Direct data-based decision making under uncertainty

در یک مدل تصادفی یکپارچه معمولی تحت عدم قطعیت، عواقب ناشناخته به عنوان متغیرهای تصادفی مدل سازی می شوند. با این حال، دقیقا تخمین توزیع احتمال متغیرهای تصادفی درگیر از داده های تاریخی به ندرت امکان پذیر است. در نتیجه، تصمیمات ممکن است در آینده غیرعملی یا حتی غیرقابل قبول باشند. همچنین، یک نماینده ممکن است داده ها را در لحظات زمانی مختلف مشاهده ننماید، به عنوان مثال دیروز و یک سال قبل، به همان اندازه ممکن است. عامل ممکن است به اصطلاح زمان؟ مشخصات (وزن) به داده های تاریخی. برای رسیدگی به این مسائل، یک چارچوب اساسی برای تصمیم گیری مستقلا بر سری زمانی تاریخی ارائه شده است. این برای ساختن آنالوگ های مبتنی بر داده ها از واریانس میانگین و حداکثر رویکرد ابزار برای انتخاب نمونه کارها بهینه استفاده می شود.