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),

Storlek: px
Starta visningen från sidan:

Download "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),"

Transkript

1 STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund Version 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) m = 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) m m Var(R P (t, t + t)) = v j (t)v k (t)cov(r j (t, t + t), R k (t, t + t)) = j= k= v(t) Q t v(t), där v(t) = (v (t),..., v m (t)). Vi har sett i Stokastiska egenskaper hos aktiepriser 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

2 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. Risken kan minskas genom diversifiering. Av aktierna i exempelportföljen FEM AKTIER har Skanska lägst volatilitet under Period -4, 0.27, medan Ericsson har högst, 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 Detta uttryck minimeras för v = 0.07 och den minimala volatiliteten är Övning 2 Genomför detaljerna i ovanstående resonemang. AstraZeneca har högre volatilitet, 0.32, än Skanska. Om AstraZeneca hade varit lika korrolerad med Ericsson som Skanska, så hade den portfölj bestående av Ericsson och AstraZeneca som hade minst varians haft volatiliteten Men nu är korrelationen lägre, 0.20, vilket reducerar portföljvolatiliteten till 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 2

3 corr= corr= Figur : Portföljvolatilitet som funktion av antalet tillgångar såsom obligationer och fastigheter eller helt enkelt lägga (en del) av pengarna i kassan. 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 = 0.7. 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. Minimivariansportföljen Vi ska här bestämma den portfölj som har minst volatilitet. D.v.s. bestämma det v som minimerar 2 v Qv = 2 v i σ i,j v j i j under bivillkoret i v i =. Lagranges multiplikatormedtod ger ekvationerna σ i,j v j = λ, i =,..., m, j j v j =. Övning 4 Beräkna minimivariansportföljens vikter och varians då 3

4 a) b) c) Ekvationssystemet kan även skrivas σ Q = 0 σ σ Q = Q = 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 Okorrolerade 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 4

5 σ 2 = H m, v i = σ2 σi 2, där H betecknar det harmoniska medelvärdet av σ 2,..., σ2 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. 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. Minimivariansporföljens vikter ges i Tabell. 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: 5

6 Tabell 2 AZN LME HM SDIA SKA Period Period Period Period Period Period Period 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 av vikterna man kan vänta sig ska vi använda följande resultat. I satsen refereras till en modell i version av Stokaskastiska egenskaper hos aktiepriser. För den som har skrivit ut en tidigare version kommer modellen här. 6

7 Modell A S j (t) = S j (0)e ν j t+x j (t) Processen X(t) = (X (t),..., X m (t)) har okorrolerade inkrement, väntevärde 0 och kovariansmatris av formen Var(X(t)) = Qt. Modell B Som Modell A samt att X(t) är normalfördelad. Sats Antag att aktiepriserna utvecklas enligt Modell B i Stokastiska egenskaper hos aktiepriser. 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 d teor = nm trace(p v v T )/σ2. 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 7

8 A d obs = A m ˆv (t + ) ˆv (t) 2, t= där ˆv (t) är skattningen av vikterna under period t. Om skattningarna har den asymptotisa fördelningen i ovanstående sats så är Övning 5 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. 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 6 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

9 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= ( + R P (t k, t k )), R P (t k, t k ) = P (t k) P (t k ) P (t k ) och där = m i= V i (t k ) V i (t k +) P (t k ) m = v i R i (t k, t k ) i= R i (t k, t k ) = S i(t k ) S i (t k ). S i (t k ) På grund av omviktningen kommer aktieinnehaven att ha diskontinuiteter vid omviktningstidpunkterna, därav höger- och vänstergränsvärdena ovan. Övning 7 Genomför detaljerna i ovanståend 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 2 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 Som störst är kvoten.0. I detta fall har därför den portfölj som ombalanseras dagligen och den portfölj som aldrig ombalanseras snarlik volatilitet. 9

10 Figur 2: Portföljvolatilitet relativt minimivariansportföljens volatilitet Att skillnaden mellan de två portföljerna är liten i detta fall framgår också av Figur 3 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%. 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 7 och där P n (t) = P (0) n m v j i= j= S j (i t) S j ((i ) t) S j (i t) S j ((i ) t) = eν j t+ i X j, 0

11 AFGX Figur 3: Utveckling av minimvariansportföljerna. 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 ν j t+ i X j = + 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 m S j (i t) v j S j= j ((i ) t) = +(v ν+ 2 v d) t+ tv Z(i)+ t 2 v e(i)+o( t 3 )

12 där ν = (ν,..., ν m ) och d = (σ,,..., σ m,m ). Därför även ln(p n (t)/p (0)) = n ((v ν + 2 v d) t+ tv Z(i)+ t 2 v e(i) 2 t(v Z(i))2 +O( t 3 )) = i= tv ν+v (X(t) X(0))+t t v d+ 2 2 Den stokastiska variabeln n v e(i) 2 t n (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 2

13 Figur 4: Utveckling av kontinuerligt och dagligt ombalanserade portföljer (v r 2 v Qv)t och varians v Qvt, där r j = σ j,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 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 S (t) P (0)(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 4. Medelavståndet mellan de två portföljerna är 0.5%. Figur 5 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. 3

14 .3.25 Kont.omb Figur 5: Utveckling av orörd och kontinuerligt omviktad portfölj 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. 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 8 a) Visa att x Q 0 x = m( ρ)v(x) + m( + (m )ρ) x 2, där v(x) = m mi= (x i x) 2. b) Visa att Q 0 (och därmed Q) är strikt positiv definit om och endast om m < ρ <. Övning 9 a) Visa att J 2 = mj. 4

15 b) Verifiera att Q 0 = ( ρ) (I κj) där κ = ρ + (m )ρ. Vi släpper nu restriktionen σ i = och betraktar allmänna standardavvikelser. Låt S beteckna diagonalmatrisen med elementen σ,..., σ m. Då gäller Övning 0 Visa att Q = SQ 0 S och därför Q = S Q 0 S. (Q x) i = σ i ( ρ) (x i κ σ i m j= x j σ j ). Det följer att minimivariansportföljen har vikterna v i = σ 2 σ i ( ρ) ( σ i κ m j= σ j ). Ett sätt att beräkna dessa vikter och volatiliteten ges i nästa övning. Övning Sätt w i = σ i ( σ i κ m 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 2 Skatta den gemensamma korrelationen med medelvärdet av korrelationerna i Tabell 6 i kapitlet Stokastiska egenskaper hos aktiepriser 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 skattningerna av vikterna är d = 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. 5

16 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. Svar till övningarna 4 a) v i = /S, σ 2 σi 2 = /S, där S = + +. b) (/3, /3, /3), σ 2 σ 2 σ2 2 σ3 2 = 2/5. c) (3/7, 2/7, 2/7), σ 2 = 3/35. 6 a) 406, 208, 233. b) 0.4, 0.42, Köp 806, -35 respektive 40 aktier. 6

Finansmatematik II Kapitel 3 Risk och diversifiering

Finansmatematik II Kapitel 3 Risk och diversifiering STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund Version 04 0 8 Finansmatematik II Kapitel 3 Risk och diversifiering 2 Finansmatematik II Risk och diversifiering

Läs mer

Betavärde En akties betavärde, β, relativt en marknad, M, definieras som

Betavärde 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 mer

Finansmatematik II Kapitel 5 Samvariation med marknaden

Finansmatematik 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 mer

Finansmatematik II Kapitel 2 Stokastiska egenskaper hos aktiepriser

Finansmatematik 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 mer

STYRNING AV PORTFÖLJER MED FLERA TILLGÅNGAR

STYRNING 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 mer

Finansmatematik II Kapitel 4 Tillväxt och risk

Finansmatematik 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 mer

Stokastiska vektorer och multivariat normalfördelning

Stokastiska 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 mer

120 110 S t : 100 100 90 80 Vi ska här betrakta ett antal portföljer som vid t = 0 är värda 100 SEK.

120 110 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 mer

Stokastiska vektorer

Stokastiska 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 mer

5B Portföljteori och riskvärdering

5B 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 mer

Innehåll. Standardavvikelse... 3 Betarisk... 3 Value at Risk... 4 Risknivån i strukturerade produkter... 4

Innehåll. 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 mer

MVE051/MSG Föreläsning 7

MVE051/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 mer

Finansiering. Föreläsning 6 Risk och avkastning BMA: Kap. 7. Jonas Råsbrant

Finansiering. 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 mer

Föreläsning 7: Punktskattningar

Föreläsning 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 mer

TAMS79: Föreläsning 10 Markovkedjor

TAMS79: 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 mer

Föreläsning 7: Punktskattningar

Föreläsning 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 mer

Härledning av Black-Littermans formel mha allmänna linjära modellen

Härledning 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 mer

Enkel och multipel linjär regression

Enkel 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 mer

Matematisk statistik KTH. Formelsamling i matematisk statistik

Matematisk statistik KTH. Formelsamling i matematisk statistik Matematisk statistik KTH Formelsamling i matematisk statistik Vårterminen 2017 1 Kombinatorik ) n n! = k k! n k)!. Tolkning: mängd med n element. ) n = antalet delmängder av storlek k ur en k 2 Stokastiska

Läs mer

Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar

Laboration 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 mer

1 LP-problem på standardform och Simplexmetoden

1 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 mer

Lösningar till tentamensskrivning för kursen Linjära statistiska modeller. 14 januari

Lösningar 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 mer

Introduktion till statistik för statsvetare

Introduktion 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 mer

Lektionsanteckningar 11-12: Normalfördelningen

Lektionsanteckningar 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 mer

1. FLACK RÄNTA Med flack ränta ska vi här mena att räntan är densamma oavsett bindningstid

1. 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 mer

SF1901 Sannolikhetsteori och statistik I

SF1901 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 mer

Kovarians och kriging

Kovarians 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 mer

Lösningsförslag till tentamen i SF1861 Optimeringslära för T. Torsdag 28 maj 2010 kl

Lösningsförslag 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 mer

Lösningar till SF1861/SF1851 Optimeringslära, 24/5 2013

Lösningar 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 mer

SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 6 Väntevärden Korrelation och kovarians Stora talens lag. Jörgen Säve-Söderbergh

SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 6 Väntevärden Korrelation och kovarians Stora talens lag. Jörgen Säve-Söderbergh SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 6 Väntevärden Korrelation och kovarians Stora talens lag Jörgen Säve-Söderbergh Väntevärde för en funktion av en stokastisk variabel Om

Läs mer

Grundläggande matematisk statistik

Grundläggande matematisk statistik Grundläggande matematisk statistik Kontinuerliga fördelningar Uwe Menzel, 8 www.matstat.de Begrepp fördelning Hur beter sig en variabel slumpmässigt? En slumpvariabel (s.v.) har en viss fördelning, d.v.s.

Läs mer

Matematisk statistik 9hp Föreläsning 7: Normalfördelning

Matematisk statistik 9hp Föreläsning 7: Normalfördelning Matematisk statistik 9hp Föreläsning 7: Normalfördelning Anna Lindgren 29+3 september 216 Anna Lindgren anna@maths.lth.se FMS12/MASB3 F7: normalfördelning 1/18 Kovarians, C(X, Y) Repetition Normalfördelning

Läs mer

Sannolikheten för att barnet skall få blodgrupp A0 A0 1/2 AA 1 AB 1/2 Övriga 0

Sannolikheten 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 mer

(A -A)(B -B) σ A σ B. på att tillgångarna ej uppvisar något samband i hur de varierar.

(A -A)(B -B) σ A σ B. på att tillgångarna ej uppvisar något samband i hur de varierar. Del 2 Korrelation Innehåll Implicita tillgångar... 3 Vad är korrelation?... 3 Hur fungerar sambanden?... 3 Hur beräknas korrelation?... 3 Diversifiering... 4 Korrelation och strukturerade produkter...

Läs mer

Lycka till!

Lycka 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 mer

SF1901 Sannolikhetsteori och statistik I

SF1901 Sannolikhetsteori och statistik I SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 7 15 november 2017 1 / 28 Lite om kontrollskrivning och laborationer Kontrollskrivningen omfattar Kap. 1 5 i boken, alltså Föreläsning

Läs mer

Föreläsning 4: Konfidensintervall (forts.)

Föreläsning 4: Konfidensintervall (forts.) Föreläsning 4: Konfidensintervall forts. Johan Thim johan.thim@liu.se 3 september 8 Skillnad mellan parametrar Vi kommer nu fortsätta med att konstruera konfidensintervall och vi kommer betrakta lite olika

Läs mer

Ekonomisk styrning Delkurs Finansiering

Ekonomisk 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 mer

Föreläsning 7: Stokastiska vektorer

Föreläsning 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 mer

F8 Skattningar. Måns Thulin. Uppsala universitet Statistik för ingenjörer 14/ /17

F8 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 mer

Stockholms Universitet Statistiska institutionen Termeh Shafie

Stockholms 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 mer

7.5 Experiment with a single factor having more than two levels

7.5 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 mer

STATISTISK ANALYS AV KOMPLEXA DATA

STATISTISK ANALYS AV KOMPLEXA DATA STATISTISK ANALYS AV KOMPLEXA DATA LONGITUDINELLA DATA Linda Wänström Linköpings universitet 12 December Linda Wänström (Linköpings universitet) LONGITUDINELLA DATA 12 December 1 / 12 Explorativ Faktoranalys

Läs mer

Matematisk statistik för D, I, Π och Fysiker

Matematisk statistik för D, I, Π och Fysiker Matematisk statistik för D, I, Π och Fysiker Föreläsning 9 Johan Lindström 16 oktober 2018 Johan Lindström - johanl@maths.lth.se FMSF45/MASB03 F9 1/26 Johan Lindström - johanl@maths.lth.se FMSF45/MASB03

Läs mer

1 Stora talens lag. Laboration 2 Matematisk statistik allmän kurs, MASA01:A, HT Teori. 1.2 Uppgifter

1 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 mer

Föreläsning 6, Matematisk statistik Π + E

Föreläsning 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 mer

Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar

Laboration 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 mer

Tentamen i Finansmatematik I 19 december 2003

Tentamen 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 mer

Föreläsning 11: Mer om jämförelser och inferens

Föreläsning 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 mer

Vektorgeometri för gymnasister

Vektorgeometri 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 mer

Tentamen för kursen. Linjära statistiska modeller. 17 februari

Tentamen för kursen. Linjära statistiska modeller. 17 februari STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 17 februari 2010 9 14 Examinator: Anders Björkström, tel. 16 45 54, bjorks@math.su.se Återlämning: Rum 312,

Läs mer

5B Portföljteori fortsättningskurs

5B Portföljteori fortsättningskurs 5B1576 - Portföljteori fortsättningskurs Inlämningsuppgift 1 Liability driven Markowitz portfolio optimazation Farid Bonawiede - 831219-0195 fabo02@kth.se Inledning Denna uppgift går ut på att utföra Asset

Läs mer

P =

P = Avd. Matematisk statistik TENTAMEN I SF297 (f d 5B157) TILLFÖRLITLIGHETSTEORI LÖRDAGEN DEN 2 OKTOBER 21 KL 1. 18.. Examinator: Gunnar Englund, tel. 79716, e-postadress: gunnare@math.kth.se Tillåtna hjälpmedel:

Läs mer

0 om x < 0, F X (x) = c x. 1 om x 2.

0 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 mer

Rättningstiden är i normalfall 15 arbetsdagar, till detta tillkommer upp till 5 arbetsdagar för administration, annars är det detta datum som gäller:

Rättningstiden 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 mer

SF1901: Sannolikhetslära och statistik

SF1901: Sannolikhetslära och statistik SF1901: Sannolikhetslära och statistik Föreläsning 5. Kovarians, korrelation, väntevärde och varians för summor av s.v.:er, normalfördelning (del 1) Jan Grandell & Timo Koski 15.09.2008 Jan Grandell &

Läs mer

Föreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat.

Föreläsning 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 mer

Stokastiska processer och simulering I 24 maj

Stokastiska 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 mer

Stat. 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 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 mer

SF1911: Statistik för bioteknik

SF1911: Statistik för bioteknik SF1911: Statistik för bioteknik Föreläsning 6. TK 14.11.2016 TK Matematisk statistik 14.11.2016 1 / 38 Lärandemål Stokastiska modeller för kontinuerliga datatyper Fördelningsfunktion (cdf) Sannolikhetstäthetsfunktion

Läs mer

Introduktion till statistik för statsvetare

Introduktion 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 mer

4 Diskret stokastisk variabel

4 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 mer

Autokorrelation och Durbin-Watson testet. Patrik Zetterberg. 17 december 2012

Autokorrelation 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 mer

Matematisk statistik 9 hp Föreläsning 6: Linjärkombinationer

Matematisk 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 mer

b) antalet timmar Lukas måste arbeta för att sannolikheten att han ska hinna med alla 112 datorerna ska bli minst (3 p)

b) 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 mer

Uppgift 1. f(x) = 2x om 0 x 1

Uppgift 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 mer

SF1901: Sannolikhetslära och statistik

SF1901: 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 mer

Del 2 Korrelation. Strukturakademin

Del 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 mer

Föreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06

Föreläsningsmanus 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 mer

Några vanliga fördelningar från ett GUM-perspektiv

Några 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 mer

Envägs variansanalys (ANOVA) för test av olika väntevärde i flera grupper

Envägs 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 mer

Kap 2. Sannolikhetsteorins grunder

Kap 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 mer

1 Positivt definita och positivt semidefinita matriser

1 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 mer

Föreläsningsanteckningar till kapitel 8, del 2

Föreläsningsanteckningar 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 mer

Markovkedjor. Patrik Zetterberg. 8 januari 2013

Markovkedjor. 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 mer

Matematisk statistik KTH. Formel- och tabellsamling i matematisk statistik

Matematisk statistik KTH. Formel- och tabellsamling i matematisk statistik Matematisk statistik KTH Formel- och tabellsamling i matematisk statistik Varterminen 2005 . Kombinatorik n = k n! k!n k!. Tolkning: n k mängd med n element. 2. Stokastiska variabler V X = EX 2 EX 2 =

Läs mer

Föreläsning 7: Punktskattningar

Föreläsning 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 mer

Stokastiska Processer och ARIMA. Patrik Zetterberg. 19 december 2012

Stokastiska Processer och ARIMA. Patrik Zetterberg. 19 december 2012 Föreläsning 7 Stokastiska Processer och ARIMA Patrik Zetterberg 19 december 2012 1 / 22 Stokastiska processer Stokastiska processer är ett samlingsnamn för Sannolikhetsmodeller för olika tidsförlopp. Stokastisk=slumpmässig

Läs mer

Provmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling. Tentamensdatum: 28 maj 2018 Tid: 9-13

Provmoment: 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 mer

Uppgift 1 (a) För två händelser, A och B, är följande sannolikheter kända

Uppgift 1 (a) För två händelser, A och B, är följande sannolikheter kända Avd. Matematisk statistik TENTAMEN I SF90, SANNOLIKHETSTEORI OCH STATISTIK, TISDAGEN DEN 9:E JUNI 205 KL 4.00 9.00. Kursledare: Tatjana Pavlenko, 08-790 84 66 Tillåtna hjälpmedel: Formel- och tabellsamling

Läs mer

1.1 Diskret (Sannolikhets-)fördelning

1.1 Diskret (Sannolikhets-)fördelning Föreläsning III. Diskret (Sannolikhets-)fördelning Med diskret menas i matematik, att något antar ett ändligt antal värden eller uppräkneligt oändligt med värden e.vis {, 2, 3,...}. Med fördelning menas

Läs mer

Rådgivning i praktiken

Rådgivning 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 mer

Hur måttsätta osäkerheter?

Hur 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 mer

F9 Konfidensintervall

F9 Konfidensintervall 1/16 F9 Konfidensintervall Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 18/2 2013 2/16 Kursinformation och repetition Första inlämningsuppgiften rättas nu i veckan. För att

Läs mer

Grundläggande matematisk statistik

Grundläggande matematisk statistik Grundläggande matematisk statistik Linjär Regression Uwe Menzel, 2018 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de Linjär Regression y i y 5 y 3 mätvärden x i, y i y 1 x 1 x 2 x 3 x 4 x 6 x

Läs mer

SF1624 Algebra och geometri Lösningsförslag till tentamen DEL A

SF1624 Algebra och geometri Lösningsförslag till tentamen DEL A SF1624 Algebra och geometri Lösningsförslag till tentamen 2013-10-28 DEL A 1. Vi har matriserna 1 1 1 1 1 0 3 0 A = 1 1 1 1 1 1 1 1 och E = 0 0 0 1 0 0 1 0. 1 0 0 1 0 1 0 0 (a) Bestäm vilka elementära

Läs mer

Konvergens och Kontinuitet

Konvergens och Kontinuitet Kapitel 7 Konvergens och Kontinuitet Gränsvärdesbegreppet är väldigt centralt inom matematik. Som du förhoppningsvis kommer ihåg från matematisk analys så definieras tex derivatan av en funktion f : R

Läs mer

Tentamen för kursen. Linjära statistiska modeller. 22 augusti

Tentamen för kursen. Linjära statistiska modeller. 22 augusti STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 22 augusti 2008 9 14 Examinator: Anders Björkström, tel. 16 45 54, bjorks@math.su.se Återlämning: Rum 312, hus

Läs mer

Exempel på tentamensuppgifter

Exempel på tentamensuppgifter STOCKHOLMS UNIVERSITET 4 mars 2010 Matematiska institutionen Avd. för matematisk statistik Mikael Andersson Exempel på tentamensuppgifter Uppgift 1 Betrakta en allmän I J-tabell enligt 1 2 3 J Σ 1 n 11

Läs mer

Matematisk statistik för D, I, Π och Fysiker

Matematisk statistik för D, I, Π och Fysiker Matematisk statistik för D, I, Π och Fysiker Föreläsning 6 Johan Lindström oktober 8 Johan Lindström - johanl@maths.lth.se FMSF45/MASB F6 /9 Johan Lindström - johanl@maths.lth.se FMSF45/MASB F6 /9 Summa

Läs mer

1 x dx Eftersom integrationskonstanten i (3) är irrelevant, kan vi använda oss av 1/x som integrerande faktor. Låt oss beräkna

1 x dx Eftersom integrationskonstanten i (3) är irrelevant, kan vi använda oss av 1/x som integrerande faktor. Låt oss beräkna Lösningsförslag, Tentamen, Differentialekvationer och transformer II, del, för CTFYS2 och CMEDT3, SF629, den 30 maj 20, kl 8:00 3:00 Svar, uppgift : i sant, ii sant, iii falskt, iv sant, v falskt, vi sant,

Läs mer

TAMS65 - Föreläsning 1 Introduktion till Statistisk Teori och Repetition av Sannolikhetslära

TAMS65 - Föreläsning 1 Introduktion till Statistisk Teori och Repetition av Sannolikhetslära TAMS65 - Föreläsning 1 Introduktion till Statistisk Teori och Repetition av Sannolikhetslära Martin Singull Matematisk statistik Matematiska institutionen TAMS65 - Mål Kursens övergripande mål är att ge

Läs mer

STOCKHOLMS 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 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 mer

F9 SAMPLINGFÖRDELNINGAR (NCT

F9 SAMPLINGFÖRDELNINGAR (NCT Stat. teori gk, ht 006, JW F9 SAMPLINGFÖRDELNINGAR (NCT 7.1-7.4) Ordlista till NCT Sample Population Simple random sampling Sampling distribution Sample mean Standard error The central limit theorem Proportion

Läs mer

AMatematiska institutionen avd matematisk statistik

AMatematiska institutionen avd matematisk statistik Kungl Tekniska Högskolan AMatematiska institutionen avd matematisk statistik TENTAMEN I 5B1503 STATISTIK MED FÖRSÖKSPLANERING FÖR B OCH K FREDAGEN DEN 11 JANUARI 2002 KL 14.00 19.00. Examinator: Gunnar

Läs mer

SF1901: Sannolikhetslära och statistik. Flera stokastiska variabler.

SF1901: Sannolikhetslära och statistik. Flera stokastiska variabler. SF1901: Sannolikhetslära och statistik Föreläsning 5. Flera stokastiska variabler. Jan Grandell & Timo Koski 31.01.2012 Jan Grandell & Timo Koski () Matematisk statistik 31.01.2012 1 / 30 Flerdimensionella

Läs mer

Tillämpad statistik (A5), HT15 Föreläsning 6: Några övriga urvalsmetoder

Tillämpad 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 mer

TENTAMEN I SF2937 (f d 5B1537) TILLFÖRLITLIGHETSTEORI TORSDAGEN DEN 14 JANUARI 2010 KL

TENTAMEN 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 mer

LKT325/LMA521: Faktorförsök

LKT325/LMA521: Faktorförsök Föreläsning 2 Innehåll Referensfördelning Referensintervall Skatta variansen 1 Flera mätningar i varje grupp. 2 Antag att vissa eekter inte existerar 3 Normalfördelningspapper Referensfördelning Hittills

Läs mer

Laboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla punktskattningar

Laboration 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 mer