MATEMATIK OCH OPTIONER
|
|
- Karolina Jonasson
- för 8 år sedan
- Visningar:
Transkript
1 MATEMATIK OCH OPTIONER Matematikkurs vid CTH och GU Christer Borell Matematiska institutionen CTH&GU Göteborg (Version: sep 99)
2 Innehåll kap sid 1 Några inledande ord om nansiella derivat 1 Konvexitet 9 3 Måtteori 9 4 Stokastiska grundbegrepp 53 5 Konstruktion av Brownsk rörelse och Gaussiska processer 73 6 Centrala gränsvärdessatsen 97 7 Black-Scholes di erentialekvation 17 8 Utdelningsprocesser 15 9 Paley-Wiener-Zygmunds stokastiska integral Translation av Wienermått och prissättning av derivat Stokastiska integraler av Itôs typ Själv nansierande portföljstrategier Flera underliggande aktier Stopptid 9 15 HJM-modellen vid deterministisk volatilitetsstruktur 3 Tentamensskrivningar med lösningar 39 Referenser 73
3 1 1. Några inledande ord om nansiella derivat Ett värdepapper som de nieras i termer av andra värdepapper kallas ett - nansiellt derivat. Inledningsvis betraktar vi endast nansiella derivat, som de nieras av ett enda värdepapper, nämligen en aktie. Aktiens pris vid tiden t betecknas med S(t). Låt nu T vara ett givet framtida datum och antag att ett visst derivat i aktien kan inlösas vid tiden T och då utbetalar beloppet f(s(t )). Ett sådant derivat sägs vara ett enkelt derivat av europeisk typ eller ett enkelt kontrakt av europeisk typ. Här kallas f utbetalningsfunktion eller kontraktsfunktion och T kallas slutdag eller mognadsdag för kontraktet. Ett motsvarande amerikanskt kontrakt med utbetalningsfunktionen f kan inlösas vid vilken tidpunkt t som helst före eller på slutdagen T om kontraktsinnehavaren så önskar och utbetalar då beloppet f(s(t)). Antag nu att K är ett givet positivt tal. En europeisk köpoption i aktien med lösenpris K och slutdag T är rättigheten, men ej skyldigheten, att köpa en aktie till priset K vid tiden T. En europeisk säljoption i aktien med lösenpris K och slutdag T är rättigheten, men ej skyldigheten, att sälja en aktie till priset K vid tiden T: På liknande sätt är en amerikansk köpoption (säljoption) i aktien med lösenpris K och slutdag T rättigheten, men ej skyldigheten, att vid ett tillfälle köpa (sälja) en aktie till priset K under tidsperioden från nu fram till och med tidpunkten T. Slutdagen för en aktieoption kallas också lösendag. Ett enkelt derivat av europeisk typ med utbetalningsfunktionen c(s) = max(; s K) och slutdagen T är på en friktionsfri marknad ekvivalent med en europeisk köpoption med lösenpriset K och lösendagen T: Notera också att på en friktionsfri marknad är ett enkelt derivat av europeisk typ med utbetalningsfunktionen p(s) = max(; K s) och slutdagen T ekvivalent med en europeisk säljoption med lösenpriset K och lösendagen T. Köpoption heter call på engelska och säljoption put, vilket ligger till grund för våra beteckningar. I begreppet friktionsfri marknad inbegripes gratis transaktioner av värdepapper samt att in- och utlåningsräntan är lika. Därutöver antas att lån av värdepapper är gratis samt att
4 handel förekommer i delar av värdepapper. Vi bortser också från alla typer av skatter. I denna framställning förutsätts att alla kapitalmarknader är friktionsfria. Om inte annat anges förutsätts också att aktien ej ger utdelning och att räntan är konstant. Aktier och optionskontrakt är mycket gamla företeelser. Aktier har varit kända under minst 75 år. Merton berättar i sin bok Continuous-Time Finance [M ER1] om handel i köpoptionsliknande instrument på Amsterdams fondbörs för 35 år sedan. Optionskontrakt på jordbruksprodukter användes för övrigt redan av medeltidens köpmän [GEM] : Att värdera - nansiella derivat på ett teoretiskt övertygande sätt har emellertid varit svårt i historien och problemet ck ingen tillfredsställande lösning förrän under 197-talet. Begreppet arbitrage dvs riskfri vinst är här mycket centralt. Det mest komplicerade momentet i detta sammanhang består dock i att förstå de underliggande värdepapperens prisdynamik. Den matematiska teorin för stokastiska processer har hittills spelat en avgörande roll för de framsteg som gjorts. En kombination av värdepapper kallas för en portfölj. Vi tillåter värdepappersinnehav i delar av värdepapper, som eventuellt kan vara negativa. Vi antar alltid att marknaden erbjuder obligationer. Betrakta en godtycklig portfölj A med värdet V A (t) vid tiden t. Om V A (T ) medför att V A (t) för alla tider t < T så sägs dominansprincipen gälla (jmfr [S]). På en arbitragefri marknad gäller dominansprincipen. Om en portfölj består av aktier, obligationer och derivat av europeisk typ och portföljen är värdelös vid en viss tid, så medför dominansprincipen att portföljen är värdelös vid alla tidigare tidpunkter. En portföljstrategi där byte av värdepapper tillåts utan att portföljvärdet ändras i samband med bytet kallas själv nansierande. Dominansprincipens de nition kan generaliseras till denna allmännare situation. Vi utnyttjar i denna framställning ofta en obligation vars värde B(t) vid tiden t ges av ekvationen B(t) = Ce rt där C och r är positiva konstanter. Observera B(t) = B()e rt : Vi uppfattar här storheten r som kontinuerlig ränta. Stokastisk ränta studeras först i kapitel 15.
5 För att belysa dominansprincipen betraktar vi ett enkelt europeiskt derivat i aktien med slutdagen T och utbetalningsfunktionen f(s) = s: Låt v(t) beteckna derivatets värde vid tiden t. Antag först att v(t) > S(t): Detta leder till följande handlingsplan: utfärda derivatet och köp aktien vid tiden t; sälj aktien vid tiden T och ge likviden till innehavaren av kontraktet. Vid tiden t erhålls därvid beloppet v(t) för utfärdandet av derivatet och efter köp av aktien kvarstår nettot v(t) S(t): Strategin ökar således portföljvärdet från noll till (v(t) S(t))e r i tidsintervallet från t till T där 3 = T t och r är räntan. Antag nu att v(t) < S(t): Denna olikhet leder till följande handlingsplan: låna aktien vid tiden t och sälj den omedelbart; köp därefter derivatet; vid tiden T utbetalar derivatet en summa som betalar köp av aktien, som lämnas tillbaka till långivaren. Strategin ger nettot S(t) v(t) vid tiden t. Vi har alltså funnit en strategi som ökar portföljvärdet från noll till (S(t) v(t))e r i tidsintervallet från t till T. En själv nansierande strategi som under ett givet tidsintervall ökar portföljvärdet från noll till ett positivt värde kallas för en arbitragestrategi. Sådana strategier är naturligtvis populära och en e ektiv värdepappershandel eliminerar alla arbitragestrategier. På en e ektiv marknad har det aktuella derivatet därför värdet v(t) = S(t) vid tiden t. Att låna aktier som säljs och senare köps tillbaka för att kunna lämnas tillbaka till långivaren kan eventuellt komma i kon ikt med regler för värdepappershandel. Dessa regler växlar från tid till annan och från land till land. Aktieägaren kan dock alltid resonera som i exemplet genom att rent ktivt låna av sig själv. Vi tar dominansprincipen som given i detta kapitel. Betrakta nu ett enkelt europeiskt derivat med lösendatum T och med utbetalningsfunktionen f(s) = s K
6 4 där K är en positiv konstant. På en marknad där dominansprincipen gäller får detta derivat värdet S(t) Ke r vid tiden t där som ovan = T t: Vid tiden T har nämligen derivatet ifråga samma värde som en portfölj bestående av en aktie och K obligationer. Väljs K så att motsvarande kontrakt är värdelöst vid teckningstiden t kallas K för aktiens terminspris vid tiden t för leverans vid tiden T och betecknas med Sterm(t). T Alltså gäller S T term(t) = S(t)e r : Vi kan som exemplen ovan visar värdera en del derivat av intresse med mycket enkla medel. Svårigheten ökar dock snabbt. Antag att en europeisk köpoption i aktien med lösenpriset K och lösendagen T har värdet c(t; S(t); K) vid tiden t. Det nns inte något enkelt sätt att bestämma detta värde. I själva verket kräver problemet en mycket ingående analys av aktieprisets dynamik. Om p(t; S(t); K) betecknar värdet för en motsvarande europeisk säljoption, så nns inte heller här någon enkel metod att bestämma optionsvärdet. Värdena för motsvarande optioner av amerikansk typ betecknas med C(t; S(t); K) respektive P (t; S(t); K). Inte heller dessa värden är enkla att bestämma. Om slutdagen T behöver betonas skriver vi p(t; S(t); K) = p(t; S(t); K; T ) och på motsvarande sätt för de övriga optionsvärdena. Följande relation mellan aktiepris, europeiskt köpoptionspris, europeiskt säljoptionspris och obligationspris är dock möjlig att visa utan kännedom om aktieprisets dynamik, nämligen S(t) c(t; S(t); K) = Ke r p(t; S(t); K): Vi behöver bara konstatera att relationen ifråga är sann för t = T samtidigt som vi noterar att vänstra ledet representerar värdet av en aktie och en utfärdad köpoption och högra ledet värdet av K obligationer och en utfärdad säljoption. Dominansprincipen medför att likheten även gäller före slutdagen (relationen kallas put-call parity relation på engelska). Relationen visar att den europeiska säljoptionen är lätt att värdera, så snart vi kan prissätta den europeiska köpoptionen. Vi ser också att värdet p(s(t )) vid tiden T är uppnåeligt på en kapitalmarknad som endast består av aktien, den europeiska köpoptionen och obligationen. Betrakta nu för givna positiva konstanter A; B; K och L funktionen f(s) = min(a(s K) + ; B(L s) + )
7 där K < L och där s är en positiv variabel. Denna polygonfunktions derivata har tre språngpunkter. Om vi subtraherar funktionen B(L s) + från funktionen f(s) så erhålls en polygonfunktion vars derivata har två språngpunkter. Man inser nu lätt att en lämplig kombination av säljoptioner med olika löptid har värdet f(s(t )) vid tiden T. Vi utnyttjar här handel i delar av värdepapper. Värdet f(s(t )) vid tiden T är därför uppnåeligt på en kapitalmarknad som endast består av aktien, europeiska köpoptioner och obligationen. Om f(s) betecknar en godtycklig polygonfunktion i intervallet s > så inser vi på liknande sätt att värdet f(s(t )) vid tiden T är uppnåeligt på en kapitalmarknad som endast består av aktien, europeiska köpoptioner i aktien och obligationen. Notera här att en godtycklig kontinuerlig funktion f på intervallet [; S] kan approximeras likformigt med polygonfunktioner (beviset bygger på Bolzano-Weierstrass sats som garanterar att en oändlig punktföljd i det slutna begränsade intervallet [; S] har minst en hopningspunkt). Av ovanstående drar vi slutsatsen att enkla europeiska kontrakt är ganska lätta att värdera så snart motsvarande punkt avgjorts för europeiska köpoptioner. Vi diskuterar nedan utöver vanliga köp- och säljoptioner av europeisk och amerikansk typ även mer invecklade så kallade betingade kontrakt. Bl a värderas medelvärdesoptioner och i näst sista kapitlet studeras ingående optionen att i slutet en given period få köpa en aktie till den allra lägsta aktiekurs som uppnåtts under perioden. Vi studerar också optionen att få byta en aktie mot en annan aktie t o m ett givet datum om kontraktsinnehavaren så önskar. Denna option illustrerar ett derivat som beror på era underliggande aktier. Det är idag en vanlig uppfattning att aktiepriser styrs av slump åtminstone på kort sikt. Pris uktuationerna uppvisar likheter med molekylers och aggregat av molekylers uktuationer, som först observerades av botanisten Brown år 187 och som behandlades teoretiskt av Einstein 195 [E] : Försök att förstå aktieprisers uktuationer och europeiska köpoptioner ledde år 19 fransmannen Bachelier till det anmärkningsvärda arbetet Théorie de la spéculation i Annales scienti ques de l École normale supérieure [BA] : Något överraskande behandlade Bachelier och Einstein samma matematiska grundekvationer. Den amerikanske matematikern Wiener gav år 193 en stringent matematisk behandling av Brownsk rörelse [W ]. Bachelier, som redan i början av seklet stöddes av Poincaré, hade inget stort vetenskapligt in ytande under sin livstid och ck ett tydligt erkännande för sin pionjärinsats inom matematisk nans först några år efter sin bortgång Genom Blacks och Scholes lösning av det europeiska köpoptionsproblemet 1973 [BS], som byg- 5
8 6 ger på japanen Itôs kalkyl med Brownska trajektorier, framstår Bacheliers uppsats från år 19 som en milstolpe i nansmatematikens historia. För en intressant artikel om Bacheliers insatser inom matematisk nans hänvisas till Samuelsons artikel [SAM ] : I de första sex kapitlen av denna framställning gör vi läsaren förtrogen med många fundamentala begrepp inom matematik såsom konvexitet, stokastiska processer och martingaler. I kapitel 7 härleder vi Black-Scholes berömda di erentialekvation med hjälp av den så kallade binomialmodellen som presenterades av Cox, Ross och Rubinstein [CRR] år Black- Scholes di erentialekvation ger teoretiska priser för enkla derivat av europeisk typ. De enkla amerikanska kontraktens teoretiska värden beräknas med hjälp av binomialapproximation. För att klargöra begreppet martingalmått, som spelar en nyckelroll i modern optionsteori, diskuterar vi i kapitel 1 translation av det så kallade Wienermåttet. Här spelar stokastiska integraler med deterministisk integrand en viktig roll. Detta integralbegrepp, som går tillbaka till ett arbete av Paley, Wiener och Zygmund [P W Z] från år 1933; hi kapitel 11 går vi in på Itôintegraler, som initier- IT ^O1 i h och IT ^O i från 194 respektive Det behandlas i kapitel 9. ades av Itô i arbetena visar sig att Itôintegraler är ett suveränt hjälpmedel för att värdera nansiella derivat och vi hoppas de kommer att ge läsaren stor glädje. Slutligen i det allra sista kapitlet behandlas Heaths, Jarrows och Mortons uppmärksammade modell för räntederivat i fallet av deterministisk volitilitetsstruktur [HJM] : Övningar I nedanstående övningar i detta kapitel förutsätts att marknaden erbjuder en aktie, en obligation och olika typer av aktiederivat. Vi antager dessutom att dominansprincipen gäller. Aktiens pris vid tiden t betecknas med S(t) och obligationens pris vid tiden t är lika med B(t) = B()e rt : Om t T så är = T t: 1. Visa att C(t; S(t); K) max(; S(t) K) och C(t; S(t); K) c(t; S(t); K):
9 7. Visa att c(t; S(t); K) max(; S(t) Ke r ): 3. Visa att (då aktien ej ger utdelning). 4. Visa att 5. Visa att och dra slutsatsen att C(t; S(t); K) = c(t; S(t); K) T T 1 ) c(t; S(t); K; T ) c(t; S(t); K; T 1 ): K K 1 ) c(t; S(t); K ) c(t; S(t); K 1 ) om derivatan i höger led c(t; S(t); 6. Visa att c(t; S(t); K) S(t): 7. Visa att K K 1 ) c(t; S(t); K ) c(t; S(t); K 1 ) e r (K K 1 ): Visa därefter c(t; S(t); e om derivatan i vänster led existerar. r 8. Visa att 9. Visa att 1. Visa att lim c(t; S(t); K) = : S(t)! lim c(t; S(t); K; T ) = S(t): T!1 c(t; S(t); K + K 1 ) c(t; S(t); K ) + c(t; S(t); K 1 ):
10 8 11. Visa att K P (t; S(t); K) max(; K S(t)): 1. Visa att det kan vara optimalt att inlösa en amerikansk säljoption före slutdagen 13. En aktie har priset S(t) vid tiden t: Antag t < T och betrakta ett derivat av europeisk typ med slutdagen T som utbetalar beloppet S(t ) vid tiden T: Visa med hjälp av dominansprincipen att derivatets värde vid tiden t < t är lika med S(t)e r(t t ) ; där r betecknar räntan. Vilket värde har derivatet vid tiden t [t ; T ]? 14. Låt t < T och n N + : Sätt h = 1 (T t n ) och t i = t + ih; i = 1; :::; n: Antag vidare att K > och betrakta två europeiska derivat av medelvärdestyp med utbetalningarna och X c = max(; X p = max(; K 1 n + 1 nx S(t i ) K) i= 1 n + 1 nx S(t i )) vid tidpunkten T: Antag dessa derivat har värdena v c (t) resp v p (t) vid tiden t: Visa att om t [t m 1 ; t m [ så gäller e r mx 1 S(t i ) + n + 1 i= i= 1 e r(n m+1)h 1 e rh S(t) n + 1 Ke r v p (t): Försök nna ett liknande samband för t < t : v c (t) = 15. Låt t < t < T och antag att aktien utdelar S(t ) vid tiden t där ]; 1[ : Bestäm värdet vid tiden t för ett derivat i aktien som utbetalar S(T ) vid tiden T: 16. Låt t < t < T och antag att aktien utdelar S(t ) vid tiden t där ]; 1[ : Visa att S T term(t) = (1 )e r S(t):
11 9. Konvexitet I detta kapitel uppmärksammas några grundläggande resultat inom konvexitetsteorin samtidigt som det funktionalanalytiska språket nöts in. I slutet av kapitlet används separationssatsen för slutna konvexa koner för att utreda frågan om arbitrage i samband med den så kallade binomialmodellen för en aktie och en obligation i ett tidssteg. Alla vektorrum nedan är reella vektorrum. En delmängd A av ett vektorrum E sägs vara konvex, om sträckan som förbinder två godtyckliga punkter i mängden alltid ligger i mängden dvs om x; y A ) x + (1 )y A; 1: En funktion f : A! R kallas konvex om A är konvex och x; y A ) f(x + (1 )y) f(x) + (1 )f(y); 1: En stokastisk variabel X med värden i ett vektorrum E sägs vara binomialfördelad om det existerar a; b E; a 6= b; och p ]; 1[ så att och P [X = a] = p P [X = b] = 1 p: Här de nieras väntevärdet E [X] av X genom att dvs E [X] = ap [X = a] + bp [X = b] E [X] = pa + (1 (Bokstaven E kommer här från engelskans expectation.) Alltså gäller att p)b: f(e [X]) E [f(x)] för varje konvex funktion de nierad på E. Denna olikhet kallas Jensens olikhet. En funktion f är konkav om f är konvex. En konvex funktion f : E! [; 1[ sådan att f(x) > om x 6= sägs vara en norm på E om f är jämn dvs f( x) = f(x); x E; och positivt homogen av graden ett
12 1 dvs f(x) = f(x); x E;. Om f är en norm skriver man ofta f(x) =k x k : Ett vektorrum E och en norm k : k på E bestämmer ett normerat rum som ibland skrivs (E; k : k): Om a E och r > de nieras B(a; r) = fx; x E och k x a k< rg : Mängden B(a; r) kallas för en öppen boll med centrum a och radie r: En delmängd U av det normerade rummet E är öppen om det för varje a U existerar r > så att bollen B(a; r) är en delmängd av U: En öppen boll är en öppen mängd. Unionen A [ B = fx E; x A eller x Bg av två öppna mängder A och B är öppen. Unionen av ett godtyckligt antal öppna mängder är också öppen. En delmängd F av det normerade rummet E kallas sluten om dess komplement är en öppen mängd. Snittet E n F = fx E; x = F g A \ B = fx E; x A och x Bg av två slutna mängder A och B är slutet. Detsamma gäller för snittet av ett godtyckligt antal slutna mängder. Snittet av alla slutna mängder som omfattar en given mängd A kallas för slutna höljet av A och betecknas med A. Unionen av alla öppna delmängder av en given mängd A kallas för det inre av A och betecknas med A o : En delmängd A av E sägs vara tät i E om A \ B(a; r) 6= ;; alla a E och r > : Här betecknar ; den tomma mängden. Det normerade rummet ( E ; k : k) sägs vara separabelt om det nns en sekvens (x n ) nn av element i E sådan att fx n ; n Ng är tät i E: En sekvens (x n ) nn i det normerade rummet E sägs vara konvergent om det nns ett x E så att lim k x n x k= : n!1 Det kan nnas högst en sådan vektor x och vi skriver lim x n = x: n!1
13 En delmängd K av E är kompakt om varje sekvens (x n ) nn av element i K innehåller en delföljd (x nk ) kn som konvergerar mot ett element i K. En sekvens (x n ) nn i E sägs vara en Cauchyföljd om det för varje " > existerar ett p N sådant att m; n > p )k x m x n k< " En konvergent följd är en Cauchyföljd. Det normerade rummet ( E ; k : k) är ett Banachrum om varje Cauchyföljd i E är konvergent. Rummet C([; T ]) av alla reellvärda kontinuerliga funktioner de nierade i det kompakta intervallet [; T ] med normen k x k 1 = max tt j x(t) j är ett separabelt Banachrum. Konvergens i detta rum kallas med klassisk terminologi för likformig konvergens. Om E är ett vektorrum de nieras E E = f(x; y); x; y Eg : En avbildning ' : E E! R kallas för en skalärprodukt i E om 11 (i) (ii) avbildningen x! '(x; y) är linjär för alla y E '(x; y) = '(y; x) för alla x; y E (iii) '(x; x) för alla x E med likhet om och endast om x = : Vi skriver i fortsättningen '(x; y) = (x; y) och k x k= p (x; x): Här uppfattas k x y k som avståndet mellan x och y. Med denna beteckning får vi kvadratregeln k x + y k =k x k +(x; y)+ k y k och parallellogramlagen k x + y k + k x y k = k x k + k y k :
14 1 Om x och y råkar vara ortogonala dvs om (x; y) = så ger kvadratregeln likheten k x + y k =k x k + k y k : Denna relation brukar kallas Pythagoras sats. Vi påminner också om Cauchy- Schwarz olikhet j (x; y) jk x kk y k som tillsammans med kvadratregeln ger triangelolikheten k x + y kk x k + k y k : Funktionen k : k blir således en norm på E. Ett vektorrum E och en skalärprodukt på E kallas ett Hilbertrum om motsvarande normerade rum är ett Banachrum. Rummet R n med skalärprodukten (x; y) = nx x k y k k=1 är ett Hilbertrum. Bolzano-Weierstrass sats innebär att de slutna begränsade delmängderna av detta rum är kompakta. Rummet l (N) bestående av alla sekvenser (x n ) nn i R sådana att 1X x n < 1 n= är ett Hilbertrum med skalärprodukten (x; y) = 1X x n y n : Den slutna enhetsbollen fx; k x k 1g i detta rum är inte kompakt. I resten av detta kapitel betecknar H ett Hilbertrum. n= Sats 1. (Närmaste punktegenskapen) Antag att A är en sluten, icketom och konvex delmängd av H och antag x H. Då nns en unik punkt y A sådan att inf za k x z k=k x y k :
15 13 Bevis. Antag d = inf za k x och låt (z n ) nn vara en sekvens i A sådan att Parallellogramlagen ger nu likheten z k lim k x z n k= d: n!1 (k x z m k + k x z n k ) = 4 k x och eftersom A är konvex följer att z m + z n k + k z n z m k Härav drar vi slutsatsen att z m + z n A: (k x z m k + k x z n k ) 4d + k z n z m k : Här är vänstra ledet godtyckligt nära 4d om m och n väljs tillräckligt stora varför sekvensen (z n ) nn är en Cauchyföljd. Denna är således konvergent eftersom H är ett Hilbertrum. Antag lim z n = y: n!1 Då A är sluten gäller att y A och vi får att inf k x z k=k x y k : za För att utreda entydighetsfrågan antages att vektorn y A är sådan att Relationen och parallellogramlagen ger nu inf k x z k=k x za y k : 4d = (k x y k + k x y k ) 4d = 4 k x y + y k + k y y k :
16 14 Eftersom y + y A följer att 4d 4d + k y y k dvs y = y. Detta avslutar beviset för sats 1. Vektorn y i sats 1 kallas för projektionen av x på A och betecknas med P A (x). Sats. Om A är en sluten, icke-tom och konvex delmängd av H och z A gäller att (x P A (x); z P A (x)) för alla x H. Bevis. Sätt y = P A (x). Om < < 1 gäller att k x y k k x ((1 )y + z) k dvs k x y k k (x y) (z y) k dvs (x y; z y) + k z y k : Genom att dividera denna olikhet med och sedan låta! erhålls (x y; z y): Härav följer sats omedelbart. Om B är en delmängd av H så de nieras B? = fx H; y B ) (x; y) = g : Mängden B? är ett slutet delrum av H. Notera också att B \ B? fg
17 15 eftersom Vidare gäller att (x; x) = ) x = : B (B? )? : Sats 3. (Topologiskt komplement) Antag F är ett slutet delrum av H: Varje x H har en entydig representation x = y + z där y F och z F? : Vidare gäller att y = P F (x) och z = P F?(x): Bevis. Antag x H har två framställningar x = y k + z k ; k = ; 1; där y ; y 1 F och z ; z 1 F?. Härav erhålls att y y 1 = z 1 z där vänstra ledet tillhör F och högra ledet tillhör F?. Eftersom F \F? = fg följer att y = y 1 och z = z 1 : För att utreda existensfrågan noterar vi att (x P F (x); u P F (x)) för varje u F enligt sats. Genom att ersätta u med u + P F (x) erhålls att x P F (x) F?. Alltså gäller att x = P F (x) + v där v F?. Eftersom x = v + P F (x)
18 16 och F (F? )? så följer också (genom att ersätta F med F? i ovanstående resonemang) att v = P F?(x): Detta avslutar beviset för sats 3. Följande så kallade separationssats för slutna konvexa mängder har era tillämpningar inom denna kurs. Sats 4. (Separationssatsen för slutna konvexa mängder) Antag A är en sluten, icke-tom och konvex delmängd av H och antag x = A. Då nns en vektor a H och R så att för alla x A. (a; x ) < (a; x) Bevis. Sätt x 1 = P A (x ) så att (x x 1 ; x x 1 ) ; x A: Vi de nierar nu a = x 1 x och får (a; x 1 ) (a; x); x A: Vidare gäller att (a; x ) < (a; x 1 ) eftersom a 6=. Vi kan därför de niera = (a; x 1 ) och sats 4 följer direkt. En icke-tom delmängd C av H sägs vara en konvex kon om C är konvex och x C ) x C
19 för alla. Separationssatsen för slutna konvexa koner får följande form. 17 Sats 5. (Separationssatsen för slutna konvexa koner) Antag C är en sluten konvex kon och antag x = C. Då nns a H så att (a; x ) < och för alla x C. (a; x) Bevis. Vi använder sats 4 med A = C och får a H och R så att (a; x ) < (a; x) för alla x C. Eftersom C måste vara icke-positivt. Om x C gäller att x C för alla > och vi drar slutsatsen att (a; x) = 1 (a; x) 1 där högra ledet konvergerar mot då! 1: Härav följer omedelbart sats 5. Antag a 1 ; :::; a n är en uppsättning vektorer i H. Dessa sägs vara positivt linjärt oberoende om nx k a k = ) 1 = ::: = n = k=1 för alla 1 ; ::::; n : Om vektorerna e; f H är ortogonala och nollskilda så är exempelvis uppsättningen e; f; e + f positivt linjärt oberoende. Om a 1 ; :::; a n H så betecknar C(a 1 ; :::; a n ) den minsta konvexa kon som innehåller a 1 ; :::; a n dvs ( nx ) C(a 1 ; :::; a n ) = k a k ; 1 ; ::::; n : k=1 Sats 6. Den konvexa konen C(a 1 ; :::; a n ) är sluten.
20 18 Bevis. Antag först att vektorerna a 1 ; :::; a n är positivt linjärt oberoende. Låt x tillhöra slutna höljet av C(a 1 ; :::; a n ) och antag x j C(a 1 ; :::; a n ); j N och lim j!1 x j = x: Skriv Vi påstår att x j = nx jk a k : k=1 sup jk < 1: j;k I motsatt fall nns k f1; :::; ng och en växande följd (j ) N av naturliga tal så att max k=1;:::;n j vk = jvk > och jk! 1; då! 1: Härav följer att x j jk = nx k=1 jk jk a k : Genom att utnyttja Bolzano-Weierstrass sats kan vi efter eventuell omnumrering antaga att varje sekvens jk jk ; N konvergerar mot ett visst icke-negativt tal k för k = 1; :::; n. Härav erhålls att nx k a k = : k=1 Eftersom k = 1 och vektorerna a 1 ; :::; a n är positivt linjärt oberoende har vi fått en motsägelse. Alltså gäller att sup jk < 1 j;k och genom att utnyttja Bolzano-Weierstrass sats och relationen x j = nx jk a k k=1
21 så följer att x tillhör C(a 1 ; :::; a n ): Det är nu lätt att avsluta beviset för sats 6. Antag nämligen att x C(a 1 ; :::; a n ) och låt mx x = i a ki i=1 där 1 ; :::; m > : Vi säger att denna representation är minimal om m ej kan göras mindre i denna typ av representation av vektorn x. Antag representationen är minimal. Vi påstår att vektorerna a ki ; i = 1; :::; m; är positivt linjärt oberoende. I annat fall nns icke-negativa tal i ; i = 1; :::; m; ej alla lika med noll sådana att mx i a ki = : Härav erhålls att x = i=1 mx ( i t i )a ki i=1 där t > väljes så att ( i t i ) ; i = 1; :::; m; och så att likhet inträ ar för något index i. Detta visar emellertid att vår tidigare representation av x ej är minimal och av denna motsägelse drar vi slutsatsen att vektorerna a ki ; i = 1; :::; m; är positivt linjärt oberoende. Således gäller att C(a 1 ; :::; a n ) = [ [C(a k1 ; :::; a km ); a k1 ; :::; a km positivt linjärt oberoende] : Den första delen av beviset visar nu resultatet eftersom en ändlig union av slutna mängder är sluten. 19 Om x = (x 1 ; :::; x n ) är en vektor i R n och x 1 ; :::; x n skriver vi i fortsättningen ofta x : Vektorn x uppfattas här ofta som en kolonnmatris. Transponatet av en matris A becknas med A : Den vanliga skalärprodukten av två vektorer x och y i R n kan därför skrivas x y: Sats 7. (Farkas lemma) Antag A = (a jk ) 1jm; 1kn är en matris med reella element och antag b R m. Låt vidare a k ; k=1,...,n, beteckna matrisens kolonner. Då gäller exakt ett av följande alternativ:
22 (i) ekvationen Ax = b x är lösbar (ii) det nns h R m så att h b < h a k ; k = 1; :::; n: Bevis. Alternativet (i) gäller om och endast om b C(a 1 ; :::; a n ) och beroende på separationssatsen för slutna konvexa koner så gäller alternativet (ii) om och endast om b = C(a 1 ; :::; a n ). Detta bevisar sats 7. Korollarium 1. Antag A = (a jk ) 1jm; 1kn är en matris med reella element och antag b R m. Låt vidare a k ; k=1,...,n, beteckna matrisens kolonner. Då gäller exakt ett av följande alternativ: (i) ekvationen Ax = b x 1 ; :::; x n > ; R är lösbar (ii) det nns h R m så att 8 < : h b = h a k ; k = 1; :::; n h a k > ; för något k = 1; :::; n: : Bevis. Antag först att ekvationerna i (i) och (ii) är uppfyllda. Då är (h A)x > :
23 Men så h (Ax) = h (b) = (h b) = = (h A)x = och vi har fått en motsägelse. Alltså gäller högst en av (i) och (ii). Vi antar nu att (ii) ej är gäller och skall visa att ekvationen i (i) är lösbar, vilket avslutar beviset för Korollarium 1. Om (ii) ej gäller saknar systemet 8 >< >: h b h ( b) h a k ; k f1; :::; n g n fjg h ( a j ) < lösning för j = 1; :::; n: Enligt Farkas lemma betyder detta att ekvationerna b + ( b) 1 + a 1 x 1 + ::: + a j 1 x j 1 + a j+1 x j+1 + ::: + a n x n = a j ; 1 ; x 1 ; :::; x j 1 ; x j+1 ; :::; x n är lösbara för alla j = 1; :::; n; dvs ekvationerna ( a 1 x (j) 1 + ::: + a j 1 x (j) j 1 + a jx (j) j + a j+1 x (j) j+1 + ::: + a nx () n = b (j) x (j) 1 ; :::; x (j) j 1 ; x(j) j+1 ; :::; x(j) n ; x (j) j = 1; (j) R är lösbara för alla j = 1; :::; n: Genom att addera dessa ekvationer följer att ekvationen i (i) är lösbar. : 1 Exempel 1. Betrakta en matematisk modell för en kapitalmarknad bestående av en aktie med priset S(t) vid tiden t och en obligation med priset B(t) vid tiden t. Vi antager att tidsvariabeln t endast kan anta två värden, nämligen eller 1. Låt B(1) = B()e r där r > och låt S(1) = S()e X : Vi antager här att X är en reellvärd binomialfördelad stokastisk variabel och att det går att välja u; d R, som uppfyller u > d; så att händelsen [X 6= u och X 6= d] = fx = fu; dgg
24 aldrig inträ ar (dvs är en tom mängd). Speciellt följer att P [X = u] + P [X = d] = 1 där varje term i vänster led är positiv. Denna enkla modell kallas binomialmodellen för en aktie och en obligation i ett tidssteg. Vi skall först de niera begreppet arbitrage i denna modell. Betrakta därför en portfölj bestående av h S aktier och h B obligationer. Dess värde vid tiden t ges av v(t) = h S S(t) + h B B(t): Vi säger att ett arbitrage av första slaget uppstår om portföljen kan väljas så att v() = och v(1) > : Genom att variera antalet obligationer i portföljen inses att ett arbitrage av första slaget uppstår om och endast om portföljen kan väljas så att v() < och v(1) : Utskrivet mer explicit innebär detta att h S S() + h B B() < och hs S()e u + h B B()e r h S S()e d + h B B()e r vilket med tanke på Farkas lemma innebär att modellen saknar arbitrage av första slaget om och endast om det existerar reella tal x; y sådana att S()e u x + S()e d y = S() Detta ekvationssystem har lösningen B()e r x + B()e r y = B(): x = e r e r e u y = e r e u e u e d e d e r e d och vi ser att x; y precis då d r u:
FINANSIELLA DERIVAT OCH
FINANSIELLA DERIVAT OCH STOKASTISK ANALYS Matematikkurs vid CTH och GU Christer Borell Matematiska institutionen CTH&GU 41 96 Göteborg (Version: okt 3) Förord Syftet med detta kompendium är att vidareutveckla
Läs merMer om reella tal och kontinuitet
Kapitel R Mer om reella tal och kontinuitet I detta kapitel formulerar vi ett av de reella talens grundläggande axiom, axiomet om övre gräns, och studerar några konsekvenser av detta. Med dess hjälp kommer
Läs merVectorer, spannet av vektorer, lösningsmängd av ett ekvationssystem.
Vectorer, spannet av vektorer, lösningsmängd av ett ekvationssystem. Begrepp som diskuteras i det kapitlet. Vektorer, addition och multiplikation med skalärer. Geometrisk tolkning. Linjär kombination av
Läs merKontinuitet och gränsvärden
Kapitel Kontinuitet och gränsvärden.1 Introduktion till kontinuerliga funktioner Kapitlet börjar med allmänna definitioner. Därefter utvidgar vi successivt familjen av kontinuerliga funktioner, genom specifika
Läs merLINJÄR ALGEBRA II LEKTION 6
LINJÄR ALGEBRA II LEKTION 6 JOHAN ASPLUND INNEHÅLL 1 Inre produktrum 1 2 Cauchy-Schwarz olikhet 3 3 Ortogonala projektioner och Gram-Schmidts process 3 4 Uppgifter 4 61:13(a) 4 61:23(a) 4 61:29 5 62:7
Läs merSF1544 LABORATION 2 INTEGRATION, MONTE-CARLO OCH BLACK-SCHOLES EKVATION FÖR OPTIONER
SF1544 LABORATION INTEGRATION, MONTE-CARLO OCH BLACK-SCHOLES EKVATION FÖR OPTIONER Avsikten med denna laboration är att: - snabbt komma igång med träning på matlabprogrammering (uttnyttja gärna alla schemalagda
Läs merÖvning 1 Sannolikhetsteorins grunder
Övning 1 Sannolikhetsteorins grunder Två händelser A och B är disjunkta om {A B} =, det vill säga att snittet inte innehåller några element. Om vi har en mängd händelser A 1, A 2, A 3,..., A n, vilka är
Läs meravbildning En avbildning är i matematiskt språk i regel detsamma som en funktion.
Ordlista 1 1 Analysens grunder avbildning En avbildning är i matematiskt språk i regel detsamma som en funktion. Bolzano-Weierstrassegenskapen En delmängd M i ett metriskt rum har Bolzano- Weierstrass-egenskapen
Läs merMatematiska Institutionen KTH. Lösning till tentamensskrivning på kursen Linjär algebra II, SF1604, den 9 juni 2011 kl
1 Matematiska Institutionen KTH Lösning till tentamensskrivning på kursen Linjär algebra II, SF1604, den 9 juni 2011 kl 08.00-1.00. OBS: Inga hjälpmedel är tillåtna på tentamensskrivningen. Bonuspoäng
Läs merOm 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 merMatematiska strukturer - Satser
Matematiska strukturer - Satser April 2, 2018 I detta dokument har jag samlat och översatt de flesta satser som ingår i kursen Matematiksa Strukturer (FMAN65) från kursboken Set Theory and Metric Spaces
Läs merMER TOPOLOGI OCH KONVERGENS
MER TOPOLOGI OCH KONVERGENS SVANTE JANSON 1. Kompakta mängder Definition. En delmängd av R n kallas kompakt om den är sluten och begränsad. Sats 1. Om K är en kompakt mängd i R n och {x i } är en följd
Läs merSTOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund FINANSMATEMATIK I. ÖVNINGAR TILL DAG 3.
STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund FINANSMATEMATIK I. ÖVNINGAR TILL DAG 2. Luenberger: 2:1-5, 9, 11, 12. Övning 1. Du lånar 200000 kr i en bank
Läs merOm ortonormerade baser i oändligtdimensionella rum
Analys 360 En webbaserad analyskurs Funktionsutvecklingar Om ortonormerade baser i oändligtdimensionella rum Anders Källén MatematikCentrum LTH anderskallen@gmail.com Om ortonormerade baser i oändligtdimensionella
Läs mer1 Analysens grunder. Ordlista för Funktionalanalys 1. avbildning (map) En avbildning är i matematiskt språk i regel detsamma som en funktion.
Ordlista för Funktionalanalys 1 (28 augusti 2002) 1 Analysens grunder avbildning (map) En avbildning är i matematiskt språk i regel detsamma som en funktion. Bolzano-Weierstrassegenskapen En delmängd M
Läs merx f (x) dx 1/8. Kan likhet gälla i sistnämnda relation. (Torgny Lindvall.) f är en kontinuerlig funktion på 1 x sådan att lim a
Elementa Årgång 50, 967 Årgång 50, 967 Första häftet 2603. Låt ξ, ξ 2,..., ξ n vara stokastiska variabler med väntevärden E[ξ i ], i =, 2,..., n. Visa att E[max(ξ, ξ 2,..., ξ n )] max(e[ξ ], E[ξ 2 ],...,
Läs merBEGREPPSMÄSSIGA PROBLEM
BEGREPPSMÄSSIGA PROBLEM Större delen av de rekommenderade uppgifterna i boken är beräkningsuppgifter. Det är emellertid även viktigt att utveckla en begreppsmässig förståelse för materialet. Syftet med
Läs merMVE022 Urval av bevis (på svenska)
MVE22 Urval av bevis (på svenska) J A S, VT 218 Sats 1 (Lay: Theorem 7, Section 2.2.) 1. En n n-matris A är inverterbar precis när den är radekvivalent med indentitesmatrisen I n. 2. När så är fallet gäller
Läs merStora bilden av Linjära algebran. Vektorrum, linjära transformationer, matriser (sammanfattning av begrepp)
Stora bilden av Linjära algebran. Vektorrum, linjära transformationer, matriser (sammanfattning av begrepp) Linjär algebra består av tre grenar eller koncept: geometriska begreppet av vektorrum, analysbegreppet
Läs merFöresläsningsanteckningar Sanno II
Föresläsningsanteckningar 1 Gammafunktionen I flera av våra vanliga sannolikhetsfördelningar ingår den s.k. gamma-funktionen. Γ(p) = 0 x p 1 e x dx vilken är definierad för alla reella p > 0. Vi ska här
Läs merDiagonalisering och linjära system ODE med konstanta koe cienter.
Diagonalisering och linjära system ODE med konstanta koe cienter. Variabelbyte i linjära system di erentialekvationer. Målet med det kapitlet i kursen är att lösa linjära system di erentialekvationer på
Läs merÖvningar. MATEMATISKA INSTITUTIONEN STOCKHOLMS UNIVERSITET Avd. Matematik. Linjär algebra 2. Senast korrigerad:
MATEMATISKA INSTITUTIONEN STOCKHOLMS UNIVERSITET Avd. Matematik Linjär algebra 2 Senast korrigerad: 2006-02-10 Övningar Linjära rum 1. Låt v 1,..., v m vara vektorer i R n. Ge bevis eller motexempel till
Läs merSerier. egentligen är ett gränsvärde, inte en summa: s n, där s n =
Serier Serier eller oändliga summor har flyktigt behandlats redan i tidigare kurser. Vi ska nu gå igenom teorin på ett lite mer systematiskt sätt. I många fall spelar det ingen roll om termerna a k är
Läs mer1 Konvexa optimeringsproblem grundläggande egenskaper
Krister Svanberg, april 2012 1 Konvexa optimeringsproblem grundläggande egenskaper Ett optimeringsproblem är i viss mening godartat om det tillåtna området är en konvex mängd och den målfunktion som ska
Läs merAlgebraiska egenskaper hos R n i)u + v = v + U
Underrum till R n, nollrum, kolonnrum av en matris, rank, bas, koordinater, dimension. Påminnelse om R n s egenskaper: Algebraiska egenskaper hos R n i)u + v = v + U v) c(u + v) = cu + cv ii) ( u + v)
Läs merSF1625 Envariabelanalys Lösningsförslag till tentamen DEL A
SF165 Envariabelanalys Lösningsförslag till tentamen 15-4-7 DEL A 1. Låt f(x) = arcsin x + 1 x. A. Bestäm definitionsmängden till funktionen f. B. Bestäm funktionens största och minsta värde. (Om du har
Läs merOrtogonal dekomposition. Minstakvadratmetoden.
Ortogonal dekomposition. Minstakvadratmetoden. Nästa sats är en utvidgning av begreppet ortogonal projektion av en vektor på en annan vektor. Ortogonal projektion på ett underrum. Satsen om ortogonal dekomposition
Läs merFormelsamling för kursen Grundläggande finansmatematik
STOCKHOLMS UNIVERSITET 13 december 006 Matematiska institutionen Avd. för matematisk statistik Mikael Andersson Formelsamling för kursen Grundläggande finansmatematik 1 Fundamental Theorem of Asset Pricing
Läs merRepetitionsfrågor i Flervariabelanalys, Ht 2009
Repetitionsfrågor i Flervariabelanalys, Ht 2009 Serier 1. Visa att för en positiv serie är summan oberoende av summationsordningen. 2. Visa att för en absolutkonvergent serie är summan oberoende av summationsordningen.
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 6 13 november 2017 1 / 29 Idag Förra gången Mer om väntevärden och varianser (Kap. 5.2 5.3) Beroendemått (Kap. 5.4) Summor, linjärkombinationer
Läs merSF1911: 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 merMer om kontinuitet. Kapitel K. K.1 Övre och undre gräns
Kapitel K Mer om kontinuitet I detta kapitel bevisar vi Sats 3.1, som säger att en kontinuerlig funktion av typen R 2 R på ett kompakt område antar ett största och ett minsta värde. Vi studerar dessutom
Läs merOändligtdimensionella vektorrum
Oändligtdimensionella vektorrum Vi har i den här kursen huvudsakligen studerat ändligtdimensionella vektorrum. Dessa är mycket användbara objekt och matriskalkyl ger en bra metod att undersöka dom med.
Läs merGrafer och grannmatriser
Föreläsning 2, Linjär algebra IT VT2008 Som avslutning på kursen ska vi knyta samman linjär algebra med grafteori och sannolikhetsteori från första kursen. Resultatet blir så kallade slumpvandringar på
Läs merRÄKNEOPERATIONER MED VEKTORER LINJÄRA KOMBINATIONER AV VEKTORER ----------------------------------------------------------------- Låt u vara en vektor med tre koordinater, u = x, Vi säger att u är tredimensionell
Läs merKTH Matematik Tentamensskrivning i Differentialekvationer I, SF1633.
KTH Matematik Tentamensskrivning i Differentialekvationer I, SF1633. Måndagen den 17 oktober 11, kl 8-13. Hjälpmedel: BETA, Mathematics Handbook. Redovisa lösningarna på ett sådant sätt att beräkningar
Läs merExistens och entydighet för ordinära differentialekvationer
Existens och entydighet för ordinära differentialekvationer Michael Björklund, f-mib@f.kth.se Grundläggande begrepp Definition 1 Ett begynnelsevärdesproblem för ordinära differentialekvationer har följande
Läs merSTYRNING AV PORTFÖLJER MED FLERA TILLGÅNGAR
1 STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund FINANSMATEMATIK I. KOMPLEMENT DAG 13. STYRNING AV PORTFÖLJER MED FLERA TILLGÅNGAR Hittills har vi betraktat
Läs merStokastiska vektorer och multivariat normalfördelning
Stokastiska vektorer och multivariat normalfördelning Johan Thim johanthim@liuse 3 november 08 Repetition Definition Låt X och Y vara stokastiska variabler med EX µ X, V X σx, EY µ Y samt V Y σy Kovariansen
Läs merKontinuerliga funktioner. Ytterligare en ekvivalent formulering av supremumaxiomet
Kontinuerliga funktioner. Ytterligare en ekvivalent formulering av supremumaxiomet är följande: SATS. (Intervallinkapslingssatsen) Låt I k = [a k, b k ], k = 1, 2,... vara en avtagande följd av slutna
Läs merStrukturakademin Strukturinvest Fondkommission FIGUR 1. Utdelning. Återinvesterade utdelningar Ej återinvesterade utdelningar
Del 3 Utdelningar Innehåll Implicita tillgångar... 3 Vad är utdelningar?... 3 Hur påverkar utdelningar optioner?... 3 Utdelningar och forwards... 3 Prognostisera utdelningar... 4 Implicita utdelningar...
Läs merFourierserier: att bryta ner periodiska förlopp
Analys 36 En webbaserad analyskurs Funktionsutvecklingar Fourierserier: att bryta ner periodiska förlopp Anders Källén MatematikCentrum LTH anderskallen@gmail.com Fourierserier: att bryta ner periodiska
Läs merLinjär algebra I, vt 12 Vecko PM läsvecka 4
Linjär algebra I, vt 12 Vecko PM läsvecka 4 Lay: 2.8-2.9, 4.1-4.6 Underrum i R n, dimension och rang. Vektorrum. Innehållet i avsnitten 2.8 och 2.9 täcks av kapitel 4, men presenterar begreppen på ett
Läs merVektorgeometri för gymnasister
Vektorgeometri för gymnasister Per-Anders Svensson http://homepage.lnu.se/staff/psvmsi/vektorgeometri/gymnasiet.html Fakulteten för teknik Linnéuniversitetet Linjära avbildningar II Innehåll Repetition:
Läs merVektorgeometri för gymnasister
Vektorgeometri för gymnasister Per-Anders Svensson http://homepage.lnu.se/staff/psvmsi/vektorgeometri/gymnasiet.html Fakulteten för teknik Linnéuniversitetet Linjära avbildningar I Innehåll En liten tillbakablick:
Läs merDeterminanter, egenvectorer, egenvärden.
Determinanter, egenvectorer, egenvärden. Determinanter av kvadratiska matriser de nieras recursivt: först för matriser, sedan för matriser som är mest användbara. a b det = ad bc c d det a a a a a a a
Läs merTillämpningar av integraler: Area, skivformeln för volymberäkning, båglängd, rotationsarea, integraler och summor
Tillämpningar av integraler: Area, skivformeln för volymberäkning, båglängd, rotationsarea, integraler och summor Areaberäkningar En av huvudtillämpningar av integraler är areaberäkning. Nedan följer ett
Läs merDel 3 Utdelningar. Strukturakademin
Del 3 Utdelningar Strukturakademin Innehåll 1. Implicita tillgångar 2. Vad är utdelningar? 3. Hur påverkar utdelningar optioner? 4. Utdelningar och Forwards 5. Prognostisera utdelningar 6. Implicita utdelningar
Läs mer8. Euklidiska rum 94 8 EUKLIDISKA RUM
94 8 EUKLIDISKA RUM 8. Euklidiska rum Definition 8.. En skalärprodukt på vektorrummet V är en funktion som till varje par av element u och v i V ordnar ett reellt tal u v eller u v med följande egenskaper:.
Läs mer4 Diskret stokastisk variabel
4 Diskret stokastisk variabel En stokastisk variabel är en variabel vars värde bestäms av utfallet av ett slumpmässigt försök. En stokastisk variabel betecknas ofta med X, Y eller Z (i läroboken används
Läs merÖVN 6 - DIFFERENTIALEKVATIONER OCH TRANSFORMMETODER - SF Nyckelord och innehåll. a n (x x 0 ) n.
ÖVN 6 - DIFFERENTIALEKVATIONER OCH TRANSFORMMETODER - SF683 HTTP://KARLJODIFFTRANS.WORDPRESS.COM KARL JONSSON Nyckelord och innehåll Potensserielösningar Analytiska funktioner Konvergensradie Rot- och
Läs merVektorgeometri för gymnasister
Vektorgeometri för gymnasister Per-Anders Svensson http://w3.msi.vxu.se/users/pa/vektorgeometri/gymnasiet.html Institutionen för datavetenskap, fysik och matematik Linnéuniversitetet Vektorer i planet
Läs merLinjära avbildningar. Definition 1 En avbildning mellan två vektorrum, F : V U, kallas linjär om. EX. Speglingar, rotationer, projektioner i R 3.
Linjära avbildningar Definition 1 En avbildning mellan två vektorrum, F : V U, kallas linjär om F (v +v ) = F (v)+f (v ) och F (cv) = cf (v) för alla v, v V och alla skalärer c. EX. Speglingar, rotationer,
Läs merR AKNE OVNING VECKA 1 David Heintz, 31 oktober 2002
RÄKNEÖVNING VECKA David Heintz, 3 oktober 22 Innehåll Uppgift 27. 2 Uppgift 27.8 4 3 Uppgift 27.9 6 4 Uppgift 27. 9 5 Uppgift 28. 5 6 Uppgift 28.2 8 7 Uppgift 28.4 2 Uppgift 27. Determine primitive functions
Läs merEgenvärden och egenvektorer
Föreläsning 10, Linjär algebra IT VT2008 1 Egenvärden och egenvektorer Denition 1 Antag att A är en n n-matris. En n-vektor v 0 som är sådan att A verkar som multiplikation med ett tal λ på v, d v s Av
Läs merKTH Matematik Tentamensskrivning i Differentialekvationer och transformer III, SF1637.
KTH Matematik Tentamensskrivning i Differentialekvationer och transformer III, SF637. Måndagen den 7 oktober, kl 8-3. Hjälpmedel: BETA, Mathematics Handbook. Redovisa lösningarna på ett sådant sätt att
Läs merMATEMATIK GU. LLMA60 MATEMATIK FÖR LÄRARE, GYMNASIET Analys, ht 2014. Block 5, översikt
MATEMATIK GU H4 LLMA6 MATEMATIK FÖR LÄRARE, GYMNASIET Analys, ht 24 I block 5 ingår följande avsnitt i Stewart: Kapitel 2, utom avsnitt 2.4 och 2.6; kapitel 4. Block 5, översikt Första delen av block 5
Läs merDEL I. Matematiska Institutionen KTH. Lösning till tentamensskrivning på kursen Linjär algebra II, SF1604 för D, den 5 juni 2010 kl
1 Matematiska Institutionen KTH Lösning till tentamensskrivning på kursen Linjär algebra II, SF164 för D, den 5 juni 21 kl 9.- 14.. Examinator: Olof Heden. Hjälpmedel: Inga hjälpmedel är tillåtna på tentamensskrivningen.
Läs merLinjär algebra på några minuter
Linjär algebra på några minuter Linjära ekvationssystem Ekvationssystem: { Löses på matrisform: ( ) ( ) I det här fallet finns en entydig lösning, vilket betyder att determinanten av koefficientmatrisen
Läs merTransformer i sannolikhetsteori
Transformer i sannolikhetsteori Joakim Lübeck 28-11-13 För dig som läst eller läser sannolikhetsteori (fram till och med normalfördelningen) och läst eller läser system och transformer (till och med fouriertransform)
Läs merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I
MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I G. Gripenberg Sannolikheter Slumpvariabler Centrala gränsvärdessatsen Aalto-universitetet 8 januari 04 3 Tvådimensionella slumpvariabler
Läs merLäsanvisningar till kapitel
Läsanvisningar till kapitel 2.3 2.5 2.3 Analytiska funktioner Analytiska funktioner, eller holomorfa funktioner som vi kommer kalla dem, är de funktioner som vi komer studera så gott som resten av kursen.
Läs merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I
MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I G. Gripenberg Aalto-universitetet 28 januari 2014 G. Gripenberg (Aalto-universitetet) MS-A0509 Grundkurs i sannolikhetskalkyl
Läs merÖVN 11 & 12 DEL A - DIFFTRANS - DEL2 - SF Nyckelord och innehåll. Inofficiella mål
ÖVN 11 & 12 DEL A - DIFFTRANS - DEL2 - SF1683 HTTP://KARLJODIFFTRANS.WORDPRESS.COM KARL JONSSON Nyckelord och innehåll Komplexa vektorrum U och underrum V U. Linjära höljet: V = span(v 1, v 2,..., v N
Läs mer1 Duala problem vid linjär optimering
Krister Svanberg, april 2012 1 Duala problem vid linjär optimering Detta kapitel handlar om två centrala teoretiska resultat för LP, nämligen dualitetssatsen och komplementaritetssatsen. Först måste vi
Läs merÖvningar. c) Om någon vektor i R n kan skrivas som linjär kombination av v 1,..., v m på precis ett sätt så. m = n.
Övningar Linjära rum 1 Låt v 1,, v m vara vektorer i R n Ge bevis eller motexempel till följande påståenden Satser ur boken får användas a) Om varje vektor i R n kan skrivas som linjär kombination av v
Läs merUppsala Universitet Matematiska Institutionen Thomas Erlandsson, Sebastian Pöder
Uppsala Universitet Matematiska Institutionen Thomas Erlandsson, Sebastian Pöder Tentamen ENVARIABELANALYS M 204-2-08 SVAR OCH ANVISNINGAR UPPGIFTER. e 3x2 lim = e x2 ( 3x 2 +...) = lim ( x 2 +...) = lim
Läs merTMV166/186 Linjär Algebra M/TD 2011/2012 Läsvecka 1. Omfattning. Innehåll 2012-01-20. Lay, kapitel 1.1-1.9, Linjära ekvationer i linjär algebra
TMV166/186 Linjär Algebra M/TD 2011/2012 Läsvecka 1 Omfattning Lay, kapitel 1.1-1.9, Linjära ekvationer i linjär algebra Innehåll Olika aspekter av linjära ekvationssystem 1. skärning mellan geometriska
Läs merUppsala Universitet Matematiska Institutionen Thomas Erlandsson
Uppsala Universitet Matematiska Institutionen Thomas Erlandsson MATRISER MED MERA VEKTORRUM DEFINITION Ett vektorrum V är en mängd av symboler u som vi kan addera samt multiplicera med reella tal c så
Läs merRita även upp grafen till Fourierseriens summa på intervallet [ 2π, 3π], samt ange summans värde i punkterna π, 0, π, 2π. (5) S(t) = c n e int,
Institutionen för matematik KTH Tentamensskrivning, 003-08-5, kl. 14.00 19.00. 5B10/ Diff och Trans del, för F och T. Hjälpmedel: BETA, Mathematics Handbook. För godkänt betyg 3) krävs 18 poäng, medan
Läs merMaterial till kursen SF1679, Diskret matematik: Lite om kedjebråk. 0. Inledning
Matematik, KTH Bengt Ek november 207 Material till kursen SF679, Diskret matematik: Lite om kedjebråk 0 Inledning Talet π (kvoten mellan en cirkels omkrets och dess diameter) är inte ett rationellt tal
Läs merIsometrier och ortogonala matriser
Isometrier och ortogonala matriser (Delvis resultat som kunde kommit tidigare i kursen) För att slippa parenteser, betecknas linära avbildningar med A och bilden av x under en lin avbildn med Ax i stället
Läs mer2.1 Mikromodul: stokastiska processer
2. Mikromodul: stokastiska processer 9 2. Mikromodul: stokastiska processer 2.. Stokastiska variabler En stokastiskt variabel X beskrivs av dess täthetsfunktion p X (x), vars viktigaste egenskaper sammanfattas
Läs merLektionsanteckningar 11-12: Normalfördelningen
Lektionsanteckningar 11-12: Normalfördelningen När utfallsrummet för en slumpvariabel kan anta vilket värde som helst i ett givet intervall är variabeln kontinuerlig. Det är väsentligt att utfallsrummet
Läs merTATA42: Föreläsning 7 Differentialekvationer av första ordningen och integralekvationer
TATA42: Föreläsning 7 Differentialekvationer av första ordningen och integralekvationer Johan Thim 0 januari 207 Introduktion En differentialekvation (DE) i en variabel är en ekvation som innehåller både
Läs mer1 De fyra fundamentala underrummen till en matris
Krister Svanberg, mars 2012 1 De fyra fundamentala underrummen till en matris 1.1 Definition av underrum En given delmängd M av IR n säges vara ett underrum i IR n om följande gäller: För varje v 1 M,
Läs merTMS136. Föreläsning 5
TMS136 Föreläsning 5 Två eller flera stokastiska variabler I många situationer är det av intresse att betrakta fler än en s.v. åt gången Speciellt gör man det i statistik där man nästan alltid jobbar med
Läs merLösningsförslag 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 merUppsala Universitet Matematiska Institutionen Thomas Erlandsson
Uppsala Universitet Matematiska Institutionen Thomas Erlandsson LÄSANVISNINGAR VECKA 36 VERSION 1. ARITMETIK FÖR RATIONELLA OCH REELLA TAL, OLIKHETER, ABSOLUTBELOPP ADAMS P.1 Real Numbers and the Real
Läs merUppsala Universitet Matematiska Institutionen Bo Styf. Sammanfattning av föreläsningarna 11-14, 16/11-28/
Uppsala Universitet Matematiska Institutionen Bo Styf Transformmetoder, 5 hp gy, IT, W, X 2011-10-26 Sammanfattning av föreläsningarna 11-14, 16/11-28/11 2012. Här lär vi oss använda transformer för att
Läs merFöreläsningsanteckningar Linjär Algebra II Lärarlyftet
Föreläsningsanteckningar Linjär Algebra II Lärarlyftet Per Alexandersson Föreläsning I Timme I: Repetition av matriser, linjära ekvationssystem Linjärt ekvationssystem: x + y + z 3w = 3 2x + y + z 4w =
Läs mer1 Positivt definita och positivt semidefinita matriser
Krister Svanberg, april 1 1 Positivt definita och positivt semidefinita matriser Inom ickelinjär optimering, speciellt kvadratisk optimering, är det viktigt att på ett effektivt sätt kunna avgöra huruvida
Läs merOberoende 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 merLMA515 Matematik, del B Sammanställning av lärmål
LMA515 Matematik, del B Sammanställning av lärmål Lärmål för godkänt Funktion, gränsvärde, kontinuitet, derivata. Förklara begreppen funktion, definitionsmängd och värdemängd, och bestämma (största möjliga)
Läs merTAMS79: Föreläsning 4 Flerdimensionella stokastiska variabler
TAMS79: Föreläsning 4 Flerdimensionella stokastiska variabler Johan Thim (johan.thim@liu.se) 1 november 18 Vi fokuserar på två-dimensionella variabler. Det är steget från en dimension till två som är det
Läs merMatrisexponentialfunktionen
U.U.D.M. Project Report 206:2 Matrisexponentialfunktionen Neda Farzaneh Examensarbete i matematik, 5 hp Handledare: Martin Herschend Examinator: Jörgen Östensson Juni 206 Department of Mathematics Uppsala
Läs merSF1625 Envariabelanalys Tentamen Lördagen den 11 januari, 2014
SF65 Envariabelanalys Tentamen Lördagen den januari, 04 Skrivtid: 9:00-4:00 Tillåtna hjälpmedel: inga Examinator: Bengt Ek, Maria Saprykina Tentamen består av nio uppgifter som vardera ger maximalt fyra
Läs merVektorgeometri för gymnasister
Vektorgeometri för gymnasister Per-Anders Svensson http://homepage.lnu.se/staff/psvmsi/vektorgeometri/gymnasiet.html Fakulteten för teknik Linnéuniversitetet Diagonalisering av linjära avbildningar III
Läs merStokastiska Processer
Kapitel 3 Stokastiska Processer Karakteristisk funktion: Den karakteristiska funktionen φ ξ : R n C för en R n -värd s.v. definieras för t R n. φ ξ (t) = E{e iπ(t ξ +...+t nξ n) } = E{e iπtt ξ } Den karakteristiska
Läs merLinjär Algebra, Föreläsning 9
Linjär Algebra, Föreläsning 9 Tomas Sjödin Linköpings Universitet Euklidiska rum Vi ska nu införa en extra struktur på vektorrum, en så kallad skalärprodukt, vilken vi kan använda för att definiera längd
Läs merFöreläsning 7: Stokastiska vektorer
Föreläsning 7: Stokastiska vektorer Johan Thim johanthim@liuse oktober 8 Repetition Definition Låt X och Y vara stokastiska variabler med EX = µ X, V X = σx, EY = µ Y samt V Y = σy Kovariansen CX, Y definieras
Läs mer1 Grundläggande kalkyler med vektorer och matriser
Krister Svanberg, mars 2015 1 Grundläggande kalkyler med vektorer och matriser Trots att läsaren säkert redan behärskar grundläggande vektor- och matriskalkyler, ges här i Kapitel 1 en repetition om just
Läs merVi definierar addition av två vektorer och multiplikation med en reell skalär (tal) λλ enligt nedan
ORTOGONALA VEKTORER OCH ORTONORMERADE (ORTONORMALA) BASER I R n INLEDNING ( repetition om R n ) Låt RR nn vara mängden av alla reella n-tipplar (ordnade listor med n reella tal) dvs RR nn {(aa, aa,, aa
Läs merx(t) I elimeringsmetoden deriverar vi den första ekvationen och sätter in x 2(t) från den andra ekvationen:
Differentialekvationer II Modellsvar: Räkneövning 6 1. Lös det icke-homogena linjära DE-systemet ( ( 0 e x t (t = x(t + 1 3 e t med elimineringsmetoden. Lösning: den explicita formen av DE-systemet är
Läs merSF1901: Sannolikhetslära och statistik
SF9: Sannolikhetslära och statistik Föreläsning 3. Stokastiska variabler, diskreta och kontinuerliga Jan Grandell & Timo Koski 8.9.28 Jan Grandell & Timo Koski () Matematisk statistik 8.9.28 / 45 Stokastiska
Läs merVi ska här utgå ifrån att vi har en aktie och ska med denna som grund konstruera tre olika optionsportföljer.
STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd för Matematisk statistik TH FINANSMATEMATIK I, HT 01 KOMPLEMENT DAG 12 Version 01 12 10 TRE OPTIONSSTRATEGIER Vi ska här utgå ifrån att vi har en aktie
Läs merUpphämtningskurs i matematik
Upphämtningskurs i matematik C.J. 2013 Föreläsningsunderlaget är uppbyggt utgående från kurserna i den långa gymnasiematematiken, ellips-kursböckerna (Schilds förlag) har använts som förebild. Böckerna
Läs merInduktion, mängder och bevis för Introduktionskursen på I
Induktion, mängder och bevis för Introduktionskursen på I J A S, ht 04 1 Induktion Detta avsnitt handlar om en speciell teknik för att försöka bevisa riktigheten av påståenden eller formler, för alla heltalsvärden
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 4 7 november 2017 1 / 29 Idag Förra gången Viktiga kontinuerliga fördelningar (Kap. 3.6) Fördelningsfunktion (Kap. 3.7) Funktioner av stokastiska
Läs merNågra viktiga satser om deriverbara funktioner.
Några viktiga satser om deriverbara funktioner Rolles sats Differentialkalkylens medelvärdessats (=) 3 Cauchys medelvärdessats Sats Om funktionen f är deriverbar i en punkt x 0 så är f kontinuerlig i samma
Läs mer