Amerikanske optioner og nansielle beregninger

Størrelse: px
Starte visningen fra side:

Download "Amerikanske optioner og nansielle beregninger"

Transkript

1 Amerikanske optioner og nansielle beregninger 1 Amerikanske optioner og nansielle beregninger Rolf Poulsen Med den hårdtarbejdende redaktions egne ord så tilstræbes det, at artikler i FAMØS henvender sig til alle på IMF (ansatte og studerende). Jeg vil dog straks begrænse nærværende skriverier til den delmængde af førnævnte, der opfylder mindst en af følgende ikke-disjunkte betingelser: (a) har et åbent sind, (b) har haft Fin1, (c) har læst Lando (1999). Hovedresultatet i bemeldte fortrinlige artikel kan fortælles bemærkelsesværdigt kort i arbitrageprisfastsættelsesteoriens første 1 hovedsætning: En nansiel model (π, δ, r) (priser, dividender, rente) på den stokastiske basis (Ω, {F t } t=0,1,...,t, P ) (udfaldsrum, ltrering, sandsynlighedsmål) er arbitragefri, hvis og kun hvis den har et ækvivalent martingalmål Q (risiko-neutralt mål). Et centralt element i en videnskabelig artikel er at placere sig i forhold til litteraturen. Denne er ingen undtagelse. Men de friere tøjler tillader mig at forstå litteratur på samme måde som folk udenfor den akademiske verdens beskyttede værksted. Nemlig som litteratur: I viktorianske kriminalromaner afsløres i det sidste kapitel, hvor obersten, de uvorne børn, gammeljomfruerne mv. er 1 Som ordenstalsbetegnelsen indikerer, er der også en hovedsætning nummer to. Den siger, at en arbitragefri model er komplet, hvis og kun hvis Q er entydigt. Fra et praktisk synspunkt er dette mere vigtigt, da det fortæller at enhver (ny) kontrakt kan replikeres. Den har derfor kun en eneste fornuftig pris. De konkrete modeller, vi møder i denne artikel, er komplette. Men beregningsmæssige teknikker og trick er ofte uahængige af hvilket af de måske mange martingalmål, man benytter. Der er ikke nogen almindeligt accepteret tredje eller højere hovedsætning.

2 2 Amerikanske optioner og nansielle beregninger forsamlet i biblioteket, hvordan og hvorfor butleren gjorde det. På samme måde vil jeg tilsidst afsløre, hvad amerikanske optioner burde blive kaldt. Undervejs skal vi så grueligt meget igennem, dvs. jeg kommer ind på en række emner fra min forskning. Med en karikeret '70-formulering siger det enormt meget om samfundet. Holdbarheden af litteratur med dette som hovedmål har vist sig tvivlsom. Jeg lader det være op til læseren, om det bliver bedre eller værre, hvis man som overordnet princip søger at bytte litteratur ud med forskning. Arbitragefri prisfastsættelse: tænk globalt, regn lokalt Først omskriver vi den globale denition af et martingalmål fra Lando (1999) til en lokal karakterisation. Vi betragter et vilkåligt 2 aktiv med en givet dividende-proces δ tilpasset vores ltrering og lader angive diskontering med det lokalt riskofrie aktiv, dvs. division med R 0,t = (1 + r 0 ) (1 + r 1 )... (1 + r t 1 ), hvor r er den muligvis stokastiske korte rente. I en arbitragefri model skal aktivets prisproces, π, opfylde π(t) = E Q t = E Q t T j=t+1 ( δ(t + 1) R 0,t+1 δ(t) ) + E Q t E Q t+1 T j=t+2 δ(t), } {{ } = π(t+1) 2 Arbitrært kunne man sige, men det ord er belastet i netop denne sammenhæng. Famøs skabelon

3 Rolf Poulsen 3 hvor vi har brugt reglen om itererede forventninger (eller: tårnegenskaben) og linearitet af betinget forventning. Heraf får vi ved brug af denitionen af R-processen specielt at R 0,t+1 er F t - målelig at π(t) = 1 E Q t (π(t + 1) + δ(t + 1)). (1) 1 + r t Denne lokaliserede ligning (t på venstresiden, kun t + 1 på højresiden) er overmåde nyttig. Den er hjertet i eektive beregninger i modeller med Markov-struktur, den fortæller, hvordan vi håndterer dividendebetalinger og stokastiske renter, 3 og den er central for at forstå, hvordan amerikanske optioner prisfastsættes. Amerikanske optioner: mere subtilt end som så? En europæisk option giver dens ejer ret, men ikke pligt, til at gøre et eller andet på et (eneste) på forhånd fastlagt tidspunkt T (med svag misbrug af notation). Som regel er valget trivielt, og vi siger derfor blot, at ejeren modtager beløbet g(s(t )) på tidspunkt T, hvor g er payo-funktionen. Fx er g(x) = max(k x, 0) =: (K x) + for en strike-k put-option, 4 hvor ejeren har ret, men ikke pligt, til sælge det underliggende aktiv til prisen K. For en amerikansk option vælger ejeren selv, hvornår optionen skal indfries, lad os kalde tidspunktet τ, hvorefter han (straks) modtager g(s(τ)). Ordene amerikansk og europæisk har her ingen 3 En fordel ved den diskrete ramme er, at vi får det hele i et hug; studerende i FinKont-kurser kan skrive under på, at så let går det ikke altid. 4 Hvis det underliggende aktiv ikke udbetaler dividender i optionens løbetid (og renten er positiv), så er det aldrig optimalt at indfri en amerikansk call-option førtidigt. Derfor er put-optionen det gennemgående eksempel her.

4 4 Amerikanske optioner og nansielle beregninger geogrask betydning; vi kunne ligeså godt kalde optionerne orange eller varmforzinkede. 5 Ejeren af en (endnu ikke indfriet) amerikansk option skal hele tiden overveje, om hans option er mere værd død end i live. Hvis han undlader at indfri og derved holder optionen i live, så får han et lignende valg i næste periode. Optionsejeren gør, hvad der er mest fordelagtigt, og oversat til ligninger giver det en dynamisk programmeringsformulering eller Bellman-ligning for prisen, π A, på en amerikansk option: { } π A 1 (t) = max g(s(t)), E Q t 1 + r (πa (t + 1)). (2) t Jeg håber ovenfor at have kommunikeret det intuitivt rimelige i ligning (2), og som vi om lidt vil se, er det kodningsmæssigt lettere gjort end sagt. Men matematisk/teoretisk er det mere subtilt. Thi: Hvis det er 1. led på højresiden i (2) (kaldet indfrielsesværdien; 2. led kaldes tidsværdien), der er størst, så strider det lodret imod ligning (1). Ups. Der, hvor kaninen forsvinder ned i hatten, er at (1) udtaler sig om priser for aktiver, hvis betalinger er givet på forhånd. Men altså igen: givet som tilpasset stokastisk proces, dvs. når et træ repræsenterende informationsstrukturen er blevet lavet, så kendes aktivets betalinger i hver eneste knude. For en amerikansk option har ejeren derimod en yderst ikke-triviel indvirkning på betalingsprocessen. Ikke desto mindre kan man vise, at (2) vitterlig giver den eneste arbitragefri amerikanske options- 5 En historie fortæller, at den (amerikanske) økonom Paul Samuelson som den første brugte betegnelsen amerikansk om optioner med førtidige indfrielsesrettigheder. Han gjorde det for at signalere noget bedre, noget mere avanceret. Selveste internettet har dog været ude af stand til at bekræfte den historie, så... Famøs skabelon

5 Rolf Poulsen 5 S0<-100; r<-0.03; alpha<-0.07; sigma<-0.20 expiry<-1; strike<-100 n<-expiry*252; dt<-expiry/n u<-exp(alpha*dt+sigma*sqrt(dt)); d<-exp(alpha*dt-sigma*sqrt(dt)) R<-exp(r*dt) q<-(r-d)/(u-d) S<-put<-matrix(0,nrow=(n+1),ncol=(n+1)) put[,n+1]<-pmax(strike-s0*u^(0:n)*d^(n:0),0) for (i in n:1) { for (j in 1:i){ S[j,i]<-S0*u^(j-1)* d^(i-j) put[j,i]<-max(max(strike-s[j,i],0), (q*put[j+1,i+1]+(1-q)*put[j,i+1])/r) } } Tabel 1 R-kode med en naturlig algoritme til prisfastsættelse af en amerikansk put-option. For at prisfastsætte den europæiske option fjernes den kursiverede del af koden. Koden under stregen vil senere rykke ud for at forøge beregningshastigheden. Koden ligger i pris. 6 Det kræver en udugt til optimale stoppetider, hvilket gøres glimrende i kapitel 2 i Lamberton & Lapeyre (1996). Og i Fin2. Amerikanske optioner: nemmere gjort end sagt For at illustrere, hvordan man faktisk regner amerikanske optionspriser ud, lad os da trække en arbejdshest af stalden: standardbinomialmodellen, som vist i Figur 1. Her udvikler aktiekursen sig 6 En anden detalje, der afsløres, når man arbejder sig igennem beviset for (2), er at vi rettelig burde sige, at π A (t) er tid-t prisen på den amerikanske option givet den endnu ikke er blevet indfriet.

6 6 Amerikanske optioner og nansielle beregninger som S(t + t) = S(t) { exp(α t + σ t) =: u m/ ssh 1 2 exp(α t σ t) =: d m/ ssh 1 2, hvor α og σ er konstanter. Aktieafkastenes spredning bestemmes af σ, der kaldes volatiliteten. Igen har vi foretaget en subtil udvidelse af modelrammen: Vi kan ikke blot variere antallet af skridt, men også og uafhængigt heraf tidsskridtlængden t. Man kan spørge, hvorfor tidsskaleringen er som den er; specielt hvorfor ±σ t modellerer usikkerheden. Det vil dog føre for vidt at komme ind på det her, men tro mig: Det er det. 7 Vi antager, renten er konstant og parametriserer diskonteringsfaktoren som R 0,t = R t/ t, hvor R = e r t. Den betingede Q-op-sandsynlighed er den samme i alle knuder, q = R d u d. Taylor-udvilker man q i t ser man, at led af formen σ t dominerer for små tidsskridt (hvor t t). Kombineres det med en tilpas kraftig version af den centrale grænseværdisætning, se kapitel 7 i Lando & Poulsen (2006), kan vise man, at α asymptotisk ingen eekt har på optionspriser og derfor ofte udlades. Sandsynlighedsteoretikere kan skimte Girsanovs sætning her. Tabel 1 giver en R-implementation af en naturlig algoritme til udregning af prisen på en amerikansk put-option. R er et open source programmeringssprog, det kan downloades fra og er uhyre nemt at installere. Som noget meget nyttigt ifm. 7 En indikation af rimeligheden kan man få således: Benyt empiriske horisont-h log-afkast, A h (t) = ln(s(t )/S(t h t)), til at estimere α og σ. Foretag estimationen for forskellige horisonter, h, og se, at α og σ er nogenlunde upåvirkede heraf. Famøs skabelon

7 Rolf Poulsen 7 aktiekurs, S(t) tid, t Figur 1 Aktiekursgitter for standardbinomialmodellen (med 10 tidsskridt og iøvrigt parametre som i Tabel 1). De fede knuder (og aht. graske udtryk: linjerne, der forbinder dem) angiver den kritiske indfrielsesgrænse for en amerikansk strike-100 put-option: Første gang aktiekursen falder til dette niveau, indfries optionen. forskningssamarbejde eller projektvejledning, så er R-kode meget transportabel. Man kan køre hinandens programmer uden den udvidede eksamen som systemadministrator. R har stærke statistik-værktøjer (med en bred fortolkning af statistik, der inkluderer fx lineær algebra og grak) og minder syntaksmæssigt om Matlab. Det er, hvad dataloger kalder et domain-specic language (DSL); det retter sig imod brugere, der skal løse bestemte typer opgaver, og har så nyttig funktionalitet hertil indbygget. Modsætningen til DSL er general-purpose languages (GPL) som fx C++,

8 8 Amerikanske optioner og nansielle beregninger Java eller Python. Jeg kalder som regel DSL for højniveau-sprog og GPL for lavniveau-sprog. Datalogiske pedanter kan sikkert give grunde til, at jeg ikke burde gøre det. I prisfastsættelsesalgoritmen trævler vi os rekursivt baglæns fra det senest mulige slutidspunkt, idet vi hele tiden udnytter, at vi netop har beregnet (t + 1)-elementet i ligning (2). Udvidelsen ift. prisfastsættelse af den europæiske option beløber sig til en halv linjes kode. Førtidig indfrielse af put-optionen sker for lave aktiekurser. For ethvert (tilstrækkeligt stort) tidspunkt, t i, ndes i gitteret et maksimalt tid-t i aktiekursniveau, S (t i ), således at for aktiekurser under S (t i ) indfries optionen. Kurven t S (t) kaldes den kritiske indfrielsesgrænse, en illustration ses i Figur 1. 8 Den optimale strategi for optionsejeren der ikke kan se ind i fremtiden er at indfri optionen første gang, den kritiske indfrielsesgrænse rammes. Som beregnere bevæger vi os altså fra højre mod venstre i gitteret, som optionsejere fra venstre mod højre. Amerikanske optioner: rettidig omhu i regnerier Der er en række måder at forbedre beregningstiden for den naturlige algoritme i Tabel 1: 1. Hav nyeste version installeret. For anstændig software sker der ofte forbedringer bag scenen, dvs. skjult for slutbrugeren, og de har positiv indvikning på tidsforbruget. Her betød et 8 Den opmærksomme læser ser, at vi på indfrielseskurven har tegnet punktet (udløbstid, strike) (eller: (T, K)) skønt dette ikke er et gitterpunkt. Man får glattere konvergens (for t 0) af (specielt europæiske) optionspriser, hvis man (ved valg af skridtlængde) sikrer, at K altid ligger på et gitterpunkt. Den rene af sind påpeger det inkonsistente i at bruge modeller for det underliggende aktiv, der afhænger af den option, man skal prisfastsætte. Yeah, well... Famøs skabelon

9 Rolf Poulsen 9 qur<-q/r; qdr<-(1-q)/r; u.pow<-u^(0:n); d.pow<-d^(0:n) S<-S0*u.pow[1:(n+1)]*d.pow[(n+1):1] ; put<-pmax(strike - St,0) for (i in n:1) { S<-S0*u.pow[1:i]*d.pow[i:1] put[1:i]<-pmax(strike-s,(qur*put[2:(i+1)]+qdr*put[1:i])) } Tabel 2 Hastighedsforbedret kode til prisfastsættelse af en amerikanske put-option. Koden ovenfor erstatter koden under stregen Tabel 1, skift fra R til R omtrent en halvering af kørselstiden. 2. Undgå unødvendige beregninger. Flyt så mange funktionskald som muligt udenfor løkker. Her gav det en ca. 10% forbedring af kørselstiden. Dimensionér i videst muligt omfang vektorer og matricer på forhånd. Højniveau-sprog tvinger typisk ikke brugeren til dette. Det kan være behageligt, da det ligger i numeriske metoders natur, at mange ting først bliver kendt, efterhånden som programmet løser ens opgave. Men der kan være tid at spare. ET konkret R-eksempel: Skriver man skriver cbind inde i en løkke, skal en rød lampe lyse. 3. Brug indbygget funktionalitet. Her specielt: Udnyt R's evne til at arbejde med vektorer og matricer, undgå elementfor-element-operationer. 9 Her nedbringer det beregningstiden med omkring en faktor 7. 9 Ikke alle funktioner virker på er-dimensionale objekter på den måde, du måske tror/håber. Lad fx x være en vektor og sammenlign max(x,0) med pmax (x,0). Eller lad X og Y være matricer og sammenlign X*Y med X%*%Y.

10 10 Amerikanske optioner og nansielle beregninger 252 skridt R-kode C++-kode Metode Tid (ms) Metode Tid (ms) Windows; Tabel 1; R Visual Studio; Tabel 1 9 Windows; Tabel 1; R Visual Studio; Tabel 2 1,5 Windows; Tabel 2; R Windows; Tabel 2; R Linux; Tabel 1; R (fys., p) 458 (fys., o-p) 260 GNU g++ ; Tabel 1 35 (CPU, p) 126 (CPU, o-p) 119 GNU g++ ; Tabel 2 6,0 Linux; Tabel 2; R (fys., p) 209 (fys., o-p) 57 (CPU, p) 55 (CPU, o-p) 51 Europæisk B/S-formel 0, B/S-sim. ± 0,3% Tabel 4 stier ± 1,4% (30 252) skridt R-kode C++-kode Metode Tid (s) Metode Tid (s) Windows; Tabel 1; R Visual Studio; Tabel 2 2,3 GNU g++ ; Tabel 2 12 Windows; Tabel 2; R ,8 Tabel 3 Beregningstider for algoritmer til prisfastsættelse af en amerikansk put-option i standarbinomialmodellen. Parametrene er som angivet i Tabel 1. Al kode ndes i ~rolf/famoes. Windows-kørslerne er foretaget på en Intel P8700 Core2Duo CPU med 2.5 GHz og 3 GB RAM. Eller mere forståeligt: På min et par år gamle computer, der da den var ny, var ret kraftig af en bærbar at være. Linux-kørslerne er fra IMF's Shannon-server, og her indikerer p/o-p om kørslen skete på et travlt tidspunkt eller ej (peak/o-peak). Famøs skabelon

11 Rolf Poulsen 11 I de meget læseværdige Higham (2002) og Eddelbuettel (2009) kan man nde mere. Køreklar R-kode ses i Tabel 2. Man kan rettelig mene, at ovenstående liste mangler et punkt: 0. Kommenter/dokumenter dine programmer. Lad os sige grunden til, at det ikke er gjort her, er hensynet til det typograske udtryk. Selv Schrödinger kunne ikke svinge en måske død kat i Tabel 3 uden at ramme en beregningstid. Allerførst ser vi, at med de forholdsvis simple justeringer nævnt ovenfor, falder tiden, det tager at udregne prisen på en 1-årig amerikansk put-option i en standardbinomialmodel med daglige skridt ( t = 1/252), fra 750 til 15 millisekunder, dvs. med en faktor 15. Der er beregningstider både fra en (Windows-)PC og fra IMF's (Linux-)server Shannon. Når man skal dele regnekraften med andre, så er der forskel på den tid, det fysisk tager at køre programmet, og den tid, det ville have taget, hvis man havde tingene for sig selv (CPU-tiden). Der kan derfor være tydelige fordele (her en faktor 4) ved at køre sine programmer udenfor spidsbelastningsperioder, dvs. om natten og i weekenden. En skeptiker kunne nu sige: Ja, jo, men er det besværet værd? Forbedringen er jo mindre end et sekund. Til det behøves bare henvises til nedre del af Tabel 3. Her beregnes en amerikansk optionspris for en 30-årig option i en model med daglige skridt; skal man eksempelvis prisfastsætte konverterbare realkreditobligationer, så er det en relevant problemstørrelse. 10 Her tager Tabel 2- koden omkring 7 sekunder, mens tidsforbruget for Tabel 1-koden er 10 minutter. 11 Så er forskellen pludselig til at få øje på, når man 10 Som den engelske komiker Andy Zaltzman plejer at sige i den fremragende og stærkt vanedannende podcast The Bugle: That's a lie, but my point stands. 11 Antallet af knuder i et binomialgitter vokser kvadratisk i antallet af tidsskridt. Man ville derfor forvente, at en 30-årig option tog 30 2 = 900 gange så

12 12 Amerikanske optioner og nansielle beregninger sidder foran computeren. Og hvis man så ikke-spor-hypotetisk (se Pedersen, Weissensteiner & Poulsen (2011)) skal udregne ikke 1, men priser, der skal indgå i et dynamisk porteføljevalgsproblem, så kan den ene beregning køres over en nat, mens den anden tager en måned. Så selv med dagens computere kan beregningstid blive en askehals. Det betyder, at der er al mulig grund til forske i forbedrede berergningsmetoder. En ide er, naturligvis, at man med blyant og papir leder efter lukkede formler. Det kan give dramatiske hastighedsforøgelser; eksempelvis ser vi i Tabel 3, at det kun tager 0,04 millisekund at udregne en optionspris fra Black-Scholes-formlen (der dog kun virker for europæiske optioner). En anden mulighed er at formulere sine prisfastsættelsesproblemer vha. partielle dierentialligninger og så angribe dem numerisk. Binomial-metoden kan ses som en numerisk løsningsmetode, men som sådan er den en absolut letvægter, der ndes væsentligt bedre teknikker. En tredje tilgangsvinkel er Monte Carlo-simulationsteknikker, eller i min forskningsverden blot: simulation. Dette er en bred betegnelse for beregningsmetoder, hvor tilfældige tal samt asymptotiske resultater som fx store tals lov spiller en stor rolle. Monte Carlo henviser så til casinoet sammesteds, 12 hvor der er masser af tilfældige udfald men hvor vi godt ved, hvordan det går i det lange løb. Simulation er som udgangspunkt langsomt. Tabel 3 viser, at for at ramme en lang tid at prisfastsætte som en 1-årig. For den naturlige metode passer det så godt, som det nogenlunde kan. Den 30-årige optimerede R-kode er noget hutigere end "forventet", 6, 8 < 13, 5 = 0, ; det skyldes at de 15 millisekunder inkluderer nogle faste beregningsomkostninger eksempelvis til kompilering. C++-koden taber omvendt hastighed, 2, 3 > 1, 35 = 0, Grunden er ikke helt klar for mig, måske ekstra omkostninger til hukommelsesallokering ifm. lange vektorer. 12 For administrative feinschmeckere er Monte Carlo et kommunaldisktrikt i fyrstendømmet Monaco. Famøs skabelon

13 Rolf Poulsen 13 europæisk put-optionspris indenfor 1% skal der omkring en halv million udfald til. Det tager nogle hundrede millisekunder. Og det kræver endda, at man kan simulere S(T ) direkte, dvs. ikke skal lave sti-vise beregninger. Skal man det, så eksploderer beregningstiden. Den simulationsbaserede amerikanske optionsprisfastsættelseskode fra Tabel 4 tager millisekunder. (Og den regner ikke engang det rigtige ud, men det har ikke noget med hastigheden at gøre.) Simulationsmetoders styrke ligger i deres alsidighed; mange mere komplicerede modeller og problemstillinger har de let ved at håndtere. Og ofte 13 er det vigtigere at have et approksimativt svar på det rigtige spørgsmål, end et ultra-præcist svar på et forkert spørgsmål. En fjerde mulighed er at skifte hest ved at programmere prisfastsættelsesalgoritmerne i et lavniveau-sprog; C++ er den nansielle sektors foretrukne. Det stiller større krav til programmeringsfærdigheder, men belønningen skulle gerne være forøget hastighed; brugervenlighed i interfacet og ekstra funktionalitet koster. Algoritmerne fra Tabel 1 og 2 er stort set bare løkker indeni hinanden, så de er nemme at implementere i C++. I højre søjle i Tabel 3 ses beregningsstider. Man opnår en tydelig forbedring (under Windows er det 15 vs. 1,5 millisekunder for en 1-årig option og 6,8 vs. 2,3 sekunder for en 30-årig option). Men det gode højniveausprog er ikke håbløst bagud. Sammenlignes en naiv implementering (ala Tabel 1) i Microsofts Visual Studio-miljø med den optimerede R-kode, så er forskellen blot 10 vs. 15 millisekunder for 1-årige optioner. For 30-årige optioner er R-kodens tider en faktor 3 fra C++-kodens. Meget groft sagt er beregningstidsforbedrin- 13 Man kan mene, at ofte burde være altid. Det synspunkt afspejles dog ikke udpræget i vore uddannelser.

14 14 Amerikanske optioner og nansielle beregninger gen altså her halvanden størrelsesorden 14 ved, at man tænker sig om indenfor R, og en halv størrelsesorden ved, at man skifter R ud med C++. Så det er ikke en datalogisk dødssynd, at lade det afhænge af situationen, 15 om man skønner det umagen værd at bruge C++. I sådanne overvejelser er et realistisk forhold til egne programmeringsevner tilrådeligt. Amerikanske optioner og simulation: hvordan ikke og hvordan så? Et af de store forsknings- og anvendelsesområder indenfor kvanititativ nansierngsteori de seneste 10 år har været brugen af simulation til prisfastsættelse af amerikanske optioner. Det folkelige gennembrud kom med Longsta & Schwartz (2001). Denne artikel var dog langt fra den første, der kombinerede amerikanske optioner og simulation. Forfatterne til eksempelvis Carriere (1996), Broadie & Glasserman (1997) og Andersen (1999) kan med en vis ret mugge over, at have fået stjålet rampelyset. Jeg tror en meget vigtig grund til, at det er Longsta & Schwartz (2001), der løber med citationerne, er at forfatterne turde bruge selv i et af de mest prestigefyldte tidsskrifter de første 10 sider til detaljeret at gennemgå et simpelt taleksempel; 3 perioder, 8 stier, alle kan være med. Men inden jeg når til Longsta og Schwartz' (simulation-regression)-ide, vil jeg først forklare, hvorfor det er 14 Med det bevidst løse begreb størrelsesorden mener jeg noget ala tipotens til forskel, så faktor 10 er en størrelesorden, faktor 100 er to, og faktor er en halv. 15 Et sted det er umagen værd at bruge C++, eller ihvertfald at kalde kompileret kode fra R, er ved løsning partielle dierentialligninger med dierensmetoder. Famøs skabelon

15 Rolf Poulsen 15 Nsim< DiscPayoff<-rep(0,Nsim) S<-rep(S0,(n+1)) for (j in 1:Nsim){ UpMoves<-cumsum((runif(n) < q)) S[2:(n+1)]<-S0*u^UpMoves*d^((1:n)-UpMoves) SnellZ<-gS<-pmax(strike-S,0) for (i in n:1) SnellZ[i]<-max(gS[i],R*SnellZ[i+1]) tau.index<-dummy[snellz==gs][1] DiscPayoff[j]<-disc^((tau.index-1))*gS[tau.index] } print(c(mean(discpayoff), 1.96*sd(DiscPayoff)/sqrt(Nsim))) Tabel 4 En simulationsalgoritme, man kunne tro, udregner den amerikanske put-optionspris. Men det gør den ikke. overraskende og langt fra oplagt, at det overhovedet kan lade sig gøre. Til det formål vil jeg vise, hvordan man ikke skal gøre. Der er andre måder end ligning (2) at karakterisere den amerikanske optionspris på. I den sammenhæng er stoppetider vigtige. Denitionen er (her) simpel: en stoppetid, τ, er en stokastisk variabel, der tager værdier i mængden {0, 1,..., T } for hvilken hændelsen {τ n} er F n -målelig for ethvert n. Intuitivt betyder det, at på tid n ved vi, om vi er stoppet eller ej. Den amerikanske optionspris kan repræsenteres som løsningen til det optimale stoppetidsproblem π A (0) = max τ T EQ ( e rτ g(s(τ)) ), (3) hvor T er mængden af alle stoppetider. Og det lyder jo rimeligt nok; vi stopper, så vi (i forventning og diskonteret) får mest muligt ud af vores option. Det optimale tidspunkt at stoppe, τ, er τ = min{t g(s(t) = V (t)}, (4)

16 16 Amerikanske optioner og nansielle beregninger hvor den såkaldte Snell-foldning V er deneret rekursivt baglæns ved V (T ) = g(s(t )) og V (t) = max{g(s(t)), e r t E Q t (V (t + t))}. (5) Igen: Det lyder rimeligt nok. Ligningen ovenfor er jo stort set (2), og vi kan vel ligeså godt stoppe første gang, det ikke kan blive bedre. Man kan nu forsøge regne på (3)-(5) med denne algoritme: 1. Simuler N aktiekurs-stier hver med n skridt, {S j (t i )} n i=0, hvor t = T/n, t i = i t og j-indekset angiver sti-nummeret. 2. Udregn foldningen som V j (t i ) = max { g(s j (t i )), e r t V j (t i+1 ) }. 3. Brug τ j = min {t i V j (t i ) = g(s j (t i ))} som indfrielsestidspunkt for sti j. 4. Udregn gennemsnittet over mange stier (j) af e rτ j g(s j (τ j )) og brug det som estimat for den amerikanske optionspris. Algoritmen er implementeret som R-kode i Tabel 4. I Tabel 5 sammenlignes beregnede priser. Simulationsalgoritmen ovenfor giver en pris, der er omtrent dobbelt så stor som den korrekte amerikanske put-optionspris. Ups. Så hvad er der galt? Fejlen ligger i algoritmens 2. skridt, foldningsudregningen. Her er den betingede forventningsoperator fra ligning (5) forsvundet. Beregningen af foldningen bruger derfor fremtidig information, hvorved det fundne indfrielsestidspunkt matematisk set ikke er en stoppetid. Et par faktorer gør en fejlagtig implementation som denne svær at fange. For det første er den forkerte pris ikke åbenlyst forkert; om 6,74 eller ca. 13 er det rigtige tal, er ikke umiddelbart oplagt. Det betyder så på positiv-siden, at en pris udregnet med den Famøs skabelon

17 Rolf Poulsen 17 Optionstype Algoritme Pris (± konf'bånd) Eu. put 6,46 Am. put Tabel 1 6,74 Am. put (misforstået) Tabel 4 13,0 ±0, 2 Am. put L & S (2001)-sim. 6,7 ±0, 2 Tabel 5 Den amerikanske put-option forsøgt prisfastsat med algoritmen og parametrene fra Tabel 1 (korrekt), med algoritmen fra Tabel 4 (forkert) og med simulationsmetoden fra Longsta & Schwartz (2001) (appoksimativt korrekt; der bruges 2.-gradspolynomier i regressionerne). Ved at tillægge eller fratrække tallet angivet med ± fås 95%-kondensintervallet for prisestimaterne opnået ved simulation. slags fuld forudsigelighed er en ikke-triviel øvre grænse for værdien af den amerikanske option. I mere avancerede sammenhænge kan den korrekte optimale indfrielsesstrategi være meget vanskelig at beregne, men den øvre grænse nem. I kapitel 3 i Rasmussen, Madsen & Poulsen (2011) bruges det til at nde øvre grænser for konverteringsgevinster i realkreditmarkeder, og folk snedigere end os bruger ideen i såkaldte primal-dual-simulationer. For det andet er foldningsberegningen lokaliseret, den involverer kun t i og t i+1 så man ved første øjekast ikke ser ret langt ind i fremtiden men altså alligevel nok til at tingene bryder sammen. Lad os nu se på, hvad man så kan gøre. Vi beholder vores N simulerede aktiekurs-stier, zoomer ind på et tidspunkt t i og antager i den baglæns rekursive tradition, at alt t i+1 -relevant allerede er beregnet. Markov-egenskaben fortæller os, at tidsværdien af op-

18 18 Amerikanske optioner og nansielle beregninger tionen har den funktionelle form E Q t i (π A (t i+1 )/R) =: f ti (S(t i )). Langs sti j kender vi det rette argument, tallet S j (t i ), problemet er, at vi ikke kender funktionen f ti. Det er en betinget forventet værdi, så vi kunne prøve at starte N nye simulerede stier fra S j (t i ). Men for hver af dem ville vi på tid t i+1 skulle starte nye stier osv. hele vejen ud til tid T. Vi ender med at have noget ala N n stier (fx ), og det jo ikke til at have med at gøre. 16 Men vi kan jo prøve med et gæt eller en approksimation til f ti 's form, fx kvadratisk f ti (x) = a 0 + a 1 x + a 2 x 2, hvor a'erne er ukendte koecienter, som vi vil estimere. (De budre egentlig have t i 'er på, men det er sent i artiklen...) Vi opfatter nu næste periodes (diskonterede) faktisk realiserede optionsværdi π A j (t i+1)/r (husk: det tal har vi beregnet, da vi arbejder rekursivt baglæns) som et signal om tidsværdien. Det gør vi for alle stier og kombinerer det med den postulerede funktionelle form af f ti, så vi får ligningerne π A j (t i+1 )/R = a 0 + a 1 S j (t i ) + a 2 S 2 j (t i ) + ɛ j for j = 1,..., N, hvor ɛ j 'erne er fejlled. Vi kan nu estimere a'erne ved lineær regression, her specikt â = 1 R (X X) 1 X π A (t i+1 ), hvor X er en matrix med indgange X j,k = Sj k 1 (t i ) for j = 1,..., N og k = 1, 2, 3. Det er denne regression på tværs af stier, der sikrer, at fremtidige værdier ikke udnyttes på en ulovlig 16 Sådanne nested simulations er ikke helt så fjollede, som jeg her får dem til at se ud. Men beregningsmæsssigt dyre er de altid. Famøs skabelon

19 Rolf Poulsen 19 måde. For at forstå forskellen til det første simulationsforsøg kan man gøre sig følgende tankeeksperiment: I næstsidste periode har to simulerede stier begge aktiekursen 98. For den ene sti slutter aktiekursen i 102, for den anden i 97. I snyde-algoritmen indfries strike-100 put-optionen for den første sti (venter man får man 0; bedre at få 2 nu), men ikke for den anden (venter man får man 3 isf. 2 nu). Brugen af den estimerede funktionelle form af tidsværdien sikrer, at man for stier med samme aktiekurser træer de samme indfrielsesbeslutninger. Som tid-t i optionsværdi(estimat)er bruger vi π A j (t i ) = max ( (K S j (t i )) +, ) 3 X j,k (t i )â k, vi estimerer det kritiske niveau for indfrielse som S (t i ) = max{x K K x = f ti (x)}, og vi er klar til at fortsætte videre baglæns til tidspunkt t i 1. Der er et par ekstra julelege i Longsta og Schwartz' fulde algoritme (fx at man kun bruger in-the-money-stier i regressionen), som gør koden for omfattende til at blive gengivet her, men den kan ndes samme sted som artiklens øvrige programmer. Sidste linje i Tabel 5 viser, at selv med den nok noget friske kvadratiske approksimation til optionens tidsværdi, så ligger den beregnede amerikanske put-optionspris ganske tæt på den (i binomialmodellen entydigt) sande værdi; 6,7 ± 0,2 ift. 6,74. En grund til dette er den forholdvis tilgivende natur af problemet: Vi skal nde det kritiske niveau, hvor vi skal indfri vores option. Det er netop der, hvor værdien af at indfri er den samme som af at holde optionen i live. Mindre fejltagelser er derfor næppe katastrofale. k=1

20 20 Amerikanske optioner og nansielle beregninger Hvorfor amerikanske optioner burde blive kaldt Kierkegaard-optioner Søren Kierkegaard skrev, at livet leves forlæns, men forstås baglæns. Det beskriver præcis situationen for amerikanske optioner: Vi bestemmer den optimale indfrielsesstrategi (og samtidig prisen) rekursivt baglæns, men må som ejere af en amerikansk option følge strategien forlæns i tid uden at kunne se ind i fremtiden. Litteratur Andersen, L. (1999), `A simple approach to the pricing of Bermudan swaptions in the multifactor LIBOR market model', Journal of Computational Finance 2, 532. Broadie, M. & Glasserman, P. (1997), `Pricing American-Style Securities by Simulation', Journal of Economic Dynamics and Control 21, Carriere, J. F. (1996), `Valuation of the early-exercise price for derivative securities using simulations and splines', Insurance: Mathematics and Economics 19, Eddelbuettel, D. (2009), Introduction to High-Performance Computing with R, Præsentation ved The Institute of Statistical Mathematics Tachikawa, Tokyo. eddelbuettel.com/papers/ismnov2009introhpcwithr. pdf. Higham, D. J. (2002), `Nine Ways to Implement the Binomial Method for Option Valuation in MATLAB', SIAM Review 44, Lamberton, D. & Lapeyre, B. (1996), Introduction to stochastic calculus applied to nance, Chapman & Hall. Famøs skabelon

Fagblad for Aktuar, Matematik, -Økonomi og Statistik

Fagblad for Aktuar, Matematik, -Økonomi og Statistik FAMØS Fagblad for Aktuar, Matematik, -Økonomi og Statistik ved Københavns Universitet Tegnere: Maja Kærulff Schliemann Deadline for næste nummer: 29. februar 2012 Indlæg modtages gerne og bedes sendt til

Læs mere

Hvad bør en option koste?

Hvad bør en option koste? Det Naturvidenskabelige Fakultet Rolf Poulsen rolf@math.ku.dk Institut for Matematiske Fag 19. marts 2015 Dias 1/22 Reklame først: Matematik-økonomi-uddannelsen Økonomi på et solidt matematisk/statistisk

Læs mere

Hvad bør en option koste?

Hvad bør en option koste? Det Naturvidenskabelige Fakultet Rolf Poulsen rolf@math.ku.dk Institut for Matematiske Fag 9. oktober 2012 Dias 1/19 Reklame først: Matematik-økonomi-uddannelsen Økonomi på et solidt matematisk/statistisk

Læs mere

Sandsynlighedsbaserede metoder

Sandsynlighedsbaserede metoder Metodeartikel 29 Sandsynlighedsbaserede metoder Monte Carlo-metoden Daniel Kjær I sidste udgave af Famøs kunne læseren finde første halvdel af en todelt artikelserie om sandsynlighedsbaserede metoder under

Læs mere

Hypotesetest. Altså vores formodning eller påstand om tingens tilstand. Alternativ hypotese (hvis vores påstand er forkert) H a : 0

Hypotesetest. Altså vores formodning eller påstand om tingens tilstand. Alternativ hypotese (hvis vores påstand er forkert) H a : 0 Hypotesetest Hypotesetest generelt Ingredienserne i en hypotesetest: Statistisk model, f.eks. X 1,,X n uafhængige fra bestemt fordeling. Parameter med estimat. Nulhypotese, f.eks. at antager en bestemt

Læs mere

Matricer og lineære ligningssystemer

Matricer og lineære ligningssystemer Matricer og lineære ligningssystemer Grete Ridder Ebbesen Virum Gymnasium Indhold 1 Matricer 11 Grundlæggende begreber 1 Regning med matricer 3 13 Kvadratiske matricer og determinant 9 14 Invers matrix

Læs mere

Simuleringsmodel for livsforløb

Simuleringsmodel for livsforløb Simuleringsmodel for livsforløb Implementering af indkomststokastik i modellen 9. november 2009 Sune Sabiers sep@dreammodel.dk Indledning I forbindelse med EPRN projektet Livsforløbsanalyse for karakteristiske

Læs mere

Maple. Skærmbilledet. Vi starter med at se lidt nærmere på opstartsbilledet i Maple. Værktøjslinje til indtastningsområdet. Menulinje.

Maple. Skærmbilledet. Vi starter med at se lidt nærmere på opstartsbilledet i Maple. Værktøjslinje til indtastningsområdet. Menulinje. Maple Dette kapitel giver en kort introduktion til hvordan Maple 12 kan benyttes til at løse mange af de opgaver, som man bliver mødt med i matematiktimerne på HHX. Skærmbilledet Vi starter med at se lidt

Læs mere

En lille vejledning til lærere og elever i at bruge matematikprogrammet WordMat (begynderniveau)

En lille vejledning til lærere og elever i at bruge matematikprogrammet WordMat (begynderniveau) Matematik i WordMat En lille vejledning til lærere og elever i at bruge matematikprogrammet WordMat (begynderniveau) Indholdsfortegnelse 1. Introduktion... 3 2. Beregning... 4 3. Beregning med brøker...

Læs mere

)LQDQVLHO$QDO\VH 3. september 1999

)LQDQVLHO$QDO\VH 3. september 1999 )LDVLHO$DO\VH 3. september 1999 1\XONXSRUHHVUXNXUPRGHO 8LEDNVRIILFLHOOHXONXSRUHHVUXNXUVNLIHVXGIUDGHXY UHGH1HOVR 6LHJHOPRGHOLOHPHUHNRPSOLFHUHPRGHO 'H\HPRGHOJLYHUEHGUHILLJDISULVHUSnVDVREOLJDLRHURJHOLPLHUHUEODG

Læs mere

Om brugen af matematiske tegn og objekter i en god matematisk fremstilling

Om brugen af matematiske tegn og objekter i en god matematisk fremstilling Om brugen af matematiske tegn og objekter i en god matematisk fremstilling af Petur Birgir Petersen Et særpræg ved matematik som videnskab er den udstrakte brug af symboler. Det er vigtigt at symbolerne

Læs mere

Roskilde Tekniske Gymnasium. Eksamensprojekt. Programmering C niveau

Roskilde Tekniske Gymnasium. Eksamensprojekt. Programmering C niveau Roskilde Tekniske Gymnasium Eksamensprojekt Programmering C niveau Andreas Sode 09-05-2014 Indhold Eksamensprojekt Programmering C niveau... 2 Forord... 2 Indledning... 2 Problemformulering... 2 Krav til

Læs mere

Konverterbare Realkreditobligationer

Konverterbare Realkreditobligationer Konverterbare Realkreditobligationer Copenhagen Business School Summer school August 17, 2005 Niels Rom-Poulsen Danske Markets, Quantitative Research nrp@danskebank.dk Konverterbare Realkreditobligationer

Læs mere

FINANSIERING 1. Opgave 1

FINANSIERING 1. Opgave 1 FINANSIERING 1 3 timers skriftlig eksamen, kl. 9-1, onsdag 9/4 008. Alle sædvanlige hjælpemidler inkl. blyant er tilladt. Sættet er på 4 sider og indeholder 8 nummererede delspørgsmål, der indgår med lige

Læs mere

Note omkring RSA kryptering. Gert Læssøe Mikkelsen Datalogisk institut Aarhus Universitet

Note omkring RSA kryptering. Gert Læssøe Mikkelsen Datalogisk institut Aarhus Universitet Note omkring RSA kryptering. Gert Læssøe Mikkelsen Datalogisk institut Aarhus Universitet 3. april 2009 1 Kryptering med offentlige nøgler Indtil midt i 1970 erne troede næsten alle, der beskæftigede sig

Læs mere

Kapitel 7 Matematiske vækstmodeller

Kapitel 7 Matematiske vækstmodeller Matematiske vækstmodeller I matematik undersøger man ofte variables afhængighed af hinanden. Her ser man, at samme type af sammenhænge tit forekommer inden for en lang række forskellige områder. I kapitel

Læs mere

Introduktion til MatLab Matematisk Modellering af Dynamiske Modeller ved Kasper Bjering Jensen, RUC, februar 2010

Introduktion til MatLab Matematisk Modellering af Dynamiske Modeller ved Kasper Bjering Jensen, RUC, februar 2010 Introduktion til MatLab Matematisk Modellering af Dynamiske Modeller ved Kasper Bjering Jensen, RUC, februar 2010 Computere er uvurderlige redskaber for personer der ønsker at arbejde med matematiske modeller

Læs mere

VisiRegn: En e-bro mellem regning og algebra

VisiRegn: En e-bro mellem regning og algebra Artikel i Matematik nr. 2 marts 2001 VisiRegn: En e-bro mellem regning og algebra Inge B. Larsen Siden midten af 80 erne har vi i INFA-projektet arbejdet med at udvikle regne(arks)programmer til skolens

Læs mere

Matematik og spil. Rolf Poulsen rolf@math.ku.dk Institut for Matematiske Fag, Kbh. Uni. Mød MATH på KU (måske sidste chance), november 2014

Matematik og spil. Rolf Poulsen rolf@math.ku.dk Institut for Matematiske Fag, Kbh. Uni. Mød MATH på KU (måske sidste chance), november 2014 Enhedens navn Matematik og spil Rolf Poulsen rolf@math.ku.dk Institut for Matematiske Fag, Kbh. Uni. Mød MATH på KU (måske sidste chance), november 2014 På disse slides skal spil læses som væddemål. Hvorfor

Læs mere

Oprids over grundforløbet i matematik

Oprids over grundforløbet i matematik Oprids over grundforløbet i matematik Dette oprids er tænkt som en meget kort gennemgang af de vigtigste hovedpointer vi har gennemgået i grundforløbet i matematik. Det er en kombination af at repetere

Læs mere

Projektopgave Observationer af stjerneskælv

Projektopgave Observationer af stjerneskælv Projektopgave Observationer af stjerneskælv Af: Mathias Brønd Christensen (20073504), Kristian Jerslev (20072494), Kristian Mads Egeris Nielsen (20072868) Indhold Formål...3 Teori...3 Hvorfor opstår der

Læs mere

Projektbeskrivelse: En analyse af danske husholdningers valg af realkreditlån og -konvertering

Projektbeskrivelse: En analyse af danske husholdningers valg af realkreditlån og -konvertering Projektbeskrivelse: En analyse af danske husholdningers valg af realkreditlån og -konvertering Baggrund for projektet: Med et samlet realkreditudlån på 2.292 mia. kr. (godt 20% mere end Danmarks BNP) ved

Læs mere

ØVEHÆFTE FOR MATEMATIK C FORMLER OG LIGNINGER

ØVEHÆFTE FOR MATEMATIK C FORMLER OG LIGNINGER ØVEHÆFTE FOR MATEMATIK C FORMLER OG LIGNINGER INDHOLDSFORTEGNELSE 0. FORMELSAMLING TIL FORMLER OG LIGNINGER... 2 Tal, regneoperationer og ligninger... 2 Ligning med + - / hvor x optræder 1 gang... 3 IT-programmer

Læs mere

Simulering af stokastiske fænomener med Excel

Simulering af stokastiske fænomener med Excel Simulering af stokastiske fænomener med Excel John Andersen, Læreruddannelsen i Aarhus, VIA Det kan være en ret krævende læreproces at udvikle fornemmelse for mange begreber fra sandsynlighedsregningen

Læs mere

Studieretningsprojekter i machine learning

Studieretningsprojekter i machine learning i machine learning 1 Introduktion Machine learning (ml) er et område indenfor kunstig intelligens, der beskæftiger sig med at konstruere programmer, der kan kan lære fra data. Tanken er at give en computer

Læs mere

Opgave 1 Regning med rest

Opgave 1 Regning med rest Den digitale signatur - anvendt talteori og kryptologi Opgave 1 Regning med rest Den positive rest, man får, når et helt tal a divideres med et naturligt tal n, betegnes rest(a,n ) Hvis r = rest(a,n) kan

Læs mere

RSA Kryptosystemet. Kryptologi ved Datalogisk Institut, Aarhus Universitet

RSA Kryptosystemet. Kryptologi ved Datalogisk Institut, Aarhus Universitet RSA Kryptosystemet Kryptologi ved Datalogisk Institut, Aarhus Universitet 1 Kryptering med RSA Her følger først en kort opridsning af RSA kryptosystemet, som vi senere skal bruge til at lave digitale signaturer.

Læs mere

Emneopgave: Lineær- og kvadratisk programmering:

Emneopgave: Lineær- og kvadratisk programmering: Emneopgave: Lineær- og kvadratisk programmering: LINEÆR PROGRAMMERING I lineær programmering løser man problemer hvor man for en bestemt funktion ønsker at finde enten en maksimering eller en minimering

Læs mere

Økonometri: Lektion 4. Multipel Lineær Regression: F -test, justeret R 2 og aymptotiske resultater

Økonometri: Lektion 4. Multipel Lineær Regression: F -test, justeret R 2 og aymptotiske resultater Økonometri: Lektion 4 Multipel Lineær Regression: F -test, justeret R 2 og aymptotiske resultater 1 / 35 Hypotesetest for én parameter Antag vi har model y = β 0 + β 1 x 2 + β 2 x 2 + + β k x k + u. Vi

Læs mere

Numeriske metoder. Af: Alexander Bergendorff, Frederik Lundby Trebbien Rasmussen og Jonas Degn. Side 1 af 15

Numeriske metoder. Af: Alexander Bergendorff, Frederik Lundby Trebbien Rasmussen og Jonas Degn. Side 1 af 15 Numeriske metoder Af: Alexander Bergendorff, Frederik Lundby Trebbien Rasmussen og Jonas Degn Side 1 af 15 Indholdsfortegnelse Matematik forklaring... 3 Lineær regression... 3 Numerisk differentiation...

Læs mere

BOSK F2012, 1. del: Prædikatslogik

BOSK F2012, 1. del: Prædikatslogik ε > 0. δ > 0. x. x a < δ f (x) L < ε February 8, 2012 Prædikater Vi skal lære om prædikatslogik lad os starte med prædikater. Et prædikat er et orakel der svarer ja eller nej. Eller mere præcist: Prædikater

Læs mere

Teorien om High Dynamic Range Fotografering

Teorien om High Dynamic Range Fotografering Teorien om High Dynamic Range Fotografering Indhold High Dynamic Range - HDR 2 HDR sidder i øjet 3 Du ser kun en lille del ad gangen 4 HDR for det hele med, Princip 1 5 Ev-trin på histogrammet 6 Farver

Læs mere

Eksponentielle sammenhænge

Eksponentielle sammenhænge Eksponentielle sammenhænge 0 1 2 3 4 5 6 7 8 9 10 11 12 13 Indholdsfortegnelse Variabel-sammenhænge... 1 1. Hvad er en eksponentiel sammenhæng?... 2 2. Forklaring med ord af eksponentiel vækst... 2, 6

Læs mere

Valgfrit afdragsfrie lån

Valgfrit afdragsfrie lån Valgfrit afdragsfrie lån Morten Nalholm nalholm@math.ku.dk Valgfrit afdragsfrie lån p. 1/32 Introduktion Prisfastsættelse Modellering af låntagerheterogenitet S.Jakobsen:"unødigt kompliceret" (om et RDs

Læs mere

Computerstøttet beregning

Computerstøttet beregning CSB 2009 p. 1/16 Computerstøttet beregning Lektion 1. Introduktion Martin Qvist qvist@math.aau.dk Det Ingeniør-, Natur-, og Sundhedsvidenskabelige Basisår, Aalborg Universitet, 3. februar 2009 people.math.aau.dk/

Læs mere

1 Ordliste 2. 2 Indledning 3 2.1 Problemstillinger... 3 2.2 Problemformulering... 4 2.3 Problemafgrænsning... 4 2.4 Mål med projektet...

1 Ordliste 2. 2 Indledning 3 2.1 Problemstillinger... 3 2.2 Problemformulering... 4 2.3 Problemafgrænsning... 4 2.4 Mål med projektet... Indhold 1 Ordliste 2 2 Indledning 3 2.1 Problemstillinger.................................. 3 2.2 Problemformulering................................ 4 2.3 Problemafgrænsning................................

Læs mere

Lærer på et handelsgymnasium Kristian Peter Poulsen

Lærer på et handelsgymnasium Kristian Peter Poulsen Jobopslag og tanker om jobbet 13 Lærer på et handelsgymnasium Kristian Peter Poulsen Når sommerferien står får døren, kan jeg se tilbage på et ualmindeligt lærerigt år som gymnasielærer. Et år, hvor jeg

Læs mere

I dybden med L A T E X

I dybden med L A T E X I dybden med L A T E X Peter Mølgaard 13.08.2011, version 1.0 Indhold 1 I dybden med LATEX 2 Fra L A TEX til udskrift............................. 2 Matematik med L A TEX............................ 2

Læs mere

Anvendt litteratur : Mat C v. Bregendal, Nitschky Schmidt og Vestergård, Systime 2005

Anvendt litteratur : Mat C v. Bregendal, Nitschky Schmidt og Vestergård, Systime 2005 Undervisningsbeskrivelse Stamoplysninger til brug ved prøver til gymnasiale uddannelser Termin juni 2011 Institution Campus Bornholm Uddannelse Fag og niveau Lærer Hold Hhx Matematik C Peter Seide 1AB

Læs mere

Projekt - Visual Basic for Applications N på stribe

Projekt - Visual Basic for Applications N på stribe Projekt - Visual Basic for Applications N på stribe Mikkel Kaas og Troels Henriksen - 03x 3. november 2005 1 Introduktion Spillet tager udgangspunkt i det gamle kendte 4 på stribe, dog med den ændring,

Læs mere

Programmering. Det rent og skært nødvendige, det elementært nødvendige! Morten Dam Jørgensen

Programmering. Det rent og skært nødvendige, det elementært nødvendige! Morten Dam Jørgensen Programmering Det rent og skært nødvendige, det elementært nødvendige! Morten Dam Jørgensen Oversigt Undervisningen Hvad er programmering Hvordan er et program organiseret? Programmering og fysik Nobelprisen

Læs mere

Mark like a Professional. Markeringssystem FlyMarker PRO

Mark like a Professional. Markeringssystem FlyMarker PRO Mark like a Professional Markeringssystem FlyMarker PRO Mark like a Professional FlyMarker PRO Version MOBIL Med den håndholdte CNC markeringssystem Fly- Marker PRO, bliver markering af store, tunge og

Læs mere

Derfor skal du investere

Derfor skal du investere Derfor skal du investere Investering er ofte lig med store kursudsving og mange bekymringer. Er det ikke bedre blot at spare op og undgå risiko? Nej, for hvis du ikke investerer, mister du penge hver dag,

Læs mere

Om at konvertere PDF - den gode, den dårlige og den forfærdelige metode

Om at konvertere PDF - den gode, den dårlige og den forfærdelige metode Dokumentation Om at konvertere PDF - den gode, den dårlige og den forfærdelige metode Forfatter Leonard Rosenthal PDF Standards Architect, Adobe Inc. Oversættelse Søren Frederiksen / Søren Winsløw DDPFF

Læs mere

Gennemsnit og normalfordeling illustreret med terningkast, simulering og SLUMP()

Gennemsnit og normalfordeling illustreret med terningkast, simulering og SLUMP() Gennemsnit og normalfordeling illustreret med terningkast, simulering og SLUMP() John Andersen, Læreruddannelsen i Aarhus, VIA Et kast med 10 terninger gav følgende udfald Fig. 1 Result of rolling 10 dices

Læs mere

Kapitel 2 Tal og variable

Kapitel 2 Tal og variable Tal og variable Uden tal ingen matematik - matematik handler om tal og anvendelse af tal. Matematik beskæftiger sig ikke udelukkende med konkrete problemer fra andre fag, og de konkrete tal fra andre fagområder

Læs mere

Stokastiske processer og køteori

Stokastiske processer og køteori Stokastiske processer og køteori 9. kursusgang Anders Gorst-Rasmussen Institut for Matematiske Fag Aalborg Universitet 1 OPSAMLING EKSAKTE MODELLER Fordele: Praktiske til initierende analyser/dimensionering

Læs mere

IMADAs Fagråd. Evalueringsrapport. Matematik & Datalogi. 2. juni 2011. Kontaktpersoner

IMADAs Fagråd. Evalueringsrapport. Matematik & Datalogi. 2. juni 2011. Kontaktpersoner Evalueringsrapport Matematik & Datalogi 2. juni 2011 Kontaktpersoner Christian Kudahl - chkud08@student.sdu.dk Maria Buhl Hansen - marih09@student.sdu.dk Indhold Indhold 2 1 Indledning 4 1.1 Matematik-økonomi.......................

Læs mere

Simpel Lineær Regression

Simpel Lineær Regression Simpel Lineær Regression Mål: Forklare variablen y vha. variablen x. Fx forklare Salg (y) vha. Reklamebudget (x). Vi antager at sammenhængen mellem y og x er beskrevet ved y = β 0 + β 1 x + u. y: Afhængige

Læs mere

Baggrundsnote om logiske operatorer

Baggrundsnote om logiske operatorer Baggrundsnote om logiske operatorer Man kan regne på udsagn ligesom man kan regne på tal. Regneoperationerne kaldes da logiske operatorer. De tre vigtigste logiske operatorer er NOT, AND og. Den første

Læs mere

Graph brugermanual til matematik C

Graph brugermanual til matematik C Graph brugermanual til matematik C Forord Efterfølgende er en guide til programmet GRAPH. Programmet kan downloades gratis fra nettet og gemmes på computeren/et usb-stik. Det betyder, det også kan anvendes

Læs mere

At sætte bevægelse i en organisation. - 3 vektorer, der gør en forskel

At sætte bevægelse i en organisation. - 3 vektorer, der gør en forskel At sætte bevægelse i en organisation - 3 vektorer, der gør en forskel Af Christoffer Rude, Arbejdstilsynet juni 2009 Kan systemteori levere praktiske og konstruktive værktøjer til det komplekse kommunikationsarbejde?

Læs mere

Indblik i statistik - for samfundsvidenskab

Indblik i statistik - for samfundsvidenskab Indblik i statistik - for samfundsvidenskab Læs mere om nye titler fra Academica på www.academica.dk Nikolaj Malchow-Møller og Allan H. Würtz Indblik i statistik for samfundsvidenskab Academica Indblik

Læs mere

Opgave nr. 5 og 31. Værdiansættelse af stiafhængige bermuda optioner, ved Least Squares Monte Carlo simulation.

Opgave nr. 5 og 31. Værdiansættelse af stiafhængige bermuda optioner, ved Least Squares Monte Carlo simulation. H.D.-studiet i Finansiering Hovedopgave - forår 2009 ---------------- Opgaveløser: Martin Hofman Laursen Joachim Bramsen Vejleder: Niels Rom-Poulsen Opgave nr. 5 og 31 Værdiansættelse af stiafhængige bermuda

Læs mere

Tænk på a og b som to n 1 matricer. a 1 a 2 a n. For hvert i = 1,..., n har vi y i = x i β + u i.

Tænk på a og b som to n 1 matricer. a 1 a 2 a n. For hvert i = 1,..., n har vi y i = x i β + u i. Repetition af vektor-regning Økonometri: Lektion 3 Matrix-formulering Fordelingsantagelse Hypotesetest Antag vi har to n-dimensionelle (søjle)vektorer a 1 b 1 a 2 a =. og b = b 2. a n b n Tænk på a og

Læs mere

Indledning. Søren Mønsted: Visionsfilm som projektmål 24. november 2004. Side 1

Indledning. Søren Mønsted: Visionsfilm som projektmål 24. november 2004. Side 1 Indledning Alle projekter har et mål. Hvad enten det drejer sig om et personligt projekt om at holde op med at ryge, projektet med at bygge en bro eller projektet med at arrangere en havefest for hele

Læs mere

2 Erik Vestergaard www.matematikfysik.dk

2 Erik Vestergaard www.matematikfysik.dk Erik Vestergaard www.matematikfysik.dk Erik Vestergaard www.matematikfysik.dk 3 Lineære funktioner En vigtig type funktioner at studere er de såkaldte lineære funktioner. Vi skal udlede en række egenskaber

Læs mere

Computerundervisning

Computerundervisning Frederiksberg Seminarium Computerundervisning Koordinatsystemer og Funktioner Lærervejledning 12-02-2009 Udarbejdet af: Pernille Suhr Poulsen Christina Klitlyng Julie Nielsen Indhold Introduktion... 3

Læs mere

Komplekse tal. Mikkel Stouby Petersen 27. februar 2013

Komplekse tal. Mikkel Stouby Petersen 27. februar 2013 Komplekse tal Mikkel Stouby Petersen 27. februar 2013 1 Motivationen Historien om de komplekse tal er i virkeligheden historien om at fjerne forhindringerne og gøre det umulige muligt. For at se det, vil

Læs mere

Grafer og graf-gennemløb

Grafer og graf-gennemløb Grafer og graf-gennemløb Grafer En mængde V af knuder (vertices). En mængde E V V af kanter (edges). Dvs. ordnede par af knuder. Figur: Terminologi: n = V, m = E (eller V og E (mis)bruges som V og E ).

Læs mere

Her er et spørgsmål, du måske aldrig har overvejet: kan man finde to trekanter med samme areal?

Her er et spørgsmål, du måske aldrig har overvejet: kan man finde to trekanter med samme areal? Her er et spørgsmål, du måske aldrig har overvejet: kan man finde to trekanter med samme areal? Det er ret let at svare på: arealet af en trekant, husker vi fra vor kære folkeskole, findes ved at gange

Læs mere

Mathcad Survival Guide

Mathcad Survival Guide Mathcad Survival Guide Mathcad er en blanding mellem et tekstbehandlingsprogram (Word), et regneark (Ecel) og en grafisk CAS-lommeregner. Programmet er velegnet til matematikopgaver, fysikrapporter og

Læs mere

PHP kode til hjemmeside menu.

PHP kode til hjemmeside menu. PHP kode til hjemmeside menu. Home Hovedmenu 1 Hovedmenu 2 Hovedmenu 3 Hovedmenu 4 Undermenu 1 Breadcrumb Her vises indholdet af den valgte side Undermenu 2 Undermenu 3 Undermenu 4 Evt. en mulighed for

Læs mere

Erhvervsøkonomisk Institut. Vejleder: Henrik Nørholm BILAG. Analyse og prissætning af JB Ti Aktier 2013. I skyggen af en finanskrise

Erhvervsøkonomisk Institut. Vejleder: Henrik Nørholm BILAG. Analyse og prissætning af JB Ti Aktier 2013. I skyggen af en finanskrise Erhvervsøkonomisk Institut Kandidatafhandling Forfatter: Henrik Gerstrøm (xxxxxx) Vejleder: Henrik Nørholm BILAG Analyse og prissætning af JB Ti Aktier 2013 I skyggen af en finanskrise 1. december 2010

Læs mere

Undervisning om Alkoholproblemer i familien

Undervisning om Alkoholproblemer i familien Undervisning om Alkoholproblemer i familien Målgruppe: 7.-10.klasse i grundskoler Samlet omfang: 2 lektioner Desuden mulighed for, at en gruppe elever vælger emnet som fordybelsesområde. Rammer: Emnet

Læs mere

Hvilke ord 'trigger' dine kunder?

Hvilke ord 'trigger' dine kunder? Hvilke ord 'trigger' dine kunder? Af Rikke Moos, Webskribenten Du kender talemåden: vælg dine ord med omhu. Et fornuftigt råd, der er værd at følge, hvis du vil undgå at blive misforstået af andre. Men

Læs mere

Undervisningsbeskrivelse

Undervisningsbeskrivelse Undervisningsbeskrivelse Stamoplysninger til brug ved prøver til gymnasiale uddannelser Termin Institution Uddannelse Fag og niveau Lærer(e) Hold Termin hvori undervisningen afsluttes: Juni 2013 Roskilde

Læs mere

http://www.fya.byethost13.com/forside.html

http://www.fya.byethost13.com/forside.html I dette dokument forklares den basale brug af TeX, et programmeringssprog velegnet til at skrive matematiske dokumenter i, som det foregår i TeXnicCenter. De programmer, der skal bruges kan findes via

Læs mere

De danske huspriser. homes husprisindeks. 180 Realkreditrådet. Home s Danske Husprisindeks. Danmarks Statistik. 80 www.danskebank.

De danske huspriser. homes husprisindeks. 180 Realkreditrådet. Home s Danske Husprisindeks. Danmarks Statistik. 80 www.danskebank. De danske huspriser homes husprisindeks København den 1. sept. 7 For yderligere information: Steen Bocian, Danske Bank +5 5 1 5 31, stbo@danskebank.dk Niels H. Carstensen, home +5 15 3 nica@home.dk Den

Læs mere

Matematik og Fysik for Daves elever

Matematik og Fysik for Daves elever TEC FREDERIKSBERG www.studymentor.dk Matematik og Fysik for Daves elever MATEMATIK... 2 1. Simple isoleringer (+ og -)... 3 2. Simple isoleringer ( og )... 4 3. Isolering af ubekendt (alle former)... 6

Læs mere

Dynamisk programmering

Dynamisk programmering Dynamisk programmering Dynamisk programmering Et algoritme-konstruktionsprincip ( paradigme ) for optimeringsproblemer. Har en hvis lighed med divide-and-conquer: Begge opbygger løsninger til større problemer

Læs mere

Appendiks 6: Universet som en matematisk struktur

Appendiks 6: Universet som en matematisk struktur Appendiks 6: Universet som en matematisk struktur En matematisk struktur er et meget abstrakt dyr, der kan defineres på følgende måde: En mængde, S, af elementer {s 1, s 2,,s n }, mellem hvilke der findes

Læs mere

Kronik: Det skal kunne betale sig at tænke sig om!

Kronik: Det skal kunne betale sig at tænke sig om! Kronik: Det skal kunne betale sig at tænke sig om! Kristian Kreiner April 2008 I denne kronik vil jeg illustrere, hvordan man i byggeriet kan komme galt af sted, når man tænker sig om og gør sig umage.

Læs mere

Statistik i GeoGebra

Statistik i GeoGebra Statistik i GeoGebra Peter Harremoës 13. maj 2015 Jeg vil her beskrive hvordan man kan lave forskellige statistiske analyser ved hjælp af GeoGebra 4.2.60.0. De statistiske analyser svarer til pensum Matematik

Læs mere

Om at finde bedste rette linie med Excel

Om at finde bedste rette linie med Excel Om at finde bedste rette linie med Excel Det er en vigtig og interessant opgave at beskrive fænomener i naturen eller i samfundet matematisk. Dels for at få en forståelse af sammenhængende indenfor det

Læs mere

Skriftlig Eksamen ST501: Science Statistik Mandag den 11. juni 2007 kl. 15.00 18.00

Skriftlig Eksamen ST501: Science Statistik Mandag den 11. juni 2007 kl. 15.00 18.00 Skriftlig Eksamen ST501: Science Statistik Mandag den 11. juni 2007 kl. 15.00 18.00 Forskningsenheden for Statistik IMADA Syddansk Universitet Alle skriftlige hjælpemidler samt brug af lommeregner er tilladt.

Læs mere

Matematik. Matematikundervisningen tager udgangspunkt i Folkeskolens Fælles Mål

Matematik. Matematikundervisningen tager udgangspunkt i Folkeskolens Fælles Mål Matematik Matematikundervisningen tager udgangspunkt i Folkeskolens Fælles Mål Formålet med undervisningen i matematik er, at eleverne bliver i stand til at forstå og anvende matematik i sammenhænge, der

Læs mere

Internet Information Services (IIS)

Internet Information Services (IIS) Internet Information Services (IIS) Casper Simonsen & Yulia Sadovskaya H1we080113 06-11-2013 Indholdsfortegnelse Problemformulering... 2 Hvorfor:... 2 Hvad:... 2 Hvordan:... 2 Problembehandling... 3 Introduktion...

Læs mere

Excel tutorial om lineær regression

Excel tutorial om lineær regression Excel tutorial om lineær regression I denne tutorial skal du lære at foretage lineær regression i Microsoft Excel 2007. Det forudsættes, at læseren har været igennem det indledende om lineære funktioner.

Læs mere

Martin Geisler. Uge 49, 2001

Martin Geisler. Uge 49, 2001 Min dintprog-browser Martin Geisler Uge 49, 2001 Resumé Dette dokument beskriver tankerne bag min dintprog-browser, en browser skrevet i Java der skal kunne fortolke en mindre delmængde af HTML 4, kaldet

Læs mere

Statistik II 4. Lektion. Logistisk regression

Statistik II 4. Lektion. Logistisk regression Statistik II 4. Lektion Logistisk regression Logistisk regression: Motivation Generelt setup: Dikotom(binær) afhængig variabel Kontinuerte og kategoriske forklarende variable (som i lineær reg.) Eksempel:

Læs mere

Kapitel 9. Optimering i Microsoft Excel 97/2000

Kapitel 9. Optimering i Microsoft Excel 97/2000 Kapitel 9 Optimering i Microsoft Excel 97/2000 9.1 Indledning... 164 9.2 Numerisk løsning af ligninger... 164 9.3 Optimering under bibetingelser... 164 9.4 Modelformulering... 165 9.5 Gode råd ommodellering...

Læs mere

Hvad er dukapc. E-mail modulet. dukapc 2

Hvad er dukapc. E-mail modulet. dukapc 2 dukapc 2 Hvad er dukapc dukapc er en ældrevenlig computer, som hjælper seniorer med at komme online og få glæde af computerens og internettets mange muligheder. Også selvom brugeren aldrig før har rørt

Læs mere

Scenariet kan benyttes ud fra flere forskellige fokusområder. I udarbejdelsen af scenariet har forfatterne særligt haft følgende mål i tankerne:

Scenariet kan benyttes ud fra flere forskellige fokusområder. I udarbejdelsen af scenariet har forfatterne særligt haft følgende mål i tankerne: Lærervejledningen giver supplerende oplysninger og forslag til scenariet. En generel lærervejledning fortæller om de gennemgående træk ved alle scenarier samt om intentionerne i Matematikkens Univers.

Læs mere

Fagårsplan 10/11 Fag: Matematik Klasse: 7.ABC Lærer: Henrik Stillits. Fagområde/ emne

Fagårsplan 10/11 Fag: Matematik Klasse: 7.ABC Lærer: Henrik Stillits. Fagområde/ emne Fagårsplan 10/11 Fag: Matematik Klasse: 7.ABC Lærer: Henrik Stillits. Fagområde/ emne Matematiske færdigheder Grundlæggende færdigheder - plus, minus, gange, division (hele tal, decimaltal og brøker) Identificer

Læs mere

Læringsmål Faglige aktiviteter Emne Tema Materialer

Læringsmål Faglige aktiviteter Emne Tema Materialer Uge 33-48 Målsætningen med undervisningen er at eleverne individuelt udvikler deres matematiske kunnen,opnår en viden indsigt i matematik kens verden således at de kan gennemføre folkeskolens afsluttende

Læs mere

Matematik for stx C-niveau

Matematik for stx C-niveau Thomas Jensen og Morten Overgård Nielsen Matematik for stx C-niveau Frydenlund Nu 2. reviderede, udvidede og ajourførte udgave Nu 2. reviderede, udvidede og ajourførte udgave Matema10k Matematik for stx

Læs mere

Benyt evt. programmeringsguiden Kør frem vælg sekunder i stedet for rotationer.

Benyt evt. programmeringsguiden Kør frem vælg sekunder i stedet for rotationer. Lego Mindstorms Education NXT nat1 nat april 2014 Dette dokument ligger på adressen: http://www.frborg-gymhf.dk/eh/oev/legonxtnat1nat2014.pdf Følgende er en introduction til Lego Mindstorms NXT. Her er

Læs mere

Lean Construction-DK s. Guide til bedre planlægning med Last Planner System

Lean Construction-DK s. Guide til bedre planlægning med Last Planner System Lean Construction-DK s Guide til bedre planlægning med Last Planner System Introduktion Last Planner System er et værktøj i Lean Construction udviklet specielt til byggeriet og med hensyn til byggeriets

Læs mere

Internet hitlister. En geometrisk præsentation af interesse-afstande Køreplan 01005 Matematik 1 - FORÅR 2006

Internet hitlister. En geometrisk præsentation af interesse-afstande Køreplan 01005 Matematik 1 - FORÅR 2006 Internet hitlister En geometrisk præsentation af interesse-afstande Køreplan 01005 Matematik 1 - FORÅR 2006 1 Formål Formålet med denne projekt-opgave er at finde en geometrisk repræsentation (i 2D eller

Læs mere

Programmering C Eksamensprojekt. Lavet af Suayb Köse & Nikolaj Egholk Jakobsen

Programmering C Eksamensprojekt. Lavet af Suayb Köse & Nikolaj Egholk Jakobsen Programmering C Eksamensprojekt Lavet af Suayb Köse & Nikolaj Egholk Jakobsen Indledning Analyse Læring er en svær størrelse. Der er hele tiden fokus fra politikerne på, hvordan de danske skoleelever kan

Læs mere

Projekt 8.3 Hvordan undersøges om et talmateriale normalfordelt?

Projekt 8.3 Hvordan undersøges om et talmateriale normalfordelt? Projekt 8.3 Hvordan undersøges om et talmateriale normalfordelt? Projektet drejer sig om at udvikle en metode, til at undersøge om et givet talmateriale med rimelighed kan siges at være normalfordelt.

Læs mere

Typografi og layout i Word 2010

Typografi og layout i Word 2010 Ret&Rigtigt F12 Niels Erik Wille Typografi og layout i Word 2010 Papirformat og papirets orientering (højformat / bredformat) Vælges i menuen Sidelayout: Man kan vælge Retning (højformat / bredformat)

Læs mere

Nyheder i version 3.x (siden 2.x)

Nyheder i version 3.x (siden 2.x) Nyheder i version 3.x (siden 2.x) Generelle ændringer: Vista kompatibel 64bit kompatibel Nyt grafisk layout Nemmere installationsprogram Beregning af den hurtigste vej fra forrige stop til den fanger log

Læs mere

Sikre Beregninger. Kryptologi ved Datalogisk Institut, Aarhus Universitet

Sikre Beregninger. Kryptologi ved Datalogisk Institut, Aarhus Universitet Sikre Beregninger Kryptologi ved Datalogisk Institut, Aarhus Universitet 1 Introduktion I denne note skal vi kigge på hvordan man kan regne på data med maksimal sikkerhed, dvs. uden at kigge på de tal

Læs mere

11.500.000 langtidsledige EU-borgere i 2015

11.500.000 langtidsledige EU-borgere i 2015 11.00.000 langtidsledige EU-borgere i 01 Langtidsledigheden i EU er den højeste, der er målt siden midten/slutningen af 1990 erne. En ny prognose, som AE har udarbejdet i fællesskab med OFCE fra Frankrig

Læs mere

ALMINDELIGT ANVENDTE FUNKTIONER

ALMINDELIGT ANVENDTE FUNKTIONER ALMINDELIGT ANVENDTE FUNKTIONER I dette kapitel gennemgås de almindelige regnefunktioner, samt en række af de mest nødvendige redigerings- og formateringsfunktioner. De øvrige redigerings- og formateringsfunktioner

Læs mere

Undervisningsbeskrivelse

Undervisningsbeskrivelse Undervisningsbeskrivelse Termin Efterår 2014 Institution Niels Brock Uddannelse Fag og niveau Lærer Hold HHX Matematik - Niveau A Peter Harremoës GSK hold t14gymaau1o2 Oversigt over gennemførte undervisningsforløb

Læs mere

INDHOLDSFORTEGNELSE. Tekstbehandling med Mac... Indledning. KAPITEL ET... 9 Hurtigt i gang med Pages. KAPITEL TO...

INDHOLDSFORTEGNELSE. Tekstbehandling med Mac... Indledning. KAPITEL ET... 9 Hurtigt i gang med Pages. KAPITEL TO... INDHOLDSFORTEGNELSE Tekstbehandling med Mac... Indledning KAPITEL ET... 9 Hurtigt i gang med Pages Anskaf Pages... 10 Opret eller åbn et dokument... 11 Brugerfladen i Pages... 12 Gem dokumenter... 13 Gem

Læs mere

Projekt 4.6 Didaktisk oplæg til et eksperimenterende forløb med fokus på modellering og repræsentationsformer

Projekt 4.6 Didaktisk oplæg til et eksperimenterende forløb med fokus på modellering og repræsentationsformer rojekter: Kapitel. rojekt.6 Eksperimenterende forløb med fokus på modellering og repræsentationsformer rojekt.6 idaktisk oplæg til et eksperimenterende forløb med fokus på modellering og repræsentationsformer

Læs mere