重要性采样

提议分布决定“去哪里看”，权重决定“每次看见算多少”。若 $Q$ 比目标更常访问某一区域，$w$ 小于一会把过度访问折回去；若 $Q$ 很少进入目标质量大的区域，偶然抵达时就产生巨大权重。换测度恒等式保证平均后恢复目标积分，却不保证这种补偿稳定。

理想提议不是笼统地“接近目标”。对特定积分 $I={\mathbb{E}}_{P}f$，渐近方差取决于 $wf$；在可行的绝对连续密度中，普通估计量的方差最小形式与 $|f|\pi$ 成比例，且当 $f$ 同号时可达到零方差。自归一化估计的渐近最优形式则指向 $|f-I|\pi$。这些形式往往依赖未知答案，实际用途是说明提议应覆盖对当前函数真正重要的区域，而不是只追求目标密度峰值。

令三点后验在 $a,b,c$ 上的概率为

所以真值 $I=0.1\times 0+0.3\times 1+0.6\times 2=1.5$。取提议 $q=(0.5,0.25,0.25)$，权重依次为 $(0.2,1.2,2.4)$。一次实际样本恰为 $(a,b,c)$ 时，三个加权函数值是 $(0,1.2,4.8)$，故

这轮高估不是公式失效，而是提议把概率质量过多放在贡献为零的 $a$，一旦抽到稀少的 $c$ 就用 $2.4$ 倍权重补偿。重复独立运行后均值仍回到 $1.5$，但方差明显受最大权重支配。

支持遗漏会造成不可修复的偏差。若改成 $q(c)=0$，无论样本量多大都看不到目标中 $60\mathrm{\%}$ 的质量；不存在有限权重能替代从未发生的访问。即使支持完整，方差也可能无穷。取 $\pi (x)=e^{-x}$、$q(x)=2e^{-2x}$，$x\ge 0$，则 $w(x)=e^x/2$ 且 ${\mathbb{E}}_{Q}w=1$，但

此时估计常数 $1$ 仍无偏，典型运行却会长时间显得稳定，随后被一次尾部样本推翻。用有限批次算出的“小标准误”不能诊断尚未出现的巨权重。

重要性采样把采样器与目标模型解耦：同一批提议样本可对多个函数复用，似然改变后也可在重叠充分时重加权。逻辑链是先验证支撑，再计算未归一化比值，最后用目标积分对应的矩条件判断误差；顺序不能倒过来。

序贯方法把一次换测度拆成多个相邻分布之间的温和修正，从而避免单步权重跨度过大；但每一步仍继承支撑与尾部条件。诊断上，最大归一化权重和权重有效样本量可揭示集中程度，却不能证明遗漏的模态不存在。真正的可靠性来自提议覆盖、有限相关矩以及多种提议或重复运行之间的一致结果。