Non-asymptotic con dence bounds for the optimal value of a stochastic program
Guigues, Vincent Gérard Yannick; Juditsky, Anatoli; Nemirovski, Arkadi Semenovich
O documento é disponibilizado pela fonte de origem, que mantém a versão integral e as condições de uso.
Resumo
We discuss a general approach to building non-asymptotic con dence bounds for stochastic optimization problems. Our principal contribution is the observation that a Sample Average Approximation of a problem supplies upper and lower bounds for the optimal value of the problem which are essentially better than the quality of the corresponding optimal solutions. At the same time, such bounds are more reliable than \standard" con dence bounds obtained through the asymptotic approach. We also discuss bounding the optimal value of MinMax Stochastic Optimization and stochastically constrained problems. We conclude
 with a simulation study illustrating the numerical behavior of the proposed bounds.
Ficha do documento
- Tipo
- Artigo científico
- Ano
- 2016
- Instituição
- Fundação Getulio Vargas
- Fonte
- Repositório da FGV
- Idioma
- Inglês
- Acesso
- Não informado
- Identificador
- oai:repositorio.fgv.br:10438/33754
- Palavras-chave
- Programação estocásticaMatemáticaFunções de valor
Conteúdos relacionados
- Artigo científicoInexact cuts in stochastic dual dynamic programmingFundação Getulio Vargas · 2019
- Artigo científicoConstant Depth Decision Rules for Multistage Stochastic Convex ProgramsFundação Getulio Vargas · 2020
- OutroRobust production managementFundação Getulio Vargas · 2016
- OutroMétodos em programação linear inteira para modelagem de estatísticas de risco VAR e CVARFundação Getulio Vargas · 2022
