Konvexita v úlohách s pravděpodobnostními omezeními

Abstract

Tato práce se zaměřuje na úlohy stochastického programování s pravdě- podobnostními omezeními. První kapitola je úvod. Ve druhé kapitole formulujeme několik úloh stochastického programování. Ve třetí kapitole předkládáme teorii α-konkávních funkcí a mír jako základní nástroj pro vyšetřování konvexity úloh a formulujeme postačující podmínky pro konvexitu úloh zavedených v kapitole 2 pro spojité rozdělení náhodných vektorů. Důsledky teorie pak použijeme na charakterizování velké třídy spojitých rozdělení splňujících postačující podmínky pro konvexitu a na dokazování konvexity konkrétních množin. Ve čtvrté kapitole předkládáme postačující podmínky pro konvexitu úloh pro diskrétní rozdělení a v krátkosti se věnujeme metodě p-level eficientní bodů. V páté kapitole řešíme úlohu optimalizace portfolia pomocí Kataokovho modelu. 1

This thesis deals with chance constrained stochastic programming pro- blems. The first chapter is an introduction. We formulate several stochastic pro- gramming problems in the second chapter. In chapter 3 we present the theory of α-concave functions and measures as a basic tool for proving convexity of the problems formulated in chapter 2 for the continuous distributions of the random vectors. We use the results of the theory to characterize a large class of the conti- nuous distributions, that satisfy the sufficient conditions for the convexity and to prove convexity of concrete sets. In chapter 4 we present sufficient conditions for the convexity of the problems and we briefly discuss the method of the p-level ef- ficient points. In chapter 5 we solve a portfolio selection problem using Kataoka's model. 1