Адаптивные дискретно-стохастические алгоритмы численного интегрирования
С точки зрения теории сложности алгоритм 0.2 решения задачи 0.1 является не слишком интересным, так как, в силу соотношения (0.6), имеет неулучшаемый порядок сходимости 1 /у/п. Поэтому в связи с задачей 0.1 в теории сложности распространено обращение к случаю использования так называемых квази-случайных узлов кубатур-ной формулы (0.2). Здесь теория кубатурных формул смыкается со специальным… Читать ещё >
Содержание
- 0. 1. Детерминированные и стохастические кубатурные формулы
- 0. 2. Дискретно-стохастические методы численного интегрирования
- 0. 3. Цель и структура диссертации
- 0. 4. О публикациях по теме диссертации
- 0. 5. Краткое описание рассматриваемых в диссертации численных схем
- 0. 6. Тестирование алгоритмов численного интегрирования
- 0. 7. Апробация работы
- 1. 1. Использование функциональных базисов в методах Монте-Карло
- 1. 1. 1. Моделирование случайных величин
- 1. 1. 2. Функциональные оценки
- 1. 1. 3. Выбор функционального базиса
- 1. 1. 4. Моделируемость аппроксимации Стренга-Фикса
- 1. 1. 5. Моделируемость аппроксимации Бернштейна
- 1. 2. Дискретно-стохастические методы уменьшения дисперсии
- 1. 2. 1. Дискретно-стохастическая версия метода выборки по важности
- 1. 2. 2. Дискретно-стохастическая версия метода выделения главной части
- 1. 2. 3. Сложная многомерная симметризация
- 1. 2. 4. Дискретно-стохастическая версия метода выборки по группам
- 1. 3. Двусторонний геометрический метод Монте-Карло
- 1. 3. 1. Геометрический метод И. М. Соболя
- 1. 3. 2. Модификация геометрического метода
- 1. 3. 3. Дискретно-стохастическая версия двустороннего геометрического метода
- 2. 1. Дискретно-стохастическая версия метода взвешенной равномерной выборки
- 2. 1. 1. Лемма о состоятельных оценках
- 2. 1. 2. Взвешенная равномерная выборка
- 2. 1. 3. Использование аппроксимации Стренга-Фикса
- 2. 1. 4. Зависимость дисперсии от шага сетки
- 2. 1. 5. Построение доверительных границ и оптимизация оценки 9п ^
- 2. 1. 6. Результаты тестовых численных экспериментов
- 2. 2. Дискретно-стохастическая версия метода Монте-Карло с поправочным множителем
- 2. 2. 1. Оценка с поправочным множителем
- 2. 2. 2. Приближение оптимального множителя. Зависимость смещения и дисперсии от шага сетки
- 2. 2. 3. Построение доверительных границ и оптимизация оценки в
- 2. 2. 4. Результаты тестовых численных экспериментов
- 2. 3. Рандомизация метода последовательных приближений
- 2. 3. 1. Итерационный процесс с интегральным оператором
- 2. 3. 2. Приближения функционала
- 2. 3. 3. Тестовая задача
- 2. 3. 4. Использование специального функционала
- 2. 3. 5. Пример согласованного выбора параметров
- 3. 1. Преобразования спектральных моделей случайных полей
- 3. 1. 1. Численные спектральные модели гауссовских случайных полей
- 3. 1. 2. Тестовая спектральная модель
- 3. 1. 3. Преобразования гауссовских моделей: использование функций многих переменных
- 3. 1. 4. Использование комбинаций со случайными величинами
- 3. 1. 5. Функциональная сходимость преобразованных моделей
- 3. 1. 6. Группировка слагаемых в моделируемой сумме
- 3. 2. Тестовая система функций
- 3. 2. 1. Использование модельных траекторий случайных функций
- 3. 2. 2. Выполнение требований (0.1а)-(0.1д)
- 3. 3. Средние оценки погрешностей простейших квадратурных формул
Адаптивные дискретно-стохастические алгоритмы численного интегрирования (реферат, курсовая, диплом, контрольная)
0.1. Детерминированные и стохастические кубатурные формулы. С развитием вычислительной техники возрастает интерес к численным методам решения прикладных задач. Математическое описание исследуемого процесса сводится, как правило, к рассмотрению неизвестной функции многих переменных, для которой записывается система дифференциальных уравнений (см., например, [1]). Одним из способов приближенного решения этой системы является построение разностной схемы и сведение задачи к решению системы линейных уравнений для значений неизвестной функции в узлах сетки (см., например, [2−4]). Часто также оказывается целесообразным сведение (или постановка) задачи к интегральной форме, когда исследуемая функция представляет собой многократный интеграл, зависящий от параметра, или является решением интегрального уравнения (см., например, [1]). В последнем случае при возникновении интегрального уравнения Фредгольма второго рода соответствующий интегральный оператор предполагается сжимающим, и решение записывается в виде ряда Неймана, представляющего собой сумму параметрических интегралов бесконечно возрастающей кратности (см., например, [5]). Далее используются численные методы приближенного вычисления получаемых многократных интегралов на ЭВМ. При разработке этих методов решается
ЗАДАЧА 0.1. Построить алгоритм вычисления интеграла здесь X — замыкание тех х € Д', для которых <�у (х) ф 0.
Для интегралов I малых размерностей I с гладкими (в обычном или обобщенном смыслах) подынтегральными функциями д и относительно простыми областями интегрирования X развита теория квадратурных (для случая I = 1) и кубатурных (для I > 1) формул (см., например, [4, 6]). Кубатурная формула в общем случае имеет вид где {х1,., хп} - заданные детерминированные (и, как правило, регулярные) узлы сетки в В1, а {с1,., с71} - веса. Вычисление интеграла (0.1) по формуле (0.2) будем называть АЛГОРИТМОМ 0.1. В качестве X в данной работе будем использовать, как правило, простые компактные подмножества в В} (чаще всего — /-мерный единичный куб = {х = (жь. .. , ?-): 0 < Хг < 1- 2 = 1,., /}).
Оптимальный выбор узлов и весов связан с минимизацией погрешности 5п = 1 — 5П| и основан (явно или неявно) на использовании аппроксимаций подынтегральной функции д. Главным достоинством кубатурных формул является возможность получения гарантированной и сравнительно быстрой сходимости 5п к нулю при п —У оо для классов гладких подынтегральных функций д.
К недостаткам «классических» (детерминированных) кубатурных формул на классах подынтегральных функций следует отнести:
— слабый учет специфики той или иной подынтегральной функции;
— необходимость разработки специальных численных алгоритмов поиска оптимальных весов и (или) узлов;
— чувствительность к росту размерности и к гладкости начальных данных (подынтегральной функции д и области X);
0.1) п
0.2)
— трудности в построении показательных тестовых численных примеров и контроля точности и затрат при практических вычислениях.
Для существенно многомерных задач 0.1 (т.е. для случая ¿->1и даже I —V сю) достаточно эффективным оказывается стандартный метод Монте-Карло (см., например, [7−9]). Этот алгоритм основан на представлении
1 = 1 д (х)Дх) ¿-х = ЕС, С = <7®, д (х) = </(х)//(х). (0.3)
Для выполнения (0.3) достаточно потребовать /(х) ф 0 при х 6 X. Весовая функция / является вероятностной плотностью в Я1, т. е. /(х) > 0 и //(х)сЬс = 1, а /-мерный случайный вектор? распределен согласно плотности /.
АЛГОРИТМ 0.2 [7−9]. 1. Реализуем п значений случайного вектора. , £п.
2. Вычисляем приближенное значение интеграла (0.1):
3=1 3=1
Если в (0.4) трактовать как набор независимых одинаково распределенных случайных векторов с плотностью распределения /, то случайные величины (1 = 9(^1), -■-■-)(п ~ я{€п) будут также независимыми одинаково распределенными с математическим ожиданием I (см. соотношение (0.3)) и дисперсией
БС = а2 = Бд (0 — I ?2(х) Дх) ¿-х — /2 = I ¿-х ~ 1 (0.5)
Если величина (0.5) конечна, то в силу закона больших чисел (см., например, [10]) формула (0.4) верна для достаточно больших п.
Сразу заметим, что для /(х) = 1 (т. е. для равномерного распределения = формула (0.4) является частным случаем формулы (0.2) для с =. — сп = 1/п и ^ = Таким образом, разница между алгоритмами 0.1 и 0.2 с постоянными весами связана с выбором узлов — детерминированным или стохастическим. Отметим также, что и для «детерминированного» алгоритма 0.1 введение весовой функции типа / и связанного с ней набора узлов позволяет улучшать качество кубатурных формул (0.2).
Алгоритм 0.2 имеет следующие положительные свойства:
— возможность уменьшения трудоемкости алгоритма за счет, уда.'чного (согласованного с видом подынтегральной функции д) выбора весовой функции / (алгоритм выборки по важности) или преобразования исходного интеграла (выделение главной части) и весовой функции (методы математического ожидания и расщепления, выборка по группам и т. п.) — см. далее подразд. 0.5;
— веса имеют простой вид, а узлы реализуются согласно выбираемому вероятностному распределению с плотностью /;
— относительно слабая чувствительность к росту размерности I и к гладкости начальных данных (подынтегральной функции д и области X);
— возможность контроля затрат и точности вычислений.
Последнее свойство обусловлено тем, что затраты 5 алгоритма 0.2 можно подсчитать по простой формуле 5 = пЬ, где t — среднее время получения одного выборочного значения случайной величины С (это время, в свою очередь, связано со «сложностью» вычисления функции д и со средними затратами на реализацию одного выборочного значения вектора ?). Далее, в силу центральной предельной теоремы (см., например, [10]) для достаточно больших п имеет место соотношение
При фиксированном уровне погрешности число случайных узлов п прямо пропорционально дисперсии а2 случайной величины и вместо я в качестве величины, отражающей затраты стандартного метода Монте-Карло, можно ввести число которое называется трудоемкостью алгоритма 0.2 [7−9]. Рассмотрение величины (0.7) вместо 5 является более удобным при оптимальном выборе весовой функции /, т. к. величина 51 в явном виде содержит вероятностную характеристику (дисперсию) случайной величины С, которая, в свою очередь, определяется через /. Неизвестное значение (0.5) можно приближенно вычислить по набору выборочных значений. [7−9]:
1 V 1 (у^У (ой а8)
Формула (0.6) отражает также и главный недостаток алгоритма 0.2 — относительно низкую (порядка 1/у/п) скорость сходимости погрешности к нулю при возрастании числа узлов п. К примеру, для / = 1 и д € С2(Х) простейшая формула прямоугольников имеет порядок погрешности 1/п2 (см., например, [4]). Это обуславливает использование алгоритма 0.2 только для достаточно больших размерностей I.
0.2. Дискретно-стохастические методы численного интегрирования. Формулы Бахвалова и теория сложности. Эффективными могут оказаться и смешанные, комбинированные процедуры численного интегрирования, сочетающие в себе элементы алгоритмов 0.1 и 0.2. Как правило, эти схемы содержат «детерминированную» составляющую, связанную с регулярной дискретизацией области X, а также «стохастическую» составляющую, связанную с применением метода Монте-Карло. Поэтому, вслед за А. В. Войтишеком [11], мы будем называть такие алгоритмы дискретно-стохастическими.
По-видимому, одна из первых численных схем подобного рода была представлена в работе Н. С. Бахвалова [12] (см. также [4] и подраздел 1.2.4 данной работы). Исходной областью X являлся ¿—мерный единичный куб (?1, который разбивался на п равных кубов с вершинами в точках равномерной сетки. В каждом ^'-ом элементарном кубе выбирался узел кубатурной формулы (0.2) случайным образом (согласно равномерному распределению). Представленный алгоритм можно считать как кубатурной формулой (0.2) со случайными узлами (такой термин для подобных конструкций имеется, например, в [8]), так и предельным случаем выборки по группам в методе Монте-Карло [7−9]. Н. С. Бахвалов показал в [12], что его алгоритм является оптимальным (по скорости сходимости к нулю погрешности 5п при п —> со) в пространстве непрерывно дифференцируемых подынтегральных функций С1(Х). Для этого ему потребовалось получать оценки сверху и снизу для 5п.
Методология работы [12] явилась основой для интенсивного развития так называемой теории сложности (см. [13] и сопутствующие этой монографии работы). Эту теорию можно назвать «философией вычислительных алгоритмов». В ней изучается вопрос о том, каков максимальный порядок стремления к нулю погрешности 5й для
0.6)
0.7) данного класса вычислительных алгоритмов с количеством вычислительных операций п.
Проблема численного интегрирования (задача 0.1) является наиболее удобной и часто используемой иллюстрацией в теории сложности. В работах по теории сложности рассмотрены вопросы оптимальности кубатурных формул (0.2) для различных пространств В (Х) подынтегральных функций. При построении соответствующих нижних границ для 5п требуется строить конкретную численную схему типа (0.2). В некоторых (достаточно редких) случаях эти алгоритмы имеют вид, вполне пригодный для практических вычислений. Например, для В (Х) = С2(Х) в работе [12] Н. С. Бахвалов построил оптимальный алгоритм, в котором, в дополнение к алгоритму для д € С1{Х), кроме узла х^ выбирается точка х7, симметричная х^ относительно центра ?-го элементарного куба (см. подраздел 1.2.4 настоящей работы).
С точки зрения теории сложности алгоритм 0.2 решения задачи 0.1 является не слишком интересным, так как, в силу соотношения (0.6), имеет неулучшаемый порядок сходимости 1 /у/п. Поэтому в связи с задачей 0.1 в теории сложности распространено обращение к случаю использования так называемых квази-случайных узлов кубатур-ной формулы (0.2) [13]. Здесь теория кубатурных формул смыкается со специальным нетривиальным разделом теории чисел. Наиболее эффективный алгоритм построения квази-случайных узлов представлен в [7] (это ЛПГ-последовательность Соболя). Вопросы использования квази-случайных чисел в численном интегрировании в данной работе не рассматриваются.
В общей теории сложности (в том числе и для задачи 0.1) принимается ряд допущений, которые не всегда выполняются на практике. Например, приравниваются затраты на вычисление значения подынтегральной функции д в точке и одно арифметическое действие. В связи с этим открытым остается вопрос, будут ли теоретически оптимальные схемы иметь на практике минимальную трудоемкость. Забегая вперед, отметим, что в представляемой рабоге указаны примеры ситуаций, когда оптимальные (с точки зрения теории сложности) кубатурные формулы не являются наилучшими на практике (см. раздел 1.2).
0.3. Цель и структура диссертации. Как уже было сказано выше, возможность эффективной практической реализации оптимальных кубатурных формул является большой редкостью (особенно для многомерных случаев). Поэтому вполне разумными видятся подходы, связанные с построением и исследованием эффективно реализуемых дискретно-стохастических численных алгоритмов, дающих относительно небольшие значения трудоемкости (0.7).
Целью данной работы является разработка и исследование эффективных дискретно-стохастических алгоритмов численного интегрирования, а также тестирование этих алгоритмов на основании построения стохастических систем функций и решения прикладных задач.
Диссертация состоит из введения, трех глав, заключения и списка литературы, содержащего 58 наименований.
Заключение
В работе получены следующие результаты.
• Проведен сравнительный анализ дискретно-стохастических методов понижения дисперсии (выборка, но важности, выделение главной части, метод симметризации переменных, выборка по группам). Изучены предельные случаи, приводящие к оптимальным (с точки зрения теории сложности) кубатурным формулам.
• Разработан двусторонний геометрический метод Монте-Карло. Исследованы вопросы оптимизации этого метода для кусочно-постоянных мажорант и минорант подынтегральной функции.
• Исследована эффективность дискретно-стохастических состоятельных оценок метода Монте-Карло: взвешенной равномерной выборки и оценки с поправочным множителем. Получены верхние оценки дисперсий и оценены затраты соответствующих дискретно-стохастических численных схем.
• Проведено сравнение численных алгоритмов аппроксимации решения интегрального уравнения второго рода на основе рандомизации конечных и бесконечных отрезков ряда Неймана. Исследованы возможности использования отрезков однородных цепей Маркова конечной и случайной длицы, а также эффективных дискретно-стохастических метод<�эв численного интегрирования. Представлецы примеры, подтверждающие целесообразность использования смещенных детермини-рованно-стохастических оценок решения.
• Проведен сравнительный анализ известных аппроксимационных базисов с точки зрения использования их в алгоритмах численного статистического моделирования. Показана целесообразность использования приближений Стренга-Фикса и Бернштейна в дискретно-стохастических численных схемах.
• Рассмотрены возможности применения траекторий спектральных (гауссовских и негауссовских) моделей случайных функций при тестировании численных алгоритмов интегрирования. Такой подход позволил добиться независимости тестирования, получить требуемые свойства подынтегральных функций (гладкость, «сложность» вычисления и др.), вывести аналитические выражения для средних погрешностей. Исследован вопрос о слабой сходимости используемых негауссовских численных моделей.
Проведенные численные эксперименты (в том числе, с использованием стохастической тестовой системы функций) показали, что разрабатываемые здесь дискретно-стохастические алгоритмы эффективны, как правило, для задач «умеренно большой» кратности (конкретнее, для размерностей от трех до десяти).
Список литературы
- Владимиров B.C. Уравнения математической физики. М.: Наука, 1981.2| Березин И. С., Жидков Н. П. Методы вычислений. М.: Физматгиз, 1962.
- Марчук Г. PI. Методы вычислительной математики. М.: Наука, 1980.
- Бахвалов Н. С., Жидков Н. П., Кобельков Г. М. Численные методы. М.: Наука, 1987.
- Канторович Л. В., Акилов Г. П. Функциональный анализ. М.: Наука, 1984.
- Соболев С. JL, Васкевич B.JI. Кубатурные формулы. Новосибирск: ИМ СО РАН, 1996.
- Соболь И. М. Численные методы Монте-Карло. М.: Наука, 1973.
- Ермаков С. М., Михайлов Г. А. Статистическое моделирование. М.: Наука, 1982.
- Михайлов Г. А., Войтишек A.B. Численное статистическое моделирование. Методы Монте-Карло. М.: Издательский центр «Академия», 2006.
- Боровков A.A. Теория вероятностей. М.: Наука, 1986.1. Войтишек А. В. Дискретно-стохастические численные методы (Диссертация на соискание уч. степени доктора физ.-матем. наук). Новосибирск, 2001.
- Traub J. F., Wasilkowski G.W. and Wozniakowski H. Information-based Complexity. New York: Academic Press, 1988.
- Войтишек A.B., Дятлова (Каблукова) Е.Г., Мезенцева (Булгакова) Т. Е. Геометрический метод Монте-Карло и его модификации // Материалы V международного семинара-совещания «Кубатурные формулы и их приложения». Красноярск: КГТУ, 2000. С. 46−54.
- Voytishek А.V., Dyatlova (Kablukova) E.G., Mezentseva (Bnlgakova) Т.Е. Geometrical Monte Carlo method and it’s modifications // Monte Carlo Methods and Applications. 2000. V. 6, № 2. P. 131−1I39.
- Voytishek A.V., Dyatlova (Kablukova) E.G., Mezentseva (Bulgakova) Т.Е. Transformation of the spectral models of the Gaussian random fields // Russian Journal of Numerical Analysis and Mathematical Modelling. 2000. V. 15, № 6. P. 507−519.
- Войтишек A.B., Каблукова E.Г. Исследование адаптивных дискретно-стохастических алгоритмов численного интегрирования // Материалы VI международного семинара-совещания «Кубатурные формулы и их приложения». Уфа: ИМВЦ УНЦ, 2001. С. 46−52.
- Kablukova E. G., Shvets V. V., Voytishek A. V., Golovko N. G. Function approximations as probabilistic densities // Proceedings of the International Conference on Computational Mathematics. Новосибирск: ИВМиМГ CO PAH, 2002. P. 211−215.
- Каблукова E. Г., Булгакова Т. Е. О некоторых применениях численной стохастической системы функций // Материалы XLI Международной студенческой конференции «Студент и научно-технический прогресс». Математика. Новосибирск: НГУ, 2003. С. 118−119.
- Voytishek А. V., Kablukova E.G. Usage of approximation functional basises in Monte Carlo methods // Russian Journal of Numerical Analysis and Mathematical Modelling. 2003. V. 18, jV* 6. P. 521−542.
- Войтишек А. В., Каблукова E. Г., Булгакова Т. Е. Использование спектральных моделей случайных полей при исследовании алгоритмов численного интегрирования // Вычислительные технологии. 2004. Т. 9, специальный выпуск. С. 50−61.
- Войтишек А. В., Каблукова E. Г., Герасимова О. С. Сравнение различных вариантов рандомизации метода последовательных приближений // Вычислительные технологии. 2006. Т. 11, специальный выпуск. С. 27−35.
- Войтишек А. В., Каблукова Е. Г., Лощина Н. В. Исследование метода сложной симметризации // Там же. С. 52−53.
- Войтишек А. В., Каблукова Е. Г. Исследование метода сложной симметризации // Труды 9-го Международного семинара-совещания «Кубатурные формулы и их приложения». Уфа: ИМВЦ УНЦ РАН, 2007. С. 61−75.
- Бусыгин С. В., Войтишек А. В., Каблукова Е. Г., Ефремов А. И. Дискретно-стохастические состоятельные оценки метода Монте-Карло // Журнал вычислительной математики и математической физики. 2008. Т. 48, № 9. С. 1543−1555.
- Каблукова Е. Г. Исследование адаптивных алгоритмов численного интегрирования // Материалы конференции молодых ученых. Новосибирск: ИВМиМГ СО РАН, 2001. С. 94−103.
- Каблукова Е. Г. Двусторонний геометрический метод Монте-Карло // Материалы конференции молодых ученых. Новосибирск: ИВМиМГ СО РАН, 2002. С. 76−81.
- Каблукова Е. Г. Исследование методов численного интегрирования с оптимальной скоростью сходимости // Материалы XLII Международной студенческой конференции «Студент и научно-технический прогресс». Математика. Новосибирск: НГУ, 2004. С. 126.
- Каблукова Е. Г. Исследование методов численного интегрирования с оптимальной скоростью сходимости // Труды конференции молодых ученых. Новосибирск: ИВМиМГ СО РАН, 2004. С. 67−77.
- Kablukova Е. G. Investigation of methods of numerical integration with optimal convergence speed // Monte Carlo Methods and Applications. 2005. V. 11, № 4. P. 397 406.
- Каблукова E. Г., Герасимова О. С. Исследование математической модели переноса частиц с анизотропным рассеянием // Материалы VIII международного семинара-совещания «Кубатурные формулы и их приложения». Улан-Удэ: ВСГТУ, 2005. С. 49−52.
- Лощина Н. В., Каблукова Е. Г. Асимптотика метода сложной симметризации // Материалы XLV Международной студенческой конференции «Студент и научно-технический прогресс». Математика. Новосибирск: НГУ, 2007. С. 204−205.
- Ефремов А. И., Каблукова Е. Г. Дискретно-стохастический метод взвешенной равномерно выборки // Там же. С. 202−203.
- Бусыгин C.B., Каблукова Е. Г. Дискретно-стохастический метод Монте-Карло с поправочным множителем // Там же. С. 201−202.
- Войтишек А. В., Ухинов С. А. Использование существенной выборки в методе Монте-Карло // Сибирский журнал вычислительной математики. 2001. Т. 4, JV2 2. С. 111−122.
- Стренг Г., Фикс Дж. Теория метода конечных элементов. М.: Мир, 1977.
- Марчук Г. Pl., Агошков В. И. Введение в проекционно-сеточные методы. М.: Наука, 1981.
- Handscomb D.C. Remarks on a Monte Carlo integration method // Numerical mathematics. 1964. V. 6, № 4. P. 261−268.
- Ogorodnikov V. A., Prigarin S. M. Numerical Modelling of Random Processes and Fields: Algorithms and Applications. Utrecht: VSP, 1996.
- Пригарин С. M. Введение в численное моделирование случайных процессов и полей. Части I, И. Новосибирск: НГУ, 1999.
- Войтишек А. В., Пригарин С. М. О функциональной сходимости оценок и моделей в методе Монте-Карло // Журнал вычислительной математики и математической физики. 1992. Т. 32, № 10. С. 1641−1651.
- Вентцель Е. С. Теория вероятностей. М.: Наука, 1962.
- Деврой Л., Дерфи Л. Непараметрическое оценивание плотности (Li). M.: Мир, 1988.
- Бахвалов Н. С., Лапин А. В., Чижонков Е. В. Численные методы в задачах и упражнениях. М.: Высшая школа, 2000.
- Милосердов В. В. Дискретно-стохастические численные алгоритмы со сплайн-восполнениями (Диссертация на соискание уч. степени кандидата физ.-матем. наук). Новосибирск, 2006.
- Стечкин С. В., Субботин Ю. Ii. Сплайны в вычислительной математике. М.: Наука, 1976.
- Войтишек A.B., Мясников А. П., Санеев Л. Э. Использование алгоритмов численного моделирования порядковых статистик // Журнал вычислительной математики и математической физики. 2008. Т. 48, № 12.
- Фихтенгольц Г. М. Курс дифференциального и интегрального исчисления. Т. 1−3. М.: ОГИЗ, 1948.
- Бахвалов Н. С. Численные методы. М.: Наука, 1975.
- Боровков A.A. Математическая статистика. Оценка параметров, проверка гипотез. М.: Наука, 1984.
- Горбачева Н.Б., Соболь И. М., Трикузов А. И. О множителях, уменьшающих дисперсию при вычислении интегралов методов Монте-Карло // Журнал вычислительной математики и математической физики. 2001. Т. 41, № 9. С. 1310−1314.
- Яглом А. М. Корреляционная теория стационарных случайных функций. Ленинград: Гидрометеоиздат, 1981.
- Михайлов Г. А. Приближенные модели случайных процессов и полей // Журнал вычислительной математики и математической физики. 1983. Т. 23, № 3. С. 558−566.
- Гихман И.И., Скороход A.B. Введение в теорию случайных процессов. М.: Наука, 1965.
- Ширяев А. Н. Вероятность. М.: Наука, 1980.