eksempelet: n = 4, p = 1/3 ( suksess betyr å gjette riktig alternativ), q = 2/3. Oppgave: Finn P(x), x=0,1,2,3,4 fra den generelle formelen for binomisk sannsynlighetsfordeling
DetaljerStatistisk inferens: 9.14: Sannsynlighetsmaksimeringsestimatoren 8.5: Fordeling til gjennomsnittet 9.4: Konfidensintervall for µ (σ kjent)
TMA440 Statistikk H010 Statistisk inferens: 9.14: Sannsynlighetsmaksimeringsestimatoren 8.5: Fordeling til gjennomsnittet 9.4: Konfidensintervall for µ (σ kjent) Mette Langaas Foreleses mandag 11.oktober,
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i STK45 Livsforsikring og nans. Eksamensdag: Mandag 8. juni 215 Tid for eksamen: 14.3 18.3 Oppgavesettet er på 5 sider. Vedlegg:
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Tilfeldige variable (5.2) Dersom vi til hvert utfall av eksperimentet tilordner et tall, har vi laget en tilfeldig variabel.
DetaljerTilfeldige variable (5.2)
Tilfeldige variable (5.) Dersom vi til hvert utfall av eksperimentet tilordner et tall, har vi laget en tilfeldig variabel. Tilfeldig variabel: En variabel som har en numerisk verdi for hvert utfall i
DetaljerLøsningsforslag Eksamen S2, høsten 2017 Laget av Tommy O. Sist oppdatert: 26. november 2017
Løsningsforslag Eksamen S, høsten 017 Laget av Tommy O. Sist oppdatert: 6. november 017 Del 1 - uten hjelpemidler Oppgave 1 a) Vi skal derivere f(x) = x 4x 3. Vi bruker regelen samt regelen (x n ) = nx
DetaljerA) B) 400 C) 120 D) 60 E) 10. Rett svar: C. Fasit: ( 5 6 = 60. Hvis A, B, C er en partisjon av utfallsrommet S, så er P (A B) lik.
Oppgave 1 Det skal velges en komité bestående av 2 menn og 1 kvinne. Komitéen skal velges fra totalt 5 menn og 6 kvinner. Hvor mange ulike komitéer kan dannes? A) 86400 B) 400 C) 120 D) 60 E) 10 Rett svar:
DetaljerUtvalgsfordelinger; utvalg, populasjon, grafiske metoder, X, S 2, t-fordeling, χ 2 -fordeling
Kapittel 8 Utvalgsfordelinger; utvalg, populasjon, grafiske metoder, X, S 2, t-fordeling, χ 2 -fordeling TMA4240 H2006: Eirik Mo 2 Til nå... Definert sannsynlighet og stokastiske variabler (kap. 2 & 3).
DetaljerKap 13 Opsjonsprising: Løsninger
Kap 13 Opsjonsprising: Løsninger 1 Prising med arbitrasje Oppgave 1 For å finne opsjonens verdi, bruker vi følgende fremgangsmåte: 1. Definer aksjens prisprosess. Gitt dagens pris, kan aksjen ha en av
DetaljerLa U og V være uavhengige standard normalfordelte variable og definer
Binormalfordelingen Definisjon Noe av hensikten med å innføre begrepet betinget sannsynlighet er at kompliserte modeller ofte kan bygges ut fra enkle betingede modeller. Når man spesifiserer betingelser
DetaljerForelesning 13. mars, 2017
Forelesning 13. mars, 217 AVSNITT 5.2 Kovariansen mellom to variable Korrelasjon mellom to variable AVSNITT 5.3 Betingede fordelinger Kovariansen mellom to stokastiske variable Kovariansen mellom to stokastiske
DetaljerNotasjon. Løsninger. Problem. Kapittel 7
3 Notasjon Kapittel 7 Funksjoner av stokastiske variabler Har n stokastiske variabler, X 1, X 2,..., X n, med kjent fordeling f( 1, 2,..., n ) og kumulativ fordeling F( 1, 2,..., n ). Ser på Y = u(x 1,
DetaljerSTK1100 våren Kontinuerlige stokastiske variabler Forventning og varians Momentgenererende funksjoner
STK1100 våren 2017 Kontinuerlige stokastiske variabler Forventning og varians Momentgenererende funksjoner Svarer til avsnittene 4.1 og 4.2 i læreboka Ørnulf Borgan Matematisk institutt Universitetet i
DetaljerUtvalgsfordelinger. Utvalg er en tilfeldig mekanisme. Sannsynlighetsregning dreier seg om tilfeldige mekanismer.
Utvalgsfordelinger Vi har sett at utvalgsfordelinger til en statistikk (observator) er fordelingen av verdiene statistikken tar ved mange gjenttatte utvalg av samme størrelse fra samme populasjon. Utvalg
DetaljerForelesningsnotater ECON 2910 VEKST OG UTVIKLING, HØST Litt om endogen vekstteori
4. oktober 2004 Forelesningsnotater ECON 2910 VEST OG UTVIING, HØST 2004 7. itt om endogen vekstteori I matematiske fremstillinger hvor vi ser på endringer i variable over tid er det vanlig å betegne de
DetaljerObservatorar og utvalsfordeling. Torstein Fjeldstad Institutt for matematiske fag, NTNU
Observatorar og utvalsfordeling Torstein Fjeldstad Institutt for matematiske fag, NTNU 08.10.2018 I dag Til no i emnet Observatorar Utvalsfordelingar Sentralgrenseteoremet 2 Til no i emnet definisjon av
DetaljerHØGSKOLEN I STAVANGER
HØGSKOLEN I STAVANGER Avdeling for TEKNISK NATURVITEN- EKSAMEN I: TE199 SANNSYNLIGHETSREGNING MED STATISTIKK SKAPELIGE FAG VARIGHET: 4 TIMER DATO: 5. JUNI 2003 TILLATTE HJELPEMIDLER: KALKULATOR OPPGAVESETTET
DetaljerTMA4240 Statistikk Høst 2008
TMA4240 Statistikk Høst 2008 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 7 Oppgave 1 Tippekonkurranse Denne oppgaven er ment som en kjapp test på hva du har
DetaljerForelesning 5: Kontinuerlige fordelinger, normalfordelingen. Jo Thori Lind
Forelesning 5: Kontinuerlige fordelinger, normalfordelingen Jo Thori Lind j.t.lind@econ.uio.no Oversikt 1. Kontinuerlige fordelinger 2. Uniform fordeling 3. Normal-fordelingen 1. Kontinuerlige fordelinger
DetaljerSIF5072 Stokastiske prosesser Side 2 av 7 Gitt at en pasient er symptomfri ved tidspunkt t, hva er sannsynligheten for at han er symptomfri i hele per
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 7 Faglig kontakt under eksamen: Bo Lindqvist 73 59 35 20 EKSAMEN I FAG SIF5072 STOKASTISKE PROSESSER Tirsdag 22. mai
DetaljerOversikt over kap. 19 i Gravelle og Rees. Sett i forhold til resten av pensum:
Oversikt over kap. 19 i Gravelle og Rees Først et forbehold: Disse forelesningene er svært kortfattede i forhold til pensum og vil ikke dekke alt. Dere må lese selv! Sett i forhold til resten av pensum:
DetaljerÅMA110 Sannsylighetsregning og statistikk Løsningsforslag til eksamen høst 2010, s. 1. Oppgave 1. Histogram over frekvenser.
ÅMA1 Sannsylighetsregning og statistikk Løsningsforslag til eksamen høst 0, s. 1 (Det tas forbehold om feil i løsningsforslaget.) a) Gjennomsnitt: x = 1 Emp. standardavvik: Median: 1 (1.33 + 1.) = 1.35
DetaljerKontinuerlige sannsynlighetsfordelinger.
Kontinuerlige sannsynlighetsfordelinger. Dekkes av kap. 6 og deler av kap. 8.5 i boka. Husk: f(x) er sannsynlighetstettheten til en kontinuerlig X dersom: 1. f(x) 0 for alle x R 2. f(x)dx =1 3. P (a
DetaljerObservatorer. STK Observatorer - Kap 6. Utgangspunkt. Eksempel høyde Oxford studenter
Observatorer STK00 - Observatorer - Kap 6 Geir Storvik 4. april 206 Så langt: Sannsynlighetsteori Stokastiske modeller Nå: Data Knytte data til stokastiske modeller Utgangspunkt Eksempel høyde Oxford studenter
DetaljerEcon 2130 Forelesning uke 10 (HG) Geometrisk og normal fordeling
Econ 2130 Forelesning uke 10 (HG) Geometrisk og normal fordeling 1 Geometrisk fordeling Binomisk forsøks-serie En serie likeartete forsøk med to mulige utfall, S og F, i hvert. (Modell) forutsetninger
DetaljerModifisering av Black & Scholes opsjonsprising ved bruk av NIG-fordelingen
Modifisering av Black & Scholes opsjonsprising ved bruk av NIG-fordelingen Prosjektoppgave STK-MAT2011 Sindre Froyn Salgsopsjon A B K S 0 T S 0 : porteføljeprisen ved tiden t = 0. K: garantert salgspris
DetaljerKapittel 2: Hendelser
Kapittel 2: Hendelser FENOMEN Eksperiment Utfall Utfallsrom Eksperiment. Utfall. Eksperiment Utfall Hendelse Sannsynlighet: egenskaper, gunstige vs. mulige, relativ frekvens Sannsynlighet for mer enn en
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Kp. 3 Diskrete tilfeldige variable. Diskrete tilfeldige variable, varians (kp. 3.
ÅMA Sannsynlighetsregning med statistikk, våren 8 Kp. Diskrete tilfeldige variable Kp. Diskrete tilfeldige variable Har sett på (tidligere: begrep/definisjoner; tilfeldig (stokastisk variabel sannsynlighetsfordeling
DetaljerSensurveiledning for eksamen i lgu52003 våren 2015
Sensurveiledning for eksamen i lgu5200 våren 205 Oppgave a) Gjennomsnittsfart fra 0-0 minutt: tilbakelagt strekning etter 0 min tilbakelagt strekning ved start tid = Gjennomsnittsfart fra 5-0 minutt: (5
DetaljerOppsummering matematikkdel ECON 2200
Oppsummering matematikkdel ECON 2200 Kjell Arne Brekke 7. mai 2008 1 Innledning En rask oppsummering av hele kurset vil ikke kunne dekke alt vi har gjennomgått. Men alt er pensum, selv om det ikke blir
DetaljerSTK1100 våren Normalfordelingen. Normalfordelingen er den viktigste av alle sannsynlighetsfordelinger
STK00 våren 206 Normalfordelingen Svarer til avsnitt 4.3 i læreboka Geir Storvik Matematisk institutt Universitetet i Oslo Normalfordelingen er den viktigste av alle sannsynlighetsfordelinger Normalfordelingen
DetaljerHøgskolen i Telemark. Institutt for økonomi og informatikk FORMELSAMLING Statistikk I. Til bruk ved eksamen. Per Chr. Hagen
Høgskolen i Telemark Institutt for økonomi og informatikk FORMELSAMLING 6005 Statistikk I Til bruk ved eksamen Per Chr. Hagen . Sannsynlighetsregning. Regneregler Komplementsetningen: Addisjonssetningen:
DetaljerTMA4245 Statistikk Eksamen desember 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4245 Statistikk Eksamen desember 2016 Oppgave 1 En bedrift produserer elektriske komponenter. Komponentene kan ha to typer
DetaljerTMA4240 Statistikk Høst 2009
TMA4240 Statistikk Høst 2009 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer b5 Løsningsskisse Oppgave 1 Vi ønsker å finne ut om et nytt serum kan stanse leukemi.
DetaljerDEL 1 GRUNNLEGGENDE STATISTIKK
INNHOLD 1 INNLEDNING 15 1.1 Parallelle verdener........................... 18 1.2 Telle gunstige.............................. 20 1.3 Regneverktøy og webstøtte....................... 22 1.4 Oppgaver................................
DetaljerBernoulli forsøksrekke og binomisk fordeling
Bernoulli forsøksrekke og binomisk fordeling Bernoulli forsøksrekke i) gjentar et forsøk n ganger ii) hvert forsøk gir enten suksess eller fiasko iii) sannsynligheten for suksess er p i alle forsøkene
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren
ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Oppsummering Bjørn H. Auestad Institutt for matematikk og naturvitenskap Universitetet i Stavanger 24. april Bjørn H. Auestad Oppsummering våren
DetaljerLøsningsforslag, eksamen statistikk, juni 2015
Løsningsforslag, eksamen statistikk, juni 0 Oppgave 1 Siden det spørres om tall fra et intervall, som oppgaven viser kan være et reelle, er det tydelig at tallene er tatt fra en kontinuerlig fordeling.
DetaljerOppfriskning av blokk 1 i TMA4240
Oppfriskning av blokk 1 i TMA4240 Geir-Arne Fuglstad November 21, 2016 2 Hva har vi gjort i dette kurset? Vi har studert to sterkt relaterte grener av matematikk Sannsynlighetsteori: matematisk teori for
DetaljerTyngdepunkt. Togforsinkelsen (Eksamen Des2003.1a) I denne oppgaven kan du bruke uten å vise det at. Kapittel 4
3 Tyngdepunkt Kapittel 4 Forventningsverdi, varians, kovarians for én stokastisk variabel og funksjoner av stokastiske variabler TMA4240 H2006: Eirik Mo 2 4.1 Forventing til en stokastisk variabel DEF
DetaljerEcon 2130 uke 16 (HG)
Econ 213 uke 16 (HG) Hypotesetesting I Løvås: 6.4.1 6, 6.5.1-2 1 Testing av µ i uid modellen (situasjon I Z-test ). Grunnbegreper. Eksempel. En lege står overfor følgende problemstilling. Standardbehandling
DetaljerSTK1000 Uke 36, Studentene forventes å lese Ch 1.4 ( ) i læreboka (MMC). Tetthetskurver. Eksempel: Drivstofforbruk hos 32 biler
STK1000 Uke 36, 2016. Studentene forventes å lese Ch 1.4 (+ 3.1-3.3 + 3.5) i læreboka (MMC). Tetthetskurver Eksempel: Drivstofforbruk hos 32 biler Fra histogram til tetthetskurver Anta at vi har kontinuerlige
DetaljerKapittel 4.3: Tilfeldige/stokastiske variable
Kapittel 4.3: Tilfeldige/stokastiske variable Litt repetisjon: Sannsynlighetsteori Stokastisk forsøk og sannsynlighet Tilfeldig fenomen Individuelle utfall er usikre, men likevel et regulært mønster for
DetaljerEksponensielle klasser
Eksponensielle klasser, de Jong & Heller, Kap. 3 Eksponensielle klasser STK3100-1. september 2008 Sven Ove Samuelsen En stokastisk variabel Y sies å ha fordeling i den eksponensielle fordelingsklasse dersom
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Kapittel 5: Sannsynlighetsfordelinger for diskrete variabler Bo Lindqvist Institutt for matematiske fag 2 Tilfeldige variabler (5.1) Dersom vi til hvert utfall av eksperimentet
DetaljerEt lite notat om og rundt normalfordelingen.
Et lite notat om og rundt normalfordelingen. Anta at vi har kontinuerlige data. Hva er likt og ulikt for histogrammer og fordelingskurver? Observasjoner Histogram Viser fordelingen av faktiske observerte
DetaljerTMA4240 Statistikk Eksamen desember 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4240 Statistikk Eksamen desember 15 Oppgave 1 La den kontinuerlige stokastiske variabelen X ha fordelingsfunksjon (sannsynlighetstetthet
DetaljerKapittel 4.4: Forventning og varians til stokastiske variable
Kapittel 4.4: Forventning og varians til stokastiske variable Forventning og varians til stokastiske variable Histogrammer for observerte data: Sannsynlighets-histogrammer og tetthetskurver for stokastiske
DetaljerKapittel 8: Tilfeldige utvalg, databeskrivelse og fordeling til observatorar, Kapittel 9: Estimering
Kapittel 8: Tilfeldige utvalg, databeskrivelse og fordeling til observatorar, Kapittel 9: Estimering TMA4245 Statistikk Kapittel 8.1-8.5. Kapittel 9.1-9.3+9.15 Turid.Follestad@math.ntnu.no p.1/21 Har sett
DetaljerGammafordelingen og χ 2 -fordelingen
Gammafordelingen og χ 2 -fordelingen Gammafunksjonen Gammafunksjonen er en funksjon som brukes ofte i sannsynlighetsregning. I mange fordelinger dukker den opp i konstantleddet. Hvis man plotter n-fakultet
Detaljerdg = ( g P0 u)ds = ( ) = 0
NTNU Institutt for matematiske fag TMA4105 Matematikk 2, øving 8, vår 2011 Løsningsforslag Notasjon og merknader Som vanlig er enkelte oppgaver kopiert fra tidligere års løsningsforslag. Derfor kan notasjon,
DetaljerTMA4240 Statistikk Høst 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 9, blokk II Løsningsskisse Oppgave X er kontinuerlig fordelt med sannsynlighetstetthet f X (x) = { x exp( x ) x
Detaljeronsdag_19_09_2018_poisson_eksponential_normalfordelng_vikartime_bygg_v2.notebook
September 19, The story so far Kap. 3: Diskrete stokastiske variable variablene er "diskrete", dvs. tellevariable som kun har verdier X = 0, X = 1, X = 2,... beregne forventningsverdi og varians for variabel
DetaljerFasit for tilleggsoppgaver
Fasit for tilleggsoppgaver Uke 5 Oppgave: Gitt en rekke med observasjoner x i (i = 1,, 3,, n), definerer vi variansen til x i som gjennomsnittlig kvadratavvik fra gjennomsnittet, m.a.o. Var(x i ) = (x
DetaljerAksjeavkastningsparadoxet
Aksjeavkastningsparadoxet Kjell Arne Brekke October 16, 2001 1 Mer om risikofrie sannsynligheter Vi skal nå tilbake til modellen vi studerte ovenfor, med to tidsperioder og en konsumvare i hver periode.
DetaljerDenne veka. Kap 7: Funksjonar av stokastiske variable Transformasjon av variable Moment Momentgenererande funksjon
Denne veka Kap 7: Funksjonar av stokastiske variable Transformasjon av variable Moment Momentgenererande funksjon Notat: Ordningsvariable og ekstremvariable Ordnings variable Maksimum Minumum Transformasjon
DetaljerSiden vi her har brukt første momentet i fordelingen (EX = EX 1 ) til å konstruere estimatoren kalles denne metoden for momentmetoden.
Estimeringsmetoder Momentmetoden La X, X 2,..., X n være uavhengige variable som er rektangulært fordelte på intervallet [0, θ]. Vi vet da at forventningsverdiene til hver observasjon og forventningen
DetaljerRegneøvelse 22/5, 2017
Regneøvelse 22/5, 217 Arne Bang Huseby Eksamen STK11 212: oppgave 1 og 2 Eksamen STK11 28: oppgave 1) og 2 Eksamen 212, oppgave 1 Ved en bestemt butikk i en større dagligvarekjede viser langvarige data
DetaljerDagens tekst. Kap 7: Funksjonar av stokastiske variable Transformasjon av variable Moment Momentgenererande funksjon
Dagens tekst Kap 7: Funksjonar av stokastiske variable Transformasjon av variable Moment Momentgenererande funksjon Notat: Ordningsvariable og ekstremvariable Ordnings variable Maksimum Minumum Transformasjon
DetaljerStatistisk inferens (kap. 8) Hovedtyper av statistisk inferens. ST0202 Statistikk for samfunnsvitere
2 Statistisk inferens (kap. 8) Statistisk inferens er å tolke/analysere resultater fra utvalget for å finne ut mest mulig om populasjonen. Konkret: Analysere en observator for å finne ut noe om korresponderende
DetaljerFunksjoner av stokastiske variable.
Funksjoner av stokastiske variable. Dekkes av pensumsidene i kap. 7 I ulike sammenhenger, blant annet for å finne fordelingen til estimatorer, er vi interesserte i fordelingen til funksjoner av stokastiske
DetaljerEksamensoppgave i Løsningsskisse TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgave i Løsningsskisse TMA440 Statistikk Faglig kontakt under eksamen: Håkon Tjelmeland a, Sara Martino b Tlf: a 48 18 96, b 99 40 33 30 Eksamensdato: 30. november
DetaljerKap. 6, Kontinuerlege Sannsynsfordelingar
Kapittel 6, Kontinuerlege Sannsynsfordelingar Sjå på eit utval av ofte brukte kontinuerlege sannsynsfordelingar Uniform Onsdag Normal Onsdag Eksponensial I dag Gamma I dag Kji-kvadrat I dag Student-T (Kap
DetaljerStatistisk inferens (kap. 8) Hovedtyper av statistisk inferens. ST0202 Statistikk for samfunnsvitere
2 Statistisk inferens (kap. 8) Statistisk inferens er å tolke/analysere resultater fra utvalget for å finne ut mest mulig om populasjonen. Konkret: Å analysere en utvalgsobservator for å trekke slutninger
DetaljerSTK-MAT Arne Bang Huseby
STK-MAT 2011 Arne Bang Huseby F. F. R. Finans: Bernt Øksendal Fred Espen Benth Tom Lindstrøm Giulia Di Nunno Forsikring: Erik Bølviken Frank Proske Risiko: Bent Natvig Arne Bang Huseby +++ Statistikk/Dataanalyse
DetaljerTMA4245 Statistikk Eksamen august 2014
TMA4245 Statistikk Eksamen august 2014 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Oppgave 1 En bedrift produserer en type medisin i pulverform Medisinen selges på flasker
DetaljerEt lite notat om og rundt normalfordelingen.
Et lite notat om og rundt normalfordelingen. Anta at vi har kontinuerlige data. Hva er likt og ulikt for histogrammer og fordelingskurver? Observasjoner Histogram Viser fordelingen av faktiske observerte
DetaljerFunksjoner av stokastiske variable.
Funksjoner av stokastiske variable. Dekkes av pensumsidene i kap. 7 I ulike sammenhenger, blant annet for å finne fordelingen til estimatorer, er vi interesserte i fordelingen til funksjoner av stokastiske
DetaljerOPPGAVEHEFTE I STK1000 TIL KAPITTEL 5 OG 6. a b
OPPGAVEHEFTE I STK1000 TIL KAPITTEL 5 OG 6 1. Regneoppgaver til kapittel 5 6 Oppgave 1. Mange som kommer til STK1000 med dårlige erfaringer fra tidligere mattefag er livredd ulikheter, selv om man har
DetaljerForeleses onsdag 8. september 2010
TMA4240 Statistikk H200 4.2: Varians (univariat del) 4.4: Chebyshevs teorem 3.4: Simultanfordelinger Mette Langaas Foreleses onsdag 8. september 200 Mette.Langaas@math.ntnu.no, TMA4240H200 2 4.2 Varians
DetaljerMatematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s. 1. Oppgave 1
Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s AR2-modell: Oppgave X t φ X t φ 2 X t 2 Z t Antas å være kausal slik at X t ψ j Z t j er ukorrelert med Z t+,
DetaljerUtvalgsfordelinger (Kapittel 5)
Utvalgsfordelinger (Kapittel 5) Oversikt pensum, fortid og fremtid Eksplorativ data-analyse (Kap 1, 2) Hvordan produsere data (Kap 3) Sannsynlighetsteori (Kap 4) Utvalgsfordelinger til observatorer (Kap
DetaljerKontinuerlige sannsynlighetsfordelinger.
Kontinuerlige sannsynlighetsfordelinger. Dekkes av kap. 6 og deler av kap. 8.5 i boka. Husk: f(x er sannsynlighetstettheten til en kontinuerlig X dersom:. f(x 0 for alle x R 2. f(xdx = 3. P (a
DetaljerDiskrete sannsynlighetsfordelinger som histogram. Varians. Histogram og kumulativ sannsynlighet. Forventning (gjennomsnitt) (X=antall mynt i tre kast)
Diskret sannsynlighetsfordeling (kap 1.1-1.6) Oversikt Utfallsrom (sample space) Sannsynlighetsfordeling Forventning (expectation), E(X), populasjonsgjennomsnitt Bruk av figurer og histogram Binomialfordelingen
DetaljerProsjektoppgaver om diusjonsprosesser og diusjonstilnærmelse
Prosjektoppgaver om diusjonsprosesser og diusjonstilnærmelse February 13, 2006 I alle oppgavene skal det skrives litt om hva diusjonsprosesser er, hvilke spesielle resultater fra diusjonsteorien man skal
DetaljerEt lite notat om og rundt normalfordelingen. Anta at vi har kontinuerlige data. Hva er likt og ulikt for histogrammer og fordelingskurver?
Et lite notat om og rundt normalfordelingen. Anta at vi har kontinuerlige data. Hva er likt og ulikt for histogrammer og fordelingskurver? Boka (Ch 1.4) motiverer dette ved å gå fra histogrammer til tetthetskurver.
DetaljerKap. 6, Kontinuerlege Sannsynsfordelingar
Kapittel 6, Kontinuerlege Sannsynsfordelingar Sjå på eit utval av ofte brukte kontinuerlege sannsynsfordelingar Uniform I går Normal I går Eksponensial I dag Gamma I dag Kji-kvadrat I dag Nokre eigenskapar
DetaljerTema 2: Stokastiske variabler og sannsynlighetsfordelinger Kapittel 3 ST :44 (Gunnar Taraldsen)
Tem 2: Stokstiske vribler og snnsynlighetsfordelinger Kpittel 3 ST1101 2019-01-13 12:44 (Gunnr Trldsen) Det nts i nottet t S er et utfllsrom utstyrt med en snnsynlighet P (A) for enhver hendelse A F. F
DetaljerLØSNINGSFORSLAG ) = Dvs
LØSNINGSFORSLAG 12 OPPGAVE 1 D j er differansen mellom måling j med metode A og metode B. D j N(µ D, 0.1 2 ). H 0 : µ D = 0 mot alternativet H 1 : µ D > 0. Vi forkaster om ˆµ D > k Under H 0 er ˆµ D =
DetaljerEksamensoppgave i TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4240 Statistikk Faglig kontakt under eksamen: Mette Langaas a, Ingelin Steinsland b, Geir-Arne Fuglstad c Tlf: a 988 47 649, b 926 63 096, c 452 70 806
DetaljerMedisinsk statistikk Del I høsten 2009:
Medisinsk statistikk Del I høsten 2009: Kontinuerlige sannsynlighetsfordelinger Pål Romundstad Beregning av sannsynlighet i en binomisk forsøksrekke generelt Sannsynligheten for at suksess intreffer X
DetaljerOptimal kontrollteori
Optimal kontrollteori 1. og 2. ordens differensialligninger Klassisk variasjonsregning Optimal kontrollteori er en utvidelse av klassisk variasjonsregning, som ble utviklet av Euler og Lagrange. Et vanlig
DetaljerMAT1100 - Grublegruppen Uke 36
MAT - Grublegruppen Uke 36 Jørgen O. Lye Partiell derivasjon Hvis f : R 2 R er en kontinuerlig funksjon, så kaller man følgende dens partiellderiverte (gitt at de finnes!) f f(x + h, y) f(x, y) (x, y)
DetaljerST0202 Statistikk for samfunnsvitere Kapittel 6: Normalfordelingen
ST0202 Statistikk for samfunnsvitere Kapittel 6: Normalfordelingen Bo Lindqvist Institutt for matematiske fag 2 Kap. 6: Normalfordelingen Normalfordelingen regnes som den viktigste statistiske fordelingen!
Detaljer