重要性取樣（importance sampling）

假設你要用隨機模擬估計一場罕見災難的機率——百年一遇的洪水。若均勻地對年份取樣，你得每一百年才等到一次災難，幾乎學不到東西；關鍵藏在空間的一個小角落裡。重要性取樣解決這點：在「重要的地方」多取樣，再用一個權重修正偏差，使你把樣本花在被積函數大的地方，而不是浪費在它幾乎為零之處。

就機制而言，你想要 f 在均勻（或原始）測度下的平均，但你改從一個選定的、集中在 f 大的地方的「提議」密度 p 抽點。為了保持無偏，你給每個樣本一個權重，等於它「本該出現的可能性」與「實際出現的可能性」之比：估計量變成 f(x_i) / p(x_i) 對從 p 抽出的點 x_i 的平均（把積分寫成 integral [f(x)/p(x)] * p(x) dx）。權重 f/p 恰好抵消過度取樣，所以平均仍收斂到真積分。這個估計量的變異數取決於 p 與 f 形狀的契合程度：理想的 p 與 |f| 本身成正比，那會使每個加權樣本都相同、變異數為零——實務上達不到，但它告訴你該瞄準什麼。

做得好，重要性取樣能把變異數削減數個數量級，是罕見事件估計、粒子物理與貝氏計算的標準工具。做得差，它很危險，這是關鍵的誠實之處。若提議 p 太窄、在 f 仍可觀的地方尾部太薄，一個罕見樣本落在 p 極小之處就會拿到「巨大」的權重 f/p，產生狂野的尖刺——變異數可能變得極大甚至無限，而估計值看似穩定到具有欺騙性，直到一個災難性樣本把它炸開。經驗法則是：讓 p 的尾部比目標更厚，絕不更薄，並留意權重分布中是否有少數幾個獨大。