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

Storlek: px
Starta visningen från sidan:

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

Transkript

1 STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund Version SAMVARIATION MED MARKNADEN Marknaden Med marknaden menar vi här ett index. Ett index är en portfölj av tillgångar. Vi ska numrera dessa,..., N så att de första m tillgångarna är de som finns i vår portfölj och låta p,...p N beteckna tillgångarnas vikter i index. Exempel på svenska aktieindex är OMX index som består av de 30 mest omsatta aktierna på Stockholmsbörsen. Ett mer omfattande index är Affärsvärldens Generalindex som består av c:a 300 aktier. Detta är Sveriges älsta aktieindex och går tillbaks till 90. Exempel på internationellt välkända aktieindex är Dow Jones (DJIA) och Standard and Poor 500 (S&P 500 ). Det finns även världsindex som är mycket omfattande portföljer. Betavärde En akties betavärde, β, relativt en marknad, M, definieras som β = Cov(R, R M )/σ 2 M. Här är R och R M aktiens respektive marknadens avkastning under en kort tidsperiod, en dag t.ex., och σm 2 = Var(R M ). Vi ska i våra exempel använda M=AFGX. Övning Visa att Var(R br M ) minimeras för b = β. Driften under en tidsperiod av längd t är ν t medan volatiliteten är σ t. Driften under en kort tidsperiod torde därför vara försumbar jämfört med volatiliteten. Att det verkligen är så visas av Tabell, där data från Period -4 i Tabell i kapitlet Stokastiska egenskaper hos aktiepriser har använts. Tidsperiodens längd är en dag och enheten %. Tabell AFGX AZN LME HM SDIA SKA Drift Volatilitet Detta faktum och resultatet i Övning förklarar betas roll och vi har alltså R βr M. Låt e beteckna felet i denna approximation

2 e = R βr M och ρ korrelationskoefficienten mellan avkastningarna av aktien och marknaden där σ är aktiens volatilitet. Övning 2 Visa att och att ρ = Cov(R, R M ) σσ M, Var(R) = Var(βR M ) + Var(e) Var(βR M ) = ρ 2 σ 2 och Var(e) = ( ρ 2 )σ 2. Talet ρ 2 kallas förklaringsvärdet och är alltså den proportion av variansen för R som kan hänföras till variationen i marknaden. I Tabell 2 ges beta- och förklaringsvärdena för FEM AKTIER under Period -4. Tabell 2 AFGX AZN LME HM SDIA SKA β ρ För att få en uppfattning hur dessa skattningar varierar under olika tidsperioder återges i Tabell 3 skattningarna under de fem senaste åren. Skattningarna är baserade på data från en tidsperiod som är 4 år lång och slutar den 5 april det angivna året. Källa: Öhmans BÖRS GUIDE. Tabell 3 År AZN LME HM SDIA SKA β ρ

3 I kolumnen AZN återges skattningarna för Astra. Värden från och med 2000 saknas eftersom Astra då gick samman med Zeneca och det nya bolaget inte funnits i fyra år. Våra data från AZN består av en ihopskarvning av Astra och AstraZeneca. Övning 3 Låt β i beteckna betavärdet för tillgång i, i =,..., N. Visa att p β p N β N =. Övning 4 Antag att korrelationen är gemensam; σ i,j = σ i σ j ρ för i j. Visa att σ 2 M β i = ρ σσ i + ( ρ)p i σ 2 i, där Visa även att N σ = p j σ j. j= N σm 2 = ρ σ 2 + ( ρ) (p j σ j ) 2. j= Betaportföljen Vi ska här bestämma vikterna hos den portfölj som består av givna aktier och som har störst korrelation med marknaden. Låt därför ρ(v) = ρ(r P, R M ) beteckna korrelationskoefficienten mellan portföjens och marknadens avkastningar, där v står för portföljvikterna. Övning 5 Visa att ρ(v) = v β v Qv σ M, där β = (β,..., β m ) är portföljaktiernas betavärden. Observera att ρ(cv) = c c ρ(v) för alla reella tal c 0. Övning 6 Visa att max{ρ(v) v v m = } = max{ρ(v) alla v}. Övning 7 Visa att 3

4 ρ(v) = x y x σ M, där x = Q 2 v och y = Q 2 β. Det följer av Cauchy-Schwarz olikhet att korrelationen maximeras då x = cy, d.v.s. v = cq β, där β = (β,..., β m ). Vi ska kalla denna portfölj för Betaportföljen. Övning 8 a) Visa att Betaportföljen har vikterna v β = P β/β, där β = P β. b) Visa att Betaportföljens korrelation med marknaden är samt att portföljens volatilitet är förusatt att β > 0. ρ = σ M σ β P β = σm β Q β σ β = σ β P β/β = β Q β/ Q β, Övning 9 Visa att minimivariansportföljens korrelation med marknaden och betaportföljen är σ M β β respektive. σ β P β Figur visar utvecklingen av (de ej ombalanserade) Beta- och minimivariansportföljerna samt AFGX under Period 4. (I detta fall är det ingen stor skillnad mellan den ombalanserade och den orörda portföljen.) Vikterna skattades med data från Period -3. Resultatet framgår av följande tabell. Tabell 4 AZN LME HM SDIA SKA β v β v I kolumnen längst till höger står β respektive portföljernas volatiliteter under Period -3. AFGX hade volatiliteten 0.2 under denna period. Den ej ombalanserade betaportföljen fick volatiliteten 0.37 (alltså väsentligt större än under Period -3). Den dagligen ombalanserade betaportföljen har volatiliteten Volatiliteten för AFGX ökade under period 4 till Trots denna ökade volatilitet ökade inte volatiliteterna i minimivariansportföljerna utan dessa blev 0.22 oavsett portföljen omviktades eller ej. I Figur 2 återges portföljernas utveckling under Period -4. Skalan är logaritmisk. Varje enhet på y-axeln motsvarar en dubbling/halvering. Betaportföljens 4

5 2 BETA AFGX.2 MIN Figur : Utveckling av Beta- och Minimivariansportföljerna under Period log(beta) log(afgx).5 log(min) Figur 2: Utveckling av Beta- och Minimivariansportföljerna under Period -4. Logaritmisk skala. 5

6 volatilitet var 0.3 att jämföra med 0.23 för AFGX och 0.22 för minimivariansportföljen. Övning 0 Antag att korrelationen är gemensam; σ i,j = σ i σ j ρ för i j. Visa att betaportföljens vikter är proportionella mot w i = p i + C σ i, där m C = κ( σ s m σ m ), s m = p +...p m och σ m = p j σ j /s m. j= I fallet ρ = 0 är alltså vikterna proportionella mot indexvikterna. Övning Betrakta samma situation som i föregående övning och antag att ρ > 0. Visa att v β (i) < p i /s m om och endast om /σ i p i <. /σ /σ m p p m Då ρ > 0 viktas alltså högvolatila och indextunga aktier ned relativt index. Man behöver inte känna volatiliteterna och vikterna för samtliga aktier i index för att beräkna σ utan det räcker med de mest indextunga. Den sista identiteten i Övning 4 kan även formuleras σ 2 = σ2 N M ρ ( S), där S = ( ρ)p 2 jσj 2 /σm. 2 j= Övning 2 Visa att bidraget till summan S från tillgångar som uppfyller ( ρ)p j σj 2/σ2 M < ɛ är < ɛ. Vi har alltså olikheten σ < σ M ρ och denna övre gräns är en god approximation i de fall ingen tillgång har hög vikt i index. Exempel FEM AKTIER. Parametrarna skattades med data från Period -3. Indexvikterna togs från slutet av Period 3; Dessa finns i första raden i tabellen nedan. Den gemensamma korrelationen skattades med medelvärdet av korrelationerna, ρ = 0.37 och σ skattades med Se nedan. Vikterna för Betaportföljen med gemensam korrelation, v gem β, finns i fjärde raden i tabellen. Som jämförelse har även vikterna i den portföjl som har vikter proportionella mot indexvikterna, v prop β, beräknats. Avståndet mellan dessa portföljvikter och 6

7 de tidigare skattade vikterna, v β, anges i kolumnen längst till höger. Enheten är %. Tabell 5 AZN LME HM SDIA SKA Avst. Indexvikter v prop β v β v gem β Volatiliteter σ m = 40 Den övre gränsen σ afgx / ρ = ger förmodligen ett för högt värde åt σ eftersom det i detta fall finns indextunga bolag. Här följer bidragen från FEM AKTIER till summan S i Övning 2. AZN LME HM SDIA SKA Summa Dessa bolags totala indexvikt är Om man ersätter S med enbart bidraget från LME sjunker den övre gränsen till Om man tar med samtliga fem aktier får man Förutom HM och AZN finns det ytterligare några indextunga bolag i indexet men som inte är med i vår portfölj. Därför σ = Att döma av Tabell 7 nedan skulle avståndet vara c:a /2 om periodlängden hade varit 024 dagar men den är 768 = dagar. Därför torde slumpfelet vara c:a 4/ /2 4%. I Figur 3 visas utvecklingen av betaportföljen med gemensam korrelation tillsammans med AFGX och den tidigare skattade betaportföljen. Den förstnämnda är streckad och ligger mellan de andra två som är heldragna. Vi ska nu återgå till en allmän kovariansmatris och studera stabiliteten hos skattningarna av vikterna. Sats Antag att aktiepriserna utvecklas enligt Modell B. Skattningen ˆv β av vikterna i betaportföljen är, då n, asymptotiskt normalfördelad med väntevärde v β och kovariansmatris där k ( P v v T n + (v β v )(v β v ) T ), σ 2 σ2 afgx β P β k = β σ 2 afgx 2. Beviset för denna sats utelämnas. Betaportföljens vikter för våra fem aktier skattade under de olika perioderna framgår av följande tabell. 7

8 2 Beta.8.6 Gem.4 AFGX Figur 3: Utveckling av Betaportföljen med gemensam korrelation under Period 4 Tabell 6 AZN LME HM SDIA SKA Period Period Period Period Period Period Period Definiera d teor och d obs på motsvarande sätt som för minimivariansportföljen. I nedanstående tabell ges dessa avstånd för ett antal olika periodlängder. Tabell 7 Periodlängd Antal perioder ˆdteor d obs d obs / ˆd teor Den stora avvikelsen vid periodlängden 64 beror på att under en av perioderna blev β mycket liten i förhållande till betavärdenas absolutbelopp. I likhet 8

9 med minimivariansportföljen verkar skattningarna av denna portföljs vikter vara rimligt stabila om man skattar med data från några år. Marknadsneutrala portföljer Idén bakom marknadsneutrala portföljer beskrivs på hedgefunds.html: Redan 949 startade Alfred Jones vad som anses vara världens första hedge fund.... Det mest revolutionerande i Jones förvaltning var att han inte bara köpte aktier som han ansåg vara undervärderade. Han sålde också aktier han ansåg övervärderade utan att inneha själva värdepapperet, d.v.s. han blankade aktier. När kurserna steg tjänade han pengar på sina köpta aktier, medan han förlorade på sina blankningar som blev dyrare att köpa tillbaka. Å andra sidan tjänade han pengar på dessa blankningar när kurserna föll, vilket motverkade förlusterna på de köpta aktierna. Resultatet blev en portfölj som var mindre beroende av marknadens svängningar i allmänhet och mer beroende av Jones egen förmåga att analysera enskilda aktier.... Vi ska säga att en portfölj är marknadsneutral om portföljens avkastning är okorrolerad med marknadens avkastning; Cov(R P, R M ) = 0 d.v.s. v β v m β m = 0. Övning 3 Visa att en portfölj är marknadsneutral om och endast om den är okorrolerad med betaportföljen. Övning 4 Visa att den marknadsneutrala portfölj som har minst varians har vikterna γv + ( γ)v β, där γ = β P β β P β β 2. Figur 4 visar utvecklingen av denna portfölj under Period 4. Vikterna skattades med data från period -3. Den beräknade volatiliteten är I detta fall blev γ = 2.54 och portföljen har vikterna 0.60, -0.58, 0.27, -0.27, Observera att i detta fall är det stor skillnad mellan den orörda och den dagligt eller kontinuerligt ombalanserade portföljen. Capital Asset Pricing Model Låt R T beteckna tangentportföljens avkastning, R T = v R v m R m. Då Cov(R i, R T ) = m σ i,j v j = (Qv T ) i = σ 2 r i r f. r r f j= 9

10 2.5 AFGX Continuosly and daily rebalanced Unchanged Figur 4: Utveckling av AFGX och den marknadsneutrala portfölj som har minst varians under Period 4 Vidare gäller Var(R T ) = σ 2 (r T ) = σ 2 ( (r T r ) 2 ) + = σ 2 r T r f τ 2. r r f Här använde vi oss av identiteten i Övning 3 i kapitlet Tillväxt och risk. Därför eller ekvivalent där r i r f = β i,t (r T r f ) för i =,..., m r i r f σ i = ρ i,t r T r f σ T, β i,t = Cov(R i, R T )/σ 2 T och ρ i,t = Cov(R i, R T ) σ i σ T. Detta är en matematisk identitet som gäller oavsett hur många tillgångar vi har i portföljen. Antag att vi utvidgar portföljen till att omfatta samtliga aktier på marknaden. Enligt en ekonomisk teori kallad Capital Asset Pricing Model (CAPM) överensstämmer marknadsportföljen med tangentportföljen och tangentportföljen ä därmed känd. Betavärdena definieras av kovvarianser som går att skatta med hjälp av historiska data och därmed kan betavärdena betraktas som kända. Identiteten (CAPM-identiteten) r i r f = β i (r M r f ) 0

11 gäller därför för alla aktier på marknaden och speciellt för i =,..., m. Övning 5 Antag att CAPM-identiteten gäller och att (r M r f )β > 0. Visa att betaportföljen är tangentportföljen. CAPM skulle alltså lösa portföljvalsteorins huvudproblem: att finna tangentportföljens vikter. Det är därför av intresse att undersöka hur pass väl CAPM stämmer med verkligheten. Övning förklarar betas roll. Själva CAPM-identiteten är emellertid en utsaga om förväntad avkastning, (E(R i β i R M ) = r f ( β i )), och vi vet från kapitlet Stokastiska egenskaper hos aktiepriser att vi inte kan göra några precisa uttalanden om detta väntevärde på grund av att volatiliteten är för stor. Trots detta ska vi i göra ett försök. Övning 6 Visa att Cov(R i β i R M, R j β j R M ) = σ i,j β i β j σ 2 M. Avkastningar och förväntad avkastning enligt CAPM i vår exempelportfölj under Period -4 blev: Tabell 8 AZN LME HM SDIA SKA avkastning förväntad avk Avkastningarna är medelvärdet av dagsavkastningarna multiplicerat med 250. STIBOR-räntan varierade under perioden mellan 3.0 och 4.85%. I tabellen är r f konstant =4%. Observationsperiodens längd är T = år. Antag att avkastningarna är fördelade enligt Modell B och att CAPMidentiteten gäller. Låt X = (X,..., X m ), där X i = R i r f β i (R M r f ), i =,..., m = 5. Den stokastiska variabeln X är normalfördelad med väntevärde 0 och kovariansmatris Q/T, där Q är kovariansmatrisen i Övning 6. Därför är Z = T Q 2 X normalfördelad med väntevärde 0 och kovariansmatrisen I (identitetsmatrisen). Det följer att Z 2 = T X Q X är χ 2 -fördelad med m = 5 frihetsgrader. Sätt χ 2 = T ˆX ˆ Q ˆX, där ˆ Q är skattningen av Q och ˆX är som X men med skattade betavärden. Dessa skattningar är konsistenta och därför är χ 2 asymptotiskt χ 2 fördelad med fem frihetsgrader. I vårt exempel minimeras χ 2 som funktion av r f för r f =.9% och detta minimala värde är För r f = 4% blir χ 2 = 6.5 att jämföras med percentilerna χ 2 0.2(5) = 7.29 och χ 2 0.3(5) = Om CAPM-identiteten gäller hade vi

12 alltså i mellan 20 och 30% av fallen fått en större avvikelse. Vi kan alltså inte förkasta modellen. Å andra sidan kan vi heller inte förkasta den enklare modellen: r i = β i r M för vilken χ 2 också är 6.5. I 80% av fallen gäller alltså χ 2 < Denna olikhet är uppfylld då 2% < r f < 6%. Vi ska nu försöka belägga att det finns ett positivt samband mellan avkastningar och betavärden för aktierna i vår exempelportfölj. Data från de fyra perioderna framgår av nedanstående tabell. Tabell 9 AFGX AZN LME HM SDIA SKA Period avk beta Period 2 avk beta Period 3 avk beta Period 4 avk beta Period -4 avk beta Observera att under Period 2 är avkastningen för AFGX lägre än räntan och därför har den aktie som har högst betavärde lägst förväntad avkastning enligt CAPM. För att få en uppfattning av om det finns ett samband rangordnar vi aktiernas avkastningar och betavärden. Tabell 0 AZN LME HM SDIA SKA d Period avk beta Period2 avk beta Period 3 avk beta Period 4 avk beta Period -4 avk beta I kolumnen längst till höger står avståndet mellan avkastningar och betavärden: d = x y x 5 y 5, där x,..., x 5 och y,..., y 5 är rangerna av avkastningarna respektive betavärdena. Antag att det inte finns något samband, att rangerna är slumpmässiga permutationer av talen,...,5. Låt p(d) beteckna sannolikheten att avståndet mellan två slumpmässiga permutationer är d. Om man utnyttjar att d har samma fördelning som y y 5 och går igenom de 20 olika möjligheterna, finner man att sannolikhetsfördelningen ges av 2

13 d : p(d) : Börja med att titta på Period -4. I detta fall är avståndet 2. Sannolikheten att slumpmässiga permutationer ger ett avstånd som är högst lika med 2 är /24. Sånt händer (nämligen en gång på 24). Om vi istället använder hela materialet och beräknar summan av avstånden under de fyra perioderna, så blir denna 8. Utfallen under de fyra perioderna är stokastiskt oberoende varför fördelningen av summan kan beräknas med hjälp av ovanstående fördelning. Man finner att sannolikheten att summan är högst lika med 8 är 0.0. Sånt händer också men bara en gång på 00. Slutsatsen blir att det verkar finnas ett positivt samband mellan avkastning och betavärden. Sammanfattning Enligt CAPM gäller identiteten r i r f = β i (r M r f ). Vi har inte funnit något som motsäger denna men kan ej heller verifiera den. I vårt exempel finns ett positivt samband mellan avkastning och betavärden. Om CAPM gäller, så är tangentportföljens vikter som i Övning 8a. Följder av CAPM Vi ska här anta att CAPM-identiteten gäller och se vilka följder detta får. Övning 7 Sätt = r M r f och antag och att β > 0. a) Visa att tangentportföljens förväntade avkastning och varians ges av b) Visa att r T = r f + β P β respektive σt 2 β = σ2 β P β β 2. r = r f + β, τ 2 = (β β ) P (β β ) 2. Övning 8 Låt V och α vara som i Sats i kapitlet Tillväxt och risk. Visa att V = 2 β P β σ 2 och α = β σ 2. Det följer av Sats och 2 i Tillväxt och risk och övningen att den maximala tillväxtportföljen har vikten α = β σ i tangentportföljen och resten i kassan, 2 förutsatt att a σ2 β, där a är den maximala vikten i aktieportföljen. I annat fall ges aktieportföljens vikter av vmax(a, ) = av + β σ 2 (v T v ). Vikterna hos den portfölj som ger maximal tillväxt beror alltså på vad vi tror om den framtida börsutvecklingen och om portföljen få belånas, d.v.s. på och a. I vårt exempel är (med skattningarna är baserade på data från Period -3) 3

14 β σ 2 (v T v ) = (.97, 4.77, 0.77, 2.3, 4.6), Betrakta tre situationer: A Vi tror på en måttlig börsutveckling, = B Vi tror på en god börsutveckling, = 0.0, men vill inte belåna aktieportföljen. C Vi tror på en stark börs, = 0.35, och är beredda att belåna portföljen maximalt. I fall A blir α = 0.62 och därmed ska 62% placeras i tangentportföljen och resten i kassan. Utvecklingen av denna portfölj under Period 4 visas i Figur 5. Förräntnigen i kassan är satt till 4%. Portföljens volatilitet blev 0.2 och avkastningen 32% att jämföra med 0.28 respektive 23% för AFGX. I fall B blir α =.24. Eftersom α > och portföljen inte ska belånas ska vi vara fullinvesterade i den aktieportfölj som har vikterna vmax(, 0.0) = (0.6, 0.49, 0.0, 0.2, 0.05). Volatiliteten blev 0.39 och avkastningen 54%. Se Figur 6. I fall C är α = 4.35 och den maximala vikten i aktieportföljen 3.5=35%. Vi ska alltså ha -2.5 i kassan och 3.5 i den aktieportfölj som har (de relativa) vikterna vmax(3.5, 0.35)/3.5 = (0.3, 0.54, 0.09, 0.23, 0.00). Se Figur 7. Låneräntan är satt till 7%. Volatiliteten blev.32=32% och avkastningen 90%. Det framgår att belåning har en hävstångseffekt på portföljutvecklingen. Både uppåt och nedåt. En maximalt belånad portfölj måste med nödvändighet ombalanseras då aktieportföljen minskar i värde. Alla tre portföljerna har ombalanserats dagligen. I Figurerna 8, 9 och 0 visas utvecklingen av dessa portföljer under hela perioden -4. Portföljernas volatiliteter (per år) och årliga tillväxtfaktorer framgår av nästa tabell. (Den årliga tillväxtfaktorn i intervallet (0, T ) är (P (T )/P (0)) T, där P (0) och P (T ) är portföljens värde vid tiden 0 respektive T år.) AFGX PORTF.A PORTF.B PORTF.C Volatilitet Tillväxtfaktor I Figur 0 är det svårt att avläsa portföljutvecklingen i början. En plot med logaritmisk skala på y-axeln blir tydligare. Se Figur. 4

15 .8.7 AFGX PORTF.A Figur 5: Utveckling av Portfölj A under Period PORTF.B AFGX Figur 6: Utveckling av Portfölj B under Period 4 5

16 2 PORTF.C AFGX Figur 7: Utveckling av Portfölj C under Period PORTF.A 2.5 AFGX Figur 8: Utveckling av Portfölj A under Period -4 6

17 PORTF.B AFGX Figur 9: Utveckling av Portfölj B under Period PORTF.C AFGX Figur 0: Utveckling av Portfölj C under Period -4 7

18 log(portf.c) 3 2 log(afgx) Figur : Utveckling av Portfölj C under Period -4. Logaritmisk skala. Marknadsportföljen I detta avsnitt ska vi betrakta samtliga N aktier i index. Vektorn med aktiernas vikter i index betecknas med p = (p,..., p N ). Matrisen Q är en N N matris, vektorn β har dimensionen N e.t.c. CAPM-identiteten förutsätts gälla men i Övning 9 och Övning 20 a behövs inte detta antagande. Övning 9 Enligt CAPM överensstämmer p med tangentportföljen. D.v.s. Verifiera detta med en direkt räkning. Övning 20 a) Visa att P β β = p. β = σ2 σ 2 M. b) Låt α och V vara som i Övning 8. Visa att α = σ 2 M och V = 2 σm 2. Om vi vill ha maximal tillväxt så ska vi enligt Satserna och 2 i kapitlet Tillväxt och risk ha en del i kassan och resten, α, i marknadsportföljen förutsatt att α a. Enligt Övning 6.b gäller detta inte om > aσ 2 M. Med σ M = 0.23 och a = (aktieportföljen får ej belånas) tar denna olikhet formen > Om maximal belåning av aktieportföljen är tillåten (och /( b v) 3), så blir olikheten i stället >

19 Vi har alltså gjort följande Observation Antag att CAPM-identiteten gäller. Den portfölj som ger maximal tillväxt har en del i kassan och en del i marknadsportföljen, förutsatt att aσm 2. I annat fall överenstämmer aktieportföljen inte med marknadsportföljen. Speciell gäller det senare i följande två fall. a) Om aktieportföljen inte får belånas och man tror på en hygglig börsutveckling, > σm 2. b) Om aktieportföljen får belånas maximalt och man tror på en stark börs, > σm 2 /( b v). Blandade övningar Övning 2 Betrakta den portfölj som liknar index mest i den meningen att skillnaden mellan portföljens och indexets avkastning har minimal varians. Visa att denna portfölj har vikterna där och där c i = Cov(R i, R M ). νv β + ( ν)v, ν = σ 2 M β /σ 2 = Q c Övning 22 Beräkna vikterna för den marknadsneutrala portfölj som har maximal tillväxt. a) I fallet med noll kronor i kassan. b) Med kassa. Beräkna även portföljernas förväntade tillväxt. Svar: a) Samma som i Övning 4. b) Allt i kassan. Förväntad tillväxt = r f för båda portföljerna. 9

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

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),

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 mer

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

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

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

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

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

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

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

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

Föreläsning 8. NDAB02 Statistik; teori och tillämpning i biologi

Föreläsning 8. NDAB02 Statistik; teori och tillämpning i biologi Föreläsning 8 Statistik; teori och tillämpning i biologi 1 Dagens föreläsning o Enkel linjär regression (kap 17.1 17.5) o Skatta regressionslinje (kap 17.2) o Signifikant lutning? (kap 17.3, 17.5a) o Förklaringsgrad

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

CAPM (capital asset pricing model)

CAPM (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 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

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

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

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

SF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall)

SF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall) SF1901: Sannolikhetslära och statistik Föreläsning 9. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski 21.02.2012 Jan Grandell & Timo Koski () Matematisk statistik 21.02.2012

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

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

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

TMS136. Föreläsning 10

TMS136. Föreläsning 10 TMS136 Föreläsning 10 Intervallskattningar Vi har sett att vi givet ett stickprov kan göra punktskattningar för fördelnings-/populationsparametrar En punkskattning är som vi minns ett tal som är en (förhoppningsvis

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

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

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

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

Samplingfördelningar 1

Samplingfördelningar 1 Samplingfördelningar 1 Parametrar och statistikor En parameter är en konstant som karakteriserar en population eller en modell. Exempel: Populationsmedelvärdet Parametern p i binomialfördelningen 2 Vi

Läs mer

SF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski

SF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski SF1901: Sannolikhetslära och statistik Föreläsning 10. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski 18.02.2016 Jan Grandell & Timo Koski Matematisk statistik 18.02.2016

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 15 Johan Lindström 4 december 218 Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F15 1/28 Repetition Linjär regression Modell Parameterskattningar

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

Experimentella metoder, FK3001. Datorövning: Finn ett samband

Experimentella metoder, FK3001. Datorövning: Finn ett samband Experimentella metoder, FK3001 Datorövning: Finn ett samband 1 Inledning Den här övningen går ut på att belysa hur man kan utnyttja dimensionsanalys tillsammans med mätningar för att bestämma fysikaliska

Läs mer

Oberoende stokastiska variabler

Oberoende stokastiska variabler Kapitel 6 Oberoende stokastiska variabler Betrakta ett försök med ett ändligt (eller högst numrerbart) utfallsrum Ω samt två stokastiska variabler ξ och η med värdemängderna Ω ξ och Ω η. Vi bildar funktionen

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

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

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

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

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

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

F18 MULTIPEL LINJÄR REGRESSION, FORTS. (NCT

F18 MULTIPEL LINJÄR REGRESSION, FORTS. (NCT Stat. teori gk, ht 006, JW F18 MULTIPEL LINJÄR REGRESSION, FORTS. (NCT 1.1, 13.1-13.6, 13.8-13.9) Modell för multipel linjär regression Modellantaganden: 1) x-värdena är fixa. ) Varje y i (i = 1,, n) är

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

TAMS65. Formel- och tabellsamling i matematisk statistik TAMS65. Martin Singull TAMS65 TAMS65

TAMS65. Formel- och tabellsamling i matematisk statistik TAMS65. Martin Singull TAMS65 TAMS65 Formel- och tabellsamling i matematisk statistik Martin Singull Innehåll 4.1 Multipel regression.............................. 15 1 Sannolikhetslära 7 1.1 Några diskreta fördelningar.........................

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

(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

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

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 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

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

Gör uppgift 6.10 i arbetsmaterialet (ingår på övningen 16 maj). För 10 torskar har vi värden på variablerna Längd (cm) och Ålder (år).

Gör uppgift 6.10 i arbetsmaterialet (ingår på övningen 16 maj). För 10 torskar har vi värden på variablerna Längd (cm) och Ålder (år). Matematikcentrum Matematisk statistik MASB11: BIOSTATISTISK GRUNDKURS DATORLABORATION 4, 21 MAJ 2018 REGRESSION OCH FORTSÄTTNING PÅ MINIPROJEKT II Syfte Syftet med dagens laboration är att du ska bekanta

Läs mer

SF1901: SANNOLIKHETSTEORI OCH STATISTIKTEORI KONSTEN ATT DRA INTERVALLSKATTNING. STATISTIK SLUTSATSER. Tatjana Pavlenko.

SF1901: SANNOLIKHETSTEORI OCH STATISTIKTEORI KONSTEN ATT DRA INTERVALLSKATTNING. STATISTIK SLUTSATSER. Tatjana Pavlenko. SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 10 STATISTIKTEORI KONSTEN ATT DRA SLUTSATSER. INTERVALLSKATTNING. Tatjana Pavlenko 25 april 2017 PLAN FÖR DAGENS FÖRELÄSNING Statistisk inferens oversikt

Läs mer

Om konvergens av serier

Om konvergens av serier Om konvergens av serier Anders Källén MatematikCentrum LTH anderskallen@gmail.com Sammanfattning I den här artikeln diskuteras några av de grundläggande satserna som hjälper oss att avgöra om en serie

Läs mer

TMS136. Föreläsning 13

TMS136. Föreläsning 13 TMS136 Föreläsning 13 Jämförelser mellan två populationer Hittills har vi gjort konfidensintervall och tester kring parametrar i EN population I praktiska sammanhang är man ofta intresserad av att jämföra

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

1. För tiden mellan två besök gäller. V(X i ) = 1 λ 2 = 25. X i Exp (λ) E(X i ) = 1 λ = 5s λ = 1 5

1. För tiden mellan två besök gäller. V(X i ) = 1 λ 2 = 25. X i Exp (λ) E(X i ) = 1 λ = 5s λ = 1 5 LÖSNINGAR TILL Matematisk statistik Tentamen: 29 7 kl 8 3 Matematikcentrum FMSF45 Matematisk statistik AK för D,I,Pi,F, 9 h Lunds universitet MASB3 Matematisk statistik AK för fysiker, 9 h. För tiden mellan

Läs mer

Tentamen MVE301 Sannolikhet, statistik och risk

Tentamen MVE301 Sannolikhet, statistik och risk Tentamen MVE301 Sannolikhet, statistik och risk 2017-06-01 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Ivar Simonsson, telefon: 031-7725325 Hjälpmedel: Valfri

Läs mer

Matematisk statistik kompletterande projekt, FMSF25 Övning om regression

Matematisk statistik kompletterande projekt, FMSF25 Övning om regression Lunds tekniska högskola, Matematikcentrum, Matematisk statistik Matematisk statistik kompletterande projekt, FMSF Övning om regression Denna övningslapp behandlar regression och är tänkt som förberedelse

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

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

FÖRELÄSNING 8:

FÖRELÄSNING 8: FÖRELÄSNING 8: 016-05-17 LÄRANDEMÅL Konfidensintervall för väntevärdet då variansen är okänd T-fördelningen Goodness of fit-test χ -fördelningen Hypotestest Signifikansgrad Samla in data Sammanställ data

Läs mer

Lösningsförslag till övningsuppgifter, del V

Lösningsförslag till övningsuppgifter, del V Lösningsförslag till övningsuppgifter, del V Obs! Preliminär version! Ö.1. (a) Vi kan lösa uppgiften genom att helt enkelt räkna ut avståndet mellan vart och ett av de ( 7 ) = 1 paren. Först noterar vi

Läs mer

Stokastiska processer med diskret tid

Stokastiska processer med diskret tid Stokastiska processer med diskret tid Vi tänker oss en följd av stokastiska variabler X 1, X 2, X 3,.... Talen 1, 2, 3,... räknar upp tidpunkter som förflutit från startpunkten 1. De stokastiska variablerna

Läs mer

Kapitel 7 Samplingfördelningar och Centrala gränsvärdessatsen

Kapitel 7 Samplingfördelningar och Centrala gränsvärdessatsen Sannolikhetslära och inferens II Kapitel 7 Samplingfördelningar och Centrala gränsvärdessatsen 1 Statistikor och samplingfördelningar I Kapitel 6 studerades metoder för att bestämma sannolikhetsfördelningen

Läs mer

Preliminära lösningar för Tentamen Tillämpad statistik A5 (15hp) Statistiska institutionen, Uppsala universitet

Preliminära lösningar för Tentamen Tillämpad statistik A5 (15hp) Statistiska institutionen, Uppsala universitet Preliminära lösningar för Tentamen Tillämpad statistik A5 (15hp) 2016-01-13 Statistiska institutionen, Uppsala universitet Uppgift 1 (20 poäng) A) (4p) Om kommunens befolkning i den lokala arbetsmarknaden

Läs mer

Föreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012

Föreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012 Föreläsning 1 Repetition av sannolikhetsteori Patrik Zetterberg 6 december 2012 1 / 28 Viktiga statistiska begrepp För att kunna förstå mer avancerade koncept under kursens gång är det viktigt att vi förstår

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

1/31 REGRESSIONSANALYS. Statistiska institutionen, Stockholms universitet

1/31 REGRESSIONSANALYS. Statistiska institutionen, Stockholms universitet 1/31 REGRESSIONSANALYS F1 Linda Wänström Statistiska institutionen, Stockholms universitet 2/31 Kap 4: Introduktion till regressionsanalys. Introduktion Regressionsanalys är en statistisk teknik för att

Läs mer

Formler och tabeller till kursen MSG830

Formler och tabeller till kursen MSG830 Formler och tabeller till kursen MSG830 Deskriptiva mått För ett datamängd x 1,, x n denieras medelvärde standardavvikelse standardfelet (SEM) Sannolikheter x = 1 n n i=1 = x 1 + + x n n s = 1 n (x i x)

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 9, Matematisk statistik 7.5 hp för E Konfidensintervall

Föreläsning 9, Matematisk statistik 7.5 hp för E Konfidensintervall Föreläsning 9, Matematisk statistik 7.5 hp för E Konfidensintervall Stas Volkov Stanislav Volkov s.volkov@maths.lth.se FMSF20 F9: Konfidensintervall 1/19 Stickprov & Skattning Ett stickprov, x 1, x 2,...,

Läs mer

F14 HYPOTESPRÖVNING (NCT 10.2, , 11.5) Hypotesprövning för en proportion. Med hjälp av data från ett stickprov vill vi pröva

F14 HYPOTESPRÖVNING (NCT 10.2, , 11.5) Hypotesprövning för en proportion. Med hjälp av data från ett stickprov vill vi pröva Stat. teori gk, ht 006, JW F14 HYPOTESPRÖVNING (NCT 10., 10.4-10.5, 11.5) Hypotesprövning för en proportion Med hjälp av data från ett stickprov vill vi pröva H 0 : P = P 0 mot någon av H 1 : P P 0 ; H

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

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

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

Uppgift 1. P (A) och P (B) samt avgör om A och B är oberoende. (5 p)

Uppgift 1. P (A) och P (B) samt avgör om A och B är oberoende. (5 p) Avd. Matematisk statistik TENTAMEN I SF90, SF905, SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 8:E AUGSTI 204 KL 08.00 3.00. Kursledare: Tatjana Pavlenko, 08-790 84 66 Tillåtna hjälpmedel: Formel- och

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

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

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

Bestäm med hjälp av en lämplig och välmotiverad approximation P (X > 50). (10 p)

Bestäm 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

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

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

STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson (examinator) VT2017 TENTAMEN I GRUNDLÄGGANDE STATISTIK FÖR EKONOMER 2017-04-20 LÖSNINGSFÖRSLAG Första version, med reservation för tryck-

Läs mer

9. Konfidensintervall vid normalfördelning

9. Konfidensintervall vid normalfördelning TNG006 F9 09-05-016 Konfidensintervall 9. Konfidensintervall vid normalfördelning Låt x 1, x,..., x n vara ett observerat stickprov av oberoende s.v. X 1, X,..., X n var och en med fördelning F. Antag

Läs mer

SF1922/SF1923: SANNOLIKHETSTEORI OCH INTERVALLSKATTNING. STATISTIK. Tatjana Pavlenko. 24 april 2018

SF1922/SF1923: SANNOLIKHETSTEORI OCH INTERVALLSKATTNING. STATISTIK. Tatjana Pavlenko. 24 april 2018 SF1922/SF1923: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 11 INTERVALLSKATTNING. Tatjana Pavlenko 24 april 2018 PLAN FÖR DAGENS FÖRELÄSNING Vad är en intervallskattning? (rep.) Den allmänna metoden för

Läs mer

Del I. Uppgift 1 För händelserna A och B gäller att P (A) = 1/4, P (B A) = 1/3 och P (B A ) = 1/2. Beräkna P (A B). Svar:...

Del I. Uppgift 1 För händelserna A och B gäller att P (A) = 1/4, P (B A) = 1/3 och P (B A ) = 1/2. Beräkna P (A B). Svar:... Avd. Matematisk statistik TENTAMEN I SF9/SF94/SF95/SF96 SANNOLIKHETSTEORI OCH STATISTIK, ONSDAGEN DEN 4:E OKTOBER 08 KL 8.00 3.00. Examinator för SF94/SF96: Tatjana Pavlenko, 08-790 84 66 Examinator för

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

SF1915 Sannolikhetsteori och statistik 6 hp. χ 2 -test

SF1915 Sannolikhetsteori och statistik 6 hp. χ 2 -test SF1915 Sannolikhetsteori och statistik 6 hp Föreläsning 12 χ 2 -test Jörgen Säve-Söderbergh Anpassningstest test av given fördelning n oberoende försök med r möjliga olika utfall Händelse A 1 A 2... A

Läs mer

Avd. Matematisk statistik

Avd. Matematisk statistik Avd. Matematisk statistik TENTAMEN I SF1913 MATEMATISK STATISTIK FÖR IT OCH ME ONSDAGEN DEN 12 JANUARI 2011 KL 14.00 19.00. Examinator: Camilla Landén, tel. 7908466. Tillåtna hjälpmedel: Formel- och tabellsamling

Läs mer

F22, Icke-parametriska metoder.

F22, Icke-parametriska metoder. Icke-parametriska metoder F22, Icke-parametriska metoder. Christian Tallberg Statistiska institutionen Stockholms universitet Tidigare när vi utfört inferens, dvs utifrån stickprov gjort konfidensintervall

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

Avd. Matematisk statistik

Avd. Matematisk statistik Avd. Matematisk statistik TENTAMEN I SF1901 SANNOLIKHETSTEORI OCH STATISTIK, TORSDAGEN DEN 5:E APRIL 2018 KL 14.00 19.00. Examinator: Thomas Önskog, 08 790 84 55. Tillåtna hjälpmedel: Formel- och tabellsamling

Läs mer

Korrelation och autokorrelation

Korrelation 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 mer

Avd. Matematisk statistik

Avd. Matematisk statistik Avd. Matematisk statistik TENTAMEN I SF1901 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 8:E JANUARI 2018 KL 14.00 19.00. Examinator: Thomas Önskog, 08 790 84 55. Tillåtna hjälpmedel: Formel- och tabellsamling

Läs mer

Tentamen MVE301 Sannolikhet, statistik och risk

Tentamen MVE301 Sannolikhet, statistik och risk Tentamen MVE301 Sannolikhet, statistik och risk 2018-05-31 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Ivar Simonsson, telefon: 031-7725325 Hjälpmedel: Valfri

Läs mer

Föreläsning 12: Linjär regression

Föreläsning 12: Linjär regression Föreläsning 12: Linjär regression Matematisk statistik Chalmers University of Technology Oktober 4, 2017 Exempel Vi vill undersöka hur ett ämnes specifika värmeskapacitet (ämnets förmåga att magasinera

Läs mer

SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2011

SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2011 Avd. Matematisk statistik Tobias Rydén 2011-09-30 SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2011 Förberedelser. Innan du går till laborationen, läs igenom den här handledningen. Repetera också i

Läs mer

0 om x < 0, F X (x) = x. 3 om 0 x 1, 1 om x > 1.

0 om x < 0, F X (x) = x. 3 om 0 x 1, 1 om x > 1. Avd. Matematisk statistik TENTAMEN I SF9, SF95 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 2:E JANUARI 25 KL 4. 9.. Kursledare: Gunnar Englund, 73 32 37 45 Tillåtna hjälpmedel: Formel- och tabellsamling

Läs mer

TAMS65 - Föreläsning 11 Regressionsanalys fortsättning Modellval

TAMS65 - Föreläsning 11 Regressionsanalys fortsättning Modellval TAMS65 - Föreläsning 11 Regressionsanalys fortsättning Modellval Martin Singull Matematisk statistik Matematiska institutionen Innehåll Repetition (t-test för H 0 : β i = 0) Residualanalys Modellval Framåtvalsprincipen

Läs mer

Påbyggnad/utveckling av lagen om ett pris Effektiv marknad: Priserna på en finansiell marknad avspeglar all relevant information

Påbyggnad/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 mer

SF1901 Sannolikhetsteori och statistik I

SF1901 Sannolikhetsteori och statistik I SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 14 13 december 2016 1 / 20 Idag χ 2 -metoden Test av given fördelning Homogenitetstest 2 / 20 Idag χ 2 -metoden Test av given fördelning

Läs mer

Matematikcentrum 1(4) Matematisk Statistik Lunds Universitet MASB11 HT10. Laboration. Regressionsanalys (Sambandsanalys)

Matematikcentrum 1(4) Matematisk Statistik Lunds Universitet MASB11 HT10. Laboration. Regressionsanalys (Sambandsanalys) Matematikcentrum 1(4) Matematisk Statistik Lunds Universitet MASB11 HT10 Laboration Regressionsanalys (Sambandsanalys) Grupp A: 2010-11-24, 13.15 15.00 Grupp B: 2010-11-24, 15.15 17.00 Grupp C: 2010-11-25,

Läs mer

Thomas Önskog 28/

Thomas Önskog 28/ Föreläsning 0 Thomas Önskog 8/ 07 Konfidensintervall På förra föreläsningen undersökte vi hur vi från ett stickprov x,, x n från en fördelning med okända parametrar kan uppskatta parametrarnas värden Detta

Läs mer