重要抽样 — 尾概率的高效估计

结构可靠性分析：桥梁、飞机、核电站等大型结构的破坏概率常在 10⁻⁴～10⁻⁹ 级别。直接蒙特卡罗几乎不可能。FORM/SORM 或设计点重要抽样（DP-IS）结合有限元，运行数千至数万次计算破坏概率，精度很高。日本道路桥示方书和 ASME 规范都用可靠性指标 β 来规定，这就是基于重要抽样的。

金融风险管理：VaR（风险价值）和 CVaR（条件风险价值）中，大损失事件在分布的尾部。将建议分布偏向市场急跌情景，能将所需场景数减少1000倍以上，实时风险计算变为可能。量化金融的标准工具。

通信工程的比特误差率：数字通信中 BER（比特错误率）常在 10⁻⁹ 级。直接模拟需要数百亿比特。噪声分布的尾部集中建议分布，通过重要抽样，几小时内就能画出 BER 曲线。调制方式、纠错码设计都用得上。

贝叶斯统计和粒子滤波：逐次重要重采样（SIR）和粒子滤波（粒子化蒙特卡罗）的核心是重要抽样。后验分布难以直接采样时，用与似然成比例的建议分布，权重补正。自动驾驶的状态估计、机器人位置估计都用它。

最普遍的误解是"建议分布离目标越远越好"。在模拟器中，把 μ 从默认3.0改成5.0。样本确实集中在尾部了，但方差降低比反而下降。这是因为样本太密集，权重 w(x)=p(x)/q(x) 在少数点变得极大，导致"权重方差爆炸"。理论最优点是 μ≈t（尾阈值），太大太小都不行。

其次，以为增加 N 就能保证重要抽样胜过直接法。如果建议分布选得不好，N 再大，方差也降不下来，反而少数离群值会拖累推定。在模拟器中试试 σ=0.5、μ=5 的组合，估计值会不稳定。实务中要监视有效样本量 ESS = (Σw_i)² / Σw_i²，如果 ESS < N 的几%，要重新选建议分布。

最后，重要抽样不是"魔法"。它只是让每个样本的信息量最大化，计算总量不会消失。建议分布的设计需要了解目标和被积函数，选错了比直接法更差。裾概率这种简单情况理论上能找到最优 μ，但实际问题往往要用自适应重要抽样（AIS）或交叉熵法（CE）来学习建议分布本身。