Strategi Penyelesaian Program Stokastik Tak Linier non Parametrik

Abstract

This thesis consider a class of stochastic programming models where the uncertainty is classically represented using parametric distributions families. The parameters are then usually estimated together with the optimal value of the problem. Howevwr, misspecification of the underlying random variabels often leads to irrealistic results whwn little is known about their true distributions. We propose to overcome this difficulty by introducing a nonparametric approach where we replace the estimated Comulatif Distribution Function (CDF). A pratical algorithm is discribed which achieves this goal by using a monotonic spline representation of the inverse marginal CDFs and a projection based trust-region globalization. Application of the new algorithm to discrete choice theory are finally discussed, both with simulated data and in the context of a practical financial application related to interventions of the bank of japan in the foreign exchange market.

Program stokastik menjeleskan suatu ketidakpastian yang direpsentasikan secara clasik dengan menggunakan kelompok distribusi parameter. Kemudian parameter biasanya ditaksir bersama-sama dengan nilai optimal masalah. Akan tetapi, kesalahan mengatakan variabel acak utama kerap kali menghasilkan hasil yang didak realitis bila tidak banyak diketahui tentang distribusi sebenarnya. Diajukan untuk mengatasi kesulitan ini dengan memperkenalkan pendekatan nonparametrik di mana mengganti penaksiran parameter distribusi dengan penaksiruan fungsi distribusi kumulatif (CDF). Tesis ini mengajukan algoritma praktis agar tujuan ini dapat tercapai dengan menggunakan representasi monoton dari invers CDF marginal dan globalisasi daerah kepercayaan berbasis proyeksi. Aplikasi algoritma baru ini pada teori pilihan diskrit akhirnya dibahas, baik dengan data hasil simulasi maupun dalam konteks aplikasi keuangan praktis yang terkait dengan intervensi Bank of Japan dibursa saham luar negeri.