Attributes | Values |
---|
rdf:type
| |
Description
| - Stochastic optimization models are built with the assumption that the underlying probability measure is entirely know. This is not true in practice, however: empirical approximation or estimates are used instead. The question then arises if such inaccuracy does not perturb resulting solutions and optimal values. We measure the %22distance%22 between the probability distributions by suitable metrics on the space of probability measures.
- Stochastic optimization models are built with the assumption that the underlying probability measure is entirely know. This is not true in practice, however: empirical approximation or estimates are used instead. The question then arises if such inaccuracy does not perturb resulting solutions and optimal values. We measure the %22distance%22 between the probability distributions by suitable metrics on the space of probability measures. (en)
- Stochastické optimalizační modely jsou vytvářeny na základě předpokladu úplné znalosti související pravděpodobnostní míry. To není v praxi splněno, neboť místo skutečné míry se používají empirické aproximace či odhady. Klademe si pak otázku, zda tato odchylka nezpůsobí chyby ve výsledných řešeních a optimálních hodnotách. %22Vzdálenost%22 mezi pravděpodobnostními mírami se měří vhodnými metrikami na prostoru pravděpodobnostních měr. Je známo, že za určitých předpokladů je stabilita stochastických optimalizačních modelů zaručena vzhledem k vybrané metrice, a dále, empirický odhad neznámého rozdělení má vhodné konvergenční vlastnosti, v to počítaje i dostatečnou rychlost konvergence. V případě Kolmogorovovy metriky je známá rychlost konvergence, pokud je výběr z nezávislých a spojitě rozdělených náhodných veličin. V případě Wassersteinovy (Mallowsovy) metriky, rovnoměrného rozdělení a výběru z nezávislých veličin je rychlost konvergence stejná jako v případě tradičního rovnoměrnéh (cs)
|
Title
| - Dependent Samples in Empirical Estimation of Stochastic Programming Problems
- Dependent Samples in Empirical Estimation of Stochastic Programming Problems (en)
- Závislé vzorky v empirických odhadech úloh stochastického programování (cs)
|
skos:prefLabel
| - Dependent Samples in Empirical Estimation of Stochastic Programming Problems
- Dependent Samples in Empirical Estimation of Stochastic Programming Problems (en)
- Závislé vzorky v empirických odhadech úloh stochastického programování (cs)
|
skos:notation
| - RIV/60076658:12220/06:00007075!RIV07-MSM-12220___
|
http://linked.open.../vavai/riv/strany
| |
http://linked.open...avai/riv/aktivita
| |
http://linked.open...avai/riv/aktivity
| |
http://linked.open...iv/cisloPeriodika
| |
http://linked.open...vai/riv/dodaniDat
| |
http://linked.open...aciTvurceVysledku
| |
http://linked.open.../riv/druhVysledku
| |
http://linked.open...iv/duvernostUdaju
| |
http://linked.open...titaPredkladatele
| |
http://linked.open...dnocenehoVysledku
| |
http://linked.open...ai/riv/idVysledku
| - RIV/60076658:12220/06:00007075
|
http://linked.open...riv/jazykVysledku
| |
http://linked.open.../riv/klicovaSlova
| - Stability; Probability Metrics; Wasserstein Metric; Kolmogorov Metric, Simulations (en)
|
http://linked.open.../riv/klicoveSlovo
| |
http://linked.open...odStatuVydavatele
| |
http://linked.open...ontrolniKodProRIV
| |
http://linked.open...i/riv/nazevZdroje
| - Austrian Journal of Statistics, 2006, vol. 35, no.2&3
|
http://linked.open...in/vavai/riv/obor
| |
http://linked.open...ichTvurcuVysledku
| |
http://linked.open...cetTvurcuVysledku
| |
http://linked.open...UplatneniVysledku
| |
http://linked.open...v/svazekPeriodika
| |
http://linked.open...iv/tvurceVysledku
| - Kaňková, Vlasta
- Houda, Michal
|
issn
| |
number of pages
| |
http://localhost/t...ganizacniJednotka
| |
is http://linked.open...avai/riv/vysledek
of | |