Finansmatematik II Kapitel 3 Risk och diversifiering
|
|
- Elias Strömberg
- för 8 år sedan
- Visningar:
Transkript
1 STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund Version Finansmatematik II Kapitel 3 Risk och diversifiering
2 2 Finansmatematik II Risk och diversifiering Betrakta en portfölj bestående av m tillgångar som vi här ska kalla aktier. Aktieprisena vid tiden t är S (t),..., S m (t). Låt V j (t) beteckna värdet av innehavet i aktie j vid tiden t, j =,..., m; V j (t) = a j S j (t), där a j är antalet av aktie j i portföljen. Portföljvärdet vid tiden t, P (t), ges av och aktie j har vikten P (t) = V (t) V m (t) v j (t) = V j (t)/p (t) i portföljen. Portföljens avkastning i tidsintervallet (t, t + t), R P (t, t + t), ges av där R P (t, t + t) = P (t + t) P (t) P (t) = v j (t)r j (t, t + t), j= R j (t, t + t) = V j(t + t) V j (t) V j (t) är avkastningen av aktie j under tidsintervallet. Övning Visa detta. Portföljens avkastning har variansen = S j(t + t) S j (t) S j (t) Var(R P (t, t + t)) = j= k= v j (t)v k (t)cov(r j (t, t + t), R k (t, t + t)) = v(t) Q t v(t), där v(t) = (v (t),..., v m (t)). Vi har sett i Kapitel 2 att Q t Q t med god approximation, där Q är kovariansmatrisen för aktiernas årstillväxt. Det har därför ingen betydelse vilken av dessa matriser som används. Vi ska här använda portföljens volatilitet σ P (t) = v(t) Qv(t) som mått på portföljrisken. Matrisen Q antages vara icke singulär vilket är detsamma som att alla egenvärden är strikt positiva. Antag att vi funnit att vissa vikter är optimala i något avseende och att vi bildar en portfölj med dessa vikter. Vikterna ändras med tiden och när de avviker väsentligt från de optimala får man balansera om portföljen (minska de innehav som blivit för stora och öka de som blivit för små) så att vikterna återställs.
3 Risk och diversifiering 3 Risken kan minskas genom diversifiering. Av aktierna i exempelportföljen FEM AKTIER har Skanska lägst volatilitet under Period -4, 0.27, medan Ericsson har högst, (Se Tabell i Kap. 2.) Jämfört med att enbart inneha den trygga aktien Skanska kan man minska risken något genom att lägga till den riskabla aktien Ericsson: Antag att vi lägger vikten v i Ericsson och vikten v i Skanska. För denna portfölj gäller σ 2 P = v ( v) v( v) eftersom korrelationen är 0.30 enligt Tabell 6 i Kap. 2. Detta uttryck minimeras för v = 0.4 och den minimala volatiliteten är Övning 2 Genomför detaljerna i ovanstående resonemang. AstraZeneca har högre volatilitet, 0.32, än Skanska. För att göra poängen tydligare ska vi inte använda korrelationen 0.20 under Period -4 utan ρ = 0.0 vilket är den lägsta korrelationen mellan AZN och LME under de fyra delporioderna. Den portfölj som har vikten 0.68 i AZN och 0.32 i LME har även den volatiliteten Hög volatilitet kan alltså kompenseras av låg samvariation. För att få en uppfattning om hur antalet aktier, m, påverkar risken är det instruktivt att titta på fallet då alla vikter är lika, /m, alla aktier har samma volatilitet, σ, och alla korrelationer är desamma, ρ. (Detta är möljigt för alla m om och endast om ρ 0.) I detta fall är σ P = σ ρ + ρ m. Övning 3 Visa detta. Portföljrisken avtar alltså mot σ ρ då m. Om ρ > 0, vilket är det normala, så finns det alltså en gräns för vad som går att uppnå genom diversifiering av en aktieportfölj. Om man vill reducera risken ytterligare genom diversifiering kan man komplettera portföljen med andra tillgångar såsom obligationer och fastigheter eller helt enkelt lägga (en del) av pengarna i kassan. Ytterligare en diversifieringsmöjlighet är hedgefonder som kan vara okorrelerade eller negativt korrelerade med aktiemarknaden. I Figur är portföljvolatiliteten plottad som funktion av m i (det typiska) fallet ρ = 0.36 samt för ρ = 0. (Aktievolatiliteten är i figuren normerad till.) I det första fallet kan man genom diversifiering minska volatiliteten från σ till 0.6σ och redan vid m = 5 har man uppnått 3/4 av denna minskning, σ P = 0.7σ. 2 Minimivariansportföljen Vi ska bestämma de vikter som minimerar portföljrisken. Detta leder ibland till portföljer med negativa vikter. Ett negativt innehav erhålls om man lånar en aktie och säljer den (för att senare köpa tillbaka). Detta är normal praxis i vissa hedgefonder och kallas för blankning. Den portfölj som har minst volatilitet ges av de vikter v som minimerar
4 4 Finansmatematik II corr= corr= Figur : Portföljvolatilitet som funktion av antalet tillgångar 2 v Qv = 2 v i σ i,j v j under bivillkoret i v i =. Lagranges multiplikatormedtod ger ekvationerna σ i,j v j = λ, i =,..., m, j j i j v j =. Övning 4 Beräkna minimivariansportföljens vikter och varians då a) b) c) Q = σ σ σ Q = Q = Ekvationssystemet kan även skrivas
5 Risk och diversifiering 5 Qv = λ, v =, där = (,..., ). (Här och i fortsättningen skriver vi vektorer som radvektorer men i matrisräkningar fungerar de som kolumnvektorer.) Vi får v = λq. Insättning av detta i bivillkoret ger λ Q =. Minimivariansen blir v Qv = λ 2 Q = / Q. Observera att Q > 0 eftersom Q och därmed Q är strikt positivt definit. Matrisen λq kommer att förekomma så ofta att vi ger den en egen bokstav, P. Sammanfattning: Minimivariansportföljen har variansen och vikterna där σ 2 = / Q v = P, P = σ 2 Q. Exempel Okorrelerade avkastningar I detta fall är σ i,i = σi 2 och σ i,j = 0 för i j. Q är alltså diagonalmatrisen med diagonalelementen /σi 2, i =,..., m och vi har därför σ 2 = H m, v i = σ2 σi 2, där H betecknar det harmoniska medelvärdet av σ 2,..., σ 2 m, m H = σ 2 σm 2 Man ser här att variansen kan göras godtyckligt liten genom att diversifiera portföljen (välja m stort) på så sätt att H hålls begränsad. Det framgår också att minimivariansportföljen har positiva vikter i detta fall. Genom att lägga en del pengar i kassan eller en fond som är negativt korrelerad med aktiemarknaden kan man minska risken ytterligare. Övning 5 Ett kapital är placerat i en aktieportfölj som har volatiliteten För att minska risken överväger man två alternativ: Halva kapitalet flyttas från aktier till a) kassan (som har volatiliteten 0).
6 6 Finansmatematik II b) en viss hedgefond som har volatiliteten 0.6 och korrelationen med aktieportföljen. Vilket alternativ ger lägst volatilitet? Övning 6 En aktieportfölj och en hedgefond har korrelationen ρ < 0 och volatiliteterna σ respektive τ. Betrakta den portfölj som har vikten p i aktieportföljen, vikten w i hedgefonden och resten, p w, i kassan. Här är p ett givet positivt tal. Bestäm w så att portföljens volatilitet minimeras samt beräkna denna minimala volatilitet. Svar w = pκ, där κ = σ τ ρ. Volatiliteten är pσ ρ 2. Lägg märke till att portföljens volatilitet inte beror på hedgefondens volatilitet även om vikterna gör det. Lägg också märke till att kontantinnehavet är negativt om p > +κ. Övning 7 Betrakta samma situation som i ovanstående övning med p = 0.5 och σ = Beräkna vikterna och volatiliteten för minimivariansportföljen i följande två fall: a) τ = 0.6 och ρ = b) τ = 0.04 och ρ = I det senare fallet är kontantinnehavet negativt. Antag att du inte accepterar detta utan väljer vikten 0.5 för hedgefonden i b). c) Vilken volatilitet har dennas portfölj? I Figur 2 plottas volatiliteten av en portfölj som har vikten v i en aktieportfölj med volatiliteten 0.27 och vikten v i endera kassan eller i en av de två fonderna i Övning 7 a och b. Vikten v är på x-axeln. Det framgår att så länge som man har minst hälften av vikten i aktieportföljen och resten i en av dessa tillgångar, så uppnås störst minskning av volatiliteten genom att placera i den mest volatila tillgången. 3 Stabilitet hos skattningarna av vikterna För att beräkna minimivariansportföljen kan man göra så här: Skatta v med ˆv = ˆP, där ˆP = ˆσ 2 ˆQ och ˆσ 2 = / ˆQ. Skattningen baseras på historiska data om n observationer. Använd sedan dessa vikter för minimivariansportföljen under den följande perioden. För att denna portfölj ska likna minimivariansportföljen den följande perioden behöver n vara tillräckligt stort för att skattningen ska vara stabil. Vidare måste minimivariansportföljerna under de två perioderna vara snarlika. Exempel 2 FEM AKTIER. Hela tidsperioden delades in i fyra lika långa tidsperioder om n = 256 dagar var. Varje period är alltså c:a ett år och en vecka lång. Kovariansmatrisen skattades från de dagliga slutkurserna. Minimivariansportföljens vikter ges i Tabell.
7 Risk och diversifiering Figur 2: Volatilitet av den portfölj som består av aktier samt endera kassan eller en av de två fonderna i Övning 7 a och b. Tabell AZN LME HM SDIA SKA Period Period Period Period Period Period Period Här finns en viss stabilitet vilket blir tydligt om man rangordnar vikterna: Tabell 2 AZN LME HM SDIA SKA Period Period Period Period Period Period Period
8 8 Finansmatematik II I Tabell 3 ges minimivariansportföljernas volatiliteter och volatiliteterna, σ, hos de portföljer som har samma vikter som minimivariansportföljen den föregående perioden, vilket alltså är den volatilitet man får om man tillämpar ovanstående metod. För jämförelsens skull har även σ afgx, volatiliteten hos Affärsvärldens generalindex, samt σ lika, volatiliteten hos den portfölj som har lika vikter av de 5 aktierna, angivis. Tabell 3 σ σ σ lika σ afgx Period Period Period Period Period Det framgår av tabellen att man inte behöver ha många aktier i en portfölj för att få ned risken på samma nivå som generalindex. Om man lägger till AFGX till portföljen och beräknar minimivariansportföljens vikter med data från Period -4, så får AFGX vikten 0.46 och de övriga 0.22, -0.05, 0.0, respektive Volatiliteten blir 0.8. Om man vill ta ned risken i en omfattande portfölj, så ska man naturligt nog vikta ned de stora och volatila bolagen Ericsson och Skandia relativt index. Observera att över halva portföljvärdet ligger i de två aktierna Skanska och AstraZeneca. För att få en uppfattning om vilka slumpvariationer i skattningarna man kan vänta sig ska vi använda följande resultat. Sats Antag att aktiepriserna utvecklas enligt Modell B i Kapitel 2. Skattningen ˆv = ˆP av vikterna i minimivariansportföljen är, då n, asymptotiskt normalfördelad med väntevärde och kovariansmatris v = P n (P v v T )/σ 2. Vi utelämnar beviset. Satsen stämmer nämligen dåligt med verkligheten. Jag är övertygad om att vikterna är asymptotiskt normalfördelade med ovanstående väntevärde och att variansen är av storleksordningen /n. Det är det exakta uttrycket för variansen som är fel. Som mått på den genomsnittliga avvikelsen ska vi använda d teor = m E ˆv v 2. Om vi antar att skattningarna har den asymptotiska fördelningen i ovanstående sats, så
9 Risk och diversifiering 9 d teor = nm trace(p v v T )/σ. 2 Här står trace för spåret av matrisen, d.v.s. summan av diagonalelementen. Vi ska skatta d teor med trace trace A ˆd teor =, nm A där A är antalet perioder, n periodlängden och trace t är spåret av skattningen av kovariansmatrisen under period t, t =,..., A. Den observerade medelavvikelsen mellan vikterna på varandra följande perioder är d obs = A A t= m ˆv (t + ) ˆv (t) 2, där ˆv (t) är skattningen av vikterna under period t. Om skattningarna har den asymptotiska fördelningen i ovanstående sats så är Övning 8 Visa detta. E(d obs )2 = 2d 2 teor. För att få jämförbara storheter (som mäter avståndet mellan skattade och verkliga vikter) ska vi därför sätta d obs = d obs / 2. I nedanstående tabell ges dessa avstånd för ett antal olika periodlängder. Tabell 4 Periodlängd Antal perioder ˆdteor d obs d obs / ˆd teor Det framgår att teorin är på den pessimistiska sidan. Man skulle kunna tänka sig att vikterna är en färskvara eftersom verkligheten ändrar sig med tiden och att man därför bör använda sig av förhållandevis korta observationsperioder. Detta framgå alltså inte av ovanstående tabell utan tvärtom är avvikelserna monotont avtagande funktioner av observationsperiodens längd. Om man jämför avvikelserna med medelvikten /m = 20%, så kommer man till följande: Slutsats Använd, om möjligt, observationer från flera år.
10 0 Finansmatematik II 4 Ombalansering av portföljen Om aktierna utvecklas på olika sätt, så kommer vikterna att ändras. För att bibehålla vikterna behöver portföljen därför balanseras om ibland. Övning 9 a) Tre aktier kostar idag 4.98, respektive 2.0 SEK. Bilda en portfölj värd SEK och som har vikterna 0.20, 0.35 respektive 0.45 i de tre aktierna (avrundningsfelet läggs i kassan som antas ha räntan 0). Hur många ska du köpa av respektive aktie. b) Antag att portföljen lämnas orörd till en tidpunkt då aktieprisena är 3.40, respektive Vilka vikter har de olika aktierna i portföljen? Hur många ska du köpa eller sälja av de olika aktierna för att återställa de ursprungliga vikterna? Om portföljen balanseras om vid tidpunkterna t 0 < t <..., så blir portföljens värde vid t n där P (t n ) = P (t 0 )Π n k=( + RP (t k, t k ) ), R P (t k, t k ) = P (t k) P (t k ) P (t k ) och där = i= V i (t k ) V i (t k +) P (t k ) R i (t k, t k ) = S i(t k ) S i (t k ). S i (t k ) = v i R i (t k, t k ) På grund av omviktningen kommer aktieinnehaven att ha diskontinuiteter vid omviktningstidpunkterna, därav höger- och vänstergränsvärdena ovan. Övning 0 Genomför detaljerna i ovanstående resonemang. Det finns emellertid skäl (bl.a. transaktionskostnader) att inte balansera om portföljen utan anledning och anledningen i detta fall är att portföljens volatilitet blir alltför stor. Ett alternativ till dagliga ombalanseringar är alltså att vänta till den första tidpunkt, t, för vilken där σ(t) σ ( + ɛ), σ(t) = v(t) Qv(t) och där ɛ är ett lämpligt valt positivt tal. I Figur 3 är kvoten σ(t)/σ plottad för exempelportföljen. Tidsperioden är Period 4 och vikterna är skattade med data från perioderna -3. Vikterna blev AZN LME HM SDIA SKA i=
11 Risk och diversifiering Figur 3: Portföljvolatilitet relativt minimivariansportföljens volatilitet Som störst är kvoten.0. I detta fall har därför den portfölj som ombalanseras dagligen och den portfölj som aldrig ombalanseras snarlik volatilitet. Att skillnaden mellan de två portföljerna är liten i detta fall framgår också av Figur 4 där en plot av utvecklingen av de två portföljerna samt Affärsvärldens generalindex visas. Den dagligen omviktade är heldragen. Medelavvikelsen mellan de två portföljerna är 2%. 5 Portföljutvecklingen som funktion av aktiernas utveckling Låt v,..., v m vara givna vikter. Betrakta en portfölj som från början har dessa vikter och som balanseras om vid tidpunkterna 0, t, 2 t, 3 t,... så att vikterna återställs. Vi ska i detta avsnitt härleda ett uttryck för portföljens värde som funktion av aktiernas värden under förutsättning att de senare utvecklas enligt Modell B och att t är litet. Låt n t = t och låt P n (t) beteckna portföljens värde vid tiden t. Då gäller enligt identiteten som visas i Övning 0 och n P n (t) = P (0) i= j= v j S j (i t) S j ((i ) t) S j (i t) S j ((i ) t) = eνj t+ ixj,
12 2 Finansmatematik II AFGX Figur 4: Utveckling av minimvariansportföljerna. där i X j = X j (i t) X j ((i ) t) = tz j (i) och där Z(i) = (Z (i),..., Z m (i)), i =,..., n är oberoende stokastiska variabler som alla är normalfördelade med väntevärde 0 och kovariansmatris Q. Därför e νj t+ ixj = + ν j t + tz j (i) + t 2 Z j(i) 2 + O( t 3 ) = där + (ν j + 2 σ j,j) t + tz j (i) + t 2 e j(i) + O( t 3 ), e j (i) = Z j (i) 2 σ j,j och e(i) = (e (i),..., e m (i)), i =,..., n är oberoende likafördelade stokastiska variabler med väntevärde 0 och E e(i) 2 <. Det följer att j= v j S j (i t) S j ((i ) t) = +(v ν + 2 v d) t+ tv Z(i)+ t 2 v e(i)+o( t 3 ) där ν = (ν,..., ν m ) och d = (σ,,..., σ m,m ). Därför även ln(p n (t)/p (0)) =
13 Risk och diversifiering 3 n i= ( (v ν + 2 v d) t + tv Z(i) + t 2 v e(i) 2 t(v Z(i))2 + O( t 3 ) ) = tv ν +v (X(t) X(0))+t t v d+ 2 2 Den stokastiska variabeln n v e(i) n 2 t (v Z(i)) 2 +O( t). i= i= har väntevärde 0 och varians t 2 n v e(i) i= ( t) 2 ne(v e()) 2 /4 = O( t) och går därför mot noll i sannolikhet då t 0. Variabeln har varians n 2 t (v Z(i)) 2 i= ( t) 2 nvar((v Z()) 2 )/4 = O( t) och konvergerar därför i sannolikhet mot sitt väntevärde t 2 v Qv. Vi har alltså visat första delen av följande sats. Sats 2 Om aktierna utvecklas enligt Modell B, så P n (t) P (t) i sannolikhet då t 0. Här är och P (t) = P (0)e tl ( S (t) S (0) )v... ( S m(t) S m (0) )vm L = m 2 ( v j σ j,j v Qv). j= Speciellt gäller att ln(p (t)/p (0)) är normalfördelad med väntevärde (v r 2 v Qv)t och varians v Qvt, där r j = σj,j 2 + ν j är de förväntade momentana avkastningarna. Fördelningspåståendet följer av att ln(p (t)/p (0)) = (v r v Qv)t + v X(t). 2
14 4 Finansmatematik II Figur 5: Utveckling av kontinuerligt och dagligt ombalanserade portföljer Observera att satsen gäller för godtyckliga vikter (och inte endast för minimivariansportföljen) och även då Q är singulär. Genom att ombalansera portföljen styr man alltså dess värde mot det geometriska medelvärdet av aktievärdena multiplicerat med e tl. Detta portföljvärde kan jämföras med den orörda portföljens värde P (0) ( S (t) v S (0) v S m (t) ) m S m (0) som är det aritmetiska medelvärdet. Utvecklingen av minimivariansportföljen med daglig ombalansering är plottad tillsammans med den kontinuerligt ombalanserade portföljen (heldragen) i Figur 5. Medelavståndet mellan de två portföljerna är 0.5%. Figur 6 visar plottar av den orörda portföljen och den kontinuerligt ombalanserade. Medelavståndet mellan portföljerna är 2%. HM föll 30% under dag 02 och den orörda portföljen var dag 0 överviktad i HM (0.24 i.st.f. 0.7). Detta är en väsentlig förklaring till att den orörda portföljen presterade sämre än de andra. 6 Gemensam korrelation I detta fall är σ i,i = σ 2 i och σ i,j = σ i σ j ρ för i j. Detta är i vissa fall en någorlunda realistisk modell för vilken man kan få explicita och överblickbara uttryck för bl.a. minimivariansportföljens vikter och varians. Förutsatt att inte alla korrelationer är lika har denna modell ett systematiskt fel. Å andra sidan tycks slumpfelet bli mindre. Vi ska se att för vår exempelportfölj FEM AKTIER gå det inte att avgöra vilken av de två metoderna
15 Risk och diversifiering Kont.omb Figur 6: Utveckling av orörd och kontinuerligt omviktad portfölj (gemensam respektive allmänn korrelation) som ger bäst skattningar av minimivariansportföljens vikter. Detsamma gäller betaportföljens vikter i Kapitel 5. Vi ska börja med fallet σ i = för i =,..., m och skriva Q 0 för kovariansmatrisen i detta fall. Låt I stå för identitetsmatrisen och J för den matris vars samtliga element är. Då gäller Q 0 = ( ρ)i + ρj och därför Q 0 = ( ρ) (I + ρ ρ J). Övning a) Visa att x Q 0 x = m( ρ)v(x) + m( + (m )ρ) x 2, där v(x) = m m i= (x i x) 2. b) Visa att Q 0 (och därmed Q) är strikt positiv definit om och endast om m < ρ <. Vi ska i fortsättningen förutsätta att villkoret i b) är uppfyllt. Övning 2 a) Visa att J 2 = mj. b) Verifiera att
16 6 Finansmatematik II Q 0 = ( ρ) ρ (I κj) där κ = + (m )ρ. Vi släpper nu restriktionen σ i = och betraktar allmänna standardavvikelser. Låt S beteckna diagonalmatrisen med elementen σ,..., σ m. Då gäller Övning 3 Visa att Q = SQ 0 S och därför Q = S Q 0 S. (Q x) i = (x i κ σ i ( ρ) σ i j= x j σ j ). Det följer att minimivariansportföljen har vikterna v i = σ 2 ( κ σ i ( ρ) σ i j= σ j ). Ett sätt att beräkna dessa vikter och volatiliteten ges i nästa övning. Övning 4 Sätt w i = σ i ( σ i κ j= σ j ). Visa att v i = w i / m j= w j och σ 2 = ( ρ)/ m j= w j. Vi ska nu använda denna modell till att skatta minimivariansportföljens vikter för FEM AKTIER med data från Period -4. Övning 5 Skatta den gemensamma korrelationen med medelvärdet av korrelationerna i Tabell 6 i Kapitel 2 och beräkna minimivariansportföljens vikter och volatilitet. Svar: ρ = Vikter: 0.30, 0.04, 0.0, 0.05, 0.5. Volatilitet: Skillnaden mellan dessa vikter och vikterna i understa raden i Tabell är -0.04, -0.0, -0.02, 0.05, Den senare portföljen har volatiliteten Medelavvikelsen mellan de två skattningarna av vikterna är d ( 0.04) = = Att döma av Tabell 4 kan man vänta sig att skattningsfelet är ungefär / (Faktorn /3 eftersom det teoretiska värdet är c:a 3 gånger för stort.) Det följer att vi inte kan avgöra vilken av de två skattningarna som ligger närmast minimivariansportföljen. Modellen med gemensam korrelation ger alltså mycket bra resultat i detta fall. Om man förenklar modellen ytterligare och antar att ρ = 0, så får man vikterna (0.27, 0., 0.5, 0.2, 0.36) och d = Denna skattning går alltså att skilja från de andra två. De tre portföljerna har dock liknande karaktär vilket framgår om man rangordnar portföljernas vikter.
17 Risk och diversifiering 7 Svar till övningarna 4 a) v i = σ 2 i /S, σ 2 = /S, där S = σ 2 + σ σ 2 3. b) (/3, /3, /3), σ 2 = 2/5. c) (3/7, 2/7, 2/7), σ 2 = 3/35. 5 Alternativ b. (volatiliteterna blir 3.5% respektive.8%) 7 a) (0.50, 0.42, 0.08),.7% b) (0.50, 2.53, -2.03), 8.9% c) 2.% 9 a) 406, 208, 233. b) 0.4, 0.42, Köp 803, -35 respektive 39 aktier.
P (t) = V 1 (t) V m (t) P (t + t) P (t) P (t) = v j (t)r j (t, t + t), v(t) Q t v(t),
STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund Version 02 22 RISK OCH DIVERSIFIERING Betrakta en portfölj bestående av m tillgångar som vi här ska kalla aktier.
Läs merFinansmatematik II Kapitel 5 Samvariation med marknaden
1 STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund Version 04 1 03 Finansmatematik II Kapitel 5 Samvariation med marknaden Finansmatematik II 1 Marknaden Med
Läs merFinansmatematik II Kapitel 2 Stokastiska egenskaper hos aktiepriser
STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund Version Finansmatematik II Kapitel Stokastiska egenskaper hos aktiepriser Finansmatematik II För att kunna
Läs merBetavärde En akties betavärde, β, relativt en marknad, M, definieras som
STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund Version 02 22 SAMVARIATION MED MARKNADEN Marknaden Med marknaden menar vi här ett index. Ett index är en portfölj
Läs merFinansmatematik II Kapitel 4 Tillväxt och risk
1 STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd för Matematisk statistik Thmas Höglund Versin 04 10 21 Finansmatematik II Kapitel 4 Tillväxt ch risk 2 Finansmatematik II Man går inte in på aktiemarknaden
Läs merSTYRNING AV PORTFÖLJER MED FLERA TILLGÅNGAR
1 STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund FINANSMATEMATIK I. KOMPLEMENT DAG 13. STYRNING AV PORTFÖLJER MED FLERA TILLGÅNGAR Hittills har vi betraktat
Läs mer120 110 S t : 100 100 90 80 Vi ska här betrakta ett antal portföljer som vid t = 0 är värda 100 SEK.
STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund FINANSMATEMATIK I. KOMPLEMENT DAG 5. HANDELSSTRATEGIER Låt S t beteckna priset på en aktie vid tiden t. Vi
Läs merStokastiska vektorer och multivariat normalfördelning
Stokastiska vektorer och multivariat normalfördelning Johan Thim johanthim@liuse 3 november 08 Repetition Definition Låt X och Y vara stokastiska variabler med EX µ X, V X σx, EY µ Y samt V Y σy Kovariansen
Läs merEkonomisk styrning Delkurs Finansiering
Ekonomisk styrning Delkurs Finansiering Föreläsning 6 Introduktion till portföljteorin BMA: Kap. 7-8 Jonas Råsbrant jonas.rasbrant@indek.kth.se Föreläsningens innehåll Historisk avkastning för finansiella
Läs mer1. FLACK RÄNTA Med flack ränta ska vi här mena att räntan är densamma oavsett bindningstid
STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund Version 02 10 25. RÄNTA 1. FLACK RÄNTA Med flack ränta ska vi här mena att räntan är densamma oavsett bindningstid
Läs merStokastiska vektorer
TNG006 F2 9-05-206 Stokastiska vektorer 2 Kovarians och korrelation Definition 2 Antag att de sv X och Y har väntevärde och standardavvikelse µ X och σ X resp µ Y och σ Y Då kallas för kovariansen mellan
Läs merInnehåll. Standardavvikelse... 3 Betarisk... 3 Value at Risk... 4 Risknivån i strukturerade produkter... 4
Del 22 Riskbedömning Innehåll Standardavvikelse... 3 Betarisk... 3 Value at Risk... 4 Risknivån i strukturerade produkter... 4 Vid investeringar i finansiella instrument följer vanligen en mängd olika
Läs merFinansiering. Föreläsning 6 Risk och avkastning BMA: Kap. 7. Jonas Råsbrant
Finansiering Föreläsning 6 Risk och avkastning BMA: Kap. 7 Jonas Råsbrant jonas.rasbrant@fek.uu.se Föreläsningens innehåll Historisk avkastning för finansiella tillgångar Beräkning av avkastning och risk
Läs mer5B Portföljteori och riskvärdering
B7 - Portföljteori och riskvärdering Laboration Farid Bonawiede - 89-09 Alexandre Messo - 89-77 - Beräkning av den effektiva fronten för en portfölj Uppgiften går ut på att beräkna de portföljer som ger
Läs merLaboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, FÖR I/PI, FMS 121/2, HT-3 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
Läs merMVE051/MSG Föreläsning 7
MVE051/MSG810 2016 Föreläsning 7 Petter Mostad Chalmers November 23, 2016 Överblick Deskriptiv statistik Grafiska sammanfattningar. Numeriska sammanfattningar. Estimering (skattning) Teori Några exempel
Läs merSTOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund FINANSMATEMATIK I. ÖVNINGAR TILL DAG 3.
STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund FINANSMATEMATIK I. ÖVNINGAR TILL DAG 2. Luenberger: 2:1-5, 9, 11, 12. Övning 1. Du lånar 200000 kr i en bank
Läs merEnkel och multipel linjär regression
TNG006 F3 25-05-206 Enkel och multipel linjär regression 3.. Enkel linjär regression I det här avsnittet kommer vi att anpassa en rät linje till mätdata. Betrakta följande värden från ett försök x 4.0
Läs merHärledning av Black-Littermans formel mha allmänna linjära modellen
Härledning av Black-Littermans formel mha allmänna linjära modellen Ett sätt att få fram Black-Littermans formel är att formulera problemet att hitta lämpliga justerade avkastningar som ett skattningsproblem
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology April 27, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två numeriska
Läs merLektionsanteckningar 11-12: Normalfördelningen
Lektionsanteckningar 11-12: Normalfördelningen När utfallsrummet för en slumpvariabel kan anta vilket värde som helst i ett givet intervall är variabeln kontinuerlig. Det är väsentligt att utfallsrummet
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology September 21, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två
Läs mer1 LP-problem på standardform och Simplexmetoden
Krister Svanberg, mars 202 LP-problem på standardform och Simplexmetoden I detta avsnitt utgår vi från LP-formuleringen (2.2) från föreläsning. Denna form är den bäst lämpade för en strömlinjeformad implementering
Läs merTAMS79: Föreläsning 10 Markovkedjor
TAMS79: Föreläsning 0 Markovkedjor Johan Thim december 08 0. Markovkedjor Vi ska nu betrakta en speciell tidsdiskret diskret stokastisk process, nämligen Markovkedjan. Vi börjar med en definition Definition.
Läs merStat. teori gk, ht 2006, JW F7 STOKASTISKA VARIABLER (NCT 5.7) Ordlista till NCT
Stat. teori gk, ht 2006, JW F7 STOKASTISKA VARIABLER (NCT 5.7) Ordlista till NCT Jointly distributed Joint probability function Marginal probability function Conditional probability function Independence
Läs merIntroduktion till statistik för statsvetare
Stockholms universitet September 2011 Balanseringspunkt Låt oss betrakta mätserie 4 för vilken vi antar att mätdata är längder hos rekryter. En strukturell kunskap om dessa längder är av betydelse vid
Läs merFöreläsning 11: Mer om jämförelser och inferens
Föreläsning 11: Mer om jämförelser och inferens Matematisk statistik David Bolin Chalmers University of Technology Maj 12, 2014 Oberoende stickprov Vi antar att vi har två oberoende stickprov n 1 observationer
Läs mer1 Positivt definita och positivt semidefinita matriser
Krister Svanberg, april 1 1 Positivt definita och positivt semidefinita matriser Inom ickelinjär optimering, speciellt kvadratisk optimering, är det viktigt att på ett effektivt sätt kunna avgöra huruvida
Läs merLösningsförslag till tentamen i SF1861 Optimeringslära för T. Torsdag 28 maj 2010 kl
Lösningsförslag till tentamen i SF86 Optimeringslära för T. Torsdag 28 maj 2 kl. 4. 9. Examinator: Per Enqvist, tel. 79 62 98. (a) Inför variablerna x = (x sr, x sm, x sp, x sa, x sd, x gr, x gm, x gp,
Läs merLösningar till SF1861/SF1851 Optimeringslära, 24/5 2013
Lösningar till SF86/SF85 Optimeringslära, 4/5 03 Uppgift (a) Inför de 3 variablerna x ij = kvantitet (i sorten ton) som fabrik nr i åläggs att tillverka av produkt nr j, samt t = tiden (i sorten timmar)
Läs merLaboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, AK FÖR I, FMS 120, HT-00 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
Läs merLösningar till tentamensskrivning för kursen Linjära statistiska modeller. 14 januari
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Lösningar till tentamensskrivning för kursen Linjära statistiska modeller 14 januari 2010 9 14 Examinator: Anders Björkström, tel. 16 45 54, bjorks@math.su.se
Läs merSTOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund Version 06 04 04. Finansmatematik II Kapitel 1
1 STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund Version 06 04 04 Finansmatematik II Kapitel 1 Ränta 2 Finansmatematik II 1 Rak ränta Med rak ränta ska vi
Läs merRättningstiden är i normalfall 15 arbetsdagar, till detta tillkommer upp till 5 arbetsdagar för administration, annars är det detta datum som gäller:
Matematisk Statistik Provmoment: Ladokkod: Tentamen ges för: Tentamen 6.5 hp AT1MS1 DTEIN16h 7,5 högskolepoäng TentamensKod: Tentamensdatum: 1 juni 2017 Tid: 14-18 Hjälpmedel: Miniräknare Totalt antal
Läs merVektorgeometri för gymnasister
Vektorgeometri för gymnasister Per-Anders Svensson http://homepage.lnu.se/staff/psvmsi/vektorgeometri/gymnasiet.html Fakulteten för teknik Linnéuniversitetet Diagonalisering av linjära avbildningar III
Läs merSannolikheten för att barnet skall få blodgrupp A0 A0 1/2 AA 1 AB 1/2 Övriga 0
Avd. Matematisk statistik TENTAMEN I SF191, SANNOLIKHETSTEORI OCH STATISTIK, ONSDAGEN DEN 1:A JUNI 216 KL 8. 13.. Kursledare: Thomas Önskog, 8-79 84 55 Tillåtna hjälpmedel: Formel- och tabellsamling i
Läs mer1 Konvexa optimeringsproblem grundläggande egenskaper
Krister Svanberg, april 2012 1 Konvexa optimeringsproblem grundläggande egenskaper Ett optimeringsproblem är i viss mening godartat om det tillåtna området är en konvex mängd och den målfunktion som ska
Läs merKovarians och kriging
Kovarians och kriging Bengt Ringnér November 2, 2007 Inledning Detta är föreläsningsmanus på lantmätarprogrammet vid LTH. 2 Kovarianser Sedan tidigare har vi, för oberoende X och Y, att VX + Y ) = VX)
Läs merAutokorrelation och Durbin-Watson testet. Patrik Zetterberg. 17 december 2012
Föreläsning 6 Autokorrelation och Durbin-Watson testet Patrik Zetterberg 17 december 2012 1 / 14 Korrelation och autokorrelation På tidigare föreläsningar har vi analyserat korrelationer för stickprov
Läs merMatematisk statistik i praktiken: asset-liability management i ett försäkringsbolag
Matematisk statistik i praktiken: asset-liability management i ett försäkringsbolag Andreas N. Lagerås AFA Försäkring Kapitalförvaltning Investeringsanalys Docentföreläsning SU 2010-11-10 1(21) Asset liability
Läs merRådgivning i praktiken
Arturo Arques 08-7636964 070-2999372 arturo.arques@seb.se Rådgivning i praktiken 1 Personliga relationer Finansiell ekonomi 2 3 4 Enskilt viktigaste frågan: Överensstämmer kundens riskbenägenhet med den
Läs mer1 Kvadratisk optimering under linjära likhetsbivillkor
Krister Svanberg, april 0 Kvadratisk optimering under linjära likhetsbivillkor I detta kapitel behandlas följande kvadratiska optimeringsproblem under linjära likhetsbivillkor: xt Hx + c T x + c 0 då Ax
Läs merStockholms Universitet Statistiska institutionen Termeh Shafie
Stockholms Universitet Statistiska institutionen Termeh Shafie TENTAMEN I GRUNDLÄGGANDE STATISTIK FÖR EKONOMER 2012-03-16 Skrivtid: 9.00-14.00 Hjälpmedel: Miniräknare utan lagrade formler eller text, bifogade
Läs merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Föreläsning 11 & 12 Johan Lindström 5 & 14 oktober 2015 Johan Lindström - johanl@maths.lth.se FMS086/MASB02 F11 1/27 Johan Lindström - johanl@maths.lth.se
Läs merNågra vanliga fördelningar från ett GUM-perspektiv
Några vanliga fördelningar från ett GUM-perspektiv I denna PM redovisas några av de vanligaste statistiska fördelningarna och deras hantering inom ramen för GUM: Guide to the Expression of Uncertainty
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 6 13 november 2017 1 / 29 Idag Förra gången Mer om väntevärden och varianser (Kap. 5.2 5.3) Beroendemått (Kap. 5.4) Summor, linjärkombinationer
Läs merCAPM (capital asset pricing model)
CAPM (capital asset pricing model) CAPM En teoretisk modell för förväntad avkastning i jämvikt, d.v.s. när utbudet av varje tillgång är lika med efterfrågan på motsvarande tillgång. Detta betyder att CAPM
Läs merTillämpad statistik (A5), HT15 Föreläsning 6: Några övriga urvalsmetoder
Tillämpad statistik (A5), HT15 Föreläsning 6: Några övriga smetoder Ronnie Pingel Statistiska institutionen Senast uppdaterad: 2015-11-11 Några övriga smetoder OSU-UÅ (med eller utan stratifiering) förutsätter
Läs merGrafer och grannmatriser
Föreläsning 2, Linjär algebra IT VT2008 Som avslutning på kursen ska vi knyta samman linjär algebra med grafteori och sannolikhetsteori från första kursen. Resultatet blir så kallade slumpvandringar på
Läs merF8 Skattningar. Måns Thulin. Uppsala universitet Statistik för ingenjörer 14/ /17
1/17 F8 Skattningar Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 14/2 2013 Inledande exempel: kullager Antag att diametern på kullager av en viss typ är normalfördelad N(µ,
Läs mer0 om x < 0, F X (x) = c x. 1 om x 2.
Avd. Matematisk statistik TENTAMEN I SF193 SANNOLIKHETSLÄRA OCH STATISTIK FÖR 3-ÅRIG Media TIMEH MÅNDAGEN DEN 16 AUGUSTI 1 KL 8. 13.. Examinator: Gunnar Englund, tel. 7974 16. Tillåtna hjälpmedel: Läroboken.
Läs merProvmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling. Tentamensdatum: 28 maj 2018 Tid: 9-13
Matematisk Statistik 7,5 högskolepoäng Provmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling Tentamensdatum: 28 maj 2018 Tid: 9-13 Hjälpmedel: Miniräknare
Läs merStokastiska processer
Stokastiska processer Fredrik Olsson, fredrik.olsson@iml.lth.se Avdelningen för produktionsekonomi Lunds tekniska högskola, Lunds universitet Dessa förläsningsanteckningar kommer att behandla diskreta
Läs merStokastiska processer och simulering I 24 maj
STOCKHOLMS UNIVERSITET LÖSNINGAR MATEMATISKA INSTITUTIONEN Stokastiska processer och simulering I Avd. Matematisk statistik 24 maj 2016 Lösningar Stokastiska processer och simulering I 24 maj 2016 9 14
Läs merTentamensgenomgång och återlämning: Måndagen 24/2 kl16.00 i B497. Därefter kan skrivningarna hämtas på studentexpeditionen, plan 7 i B-huset.
Statistiska institutionen Nicklas Pettersson Skriftlig tentamen i Finansiell Statistik Grundnivå 7.5hp, HT2013 2014-02-07 Skrivtid: 13.00-18.00 Hjälpmedel: Godkänd miniräknare utan lagrade formler eller
Läs merHur måttsätta osäkerheter?
Geotekniska osäkerheter och deras hantering Hur måttsätta osäkerheter? Lars Olsson Geostatistik AB 11-04-07 Hur måttsätta osäkerheter _LO 1 Sannolikheter Vi måste kunna sätta mått på osäkerheterna för
Läs merLaboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla punktskattningar
Lunds tekniska högskola Matematikcentrum Matematisk statistik Laboration 3 Matematisk statistik AK för CDIFysiker, FMS012/MASB03, HT15 Laboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla
Läs merLaboration 5: Regressionsanalys. 1 Förberedelseuppgifter. 2 Enkel linjär regression DATORLABORATION 5 MATEMATISK STATISTIK FÖR I, FMS 012, HT-08
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK Laboration 5: Regressionsanalys DATORLABORATION 5 MATEMATISK STATISTIK FÖR I, FMS 012, HT-08 Syftet med den här laborationen är att du skall
Läs merUppgift 1. f(x) = 2x om 0 x 1
Avd. Matematisk statistik TENTAMEN I Matematisk statistik SF1907, SF1908 OCH SF1913 TORSDAGEN DEN 30 MAJ 2013 KL 14.00 19.00. Examinator: Gunnar Englund, 073 321 3745 Tillåtna hjälpmedel: Formel- och tabellsamling
Läs merMatematisk statistik 9 hp Föreläsning 6: Linjärkombinationer
Matematisk statistik 9 hp Föreläsning 6: Linjärkombinationer Anna Lindgren 27+28 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F6: linjärkombinationer 1/21 sum/max/min V.v./var Summa av
Läs merMarkovkedjor. Patrik Zetterberg. 8 januari 2013
Markovkedjor Patrik Zetterberg 8 januari 2013 1 / 15 Markovkedjor En markovkedja är en stokastisk process där både processen och tiden antas diskreta. Variabeln som undersöks kan både vara numerisk (diskreta)
Läs merTENTAMEN I SF2937 (f d 5B1537) TILLFÖRLITLIGHETSTEORI TORSDAGEN DEN 14 JANUARI 2010 KL
Avd. Matematisk statistik TENTAMEN I SF2937 (f d 5B1537) TILLFÖRLITLIGHETSTEORI TORSDAGEN DEN 14 JANUARI 2010 KL 08.00 13.00. Examinator: Gunnar Englund, tel. 7907416, e-postadress: gunnare@math.kth.se
Läs merDel 2 Korrelation. Strukturakademin
Del 2 Korrelation Strukturakademin Innehåll 1. Implicita tillgångar 2. Vad är korrelation? 3. Hur fungerar sambanden? 4. Hur beräknas korrelation? 5. Diversifiering 6. Korrelation och Strukturerade Produkter
Läs merFöreläsning 8, Matematisk statistik 7.5 hp för E, HT-15 Punktskattningar
Föreläsning 8, Matematisk statistik 7.5 hp för E, HT-15 Punktskattningar Anna Lindgren 25 november 2015 Anna Lindgren anna@maths.lth.se FMSF20 F8: Statistikteori 1/17 Matematisk statistik slumpens matematik
Läs merTENTAMEN I SF1906 (f d 5B1506) MATEMATISK STATISTIK GRUNDKURS,
Avd. Matematisk statistik TENTAMEN I SF1906 (f d 5B1506) MATEMATISK STATISTIK GRUNDKURS, TORSDAGEN DEN 7 JUNI 2012 KL 14.00 19.00 Examinator:Gunnar Englund, 073 3213745 Tillåtna hjälpmedel: Formel- och
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik David Bolin Chalmers University of Technology April 7, 2014 Projektuppgift Projektet går ut på att genomföra ett statistiskt försök och analysera resultaten.
Läs merTentamen i Finansmatematik I 19 december 2003
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Thomas Höglund Lösningar Tentamen i Finansmatematik I 9 december 003 Uppgift q = / f = fu+f d 40 30 0 0 0 0 s : 00 00 00 90 90 80 80 70 60 5 5 05 05 00 95 f
Läs mer1 Duala problem vid linjär optimering
Krister Svanberg, april 2012 1 Duala problem vid linjär optimering Detta kapitel handlar om två centrala teoretiska resultat för LP, nämligen dualitetssatsen och komplementaritetssatsen. Först måste vi
Läs merKorrelation och autokorrelation
Korrelation och autokorrelation Låt oss begrunda uttrycket r = i=1 (x i x) (y i y) n i=1 (x i x) 2 n. i=1 (y i y) 2 De kvadratsummor kring de aritmetiska medelvärdena som står i nämnaren är alltid positiva.
Läs merLycka till!
Avd. Matematisk statistik TENTAMEN I 5B1503 STATISTIK MED FÖRSÖKSPLANERING FÖR K OCH B MÅNDAGEN DEN 25 AUGUSTI 2003 KL 14.00 19.00. Examinator: Gunnar Englund, 790 7416. Tillåtna hjälpmedel: Formel- och
Läs merKap 2. Sannolikhetsteorins grunder
Kap 2. Sannolikhetsteorins grunder Olika händelser och deras mängbetäckningar Sats 2.7 Dragning utan återläggning av k element ur n (utan hänsyn till ordning) kan ske på ( n ) olika sätt k För två händelser
Läs merIntroduktion till statistik för statsvetare
"Det finns inget så praktiskt som en bra teori" November 2011 Repetition Vad vi gjort hitills Vi har börjat med att studera olika typer av mätningar och sedan successivt tagit fram olika beskrivande mått
Läs merFöreläsning 7: Kvadratisk optimering. 4. Kvadratisk optimering under linjära bivillkor
Föreläsning 7: Kvadratisk optimering 1. Kvadratisk optimering utan bivillkor 2. Positivt definita och semidefinita matriser 3. LDL T faktorisering 4. Kvadratisk optimering under linjära bivillkor 5. Minsta
Läs merPåbyggnad/utveckling av lagen om ett pris Effektiv marknad: Priserna på en finansiell marknad avspeglar all relevant information
Föreläsning 4 ffektiva marknader Påbyggnad/utveckling av lagen om ett pris ffektiv marknad: Priserna på en finansiell marknad avspeglar all relevant information Konsekvens: ndast ny information påverkar
Läs merb) antalet timmar Lukas måste arbeta för att sannolikheten att han ska hinna med alla 112 datorerna ska bli minst (3 p)
Avd. Matematisk statistik TENTAMEN I SF1901, SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 27:E OKTOBER 2014 KL 08.00 13.00. Kursledare: Tatjana Pavlenko, 08-790 84 66, Björn-Olof Skytt, 08-790 86 49.
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2019-01-18 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 9.00 14.00 Lärare: Adam Jonsson, Mykola
Läs mer7.5 Experiment with a single factor having more than two levels
Exempel: Antag att vi vill jämföra dragstyrkan i en syntetisk fiber som blandats ut med bomull. Man vet att inblandningen påverkar dragstyrkan och att en inblandning mellan 10% och 40% är bra. För att
Läs merEnvägs variansanalys (ANOVA) för test av olika väntevärde i flera grupper
Envägs variansanalys (ANOVA) för test av olika väntevärde i flera grupper Tobias Abenius February 21, 2012 Envägs variansanalys (ANOVA) I envägs variansanalys utnyttjas att
Läs merStockholms Universitet Statistiska institutionen Termeh Shafie
Stockholms Universitet Statistiska institutionen Termeh Shafie TENTAMEN I GRUNDLÄGGANDE STATISTIK FÖR EKONOMER 2011-10-28 Skrivtid: 9.00-14.00 Hjälpmedel: Miniräknare utan lagrade formler eller text, bifogade
Läs merFöreläsning 7: Stokastiska vektorer
Föreläsning 7: Stokastiska vektorer Johan Thim johanthim@liuse oktober 8 Repetition Definition Låt X och Y vara stokastiska variabler med EX = µ X, V X = σx, EY = µ Y samt V Y = σy Kovariansen CX, Y definieras
Läs merLösningar till tentamen i Grundläggande nansmatematik. 21 december 2006 kl. 914
STOCKHOLMS UNIVERSITET MS 3290 MATEMATISKA INSTITUTIONEN TENTAMEN Avd. Matematisk statistik 21 december 2006 Lösningar till tentamen i Grundläggande nansmatematik 21 december 2006 kl. 914 Uppgift 1 Priset
Läs merVi ska här utgå ifrån att vi har en aktie och ska med denna som grund konstruera tre olika optionsportföljer.
STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd för Matematisk statistik TH FINANSMATEMATIK I, HT 01 KOMPLEMENT DAG 12 Version 01 12 10 TRE OPTIONSSTRATEGIER Vi ska här utgå ifrån att vi har en aktie
Läs merRegressionsmodellering inom sjukförsäkring
Matematisk Statistik, KTH / SHB Capital Markets Aktuarieföreningen 4 februari 2014 Problembeskrivning Vi utgår från Försäkringsförbundets sjuklighetsundersökning och betraktar en portfölj av sjukförsäkringskontrakt.
Läs merNUMPROG, 2D1212, vt Föreläsning 9, Numme-delen. Stabilitet vid numerisk behandling av diffekvationer Linjära och icke-linjära ekvationssystem
NUMPROG, 2D1212, vt 2005 Föreläsning 9, Numme-delen Stabilitet vid numerisk behandling av diffekvationer Linjära och icke-linjära ekvationssystem Då steglängden h är tillräckligt liten erhålles en noggrann
Läs merFöreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06
Föreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06 Bengt Ringnér September 20, 2006 Inledning Detta är preliminärt undervisningsmaterial. Synpunkter är välkomna. 2 Väntevärde standardavvikelse
Läs merKursombud sökes! Kursens syfte är att ge en introduktion till metoder för att förutsäga realtidsegenskaper hos betjäningssystem, i synnerhet för data- och telekommunikationssystem. Såväl enkla betjäningssystem,
Läs merFöreläsning 12: Regression
Föreläsning 12: Regression Matematisk statistik David Bolin Chalmers University of Technology Maj 15, 2014 Binomialfördelningen Låt X Bin(n, p). Vi observerar x och vill ha information om p. p = x/n är
Läs mer4 Diskret stokastisk variabel
4 Diskret stokastisk variabel En stokastisk variabel är en variabel vars värde bestäms av utfallet av ett slumpmässigt försök. En stokastisk variabel betecknas ofta med X, Y eller Z (i läroboken används
Läs merFöreläsning 5, Matematisk statistik 7.5hp för E Linjärkombinationer
Föreläsning 5, Matematisk statistik 7.5hp för E Linjärkombinationer Stas Volkov Stanislav Volkov s.volkov@maths.lth.se FMSF20 F5: linjärkombinationer 1/20 sum/max/min V.v./var Summa av två oberoende, Z
Läs merFöreläsningsanteckningar till kapitel 8, del 2
Föreläsningsanteckningar till kapitel 8, del 2 Kasper K. S. Andersen 4 oktober 208 Jämförelse av två väntevärden Ofte vil man jämföra två eller fler) produkter, behandlingar, processer etc. med varandra.
Läs merSubtraktion. Räkneregler
Matriser En matris är en rektangulär tabell av tal, 1 3 17 4 3 2 14 4 0 6 100 2 Om matrisen har m rader och n kolumner så säger vi att matrisen har storlek m n Index Vi indexerar elementen i matrisen genom
Läs merFöreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat.
Föreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Ytterligare begrepp Viktiga
Läs merKonvergens för iterativa metoder
Konvergens för iterativa metoder 1 Terminologi Iterativa metoder används för att lösa olinjära (och ibland linjära) ekvationssystem numeriskt. De utgår från en startgissning x 0 och ger sedan en följd
Läs merb) Beräkna väntevärde och varians för produkten X 1 X 2 X 10 där alla X i :na är oberoende och R(0,2). (5 p)
Avd. Matematisk statistik TENTAMEN I SF190 (f d 5B2501 ) SANNOLIKHETSLÄRA OCH STATISTIK FÖR - ÅRIG MEDIA MÅNDAGEN DEN 1 AUGUSTI 2012 KL 08.00 1.00. Examinator: Gunnar Englund, tel. 07 21 7 45 Tillåtna
Läs mer1 Stora talens lag. Laboration 2 Matematisk statistik allmän kurs, MASA01:A, HT Teori. 1.2 Uppgifter
Lunds universitet Matematikcentrum Matematisk statistik Laboration 2 Matematisk statistik allmän kurs, MASA01:A, HT-15 Syftet med denna laboration är att du skall bli förtrogen med två viktiga områden
Läs merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 6. Normalfördelning, Centrala gränsvärdessatsen, Approximationer Jan Grandell & Timo Koski 06.02.2012 Jan Grandell & Timo Koski () Matematisk statistik
Läs merOptimering med bivillkor
Optimering med bivillkor Vi ska nu titta på problemet att hitta max och min av en funktionen f(x, y), men inte över alla möjliga (x, y) utan bara för de par som uppfyller ett visst bivillkor g(x, y) =
Läs merFöreläsning 6, Matematisk statistik Π + E
Repetition Kovarians Stora talens lag Gauss Föreläsning 6, Matematisk statistik Π + E Sören Vang Andersen 2 december 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F6 1/20 Repetition Kovarians Stora
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2017-06-02 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 9.00 14.00 Lärare: Mikael Stenlund Examinator:
Läs merBestäm med hjälp av en lämplig och välmotiverad approximation P (X > 50). (10 p)
Avd. Matematisk statistik TENTAMEN I SF1901, SF1905, SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 17:E AUGUSTI 2015 KL 8.00 13.00. Kursledare: Tatjana Pavlenko, 08-790 84 66 Tillåtna hjälpmedel: Formel-
Läs mer